Menulis Huraian Tugas dengan AI: Inklusif, Tepat dan Selari dengan Jenama

Oleh Kevin Kim · Dikemas kini 11 Oktober 2026

Menulis huraian tugas dengan AI bermaksud menggunakan model bahasa untuk menukar input sebenar pengurus pengambilan (kerja, kemahiran wajib, julat gaji, pasukan) kepada draf pertama yang kemas, kemudian meminta seseorang menyuntingnya untuk ketepatan, bahasa inklusif dan kesesuaian undang-undang sebelum ia disiarkan. Model menjimatkan sejam menghadap halaman kosong. Ia tidak tahu apa sebenarnya pekerjaan itu, berapa sebenarnya anda bayar atau apa yang dikehendaki oleh undang-undang di lokasi pengambilan anda, jadi perkara itu kekal di tangan anda.

Panduan ini ditujukan kepada pengurus HR, ketua pemerolehan bakat dan pengurus pengambilan yang sudah menggunakan, atau akan menggunakan, chatbot untuk mengarang iklan jawatan. Untuk gambaran yang lebih luas tentang AI dalam pengambilan pekerja, lihat AI dalam pengambilan pekerja. Panduan ini mengandaikan asas daripada AI generatif untuk pasukan HR. Maklumat umum sahaja, bukan nasihat undang-undang.

Fakta Utama

• Dalam kajian yang memulakan bidang ini, Gaucher, Friesen dan Kay menganalisis 493 iklan kerja dalam talian merentasi 11 pekerjaan dan mendapati iklan untuk jawatan yang didominasi lelaki menggunakan bahasa berkod maskulin lebih banyak, dan bahasa maskulin menurunkan rasa kepunyaan wanita, yang seterusnya menurunkan daya tarikan jawatan itu (Harvard Kennedy School, ringkasan Gender Action Portal bagi kajian 2011).
• Dalam kertas bengkel NAACL 2022, penyelidik yang menggunakan GPT-3 untuk menulis iklan kerja mendapati gesaan yang menggalakkan kepelbagaian sahaja tidak mengurangkan bias dengan ketara, manakala penalaan halus pada iklan sebenar yang tidak berat sebelah berjaya (Borchers et al., arXiv).
• Di bawah Article 5 EU Pay Transparency Directive, pemohon berhak mendapat gaji permulaan atau julatnya, majikan tidak boleh bertanya tentang sejarah gaji, dan notis kekosongan jawatan serta gelaran jawatan mestilah neutral jantina (Directive (EU) 2023/970).
• Negara Anggota perlu memasukkan arahan itu ke dalam undang-undang negara menjelang 7 Jun 2026 (Directive (EU) 2023/970, Article 34).
• Peraturan penyiaran gaji Colorado berkuat kuasa pada 1 Januari 2021 dan menghendaki julat pampasan serta penerangan umum tentang faedah dan gaji insentif (Littler).

Apa yang AI Lakukan dengan Baik, dan Buruk, dalam Huraian Tugas

Huraian tugas ialah dokumen pendek dengan banyak tugas untuk dilaksanakan. Ia memberitahu calon apa kerjanya, menyuap padanan kata kunci di papan kerja, memberitahu penemu duga apa yang perlu diuji, dan, sebaik sahaja seseorang diambil, menjadi titik rujukan untuk perbualan prestasi. Model baik pada bahagian penulisan dan lemah pada bahagian fakta.

Apa yang mereka lakukan dengan baik:

• Struktur dan nada. Beri model nota ringkas dan ia memulangkan iklan yang mudah dibaca dalam gaya rumah anda dalam beberapa saat.
• Bahasa mudah. Ia boleh membuang jargon, memendekkan ayat bersambung dan menulis semula senarai 40 butir yang bengkak menjadi 8 yang jelas.
• Varian. Peranan yang sama, tiga versi: satu untuk papan kerja, satu untuk halaman kerjaya, satu untuk pertukaran dalaman.
• Semakan peringkat pertama. Ia boleh menandakan perkataan yang berbunyi mengecualikan, atau keperluan yang tidak sepadan dengan kekananan.

Apa yang mereka lakukan dengan buruk:

• Fakta tentang pekerjaan anda. Model mengisi jurang dengan bahan pengisi yang munasabah. Minta huraian "Pengurus Operasi Jualan" tanpa konteks dan anda akan mendapat senarai generik tugas CRM yang mungkin tidak menerangkan pasukan anda.
• Keperluan rekaan. Model menyalin senarai yang dibesar-besarkan yang pernah dilihatnya dalam talian: sepuluh tahun pengalaman untuk peranan peringkat pertengahan, tiga alat yang anda tidak gunakan, ijazah yang anda tidak perlukan.
• Bias secara lalai. Model menghasilkan semula corak dalam teks yang dipelajarinya. Kajian GPT-3 di atas mendapati iklan yang dijana tanpa contoh (zero-shot) berat sebelah dan mudah dikenali sebagai sintetik, dan sekadar meminta bahasa mesra kepelbagaian tidak cukup untuk membetulkannya. Kajian itu menggunakan model yang lebih lama, tetapi pengajarannya kekal: uji output, jangan percayai gesaan.
• Butiran undang-undang. Model tidak boleh tahu julat gaji anda, peraturan penyiaran bidang kuasa anda atau perjanjian kolektif anda. Anda yang membekalkannya.

Dalam praktiknya, model mengarang dan menjalankan semakan pertama draf terhadap kriteria anda, manakala seorang manusia kekal dalam proses untuk membetulkan fakta dan meluluskan teks akhir.

Contoh mengikut Fungsi

Kaedah yang sama berfungsi merentasi fungsi, tetapi inputnya berbeza. Contoh ini menunjukkan apa yang patut dibawa oleh pengurus kepada model, dengan menggunakan templat huraian tugas yang sepadan sebagai titik rujukan.

Sokongan pelanggan. Bagi pakar sokongan pelanggan, input yang berguna ialah saluran yang diliputi (e-mel, sembang, telefon), jangkaan jumlah tiket, corak syif dan alat yang digunakan. Titik lemah model di sini ialah timbunan kemahiran insaniah ("bersemangat, bertenaga, bintang rock"). Gantikan dengan tingkah laku yang boleh diperhatikan: menerangkan pembaikan dalam bahasa mudah, kekal tenang dengan pelanggan yang marah, mendokumenkan setiap kes.

Operasi jualan. Bagi pengurus operasi jualan, nyatakan sistem mana yang akan dimiliki orang itu, sama ada dia membina laporan atau hanya menyelenggaranya, dan kepada siapa dia melapor. Jika dibiarkan, model akan menggabungkan peranan ini dengan pengurusan jualan dan menimbus kerja analitik. Nota anda mengekalkan kedua-duanya berasingan.

Data dan analitik. Bagi penganalisis data, senaraikan soalan yang akan dijawab oleh penganalisis dalam enam bulan pertama, sumber data dan timbunan teknologi. Model suka menyenaraikan setiap alat dalam bidang itu, yang menyempitkan kumpulan calon tanpa sebab. Tanya pengurus dua alat mana yang penting dan mana yang sekadar elok dimiliki.

Peranan eksekutif dan pentadbiran. Di sini risikonya ialah inflasi gelaran dan skop yang kabur. Beri model seminggu yang tipikal, bukan senarai kata sifat.

Apa pun fungsinya, templat memberi anda struktur, dan nota pengurus pengambilan anda memberi anda isi. Model menggabungkan kedua-duanya.

Cara Menulis Huraian Tugas dengan AI, Langkah demi Langkah

1. Mulakan dengan pengambilan maklumat ringkas, bukan gesaan. Sebelum membuka chatbot, dapatkan jawapan bertulis daripada pengurus pengambilan: tiga hasil teratas yang mesti disampaikan oleh orang itu, kerja harian yang sebenar, dua atau tiga kemahiran yang benar-benar tidak boleh dipelajari semasa bekerja, garis pelaporan, lokasi kerja dan julat gaji. Jika pengurus tidak dapat menjawabnya, pekerjaan itu belum sedia untuk disiarkan, dan tiada model yang akan membetulkannya.
2. Asingkan yang wajib daripada yang elok dimiliki. Kira bilangannya. Senarai keperluan yang panjang ialah penapis saringan yang menyamar, dan ia cenderung menghalang orang yang mampu melakukan kerja itu. Jika anda bergerak ke arah pengambilan berasaskan kemahiran, ungkapkan keperluan sebagai kemahiran dan bukti hasil dan bukannya tahun dan ijazah.
3. Beri model konteks dan struktur anda. Tampal nota pengambilan maklumat, contoh iklan lalu yang anda suka, peraturan gaya anda dan bahagian yang anda mahu (ringkasan, apa yang akan anda lakukan, apa yang anda bawa, apa yang kami tawarkan, gaji). Suruh ia menggunakan hanya fakta yang anda bekalkan dan menulis "[untuk disahkan]" jika ada yang tiada.
4. Jana dua draf dan bandingkan. Satu draf ialah tekaan, dua draf menunjukkan apa yang model isi sendiri. Apa-apa yang muncul dalam kedua-dua draf tetapi tiada dalam nota anda ialah butiran rekaan untuk disemak.
5. Jalankan semakan ketepatan. Semak draf baris demi baris berbanding nota pengambilan maklumat. Padam atau sahkan setiap tanggungjawab, alat, kelayakan dan faedah. Pengurus pengambilan meluluskan tugas, dan HR meluluskan faedah serta gaji.
6. Jalankan semakan bahasa inklusif. Gunakan semakan dalam bahagian seterusnya, pada draf dan pada gelaran jawatan.
7. Tambah maklumat gaji dan undang-undang. Masukkan julat, ringkasan faedah, notis khusus lokasi dan kenyataan peluang sama rata daripada teks yang diluluskan, bukan output model.
8. Dapatkan kelulusan manusia dan log versinya. Anggap ia langkah human-in-the-loop dengan pelulus yang dinamakan. Simpan teks akhir yang diluluskan dalam sistem penjejakan pemohon anda supaya penemu duga menyaring berdasarkan kriteria yang sama yang dilihat oleh calon.
9. Semak selepas pengambilan. Bandingkan iklan dengan apa yang orang itu sebenarnya lakukan dalam suku tahun pertamanya, kemudian baiki templat untuk kali seterusnya.

Semakan Bahasa Inklusif yang Benar-benar Berkesan

Bukti yang paling terkenal tentang ini datang daripada kajian 2011 dalam Journal of Personality and Social Psychology oleh Gaucher, Friesen dan Kay. Mereka mendapati bahasa berkod maskulin muncul lebih kerap dalam iklan untuk pekerjaan yang didominasi lelaki, dan dalam eksperimen ia menjadikan jawatan itu kurang menarik kepada wanita terutamanya kerana ia mengurangkan rasa kepunyaan mereka. Ia tidak mengubah sejauh mana wanita merasakan mereka mahir untuk jawatan itu. Pilihan perkataan menandakan siapa yang dijangka memohon oleh majikan.

Jadi semakan ini tentang isyarat. Senarai semak praktikal:

Anda boleh meminta model menandakan istilah ini, dan ia penapis pertama yang baik. Tetapi jangan jadikannya satu-satunya. Minta seseorang di luar pasukan pengambilan membaca teks akhir tanpa konteks, sebaik-baiknya seseorang yang tidak berkongsi latar belakang pengurus pengambilan, dan tanya seperti apa bunyi pekerjaan itu dan untuk siapa ia kedengaran ditujukan. Bacaan manusia itu menangkap masalah nada yang terlepas daripada senarai perkataan.

Ini lebih penting dengan AI berbanding tanpanya. Kajian GPT-3 menunjukkan arahan biasa "bersikap pelbagai" dalam gesaan tidak mengurangkan bias dengan ketara, jadi perlindungan anda ialah langkah semakan, bukan arahan. Jika anda menggunakan alat penulisan khusus dengan penyemak bias terbina dalam, anggaplah ia satu input kepada semakan itu.

Ketelusan Gaji: Apa yang Mungkin Perlu Dinyatakan oleh Iklan

Lebih banyak bidang kuasa kini menjangka maklumat gaji dalam atau sebelum iklan jawatan, dan draf AI tidak memasukkannya melainkan anda memintanya. Dua contoh menunjukkan julat peraturan.

Kesatuan Eropah. Directive (EU) 2023/970 menetapkan hak pemohon untuk menerima gaji permulaan atau julatnya, berdasarkan kriteria objektif yang neutral jantina, dan melarang majikan bertanya tentang sejarah gaji. Ia juga menghendaki notis kekosongan jawatan dan gelaran jawatan neutral jantina. Tarikh akhir untuk Negara Anggota memasukkannya ke dalam undang-undang negara ialah 7 Jun 2026, yang kini telah berlalu, jadi semak undang-undang negara di tempat anda mengambil pekerja kerana butirannya (dan sama ada maklumat dimasukkan dalam iklan atau diberikan sebelum temu duga) bergantung pada cara setiap negara menulisnya.

Colorado, Amerika Syarikat. Peraturan Equal Pay for Equal Work Act Colorado berkuat kuasa pada 1 Januari 2021. Ia menghendaki iklan bagi pekerjaan yang boleh dilakukan di Colorado menyatakan julat pampasan, yang boleh dari gaji terendah hingga tertinggi yang majikan percaya dengan suci hati mungkin dibayarnya, dengan penerangan umum tentang faedah dan gaji insentif seperti bonus dan komisen. Julat itu tidak mengikat majikan untuk membayar dalam julat tersebut, tetapi ia mestilah anggaran yang munasabah semasa disiarkan.

Negeri dan bandar AS yang lain mempunyai versi masing-masing, dengan ambang saiz majikan, keperluan perkataan dan tarikh berkuat kuasa yang berbeza. Tabiat yang selamat itu mudah: simpan jadual lokasi tempat anda mengambil pekerja, peraturan bagi setiap satu, dan teks gaji yang diluluskan, dan isi iklan daripada jadual itu. Jangan biarkan model menjana julat gaji atau penerangan faedah. Beri ia angka dan suruh ia meletakkannya.

Satu perkara terakhir tentang peranan jarak jauh. Pekerjaan yang boleh dilakukan dari beberapa tempat mungkin perlu memenuhi peraturan beberapa tempat serentak. Tanya penasihat undang-undang peraturan mana yang mengawal iklan anda.

Memastikan Huraian Selari dengan Jenama

Iklan yang selari dengan jenama berbunyi seperti syarikat anda dan bukan purata internet. Model lalai kepada purata melainkan anda menambatnya. Tiga perkara membantu:

• Helaian gaya. Nada (langsung, mesra, formal), perkataan yang anda guna dan perkataan yang anda elak, cara anda merujuk pasukan dan pelanggan.
• Perenggan jenama ringkas. Teks yang diluluskan tentang apa yang anda lakukan dan mengapa orang bekerja di situ, ditampal dan bukan dijana. Ini juga memastikan janji konsisten dengan realiti.
• Contoh piawai emas. Satu iklan terkini yang berprestasi baik dan berbunyi seperti anda. Suruh model memadankan suaranya, bukan menyalin kandungannya.

Kemudian sunting keluar bahan pengisi generik yang masih terselamat. Jika sesuatu baris boleh muncul dalam iklan mana-mana syarikat, buangnya atau jadikannya spesifik.

Perangkap yang Perlu Dielakkan

• Menyiarkan draf pertama. Kegagalan yang paling biasa. Teksnya mengalir lancar, jadi tiada siapa menyemaknya.
• Menyalin huraian pesaing ke dalam gesaan. Anda akan mewarisi keperluan mereka, dan mungkin teks mereka yang berhak cipta.
• Meminta model menetapkan julat gaji. Ia akan menghasilkan angka yang kedengaran munasabah dan tidak bermakna apa-apa. Gunakan band gaji dan data pasaran anda sendiri.
• Membiarkan keperluan meningkat. Setiap draf cenderung menambah satu kemahiran. Bandingkan dengan senarai pengambilan maklumat setiap kali.
• Menampal data sulit. Jangan masukkan strategi yang belum dilancarkan, calon dalaman yang dinamakan atau rekod pekerja ke dalam alat awam. Gunakan alat yang diluluskan oleh syarikat anda.
• Menganggap huraian tugas sebagai peraturan saringan. Jika anda juga menggunakan AI untuk menyaring pemohon berdasarkan iklan, sebarang bias dalam teks terbawa ke dalam kedudukan. Risikonya dibincangkan dalam gambaran keseluruhan AI dalam pengambilan pekerja.
• Tiada pemilik. Seseorang patut memiliki perpustakaan templat, mengemas kininya apabila peranan berubah dan menamatkan versi lama.

Apa yang Perlu Diukur

Jejak sama ada prosesnya membantu, bukan sekadar sama ada ia lebih pantas:

• Masa untuk iklan yang diluluskan, dari pengambilan maklumat hingga kelulusan.
• Suntingan bagi setiap draf, sebagai pandangan kasar tentang berapa banyak output model perlu dibetulkan.
• Campuran pemohon dan pengguguran mengikut peringkat, dibandingkan merentasi iklan, untuk melihat sama ada perubahan bahasa mengubah siapa yang memohon.
• Kepuasan pengurus pengambilan dan sama ada temu duga menguji perkara yang sama seperti yang diterangkan iklan.

Jalankan ini sepanjang suku tahun sebelum anda mendakwa sesuatu hasil. Satu iklan hanyalah anekdot.