Babak Baru Digitalisasi HR: Mengambil Keputusan Lebih Baik dengan AI

Jakarta, CNBC Indonesia - Peran teknologi Human Capital Management (HCM) mulai mengalami perubahan seiring semakin banyak organisasi di Indonesia melakukan digitalisasi sumber daya manusia. Tahap awal transformasi tersebut sebagian besar berfokus pada penggantian proses berbasis kertas, spreadsheet, dan sistem yang terpisah dengan platform yang dapat mengelola data karyawan, kehadiran, payroll, rekrutmen, hingga manajemen kinerja secara lebih konsisten.

Dengan semakin matangnya fondasi digital tersebut, para pemimpin HR kini menghadapi pertanyaan baru: apa tahap berikutnya?

Artificial intelligence (AI) menawarkan peluang untuk membawa transformasi tersebut ke tingkat yang lebih tinggi. Namun, menambahkan AI ke dalam platform HCM tidak secara otomatis membuat pengelolaan HR menjadi lebih maju.

Chatbot dapat mempermudah pengguna menemukan informasi. Otomatisasi juga dapat mempercepat proses yang sebelumnya dilakukan secara manual. Tetapi, keduanya belum tentu meningkatkan kualitas keputusan yang diambil.

Peluang yang lebih besar justru terletak pada kemampuan menggabungkan AI dengan data tenaga kerja dan konteks bisnis yang sudah tersimpan dalam sistem HCM. Dengan begitu, organisasi dapat bergerak dari sekadar mencatat apa yang telah terjadi, menuju pemahaman mengapa hal tersebut terjadi, memperkirakan apa yang mungkin terjadi selanjutnya, serta menentukan bagaimana organisasi perlu merespons.

Dalam Indonesia Human Capital and Beyond Summit (IHCBS) 2026, Founder dan CEO DataOn, Gordon Enns, menyampaikan bahwa perubahan tersebut menjadi tahap berikutnya dalam perkembangan teknologi HCM. Melalui SunFish HR, DataOn (PT Indodev Niaga Internet) mengembangkan kapabilitas AI yang diarahkan untuk mendukung pengelolaan tenaga kerja dan pengambilan keputusan HR.

Menurut Gordon, tujuannya bukan sekadar menempatkan AI sebagai lapisan tambahan di atas proses HR yang sudah ada. AI perlu terhubung dengan data yang dapat diandalkan, model analitik yang tepat, hak akses yang jelas, serta pertimbangan manusia agar dapat mendukung keputusan yang bisa dipahami, diperiksa, dan ditindaklanjuti secara bertanggung jawab.

Dari System of Record Menuju System of Decision

Digital HCM memberikan sesuatu yang sangat dibutuhkan AI: histori tenaga kerja yang terstruktur.

Pergerakan karyawan memiliki rekam waktu yang jelas. Payroll dan kehadiran tersimpan hingga tingkat transaksi. Posisi mengikuti struktur organisasi yang telah ditentukan, sementara data kinerja, rekrutmen, dan pembelajaran dapat dihubungkan dengan identitas karyawan yang sama.

Ketika fondasi tersebut konsisten, sistem dapat mulai menganalisis hubungan dan perubahan dari waktu ke waktu, bukan hanya mengambil data yang berdiri sendiri.

Namun, banyak organisasi belum mencapai tahap tersebut. Menurut HR.com's State of People Analytics 2025-26, hanya 26% organisasi yang sering atau selalu menggabungkan data HR dengan data non-HR, sementara 41% jarang atau bahkan tidak pernah melakukannya.

Bahkan di dalam fungsi HR sendiri, informasi yang diperlukan untuk mendukung satu keputusan dapat tersebar di berbagai proses, mulai dari payroll, kehadiran, kinerja, rekrutmen, hingga engagement.

Fragmentasi tersebut membatasi kesimpulan yang dapat dihasilkan AI secara andal.

Sebagai contoh, model yang menilai risiko resign mungkin perlu mempertimbangkan masa kerja, pola lembur, pergantian atasan, aplikasi internal, hingga waktu sejak perubahan gaji atau posisi terakhir seorang karyawan.

Jika seluruh histori tersebut tidak dapat dihubungkan, organisasi akan memperoleh jawaban yang tidak lengkap, seberapa pun canggih model yang digunakan.

"Kita membutuhkan data dan teknologi untuk mencapai hasil, dan urutannya harus seperti itu. Prediksi yang dibangun di atas reporting yang tidak dapat diandalkan hanya akan menghasilkan kesimpulan yang terlihat meyakinkan, tetapi sebenarnya tidak memiliki dasar yang kuat," ungkap Gordon dikutip Jumat (18/9/2026).

Lima Tingkat Decision Support

Salah satu cara untuk melihat kapabilitas AI adalah dengan membaginya ke dalam lima tingkat dukungan terhadap pengambilan keputusan.

Tingkat pertama adalah reporting, yaitu memastikan organisasi memiliki informasi yang akurat dan telah disepakati mengenai apa yang telah terjadi. Tingkat kedua adalah diagnostic, ketika sistem membantu menjelaskan mengapa suatu hasil berubah dengan mengidentifikasi faktor, perbedaan, atau anomali yang relevan.

Pada tingkat ketiga, yaitu predictive, sistem mulai memperkirakan apa yang kemungkinan akan terjadi. Misalnya, memberikan kategori risiko resign, memproyeksikan jumlah tertentu di masa depan, atau menandai transaksi yang tidak sesuai dengan pola yang diharapkan.

Tingkat keempat adalah prescriptive, ketika sistem melangkah lebih jauh dengan memberikan rekomendasi mengenai tindakan yang dapat dipertimbangkan sekaligus menjelaskan batasan yang mendasarinya.

Pada tingkat tertinggi, yaitu agentic, AI dapat mengambil informasi atau menjalankan tindakan tertentu yang telah diizinkan di berbagai sistem, dengan tetap mengikuti proses persetujuan dan audit trail. Kelima tingkatan tersebut saling membangun satu sama lain.

Organisasi tidak dapat menghasilkan prediksi yang dapat diandalkan apabila masih terdapat perbedaan mengenai angka dasar tenaga kerja. Demikian pula, perusahaan tidak seharusnya mengizinkan AI agent menjalankan tindakan ketika hak akses dan tanggung jawab persetujuan masih belum jelas.

Setiap tahap baru bergantung pada definisi data, tata kelola, dan kontrol yang telah dibangun pada tahap sebelumnya. Kerangka tersebut juga membantu memperjelas peran generative AI.

Language model dapat memahami pertanyaan dan menjelaskan jawaban menggunakan bahasa yang mudah dipahami, tetapi metode analitik lain mungkin menghasilkan temuan yang menjadi dasar dari jawaban tersebut.

Classification dapat menempatkan seorang karyawan ke dalam kategori risiko. Forecasting dapat memproyeksikan biaya atau beban kerja di masa depan. Anomaly detection dapat mengidentifikasi transaksi payroll yang membutuhkan perhatian. Generative AI kemudian dapat membantu pengguna memahami dan menelusuri temuan-temuan tersebut.

Ketika Insight Hadir Sebelum Keputusan Dibuat

Nilai AI menjadi lebih jelas ketika analisis masuk ke dalam workflow pada saat sebuah keputusan masih dapat diubah. Dalam payroll, misalnya, anomaly detection dapat mengidentifikasi net pay negatif, potongan yang tidak biasa, atau pembayaran gaji yang masih berjalan untuk seseorang yang sudah tercatat keluar sebelum siklus payroll ditutup.

Sistem kemudian dapat menjelaskan apa yang berubah dan mengarahkan tim payroll pada data yang perlu diperiksa.

Predictive resignation analysis mengubah jenis keputusan yang berbeda. Alih-alih hanya meninjau turnover setelah karyawan keluar, HR dapat melihat area di mana risiko mulai meningkat sekaligus memahami faktor-faktor yang mungkin berkontribusi terhadap kondisi tersebut.

Pola yang terkonsentrasi pada satu tim, misalnya, dapat mengarah pada isu beban kerja, manajemen, atau kompensasi. Tujuannya adalah mengarahkan perhatian dan mendukung percakapan yang lebih tepat, bukan memberi label kepada seorang karyawan atau menentukan hasil sejak awal.

Rekrutmen memberikan contoh lainnya. AI dapat mengubah resume kandidat menjadi informasi terstruktur dan membandingkannya dengan kebutuhan suatu posisi.

Recruiter kemudian dapat melihat kandidat mana yang perlu ditinjau lebih dahulu sekaligus memahami alasan mengapa seorang kandidat dianggap relevan. Keputusan mengenai siapa yang akan melanjutkan proses tetap berada di tangan recruiter, tetapi waktu yang dihabiskan untuk memasukkan ulang informasi atau menyaring aplikasi yang tidak sesuai dapat dikurangi.

Perbedaan utamanya terletak pada kapan informasi tersebut tersedia. Sistem menghadirkan informasi yang relevan ketika payroll masih terbuka, tindakan retensi masih dapat dilakukan, atau shortlist kandidat masih dalam proses penyusunan.

Dengan demikian, manajer memiliki kesempatan untuk mempengaruhi hasil, bukan sekadar menerima laporan setelah semuanya terjadi. Di seluruh contoh tersebut, terdapat satu prinsip yang konsisten: hasil analisis harus tetap berlandaskan pada fakta perusahaan.

Rekomendasi dapat dikaitkan kembali dengan data karyawan terkini, pola historis, atau pun dokumen kebijakan yang telah disetujui. Manajer tidak hanya menerima kesimpulan, tetapi juga dasar informasi yang diperlukan untuk memeriksa, mempertanyakan, dan menentukan apakah sebuah tindakan perlu dilakukan.

Prinsip yang sama juga diterapkan DataOn dalam pengembangan kapabilitas AI di SunFish HR. Antara lain melalui payroll diagnostics, predictive resignation, recruitment support, conversational access, serta controlled access untuk external AI assistants.

Masing-masing kapabilitas mendukung jenis keputusan yang berbeda, tetapi mengikuti prinsip yang sama. Sistem harus dapat menunjukkan dari mana suatu jawaban berasal, menghormati kewenangan pengguna, serta memastikan tindakan yang memiliki konsekuensi tetap berada di bawah kendali manusia.

Governance Menentukan Nilai AI

Penggunaan AI dalam HCM membawa tanggung jawab yang berbeda dibandingkan otomatisasi proses biasa. Indonesia telah memiliki pedoman melalui Surat Edaran Menteri Komunikasi dan Informatika Republik Indonesia Nomor 9 Tahun 2023 tentang Etika Kecerdasan Artifisial, yang ditetapkan pada 19 Desember 2023.

Pedoman tersebut menetapkan sejumlah nilai dalam penyelenggaraan AI, termasuk inklusivitas, kemanusiaan, keamanan, transparansi, kredibilitas dan akuntabilitas, serta pelindungan data pribadi.

Relevansinya menjadi semakin besar dalam pengelolaan tenaga kerja. Surat edaran tersebut secara eksplisit menekankan bahwa penyelenggaraan AI harus menjadi pendukung aktivitas manusia dan tidak digunakan sebagai penentu kebijakan atau pengambil keputusan yang menyangkut kemanusiaan.

Dalam praktik HR, prinsip tersebut berarti bahwa permission sebelum akses, transparansi mengenai data yang digunakan, human approval untuk tindakan yang berdampak pada individu, serta audit trail bukan sekadar fitur tambahan. Semuanya menjadi bagian penting dari penggunaan AI yang dapat dipertanggungjawabkan.

Apa yang Perlu Ditanyakan HR Leaders Selanjutnya?

Ketika mengevaluasi AI, para pemimpin HR perlu melihat lebih jauh dari sekadar jumlah fitur yang diperlihatkan dalam sebuah demo. Mereka perlu memahami apakah sebuah prediksi menggunakan histori organisasi sendiri atau model generik, apakah faktor di balik sebuah skor dapat dilihat, di mana data karyawan diproses, serta apakah data tersebut digunakan untuk melatih model yang digunakan bersama.

Pertanyaan lain yang tidak kalah penting adalah apa yang dapat dilakukan AI di dalam sistem, tindakan apa yang membutuhkan persetujuan manusia, serta bagaimana setiap akses maupun tindakan dicatat. Pertanyaan-pertanyaan tersebut dapat membantu organisasi membedakan AI yang sekadar menawarkan kemudahan dengan decision support yang benar-benar dapat dipertanggungjawabkan.

Pada akhirnya, inilah yang menjadi inti dari tahap berikutnya digitalisasi HR. Bukan tentang berapa banyak fitur AI yang tersedia dalam sebuah platform HCM, tetapi apakah kapabilitas tersebut benar-benar membantu organisasi memahami apa yang sedang berubah, memperkirakan apa yang mungkin terjadi berikutnya, dan mengambil keputusan yang lebih baik.

Semua itu tetap perlu dilakukan dengan memastikan hasil dapat dijelaskan, setiap tindakan memiliki otorisasi yang jelas, dan manusia tetap memegang tanggung jawab atas keputusan yang diambil.

Tujuannya bukan menggantikan pertimbangan manusia dengan otomatisasi. Tujuannya adalah memberikan bukti dan informasi yang lebih baik untuk mendukung pertimbangan tersebut, pada saat sebuah keputusan masih dapat diubah.

Teknologi HCM pada awalnya membantu organisasi menciptakan proses dan data yang lebih dapat diandalkan. Kontribusi berikutnya adalah membuat data tersebut berguna tepat pada saat manajemen harus menentukan apa yang perlu dilakukan.

(rah/rah) [Gambas:Video CNBC]