Inferensi Keterampilan dengan AI: Membangun Inventaris Keterampilan Secara Otomatis

Oleh Kevin Kim · Diperbarui 11 Oktober 2026

Inferensi keterampilan dengan AI adalah pemakaian pembelajaran mesin dan model bahasa untuk mengetahui keterampilan apa yang dimiliki setiap karyawan, dan pada tingkat berapa, dari bukti yang sudah Anda miliki (profil, CV, riwayat pekerjaan, hasil proyek, catatan belajar, umpan balik), lalu memetakan keterampilan itu ke taksonomi bersama agar seluruh perusahaan dapat mencari dan membandingkannya. Cara ini menggantikan pendekatan lama yang meminta semua orang mencentang kotak di formulir yang sudah usang dalam sebulan.

Panduan ini ditujukan bagi pemimpin SDM, kepala talenta dan pembelajaran, serta manajer yang diminta untuk "membuat inventaris keterampilan" dan tidak mau menjalankan kampanye penilaian mandiri selama enam bulan. Isinya mencakup apa yang dilakukan teknologinya, data apa yang dibutuhkan, bagaimana taksonomi cocok di dalamnya, cara memvalidasi keluaran, dan di mana privasi serta keadilan paling menentukan. Panduan ini berada di bagian AI di bidang SDM dan langsung mendukung marketplace talenta internal berbasis AI serta AI dalam pembelajaran dan pengembangan.

Fakta Utama

• ESCO, klasifikasi multibahasa milik Komisi Eropa, menggambarkan 3.039 okupasi dan 13.939 keterampilan yang terkait dengannya, diterjemahkan ke 28 bahasa, dan mencantumkan pencocokan pencari kerja dengan pekerjaan berdasarkan keterampilan sebagai salah satu kegunaannya (ESCO).
• O*NET, basis data okupasi AS, diperbarui setiap kuartal, dan rilis 31.0-nya memperbarui 208 okupasi (O*NET Resource Center).
• Future of Jobs Report 2025 dari World Economic Forum memperkirakan 39% set keterampilan pekerja yang ada akan berubah atau menjadi usang sepanjang 2025 hingga 2030, turun dari 44% pada 2023 dan puncak 57% pada 2020 (WEF).
• Laporan yang sama menemukan bahwa dari setiap 100 pekerja, 59 memerlukan pelatihan pada 2030, dan 11 kemungkinan tidak akan mendapat reskilling (pelatihan ulang) yang mereka perlukan (WEF).
• GDPR Recital 39 menyatakan bahwa setiap langkah yang wajar harus ditempuh untuk memastikan data pribadi yang tidak akurat diperbaiki atau dihapus, dan hal ini berlaku langsung pada keterampilan hasil inferensi (EUR-Lex).

Apa yang Sebenarnya Dilakukan Inferensi Keterampilan

Dalam istilah ACE Framework, inferensi keterampilan menyerap (ingest) teks dan data SDM terstruktur, menganalisisnya untuk mengekstrak dan mengklasifikasikan keterampilan, lalu memprediksi tingkat kecakapan atau kemungkinan untuk setiap keterampilan yang dimiliki atau dapat segera dikuasai seseorang. Ini adalah pola ekstraksi dan klasifikasi dengan lapisan rekomendasi di atasnya.

Empat pekerjaan digabungkan di bawah satu label ini:

1. Ekstraksi. Menarik penyebutan keterampilan dari CV, profil, deskripsi pekerjaan, uraian proyek, dan judul kursus.
2. Normalisasi. Memetakan "menjalankan laporan SQL", "menulis kueri basis data", dan "analisis data dengan SQL" ke satu entri dalam taksonomi, sehingga keterampilan yang sama tidak dihitung tiga kali.
3. Inferensi. Melampaui apa yang tertulis. Orang yang memimpin negosiasi pemasok, mengelola anggaran, dan menulis ringkasan kontrak kemungkinan besar punya keterampilan negosiasi dan komersial meskipun tidak ada dokumen yang menyebutkannya.
4. Penentuan tingkat. Memperkirakan seberapa kuat keterampilan itu, memakai bukti seperti kebaruan, kedalaman proyek, sertifikasi, serta masukan rekan atau manajer.

Pekerjaan ketiga adalah tempat AI membuktikan nilainya, sekaligus tempat paling mungkin salah. Ekstraksi sebagian besar sudah terpecahkan. Inferensi adalah probabilitas, dan proses Anda harus memperlakukannya demikian.

Dari Mana Bukti Berasal

Inventaris keterampilan hanya sebaik bukti di baliknya. Sumber yang berbeda memberi tahu hal yang berbeda.

Inventaris terbaik menggabungkan beberapa sumber dan membiarkan bukti saling sepakat atau tidak sepakat. Keterampilan yang didukung catatan proyek, sertifikasi, dan dukungan manajer adalah keterampilan yang kokoh. Keterampilan yang hanya muncul dalam satu butir CV lama adalah sinyal lemah dan harus ditampilkan sebagai demikian. Untuk sisi datanya, lihat fondasi data SDM untuk AI, karena kualitas inferensi mengikuti kualitas data hampir satu banding satu.

Membangun Taksonomi Keterampilan

Taksonomi adalah kosakata bersama yang mengubah teks bebas menjadi data yang dapat dibandingkan. Tanpa taksonomi, "manajemen pemangku kepentingan", "mengelola pemangku kepentingan", dan "keterampilan hubungan klien" adalah tiga hal berbeda dan Anda tidak dapat menghitung siapa pun.

Ada tiga pilihan yang realistis.

Gunakan taksonomi publik. ESCO dan ONET adalah dua titik acuan yang paling sering dijadikan awal oleh tim. ESCO dibuat untuk menyediakan bahasa bersama lintas negara dan menyatakan keterampilannya terkait dengan okupasi serta tersedia dalam 28 bahasa, yang penting bagi tenaga kerja multinasional (ESCO). ONET menggambarkan pekerjaan dan karakteristik pekerja untuk okupasi AS dan diperbarui dalam siklus kuartalan (O*NET Resource Center). Keduanya adalah acuan publik, sehingga data Anda lebih mudah dibagikan dan diaudit.

Gunakan taksonomi milik vendor. Banyak platform talenta menyertakan taksonomi sendiri. Cepat untuk dimulai, tetapi Anda terikat pada definisi vendor, dan berpindah nanti berarti memetakan ulang semuanya. Mintalah pemetaan ke ESCO atau O*NET agar Anda tetap punya jalan keluar.

Bangun sendiri. Hanya diperlukan bila bisnis Anda memiliki keterampilan khusus yang tidak dicakup daftar publik mana pun, seperti mesin, regulasi, atau produk tertentu. Bahkan saat itu, mulailah dari dasar publik dan tambahkan lapisan kustom yang tipis di atasnya.

Apa pun jalur yang Anda ambil, beberapa pilihan desain lebih penting daripada pilihan daftarnya:

• Buat cukup kecil untuk dipakai. Ribuan keterampilan yang sangat rinci membuat manajer kewalahan. Banyak perusahaan mengelompokkan keterampilan menjadi beberapa ratus yang terkait dengan keputusan nyata tentang perekrutan, perpindahan, dan pelatihan.
• Pisahkan keterampilan, kecakapan, dan bukti. "Python" adalah keterampilannya, "mahir" adalah tingkatnya, dan "merilis dua layanan produksi pada 2025" adalah buktinya.
• Tetapkan pemilik. Keterampilan berubah, jadi seseorang harus menambah, menggabung, dan menghentikan keterampilan. Angka WEF di atas, 39% set keterampilan berubah pada 2030, adalah alasan mengapa ini tidak bisa menjadi proyek sekali jalan. Untuk laju keterampilan menjadi usang, lihat umur paruh keterampilan dan reskilling berkelanjutan.
• Kaitkan dengan model kompetensi Anda. Keterampilan adalah apa yang dapat dilakukan orang. Kompetensi adalah perilaku yang lebih luas yang Anda harapkan dalam suatu peran. Kerangka kompetensi inti Anda sebaiknya merujuk pada keterampilan, bukan menggandakannya.

Contoh Nyata menurut Fungsi

Akuisisi talenta. Seorang perekrut membutuhkan data engineer. Alih-alih mencari jabatan, sistem menemukan karyawan yang riwayat proyek dan catatan belajarnya bila dijumlahkan memenuhi keterampilan yang dibutuhkan, lalu menandai tiga kandidat internal sebelum posisi diumumkan ke luar.

Pembelajaran dan pengembangan. L&D membandingkan keterampilan hasil inferensi tim customer success dengan apa yang dituntut rencana produk dua tahun ke depan. Kesenjangan pada analitik dan desain onboarding menjadi anggaran pelatihan, tanpa perlu survei. Logikanya sama dengan yang diuraikan dalam AI dalam pembelajaran dan pengembangan.

Mobilitas internal. Profil seorang supervisor gudang menunjukkan perencanaan, kepatuhan keselamatan, dan pembinaan tim, yang sangat cocok dengan peran perencana operasional. Inferensi memunculkan perpindahan yang belum terpikirkan siapa pun. Hal ini mendukung marketplace talenta internal berbasis AI.

Perencanaan tenaga kerja. Seorang direktur keuangan bertanya berapa banyak orang yang dapat dialihkan ke tim pelaporan regulasi baru dalam satu kuartal. Inventaris menjawabnya dalam hitungan jam, bukan pekan, dengan menghitung keterampilan yang berdekatan.

Manajer. Seorang pemimpin proyek yang menyusun tim melihat orang-orang yang disarankan beserta bukti dan tingkat keyakinannya, lalu mengoreksi satu saran yang jelas keliru. Koreksi itu memperbaiki sistem.

Cara Menerapkan Inferensi Keterampilan Langkah demi Langkah

1. Tentukan keputusannya lebih dulu. Daftarkan dua atau tiga keputusan yang akan didukung inventaris, seperti perekrutan internal, anggaran pelatihan, atau pengalihan tugas. Jika Anda tidak dapat menyebutkannya, Anda akan membangun basis data yang tidak dipakai siapa pun.
2. Pilih taksonomi. Pilih ESCO, O*NET, atau milik vendor, dan putuskan berapa banyak keterampilan yang benar-benar akan Anda lacak. Tulis aturan untuk menggabung dan menghentikan keterampilan.
3. Inventarisasi data Anda. Temukan di mana CV, riwayat peran, catatan belajar, data proyek, dan umpan balik berada, siapa pemiliknya, dan seberapa bersih datanya. Perbaiki pengenal agar satu orang tidak menjadi dua rekaman.
4. Periksa dasar hukumnya. Putuskan sumber mana yang boleh dipakai untuk tujuan ini, apa yang akan diberitahukan kepada karyawan, dan apakah penilaian dampak pelindungan data diperlukan. Libatkan bagian hukum dan dewan pekerja sejak awal.
5. Jalankan uji coba (pilot) pada satu fungsi. Pilih satu tim dengan kasus penggunaan yang jelas, seperti tim dukungan pelanggan atau keuangan.
6. Biarkan model menyimpulkan, lalu tunjukkan buktinya. Setiap keterampilan hasil inferensi harus menyertakan sumber dan tingkat keyakinannya. Tanpa bukti, tidak ada keterampilan.
7. Validasi bersama orang. Minta karyawan mengonfirmasi, mengoreksi, atau menambah keterampilan, dan minta manajer meninjau timnya. Perlakukan ketidaksepakatan sebagai data tentang di mana model gagal.
8. Ukur terhadap standar emas. Untuk satu sampel, bandingkan keterampilan hasil inferensi dengan sumber tepercaya seperti asesmen atau tinjauan manajer yang cermat. Lacak presisi (berapa banyak keterampilan hasil inferensi yang benar) dan recall (berapa banyak keterampilan nyata yang ditemukan).
9. Hubungkan dengan keputusan. Alirkan inventaris ke satu alur kerja nyata, seperti pencocokan pekerjaan internal atau rencana pelatihan, dan periksa apakah hasilnya membaik.
10. Pelihara. Segarkan bukti secara terus-menerus, periksa ulang akurasi setidaknya setiap tahun, dan tinjau taksonomi sesuai jadwal.

Memvalidasi Keluaran

Validasi adalah tempat sebagian besar proyek memperoleh atau kehilangan kepercayaan. Ada empat pemeriksaan yang layak dibangun.

Konfirmasi karyawan. Orang mengenal keterampilannya sendiri lebih baik daripada model mana pun. Tampilan sederhana tempat mereka menerima, menyunting, atau menghapus keterampilan hasil inferensi memberi Anda kebenaran dasar dan memberi mereka kendali. Cara ini juga memunculkan keterampilan yang tidak terlihat oleh model, seperti pekerjaan sukarela atau komunitas.

Kalibrasi manajer. Manajer meninjau tingkat hasil inferensi untuk timnya, idealnya bersama-sama, agar "mahir" berarti hal yang sama di semua kelompok.

Audit sampel. Ambil sampel acak, bandingkan dengan sumber yang lebih kuat, dan hitung tingkat kesalahan menurut jenis keterampilan. Keterampilan lunak seperti komunikasi atau penilaian biasanya disimpulkan kurang andal dibanding keterampilan teknis yang punya artefak jelas.

Pemeriksaan drift. Bahasa keterampilan berubah, perangkat baru bermunculan, dan yang lama memudar. Model yang disetel tahun lalu akan salah membaca lowongan tahun ini. Uji ulang sesuai jadwal.

Jujurlah tentang arti angkanya. Keterampilan yang ditampilkan sebagai "hasil inferensi, keyakinan sedang" adalah petunjuk untuk memulai percakapan, bukan kualifikasi. Jika Anda membiarkan manajer memperlakukan tebakan model sebagai fakta bersertifikat, Anda telah mengganti formulir yang usang dengan formulir yang tidak dapat dimintai pertanggungjawaban.

Privasi, Keadilan, dan Batas Hukum

Keterampilan hasil inferensi adalah data pribadi tentang seseorang, meskipun orang itu tidak pernah mengetikkannya. Perlakukan demikian.

Pembatasan tujuan. Data yang dikumpulkan untuk penggajian atau kepatuhan tidak boleh diam-diam masuk ke model keterampilan. GDPR Recital 50 menyatakan bahwa pemrosesan lanjutan untuk tujuan baru umumnya hanya diperbolehkan jika sejalan dengan tujuan semula (EUR-Lex). Dokumentasikan tujuannya dan beri tahu karyawan.

Akurasi dan koreksi. Karena inferensi bisa salah, orang memerlukan cara untuk melihat dan memperbaikinya. Recital 39 mengharapkan data yang tidak akurat diperbaiki atau dihapus, dan Recital 71 menggambarkan hak untuk tidak tunduk pada keputusan yang dibuat melalui pemrosesan otomatis dengan akibat hukum atau akibat signifikan yang serupa (EUR-Lex). Skor keterampilan yang dijadikan satu-satunya dasar keputusan pengurangan karyawan atau promosi akan masuk tepat di wilayah itu.

AI ketenagakerjaan berisiko tinggi di UE. Komisi Eropa mencantumkan alat AI untuk ketenagakerjaan dan manajemen pekerja sebagai berisiko tinggi, dengan aturan tersebut berlaku mulai 2 Desember 2027 (European Commission). Memakai inferensi untuk memutuskan siapa yang dipertimbangkan untuk peran atau pelatihan mungkin termasuk di dalamnya, jadi konsultasikan dengan penasihat hukum. Aturan berbeda di luar UE dan terus berubah, jadi mintalah nasihat setempat.

Bias. Jika model belajar dari promosi masa lalu, ia dapat belajar siapa yang dipromosikan, bukan siapa yang terampil. Bahasa juga berbeda menurut latar belakang: sebagian kelompok menggambarkan pekerjaannya dengan sederhana, yang lain dengan berlebihan, dan ekstraksi dapat memberi ganjaran pada yang terakhir. Bandingkan cakupan keterampilan hasil inferensi lintas gender, usia, lokasi, dan rumpun peran, dan carilah kelompok yang secara sistematis kurang tergambarkan. Minimisasi data. Gunakan bukti terkait pekerjaan, bukan media sosial pribadi, pesan pribadi, atau data pemantauan. Jika suatu sinyal mengharuskan orang diawasi untuk mendapatkannya, itu adalah sinyal yang salah.

Visibilitas. Putuskan siapa melihat apa. Karyawan sebaiknya melihat profilnya sendiri. Manajer mungkin melihat profil timnya. Pencarian luas oleh perekrut di seluruh perusahaan sebaiknya dibatasi pada kolom yang disetujui atau relevan dengan peran.

Kesalahan Umum

• Memulai dari alat, bukan dari keputusan. Inventaris keterampilan tanpa kasus penggunaan menjadi barang pajangan.
• Memercayai tingkat hasil inferensi. Keberadaan suatu keterampilan lebih mudah disimpulkan daripada kedalamannya. Tampilkan tingkat keyakinan.
• Menghitung penyelesaian kursus sebagai keterampilan. Menyelesaikan satu modul tidak sama dengan menerapkannya.
• Mengabaikan pemeliharaan taksonomi. Tanpa pemilik, duplikat dan keterampilan mati menumpuk dalam setahun.
• Memperlakukan inventaris sebagai basis data catatan resmi. Ia adalah perkiraan yang hidup, dan membutuhkan putaran koreksi.
• Melewatkan karyawan. Sistem yang dilakukan kepada orang, bukan bersama mereka, cepat kehilangan kepercayaan dan kualitas data.
• Memakainya untuk keputusan berisiko tinggi terlalu dini. Mulailah dengan peluang (pencocokan, pembelajaran), bukan hukuman (pemilihan untuk pengurangan).
• Melupakan keterampilan yang berdekatan. Keluaran yang paling bernilai sering kali adalah siapa yang dekat dengan suatu keterampilan, sehingga reskilling-nya singkat.

Langkah Selanjutnya

Inferensi keterampilan adalah lapisan datanya. Apa yang Anda lakukan dengannya menentukan nilainya. Jika tujuannya memindahkan orang ke peran baru, bacalah panduan marketplace talenta internal berbasis AI. Jika tujuannya menutup kesenjangan, lihat AI dalam pembelajaran dan pengembangan. Untuk rangkaian analitik yang lebih luas di sekitarnya, lihat people analytics dan AI. Dan untuk menanyai inventaris yang dihasilkan dengan bahasa sehari-hari, lihat AI untuk pelaporan SDM.