Dua Cara Melihat AI di HR
Ketika AI masuk ke percakapan HR, hampir semua pembahasan jatuh ke satu arah: bagaimana memotong biaya dengan mengganti pekerjaan manusia.
Chatbot untuk menggantikan HR helpdesk. Auto-screening CV untuk menggantikan recruiter. Performance analytics untuk menggantikan percakapan 1-on-1. Arah ini logis di kepala CFO, tapi hampir selalu gagal di lapangan.
Automasi: Apa yang Jalan dan Apa yang Tidak
Automasi bekerja baik untuk pekerjaan yang repetitif, rules-based, dan tidak memerlukan judgment. Payroll calculation, leave approval sederhana, onboarding checklist. Di sini AI memang bisa menggantikan tenaga manusia tanpa kehilangan kualitas.
Tapi HR penuh dengan keputusan yang bukan seperti itu. Menilai potensi orang, memahami dinamika tim, merancang struktur organisasi, menyelesaikan konflik. Ini bukan pekerjaan rules-based, dan AI yang mencoba menggantikannya hampir selalu menghasilkan keputusan yang dangkal.
Augmentasi: Pendekatan yang Jarang Dipilih
Augmentasi bekerja dengan premis berbeda: AI tidak menggantikan manusia, tapi memperluas kapasitas mereka. Recruiter tidak digantikan, tapi dibantu dengan tool yang bisa memetakan profil kandidat terhadap konteks tim dalam hitungan detik. Manager tidak digantikan, tapi dibantu dengan insight tentang dinamika timnya yang sebelumnya tidak terlihat.
Dalam augmentasi, yang di-automate adalah bagian repetitif dari pekerjaan kognitif, sehingga manusia bisa fokus pada bagian yang butuh judgment. Recruiter tidak perlu scanning 200 CV per hari, tapi bisa menghabiskan waktu kualitas untuk interview mendalam dengan 20 kandidat finalist. HR bisnis partner tidak perlu menyusun laporan manual, tapi bisa memakai waktu itu untuk percakapan strategis dengan lini bisnis.
Pendekatan ini tidak terlalu seksi di kepala CFO karena tidak langsung memotong headcount. Tapi dampaknya ke kualitas keputusan HC jauh lebih besar.
Contoh Konkret di Lapangan
Contoh yang saya pernah lihat di lapangan, di berbagai skala bisnis:
Satu, talent review meeting yang dibantu AI. Sebelum rapat, AI men-surfacing data karyawan yang mungkin risk of attrition, yang sedang berkinerja meningkat drastis, dan yang skill-nya tidak lagi match dengan role. Manusia tetap membuat keputusan, tapi dengan informasi yang jauh lebih kaya.
Dua, onboarding companion. Karyawan baru punya chatbot personal yang bisa menjawab ratusan pertanyaan basic tentang kebijakan, benefit, dan prosedur. HR tidak diganti, tapi tidak perlu menjawab pertanyaan yang sama 50 kali per hari. Fokusnya bergeser ke onboarding yang bermakna: kenalan tim, kultur, ekspektasi peran.
Tiga, skill gap analysis otomatis. AI membandingkan skill yang dibutuhkan untuk strategic projects dengan skill yang dimiliki tim, lalu memberikan rekomendasi upskilling yang presisi. Leader HR tidak perlu menyusun ini manual setiap kuartal.
Risiko Etis dan Bias
Tapi AI di HR datang dengan risiko yang nyata dan tidak boleh diabaikan.
Bias di data training. Kalau AI kamu dilatih dengan data historis perusahaan yang kebanyakan promosi ke posisi senior adalah laki-laki, AI akan mereproduksi bias itu dalam rekomendasi succession. Tanpa audit aktif, sistem akan makin bias seiring waktu.
Opacity keputusan. Saat AI memberikan rekomendasi, siapa yang bisa menjelaskan kenapa? "Karena algoritma bilang begitu" bukan jawaban yang bisa diterima saat kandidat menantang keputusan rekrutmen. Di Indonesia, ini juga jadi risiko hukum yang belum banyak dibahas.
Hilangnya nuance. Keputusan HR yang baik sering tidak black-and-white. Ada konteks keluarga, ada momen hidup, ada motivasi personal yang tidak muncul di data. AI yang terlalu dipercaya akan mereduksi orang menjadi angka, dan itu berbahaya.
Apa yang Harus Dipikirkan Sebelum Implementasi
Sebelum menambahkan AI ke tumpukan teknologi HR kamu, jawab empat pertanyaan ini secara jujur:
Apakah masalah yang mau saya selesaikan benar-benar masalah? Jangan mencari solusi untuk masalah yang tidak terbukti mendesak. AI untuk engagement survey ketika engagement survey-nya saja tidak pernah dibaca manajemen adalah pemborosan.
Apakah data saya siap? AI butuh data yang bersih, konsisten, dan cukup volumenya. Kalau HR data kamu masih di Excel dengan kolom yang berantakan, fokus ke data quality dulu, baru ke AI.
Siapa yang memvalidasi output? Setiap sistem AI butuh human in the loop. Siapa yang akan review rekomendasi sebelum dipakai? Siapa yang bertanggung jawab saat rekomendasinya salah?
Bagaimana kamu tahu bahwa ini bekerja? Tetapkan metrik sukses sebelum implementasi. "Menggunakan AI" bukan metrik. "Kualitas hire meningkat 15 persen" adalah metrik.
Penutup
AI akan terus masuk ke HR, entah dengan atau tanpa kita siap. Pertanyaannya bukan apakah adopsi akan terjadi, tapi apakah kita adopsi dengan pendekatan yang menghasilkan dampak atau cuma ikut tren.
Perusahaan yang menggunakan AI untuk augmentasi akan menghasilkan keputusan HC yang lebih baik. Yang menggunakan untuk automasi akan memotong biaya jangka pendek sambil kehilangan kualitas jangka panjang. Pilihan ini, ironisnya, bukan dibuat oleh AI. Ia dibuat oleh manusia yang memutuskan bagaimana AI ditempatkan dalam sistem keputusan organisasi.
Two Ways of Seeing AI in HR
When AI enters HR conversations, almost every discussion goes in one direction: how to cut costs by replacing human work.
Chatbots to replace the HR helpdesk. Auto-screening CVs to replace recruiters. Performance analytics to replace 1-on-1 conversations. This direction is logical in a CFO's head, but it almost always fails on the ground.
Automation: What Works and What Does Not
Automation works well for repetitive, rules-based work that requires no judgment. Payroll calculation, simple leave approvals, onboarding checklists. Here, AI really can replace human labor without losing quality.
But HR is full of decisions that are not like that. Assessing potential, understanding team dynamics, designing organizational structures, resolving conflicts. These are not rules-based tasks, and AI that tries to replace them almost always produces shallow decisions.
Augmentation: The Rarely Chosen Approach
Augmentation works on a different premise: AI does not replace humans, but expands their capacity. Recruiters are not replaced, but aided by tools that can map candidate profiles against team context in seconds. Managers are not replaced, but aided with insights about team dynamics that were previously invisible.
In augmentation, what gets automated is the repetitive part of cognitive work, so humans can focus on what requires judgment. Recruiters do not need to scan 200 CVs a day, but can spend quality time on deep interviews with 20 finalist candidates. HR business partners do not need to compile manual reports, but can use that time for strategic conversations with business lines.
This approach is less sexy in a CFO's head because it does not directly cut headcount. But its impact on the quality of HC decisions is far greater.
Concrete Examples on the Ground
Examples I have seen on the ground, across various business scales:
One, AI-assisted talent review meetings. Before the meeting, AI surfaces employees who may be at risk of attrition, those whose performance is rising sharply, and those whose skills no longer match their role. Humans still make decisions, but with far richer information.
Two, onboarding companion. New employees have a personal chatbot that can answer hundreds of basic questions about policies, benefits, and procedures. HR is not replaced, but does not need to answer the same question 50 times a day. The focus shifts to meaningful onboarding: team introductions, culture, role expectations.
Three, automated skill gap analysis. AI compares skills needed for strategic projects against skills the team possesses, then provides precise upskilling recommendations. HR leaders do not need to compile this manually every quarter.
Ethical Risks and Bias
But AI in HR comes with real risks that cannot be ignored.
Bias in training data. If your AI is trained on historical company data where most senior promotions went to men, the AI will reproduce that bias in succession recommendations. Without active auditing, the system becomes more biased over time.
Opacity of decisions. When AI provides a recommendation, who can explain why? "Because the algorithm said so" is not an acceptable answer when a candidate challenges a recruitment decision. In Indonesia, this is also a legal risk not yet widely discussed.
Loss of nuance. Good HR decisions are often not black-and-white. There is family context, life moments, personal motivation that do not show up in data. AI trusted too much will reduce people to numbers, and that is dangerous.
What to Think About Before Implementation
Before adding AI to your HR tech stack, honestly answer these four questions:
Is the problem I want to solve truly a problem? Do not search for solutions to problems that are not proven urgent. AI for engagement surveys when the engagement survey itself is never read by management is waste.
Is my data ready? AI needs data that is clean, consistent, and sufficient in volume. If your HR data is still in Excel with messy columns, focus on data quality first, then AI.
Who validates the output? Every AI system needs a human in the loop. Who will review recommendations before they are used? Who is accountable when the recommendations are wrong?
How do you know this works? Define success metrics before implementation. "Using AI" is not a metric. "Hire quality increased 15 percent" is a metric.
Closing
AI will continue entering HR, with or without us being ready. The question is not whether adoption will happen, but whether we adopt with an approach that produces impact or merely follows trends.
Companies that use AI for augmentation will produce better HC decisions. Those using it for automation will cut short-term costs while losing long-term quality. This choice, ironically, is not made by AI. It is made by humans deciding how AI is positioned within the organization's decision system.