Apakah Anda menggunakan AI untuk mempercepat pekerjaan HR, ataukah Anda mendelegasikan keputusan yang seharusnya tidak pernah diambil sendiri oleh algoritma? Di sinilah diskusimengenai AI untuk HR menjadi serius. Di perusahaan menengah dan kecil (UKM) Italia, masalahnya bukanlah memahami apakah kecerdasan buatan itu berguna. Tentu saja berguna. Masalahnya adalah memahami di mana AI tersebut menghasilkan nilai nyata dan di mana justru menimbulkan ketidakjelasan, bias, dan risiko regulasi.
Sebagai seorang pengusaha, saya telah menyaksikan betapa menggugahnya mengotomatiskan langkah-langkah yang paling melelahkan. Jika Anda memiliki ratusan CV yang harus dibaca, survei internal yang harus dirangkum, atau karyawan yang selalu mengajukan pertanyaan yang sama mengenai cuti dan kebijakan, AI dapat langsung menghemat waktu Anda. Namun, saya juga telah melihat sisi lainnya. Skor kesesuaian yang dihasilkan oleh sebuah model tampak objektif, dan justru karena itulah skor tersebut bisa jadi lebih berbahaya daripada penilaian manusia yang secara eksplisit bersifat subjektif.
Pandangan yang tepat bukanlah “AI ya” atau “AI tidak”. Melainkan menemukan keseimbangan yang tepat antara otomatisasi dan tanggung jawab manusia. Bagi yang menginginkan pendekatan yang sangat praktis terkait UMKM, saya juga merekomendasikan buku *AI in HR for SMEs*.
Pertanyaan yang tepat bukanlah apakah AI dapat membantu HR. Pertanyaan yang tepat adalah apakah AI benar-benar dapat memilih talenta berikutnya tanpa merusak prosesnya.
Secara konkret, saat ini AI sudah diterapkan dalam penyaringan CV, chatbot internal, analisis survei, proses onboarding, dan pembuatan dokumen. Teknologi ini sangat berguna terutama ketika beban operasional tinggi dan kecepatan memberikan manfaat langsung. Namun, di bidang sumber daya manusia, setiap keputusan berdampak pada orang-orang nyata, karier nyata, dan hak-hak nyata. Oleh karena itu, penerapan teknologi ini harus ditinjau dengan pendekatan yang berbeda dari saat Anda memperkenalkan asisten virtual untuk menulis email atau merangkum hasil rapat.
Efisiensi itu penting. Namun, dalam pengambilan keputusan yang menyangkut orang, tidak cukup hanya bertindak cepat.
Di pasar Italia, isu ini bahkan lebih sensitif. GDPR dan Undang-Undang AI Uni Eropa sangat membatasi ruang untuk kesalahan ketika sistem otomatis memengaruhi proses perekrutan, penilaian, dan manajemen sumber daya manusia. Jika Anda sedang mempertimbangkanpenggunaan AI untuk bidang SDM, Anda perlu mengikuti aturan sederhana ini: otomatiskan pekerjaan rutin, dan serahkan pengambilan keputusan kepada manusia.
AI dalam bidang sumber daya manusia bukanlah fiksi ilmiah. Hal ini sudah menjadi bagian dari pekerjaan sehari-hari. Saat ini, banyak perusahaan menggunakannya untuk meringankan tugas-tugas yang berulang, mempercepat proses, dan memberi tim SDM lebih banyak waktu untuk pekerjaan yang membutuhkan pemahaman konteks dan penilaian.
Menurut data Yomly mengenai penerapan AI dalam fungsi SDM, 44% perusahaan sudah menggunakannya untuk proses perekrutan. Alat-alat AI dapat mempersingkat waktu perekrutan (time-to-hire) sekitar 50% dan mengotomatiskan hampir 40% tugas-tugas yang berulang.
Kasus penggunaan yang paling umum adalah penyaringan awal lamaran kerja. Sebuah LLM membaca CV dan deskripsi pekerjaan, membandingkan keterampilan, pengalaman, dan petunjuk semantik, lalu menyusun daftar calon terpilih yang terurut.
Dalam praktiknya, hal ini berjalan dengan baik jika peran tersebut cukup terstandarisasi. Yang saya maksud adalah posisi administrasi, layanan pelanggan, tenaga penjualan internal, serta pengembangan perangkat lunak dengan stack yang sudah ditentukan. Jika persyaratannya dijelaskan dengan baik, model ini akan sangat mempercepat tahap awal.
Cara ini kurang efektif ketika faktor-faktor yang sulit diidentifikasi dari sebuah CV menjadi pertimbangan.
Aturan praktis: gunakan AI untuk menyaring daftar 500 CV menjadi daftar yang lebih mudah dikelola. Jangan gunakan AI untuk memutuskan sendiri siapa yang layak mengikuti wawancara akhir.
Kasus penggunaan kedua memang kurang mencolok, tetapi seringkali lebih bermanfaat. Tim SDM menghabiskan sebagian besar waktunya untuk menangani permintaan yang berulang. Menurut analisis Tommaso Maria Ricci mengenai AI dalam bidang SDM, tim SDM menghabiskan antara 40% hingga 60% waktunya untuk menangani permintaan seperti cuti, slip gaji, dan kebijakan perusahaan. Chatbot SDM dapat menghemat hingga 2–3 jam setiap hari untuk kegiatan yang lebih strategis.
Manfaatnya langsung terasa. Sebuah chatbot internal menjawab pertanyaan seputar sisa cuti, dokumen, prosedur, laporan pengeluaran, peraturan, dan proses orientasi administratif. Keuntungannya bukan hanya penghematan waktu bagi tim SDM. Namun juga kualitas pengalaman bagi karyawan, yang mendapatkan jawaban cepat alih-alih harus menunggu email.
AI benar-benar menunjukkan kehebatannya dalam menganalisis teks yang panjang dan berbelit-belit. Survei internal merupakan contoh yang sempurna. Alih-alih membaca ratusan tanggapan terbuka secara manual, model ini mengidentifikasi tema-tema yang berulang, sentimen, masalah-masalah yang mulai muncul, serta pola-pola yang perlu ditelaah lebih lanjut.
Aplikasi-aplikasi paling berguna yang saya lihat di perusahaan kecil dan menengah adalah sebagai berikut:
Deskripsi pekerjaan dan kebijakan
AI menghasilkan draf awal yang koheren, yang kemudian diperbaiki oleh tim SDM dari segi hukum dan budaya.
Onboarding yang disesuaikan
Dapat menyesuaikan konten, materi, dan urutan sesuai dengan peran atau departemen.
Pemetaan kompetensi
Membantu memetakan kompetensi yang ada dan kesenjangan pelatihan, terutama ketika data tersebar di berbagai sumber seperti CV, penilaian, dan catatan manajerial.
Analisis iklim
Mengubah teks yang tidak terstruktur menjadi petunjuk yang berguna untuk memahami di mana perlu dilakukan tindakan.
Ada pula perbedaan yang semakin jelas antara model generalis dan model vertikal. Di sisi vertikal, Wisq telah mengembangkan HRLM sebagai model khusus untuk bidang SDM. Di sisi generalis, GPT, Claude, dan Gemini sudah digunakan di banyak perusahaan untuk tugas-tugas operasional SDM dengan prompt yang dirancang dengan baik. Perbedaannya, bagaimanapun, tidak hanya terletak pada kualitas hasilnya. Perbedaan tersebut terletak pada tata kelola.
Cara terburuk dalam menerapkan AI di bidang SDM adalah berpikir secara absolut. Tanpa otomatisasi sama sekali, Anda akan dihadapkan pada proses yang lambat, tumpukan pekerjaan yang menumpuk, dan pengambilan keputusan berdasarkan informasi yang tidak lengkap. Otomatisasi total justru akan membawa Anda ke kesalahan yang berlawanan: memperlakukan orang dan lamaran kerja sebagai tiket yang harus diklasifikasikan.
Metafora kurva Laffer juga berlaku di sini. Pada awalnya, setiap langkah penerapan AI menghasilkan efisiensi. Mulai dari otomatisasi FAQ internal, draf awal dokumen, analisis teks, hingga penyortiran awal CV. Nilainya pun terus meningkat.
Lalu ada batasnya. Jika Anda terus mempercayakan tugas-tugas yang semakin rumit kepada algoritma, nilainya mulai menurun. Bukan karena model tersebut tidak berguna, melainkan karena risikonya meningkat lebih cepat daripada manfaatnya.
Menurut laporan Workday tentang AI di bidang SDM, alasan utama penerapan AI adalah peningkatan proses pengambilan keputusan (41%), otomatisasi proses yang berulang (35%), serta peningkatan retensi dan pengalaman karyawan (32%). Data-data ini menjelaskan dengan baik mengapa AI begitu diminati oleh bidang SDM. Namun, data tersebut tidak menyebutkan sejauh mana penerapan AI harus dilakukan. Inilah poin yang sering terlewatkan dalam diskusi.
Nilai tertinggi bukanlah menggantikan tim SDM. Melainkan membuatnya lebih efisien dan lebih cepat dalam menangani tugas-tugas yang tepat.
Untuk menemukan titik optimal, saya menggunakan pembedaan sederhana antara tugas-tugas mekanis dan tugas-tugas yang memerlukan pengambilan keputusan.
| Jenis kegiatan | Tingkat AI yang disarankan | Pengawasan oleh manusia |
|---|---|---|
| Pertanyaan Umum (FAQ) tentang karyawan, cuti, dan kebijakan | Tinggi | Rendah, dengan pemeriksaan berkala |
| Draf deskripsi pekerjaan | Tinggi | Perlu dilakukan peninjauan HR |
| Penyaringan awal CV | Media | Pengawasan manusia selalu dilakukan |
| Penilaian para finalis | Rendah | Tinggi |
| Promosi, penilaian kinerja, risiko keluar individu | Sangat rendah | Keputusan manusia sepenuhnya |
Jika Anda memiliki usaha kecil dan menengah (UKM), titik optimalnya biasanya bukan soal teknis. Melainkan soal organisasi. Anda harus menentukan dengan jelas di mana AI memberikan saran, di mana AI mengambil keputusan, di mana AI merangkum, dan di mana AI tidak boleh mengambil keputusan.
Tiga pertanyaan ini sangat membantu:
Bagian paling berbahayadari AI bagi bidang SDM bukanlah teknologinya. Melainkan citra netralitas palsu yang melekat padanya. Ketika seorang perekrut mengevaluasi seorang kandidat, semua orang tahu bahwa evaluasi tersebut mengandung unsur subjektivitas. Namun, ketika sebuah sistem memberikan skor, banyak orang berhenti mengajukan pertanyaan.
Inilah inti dari masalah bias algoritmik. Jika Anda melatih atau mengonfigurasi suatu sistem berdasarkan data rekrutmen historis, sistem tersebut cenderung meniru pola-pola yang sudah ada dalam data tersebut. Jika sejarah perusahaan telah mengutamakan profil-profil tertentu dan merugikan yang lain, algoritma tersebut dapat melakukan hal yang sama dengan cara yang lebih cepat dan kurang terlihat.
Kasus Amazon telah menjadi contoh yang khas justru karena hal ini. Perusahaan tersebut terpaksa menghentikan penggunaan sistem penyaringan CV yang merugikan kandidat perempuan. Ini bukanlah kejadian aneh yang hanya terjadi sesekali. Ini adalah konsekuensi yang dapat diprediksi dari pendekatan yang menggunakan masa lalu sebagai tolok ukur prestasi.
Di Italia, situasinya sama sekali tidak menggembirakan. Menurut data yang dipublikasikan oleh ELECTE mengenai hal ini, hanya 12% perusahaan HR yang menggunakan sistem AI yang telah menerapkan audit bias sistematis.
Model yang lebih baik tidak akan menyelesaikan masalah jika data, kriteria, atau konteks organisasi tetap tidak akurat.
Bagi mereka yang beroperasi di Eropa, ini bukan sekadar masalah etika. Ini adalah masalah hukum. Pasal 22 GDPR mengakui hak para pelamar untuk tidak menjadi subjek keputusan yang semata-mata didasarkan pada pemrosesan otomatis apabila keputusan tersebut menimbulkan dampak signifikan terhadap individu tersebut. Keputusan SDM sepenuhnya termasuk dalam ranah sensitif ini.
Selain itu, Undang-Undang AI Eropa mengkategorikan perekrutan dan manajemen sumber daya manusia sebagai penggunaan berisiko tinggi. Hal ini berarti adanya kewajiban dokumentasi, transparansi, pengawasan, dan manajemen risiko yang jauh lebih ketat dibandingkan dengan penggunaan AI secara umum untuk meningkatkan produktivitas individu.
Bagi sebuah perusahaan Italia, implikasi praktisnya jelas:
Mereka yang secara serius menangani isu-isu ini sebaiknya juga menelaah lebih dalam mengenai kepatuhan perusahaan terhadap AI Act.
Pasar saat ini terbagi menjadi dua kelompok yang sangat berbeda. Di satu sisi, terdapat model bahasa besar (LLM) serba guna seperti GPT, Claude, dan Gemini. Di sisi lain, mulai bermunculan model vertikal yang dirancang khusus untuk bidang sumber daya manusia, seperti HRLM dari Wisq.
Bagi sebuah UMKM, model yang bersifat umum seringkali sudah cukup. Jika Anda membutuhkan:
LLM yang bagus dengan prompt yang ditulis dengan baik bisa bekerja dengan sangat baik.
Keuntungannya bersifat praktis. Anda bisa langsung memulai, menghemat biaya, dan melakukan pengujian dengan cepat. Bagi tim SDM yang kecil atau perusahaan dengan proses yang tidak terlalu rumit, pendekatan ini sering kali merupakan cara paling rasional untuk memulai.
Namun, ada batasnya. Model-model umum tidak dirancang berdasarkan logika SDM, juga tidak dilengkapi dengan kebijakan khusus untuk konteks Anda, dan tidak memberikan jaminan kepatuhan secara implisit hanya karena model-model tersebut sangat canggih.
Jika Anda menangani volume yang lebih besar, proses yang lebih rumit, atau struktur dengan banyak tingkatan otorisasi, model vertikal merupakan pilihan yang tepat. Bukan karena model tersebut “lebih memahami segalanya”, melainkan karena dirancang untuk cakupan yang lebih terbatas.
Biasanya, hal ini menjadi pilihan yang lebih baik ketika diperlukan:
Bagi sebuah UMKM dengan 50 karyawan, tujuannya bukanlah membeli sistem yang paling canggih. Melainkan memilih sistem yang dapat digunakan, dipantau, dan dikritik oleh tim ketika sistem tersebut bermasalah.
Pertanyaan yang tepat bukanlah model mana yang lebih canggih. Melainkan, model mana yang sesuai dengan risiko operasional Anda. Jika tugasnya berdampak rendah dan bervolume tinggi, pilihlah model generalis. Jika prosesnya melibatkan keputusan sensitif dan memerlukan pengendalian terstruktur, model vertikal layak dipertimbangkan.
Penerapan terbaik tidak dimulai dari perekrutan prediktif. Melainkan dimulai dari gesekan-gesekan sehari-hari. Di situlah AI membangun kepercayaan internal dan membuktikan apakah tim benar-benar siap untuk mengelolanya.
Langkah pertama ini hanya tampak sepele. Kamu harus memulai dari aktivitas dengan volume tinggi dan risiko rendah. Jika kamu memulainya dari sana, kamu akan langsung melihat keuntungannya dan membatasi risiko.
Tiga contoh yang masuk akal:
Pendekatan ini memberikan manfaat yang nyata. Tim SDM tidak lagi memandang AI sebagai ancaman yang abstrak dan mulai menganggapnya sebagai alat bantu operasional.
Langkah kedua lebih penting daripada langkah pertama. Kamu harus menuliskan secara jelas di mana AI memberikan saran dan di mana manusia yang mengambil keputusan.
Tata kelola minimal di perusahaan kecil dan menengah (UKM) sebaiknya mencakup:
Batas kewenangan pengambilan keputusan
AI dapat mengklasifikasikan, merangkum, dan memberikan rekomendasi. Manajer atau perekrut kemudian menyetujui, menolak, atau menindaklanjuti.
Proses peninjauan
Setiap hasil kerja yang berdampak besar harus diperiksa oleh pihak yang bertanggung jawab.
Pengujian bias sebelum peluncuran
Jika sistem digunakan untuk perekrutan atau penilaian karyawan, sistem tersebut harus diuji menggunakan kumpulan data yang representatif dan kontrol yang terdokumentasi.
Transparansi internal
Karyawan dan calon karyawan harus mengetahui kapan AI digunakan sebagai pendukung proses tersebut.
Sebuah UMKM yang mengabaikan pemeriksaan bukanlah sedang mempercepat langkahnya. Ia hanya menunda risiko ke masa depan.
Langkah ketiga adalah melakukan implementasi secara bertahap. Seorang pilot yang menguji satu proses SDM akan menghasilkan lebih banyak pembelajaran daripada peluncuran yang dilakukan secara luas. Pertama, validasi tugasnya, kemudian perilaku tim, lalu lingkup regulasi.
Bagi mereka yang ingin mengatur pekerjaan secara teratur, akan sangat membantu jika menyusun peta jalan yang jelas untuk integrasi AI, bukan sekadar melakukan percobaan yang tidak terstruktur.
Untuk mengukur keberhasilan AI di bidang SDM, tidak cukup hanya melihat kecepatannya. Kita perlu memahami apakah AI tersebut meningkatkan kualitas pengambilan keputusan tanpa menimbulkan risiko, kesalahan, atau proses yang tidak transparan.
Di perusahaan UKM, kriteria yang paling berguna sangat sederhana: apakah AI sedang mengarahkan tim SDM ke titik yang tepat pada kurva Laffer, ataukah justru terlalu dini mengotomatiskan tugas-tugas yang masih memerlukan penilaian manusia? Jika waktu yang dihemat semakin banyak, tetapi keluhan, peninjauan ulang, atau keraguan mengenai keakuratan proses justru meningkat, maka keuntungan tersebut hanyalah semu.
Salah satu contoh konkretnya adalah analisis survei kepuasan internal. Di banyak perusahaan, tim SDM membaca ratusan tanggapan terbuka secara manual dan mengidentifikasi tema-tema utama, yang memakan waktu lama dan hasilnya bervariasi dari satu orang ke orang lain. Dengan LLM yang dikonfigurasi dengan baik, kelompok tema, pola yang berulang, dan anomali dapat teridentifikasi lebih cepat.
Di sini, manfaat yang sesungguhnya tidak hanya bersifat operasional. Tim tidak lagi membuang-buang waktu untuk menyusun ringkasan dan dapat fokus pada prioritas, tindak lanjut, serta memberikan masukan kepada para manajer.
Metrik yang berguna, dalam hal ini, jumlahnya sedikit namun konkret: waktu analisis rata-rata, konsistensi ringkasan dibandingkan dengan pemeriksaan acak oleh manusia, serta jumlah wawasan yang diwujudkan menjadi tindakan nyata. Jika AI menghasilkan ringkasan yang cepat namun terlalu umum, berarti Anda sudah melampaui titik optimal.
Kasus sebaliknya lebih rumit. Sebuah chatbot yang melakukan wawancara awal dan memberikan skor penyaringan tanpa tinjauan manusia mungkin tampak efisien, tetapi bagi sebuah UMKM Italia, hal ini menimbulkan masalah serius terkait metode, bahkan sebelum masalah teknologi.
Risikonya tiga kali lipat. Anda bisa saja menyingkirkan kandidat yang berkualitas karena kriteria yang tidak jelas. Anda bisa kesulitan menjelaskan keputusan tersebut secara transparan. Anda juga bisa menghadapi masalah terkait GDPR dan, dalam kasus-kasus yang berdampak besar, bahkan kewajiban yang diperketat oleh AI Act untuk sistem yang digunakan di tempat kerja dan dalam akses ke lapangan kerja.
Seperti yang saya amati di perusahaan, pertanyaan yang tepat adalah: apakah AI membantu mengambil keputusan yang lebih baik, ataukah hanya mempercepat pengambilan keputusan yang rapuh? Sebuah analisis dari ELECTE justru menyoroti hal ini. Proses seleksi yang dikelola sepenuhnya secara otomatis cenderung memperburuk kesesuaian yang sesungguhnya antara individu dan peran, sementara validasi akhir oleh manusia dapat mengurangi kesalahan yang paling merugikan.
Oleh karena itu, melakukan pengukuran yang tepat berarti menganalisis empat indikator secara bersamaan: penghematan waktu, kualitas hasil, tingkat koreksi manual, dan risiko kepatuhan. Jika Anda hanya mengukur salah satunya, biasanya Anda salah menilai proyek tersebut.
AI untuk HR benar-benar efektif ketika menangani tugas-tugas rutin dan menyerahkan tugas yang lebih sulit kepada manusia: menafsirkan konteks, motivasi, potensi, dan konsekuensi. Inilah titik optimalnya. Bukan AI yang tidak berperan sama sekali, bukan pula otomatisasi total.
Bagi sebuah UMKM Italia, prioritasnya bukanlah mengejar inovasi yang paling mencolok. Prioritasnya adalah membangun sistem yang meningkatkan efisiensi dan kualitas tanpa bertentangan dengan GDPR, AI Act, dan akal sehat dalam manajemen. Jika Anda menerapkan logika ini, AI akan menjadi pengali yang bermanfaat. Namun, jika Anda menggunakannya sebagai pengganti penilaian, AI justru akan menjadi risiko.
Jika Anda ingin mengubah data operasional dan indikator organisasi menjadi wawasan yang lebih mudah dipahami, ELECTE—sebuah platform analitik data berbasis kecerdasan buatan (AI) untuk UMKM—akan membantu Anda menganalisis informasi yang kompleks, mengotomatiskan pembuatan laporan, dan mendukung pengambilan keputusan yang lebih baik. Untuk memahami cara kerjanya dalam praktik, Anda dapat melihat platform ini beroperasi dan menilai apakah platform ini sesuai dengan proses bisnis Anda.
.svg)
.svg)
.svg)
