AI dalam Perencanaan Kompensasi: Benchmarking Gaji dan Analisis Kesetaraan Gaji

Oleh Kevin Kim · Diperbarui 11 Oktober 2026

AI dalam perencanaan kompensasi berarti menggunakan pembelajaran mesin dan model bahasa untuk mencocokkan jabatan dengan data gaji pasar, menemukan kesenjangan gaji yang tidak dapat dijelaskan di dalam tenaga kerja Anda sendiri, dan memodelkan skenario kenaikan gaji berbasis kinerja serta anggaran, sehingga orang mengambil keputusan gaji dengan bukti yang lebih baik dan lebih sedikit kerja manual di spreadsheet. AI tidak menentukan berapa gaji seseorang. Ia mempercepat analisis yang menjadi dasar keputusan gaji, dan membuat kesenjangan lebih sulit diabaikan.

Panduan ini ditujukan bagi pemimpin SDM, manajer total rewards dan kompensasi, serta mitra keuangan yang diminta mengerjakan lebih banyak analisis gaji dengan tim yang sama. Isinya mencakup di mana AI benar-benar membantu dalam siklus gaji, apa yang kini diminta Pay Transparency Directive Uni Eropa dan undang-undang negara bagian AS dari pemberi kerja, cara memulai langkah demi langkah, dan kesalahan yang menimbulkan masalah. Untuk gambaran yang lebih luas tentang cara tim SDM memakai AI, mulailah dari AI di bidang SDM. Jika pertanyaan Anda adalah perdebatan yang lebih luas tentang bagaimana AI mengubah nilai sebuah pekerjaan, bacalah kompensasi dan keadilan di era AI. Artikel ini membahas proses SDM-nya.

Fakta Utama

• Pay Transparency Directive Uni Eropa (2023/970) mewajibkan negara anggota memberlakukan undang-undang nasional paling lambat 7 Juni 2026, sehingga tenggatnya sudah lewat (EUR-Lex). Kemajuan di tiap negara tidak merata, jadi periksa setiap negara tempat Anda mempekerjakan orang.
• Berdasarkan Directive tersebut, pelamar berhak menerima gaji awal atau rentang gajinya, dan pemberi kerja tidak boleh menanyakan riwayat gaji pelamar (EUR-Lex, Article 5).
• Pemberi kerja dengan 250 pekerja atau lebih melaporkan kesenjangan gaji setiap tahun, dengan laporan pertama jatuh tempo pada 7 Juni 2027. Pemberi kerja dengan 150 hingga 249 pekerja melaporkan setiap tiga tahun mulai tanggal yang sama, dan yang memiliki 100 hingga 149 pekerja mulai 7 Juni 2031 (EUR-Lex, Article 9).
• Penilaian gaji bersama diwajibkan jika pelaporan menunjukkan selisih rata-rata gaji sekurang-kurangnya 5% antara perempuan dan laki-laki pada kategori pekerja mana pun yang tidak dapat dibenarkan pemberi kerja dengan kriteria objektif yang netral gender dan belum diperbaiki dalam enam bulan (EUR-Lex, Article 10).
• Di AS, median penghasilan mingguan yang biasa diterima perempuan pekerja penuh waktu adalah 82,0 persen dari penghasilan laki-laki pada kuartal kedua 2026 (BLS). Angka mentah itu bukan ukuran kesetaraan gaji yang sebanding, tetapi menunjukkan mengapa topik ini tetap ada di agenda.
• Komisi Eropa mencantumkan alat AI untuk ketenagakerjaan dan manajemen pekerja sebagai berisiko tinggi, dengan aturan untuk bidang tersebut berlaku mulai 2 Desember 2027 (European Commission).

Di Mana AI Berperan dalam Siklus Gaji

Dalam istilah ACE Framework, AI kompensasi menyerap (ingest) data penggajian (payroll), HRIS, dan survei yang terstruktur beserta deskripsi pekerjaan yang tidak terstruktur, menganalisis gaji berdasarkan peran, level, lokasi, dan kinerja, memprediksi dampak skenario anggaran, dan semakin sering membuat draf pertama penjelasan yang perlu disampaikan manajer kepada karyawan. Sebagian besar ini adalah pekerjaan penilaian (scoring) dan klasifikasi yang diarahkan ke gaji.

Ada empat tempat dalam siklus gaji di mana AI terbukti berguna.

1. Pencocokan jabatan dan benchmarking. Survei gaji pasar hanya berguna jika jabatan Anda dicocokkan dengan benar ke jabatan dalam survei. Pencocokan itu pekerjaan yang lambat dan subjektif: "Senior Analyst" di perusahaan Anda bisa satu level lebih rendah daripada "Senior Analyst" dalam survei. Model bahasa dapat membaca deskripsi pekerjaan Anda dan menyarankan kecocokan survei terdekat beserta tingkat keyakinannya, sehingga analis kompensasi meninjau saran, bukan memulai dari lembar kosong. Ini kekuatan pemahaman teks yang sama yang membantu menulis deskripsi pekerjaan dengan AI.

2. Analisis kesetaraan gaji. Metode standarnya adalah regresi yang menjelaskan gaji dengan faktor yang sah seperti level jabatan, lokasi, masa kerja, dan kinerja, lalu memeriksa apakah gender, etnis, atau karakteristik lain yang dilindungi masih menjelaskan suatu kesenjangan. AI membantu pekerjaan yang melelahkan: membersihkan rekaman yang berantakan, mengelompokkan peran yang serupa, menemukan data pencilan, dan menyusun draf narasi. Statistiknya tetap membutuhkan analis yang kompeten, dan keputusan tentang apa yang dianggap faktor sah membutuhkan SDM dan bagian hukum.

3. Pemodelan kenaikan gaji dan anggaran. Dengan anggaran kenaikan gaji, sebaran kinerja, dan posisi gaji terhadap pasar, sebuah model dapat menunjukkan dampak berbagai aturan alokasi: persentase tetap, matriks kinerja, tambahan dana bagi mereka yang jauh di bawah pasar. Manajer dapat melihat konsekuensinya sebelum siklus dibuka, bukan sesudahnya.

4. Komunikasi dan dukungan bagi manajer. Menyusun penjelasan rentang gaji, bahasa surat penawaran, dan poin pembicaraan bagi manajer yang harus menjelaskan sebuah keputusan adalah tugas yang cocok bagi asisten AI generatif, selama manusia memeriksa setiap angka dan profesional gaji menyetujui kebijakan yang dijelaskannya.

Contoh Nyata menurut Fungsi

Analis kompensasi. Sebelum pengiriman survei tahunan, seorang analis harus memetakan 400 jabatan internal. Sebuah model menyarankan kecocokan dan menandai 60 jabatan yang deskripsi dan kecocokan usulannya tidak sejalan. Analis menghabiskan seminggu untuk 60 jabatan itu, bukan untuk seluruh 400.

HR business partner. Saat perencanaan, seorang partner meminta gambaran perbandingan penawaran tahun ini dengan karyawan saat ini pada peran yang sama. Model menandai tiga peran di mana karyawan baru digaji lebih tinggi daripada orang yang sudah mengerjakan pekerjaan itu, masalah klasik kompresi gaji. Partner mengangkatnya sebelum siklus berjalan, saat masih ada anggaran untuk memperbaikinya.

Akuisisi talenta. Perekrut membutuhkan rentang gaji yang dapat dipertanggungjawabkan untuk setiap lowongan, yang kini diwajibkan di banyak tempat. Sebuah alat mengusulkan rentang dari kecocokan jabatan di pasar dan pita gaji internal Anda, lalu perekrut mengonfirmasinya dengan bagian kompensasi.

Mitra keuangan. CFO bertanya apa dampak anggaran kenaikan gaji 3% dibanding 4% terhadap biaya payroll dan terhadap persentase karyawan di bawah titik tengah rentang gaji. Model skenario menjawabnya dalam hitungan menit, dan mitra keuangan dapat menguji pilihan secara langsung bersama SDM.

Hukum dan kepatuhan. Penasihat hukum memakai analisis kesenjangan untuk menjalankan audit kesetaraan gaji yang bersifat privilese, memperbaiki masalah yang nyata, dan menyiapkan data yang kelak mungkin diminta oleh otoritas atau karyawan.

Manajer orang. Seorang manajer yang menyiapkan percakapan soal gaji mendapat ringkasan singkat dalam bahasa sederhana tentang posisi karyawan dalam rentang gaji dan faktor di balik rekomendasi. Manajer tetap memegang percakapan itu. Jika ringkasan tidak bisa dijelaskan dengan istilah sederhana, logika di baliknya belum siap dipakai.

Apa yang Berubah karena Hukum Transparansi Gaji

AI bukan alasan analisis gaji menjadi lebih ketat. Hukumlah alasannya. Dan itu menjelaskan mengapa banyak tim kini membeli atau membangun kapabilitas ini.

Uni Eropa. Pay Transparency Directive menetapkan tenggat transposisi 7 Juni 2026, dan tanggal itu sudah lewat. Kemajuannya tidak merata. Sebagian negara telah mengesahkan undang-undang penuh, sebagian parsial, dan sebagian melewatkan tenggat, jadi Anda tidak bisa mengasumsikan kewajiban Directive berlaku sama di mana-mana. Yang tetap adalah arahnya: rentang gaji bagi pelamar, tidak ada pertanyaan tentang riwayat gaji, hak karyawan atas informasi tingkat gaji, dan pelaporan kesenjangan gaji gender sesuai jadwal di atas, dengan penilaian bersama jika masih ada kesenjangan tak terjelaskan sebesar 5% atau lebih. Pemberi kerja membutuhkan struktur jabatan dan data gaji yang tahan terhadap pemeriksaan, dan pelaporan didasarkan pada kategori pekerja yang mengerjakan pekerjaan setara atau bernilai setara, yang bergantung pada arsitektur jabatan yang bersih.

Amerika Serikat. Banyak negara bagian dan kota mewajibkan rentang gaji dalam lowongan kerja atau atas permintaan, dan rinciannya berbeda-beda. Undang-undang New York, misalnya, berlaku bagi pemberi kerja dengan empat karyawan atau lebih dan mewajibkan rentang kompensasi untuk lowongan, promosi, dan mutasi yang ditetapkan (New York State Department of Labor). Ambang batas, pemberi kerja yang tercakup, dan sanksi bervariasi menurut negara bagian dan terus berubah, jadi konfirmasikan aturan terkini untuk setiap lokasi dengan penasihat hukum ketenagakerjaan sebelum mengandalkan sebuah ringkasan.

Artinya bagi proses Anda. Tiga hal menjadi lebih sulit dihindari: arsitektur jabatan yang terdokumentasi dengan level dan rentang, data gaji yang dapat dianalisis menurut peran dan kelompok, dan alasan tertulis mengapa dua orang yang serupa digaji berbeda. AI dapat membantu ketiganya, tetapi hanya jika data dasarnya sehat. Jika rekaman Anda tidak konsisten, mulailah dengan fondasi data SDM untuk AI.

Perbandingan Praktis: Kerja Manual vs Bantuan AI

Cara Menerapkan AI dalam Perencanaan Kompensasi Langkah demi Langkah

1. Mulai dari pertanyaan yang penting. Tuliskan apa yang perlu Anda jawab: Apakah kita patuh pada aturan transparansi gaji di tempat kita merekrut? Di mana kesenjangan tak terjelaskan terbesar? Peran mana yang paling jauh di bawah pasar? Pilih satu atau dua. Alat tanpa pertanyaan hanya menghasilkan dasbor yang tidak ditindaklanjuti siapa pun.
2. Benahi arsitektur jabatan lebih dulu. Kesetaraan gaji dan benchmarking sama-sama bergantung pada perbandingan yang setara. Jika jabatan tidak konsisten, tetapkan level dan rumpun jabatan sebelum menambahkan AI. Model tidak dapat memperbaiki struktur yang tidak ada.
3. Audit data gaji Anda. Pastikan gaji pokok, bonus, tunjangan, grade, lokasi, tanggal masuk, manajer, dan penilaian kinerja tercatat secara konsisten untuk seluruh tenaga kerja, termasuk karyawan paruh waktu dan kontrak jika relevan. Putuskan cara mengonversi mata uang dan menyetahunkan gaji.
4. Jalankan baseline (garis dasar) secara manual. Sebelum memakai AI, lakukan analisis sederhana pada satu populasi, misalnya satu negara, dan catat hasilnya. Anda membutuhkan sesuatu untuk membandingkan keluaran AI.
5. Gunakan AI untuk lapisan yang berulang. Biarkan ia mengusulkan kecocokan jabatan, membersihkan data, dan menyusun draf penjelasan. Pemodelan statistik, pemilihan faktor, dan keputusan akhir tetap di tangan orang yang kompeten.
6. Libatkan bagian hukum sejak awal. Audit kesetaraan gaji yang bersifat privilese sering disusun melalui penasihat hukum. Konfirmasikan apa yang boleh Anda analisis, berapa lama menyimpannya, dan siapa yang boleh melihat hasil mentahnya.
7. Tetapkan aturan perbaikan sebelumnya. Sepakati cara memperlakukan kesenjangan yang ditemukan: mana yang dapat dijelaskan, mana yang disesuaikan, dari anggaran mana, dan kapan. Menemukan kesenjangan tanpa rencana memperbaikinya menimbulkan risiko tersendiri.
8. Uji coba (pilot) pada satu siklus. Jalankan pendekatan baru berdampingan dengan yang lama selama satu siklus kenaikan gaji atau penawaran. Bandingkan hasilnya, catat di mana model salah, dan sempurnakan.
9. Beri manajer penjelasan singkat dan jujur. Beri tahu mereka bagaimana rekomendasi dihasilkan, kapan mereka boleh melakukan pengesampingan manual (override), dan di mana pengesampingan itu ditinjau. Manajer yang tidak memercayai angka akan mencari jalan memutar.
10. Tinjau secara berkala. Jalankan ulang analisis setiap siklus dan setelah reorganisasi, akuisisi, atau gelombang perekrutan besar. Kesenjangan akan terbuka lagi kecuali ada yang terus mengawasi.

Untuk melihat bagaimana ini sejalan dengan pekerjaan analitik Anda yang lain, lihat people analytics dan AI.

Risiko dan Batas Etika

Gaji termasuk hal paling sensitif yang dimiliki sebuah organisasi tentang seseorang. Ada beberapa batas yang layak ditarik sebelum alat apa pun melihat datanya.

Jangan biarkan model menetapkan gaji individu sendirian. Rekomendasi boleh. Keputusan gaji otomatis tidak. Di Uni Eropa, AI yang dipakai untuk ketenagakerjaan dan manajemen pekerja digolongkan berisiko tinggi, dengan aturan untuk bidang itu berlaku mulai 2 Desember 2027, dan aturan pelindungan data tentang keputusan yang semata-mata otomatis sudah berlaku. Tetapkan seseorang yang bertanggung jawab atas setiap hasil.

Waspadai variabel proksi. Model yang dilatih dengan gaji masa lalu dapat mereproduksi ketimpangan masa lalu. Jika gaji historis untuk peran serupa lebih rendah bagi perempuan atau bagi orang yang direkrut saat ekonomi lesu, model yang mempelajari "gaji yang lazim" akan menganggapnya normal. Variabel seperti lama pengalaman, pemberi kerja sebelumnya, kode pos, atau jeda karier dapat mewakili ciri yang dilindungi. Uji keluaran model menurut kelompok sebelum memakainya.

Hindari riwayat gaji sebagai masukan. Directive melarang menanyakannya kepada pelamar, dan berpatokan pada gaji terakhir kandidat membawa ketimpangan sebelumnya ke dalam struktur gaji Anda. Susunlah penawaran dari peran, level, dan rentang gaji.

Jaga agar hasil tetap dapat dijelaskan. Jika seorang manajer atau karyawan bertanya mengapa seseorang digaji sekian, "kata modelnya begitu" bukan jawaban. Pilih metode yang dapat Anda uraikan dalam bahasa sederhana.

Jangan mencampuradukkan kesenjangan mentah dengan kesenjangan yang disesuaikan. Angka AS sebesar 82,0 persen membandingkan median penghasilan mingguan seluruh pekerja penuh waktu. Angka itu mencampur perbedaan pekerjaan, jam kerja, dan pengalaman dengan perlakuan tidak setara dalam pekerjaan yang sama. Kerja kesetaraan gaji melihat kesenjangan yang disesuaikan, di antara orang yang sebanding, dan juga mengapa pekerjaan dan level tersebar seperti adanya. Keduanya penting, dan keduanya membutuhkan perbaikan yang berbeda.

Kesalahan Umum

• Melakukan benchmarking terhadap potongan survei yang salah. Kecocokan yang sempurna dengan industri, ukuran, atau lokasi yang salah tetap menghasilkan rentang gaji yang salah.
• Memercayai kecocokan jabatan tanpa tinjauan. Saran yang terdengar meyakinkan bisa salah, terutama untuk peran hibrida.
• Menjalankan audit tanpa anggaran perbaikan. Anda tidak bisa kembali tidak tahu tentang sebuah kesenjangan.
• Memperlakukan analisis sebagai pekerjaan sekali jalan. Karyawan baru, promosi, dan pengecualian membuka kembali kesenjangan dalam satu atau dua siklus.
• Mengabaikan manajer. Struktur yang adil dirusak oleh pengecualian yang tidak konsisten. Alat layanan mandiri dapat membantu menjawab pertanyaan gaji rutin, tetapi pertanyaan sensitif sebaiknya ditangani oleh manusia.

Langkah Selanjutnya

Keputusan gaji terhubung dengan kinerja dan retensi. Jika Anda mengaitkan gaji dengan penilaian, bacalah AI dalam manajemen kinerja. Jika Anda ingin memahami mengapa orang keluar dan apakah gaji menjadi pendorongnya, bacalah memprediksi attrition karyawan dengan AI. Dan untuk sisi payroll, tempat gaji yang disetujui benar-benar sampai ke karyawan secara akurat, lihat AI dalam payroll.