Karyawan AI untuk Screening CV: Bantu Rekrutmen Tanpa Menentukan Nasib Kandidat

Ditulis oleh Nugraha Labib Mujaddid, pembuat AgentBuff.

Karyawan AI dapat membantu membaca puluhan CV tanpa mengubah rekrutmen menjadi mesin penolakan otomatis. Pembagian kerja yang aman adalah: AI menata bukti kualifikasi, menunjukkan informasi yang belum ada, dan menyiapkan antrean review; manusia menetapkan kriteria, memeriksa konteks, mewawancarai, dan mengambil keputusan.

Karyawan AI untuk screening CV adalah agen kerja yang mengekstrak pengalaman, keterampilan, pendidikan, dan bukti pencapaian berdasarkan scorecard jabatan yang sudah ditetapkan, lalu menyajikan hasil beserta locator sumber untuk ditinjau perekrut. Ia bukan hakim kandidat, tidak boleh menebak kepribadian dari gaya bahasa, dan tidak semestinya menolak seseorang hanya karena CV-nya tidak memakai kata kunci tertentu.

Satu keputusan rekrutmen dapat memengaruhi penghidupan seseorang. CV juga memuat data pribadi dan potongan pengalaman yang mudah kehilangan konteks. Otomasi yang hanya mengejar kecepatan dapat membuat kesalahan menjadi konsisten dan berskala besar.

Mengapa screening CV bukan klasifikasi biasa

Keluaran “cocok 82%” terlihat presisi, tetapi menyembunyikan keputusan desain: keterampilan mana yang dihitung, bagaimana pengalaman nonformal dinilai, apakah jeda kerja dianggap buruk, dan siapa yang menentukan bobot.

NIST menjelaskan bias AI sebagai persoalan sosio-teknis. Bias tidak hanya datang dari data atau algoritma, tetapi juga manusia, institusi, sejarah, perumusan masalah, dan cara keluaran ditafsirkan. NIST menekankan transparansi, pengujian, evaluasi, validasi, verifikasi, dan keterlibatan manusia.[1]

Riset screening CV berbasis model bahasa juga belum memberi alasan untuk menyerahkan keputusan akhir. Sebuah preprint 2025 membandingkan tiga model dengan penilai manusia dan menemukan bahwa nilai model dapat berubah menurut konteks perusahaan serta berbeda signifikan dari penilaian ahli pada kondisi yang diuji.[2] Temuan itu bukan ukuran universal semua model, tetapi cukup untuk menolak asumsi bahwa satu skor AI adalah fakta objektif.

Pisahkan bukti, interpretasi, dan keputusan

Gunakan tiga lapisan yang tidak boleh dicampur.

Jika AI menulis “kandidat tidak loyal karena pernah berpindah kerja”, ia sudah melompat dari fakta menuju penilaian yang tidak tercantum dalam scorecard. Jika AI menulis “durasi posisi terakhir delapan bulan; alasan perpindahan tidak tercantum”, ia menjaga perbedaan antara bukti dan pertanyaan terbuka.

Nama, foto, usia, alamat, agama, status perkawinan, kondisi kesehatan, atau organisasi tertentu dapat memengaruhi penilai meski tidak menentukan kemampuan menjalankan tugas. Jangan meminta agen menyimpulkan kelas sosial, etnis, disabilitas, kehamilan, atau “culture fit” dari petunjuk tersebut.

Delapan tahap workflow yang dapat diaudit

1. Buat scorecard sebelum CV dibuka

Scorecard diturunkan dari pekerjaan nyata, bukan gambaran kandidat ideal yang kabur. Pisahkan:

• wajib: kompetensi yang dibutuhkan sejak hari pertama;
• dapat dipelajari: kompetensi yang wajar dikuasai setelah onboarding;
• nilai tambah: berguna tetapi bukan alasan menolak;
• bukti yang diterima: proyek, pekerjaan, portofolio, sertifikat, atau pengalaman setara;
• pertanyaan wawancara: hal yang tidak layak disimpulkan dari CV.

Untuk admin online shop, kemampuan menangani pesanan, merespons pelanggan dengan template, mencatat retur, dan bekerja pada jadwal tertentu bisa lebih relevan daripada “lulusan kampus ternama”. Hindari kriteria seperti “enerjik”, “good looking”, atau “punya aura pemimpin” karena tidak memiliki bukti operasional yang konsisten.

2. Minimalkan data sebelum dianalisis

CV adalah data pribadi. UU No. 27 Tahun 2022 mendefinisikan data pribadi sebagai data tentang orang yang teridentifikasi atau dapat diidentifikasi. Undang-undang itu memberi hak atas informasi mengenai tujuan penggunaan data, hak memperbaiki ketidakakuratan, serta hak mengajukan keberatan terhadap keputusan yang hanya didasarkan pada pemrosesan otomatis—termasuk pemrofilan—yang menimbulkan akibat hukum atau berdampak signifikan.[3]

Penerapan hukumnya harus disesuaikan dengan konteks organisasi; artikel ini bukan nasihat hukum. Praktik operasional yang masuk akal adalah hanya mengumpulkan data relevan, menyampaikan tujuan pemrosesan, membatasi akses, menentukan masa simpan, dan menyediakan jalur koreksi.

Sebelum scoring, buat salinan kerja yang menyembunyikan informasi tidak diperlukan: foto, tanggal lahir, alamat lengkap, status perkawinan, dan data sensitif lain. CV asli dapat disimpan di lokasi berakses terbatas agar bukti tetap dapat diverifikasi pihak berwenang.

3. Ekstrak fakta ke skema tetap

Minta karyawan AI menghasilkan struktur sama bagi setiap kandidat:

• ID kandidat, bukan nama, pada lembar review;
• posisi, organisasi, serta tanggal mulai dan selesai;
• tanggung jawab yang tertulis;
• hasil yang memiliki angka atau artefak;
• keterampilan dan alat yang disebut eksplisit;
• pendidikan atau sertifikasi bila relevan;
• locator halaman atau bagian;
• status “ada”, “tidak ditemukan”, atau “perlu klarifikasi”.

Jangan mengubah “tidak ditemukan” menjadi “tidak punya”. CV dua halaman tidak memuat seluruh kemampuan seseorang. Perbedaan label ini mencegah ketiadaan bukti dianggap bukti ketiadaan.

4. Cocokkan terhadap kriteria, bukan kandidat lain

Bandingkan tiap CV dengan scorecard yang sama. Hindari perintah “urutkan dari yang terbaik” sebelum setiap kandidat dinilai mandiri; urutan dokumen dan kandidat pembanding dapat memengaruhi evaluasi.

Untuk setiap kriteria, keluaran harus memuat status terpenuhi, sebagian, tidak ditemukan, atau perlu klarifikasi; bukti ringkas; locator; alasan relevansi; dan pertanyaan tindak lanjut. Jika memakai bobot, manusia menetapkannya sebelum melihat kandidat dan mengujinya pada contoh kasus. Jangan meminta model menciptakan bobot setelah melihat pelamar.

5. Jangan gunakan AI sebagai gerbang penolakan tunggal

Buat tiga antrean: “review prioritas”, “perlu klarifikasi”, dan “review manual”. Tidak perlu ada antrean “otomatis ditolak”. Kandidat yang tidak memenuhi syarat administratif sederhana tetap perlu aturan deterministik dan pencatatan alasan, bukan kesimpulan bebas model.

Ambil sampel kandidat berskor rendah untuk review manusia. Ini membantu menemukan pola sistematis: pengalaman usaha keluarga dianggap tidak formal, istilah lokal tidak dikenali, atau proyek mahasiswa diabaikan. NIST mengingatkan bahwa evaluation bias dapat muncul ketika populasi pengujian tidak mewakili pengguna atau metrik tidak sesuai dengan penggunaan sebenarnya.[1]

6. Lakukan review manusia tanpa sekadar mengamini AI

Label AI dapat memicu automation bias. Kurangi efeknya dengan urutan berikut:

1. tampilkan bukti dan locator terlebih dahulu;
2. minta peninjau memberi penilaian awal;
3. baru tampilkan rekomendasi AI beserta alasannya;
4. wajibkan alasan bila keputusan menyimpang dari scorecard;
5. sediakan pilihan “informasi tidak cukup”.

Sebuah preprint 2026 pada platform rekrutmen menemukan hasil berbeda antara proses manusia, AI, dan gabungannya; konfigurasi gabungan tertentu menghasilkan daftar kandidat paling seimbang menurut ukuran gender yang diteliti.[4] Ini bukti konteks spesifik, bukan dalil bahwa human-in-the-loop selalu adil. Desain interaksinya tetap harus diuji.

7. Sediakan jalur informasi, koreksi, dan akomodasi

Kandidat perlu tahu data apa yang dipakai, untuk tujuan apa, dan bagaimana memperbaiki informasi salah. Jika sistem gagal membaca format CV, jangan diam-diam menurunkan nilai. Sediakan format alternatif atau review manual.

Panduan U.S. Department of Justice menunjukkan bagaimana teknologi hiring dapat menyaring penyandang disabilitas karena antarmuka mengukur hambatan akses, bukan kemampuan kerja. Panduan itu menganjurkan pemberitahuan mengenai teknologi penilaian dan prosedur akomodasi.[5] Ketentuan tersebut berasal dari hukum Amerika Serikat, bukan hukum Indonesia, tetapi pelajaran desainnya relevan: alat harus mengukur kemampuan kerja yang dimaksud, bukan kemampuan menghadapi satu antarmuka.

8. Uji stabilitas dan dampak

Bangun set uji dari CV sintetis atau CV lama yang dianonimkan dan digunakan secara sah. Ubah satu faktor pada satu waktu:

• urutan kandidat;
• format PDF dan DOCX;
• nama atau ID anonim;
• istilah kompetensi berbeda tetapi setara;
• pengalaman formal versus proyek atau freelance;
• jeda kerja;
• versi bahasa Indonesia dan Inggris;
• CV tabel, dua kolom, atau hasil OCR kurang baik.

Jalankan beberapa kali. Ukur apakah fakta tetap sama, locator benar, dan perubahan tidak relevan mengubah rekomendasi. Jika hasil mudah bergeser, jangan gunakan skor sebagai gerbang keputusan.

Contoh: merekrut admin marketplace

Sebuah toko menerima 64 CV. Scorecard menetapkan empat kriteria wajib: pernah menangani percakapan pelanggan atau tiket, terbiasa mencatat transaksi, tersedia pada jadwal yang diumumkan, dan dapat memakai spreadsheet dasar. Pengalaman marketplace langsung adalah nilai tambah, bukan syarat wajib.

Kandidat A pernah menjadi admin organisasi kampus dan mengelola 300 pendaftar acara. Ia tidak menulis kata “customer service”, tetapi menjelaskan bahwa ia menjawab pertanyaan peserta, memperbaiki data pembayaran, dan merekap pendaftaran di spreadsheet.

Screening berbasis keyword dapat melewatkannya. Karyawan AI berbasis bukti menghasilkan:

• Percakapan atau tiket: sebagian terpenuhi; bukti menjawab pertanyaan peserta; locator halaman 1.
• Pencatatan transaksi: perlu klarifikasi; ada pencatatan pendaftar, bukan pesanan komersial.
• Spreadsheet: terpenuhi; rekap 300 pendaftar disebut eksplisit.
• Jadwal: tidak ditemukan; tanyakan saat screening call.
• Marketplace: tidak ditemukan; nilai tambah, bukan penolak.
• Rekomendasi: lanjut ke review manusia dengan dua pertanyaan klarifikasi.

Output tersebut membantu perekrut melihat pengalaman yang dapat ditransfer tanpa mengarang bahwa kandidat pasti mampu menjalankan toko. Keputusan wawancara tetap dibuat manusia.

Instruksi kerja yang lebih aman

Ekstrak bukti CV terhadap scorecard yang diberikan. Jangan menerima atau menolak kandidat. Jangan menilai kepribadian, loyalitas, usia, kesehatan, keluarga, agama, etnis, jenis kelamin, atau culture fit. Untuk setiap kriteria, gunakan “terpenuhi”, “sebagian”, “tidak ditemukan”, atau “perlu klarifikasi”; sertakan bukti dan locator. “Tidak ditemukan” bukan berarti kandidat tidak memiliki kemampuan. Akhiri dengan maksimal lima pertanyaan klarifikasi bagi peninjau manusia.

Prompt membatasi peran, tetapi tidak menggantikan kontrol akses, structured output, pengujian, dan review.

Metrik yang perlu dipantau

Jangan hanya menghitung menit yang dihemat. Pantau akurasi fakta dan tanggal, locator yang dapat dibuka, konsistensi antar-run, koreksi manusia, kandidat berskor rendah yang ternyata layak, perubahan akibat format atau urutan, distribusi jalur review, permintaan koreksi, serta alasan keputusan di luar scorecard.

Jangan mengumpulkan atribut sensitif hanya demi grafik fairness. Perbandingan kelompok membutuhkan tujuan yang sah, kualitas data memadai, dan keahlian sesuai. Untuk penggunaan berdampak tinggi atau berskala besar, libatkan ahli HR, hukum, privasi, dan evaluasi fairness.

Kesalahan yang harus dihindari

Memakai satu skor kecocokan. Angka merangkum terlalu banyak asumsi dan mendorong peninjau mengabaikan bukti.

Menyalin karyawan terbaik sebagai standar. Data tenaga kerja saat ini dapat memuat bias sejarah dan menghapus jalur nontradisional.

Menganggap gap karier negatif. CV tidak memberi konteks cukup untuk kesimpulan tersebut.

Menggunakan foto atau analisis ekspresi. Penampilan dan gaya berbicara bukan proksi andal untuk banyak pekerjaan serta dapat menimbulkan hambatan akses.[5]

Menyimpan semua CV tanpa batas. Tentukan tujuan, akses, masa simpan, dan prosedur penghapusan.

Menyebut review manusia tanpa mengubah alur. Jika peninjau hanya melihat skor AI lalu menekan setuju, kontrol manusia bersifat kosmetik.

Peran AgentBuff yang proporsional

AgentBuff adalah platform Karyawan AI asal Indonesia. Pengguna mengelola agen lewat chat, memberi peran, skills, dan tools, menghubungkannya ke aplikasi atau data kerja, menjalankan workflow dan tugas terjadwal, lalu menerima hasil kerja.

Untuk screening CV, mulai dari peran sempit: membaca berkas yang diizinkan, mengisi matriks bukti, dan menyiapkan pertanyaan. Jangan memberi wewenang mengirim penolakan, mengubah status kandidat, atau menyebarkan CV tanpa approval. Gunakan panduan akses baca dan approval manusia, cara menguji karyawan AI, dan jejak kerja yang dapat diperiksa sebagai fondasi.

FAQ

Bolehkah AI langsung menolak kandidat?

Jangan jadikan model satu-satunya gerbang. Gunakan kriteria administratif tertulis, review manusia, alasan tercatat, dan sampel kasus tersisih untuk mendeteksi kesalahan sistematis.

Apakah nama dan foto sebaiknya dihapus?

Untuk penilaian kompetensi, informasi tidak relevan sebaiknya diminimalkan atau disembunyikan dari lembar review. CV asli dapat disimpan terbatas untuk tujuan sah dan verifikasi.

Apakah AI bisa menilai culture fit?

Jangan. Culture fit kabur dan dapat menjadi wadah preferensi pribadi. Nilai perilaku kerja melalui pertanyaan terstruktur dan bukti situasional yang relevan.

Apakah human-in-the-loop otomatis membuat proses adil?

Tidak. Manusia dapat terlalu percaya pada skor AI. Tampilkan bukti sebelum rekomendasi, wajibkan alasan, sediakan pilihan informasi tidak cukup, dan uji proses gabungan.

Apa workflow pertama yang paling aman?

Gunakan AI hanya untuk mengekstrak fakta dan membuat pertanyaan klarifikasi dari sepuluh CV lama. Periksa setiap locator dan kesalahan sebelum memakainya pada kandidat aktif.

Penutup

Tujuan karyawan AI dalam rekrutmen bukan memilih manusia lebih cepat. Tujuannya membuat perekrut membaca bukti dengan lebih rapi, konsisten, dan dapat dipertanggungjawabkan.

Mulai dari scorecard yang berkaitan dengan pekerjaan, minimalkan data, pisahkan fakta dari interpretasi, dan pertahankan keputusan pada manusia. Jika ingin membangun alur tersebut, coba AgentBuff untuk pekerjaan ekstraksi dan penyusunan matriks terlebih dahulu—bukan penolakan otomatis.

Tentang penulis: Nugraha Labib Mujaddid membangun AgentBuff untuk membantu individu dan bisnis Indonesia bekerja dengan karyawan AI.

Sumber dan bacaan utama

[1] NIST SP 1270, Towards a Standard for Identifying and Managing Bias in Artificial Intelligence, Maret 2022 — https://nvlpubs.nist.gov/nistpubs/SpecialPublications/NIST.Sp.1270.pdf [2] Varshney & Ganuthula, Signal or Noise? Evaluating Large Language Models in Resume Screening, preprint 2025 — https://arxiv.org/abs/2507.08019 [3] UU Republik Indonesia No. 27 Tahun 2022 tentang Pelindungan Data Pribadi — https://jdih.komdigi.go.id/produk_hukum/view/id/832/t/undangundang%2Bnomor%2B27%2Btahun%2B2022 [4] Kaya & Bogers, Human, Algorithm, or Both? Gender Bias in Human-Augmented Recruiting, preprint 2026 — https://arxiv.org/abs/2603.06240 [5] U.S. Department of Justice, Algorithms, Artificial Intelligence, and Disability Discrimination in Hiring, 12 Mei 2022 — https://www.ada.gov/resources/ai-guidance/ [6] NIST AI 600-1, Generative AI Profile, Juli 2024 — https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf