Dr. Zukra Budi Utama
Faculty Member, BINUS University
RELASIPUBLIK – Kecerdasan buatan semakin mengubah cara organisasi mencari dan merekrut talenta. AI dapat mengolah banyak profil kandidat, membaca riwayat pengalaman, menemukan pola, dan membantu mencocokkan kandidat dengan kebutuhan pekerjaan. Proses recruitment pun dapat menjadi lebih cepat dan efisien.
Namun, ketika AI semakin banyak digunakan untuk membantu mengambil keputusan tentang manusia, muncul pertanyaan yang lebih mendasar:
Apakah kita memahami mengapa AI merekomendasikan seorang kandidat dibandingkan kandidat lainnya?
Persoalannya bukan apakah AI dapat menemukan kandidat. Kemampuan tersebut terus berkembang. Persoalan yang lebih penting adalah apakah keputusan recruitment dapat didukung oleh evidence yang jelas, reasoning yang dapat dipahami, dan penjelasan yang dapat dipertanggungjawabkan.
Di sinilah recruitment perlu bergerak dari sekadar AI matching menuju keputusan berbasis evidence.
Dari Matching ke Reasoning
Pendekatan matching biasanya membandingkan profil kandidat dengan persyaratan pekerjaan, kemudian menghasilkan skor atau peringkat. Cara ini tentu bermanfaat. Namun, sebuah skor belum tentu menjelaskan bagaimana sebuah rekomendasi terbentuk.
Keputusan tentang manusia jauh lebih kompleks.
Seorang kandidat membawa pengalaman masa lalu, kemampuan, karakteristik perilaku, dan harapan terhadap pekerjaan. Di sisi lain, organisasi juga memiliki kebutuhan, lingkungan kerja, serta ekspektasinya sendiri.
Karena itu, recruitment seharusnya tidak hanya bertanya:
“Apakah kandidat ini sesuai dengan pekerjaan?”
Tetapi juga:
“Evidence apa yang mendukung kesimpulan tersebut?”
Dan:
“Apakah pekerjaan ini juga sesuai dengan kandidat?”
Perspektif inilah yang menjadi dasar gagasan Evidence-Driven Bidirectional Talent Reasoning Framework (EBTRF).
EBTRF dirancang untuk membawa berbagai evidence—antara lain evidence historis, perilaku, dan ekspektasi—ke dalam suatu proses reasoning. Evidence tidak langsung diubah menjadi rekomendasi, tetapi diintegrasikan untuk membangun hipotesis, divalidasi, dan kemudian digunakan untuk menghasilkan rekomendasi yang dapat dijelaskan.
Secara sederhana:
Evidence → Reasoning → Validation → Recommendation.
Tujuannya bukan membuat AI menjadi kurang kuat. Sebaliknya, AI diharapkan dapat memberikan dukungan yang lebih bermakna bagi manusia dalam memahami suatu keputusan.
Di Mana LSS Berperan?
Gagasan tersebut terhubung dengan Logic Simulation System (LSS), sebuah pendekatan yang saya kembangkan untuk mendorong proses berpikir melalui pemahaman masalah, penyusunan logika, pengujian kemungkinan, pengamatan hasil, pembelajaran, dan perbaikan.
Dalam konteks BiTalent, ketiganya memiliki peran yang berbeda tetapi saling melengkapi:
LSS memberikan cara berpikir.
EBTRF memberikan kerangka penerapan dalam recruitment.
BiTalent menjadi prototype untuk mengimplementasikan dan menguji gagasan tersebut.
Dengan demikian, BiTalent tidak semata-mata diposisikan sebagai aplikasi recruitment berbasis AI. Yang menjadi perhatian adalah bagaimana mekanisme reasoning berbasis evidence dapat diterapkan dan divalidasi dalam proses pengambilan keputusan tentang talenta.
Recruitment yang Berjalan Dua Arah
Kata “bidirectional” dalam EBTRF memiliki makna penting.
Recruitment selama ini sering dilihat dari satu arah: organisasi mencari orang yang tepat untuk suatu pekerjaan.
Padahal kandidat juga sedang membuat keputusan.
Apakah pekerjaan tersebut sesuai dengan pengalaman dan kemampuannya?
Apakah lingkungan organisasi sesuai dengan karakteristiknya?
Apakah harapannya terhadap pekerjaan dapat dipenuhi?
Karena itu, recruitment seharusnya tidak hanya mencari “the right person for the right job”, tetapi juga mempertimbangkan mutual fit antara kandidat dan organisasi.
Dengan cara pandang tersebut, recruitment tidak lagi semata-mata tentang memilih siapa yang memperoleh pekerjaan. Ia juga tentang membangun kemungkinan hubungan kerja yang lebih sesuai bagi kedua pihak.
Bukan Sekadar Membuat Aplikasi
Gagasan ini tidak cukup berhenti pada sebuah framework.
BiTalent dikembangkan sebagai research prototype untuk mengimplementasikan EBTRF. Prototype tersebut tidak langsung dianggap berhasil hanya karena dapat berjalan.
Pada tahun pertama, implementasi EBTRF akan dievaluasi secara berkala setiap bulan. Setiap evaluasi menjadi kesempatan untuk menguji konsistensi reasoning, kualitas evidence, keterjelasan rekomendasi, serta menemukan bagian yang masih perlu diperbaiki.
Dengan demikian, validasi tidak hanya dilakukan pada akhir penelitian. Pengembangan berlangsung secara
iteratif:
Develop → Test → Evaluate → Learn → Improve.
Pendekatan ini penting karena penelitian bukan hanya bertanya:
“Apakah sistemnya bisa berjalan?”
Tetapi juga:
“Apakah mekanisme reasoning yang digunakan dapat memberikan hasil yang konsisten, dapat dijelaskan, dan semakin baik berdasarkan evidence yang diperoleh?”
Menuju AI yang Membantu Manusia Berpikir
AI akan terus berkembang. Kemampuannya mengolah data dan menemukan pola kemungkinan akan semakin besar.
Namun, semakin besar kemampuan AI, semakin penting manusia memahami bagaimana sebuah rekomendasi dihasilkan.
Masa depan recruitment mungkin bukan tentang memilih antara manusia atau AI. Yang lebih penting adalah membangun hubungan yang lebih baik antara keduanya:
AI membantu mengolah evidence.
Reasoning menghubungkan evidence.
Manusia memahami, menilai, dan bertanggung jawab atas keputusan.
Inilah pergeseran yang ingin didorong: dari AI matching menuju keputusan talenta berbasis evidence.
Dengan fondasi yang jelas dan terstruktur, BiTalent diharapkan tidak berhenti sebagai sebuah prototype, tetapi dapat berkembang secara bertahap sesuai kebutuhan, tanpa harus membangun kembali sistem dari awal.
Pada akhirnya, nilai BiTalent bukan hanya pada teknologi yang digunakan hari ini, tetapi pada fondasi yang memungkinkan sistem terus belajar, berkembang, dan memberi manfaat di masa depan.
