AI dalam Perancangan Pampasan: Penanda Aras Gaji dan Analisis Kesaksamaan Gaji

Oleh Kevin Kim · Dikemas kini 11 Oktober 2026

AI dalam perancangan pampasan bermaksud menggunakan pembelajaran mesin dan model bahasa untuk memadankan jawatan dengan data gaji pasaran, mengesan jurang gaji yang tidak dapat dijelaskan dalam tenaga kerja anda sendiri, dan memodelkan senario merit serta bajet, supaya keputusan gaji dibuat dengan bukti yang lebih baik dan kurang kerja hamparan secara manual. Ia tidak menentukan gaji sesiapa. Ia mempercepat analisis yang menjadi asas keputusan gaji, dan menjadikan jurang lebih sukar diabaikan.

Panduan ini ditujukan kepada pemimpin sumber manusia, pengurus ganjaran keseluruhan (total rewards) dan pampasan, serta rakan kewangan yang diminta melakukan lebih banyak analisis gaji dengan pasukan yang sama. Ia merangkumi di mana AI benar-benar membantu dalam kitaran gaji, apa yang kini dikehendaki oleh Pay Transparency Directive EU dan undang-undang negeri AS daripada majikan, cara memulakan langkah demi langkah, serta kesilapan yang mendatangkan masalah. Untuk gambaran yang lebih luas tentang cara pasukan sumber manusia menggunakan AI, mulakan dengan AI dalam HR. Jika soalan anda ialah perdebatan yang lebih luas tentang bagaimana AI mengubah nilai sesuatu kerja, baca pampasan dan keadilan dalam era AI. Artikel ini tentang proses sumber manusia.

Fakta Utama

• Pay Transparency Directive EU (2023/970) menghendaki Negara Anggota menguatkuasakan undang-undang nasional menjelang 7 Jun 2026, jadi tarikh akhir itu telah berlalu (EUR-Lex). Kemajuan antara negara tidak seragam, jadi semak setiap negara tempat anda mengambil pekerja.
• Di bawah Directive tersebut, pemohon berhak menerima gaji permulaan atau julatnya, dan majikan tidak boleh bertanya kepada pemohon tentang sejarah gaji mereka (EUR-Lex, Article 5).
• Majikan dengan 250 pekerja atau lebih melaporkan jurang gaji setiap tahun, dengan laporan pertama dikehendaki menjelang 7 Jun 2027. Majikan dengan 150 hingga 249 pekerja melaporkan setiap tiga tahun bermula tarikh yang sama, dan majikan dengan 100 hingga 149 pekerja bermula 7 Jun 2031 (EUR-Lex, Article 9).
• Penilaian gaji bersama diperlukan apabila pelaporan menunjukkan perbezaan gaji purata sekurang-kurangnya 5% antara wanita dan lelaki dalam mana-mana kategori pekerja yang tidak dapat dibenarkan oleh majikan berdasarkan kriteria objektif dan neutral jantina, dan tidak dibetulkan dalam tempoh enam bulan (EUR-Lex, Article 10).
• Di AS, pendapatan mingguan biasa median wanita sepenuh masa ialah 82.0 peratus daripada pendapatan lelaki pada suku kedua 2026 (BLS). Angka mentah itu bukan ukuran kesaksamaan gaji yang setara, tetapi ia menunjukkan mengapa topik ini kekal dalam agenda.
• Suruhanjaya Eropah menyenaraikan alat AI untuk pekerjaan dan pengurusan pekerja sebagai berisiko tinggi, dengan peraturan bagi bidang tersebut terpakai mulai 2 Disember 2027 (European Commission).

Di Mana AI Sesuai dalam Kitaran Gaji

Dari sudut ACE Framework, AI pampasan mengambil masuk (ingest) data penggajian, HRIS dan tinjauan berstruktur serta huraian tugas tidak berstruktur, menganalisis gaji berbanding peranan, tahap, lokasi dan prestasi, meramalkan kesan senario bajet, dan semakin kerap menjana draf pertama penjelasan yang perlu diberikan pengurus kepada pekerja. Ia sebahagian besarnya kerja pemarkahan dan pengelasan yang diarahkan kepada gaji.

Kitaran gaji mempunyai empat tempat di mana AI memberi nilai.

1. Pemadanan jawatan dan penanda aras. Tinjauan gaji pasaran hanya berguna jika jawatan anda dipadankan dengan betul kepada jawatan dalam tinjauan itu. Pemadanan tersebut kerja yang perlahan dan subjektif: "Senior Analyst" di syarikat anda mungkin satu tahap lebih rendah daripada "Senior Analyst" dalam tinjauan. Model bahasa boleh membaca huraian tugas anda dan mencadangkan padanan tinjauan yang paling hampir, lengkap dengan tahap keyakinan, supaya penganalisis pampasan menyemak cadangan dan tidak bermula dengan helaian kosong. Ia kekuatan memahami teks yang sama yang membantu dalam menulis huraian tugas dengan AI.

2. Analisis kesaksamaan gaji. Kaedah piawai ialah regresi yang menerangkan gaji menggunakan faktor sah seperti tahap jawatan, lokasi, tempoh perkhidmatan dan prestasi, kemudian menyemak sama ada jantina, etnik atau ciri dilindungi lain masih menerangkan sesuatu jurang. AI membantu dengan kerja rutin yang meletihkan: membersihkan rekod yang bersepah, mengumpulkan peranan yang serupa, mengesan data terpencil (outlier) dan menyediakan draf naratif. Statistiknya tetap memerlukan penganalisis yang berkelayakan, dan keputusan tentang apa yang dikira sebagai faktor sah memerlukan HR dan pihak undang-undang.

3. Pemodelan merit dan bajet. Dengan bajet merit, taburan prestasi dan kedudukan gaji berbanding pasaran, sebuah model boleh menunjukkan kesan peraturan peruntukan yang berbeza: peratusan seragam, matriks prestasi, atau wang tambahan untuk mereka yang jauh di bawah pasaran. Pengurus dapat melihat akibatnya sebelum kitaran dibuka, bukan selepasnya.

4. Komunikasi dan sokongan pengurus. Menyediakan draf penjelasan julat gaji, bahasa surat tawaran dan isi perbincangan untuk pengurus yang perlu menerangkan sesuatu keputusan ialah tugas yang sesuai untuk pembantu AI generatif, selagi seorang manusia menyemak setiap angka dan seorang profesional gaji meluluskan dasar yang diterangkan.

Contoh Sebenar Mengikut Fungsi

Penganalisis pampasan. Sebelum penyerahan tinjauan tahunan, seorang penganalisis perlu memadankan 400 jawatan dalaman. Sebuah model mencadangkan padanan dan menandakan 60 yang huraian dan padanan yang dicadangkan tidak sepadan. Penganalisis menghabiskan seminggu untuk 60 itu dan bukan untuk kesemua 400.

HR business partner. Semasa perancangan, seorang rakan kongsi meminta paparan tentang cara tawaran yang dibuat tahun ini dibandingkan dengan pekerja sedia ada dalam peranan yang sama. Model menandakan tiga peranan yang pekerja baharunya dibayar lebih tinggi daripada mereka yang sudah melakukan kerja itu, masalah pemampatan gaji yang klasik. Rakan kongsi itu membangkitkannya sebelum kitaran, ketika masih ada bajet untuk membetulkannya.

Pemerolehan bakat. Perekrut memerlukan julat gaji yang boleh dipertahankan bagi setiap iklan, yang kini diwajibkan di banyak tempat. Sebuah alat mencadangkan julat berdasarkan padanan pasaran jawatan itu dan skala gaji dalaman anda, dan perekrut mengesahkannya dengan pasukan pampasan.

Rakan kewangan. CFO bertanya apakah kesan bajet merit 3% berbanding 4% terhadap kos penggajian dan terhadap bahagian pekerja di bawah titik tengah julat gaji. Model senario menjawab dalam beberapa minit, dan rakan kewangan boleh menguji pilihan secara langsung bersama HR.

Undang-undang dan pematuhan. Peguam menggunakan analisis jurang untuk menjalankan audit kesaksamaan gaji yang istimewa (privileged), membetulkan masalah sebenar, dan menyediakan data yang mungkin diminta kemudian oleh pihak berkuasa atau pekerja.

Pengurus pasukan. Pengurus yang bersedia untuk perbincangan gaji menerima ringkasan pendek dalam bahasa mudah tentang kedudukan pekerja dalam julat dan faktor di sebalik cadangan. Pengurus tetap memiliki perbincangan itu. Jika ringkasan tidak dapat diterangkan dengan mudah, logik asasnya belum bersedia untuk digunakan.

Apa yang Berubah dengan Undang-undang Ketelusan Gaji

AI bukan sebab analisis gaji menjadi lebih ketat. Undang-undanglah sebabnya. Dan itu menerangkan mengapa banyak pasukan membeli atau membina keupayaan ini sekarang.

Kesatuan Eropah. Pay Transparency Directive menetapkan tarikh akhir pemindahan ke undang-undang nasional pada 7 Jun 2026, dan tarikh itu telah berlalu. Kemajuan tidak seragam. Sesetengah negara telah meluluskan undang-undang penuh, sesetengah sebahagian sahaja, dan sesetengah terlepas tarikh akhir, jadi anda tidak boleh menganggap obligasi Directive terpakai sama rata di mana-mana lagi. Yang kekal tetap ialah arahnya: julat gaji untuk pemohon, tiada soalan tentang sejarah gaji, hak pekerja untuk mendapat maklumat tentang tahap gaji, dan pelaporan jurang gaji jantina mengikut jadual di atas, dengan penilaian bersama jika jurang 5% atau lebih yang tidak dapat dijelaskan masih ada. Majikan memerlukan struktur jawatan dan data gaji yang tahan penelitian, dan pelaporan berasaskan kategori pekerja yang melakukan kerja yang sama atau bernilai sama, yang bergantung pada seni bina jawatan yang kemas.

Amerika Syarikat. Banyak negeri dan bandar mewajibkan julat gaji dalam iklan jawatan atau atas permintaan, dan butirannya berbeza. Undang-undang New York, sebagai contoh, terpakai kepada majikan dengan empat pekerja atau lebih dan mewajibkan julat pampasan bagi kekosongan, kenaikan pangkat dan pertukaran yang ditetapkan (New York State Department of Labor). Ambang, majikan yang diliputi dan penalti berbeza mengikut negeri dan terus berubah, jadi sahkan peraturan semasa bagi setiap lokasi dengan peguam pekerjaan sebelum bergantung pada ringkasan.

Maksudnya untuk proses anda. Tiga perkara menjadi lebih sukar dielakkan: seni bina jawatan yang didokumenkan dengan tahap dan julat, data gaji yang boleh dianalisis mengikut peranan dan kumpulan, dan sebab bertulis mengapa dua orang yang serupa dibayar secara berbeza. AI boleh membantu dengan ketiga-tiganya, tetapi hanya jika data asasnya kukuh. Jika rekod anda tidak konsisten, mulakan dengan asas data HR untuk AI.

Perbandingan Praktikal: Kerja Manual berbanding Bantuan AI

Cara Melaksanakan AI dalam Perancangan Pampasan Langkah demi Langkah

1. Mulakan dengan soalan yang penting. Tuliskan apa yang perlu anda jawab: Adakah kami mematuhi peraturan ketelusan gaji di tempat kami mengambil pekerja? Di mana jurang tidak dapat dijelaskan yang paling besar? Peranan manakah yang paling jauh di bawah pasaran? Pilih satu atau dua. Alat tanpa soalan menghasilkan dashboard yang tiada siapa bertindak ke atasnya.
2. Baiki seni bina jawatan dahulu. Kesaksamaan gaji dan penanda aras kedua-duanya bergantung pada membandingkan perkara yang setara. Jika gelaran jawatan tidak konsisten, tentukan tahap dan keluarga jawatan sebelum menambah AI. Model tidak boleh membaiki struktur yang tidak wujud.
3. Audit data gaji anda. Pastikan gaji asas, bonus, elaun, gred, lokasi, tarikh mula bekerja, pengurus dan penilaian prestasi direkodkan secara konsisten untuk seluruh tenaga kerja, termasuk kakitangan separuh masa dan kontrak jika berkaitan. Tentukan cara menukar mata wang dan menyetahunkan gaji.
4. Jalankan garis dasar secara manual. Sebelum menggunakan AI, lakukan analisis mudah ke atas satu populasi, seperti satu negara, dan rekodkan hasilnya. Anda memerlukan sesuatu untuk dibandingkan dengan output AI.
5. Gunakan AI untuk lapisan yang berulang. Biarkan ia mencadangkan padanan jawatan, membersihkan data dan menyediakan draf penjelasan. Kekalkan pemodelan statistik, pemilihan faktor dan keputusan akhir bersama orang yang berkelayakan.
6. Libatkan pihak undang-undang lebih awal. Audit kesaksamaan gaji yang istimewa (privileged) sering disusun melalui peguam. Sahkan apa yang boleh anda analisis, berapa lama anda menyimpannya, dan siapa yang boleh melihat keputusan mentah.
7. Tentukan peraturan pembetulan lebih awal. Persetujui cara anda menangani jurang yang ditemui: apa yang boleh dijelaskan, apa yang dilaraskan, daripada bajet yang mana, dan bila. Menemui jurang yang tiada rancangan untuk dibaiki mewujudkan risikonya sendiri.
8. Jalankan projek rintis untuk satu kitaran. Jalankan pendekatan baharu seiring dengan yang lama untuk satu kitaran merit atau tawaran. Bandingkan keputusan, rekodkan di mana model tersilap, dan laraskan.
9. Beri pengurus penjelasan yang pendek dan jujur. Beritahu mereka cara cadangan dihasilkan, apa yang boleh mereka batalkan dan di mana pembatalan disemak. Pengurus yang tidak mempercayai angka itu akan mengelaknya.
10. Semak mengikut jadual. Jalankan semula analisis setiap kitaran dan selepas penstrukturan semula, pengambilalihan atau gelombang pengambilan besar. Jurang akan terbuka semula melainkan ada yang terus memerhatikannya.

Untuk melihat bagaimana ini selari dengan kerja analitik anda yang lain, lihat people analytics dan AI.

Risiko dan Garis Etika

Gaji antara perkara paling sensitif yang dipegang oleh sesebuah organisasi tentang seseorang. Beberapa garis wajar ditetapkan sebelum mana-mana alat melihat data itu.

Jangan biarkan model menetapkan gaji individu secara bersendirian. Cadangan tidak mengapa. Keputusan gaji automatik tidak boleh. Di EU, AI yang digunakan untuk pekerjaan dan pengurusan pekerja dikelaskan sebagai berisiko tinggi, dengan peraturan bagi bidang tersebut terpakai mulai 2 Disember 2027, dan peraturan perlindungan data tentang keputusan yang dibuat semata-mata secara automatik sudah pun terpakai. Pastikan seorang manusia bertanggungjawab ke atas setiap hasil.

Awasi pemboleh ubah proksi. Model yang dilatih pada gaji lepas boleh mengulangi ketidaksamaan lepas. Jika gaji sejarah bagi peranan yang serupa lebih rendah untuk wanita atau untuk mereka yang diambil semasa kemelesetan, model yang mempelajari "gaji tipikal" akan menganggapnya biasa. Pemboleh ubah seperti tahun pengalaman, majikan terdahulu, poskod atau jeda kerjaya boleh mewakili ciri yang dilindungi. Uji output model mengikut kumpulan sebelum menggunakannya.

Elakkan sejarah gaji sebagai input. Directive melarang bertanya tentang perkara itu kepada pemohon, dan berpaut pada gaji terakhir calon membawa ketidaksamaan terdahulu ke dalam struktur gaji anda. Bina tawaran berdasarkan peranan, tahap dan julat sebaliknya.

Pastikan keputusan boleh dijelaskan. Jika pengurus atau pekerja bertanya mengapa seseorang dibayar sebegitu, "model yang kata begitu" bukan jawapan. Utamakan kaedah yang boleh anda terangkan dalam bahasa mudah.

Jangan keliru antara jurang mentah dengan jurang terlaras. Angka AS 82.0 peratus membandingkan pendapatan mingguan median semua pekerja sepenuh masa. Ia mencampurkan perbezaan dalam pekerjaan, jam dan pengalaman dengan sebarang layanan tidak sama dalam jawatan yang sama. Kerja kesaksamaan gaji melihat jurang terlaras, dalam kalangan orang yang setara, dan juga sebab pekerjaan dan tahap bertaburan seperti sedia ada. Kedua-duanya penting, dan keduanya memerlukan pembetulan yang berbeza.

Kesilapan Lazim

• Menanda aras berdasarkan potongan tinjauan yang salah. Padanan yang bagus dengan industri, saiz atau lokasi yang salah tetap memberi julat gaji yang salah.
• Mempercayai padanan jawatan tanpa semakan. Cadangan yang kedengaran yakin boleh salah, terutama untuk peranan hibrid.
• Menjalankan audit tanpa bajet pembetulan. Anda tidak boleh membuat diri tidak tahu tentang sesuatu jurang.
• Menganggap analisis sebagai kerja sekali sahaja. Pekerja baharu, kenaikan pangkat dan pengecualian membuka semula jurang dalam satu atau dua kitaran.
• Meminggirkan pengurus. Struktur yang adil dirosakkan oleh pengecualian yang tidak konsisten. Alat layan diri boleh membantu menjawab soalan gaji rutin, tetapi soalan yang sensitif perlu dikendalikan oleh manusia.

Langkah Seterusnya

Keputusan gaji berkait dengan prestasi dan dengan pengekalan pekerja. Jika anda mengaitkan gaji dengan penilaian, baca AI dalam pengurusan prestasi. Jika anda cuba memahami mengapa orang berhenti dan sama ada gaji ialah punca, baca meramal pusing ganti pekerja dengan AI. Dan untuk sisi penggajian, di mana gaji yang diluluskan benar-benar sampai kepada orang dengan tepat, lihat AI dalam penggajian.