Pasukan pengambilan boleh mengautomasikan ribuan keputusan saringan, namun masih gagal dalam ujian kesaksamaan yang paling asas: mampukah mereka menjelaskan mengapa seorang calon berjaya mara manakala yang lain tidak? Untuk mengurangkan bias dalam pengambilan berasaskan kecerdasan buatan (AI), syarikat memerlukan lebih daripada sekadar jaminan pembekal (vendor) tentang "AI yang bertanggungjawab". Mereka memerlukan aliran kerja terkawal yang mentakrifkan standard kejayaan, mengehadkan isyarat yang tidak relevan, menguji hasil, serta menyimpan bukti bagi setiap keputusan.
AI mampu mengurangkan ketidakstabilan dalam penilaian resume dan temu duga pusingan pertama. Namun, pada masa yang sama, ia juga boleh memperluaskan corak bias lampau yang tidak pernah dipersoalkan. Perbezaan sebenarnya bukanlah sama ada AI digunakan atau tidak, melainkan sama ada sistem tersebut direka, ditadbir, dan dipantau sebagai sebahagian daripada proses pengambilan yang berdisiplin.
Dalam konteks pasaran Malaysia—di mana pengambilan bakat kerap merentasi pelbagai lokasi dan latar belakang bahasa—mewujudkan dokumentasi keputusan yang telus adalah amat kritikal. Tanpa garis panduan penilaian yang jelas, andaian berdasarkan kefasihan bahasa atau latar belakang wilayah mudah mengatasi potensi sebenar calon, sekali gus menjejaskan keadilan dan ketepatan keputusan pengambilan.
Bias ialah masalah aliran kerja, bukan sekadar masalah model
Kebanyakan bias dalam pengambilan tidak bermula pada model pemarkahan. Ia meresap lebih awal—melalui profil kerja yang kabur, pertimbangan perekrut yang tidak konsisten, soalan temu duga yang berbeza-beza mengikut calon, atau data pengambilan lampau yang lebih mencerminkan akses sejarah berbanding keupayaan sebenar calon.
Bayangkan program pengambilan kakitangan jualan secara pukal (high-volume). Jika pekerja terdahulu majoritinya berasal daripada kumpulan universiti atau syarikat tertentu sahaja, AI yang dilatih untuk meniru pemilihan lalu akan cenderung mengutamakan calon daripada kelompok proksi tersebut. Ia mungkin kelihatan tepat kerana meniru keputusan sejarah perekrut, namun ia berisiko menolak calon lain yang mempunyai bukti keupayaan setara dalam jualan konsultatif, pengurusan talian paip jualan (pipeline management), atau pengekalan pelanggan.
Risiko serupa wujud semasa temu duga. Jika setiap calon menerima soalan yang berbeza, skor yang diberikan mungkin lebih mencerminkan gaya penemu duga, tekanan masa, atau kebiasaan dengan latar belakang calon berbanding kompetensi yang relevan dengan tugas. Automasi tidak mampu membetulkan proses penilaian yang belum diselaraskan.
Bagi pasukan korporat, objektif utama bukanlah untuk menjadikan setiap keputusan 100% serupa. Peranan yang berbeza memerlukan bukti yang berbeza, dan pengurus pengambilan yang berpengalaman patut kekal mempunyai hak pertimbangan. Objektif sebenar adalah untuk memastikan kriteria penilaian adalah konsisten, relevan, telus, dan boleh disemak semula.
Mulakan dengan bukti yang relevan dengan tugas
Kawalan terkuat terhadap bias ialah kerangka penilaian yang ditakrifkan dengan jelas sebelum calon memasuki corong pengambilan (recruitment funnel). Bagi setiap peranan, kenal pasti kompetensi yang menggambarkan prestasi kerja dan tetapkan bukti nyata yang menyokong setiap kompetensi tersebut.
Bagi peranan Pengurus Kejayaan Pelanggan (Customer Success Manager), kerangka penilaian boleh menilai komunikasi pemegang taruh (stakeholder), diagnosis masalah, pertimbangan komersial, dan keupayaan mengurus keutamaan yang pelbagai. Ia tidak sepatutnya memberikan keutamaan kepada loghat percakapan tertentu, trek kerjaya tanpa jurang (career gap), atau kebiasaan dengan jenama majikan terdahulu melainkan faktor tersebut terbukti secara mutlak diperlukan untuk tugas berkenaan.
Perbezaan ini amat penting kerana sistem AI sangat berkesan dalam mencari corak. Jika pasukan memberikan input yang terlampau luas dan tidak terstruktur lalu meminta kedudukan "calon terbaik", ia membuka ruang besar kepada korelasi yang tidak relevan. Sistem yang ditadbir rapi akan mengecilkan skop tugasan: menilai bukti yang dimaklumkan berdasarkan kompetensi dan rubrik pemarkahan yang telah ditetapkan.
Asingkan keperluan asas daripada keutamaan (preferences)
Deskripsi tugas (job description) kerap mencampuradukkan syarat wajib dengan keutamaan peribadi yang diwarisi daripada pusingan pengambilan terdahulu. Ini boleh menyebabkan penyisihan calon yang sepatutnya boleh dielakkan. Pasukan TA perlu mengasingkan syarat undang-undang atau operasi—seperti kebenaran bekerja, lesen profesional yang diperlukan, atau kemahiran teknikal khusus—daripada aspek keutamaan seperti latar belakang industri tertentu atau laluan kerjaya idaman.
Ini tidak bermakna menurunkan standard penilaian, melainkan menetapkan piawaian yang benar-benar sepadan dengan skop kerja. Kad skor berasaskan bukti yang ringkas memberikan asas penilaian yang sepakat antara perekrut dan pengurus pengambilan, sekali gus mengurangkan percanggahan pendapat di peringkat akhir tentang kriteria calon yang berkualiti.
Strukturkan setiap penilaian peringkat awal
Saringan tanpa struktur mewujudkan pengalaman calon yang tidak saksama serta data yang tidak boleh dipercayai. Seorang perekrut mungkin menguji kedalaman teknikal manakala seorang lagi berfokus pada kesesuaian budaya (culture fit). Seorang pengurus mungkin memberi ruang masa kepada calon untuk menjelaskan jawapan, sementara yang lain terus beralih ke soalan seterusnya. Variasi sebegini sukar diaudit dan hampir mustahil untuk dibandingkan secara adil pada skala besar.
Temu duga video asinkronus yang terstruktur (asynchronous video interviews) mampu mewujudkan proses pusingan pertama yang lebih konsisten apabila menggunakan soalan berkaitan peranan yang sama, tempoh jawapan yang ditetapkan, arahan calon yang jelas, serta kriteria pemarkahan yang terselaraskan. Calon wajar diberikan peluang saksama untuk mempamerkan pengalaman mereka, bukannya dinilai semata-mata atas gaya penyampaian atau persembahan.
Proses yang direka dengan baik juga memahami bahawa penyelarasan tidak bermakna sikap tegar. Sediakan kemudahan atau pelarasan khusus jika diperlukan, benarkan calon melaporkan isu teknikal, dan tawarkan laluan penilaian alternatif sekiranya format sedia ada mewujudkan jurang kelemahan yang tidak adil. Matlamat perniagaan adalah untuk mendapatkan bukti yang boleh dibandingkan, bukannya keseragaman secara paksaan.
Pemarkahan automatik sepatutnya terikat rapat dengan rubrik, berserta penjelasan pada peringkat kompetensi yang boleh dicapai oleh penilai. Skor padanan tunggal yang tidak telus (opaque match score) mungkin mempercepatkan proses penyaringan, tetapi ia tidak memberikan maklumat yang cukup kepada pengurus pengambilan untuk memvalidasi sesuatu keputusan. Petikan bukti, penilaian kompetensi, dan alasan cadangan yang ditakrifkan secara telus mewujudkan proses semakan yang lebih kukuh dan boleh dipertahankan.
Tadbir data sebelum ia sampai ke model AI
Data calon memerlukan kawalan yang jelas dan berorientasikan tujuan. Medan data yang tidak diperlukan dalam keputusan pengambilan tidak sepatutnya dijadikan input semata-mata kerana ia wujud dalam dokumen. Nama, foto, alamat, tarikh pengajian, dan isyarat lain boleh mencetuskan kesan bias langsung atau proksi yang tidak mempunyai kaitan dengan prestasi kerja.
Soalan praktikal bagi setiap input data adalah mudah: apakah keputusan berkaitan tugas yang disokong oleh maklumat ini? Jika pasukan tidak dapat menjawab soalan tersebut, medan data berkenaan sepatutnya dikeluarkan daripada aliran kerja pemarkahan atau disekat daripada pandangan penilai pada peringkat tersebut.
Data sejarah memerlukan penelitian yang sama rapi. Keputusan lalu amat berguna untuk mengesahkan sama ada kriteria penilaian benar-benar dapat meramal prestasi kerja. Namun, ia berisiko jika diterima bulat-bulat tanpa dipersoalkan. Sebelum menggunakan data pengambilan atau prestasi lampau, selidiki bagaimana data itu dijana, kelompok mana yang diwakili, sama ada penilaian prestasi terdahulu dibuat secara konsisten, dan jika terdapat kumpulan penting yang terpinggir.
Pengambilan pekerja merentas sempadan atau secara multinasional menambah satu lagi lapisan cabaran. Kerangka kompetensi mungkin bersifat global, tetapi komunikasi calon, keperluan undang-undang, serta jangkaan kebolehaksesan berbeza mengikut rantau. Proses penterjemahan mesti mengekalkan maksud penilaian yang betul, bukan sekadar menterjemah perkataan secara harfiah. Pemimpin HR tempatan, pasukan undang-undang, dan peneraju bakat perlu meneliti bagaimana alur kerja global ini berfungsi dalam pasaran tempatan mereka.
Bagi pasaran Malaysia yang berbilang bahasa dan merentasi pelbagai lokasi geografi, cabaran ini semakin ketara. Pasukan pengambilan bakat tempatan selalunya perlu mengendalikan temuduga dalam pelbagai bahasa dan dialek, selain mematuhi piawaian dokumentasi keputusan yang ketat bagi tujuan pematuhan kawal selia dan tadbir urus HR. Penyelarasan penilaian yang adil dan telus adalah kunci untuk memastikan tiada calon terlepas pandang disebabkan kekangan bahasa atau lokasi.
Kekalkan kebertanggungjawaban manusia dalam keputusan berimpak besar
Pengawasan manusia tidak mencukupi sekadar meletakkan perekrut di penghujung alur kerja automatik untuk memberikan kelulusan pantas. Penilai memerlukan konteks yang mencukupi untuk mencabar sesuatu cadangan, mengenalpasti bukti yang terlepas, dan mendokumentasikan pengecualian yang mempunyai wajaran kukuh.
Tetapkan hak membuat keputusan secara jelas. AI boleh meranking calon, merumuskan bukti temuduga, atau menandakan jurang berdasarkan kad markah (scorecard). Namun, perekrut dan pengurus pengambilan (hiring manager) tetap bertanggungjawab sepenuhnya atas keputusan kemajuan calon, penolakan, dan pemilihan akhir. Bagi peranan berimpak tinggi atau mempunyai pendedahan kawal selia yang ketat, aturan eskalasi hendaklah mewajibkan semakan tambahan apabila markah AI bercanggah dengan bukti manusia atau apabila calon ditolak berhampiran ambang keputusan (decision threshold).
Proses semakan juga perlu mengelakkan bias keautomatikan (automation bias), iaitu kecenderungan pengguna menganggap cadangan sistem lebih objektif berbanding penilaian sendiri. Latih penilai untuk bertanya tiga soalan ini: Apakah bukti yang menyokong markah ini? Apakah bukti yang mungkin terlepas diproses oleh sistem? Adakah kesimpulan yang sama kekal jika isyarat yang tidak relevan dikeluarkan?
Disiplin ini meningkatkan kualiti keputusan walaupun tiada isu bias ditemui. Ia mengubah AI daripada "penjaga pintu" yang samar (black-box gatekeeper) kepada lapisan sokongan keputusan yang membantu pasukan menilai lebih ramai calon dengan tingkat konsistensi yang lebih tinggi.
Ukur hasil, bukan sekadar niat
Dasar kesaksamaan tanpa ukuran beroperasi sukar untuk dipertahankan. Syarikat korporat perlu memantau corak corong pengambilan (recruitment funnel) daripada peringkat permohonan hingga tawaran kerja bagi mengesan trend yang memerlukan siasatan. Perbezaan kadar kemajuan calon bukannya bukti automatik berlaku diskriminasi, tetapi ia menjadi isyarat untuk memeriksa semula proses, data, dan reka bentuk penilaian.
Pemantauan yang berguna merangkumi perbandingan kadar pemilihan merentasi kumpulan yang bersesuaian di sisi undang-undang (jika data sedia ada dan dibenarkan), taburan markah mengikut peringkat, kadar penyelesaian format temuduga, corak pembatalan keputusan (override), permohonan penyesuaian khusus (accommodation requests), dan masa yang diambil untuk membuat keputusan (time-to-decision). Pasukan juga perlu meneliti sama ada calon yang menunjukkan bukti kompetensi serupa mendapat cadangan penilaian yang setara.
Metrik memerlukan konteks. Kumpulan calon yang kecil boleh menghasilkan keputusan yang tidak stabil, manakala undang-undang privasi tempatan mungkin mengehadkan pengumpulan data demografi. Dalam situasi sebegini, pasukan masih boleh menguji konsistensi melalui pematuhan rubrik, variasi penilai, maklum balas calon, dan persampelan berkala ke atas kes calon yang diterima dan ditolak.
Dokumentasikan semakan tersebut. Rekodkan versi penilaian yang digunakan, konfigurasi model atau pemarkahan, kategori data input, tindakan penilai, pembatalan keputusan (override), serta rasional perniagaan bagi sebarang perubahan material. Ini mewujudkan kebolehkesanan (traceability) untuk tadbir urus dalaman, persediaan audit, dan maklum balas pertanyaan calon.
MIND Interview menyokong pendekatan ini dengan menghimpunkan analisis resume, bukti temuduga terstruktur, pemarkahan automatik, dan semakan kolaboratif dalam satu ruang kerja pengambilan pekerja yang boleh diaudit. Nilainya bukan terletak pada keautomatikan semata-mata, tetapi pada keupayaannya menyediakan rekod sepunya kepada perekrut dan pengurus pengambilan mengenai cara calon dinilai dan sebab sesuatu keputusan diteruskan.
Jadikan kesaksamaan sebagai kawalan operasi
Kawalan bias hendaklah disemak semula setiap kali profil peranan berubah, penilaian baharu diperkenalkan, pengambilan pekerja berkembang ke rantau baharu, atau data keputusan menunjukkan corak yang tidak dapat dijelaskan. Tadbir urus bukanlah latihan pengesahan model secara sekali sahaja. Ia merupakan disiplin operasi yang dikongsi bersama oleh pasukan pengambilan bakat (TA), HR, undang-undang, data, keselamatan, dan pemimpin perniagaan.
Pasukan yang paling efektif tidak menganggap kepantasan dan kesaksamaan sebagai dua keutamaan yang bersaing. Mereka menghapuskan ketidakkonsistenan yang tidak bernilai daripada proses, memberi calon peluang yang lebih jelas untuk menyerlahkan keupayaan mereka, dan menyediakan bukti yang lebih kukuh kepada pengurus sebelum temuduga bersemuka dijalankan. Dengan cara inilah proses pengambilan pekerja yang lebih pantas dapat dipertahankan secara undang-undang dan etika pada masa yang sama.