AI Screening Lamaran Kerja: Cara Nyaring Ratusan Pelamar Tanpa Ngebuang Kandidat Bagus

Ketakutan paling sering yang gw denger dari HR soal AI screening lamaran kerja: "Nanti AI-nya motong kandidat yang justru paling cocok."

Wajar. Tapi gw mau lempar pertanyaan yang lebih gak nyaman dulu.

Sekarang, tanpa AI, lo yakin kandidat terbaik lo lolos?

Kandidat bagus udah kepotong jauh sebelum AI masuk

Gw pernah di posisi ngerekrut buat tim produk, dan gw pernah salah hire. Bukan sekali.

Waktu gw bedah ulang kenapa bisa salah, penyebabnya bukan kurang canggih. Penyebabnya karena penyaringannya gak konsisten.

Lamaran yang masuk paling awal dibaca dengan tenang. Lamaran yang masuk pas tumpukannya udah tinggi dibaca sambil rapat. CV yang formatnya rapi keliatan lebih meyakinkan daripada CV yang isinya lebih kuat tapi layoutnya berantakan. Nama kampus dan nama perusahaan besar dapet nilai gratis yang gak pernah tertulis di kriteria mana pun.

Itu semua terjadi di kepala manusia, bukan di kode.

Jadi kalau lo takut AI bias, ingat: penyaringan manual dalam kondisi kebanjiran itu juga bias. Bedanya, bias manusia gak ninggalin log. Lo gak bisa audit kenapa satu CV kelewat.

Dan kebanjiran itu nyata. Di Hijra, salah satu kerjaan gw dan tim adalah naikin volume lamaran di platform: total lamaran naik 571% dalam 3 bulan, lamaran per lowongan naik 234%, dan yang masuk shortlist per lowongan naik 522%. Gw kenal problemnya dari dua sisi. Numpuknya pelamar itu bukan bencana, itu hasil kerja marketing yang berhasil. Yang jadi bencana kalau proses penyaringannya gak naik kelas bareng volumenya.

Bikin kriteria dulu, perlakuin kayak spesifikasi produk

Ini kesalahan paling mahal yang gw liat: orang buka ChatGPT, paste semua CV sekaligus, terus nanya "siapa kandidat terbaik?"

Itu bukan screening. Itu nyerahin keputusan hiring ke selera model.

Cara kerja yang bener kebalikannya. Sebelum AI nyentuh satu CV pun, lo tulis dulu kriterianya kayak nulis spesifikasi produk. Konkret, bisa dicek, bisa diperdebatkan sama tim lo.

Praktiknya gini:

Pisahin wajib dan bagus-kalau-ada. Wajib itu yang kalau gak ada, orangnya gak bisa kerja di minggu pertama. Biasanya cuma beberapa item aja. Sisanya masuk kolom nilai tambah. Kalau daftar "wajib" lo isinya sepanjang halaman, lo bukan bikin kriteria, lo bikin daftar khayalan.

Tulis bukti apa yang lo terima. Bukan "punya pengalaman analytics", tapi "pernah ambil keputusan berdasarkan data, dan bisa nyebut metrik yang dia pantau". Kriteria yang gak nyebut bentuk buktinya bakal ditebak sendiri sama AI, dan tebakannya bakal ngikutin pola yang paling umum di data latihnya. Di situ bias masuk.

Tulis eksplisit apa yang GAK boleh jadi penilaian. Nama kampus, nama perusahaan, umur, gender, gap karir, kerapian format CV. Sebutin satu-satu di instruksi lo. Ini justru keunggulan AI yang jarang dipakai orang: lo bisa nyuruh sistem buat ngabaikan sinyal tertentu. Ke otak lo sendiri lo gak bisa ngasih perintah itu.

Kalau lo gak bisa nulis kriteria ini dalam satu halaman, masalah lo bukan penyaringan. Masalah lo lowongannya belum jelas mau nyari siapa.

AI itu lapis pertama, dan lapis pertama gak boleh mutusin

Ini bagian yang bikin lo aman dari ngebuang kandidat bagus.

Kasih AI satu tugas doang: baca tiap lamaran, cocokin ke kriteria, dan buat ringkasan yang bisa dibuktikan. Untuk tiap kandidat, sistem lo harus keluarin tiga hal: kriteria mana yang kelihatan terpenuhi, kutipan dari lamarannya sebagai bukti, dan apa yang belum jelas.

Perhatiin yang gak ada di situ: skor tunggal, ranking, dan kata "reject".

Tumpukannya lo bagi tiga, bukan dua. Kandidat yang jelas cocok, kandidat yang jelas gak nyambung, dan tumpukan ketiga yang paling penting: ragu. Semua yang buktinya tipis, formatnya aneh, jalur karirnya gak standar, atau yang AI-nya kedengeran gak yakin, semuanya masuk sini.

Tumpukan ragu itu wajib dibaca manusia. Selalu. Dan biasanya justru di situ kandidat non-linear yang paling menarik ngumpul, orang pindah karir, orang otodidak, orang yang kerjanya bagus tapi nulis CV-nya jelek.

Sistem yang bilang "gak yakin" itu jauh lebih berharga daripada sistem yang selalu pede.

Satu pagar terakhir yang gw pegang keras: keputusan nolak orang gak boleh diambil sama sistem yang gak diaudit. Ambil sampel acak dari tumpukan "jelas gak nyambung" tiap batch, baca manual, dan liat berapa yang lo gak setuju. Kalau lo nemu satu saja kandidat bagus di situ, kriteria lo yang salah, bukan orangnya. Perbaiki spesifikasinya, jalanin ulang.

Otomasi tanpa pengawasan itu bukan penghematan, itu biaya yang lagi ngantre. Di hiring, biaya itu bentuknya orang yang seharusnya jadi rekrutan terbaik lo tahun ini.

Yang bener-bener berubah bukan prinsipnya, tapi alatnya

Bikin perusahaan hemat itu kebiasaan lama gw, jauh sebelum AI ngetren. Total di atas $4 juta per tahun, dan itu datang dari macem-macem inisiatif: perbaikan proses, optimasi biaya, keputusan produk yang lebih efisien. Automation cuma salah satunya.

Bedanya, dulu leverage kayak gitu butuh posisi, tim engineer, dan sistem mahal. Satu ide penyaringan sederhana pun harus ngantre di backlog.

Sekarang alatnya beda. Gw bukan engineer, tapi sistem distribusi konten 8 kanal buat brand gw sendiri, gw bangun dan jalanin sendirian. Prinsipnya persis sama kayak zaman gw mangkas biaya di Flip dan Tokopedia. Yang berubah cuma satu: sekarang kemampuan ini bisa dilatih ke semua orang di tim lo, termasuk tim HR lo.

Jadi penyaringan lamaran pakai AI itu bukan soal ganti manusia sama robot. Itu soal ngerapiin kriteria yang selama ini cuma hidup di kepala, terus ngasih tim lo alat buat konsisten di lamaran terakhir kayak di lamaran pertama.

Kalau lo mau belajar bikin sistem kayak gini buat kerjaan lo sendiri, itu yang kita bahas dan praktekin bareng di AI Circle.

Kalau lo di posisi ngebenerin proses hiring buat satu tim atau satu perusahaan, dan pengen tim lo yang bisa jalanin sendiri, jalur itu ada di halaman corporate.