AI di Seluruh Siklus Hidup Karyawan: Kasus Penggunaan dari Rekrutmen hingga Keluar

Oleh Kevin Kim · Diperbarui 11 Oktober 2026

Menggunakan AI di seluruh siklus hidup karyawan berarti menerapkannya pada setiap tahap perjalanan seseorang di perusahaan Anda (menarik, merekrut, onboarding, mengembangkan, mempertahankan, dan keluar), dan tahap-tahap itu tidak sama amannya. AI yang menyusun iklan lowongan atau menjawab pertanyaan soal tunjangan berisiko rendah. AI yang meranking kandidat atau menandai orang untuk PHK memengaruhi mata pencaharian seseorang, dan di situlah hukum serta potensi bias terkonsentrasi. Keterampilan praktis bagi pemimpin SDM bukanlah menemukan setiap kasus penggunaan yang mungkin. Yang penting adalah tahu tahap mana yang perlu diotomatisasi secara penuh, mana yang cukup dibantu secara ringan, dan mana yang harus tetap berada di tangan manusia.

Panduan ini ditujukan bagi CHRO, direktur SDM, dan manajer SDM yang membutuhkan peta tentang di mana AI cocok digunakan, data apa yang dibutuhkan tiap penggunaan, dan bagaimana mengurutkan pekerjaannya. Untuk gambaran yang lebih luas, mulailah dari panduan utama, AI di bidang SDM. Untuk katalog penerapan agen yang spesifik, lihat agen AI untuk SDM; artikel ini tidak mengulang daftar tersebut. Sebaliknya, artikel ini menata cara berpikirnya berdasarkan risiko.

Fakta Utama

• EU AI Act mengklasifikasikan sistem AI yang digunakan untuk rekrutmen atau seleksi (termasuk penargetan iklan lowongan, penyaringan lamaran, dan evaluasi kandidat) sebagai berisiko tinggi menurut Annex III, butir 4(a) (AI Act Annex III).
• Entri Annex III yang sama mencakup AI yang memengaruhi ketentuan hubungan kerja, termasuk keputusan promosi dan PHK, pembagian tugas berdasarkan perilaku atau ciri pribadi, serta pemantauan dan evaluasi kinerja (AI Act Annex III).
• AI Act melarang sistem AI yang menyimpulkan emosi seseorang di tempat kerja, dengan pengecualian untuk tujuan medis atau keselamatan (AI Act Article 5).
• Local Law 144 Kota New York melarang pemberi kerja menggunakan alat keputusan ketenagakerjaan otomatis kecuali alat tersebut telah menjalani audit bias dalam waktu satu tahun sebelum digunakan, dan DCWP mulai menegakkannya pada 5 Juli 2023 (NYC DCWP).
• Berdasarkan GDPR Article 22, setiap orang berhak untuk tidak tunduk pada keputusan yang semata-mata didasarkan pada pemrosesan otomatis, termasuk profiling, jika keputusan itu menimbulkan akibat hukum atau akibat signifikan yang serupa (GDPR, Regulation (EU) 2016/679).

Mengapa Siklus Hidup Adalah Sudut Pandang yang Tepat

Kebanyakan tim SDM mengenal AI sebagai daftar alat: chatbot di sini, produk penyaringan di sana, penganalisis survei di tempat lain. Cara pandang itu menyembunyikan hal yang paling penting, yaitu bahwa konsekuensinya berbeda di setiap tahap. Model yang merangkum umpan balik onboarding dan model yang menilai pelamar kerja mungkin memakai teknologi yang mirip, tetapi biaya dari jawaban yang salah sama sekali tidak setara.

Siklus hidup memberi Anda cara untuk mengajukan tiga pertanyaan tentang setiap rencana penggunaan:

1. Keputusan apa yang disentuhnya? Apakah ia sebatas informasi (menjawab pertanyaan), rekomendasi (menyarankan siapa yang diwawancarai), atau keputusan (menolak seseorang)?
2. Siapa yang terdampak, dan apakah mereka bisa menyanggah? Karyawan yang mendapat jawaban salah dari chatbot kebijakan bisa bertanya lagi. Kandidat yang disaring keluar secara diam-diam biasanya tidak bisa.
3. Data apa yang dibutuhkan, dan apakah Anda memilikinya dalam kondisi yang siap pakai? Dalam praktiknya, inilah yang sering menjadi kendala sebenarnya, bukan modelnya.

Ketiga pertanyaan itu menjelaskan pola risiko dalam tabel di bawah. Pertanyaan-pertanyaan itu juga terhubung dengan gagasan yang lebih luas tentang prioritisasi kasus penggunaan AI: dahulukan pekerjaan yang nilainya tinggi dan biaya kesalahannya rendah.

Peta Siklus Hidup: Kasus Penggunaan, Data, dan Risiko

Tabel ini memetakan penggunaan yang representatif di setiap tahap. Tabel ini tidak lengkap, dan peringkat risikonya menggambarkan kasus yang umum. Penerapan yang tata kelolanya baik dapat menurunkan risiko suatu penggunaan, dan penerapan yang ceroboh dapat menaikkannya.

Ada tiga hal yang menonjol saat Anda membaca kolom risiko dari atas ke bawah. Risiko menggumpal di dua titik tempat perusahaan membuat keputusan penting tentang seseorang: apakah akan merekrutnya dan apakah akan mengakhiri hubungan kerja. Risiko juga naik setiap kali prediksi tentang individu (siapa yang mungkin berhenti, siapa yang mungkin berprestasi) berubah menjadi tindakan. Dan tahap-tahap yang tenang, yaitu onboarding dan sisi analitis dari proses keluar, adalah tempat imbal hasil paling aman berada.

Mengapa Risikonya Sangat Berbeda di Tiap Tahap

Perekrutan dan PHK adalah ujung yang diatur regulasi

Regulator menarik garis di titik-titik yang sama. Berdasarkan EU AI Act, Annex III butir 4 mencantumkan sistem AI yang digunakan untuk rekrutmen dan seleksi (termasuk penargetan iklan lowongan, analisis dan penyaringan lamaran, serta evaluasi kandidat) dan sistem AI yang digunakan untuk membuat keputusan yang memengaruhi ketentuan hubungan kerja, termasuk promosi dan PHK, pembagian tugas berdasarkan perilaku atau ciri pribadi, serta pemantauan dan evaluasi kinerja (AI Act Annex III). Sistem dalam daftar itu digolongkan berisiko tinggi, yang membawa kewajiban terkait manajemen risiko, kualitas data, dokumentasi, pengawasan manusia, dan lainnya. Jika Anda beroperasi atau merekrut dari Uni Eropa, tim hukum Anda perlu tahu alat mana yang masuk dalam kategori tersebut. Karena jadwal penerapan kewajiban ini telah diubah, tanyakan tanggal terbarunya kepada penasihat hukum, jangan mengandalkan ringkasan lama.

Gambaran di AS berupa tambal sulam, bukan satu undang-undang tunggal, tetapi tahap-tahap yang sama menarik perhatian. Local Law 144 Kota New York mencakup alat keputusan ketenagakerjaan otomatis yang digunakan untuk perekrutan dan promosi. Pemberi kerja tidak boleh memakai alat semacam itu kecuali telah menjalani audit bias dalam waktu satu tahun sebelum penggunaannya, informasi tentang audit harus tersedia untuk publik, dan kandidat serta karyawan harus menerima pemberitahuan, yang menurut panduan DCWP harus diberikan 10 hari kerja sebelum alat digunakan (NYC DCWP). Yurisdiksi lain punya aturan sendiri tentang wawancara video, data biometrik, dan keputusan otomatis, sehingga alat yang aman di satu kantor bisa bermasalah di kantor lain.

Lalu ada pelindungan data. GDPR memberi orang hak untuk tidak tunduk pada keputusan yang semata-mata didasarkan pada pemrosesan otomatis, termasuk profiling, jika keputusan itu menimbulkan akibat hukum atau akibat signifikan yang serupa bagi mereka (GDPR Article 22). Penolakan atau pemecatan jelas termasuk akibat yang signifikan. Inilah salah satu alasan mengapa orang sungguhan harus terlibat dalam keputusan semacam ini, seperti dibahas dalam desain human-in-the-loop.

Risiko bias paling tinggi di tempat riwayat menjadi data pelatihan

Model perekrutan belajar dari siapa saja yang pernah direkrut dan dipromosikan perusahaan Anda. Jika riwayat itu mencerminkan keputusan yang miring, model dapat mereproduksinya dalam skala besar, secara diam-diam dan konsisten. Inilah inti dari bias dalam AI, dan itulah alasan tahap penyaringan layak diawasi lebih ketat daripada chatbot kebijakan mana pun. Itu juga alasan adanya persyaratan audit seperti yang berlaku di Kota New York: klaim "alat ini objektif" harus diuji, bukan diasumsikan.

Sebagian penggunaan dilarang

AI Act melangkah lebih jauh daripada sekadar mengatur pengenalan emosi di tempat kerja: Article 5 melarang sistem AI yang menyimpulkan emosi seseorang di tempat kerja, dengan pengecualian untuk alasan medis atau keselamatan (AI Act Article 5). Alat yang mengklaim dapat membaca sentimen kandidat atau karyawan dari ekspresi wajah atau nada suara, misalnya, memerlukan tinjauan hukum yang sangat cermat sebelum dipakai dalam wawancara atau rapat tim. Analisis berbasis teks atas komentar survei adalah hal yang berbeda, tetapi garis antara "menganalisis apa yang ditulis orang" dan "menyimpulkan perasaan mereka dari penampilan atau suara mereka" adalah persis garis yang perlu diwaspadai.

Taruhan dan kemampuan untuk dibatalkan

Di luar hukum, ada ujian manajemen yang lebih sederhana: seberapa mudah kesalahan itu ditangkap dan dibatalkan? Jawaban yang salah di chat onboarding akan dikoreksi pada pesan berikutnya. Kandidat yang ditolak secara keliru tidak akan pernah memberi tahu Anda. Karyawan yang ditandai secara keliru mungkin sudah disingkirkan sebelum ada yang memeriksa tandanya. Semakin tidak terlihat dan semakin sulit dibatalkan kesalahan itu, semakin banyak tinjauan manusia yang dibutuhkan.

Panduan Tahap demi Tahap

Menarik

Mulailah dari sisi konten. Menyusun deskripsi pekerjaan, menulis ulang dalam bahasa yang lugas, dan membuat teks halaman karier khusus peran adalah tugas generatif dengan editor manusia dalam prosesnya. Periksa hasilnya dari kata-kata yang bias atau eksklusif, dan pastikan setiap persyaratan yang tercantum memang nyata. Sisi yang lebih berisiko adalah penargetan dan sourcing: jika sebuah alat menentukan siapa yang melihat iklan lowongan atau siapa yang didekati, Anda sudah memasuki wilayah seleksi yang menjadi perhatian regulasi, meskipun terasa seperti pemasaran.

Merekrut

Inilah tahap dengan penawaran vendor terbanyak dan paparan risiko terbesar. Pendekatan yang bisa dijalankan memisahkan bantuan dari keputusan. Gunakan AI untuk logistik (penjadwalan, pembaruan status kepada kandidat, parsing CV ke format yang seragam) dan untuk menyusun panduan wawancara terstruktur. Jauh lebih berhati-hatilah dalam meranking dan menolak. Jika Anda memakai alat penyaringan, seseorang harus meninjau kandidat yang diberi peringkat lebih rendah, bukan hanya yang teratas, dan Anda harus bisa menjelaskan mengapa seorang kandidat disaring. Lihat AI yang dapat dijelaskan untuk memahami apa maknanya dalam praktik.

Onboarding

Onboarding adalah tahap dengan risiko terendah dan pengembalian tercepat bagi kebanyakan tim. Asisten tanya jawab atas buku panduan dan kebijakan Anda, mesin daftar tugas yang mengingatkan manajer dan tim TI, serta jalur pembelajaran berbasis peran semuanya mengandalkan informasi yang sudah Anda miliki. Risiko utamanya adalah akurasi: asisten yang salah menyatakan kebijakan cuti dengan penuh keyakinan akan menimbulkan masalah nyata. Dasarkan asisten pada dokumen kebijakan terbaru, tampilkan sumbernya, dan arahkan hal yang ambigu kepada seseorang.

Mengembangkan

Inferensi keterampilan, rekomendasi pembelajaran, dan pencocokan mobilitas internal dapat membantu karyawan melihat jalur yang tidak mereka ketahui sebelumnya. Semuanya bergantung pada data keterampilan yang memadai, yang kebanyakan perusahaan tidak punya dalam bentuk yang bersih. Risikonya naik ketika hasil ini diam-diam membentuk siapa yang dipromosikan atau ditugaskan ke proyek yang menantang. Jika rekomendasi pengembangan menjadi penghalang seleksi, perlakukan seperti alat seleksi: audit, dan tetapkan seseorang yang bertanggung jawab.

Mempertahankan

Prediksi attrition adalah kasus penggunaan yang paling disukai eksekutif dan sebaiknya didekati dengan paling hati-hati. Model yang menandai karyawan yang kemungkinan akan pergi adalah penerapan people analytics pada data sensitif, dan bahayanya ada pada apa yang terjadi berikutnya. Memakai hasilnya untuk memberi manajer bahan percakapan di tingkat tim adalah satu hal. Memakainya untuk menahan kenaikan gaji atau proyek dari individu yang ditandai sebagai risiko pengunduran diri (flight risk) adalah hal lain, dan kemungkinan besar tidak adil. Agregasikan sebelum bertindak, hindari label individu, dan bersikap terbuka kepada karyawan tentang apa yang dianalisis. Analisis teks survei keterlibatan dan benchmarking kompensasi lebih aman, karena bekerja di tingkat kelompok.

Keluar

Bagi tahap ini menjadi dua. Sisi analitis (menemukan tema dalam wawancara keluar, melacak alasan orang pergi menurut tim atau masa kerja, mencatat pengetahuan sebelum seseorang berangkat) berisiko rendah dan sering bernilai. Sisi keputusan tidak demikian. AI apa pun yang menilai, menandai, atau meranking karyawan untuk kinerja atau perilaku, yang hasilnya masuk ke keputusan PHK, berada dalam kategori berisiko tinggi seperti dijelaskan di atas. Biarkan keputusan berada pada manusia yang disebutkan namanya, yang meninjau fakta mendasarnya, dapat menjelaskannya, dan mendokumentasikan alasannya.

Cara Memprioritaskan Tahap: Langkah demi Langkah

Anda tidak perlu menerapkan AI di seluruh siklus hidup sekaligus, dan memang tidak seharusnya. Urutan yang cocok untuk kebanyakan tim SDM:

1. Daftar penggunaan saat ini, termasuk yang tidak resmi. Tanyakan kepada setiap tim SDM dan manajer perekrut alat AI apa yang sudah mereka pakai. Perekrut yang menempelkan CV ke chatbot publik adalah kejutan yang umum. Masalah ini biasa disebut AI bayangan (shadow AI).
2. Tempatkan setiap penggunaan di peta. Urutkan masing-masing menurut tahap siklus hidup dan apakah ia memberi informasi, merekomendasikan, atau memutuskan.
3. Beri skor nilai dan risiko untuk masing-masing. Gunakan tabel di atas sebagai titik awal. Nilai adalah jam yang dihemat atau kesalahan yang dihindari. Risiko adalah biaya dari keluaran yang salah dikalikan seberapa sulit mendeteksinya.
4. Mulai dari yang nilainya tinggi dan risikonya rendah. Bagi kebanyakan tim, itu adalah bantuan onboarding, penyusunan iklan lowongan dan komunikasi, penjadwalan, dan analisis tema wawancara keluar.
5. Periksa kesiapan data sebelum membeli. Untuk setiap calon penggunaan, pastikan Anda memiliki masukan yang tercantum dalam tabel dalam bentuk yang siap pakai dan akurat, serta Anda berhak memakainya untuk tujuan ini. Panduan fondasi data SDM memuat daftar periksa kesiapan.
6. Tetapkan aturan tinjauan manusia untuk apa pun yang menyentuh keputusan. Tuliskan siapa yang meninjau, apa yang mereka lihat, dan apa yang dapat mereka kesampingkan. Catat semuanya.
7. Uji coba secara terbatas dan ukur terhadap baseline. Pilih satu tim, satu tahap, beberapa minggu. Ukur waktu yang dihemat dan tingkat kesalahan, dan untuk perekrutan, periksa hasilnya menurut kelompok.
8. Pindah ke tahap berisiko lebih tinggi paling akhir, dengan tata kelola yang sudah ada. Pada saat itu Anda sudah punya rekam jejak, pemilik, dan proses. Artikel tata kelola AI membahas apa saja isi struktur tersebut.

Kesalahan Umum

• Membeli "suite" dan mengaktifkan semuanya. Vendor menggabungkan fitur berisiko rendah dan berisiko tinggi. Aktifkan yang aman terlebih dahulu dan biarkan penyaringan serta penilaian tetap nonaktif sampai Anda menilainya.
• Mengira vendor menanggung tanggung jawab hukum. Anggap pemberi kerja yang menerapkan alat itulah yang bertanggung jawab atas hasilnya. Minta hasil audit bias, dokumentasi, dan ketentuan penggunaan data sebelum menandatangani.
• Memperlakukan prediksi sebagai fakta. Skor attrition atau peringkat kandidat adalah probabilitas berdasarkan pola masa lalu. Ia adalah pemicu percakapan antarmanusia, bukan vonis.
• Melewatkan karyawan dan kandidat. Jika hukum mewajibkan pemberitahuan, berikan. Jika tidak, beri tahu juga. Kejutan mengikis kepercayaan lebih cepat daripada alat itu menghemat waktu.
• Mengabaikan data yang Anda masukkan. Menempelkan data pribadi kandidat atau karyawan ke alat serbaguna dapat melanggar kewajiban privasi dan kebijakan Anda sendiri.
• Hanya mengukur kecepatan. Proses penyaringan yang lebih cepat tetapi mempersempit kumpulan kandidat secara tidak adil bukanlah kemenangan. Lacak kualitas dan keadilan bersama waktu.
• Melupakan sisi perubahan. Manajer yang tidak memahami suatu alat akan mengabaikannya atau terlalu memercayainya. Anggarkan untuk pelatihan.

Menyatukan Semuanya

Jika Anda hanya mengingat satu hal, ingatlah ini: risiko mengikuti keputusan, bukan teknologi. Model bahasa yang sama dapat berada dengan aman di balik asisten onboarding dan dengan berbahaya di balik email penolakan. Petakan penggunaan Anda ke siklus hidup, tempatkan upaya pertama di tempat kesalahan murah dan terlihat, lalu tempuh jalan menuju keputusan perekrutan dan keluar secara bertahap, dengan audit, dokumentasi, dan akuntabilitas manusia. Urutan itu juga cenderung memberi hasil tercepat, karena tahap berisiko rendah adalah tempat pekerjaan berulang yang bisa dijawab berada.