Lewati ke konten
Riset & Model

Keterbukaan algoritma ojek daring ala UE ubah laba platform, tergantung kebijakan

Simulasi dengan agen LLM sebagai sopir menunjukkan kewajiban buka aturan algoritma membuat sopir lebih patuh, tetapi dampaknya pada laba platform berbeda menurut kebijakan penyeimbangan armada.

Ilustrasi: Piksel (AI)

Kewajiban membuka aturan algoritma bagi platform ojek daring membuat pengemudi lebih patuh pada platform, tetapi efeknya berbeda menurut kebijakan penyeimbangan armada yang dipakai. Itu temuan makalah Xinyu Wang dan Andres Fielbaum yang diajukan ke arXiv pada 30 Oktober 2026.

Makalah ini membandingkan dua kebijakan penyeimbangan armada (rebalancing, yaitu cara platform memindahkan pengemudi yang menganggur ke area lain) setelah aturan platform dibuka. Kebijakan reaktif (R) mengirim pengemudi menganggur untuk menutup permintaan yang baru saja hilang. Kebijakan antisipatif (A) merencanakan perpindahan berdasarkan ramalan permintaan.

Setiap pengemudi dimodelkan sebagai agen model bahasa besar (LLM) yang memaksimalkan pendapatan bersihnya sendiri.

Apa yang diwajibkan direktif

Menurut makalah, Direktif (EU) 2024/2831 tentang kerja platform harus diterapkan (ditransposisi) ke hukum nasional negara anggota Uni Eropa paling lambat Desember 2026. Pasal 9 mewajibkan platform memberi tahu pekerja tentang parameter utama sistem pengambilan keputusan otomatisnya, tingkat kepentingan relatif tiap parameter, dan cara perilaku pekerja memengaruhi keputusan itu. Pasal 2 memasukkan pembayaran dan penetapan harga tugas ke dalam lingkup aturan.

Penulis mengaitkan hal ini dengan riset manajemen algoritmik sebelumnya. Studi-studi yang mereka rujuk menunjukkan pengemudi Uber berusaha menyimpulkan sendiri aturan pencocokan dan kontrol yang tidak terlihat, serta paling sering meminta kejelasan soal harga, promosi, rute, dan penugasan. Karena aturan akan ditulis dalam bahasa lugas, penulis menduga pengemudi bisa menyerahkannya kepada asisten AI yang memutuskan untuk mereka.

Rancangan simulasi

Penulis menguji dua lingkungan. Yang pertama model kecil berupa jaringan tiga zona dengan sepuluh pengemudi. Yang kedua jaringan kota yang lebih realistis, yakni Manhattan.

Setiap agen pengemudi menerima salah satu dari dua kondisi: tanpa aturan (N), atau aturan dengan tingkat rincian setara yang diwajibkan direktif (L). Dua LLM dipakai, yaitu Claude Haiku 5.5 dan model bernama Jev. Penulis menyatakan keduanya sama baik dalam memahami sistem dan aturan.

Pengemudi lebih patuh

Temuan pokoknya: setelah aturan dibuka, pengemudi lebih banyak mengikuti platform. Di Manhattan, porsi tawaran relokasi yang ditolak turun dari sekitar empat dari lima menjadi sekitar satu dari empat, pada kedua kebijakan.

Namun perilaku yang sama berdampak berbeda pada tiap kebijakan, terutama bagi platform.

Dampak berbeda per kebijakan

Di Manhattan, keterbukaan memangkas laba kebijakan R sebesar 3,7 persen. Penyebabnya, R kini membayar perpindahan yang dulu dilakukan pengemudi tanpa imbalan. Laba kebijakan A tidak berubah.

Pada kepatuhan penuh, laba kedua kebijakan sama. Setelah keterbukaan, keduanya terpaut 6,1 persen.

Bagi pengemudi, keterbukaan menaikkan pendapatan di model kecil, baik pada kebijakan R maupun A dan pada kedua LLM. Bagi pengguna, tingkat layanan di model kecil naik 10 sampai 18 poin persentase.

Di Manhattan, dibandingkan kepatuhan penuh, pengemudi yang mementingkan diri sendiri membuat kebijakan A menguntungkan ketiga pihak. Pendapatan pengemudi, laba platform, dan tingkat layanan masing-masing naik sekitar 10 sampai 12 persen.

Kebijakan yang lebih stabil

Dalam hasil yang dilaporkan, kebijakan A lebih stabil: labanya tidak terpengaruh keterbukaan, dan di Manhattan ia memberi hasil lebih baik bagi pengemudi, platform, dan pengguna dibanding kepatuhan penuh. Kebijakan R menjadi lebih mahal bagi platform.

Kesimpulan penulis, dua kebijakan yang setara pada kepatuhan penuh bisa berhasil berlawanan ketika keterbukaan diwajibkan. Mereka menawarkan kerangka untuk menilai kebijakan penyeimbangan di bawah kewajiban baru ini, dan mengklaim sejauh pengetahuan mereka ini studi pertama yang memakai agen LLM untuk tujuan tersebut.

Batasan studi

Studi hanya memakai dua LLM, satu model kecil, dan satu jaringan kota. Agennya dirancang memaksimalkan pendapatan bersih; makalah tidak menguji pengemudi manusia. Abstrak dan bagian yang tersedia tidak merinci seberapa jauh agen LLM mewakili perilaku pengemudi sungguhan.

Catatan untuk Indonesia

Makalah ini tidak menguji pasar Indonesia, dan direktif tersebut mengikat negara anggota UE, bukan Indonesia. Meski begitu, pertanyaan yang diajukan, yaitu apa yang terjadi ketika pengemudi mitra memahami aturan algoritma penugasan, bisa menjadi bahan pembanding bagi platform ojek daring di sini.

Penulis menyebut kerangka evaluasinya membuka jalan bagi riset desain kebijakan penyeimbangan di bawah prinsip keadilan informasi. Untuk UE, tenggat transposisi Desember 2026 menjadi titik berikutnya yang perlu dipantau.

#ojek daring#agen llm#transparansi algoritma#direktif kerja platform#penyeimbangan armada

Terkait

Ilustrasi: Piksel (AI)Riset & Model

Mengapa alignment agen tunggal gagal menular ke tim multi-agen

Makalah baru menemukan difusi tanggung jawab menyebabkan kegagalan transfer alignment dari agen LLM tunggal ke tim. Peneliti mengusulkan penunjukan agen keamanan khusus sebagai solusi efektif.

Nala · Riset17 November 2026
Ilustrasi: Piksel (AI)Riset & Model

Unfinished-Bench tolok ukur pelanggaran aturan oleh agen AI otonom

Tolok ukur Unfinished-Bench mengungkap agen AI dengan persistensi cenderung melanggar aturan internal demi menyelesaikan tugas. Pelanggaran aturan dokumen naik jadi 43,6%, lima kali lipat dibanding aturan lisan.

Nala · Riset16 November 2026