Setiap zaman menyimpan ilusinya sendiri tentang masa depan. Pada akhir 1990-an, dunia memandang globalisasi sebagai garis lurus tak terhindarkan; pada awal 2000-an, internet diramalkan akan meratakan peluang ekonomi sebagaimana kalimat terkenal Thomas Friedman bahwa “dunia menjadi datar.” Dua dekade kemudian, garis lurus itu ternyata berliku, dan dataran itu lebih bergunung daripada yang diperkirakan. Kini, ketika para ekonom dan lembaga pembuat proyeksi menatap dua hingga tiga dekade mendatang, mereka tidak lagi melihat satu jalur tunggal melainkan beberapa kemungkinan yang dibentuk oleh empat kekuatan struktural yang saling berkelindan: pergeseran demografi, lonjakan produktivitas berbasis kecerdasan buatan, fragmentasi geoekonomi, dan transisi hijau menuju ekonomi rendah karbon. Empat kekuatan inilah yang akan menentukan bagaimana kekayaan diciptakan dan didistribusikan—dan, yang barangkali paling konsekuensial bagi pembaca individual, keterampilan apa yang menjadikan seorang manusia tetap relevan di pasar kerja yang sedang berubah bentuknya secara mendasar.
Mari memulai dengan ukuran kuenya. Proyeksi PricewaterhouseCoopers (2017) yang menjadi salah satu acuan paling sering dikutip menunjukkan bahwa ekonomi dunia bisa lebih dari dua kali lipat ukurannya pada 2050, dengan pertumbuhan rata-rata tahunan sekitar 2,5–3 persen. Pada paruh kedua proyeksi tersebut, enam dari tujuh ekonomi terbesar diperkirakan adalah negara berkembang—dipimpin oleh Tiongkok, India, dan Indonesia yang diproyeksikan menempati peringkat keempat dunia berdasarkan paritas daya beli. Namun proyeksi yang lebih mutakhir dari OECD (2025) memperingatkan bahwa angka rata-rata itu menyimpan perlambatan struktural yang penting: pertumbuhan PDB tren wilayah OECD+G20 diproyeksikan turun dari sekitar 3 persen pasca-pandemi menjadi sekitar 1,5 persen pada 2060, didorong oleh deselerasi negara-negara berkembang besar dan tekanan demografi. International Monetary Fund (2025) menambahkan dimensi yang lebih tajam: dividen demografi yang menopang ekspansi global selama beberapa dekade terakhir akan segera berbalik menjadi beban demografi. Di ekonomi maju, pangsa penduduk usia kerja sudah menyusut; ekonomi berkembang besar akan mencapai titik balik dalam satu dekade ke depan; dan negara-negara berpenghasilan rendah paling padat penduduknya akan menyusul sekitar 2070.
Konsekuensinya bukan hanya soal pertumbuhan, melainkan soal komposisi penopang pertumbuhan. Selama lebih dari satu abad, sebagian besar ekonomi diuntungkan oleh penambahan jumlah tenaga kerja. Sekarang, pengganda utama pertumbuhan harus datang dari produktivitas—berapa banyak yang dihasilkan setiap pekerja per jam—dan inilah pintu masuk untuk membicarakan kekuatan kedua: kecerdasan buatan.
Sejak ChatGPT diluncurkan pada akhir 2022, perdebatan tentang dampak AI terhadap perekonomian telah berlangsung di dua kutub. Di satu kutub yang optimistis, McKinsey Global Institute (Chui et al., 2023) memperkirakan bahwa AI generatif sendiri dapat menambahkan 2,6 hingga 4,4 triliun dolar AS per tahun ke ekonomi global jika 63 kasus penggunaan yang dianalisis diadopsi secara luas—angka yang setara dengan total PDB Inggris. Estimasi serupa muncul dari Goldman Sachs dan beberapa rumah riset besar lainnya. Di kutub yang lebih hati-hati, Acemoglu (2024) dalam karyanya “The Simple Macroeconomics of AI” menggunakan kerangka berbasis tugas dan memperkirakan dampak AI terhadap produktivitas total faktor berada di kisaran 0,53–0,66 persen kumulatif selama satu dekade—jauh lebih rendah daripada proyeksi konsultan. Penn Wharton Budget Model (2025) mengambil posisi tengah, memperkirakan AI akan meningkatkan PDB AS sebesar 1,5 persen pada 2035, hampir 3 persen pada 2055, dan 3,7 persen pada 2075, dengan dorongan terhadap pertumbuhan produktivitas paling kuat di awal dekade 2030-an sebelum mereda.
Selisih estimasi sebesar itu bukan hanya soal angka, melainkan soal asumsi tersembunyi. Kerangka Acemoglu menekankan bahwa sebagian besar pekerjaan terdiri atas tugas yang bersifat sulit-untuk-dipelajari serta tugas yang membutuhkan pengetahuan kontekstual yang tidak tersedia dalam data pelatihan model, sehingga AI hanya akan mengotomatisasi sebagian kecil ekonomi dalam jangka pendek hingga menengah. Sebaliknya, estimasi konsultan cenderung menganggap adopsi terjadi cepat dan menyeluruh. Data adopsi di lapangan memberikan bahan bukti yang dingin: Bick, Blandin, dan Deming (2025), seperti dikutip Penn Wharton, menemukan bahwa pada paruh kedua 2024 baru 26,4 persen pekerja di Amerika Serikat menggunakan AI generatif di tempat kerja. Pola difusi awalnya menyerupai komputer pribadi pada awal 1980-an—cepat dibandingkan teknologi sebelumnya, tetapi masih membutuhkan satu hingga dua dekade untuk mencapai kematangan.
Yang lebih konsekuensial daripada angka agregat adalah distribusi dampak. Acemoglu dan Restrepo (2018) telah lama mengingatkan bahwa otomasi cenderung “menggeser” tenaga kerja dari tugas-tugas yang dapat dikerjakan mesin, sambil meningkatkan permintaan untuk tugas-tugas yang belum dapat diotomatisasi—efek pergeseran (*displacement effect*) berhadapan dengan efek produktivitas (*productivity effect*). Dalam karya yang lebih baru, Acemoglu dan Restrepo (2024) menemukan bukti empiris bahwa otomasi turut menjelaskan 52 persen kenaikan ketimpangan antar-kelompok pendidikan di AS sejak 1980. Implikasinya pahit: kecuali kebijakan secara sengaja menyebarkan keuntungan produktivitas dengan lebih luas, kemajuan AI akan mengulang pola historis—pertumbuhan agregat naik, tetapi pangsa upah tenaga kerja terhadap PDB cenderung menurun.
World Economic Forum (2025) menyediakan potret pasar kerja yang lebih granular. Berdasarkan survei terhadap lebih dari seribu perusahaan global yang mempekerjakan 14,1 juta pekerja di 55 negara, WEF memperkirakan transformasi struktural pasar kerja antara 2025–2030 akan mencakup 22 persen dari total pekerjaan saat ini: 170 juta pekerjaan baru tercipta (setara 14 persen dari total saat ini) dan 92 juta pekerjaan tergeser (8 persen), menghasilkan pertumbuhan bersih 78 juta pekerjaan. Pekerjaan yang akan mengalami pertumbuhan tercepat secara persentase mencakup spesialis Big Data, insinyur fintech, spesialis AI dan *machine learning*, insinyur energi terbarukan, dan teknisi kendaraan listrik. Sebaliknya, peran yang paling cepat menyusut mencakup pegawai entri data, kasir dan teller, juru tik, serta asisten administratif. Pertumbuhan absolut paling besar justru terjadi pada peran-peran lini depan dan sektor esensial seperti pelayanan kesehatan, pendidikan, dan pertanian.
Statistik agregat ini menyembunyikan dinamika yang tidak seragam antar-wilayah. Negara berkembang besar dengan profil demografi muda seperti India, Indonesia, dan Vietnam menghadapi persoalan berbeda dari ekonomi maju yang menua. Bagi yang pertama, tantangannya adalah menyerap masuknya jutaan pekerja muda ke pasar kerja yang sedang dijungkir-balikkan otomasi sebelum sempat mengantarkan “dividen demografi” yang dijanjikan. Bagi yang kedua, tantangannya adalah menjaga produktivitas saat angkatan kerja menyusut. Dalam laporan *Workforce 2030*, International Labour Organization (2025) menekankan bahwa Afrika dan sebagian Asia Selatan akan menyumbang sebagian besar pertumbuhan angkatan kerja global hingga 2050, sementara Eropa, Asia Timur, dan sebagian Asia Tenggara justru akan mengalami penyusutan.
Kekuatan ketiga adalah apa yang oleh para ekonom disebut fragmentasi geoekonomi—atau, dalam terminologi yang lebih lembut, *slowbalisation*. Sejak puncak hiper-globalisasi awal 2000-an, rasio perdagangan barang terhadap PDB global telah relatif datar, berkisar antara 41 hingga 48 persen (Gopinath, 2024). Bukan deglobalisasi penuh, melainkan pelambatan dan restrukturisasi. Studi Gopinath, Gourinchas, Presbitero, dan Topalova (2024) menunjukkan bahwa arus perdagangan dan investasi semakin diarahkan ulang sepanjang garis geopolitik: pangsa Tiongkok dalam impor AS turun 8 poin persentase antara 2017 dan 2023, sementara pangsa AS dalam ekspor Tiongkok turun sekitar 4 poin. Negara-negara perantara seperti Vietnam dan Meksiko muncul sebagai penerima manfaat utama pengalihan rantai pasok. Pada sisi lain, Altman (2024) melalui Global Connectedness Index DHL berargumen bahwa narasi deglobalisasi terlalu dilebih-lebihkan—arus internasional belum menyusut relatif terhadap aktivitas domestik, dan pergeseran geopolitik masih terutama melibatkan negara-negara di pusat konflik.
Konsekuensi ekonomi dari fragmentasi ini tidak sepele. World Trade Organization, sebagaimana dirangkum oleh Georgieva dan Okonjo-Iweala (2023), memperkirakan skenario pemisahan dunia menjadi dua blok dagang dapat menurunkan PDB global sekitar 5 persen, sementara IMF memperkirakan kerugian dari fragmentasi perdagangan berkisar 0,2 hingga 7 persen PDB. Biaya ini akan jatuh paling berat pada ekonomi berkembang dan negara berpenghasilan rendah karena hilangnya transfer teknologi dan pengetahuan. Bagi perusahaan multinasional, ini berarti rancangan rantai pasok yang berpijak pada efisiensi murni—konsep *just-in-time* yang menggerakkan tiga dekade terakhir—digantikan oleh konsep *just-in-case* dengan duplikasi, diversifikasi, dan *friend-shoring*. Bagi pekerja, ini berarti permintaan untuk keterampilan yang dulunya hanya relevan di pusat-pusat global tertentu kini menyebar ke lokasi-lokasi baru. Vietnam, Meksiko, India, dan Indonesia kemungkinan akan menjadi tempat konsentrasi baru untuk manufaktur bernilai tambah menengah ke atas; sementara pusat-pusat lama harus naik kelas atau menyusut.
Kekuatan keempat—transisi hijau—menambah satu lapisan transformasi yang berdiri sendiri sekaligus berinteraksi dengan ketiga lainnya. Berdasarkan skenario 1,5°C International Renewable Energy Agency (2021), sektor energi terbarukan dapat menyediakan 38 juta pekerjaan pada 2030 dan 43 juta pada 2050—dibandingkan dengan sekitar 16,2 juta pekerjaan pada 2023 (IRENA & ILO, 2024). Total tenaga kerja di sektor energi yang tertransformasi diperkirakan mencapai 122 juta pada 2050, melibatkan investasi kumulatif sekitar 61 triliun dolar AS hingga pertengahan abad. International Labour Organization (2018) memperkirakan transisi menuju ekonomi yang membatasi pemanasan global pada 2°C akan menciptakan 24 juta pekerjaan baru pada 2030, jauh melampaui perkiraan kehilangan 6 juta pekerjaan di sektor yang bergeser.
Namun di balik angka bersih yang positif ini tersimpan dislokasi geografis dan keterampilan yang nyata. Pekerja tambang batu bara di Kalimantan tidak otomatis menjadi pemasang panel surya di Sulawesi, dan pekerja kilang minyak di Texas tidak otomatis menjadi insinyur baterai di Arizona. Investasi ulang dalam pelatihan dan jaring pengaman sosial menjadi prasyarat agar transisi ini—dalam frasa yang dipopulerkan ILO—benar-benar menjadi *just transition*, transisi yang adil.
Empat kekuatan ini—demografi, AI, fragmentasi, transisi hijau—bertemu di satu titik konkret: keterampilan apa yang dibutuhkan untuk bertahan dan berkembang? World Economic Forum (2025) merangkum hasil surveinya bahwa 39 persen keterampilan inti yang dibutuhkan di pasar kerja akan berubah pada 2030, turun sedikit dari 44 persen pada 2023. Penurunan ini bukan tanda bahwa transformasi melambat, melainkan bahwa perusahaan dan pekerja mulai belajar mengantisipasi perubahan. Keterampilan yang diperkirakan tumbuh paling cepat permintaannya adalah keterampilan teknologi—AI dan *big data* di puncak, diikuti oleh jaringan dan keamanan siber, lalu literasi teknologi. Tetapi di sebelah keterampilan teknologi itu, keterampilan yang khas-manusia—pemikiran kreatif, ketahanan, fleksibilitas dan kelincahan, keingintahuan dan pembelajaran sepanjang hayat, kepemimpinan dan pengaruh sosial—juga menempati daftar teratas.
Penelitian akademik yang lebih tua memberi kerangka untuk memahami pola ini. Deming (2017) dalam *Quarterly Journal of Economics* menemukan bahwa antara 1980 dan 2012, pekerjaan yang menuntut interaksi sosial tinggi tumbuh hampir 12 poin persentase sebagai pangsa angkatan kerja AS, sementara pekerjaan intensif matematika tetapi rendah interaksi sosial—termasuk banyak pekerjaan STEM—justru menyusut 3,3 poin. Yang penting, pertumbuhan upah paling besar terjadi pada pekerjaan yang memerlukan kedua-duanya: keterampilan matematika tinggi sekaligus keterampilan sosial tinggi. Model Deming menjelaskan ini melalui konsep *trading tasks*: keterampilan sosial menurunkan biaya koordinasi dalam tim, memungkinkan spesialisasi yang lebih efisien. Dalam ekonomi yang semakin otomatis, di mana mesin menangani tugas-tugas yang dapat dikodifikasi, nilai komparatif manusia justru terletak pada apa yang sulit dikodifikasi—empati, persuasi, negosiasi, perancangan masalah, dan koordinasi lintas-budaya.
Implikasi praktisnya muncul dalam tiga lapisan keterampilan yang saling terkait. Lapisan pertama adalah literasi digital fundamental—kemampuan untuk berinteraksi secara cerdas dengan perangkat lunak, memilah informasi, memahami algoritma secara umum, dan menggunakan AI sebagai mitra kerja. Coursera melaporkan bahwa lebih dari 7,4 juta orang mendaftar kursus AI di platformnya pada 2024, di mana 3,2 juta di antaranya adalah pelatihan AI generatif (WEF, 2025). Pesan operasionalnya jelas: bagi mayoritas pekerja, tugasnya bukan menjadi insinyur AI, melainkan menjadi pengguna AI yang cakap. Yang dibutuhkan bukan kemampuan menulis algoritma dari awal, melainkan kemampuan merumuskan pertanyaan yang tepat, mengarahkan keluaran model, mengevaluasi hasilnya secara kritis, dan mengintegrasikannya ke dalam alur kerja profesional.
Lapisan kedua adalah keterampilan kognitif tingkat tinggi yang tidak mudah diotomatisasi: pemikiran analitis dan kritis, penyelesaian masalah kompleks, pengambilan keputusan dalam ketidakpastian, dan pemikiran sistemik. Berpikir analitis tetap menjadi keterampilan inti yang paling sering disebut oleh perusahaan global—tujuh dari sepuluh perusahaan dalam survei WEF (2025) menyebutnya esensial. Ini bukan sekadar kemampuan menghitung; ini adalah kemampuan merumuskan pertanyaan yang tepat, mengevaluasi bukti, dan menyusun argumen yang dapat dipertahankan. Di era ketika AI dapat memproduksi teks dan kode dalam volume tak terbatas, kemampuan untuk membedakan jawaban yang benar dari yang sekadar koheren menjadi premium.
Lapisan ketiga—dan ini yang paling sering diabaikan dalam diskusi populer tentang masa depan kerja—adalah keterampilan sosial-emosional dan adaptif. Studi Deming (2017) yang telah disebut menunjukkan return ekonomi yang signifikan dari keterampilan sosial; WEF (2025) menempatkan ketahanan, fleksibilitas, dan kelincahan di puncak keterampilan yang nilainya meningkat. Dalam dunia yang siklus perubahannya semakin pendek, kemampuan untuk belajar kembali (*relearning*) dan melepaskan keterampilan lama (*unlearning*) menjadi kompetensi tersendiri. Konsep pembelajaran sepanjang hayat—yang dulu terdengar seperti slogan—kini menjadi kebutuhan empiris: dengan estimasi WEF bahwa 39 persen keterampilan akan berubah pada 2030, seorang pekerja muda yang memasuki angkatan kerja hari ini berpotensi mengalami dua hingga tiga kali transformasi keterampilan mayor sepanjang kariernya.
Ada satu dimensi yang sering luput dan patut digarisbawahi: keterampilan etis dan deliberatif. Ketika AI semakin terlibat dalam pengambilan keputusan—dari kredit, kesehatan, hingga rekrutmen pekerjaan—kemampuan untuk menilai dampak etis suatu keputusan, untuk mendeteksi bias algoritmik, dan untuk merancang sistem yang dapat dipertanggungjawabkan menjadi keterampilan yang sangat dibutuhkan. Brynjolfsson (2022) memperingatkan tentang apa yang ia sebut “Turing Trap”: ketika AI dirancang terutama untuk meniru manusia (substitusi) alih-alih melengkapi manusia (augmentasi), maka tenaga kerja akan kehilangan kekuatan tawar dan pangsa upah akan menurun secara struktural. Pilihan desain teknologi bukan sesuatu yang netral—ia adalah keputusan ekonomi dan politik yang konsekuensinya terdistribusi ke jutaan rumah tangga.
Yang muncul dari peta empat kekuatan dan tiga lapisan keterampilan ini adalah dua tegangan struktural. Tegangan pertama adalah antara kecepatan transformasi teknologi dan kecepatan adaptasi institusi pendidikan dan pelatihan. WEF (2025) melaporkan bahwa 63 persen perusahaan global menyebut kesenjangan keterampilan (*skills gap*) sebagai hambatan terbesar transformasi bisnis. Survei yang sama menemukan bahwa 50 persen tenaga kerja telah menyelesaikan pelatihan sebagai bagian dari inisiatif pembelajaran perusahaan—naik dari 41 persen pada 2023—tetapi laju ini kemungkinan masih terlalu lambat dibandingkan kebutuhan. Untuk negara-negara berkembang yang sistem pendidikannya masih bergulat dengan kualitas pendidikan dasar, tantangan ini berlipat ganda: bagaimana melompat dari kekurangan literasi dasar ke kebutuhan literasi AI tanpa kehilangan lapisan tengah?
Tegangan kedua adalah antara keuntungan agregat dan distribusinya. Studi McKinsey, Penn Wharton, dan IRENA semuanya menunjukkan bahwa total kue ekonomi akan membesar. Tetapi seperti yang ditunjukkan Acemoglu dan Restrepo (2024), tanpa intervensi kebijakan yang sengaja menyebarkan keuntungan tersebut—melalui investasi pendidikan publik, jaring pengaman sosial, perpajakan progresif, dan kebijakan persaingan yang efektif—pola historis menunjukkan bahwa otomasi cenderung memperlebar ketimpangan. Pertanyaannya bukan hanya berapa besar kue yang dihasilkan, tetapi siapa yang memotong dan mendapatkan bagiannya.
Bagi pembuat kebijakan, pengusaha, dan individu, tiga prinsip pragmatis dapat ditarik dari literatur yang telah ditinjau. Pertama, investasi dalam pendidikan dasar yang kuat—kemampuan membaca, berhitung, dan berpikir—tetap menjadi fondasi yang tidak tergantikan. Negara-negara yang mengabaikan hal ini sambil mengejar program AI mutakhir akan menemukan dirinya membangun di atas pasir. Kedua, sistem pelatihan dewasa dan pembelajaran sepanjang hayat perlu menjadi infrastruktur publik sebagaimana sekolah dasar di abad ke-20—dapat diakses, terjangkau, dan diakui oleh pasar kerja melalui sertifikasi yang kredibel. OECD (2025) dan ILO (2025) berargumen bahwa tanpa transformasi infrastruktur pembelajaran semacam ini, transisi ke ekonomi hijau dan digital akan meninggalkan jutaan pekerja terbelakang. Ketiga, kombinasi keterampilan—teknis ditambah humanis, kognitif ditambah sosial, lokal ditambah global—lebih bernilai daripada penguasaan tunggal yang sempit. Pekerja yang fasih dalam satu bidang teknis tetapi mampu bekerja lintas-budaya, menafsirkan konteks, dan terus belajar akan jauh lebih tahan banting daripada spesialis yang lebih dalam tetapi lebih sempit.
Apa kesimpulan yang dapat ditarik dengan jujur? Proyeksi sepuluh hingga tiga puluh tahun ke depan tetaplah sebuah latihan dalam kerendahan hati. Hampir semua proyeksi pra-2008 melewatkan krisis keuangan global; proyeksi pra-2020 melewatkan pandemi; dan proyeksi pra-2022 sebagian besar melewatkan revolusi AI generatif. Yang dapat dikatakan dengan keyakinan empiris yang masuk akal adalah ini: angkatan kerja dunia akan menua, dengan pengecualian Afrika dan sebagian Asia Selatan; produktivitas akan semakin bergantung pada interaksi manusia-AI yang efektif; perdagangan akan terus berlangsung tetapi dalam bentuk yang lebih regional dan terikat politik; dan transisi energi akan menciptakan baik gangguan maupun peluang dalam skala besar. Di semua skenario ini, manusia yang paling siap adalah yang dapat menggabungkan kompetensi teknis-digital dengan kapasitas khas-manusia—penilaian etis, koordinasi sosial, kreativitas naratif, dan ketahanan belajar.
Para ekonom pertumbuhan menyukai pernyataan Robert Solow bahwa “kita melihat era komputer di mana-mana kecuali di statistik produktivitas.” Kalimat itu dilontarkan pada 1987, dan harus menunggu sekitar satu dekade sebelum statistik produktivitas akhirnya menyusul. Kita mungkin berada di momen serupa dengan AI: dampaknya akan terlihat penuh ketika perubahan sistem, organisasi, dan keterampilan—bukan sekadar teknologi itu sendiri—telah cukup matang. Bagi siapa pun yang membaca tulisan ini, pertanyaannya bukan apakah dunia kerja akan berubah; pertanyaannya adalah bagaimana mempersiapkan diri sendiri, keluarga, dan generasi berikutnya untuk perubahan itu dengan cara yang memperluas, alih-alih menyempitkan, ruang pilihan manusia.
—
## Daftar Pustaka
Acemoglu, D. (2024). *The simple macroeconomics of AI* (MIT Department of Economics Working Paper). Massachusetts Institute of Technology. https://economics.mit.edu/sites/default/files/2024-04/The%20Simple%20Macroeconomics%20of%20AI.pdf
Acemoglu, D., & Restrepo, P. (2018). *Artificial intelligence, automation and work* (NBER Working Paper No. 24196). National Bureau of Economic Research. https://doi.org/10.3386/w24196
Acemoglu, D., & Restrepo, P. (2024). *Automation and rent dissipation: Implications for wages, inequality, and productivity* (NBER Working Paper No. 32536). National Bureau of Economic Research. https://doi.org/10.3386/w32536
Altman, S. A. (2024). Challenging the deglobalization narrative: Global flows have remained resilient through successive shocks. *Journal of International Business Policy*, 7, 433–453. https://doi.org/10.1057/s42214-024-00197-0
Brynjolfsson, E. (2022). The Turing Trap: The promise and peril of human-like artificial intelligence. *Daedalus*, 151(2), 272–287. https://doi.org/10.1162/daed_a_01915
Chui, M., Hazan, E., Roberts, R., Singla, A., Smaje, K., Sukharevsky, A., Yee, L., & Zemmel, R. (2023). *The economic potential of generative AI: The next productivity frontier*. McKinsey & Company. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier
Deming, D. J. (2017). The growing importance of social skills in the labor market. *The Quarterly Journal of Economics*, 132(4), 1593–1640. https://doi.org/10.1093/qje/qjx022
Georgieva, K., & Okonjo-Iweala, N. (2023, June). World trade can still drive prosperity. *Finance & Development*. International Monetary Fund. https://www.imf.org/en/publications/fandd/issues/2023/06/world-trade-can-still-drive-prosperity-georgieva-okonjo-iweala
Gopinath, G., Gourinchas, P.-O., Presbitero, A. F., & Topalova, P. (2024). *Changing global linkages: A new Cold War?* (IMF Working Paper No. 24/76). International Monetary Fund. https://www.imf.org/-/media/files/publications/wp/2024/english/wpiea2024076-print-pdf.pdf
International Labour Organization. (2018). *World employment and social outlook 2018: Greening with jobs*. ILO. https://www.ilo.org/global/publications/books/WCMS_628654/lang–en/index.htm
International Labour Organization. (2025). *Workforce 2030: Skills for thriving in the green and digital transitions*. ILO. https://www.ilo.org/publications/workforce-2030
International Monetary Fund. (2025). *World economic outlook, April 2025: A critical juncture amid policy shifts*. IMF. https://www.imf.org/en/publications/weo/issues/2025/04/22/world-economic-outlook-april-2025
International Renewable Energy Agency. (2021). *World energy transitions outlook: 1.5°C pathway*. IRENA. https://www.irena.org/publications/2021/Jun/World-Energy-Transitions-Outlook
International Renewable Energy Agency & International Labour Organization. (2024). *Renewable energy and jobs: Annual review 2024*. IRENA & ILO. https://www.irena.org/Publications/2024/Oct/Renewable-energy-and-jobs-Annual-review-2024
Organisation for Economic Co-operation and Development. (2025). *OECD global long-run economic scenarios: 2025 update*. OECD Publishing. https://www.oecd.org/en/publications/oecd-global-long-run-economic-scenarios_00353678-en.html
Penn Wharton Budget Model. (2025, September 8). *The projected impact of generative AI on future productivity growth*. University of Pennsylvania. https://budgetmodel.wharton.upenn.edu/issues/2025/9/8/projected-impact-of-generative-ai-on-future-productivity-growth
PricewaterhouseCoopers. (2017). *The world in 2050: The long view—How will the global economic order change by 2050?* PwC. https://www.pwc.com/gx/en/world-2050/assets/pwc-the-world-in-2050-full-report-feb-2017.pdf
World Economic Forum. (2025). *The future of jobs report 2025*. WEF. https://www.weforum.org/publications/the-future-of-jobs-report-2025/