Risiko Rekrutmen AI: Tes Kompetensi Bukan Sekadar Kefasihan Bicara

Telset.id – Permintaan akan kecakapan AI (AI fluency) meningkat hampir tujuh kali lipat dalam dua tahun terakhir, lebih cepat dibandingkan keterampilan lainnya, menurut McKinsey Global Institute. Namun, banyak perusahaan kesulitan mendefinisikan seperti apa kecakapan AI itu sebenarnya saat bekerja, sehingga proses rekrutmen sering kali hanya menilai kefasihan berbicara kandidat, bukan kompetensi nyata mereka.

Masalah ini menjadi krusial karena hampir 90% perusahaan telah berinvestasi pada AI, tetapi kurang dari 40% melaporkan hasil yang terukur. Wouter Durville, CEO dan Co-founder TestGorilla, menyoroti bahwa sebagian besar evaluasi kegagalan AI berfokus pada model, data, dan alur kerja, namun jarang meninjau orang-orang yang direkrut untuk memimpin transformasi AI dan alasan mereka dipilih.

Bahaya Salah Menilai Kandidat AI

Kemajuan AI membuat kemampuan berbicara tentang AI menjadi lebih mudah. Seorang kandidat bisa menyebutkan nama setiap model atau menjelaskan arsitektur yang baru saja mereka baca. Dalam percakapan singkat, bahasa yang fasih hampir mustahil dibedakan dari praktik yang fasih. Mereka yang memenangkan hati pewawancara adalah mereka yang terdengar paling nyaman berbicara tentang AI, sementara apakah mereka benar-benar bisa menggunakan AI untuk bekerja adalah pertanyaan terpisah yang jarang diajukan.

Wawancara sering kali menjadi demo di tempat yang dikendalikan kandidat. Padahal, penggunaan AI di tempat kerja justru rumit: data yang berantakan, kasus tepi yang hilang, sistem yang tidak terintegrasi, atau model yang berhalusinasi di saat kritis. Kandidat yang memukau dalam demo belum tentu tidak mandek di lingkungan produksi. Ini bukan sekadar masalah orang, melainkan masalah proses rekrutmen.

Biaya sebenarnya dari perekrutan AI yang buruk jarang terlihat di hari pertama. Sebuah proyek bisa mandek karena orang yang pandai bicara tidak bisa membuat model menghasilkan sesuatu yang andal. Lebih buruk lagi, mereka mungkin bisa melakukannya, tetapi hanya untuk diri sendiri. Mereka meningkatkan output sepuluh kali lipat, tetapi meninggalkan dokumentasi yang minim, tidak bisa diikuti orang lain, dan mengabaikan keamanan serta kepatuhan. Produktivitas yang hanya berhasil untuk satu orang dan merusak sistem di sekitarnya memiliki dampak luas. Pekerjaan harus diulang, peran dibuka kembali, dan proyek mundur satu kuartal lagi.

Strategi Menguji Kompetensi AI yang Sebenarnya

Menambahkan persyaratan baru di deskripsi pekerjaan tidak akan menyelesaikan masalah. Solusinya adalah menentukan cakupan penggunaan AI yang dibutuhkan peran tersebut, lalu membangun proses yang membuat kandidat mendemonstrasikan tingkat penggunaan itu, bukan sekadar mendeskripsikannya. Terlalu banyak perusahaan menetapkan standar pada apakah kandidat tahu alat itu ada. Menetapkan standar pada penggunaan mandiri yang terverifikasi akan membuat kesenjangan kecakapan langsung terlihat.

Ada beberapa perubahan yang bisa dilakukan tim untuk mengalihkan pengukuran kecakapan AI dalam proses rekrutmen:

1. Uji pekerjaan sebelum percakapan. Beri kandidat skenario yang mencerminkan pekerjaan nyata dan nilai berdasarkan kemampuan yang disepakati sebelumnya. Kandidat yang hanya pandai bicara akan memberikan arahan yang tampak bagus, sementara yang benar-benar bisa bekerja akan menunjukkan solusi mana yang bertahan dalam kasus tepi.
2. Ubah pertanyaan wawancara. Berhenti bertanya alat apa yang digunakan. Tanyakan kapan terakhir kali AI memberi jawaban salah dan bagaimana mereka menyadarinya, atau minta mereka menunjukkan prompt yang gagal dan cara memperbaikinya.
3. Ubah skenario di tengah jalan. Beri tugas AI yang realistis, lalu ubah di tengah jalan dengan mengambil alat, menambah batasan, atau mengubah tujuan. Kandidat kuat akan menyesuaikan diri, sementara yang hanya piawai bicara akan mandek.
4. Nilai bersama. Beri pewawancara dimensi penilaian yang sama, lalu bandingkan bukti dalam sesi debrief bersama.

Rekrutmen AI saat ini masih terjebak dalam memilih kandidat yang paling baik saat wawancara, hanya untuk menemukan satu kuartal kemudian bahwa mereka tidak bisa memberikan pekerjaan yang sebenarnya. Proses rekrutmen yang tidak jelas mungkin terasa efisien karena tidak banyak menuntut orang yang menjalankannya. Namun, dampak bisnisnya nyata karena biaya bergeser ke fase implementasi, di mana masalah menjadi jauh lebih sulit dilacak dan lebih mahal untuk diperbaiki.

Permintaan akan Fitur Terbaru dalam teknologi rekrutmen terus berkembang. Namun, inti permasalahannya tetap pada cara menilai manusia. Alih-alih bertanya tentang alat yang digunakan, fokuslah pada kegagalan alat tersebut dan bagaimana kandidat mengatasinya. Ini adalah cara yang lebih andal untuk memisahkan kefasihan bicara dari kompetensi nyata dalam bekerja dengan AI.