Andrew Johnson, CEO Yardstik – Seri Wawancara

Andrew Johnson, CEO Yardstik, adalah eksekutif teknologi berpengalaman dengan latar belakang dalam mengembangkan perusahaan perangkat lunak berpertumbuhan tinggi, membangun organisasi go-to-market, dan mendorong pendapatan perusahaan. Ia bergabung dengan Yardstik sebagai Chief Operating Officer pada tahun 2022 sebelum dipromosikan menjadi CEO pada Oktober 2024. Sebelumnya, Johnson menjabat sebagai Chief Revenue Officer di Branch, di mana ia membantu memandu perusahaan pembayaran tenaga kerja melalui periode pertumbuhan cepat, dan menghabiskan lebih dari lima tahun di Dialpad, termasuk sebagai Head of Enterprise Sales, di mana ia membantu membangun operasi penjualan di AS dan Kanada. Pada awal kariernya, ia memegang peran pengembangan bisnis dan mitra di Compellent Technologies, yang diakuisisi oleh Dell dengan nilai sekitar $960 juta pada tahun 2011.

Yardstik adalah perusahaan teknologi kepercayaan tenaga kerja berbasis di Minneapolis yang didirikan pada tahun 2020 dan menyediakan pencegahan penipuan, verifikasi identitas, penyaringan latar belakang, verifikasi kredensial, serta pemantauan tenaga kerja berkelanjutan melalui Human Trust Platform-nya. Perusahaan ini dibangun di sekitar arsitektur API-first yang memungkinkan teknologinya diintegrasikan langsung ke dalam sistem pelacakan pelamar, platform manajemen modal manusia, pasar gig, dan aplikasi tenaga kerja lainnya. Yardstik juga mendukung Model Context Protocol (MCP), yang memungkinkan agen AI terhubung dengan infrastruktur kepercayaan mereka dan mengotomatisasi alur kerja seperti pemeriksaan latar belakang, verifikasi identitas, penyaringan kredensial, penyaringan ulang, dan adjudikasi dalam sistem perekrutan dan orientasi yang digerakkan AI.

Sebelum bergabung dengan Yardstik, Anda menghabiskan lebih dari lima tahun di Branch, di mana Anda menyaksikan secara langsung sebuah jaringan penipuan yang menggunakan nomor Jaminan Sosial yang dicuri untuk mendapatkan pekerjaan dengan identitas orang lain. Bagaimana pengalaman itu mengubah cara Anda memandang penyaringan latar belakang, dan kapan Anda menyadari bahwa verifikasi identitas perlu melampaui pemeriksaan satu kali pada saat perekrutan?

Saat saya berada di Branch, salah satu pelanggan terbesar kami terkena serangan jaringan penipuan dari Venezuela, sesuatu yang umum terjadi pada platform gig. Mereka mencuri nomor Jaminan Sosial warga Amerika dan menjualnya kepada orang yang tidak memiliki status untuk bekerja di AS. Seseorang akan melamar dengan identitas yang dicuri, mulai mengirimkan barang, dan semuanya tampak baik hingga musim pajak, ketika pemilik SSN sebenarnya menerima tagihan 1099 untuk pekerjaan yang tidak pernah mereka lakukan. Itu adalah pertama kalinya saya melihat penipuan muncul di sisi lain keputusan perekrutan, bukan selama prosesnya.

Momen itulah yang benar‑benar mengubah cara pandang saya. Saya menyadari betapa seringnya orang yang lolos pemeriksaan latar belakang bukanlah orang yang muncul untuk pekerjaan. Misalnya, seseorang dengan catatan bersih menyelesaikan penyaringan, kemudian anggota keluarga yang tidak dapat melewati penyaringan tersebut mengambil shift sebenarnya. Pemeriksaan latar belakang tidak dapat menangkap hal itu, karena hanya melihat pelamar di atas kertas, sekali, pada awal proses. Pada saat saya bergabung dengan Yardstik, saya membawa pelajaran dari pengalaman saya di Branch dan bekerja dengan tim untuk membangun pendekatan pemantauan berkelanjutan bagi pelanggan kami.

AI generatif secara dramatis menurunkan hambatan untuk membuat identitas palsu, kredensial palsu, profil sintetis, bahkan deepfake yang meyakinkan. Teknik penipuan berbasis AI mana yang berkembang paling cepat saat ini, dan mana yang Anda percaya paling tidak siap dihadapi oleh pemberi kerja?

Penipuan yang paling cepat berkembang saat ini bukan video deepfake yang mencolok. Itu adalah identitas sintetis: nomor Jaminan Sosial yang nyata dipadukan dengan nama palsu dan riwayat kerja yang dibuat-buat, disatukan menjadi sesuatu yang tampak bersih pada pemeriksaan pertama. Tambahkan alat AI yang menghasilkan resume yang rapi dan serangkaian kredensial yang cocok, dan Anda memiliki seorang pelamar.

Yang paling tidak siap dihadapi oleh pemberi kerja adalah perekrutan jarak jauh yang tidak pernah bertemu secara langsung. Platform gig, peran TI jarak jauh, pusat panggilan virtual. Jika tidak ada orang di perusahaan yang pernah melihat orang ini, setiap sinyal yang sebelumnya dapat menangkap penipu (wawancara yang gugup, ID yang tampak sedikit tidak tepat secara langsung) menghilang. Itulah tepatnya di mana jaringan penipuan perekrutan jarak jauh beroperasi dan sebagian besar perusahaan masih menganggapnya sebagai masalah orang lain sampai hal itu terjadi pada mereka.

Yardstik telah beralih dari penyaringan latar belakang tradisional ke platform yang lebih luas yang menggabungkan pencegahan penipuan AI, verifikasi identitas, verifikasi kredensial, dan pemantauan berkelanjutan. Peran apa yang dimainkan AI dalam menghubungkan sinyal-sinyal tersebut, dan apa yang dapat dideteksi sistem yang tidak dapat dilakukan oleh pemeriksaan latar belakang konvensional?

Yardstik memulai sebagai perusahaan penyaringan latar belakang, dan bagi sebagian besar pelanggan itu masih menjadi elemen dasar dari apa yang kami lakukan. Namun, pemeriksaan latar belakang adalah transaksi tunggal: jalankan, dapatkan jawaban, buang data. Apa yang menghubungkan pencegahan penipuan, verifikasi identitas, pemeriksaan kredensial, dan pemantauan menjadi satu kesatuan adalah fakta bahwa kami tidak membuang data tersebut. Kami menyimpan profil kandidat seiring waktu, dan setiap pemeriksaan baru menambahnya alih-alih memulai dari nol.

Itulah yang memungkinkan kami menangkap hal-hal yang tidak dapat dideteksi oleh pemeriksaan satu kali. Misalnya, seorang pelanggan kami mengalami penipu yang berulang kali mencoba mengakses akun agen dengan akses ke data pajak pelanggan. Karena kami dapat melihat perangkat yang sama, atau identitas yang sedikit diubah yang muncul di beberapa percobaan, kami dapat menghentikannya sebelum menjadi keputusan penyaringan. Pemeriksaan satu kali akan melihat masing‑masing aplikasi tersebut secara terpisah dan akan melewati semuanya.

Yardstik menggunakan sinyal seperti data identitas pribadi, aktivitas pembayaran, serta indikator perangkat atau lokasi untuk mengungkap potensi penipuan identitas. Bagaimana Anda memisahkan perilaku yang benar‑benar mencurigakan dari perilaku yang tidak biasa namun sah, terutama ketika model AI menjadi bertanggung jawab untuk mengevaluasi pola yang semakin kompleks?

Kami tidak berusaha menggambar batas tegas antara yang mencurigakan dan yang tidak biasa, karena sebagian besar waktu tidak ada batas yang jelas pada saat kami melihatnya. Yang kami lakukan adalah menampilkan selisihnya. Jika pada satu aplikasi tercantum satu sekolah, dan setahun kemudian aplikasi baru dengan identitas yang sama mencantumkan sekolah yang berbeda, itu layak ditinjau kembali. Jika seseorang selalu melamar menggunakan iPhone dan kemudian muncul dari Android dengan alamat IP baru, hal yang sama. Tidak ada satu pun yang berarti penipuan secara sendiri, tetapi kombinasi beberapa sinyal mulai meningkatkan profil risiko. Kami adalah lapisan yang menandai apa yang berubah sejak terakhir kali kami melihat seseorang dan memberikan lebih banyak data kepada pemberi kerja untuk membantu mereka membuat keputusan yang tepat.

Yardstik menyatakan bahwa kira‑kira satu dari 30 pelamar gagal verifikasi ID pemerintah, sementara nomor Jaminan Sosial yang ditandai atau duplikat diblokir setiap hari. Apa yang Anda pelajari dari data tersebut tentang bagaimana penipuan tenaga kerja berkembang, dan berapa banyak yang Anda temui tampak terorganisir daripada oportunistik?

Data tersebut memberi tahu kami bahwa penipuan identitas dalam perekrutan bukan lagi masalah pinggiran. Ini telah menjadi biaya dasar dalam menjalankan bisnis pada skala yang nyata, sama seperti chargeback menjadi dasar dalam pembayaran. Sebagian yang signifikan tampak terorganisir daripada oportunistik. Penipuan oportunistik cenderung bersifat satu kali: seseorang menambah isi resume, atau memanipulasi tanggal kelulusan. Penipuan terorganisir menunjukkan pola, perangkat yang sama atau identitas yang hampir identik mencoba jenis pekerjaan yang sama di berbagai pemberi kerja, kadang mengubah satu detail pada satu waktu untuk melihat apa yang berhasil. Itu adalah versi yang saya lihat  bertahun‑tahun yang lalu dengan nomor Jaminan Sosial yang dicuri dijual kembali, dan itu masih versi yang saya lihat hari ini. Sekarang semuanya otomatis, dan beroperasi dengan volume jauh lebih tinggi karena alat generatif membuat identitas palsu lebih murah diproduksi.

Verifikasi identitas semakin menggabungkan ID pemerintah, biometrik, pemeriksaan keberlangsungan hidup, sinyal perangkat, dan indikator risiko lainnya. Seiring model generatif menjadi lebih mampu menghasilkan dokumen, wajah, dan suara yang realistis, sinyal mana yang Anda yakini akan tetap paling sulit dipalsukan oleh penyerang?

Apa pun yang dapat Anda hasilkan sebagai artefak tunggal—foto, dokumen, bahkan video pendek—semakin mudah dipalsukan secara meyakinkan. Yang tetap sulit dipalsukan adalah konsistensi seiring waktu, di berbagai tempat yang tidak dapat dikendalikan secara bersamaan. Identitas sintetis dapat melewati satu pemeriksaan keberlangsungan hidup dengan deepfake yang cukup baik. Namun jauh lebih sulit bagi identitas yang sama untuk juga memiliki riwayat perangkat yang cocok, pola lokasi yang cocok, dan riwayat pekerjaan yang selaras seperti orang sebenarnya di berbagai pemberi kerja dan tahun. Itulah inti dari pemantauan berkelanjutan dibandingkan dengan satu momen verifikasi. Pemeriksaan tradisional memberi Anda sebuah foto, satu frame, yang diambil sekali. Sistem kami berperilaku lebih seperti aliran langsung, karena dirancang untuk memperhatikan ketika frame‑frame tidak lagi cocok satu sama lain.

Pemantauan berkelanjutan merupakan pergeseran besar dari memverifikasi seseorang sekali menjadi mengevaluasi kepercayaan sepanjang siklus hidup pekerja. Bagaimana Anda merancang sistem semacam itu tanpa menciptakan pengawasan yang tidak perlu, hasil positif palsu, atau keputusan yang sulit dipahami atau dipertanyakan oleh pekerja?

Pengawasan adalah mengamati seseorang yang tidak menyadari bahwa ia sedang diawasi. Itu bukan cara kerja kami. Setiap pekerja yang kami pantau telah memberikan persetujuan tertulis, mereka tahu persis apa yang diperiksa, dan menurut undang‑undang kami harus memberi mereka salinan apa pun yang kami temukan serta cara untuk menentangnya jika salah. Semua itu tidak bersifat opsional. Itu adalah FCRA.

Bagian lain adalah kami tidak membuat keputusan sendiri. Jika ada penangkapan yang muncul pada seseorang yang kami pantau, itu menjadi tanda bagi pemberi kerja untuk menyelidikinya, bukan keputusan akhir. Proses hukum tetap berlaku. Pemberi kerja harus memberi tahu kandidat, memberi mereka kesempatan untuk menanggapi, dan kemudian membuat keputusan akhir. Tugas kami berhenti pada menampilkan bahwa ada sesuatu yang berubah; pemberi kerja yang memutuskan apa artinya dan apa yang harus dilakukan, sama seperti mereka melakukannya dengan pemeriksaan saat perekrutan. Kami memang merancangnya demikian dengan sengaja.

Seiring perekrutan dan manajemen tenaga kerja menjadi semakin bersifat agen, di mana seharusnya batasnya ditempatkan antara agen AI yang mengumpulkan dan mengevaluasi sinyal kepercayaan dan yang sebenarnya membuat keputusan perekrutan yang berdampak?

Saya akan menempatkan batas di tempat yang sudah ditetapkan oleh hukum bagi kami saat ini. Kami berhati‑hati untuk tidak menyebut diri kami sebagai perusahaan AI karena industri kami memiliki persyaratan ketat bahwa manusia harus terlibat dalam segala hal yang menyentuh sengketa atau keputusan merugikan. Seorang agen dapat mengumpulkan sinyal, memberi skor, menandai apa yang berubah. Namun yang tidak boleh dilakukannya sendiri adalah memutuskan apakah seseorang tidak mendapatkan pekerjaan atau tidak mempertahankannya, karena keputusan itu harus terkait dengan orang yang bertanggung jawab dan dapat menjelaskannya jika dipertanyakan.

Seiring proses perekrutan menjadi lebih otomatis dari ujung ke ujung, saya rasa batas itu menjadi lebih penting, bukan kurang. Semakin mudah membiarkan agen mengelola seluruh alur, semakin menggoda untuk juga membiarkannya membuat keputusan di akhir. Mengumpulkan dan mengevaluasi sinyal kepercayaan adalah hal yang tepat bagi perangkat lunak untuk lakukan lebih cepat. Menentukan mata pencarian seseorang bukanlah sesuatu yang akan saya serahkan sama sekali.

Dengan pendanaan baru $30 juta Series B yang meningkatkan total pendanaan Yardstik menjadi $65 juta, area AI dan pencegahan penipuan mana yang Anda rasa kini memerlukan investasi terbesar, dan masalah teknis apa yang masih perlu diselesaikan agar verifikasi identitas berkelanjutan dapat berfungsi pada skala yang jauh lebih besar?

Kami menyalurkan modal baru ke bagian pencegahan penipuan yang paling kurang menarik dan paling mahal untuk dibangun dengan baik. Laporan kendaraan bermotor dan pemantauan pengecualian OIG. Peringatan otomatis saat lisensi, polis asuransi, atau sertifikasi kedaluwarsa, alih-alih menunggu siklus pembaruan berikutnya untuk menyadarinya.

Masalah teknis yang belum diselesaikan siapa pun di industri ini adalah biaya. Banyak negara dan negara bagian mengenakan biaya masing‑masing untuk mengambil sebuah catatan, terkadang lebih dari $100 untuk satu pengambilan di tempat seperti New York, dan biaya itu tidak turun hanya karena Anda ingin memeriksa seseorang lebih sering. Membuat verifikasi berkelanjutan cukup terjangkau sehingga perusahaan dengan ribuan pekerja lepas dapat menjalankannya setiap bulan alih‑alih sekali setahun merupakan masalah sumber data dan penetapan harga sebanyak masalah pembelajaran mesin. Itulah yang paling saya pikirkan saat ini.

Terjadi perlombaan senjata yang menarik: AI secara bersamaan mempermudah penipuan identitas dan memberi platform alat yang lebih baik untuk mendeteksinya. Seiring kedua sisi berkembang, apakah Anda memperkirakan pembuktian bahwa seseorang benar‑benar adalah siapa yang mereka klaim akan menjadi jauh lebih sulit, atau akankah AI pada akhirnya membuat identitas digital lebih dapat dipercaya daripada sebelumnya?

Keduanya benar, dan saya tidak berpikir salah satunya meniadakan yang lain. Pelanggan kami sering memberi tahu bahwa mereka mengharapkan kami dapat “melawan api dengan api.” Mereka tahu bahwa kami memerlukan solusi modern untuk masalah modern. Penilaian jujur saya adalah identitas digital menjadi lebih dapat dipercaya bagi sistem yang dibangun untuk melacak seseorang selama bertahun‑tahun dan lintas platform, sementara menjadi kurang dapat dipercaya bagi apa pun yang masih mengandalkan pemeriksaan satu titik waktu. Ini berarti bisnis yang hanya pernah memverifikasi seseorang sekali akan menjadi yang paling rentan, dan mereka yang membangun dengan pandangan jangka panjang akan tampak jauh lebih cerdas dalam retrospeksi dibandingkan perasaan mereka saat ini.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mengetahui lebih lanjut sebaiknya mengunjungi Yardstik.