Barb Hyman, Pendiri dan CEO Sapia.ai – Seri Wawancara

Barb Hyman, Pendiri dan CEO Sapia.ai adalah pemimpin bisnis berpengalaman yang kariernya meliputi hukum, konsultasi manajemen, pemasaran, pembelajaran dan pengembangan, sumber daya manusia, serta teknologi. Ia memulai kariernya sebagai pengacara di Herbert Smith Freehills sebelum beralih ke konsultasi di Boston Consulting Group, di mana ia naik menjadi Project Leader dan kemudian kembali dalam peran senior mengawasi pembelajaran dan pengembangan, HR, serta pemasaran di seluruh Australasia. Hyman juga pernah menjabat sebagai Kepala Pemasaran dan Sponsorship di Museum of Contemporary Art di Sydney serta sebagai Executive General Manager People & Culture di REA Group. Ia mendirikan Sapia.ai pada 2018, memanfaatkan pengalamannya dalam kepemimpinan organisasi dan manajemen bakat untuk memikirkan kembali cara perusahaan menilai dan merekrut orang menggunakan kecerdasan buatan.

Sapia.ai adalah perusahaan teknologi perekrutan berbasis AI yang berfokus pada penilaian kandidat yang terstruktur dan bersifat percakapan. Platformnya menggunakan wawancara berbasis chat untuk mengevaluasi kandidat secara konsisten dan berskala, membantu pemberi kerja menilai keterampilan dan kesesuaian sambil mengurangi ketergantungan pada penyaringan CV tradisional dan sinyal lain yang dapat menimbulkan bias. Sapia.ai menyatakan teknologinya telah menilai lebih dari 10 juta kandidat dan menggabungkan ilmu penilaian terstruktur dengan intelijen bakat berbasis AI, umpan balik kandidat yang dipersonalisasi, serta integrasi dengan sistem pelacakan pelamar dan HR yang ada. Perusahaan juga menekankan keterjelasan, keadilan, dan kepatuhan perusahaan, dengan platform yang lebih luas mencakup wawancara AI, analisis pekerjaan, penjadwalan wawancara, intelijen bakat, dan pelatihan karier berbasis AI.

Sebelum mendirikan Sapia.ai, Anda membangun karier yang mencakup konsultasi di Boston Consulting Group, hukum, pemasaran, pembelajaran dan pengembangan, serta pada akhirnya kepemimpinan People & Culture di REA Group. Pengalaman apa dari perjalanan itu yang meyakinkan Anda bahwa proses perekrutan perlu dipikirkan kembali secara fundamental, dan masalah apa yang awalnya ingin Anda selesaikan dengan Sapia.ai

Cara kita menilai orang saat ini rusak — terutama dalam perekrutan.

Kami mengandalkan CV. Kami tidak melihat keseluruhan orang. Kami membuat keputusan paling penting — siapa yang akan dipekerjakan, siapa yang akan dipromosikan — berdasarkan intuisi dan proksi. Praktik perekrutan yang meniru (mirror hiring) meluas: sejak kapan sekolah atau universitas yang seseorang hadiri menjadi proksi untuk kecerdasan? Itu bukan. Itu adalah proksi untuk keuntungan.

Beberapa hal ini terkait dengan cerita pribadi saya. Saya adalah imigran dan saya tahu saya berada dalam kategori imigran yang beruntung: saya berkulit putih dan memiliki nama yang mudah diucapkan orang. Saya berasal dari keluarga yang tidak ada yang kuliah; ayah saya adalah pedagang. Namun saya telah mendapatkan peluang luar biasa dan lima karier kemudian, saya berada di sini. Ketika saya memikirkan dua miliar pekerja di dunia, saya memikirkan berapa banyak dari mereka yang memiliki bakat, dorongan, dan pemikiran kritis yang saya miliki, tetapi tidak pernah terlihat karena kita dibutakan oleh prisma pengalaman kita sendiri. Bias adalah jalan pintas yang menyenangkan untuk membuat keputusan cepat, dan itulah mengapa perekrutan terus memberi penghargaan kepada yang sudah diuntungkan. Itu tidak pernah terasa adil atau rasional.

Setengah lainnya dari cerita datang dari dunia konsultasi. Setelah menyelesaikan MBA, saya masuk ke dunia di mana Anda tidak pernah masuk ke ruang rapat dan memberikan rekomendasi tanpa riset nyata di belakangnya. Namun keputusan dengan taruhan tertinggi yang dibuat perusahaan (siapa yang bergabung, siapa yang memimpin, siapa yang membentuk budaya) masih dibuat berdasarkan intuisi, atau proksi sekecil nama universitas. Orang tidak tercatat di neraca, tetapi khususnya dalam layanan profesional, mereka adalah aset. Ketidaksesuaian itu terasa absurd bagi saya.

CV itu sendiri belum berubah secara fundamental sejak Leonardo da Vinci menciptakan formatnya. Wikipedia mencantumkan lebih dari 180 bias manusia yang terdokumentasi. Sepertiga kandidat di Amerika Utara yang menyelesaikan aplikasi pekerjaan tidak menerima jawaban selama dua bulan kemudian. Tidak ada satupun itu masalah bakat: bakat tersebar merata tetapi kesempatan tidak.

Apa yang saya coba perbaiki dengan Sapia bukan sekadar keputusan — melainkan berasal dari pengalaman mencari pekerjaan. Tim saya menertawakan saya karena ini, tetapi saya selalu menganggap perekrutan seperti berkencan. Itu adalah hubungan. Anda akan menghabiskan lebih banyak waktu dengan orang-orang di pekerjaan Anda daripada dengan pasangan Anda. Jadi mengapa Anda membuat keputusan itu dengan standar yang kurang ketat — data — yang kami terapkan untuk setiap keputusan penting lainnya?

Anda berpendapat bahwa sebagian besar organisasi mendekati adopsi AI sebagai proyek efisiensi padahal seharusnya dimulai sebagai proyek kepercayaan. Seperti apa “kepercayaan” dalam praktiknya, dan bagaimana perusahaan harus mengukurnya bersama metrik tradisional seperti produktivitas, penghematan biaya, dan adopsi?

Saya mempelajari hal ini sebagai CHRO: jika Anda tidak transparan tentang alasan melakukan perubahan, kepercayaan menjadi korban pertama. Dan saya rasa kebanyakan perusahaan memutarbalikkan adopsi AI. Mereka mengukur peningkatan produktivitas, misalnya jam yang dihemat, biaya per perekrutan, tetapi mereka tidak pernah meluangkan waktu untuk mengukur hal yang sebenarnya menentukan apakah semuanya bertahan: apakah orang Anda mempercayai cara Anda menggunakan AI, dan mengapa.

Kepercayaan adalah substrat budaya Anda. Itu bukan metrik lunak yang duduk di samping metrik nyata — itu hal yang menjadi dasar metrik nyata. Pikirkan seperti Anda memikirkan hubungan apa pun. Kepercayaan tinggi memberi Anda kebebasan. Kepercayaan rendah membuat segala sesuatu lebih kecil, kurang mengapung, kurang santai. Dan tidak ada orang yang dapat bekerja terbaiknya ketika mereka tidak merasa aman. Organisasi tidak berbeda.

Namun begitu banyak hal yang telah dilakukan dengan AI di tempat kerja sebenarnya memanfaatkan data orang sendiri melawan mereka, misalnya mengumpulkan media sosial seseorang untuk menyimpulkan apakah mereka kandidat yang baik, risiko yang baik, atau risiko yang buruk. Saya sungguh tidak dapat membayangkan pertemuan di mana keputusan itu dibuat, atau bagaimana orang berpikir itu tidak akan mengikis budaya begitu orang mengetahuinya.

Jadi jika Anda serius tentang adopsi AI, kepercayaan harus menjadi metrik sejak hari pertama, berdampingan dengan produktivitas dan penghematan biaya. Tanyalah orang secara langsung: apakah Anda mengerti mengapa kami menggunakan ini? Apakah Anda percaya ini digunakan secara adil? Jika Anda tidak dapat menjawab ya untuk keduanya, peningkatan efisiensi yang Anda rayakan dipinjam dari budaya yang secara diam-diam Anda habiskan.

Salah satu kekhawatiran terbesar seputar AI dalam perekrutan adalah bahwa model dapat belajar dari data pekerjaan historis dan berpotensi memperkuat bias manusia yang sama yang organisasi coba hilangkan. Bagaimana perusahaan dapat mencegah AI hanya mengotomatisasi bias perekrutan yang ada, dan langkah pengaman apa yang harus dibangun ke dalam sistem ini sejak awal?

Inilah jebakan tepat yang dilewatkan kebanyakan percakapan AI-dalam-perekrutan dan alasan mengapa saya membangun Sapia seperti yang saya lakukan. Jika Anda melatih model dengan data perekrutan historis (siapa yang diterima, siapa yang dipromosikan, siapa yang mendapat wawancara pertama) Anda tidak menghilangkan bias, Anda mengindustrialisasinya. Anda mengajarkan mesin untuk meniru setiap keputusan perekrutan cermin, setiap panggilan “kecocokan budaya”, setiap jalan pintas berbasis intuisi yang menghasilkan tenaga kerja yang sudah Anda miliki. Itu bukan inovasi. Itu bias berskala, hanya lebih cepat dan dengan lapisan objektivitas yang membuatnya lebih sulit dipertanyakan.

Jadi pengaman harus dimulai lebih jauh sebelum algoritma. Kami tidak melatih dengan CV, foto, nama, universitas, atau proksi tradisional lain yang berkorelasi dengan privilese daripada potensi. Jika input membawa bias, tidak ada pemodelan cerdas di hilir yang dapat memperbaikinya. Ini adalah masalah “sampah masuk, sampah keluar”, kecuali sampahnya adalah puluhan tahun prasangka manusia yang dibungkus sebagai resume.

Bagian kedua adalah apa yang sebenarnya Anda ukur terhadap model. Tidak cukup hanya mengatakan “AI berfungsi,” Anda harus terus-menerus menguji dampak merugikan berdasarkan gender, etnis, usia, disabilitas, setiap karakteristik terlindungi yang dapat Anda ukur secara berkelanjutan, bukan sebagai audit satu kali sebelum peluncuran. Bias bukan bug yang diperbaiki sekali. Itu sesuatu yang harus terus Anda awasi, seperti Anda memantau sistem apa pun yang membuat keputusan konsekuensial tentang kehidupan orang.

Dan ketiga — ini yang sering dilewatkan orang — Anda memerlukan mata luar. Audit independen pihak ketiga terhadap model Anda, metodologi yang dipublikasikan, transparansi nyata tentang apa yang sistem lakukan dan tidak lakukan. Jika Anda hanya bersedia membiarkan alat perekrutan AI Anda diperiksa oleh orang yang membuatnya dan memiliki motivasi finansial untuk membelanya, Anda belum benar‑benar menyelesaikan masalah kepercayaan, Anda hanya memindahkannya.

“Algoritma yang melakukannya” bukan alasan, melainkan pengakuan bahwa Anda tidak membangun pengaman sejak awal. Ingat, AI tidak menghilangkan tanggung jawab manusia atas keadilan.

Perekrutan adalah aplikasi AI yang sangat berisiko karena algoritma dapat secara langsung memengaruhi karier seseorang. Di mana organisasi harus menggambar batas antara keputusan yang dapat diotomatisasi dan yang harus selalu berada di bawah pengawasan manusia yang bermakna?

Garis yang saya gambar adalah ini: AI memang dapat membantu Anda melihat seseorang lebih jelas, tetapi tidak boleh menjadi satu‑satunya yang menentukan nasibnya. Ada perbedaan nyata antara memperkuat keputusan dan mengalihdayakannya. Perekrutan adalah salah satu tempat sedikit dimana kesalahan dalam perbedaan ini benar‑benar mengubah hidup seseorang.

Jadi di mana otomatisasi mendapatkan tempatnya? Dalam menampilkan sinyal yang manusia sulit lihat secara konsisten dan adil, misalnya membaca ribuan respons wawancara tanpa kelelahan, tanpa hari buruk, tanpa secara tidak sadar memihak kandidat yang mengingatkan mereka pada diri mereka sendiri pada usia dua puluh lima tahun. Itu pekerjaan yang AI dapat lakukan lebih baik daripada manajer perekrutan yang lelah pada wawancara kedelapan hari itu. Menyaring keterampilan lunak yang nyata, menyusun wawasan sehingga setiap kandidat dinilai dengan kriteria yang sama, di situlah mesin menambah nilai nyata karena kami tidak dibangun untuk konsistensi itu.

Keputusan akhir — siapa yang diterima, siapa yang ditolak, siapa yang mendapat pertimbangan kedua — harus berada pada manusia yang dapat dipertanggungjawabkan. Bukan sekadar cap jempol pada apa pun yang dikeluarkan model, melainkan pengawasan yang nyata dan bermakna: seseorang yang memahami apa yang sistem ukur, dapat mempertanyakan hasil yang tampak salah, dan dapat menggantinya. Jika manusia tidak dapat secara bermakna menantang rekomendasi AI, itu bukan pengawasan melainkan alibi manusia.

Saya juga akan menggambar batas pada hal apa pun yang tidak dapat diubah atau tidak transparan. Jika seorang kandidat tidak dapat mendapatkan penjelasan yang dapat dipahami mengapa mereka tidak melanjutkan, sistem telah gagal terlepas dari seberapa “akurat” itu. Dan jika model membuat keputusan yang tidak dapat dijelaskan oleh siapa pun di perusahaan — termasuk orang‑orang yang membangunnya — itu bukan alat perekrutan, melainkan kotak hitam dengan karier seseorang di dalamnya. Tes yang saya berikan kepada organisasi mana pun sederhana: bisakah Anda duduk di seberang kandidat yang Anda tolak dan menjelaskan, dengan bahasa yang sederhana, mengapa? Jika jawaban jujurnya adalah “Saya sebenarnya tidak tahu, model yang memutuskan,” maka Anda telah mengotomatisasi bagian proses yang salah.

Sapia.ai membedakan antara AI generatif yang digunakan untuk percakapan terbuka dan sistem yang lebih deterministik yang digunakan untuk menilai kandidat. Mengapa perbedaan itu penting, terutama ketika output AI harus konsisten, dapat diaudit, dan dapat dipertahankan?

Orang mendengar “AI” dan menganggapnya satu hal, tetapi dalam perekrutan konvergensi itu justru menjadi tempat kesalahan terjadi. Kami sengaja membagi pekerjaan menjadi dua, karena percakapan terbuka dan penilaian berisiko tinggi memiliki persyaratan yang sangat berbeda, dan menganggap keduanya teknologi yang sama adalah cara perusahaan berakhir dengan sistem yang tidak dapat mereka jelaskan, pertahankan, atau percayai.

AI generatif sangat unggul pada lapisan percakapan — melakukan pertukaran yang alami dan terasa manusiawi dengan kandidat, mengajukan pertanyaan lanjutan yang baik, membuat pengalaman terasa seperti percakapan bukan formulir. Di sinilah Anda menginginkan fleksibilitas, nuansa, bahkan sedikit ketidakpastian, karena percakapan nyata tidaklah skrip.

Namun begitu Anda beralih dari berbicara dengan kandidat ke menilai mereka, segala hal yang Anda butuhkan dari sistem berubah total. Penilaian harus konsisten: jawaban yang sama harus mendapatkan penilaian yang sama, baik itu kandidat pertama maupun kandidat seribu, baik itu pada Senin pagi atau Jumat sore. Penilaian harus dapat diaudit, yang berarti Anda harus dapat kembali dan menunjukkan secara tepat mengapa seorang kandidat mendapatkan skor tertentu, bukan sekadar mempercayai bahwa model “menemukannya”. Dan penilaian harus dapat dipertahankan karena mata pencaharian seseorang berada di ujung skor itu, dan “model generatif merasa ini jawaban yang baik” bukanlah kalimat yang bertahan ketika dihadapkan pada regulator, jurnalis, atau kandidat yang ingin tahu mengapa mereka tidak mendapatkan pekerjaan.

Model generatif, secara inheren, bersifat probabilistik — mengajukan pertanyaan yang sama dua kali dapat menghasilkan output yang sedikit berbeda. Itu menjadi fitur untuk percakapan dan risiko serius untuk penilaian. Di Sapia, kami menggunakan sistem deterministik untuk bagian proses yang benar‑benar menentukan hasil seseorang. Kami memodelkan di mana input yang sama secara andal menghasilkan output yang sama, di mana kami dapat melacak alasan, dan di mana kami dapat membuktikan bahwa dua kandidat serupa diperlakukan secara setara.

Ini benar‑benar pemisahan kepentingan: biarkan AI generatif menjadi hebat dalam bersikap manusiawi, dan biarkan sistem deterministik yang dapat diaudit menanggung beban keputusan yang harus adil, dapat dijelaskan, dan dapat dipertahankan di bawah pengawasan.

Penjelasan sering dibicarakan sebagai persyaratan AI yang bertanggung jawab, tetapi banyak model canggih tetap sulit dipahami oleh pengguna. Seberapa banyak penjelasan yang secara wajar dapat diharapkan kandidat atau karyawan ketika AI memengaruhi keputusan perekrutan?

Saya pikir kandidat berhak mendapatkan lebih dari yang biasanya diberikan perusahaan, dan jujur saja, lebih dari yang kebanyakan perusahaan pikir mereka mampu berikan. “Algoritma memutuskan” adalah pengakuan kegagalan yang dibungkus sebagai kecanggihan.

Inilah posisi saya: seorang kandidat harus selalu dapat memahami, dengan bahasa yang sederhana, apa yang dinilai dan secara kasar mengapa mereka berada di posisi tersebut. Bukan matematika di baliknya, bukan cetakan bobot model. Apa yang mereka inginkan dan apa yang berhak mereka terima lebih mirip dengan apa yang akan dikatakan manajer yang baik secara langsung: inilah kualitas yang kami cari, inilah kekuatan Anda, inilah bagian yang tidak paling cocok kali ini. Itu adalah standar yang sepenuhnya wajar, dan sistem apa pun yang tidak dapat memenuhi standar itu seharusnya tidak membuat keputusan tentang mata pencaharian seseorang.

Jadi bagi kami, penjelasan harus tertanam dalam arsitektur sejak hari pertama, karena Anda tidak dapat menjelaskan apa yang tidak dapat Anda lacak.

Di mana saya akan sedikit menolak adalah gagasan bahwa penjelasan berarti kandidat harus memiliki pendidikan teknis tentang cara kerja model. Itu standar yang keliru, dan sering dijadikan alasan padahal sebenarnya belum dirancang untuk dapat dijelaskan. Dokter yang baik tidak menjelaskan biokimia diagnosis; mereka memberi tahu apa yang mereka temukan dan apa artinya bagi Anda. AI dalam perekrutan harus mematuhi standar kejujuran yang dapat dibaca manusia yang sama.

Tes sebenarnya adalah tes yang sama yang saya terapkan pada pengawasan manusia: dapatkah seorang kandidat bertanya “mengapa saya tidak melanjutkan?” dan mendapatkan jawaban yang spesifik, jujur, dan memang miliknya? Jika AI Anda tidak dapat menghasilkan jawaban itu, Anda belum membangun sistem yang dapat dijelaskan. Anda telah membangun satu yang Anda harap tidak ada yang menanyakannya.

Perusahaan sering fokus pada apakah karyawan dan manajer menggunakan alat AI, daripada apakah mereka benar‑benar mempercayai outputnya. Tanda peringatan apa yang menunjukkan sebuah organisasi telah mencapai adopsi AI tanpa memperoleh kepercayaan sejati pada teknologi tersebut?

Adopsi adalah metrik paling mudah dipalsukan, dan itulah mengapa begitu banyak perusahaan menganggapnya sebagai kesuksesan. Jika saya memberi tahu Anda bahwa semua orang di perusahaan “menggunakan” alat AI, itu hampir tidak memberi tahu apa-apa tentang apakah mereka mempercayainya — mungkin saja itu hanya karena wajib, atau karena itu jalan paling mudah, atau belum ada yang menemukan cara menghindarinya.

Tanda peringatan pertama adalah perilaku kerja paksa. Jika orang-orang menggunakan alat AI tetapi juga diam-diam menjalankan proses lama secara paralel — memeriksa hasilnya secara manual, menyimpan catatan terpisah mereka sendiri, menjalankan sistem bayangan sebagai cadangan — itu merupakan kepatuhan dengan kebijakan asuransi yang melekat. Angka penggunaan terlihat bagus. Padahal kenyataannya semua orang mengira alat tersebut mungkin salah.

Yang kedua adalah keheningan. Dalam budaya yang benar‑benar mempercayai, orang menantang sistem ketika ada yang terasa tidak beres: mereka mengajukan pertanyaan, menolak, menandai hasil yang tidak terasa tepat. Ketika adopsi nyata tetapi kepercayaan tidak ada, yang terjadi justru sebaliknya. Orang berhenti mempertanyakannya karena mereka memutuskan bahwa tidak layak diperjuangkan. Keheningan itu dibaca oleh pimpinan sebagai kepuasan. Padahal sebenarnya itu adalah pengunduran diri.

Peringatan ketiga adalah kesenjangan antara apa yang orang katakan dalam survei dan apa yang mereka katakan satu sama lain. Saya akan jauh lebih khawatir tentang perusahaan yang dasbor adopsi resmi berwarna hijau di seluruh bidang tetapi percakapan nyata di ruang istirahat adalah “ya, kami hanya melakukan apa yang dikatakan karena itu lebih mudah daripada berdebat” — itu adalah budaya yang belum bertransformasi.

Dan tanda peringatan terdalam serta yang paling penting bagi saya: ketika orang berhenti membawa penilaian mereka sendiri ke meja. Itu adalah pengunduran tanggung jawab. Kepercayaan sejati pada sebuah alat berarti orang masih merasa berdaya untuk tidak setuju dengannya ketika keahlian mereka memberi sinyal berbeda — dan merasa aman melakukannya. Jika manajer Anda menjadi diam dan hanya menuruti apa pun yang dikatakan AI, Anda telah menciptakan ketergantungan.

Jadi ujian sebenarnya bukan “apakah orang menggunakannya” melainkan “apakah orang akan memilih terus menggunakannya jika bersifat opsional, dan apakah mereka akan memberi tahu Anda dengan jujur ketika alat tersebut salah.” Kebanyakan perusahaan belum pernah benar‑benar menanyakan kedua pertanyaan itu. Itu biasanya menjadi petunjuknya.

Alat perekrutan AI berpotensi mengevaluasi kandidat pada skala dan konsistensi yang tidak dapat dicapai perekrut manusia, tetapi proses perekrutan juga melibatkan konteks dan nuansa. Di mana Anda percaya AI dapat mengungguli penilaian manusia saat ini, dan di mana manusia masih esensial?

AI dapat menjadi alat yang hebat untuk menilai kumpulan besar kandidat tanpa memandang latar belakang dan pengalaman mereka, sambil memberikan penilaian yang disesuaikan untuk kandidat dengan kebutuhan khusus. Seorang perekrut manusia mungkin lebih cenderung memfavoritkan kandidat dari universitas peringkat atas atau yang tidak memiliki riwayat kondisi kesehatan sebelumnya. AI melakukan penilaian yang adil dan setara bagi semua kandidat dengan cara yang tidak dapat dilakukan manusia ketika mereka menghadapi ratusan lamaran. Meskipun demikian, penilaian manusia tetap penting untuk mengevaluasi apakah seorang kandidat akan cocok dengan budaya perusahaan atau memenuhi standar yang dibutuhkan klien.

Seiring AI semakin terintegrasi dalam perekrutan, pelatihan, manajemen kinerja, dan keputusan tenaga kerja lainnya, bagaimana akuntabilitas harus disusun ketika keputusan yang dibantu AI menghasilkan hasil yang tidak adil atau salah?

Akuntabilitas dalam AI tetap ada ketika manusia menjadi pengambil keputusan akhir sementara alur kerja perekrutan mencakup transparansi, dapat dijelaskan, dan pengujian bias yang ketat. Kami meluncurkan model FAIR™ untuk membantu mendorong praktik AI yang bertanggung jawab. Model ini merekomendasikan:

• Tidak bias: Uji bias dan gunakan ukuran statistik yang tepat — seperti aturan 4/5, paritas tingkat kesalahan, dan tes bias relevan lainnya — untuk memastikan hasilnya adil.
• Validitas: Bukti yang didorong AI didasarkan pada data aktual dan terhubung dengan hasil yang ingin diprediksi.
• Keterjelasan: Miliki dokumentasi yang jelas dan alat untuk menginterpretasikan hasil, apa yang AI identifikasi tentang kandidat, dan bagaimana hal itu berkontribusi pada skor mereka.
• Inklusivitas: Ini berarti memastikan kandidat diperlakukan secara adil sepanjang proses, dari aplikasi hingga pengambilan keputusan. Ini merupakan pandangan menyeluruh tentang pengalaman perekrutan — termasuk orang, proses, teknologi, dan AI yang bekerja bersama.

Melihat ke depan, apakah Anda memperkirakan AI akan menjadi lapisan pengambilan keputusan utama di dalam sistem HR, atau peran pentingnya akan lebih bersifat percakapan, membantu kandidat dan karyawan lebih memahami peluang, mengembangkan keterampilan, dan menavigasi karier mereka?

Bahkan teknologi paling canggih sekalipun memerlukan sentuhan manusia, penilaian manusia, dan pengawasan manusia. AI hadir untuk mendukung proses, memastikan setiap kandidat memiliki kesempatan yang adil dan setara untuk dipertimbangkan pada sebuah posisi. Di Sapia, kami menyebut ini sebagai “pendekatan manusia dalam loop” di mana kami menggabungkan kecerdasan manusia dan mesin untuk menciptakan pengalaman chat cerdas yang prediktif, bertanggung jawab, dan dipersonalisasi. Untuk melakukannya, kami mengajak pelanggan kami bergabung, sehingga kami terus memvalidasi akurasi dan keadilan, sambil mengajarkan model AI kami untuk berkembang seiring waktu.

Pendekatan manusiawi kami juga tercermin dalam apa yang kami tawarkan kepada kandidat. Baru-baru ini kami meluncurkan Phai, seorang pelatih karier yang berperan sebagai mentor, memberikan pencari kerja panduan yang dipersonalisasi, pemetaan kekuatan, dan persiapan wawancara untuk membantu mereka menghadapi peluang berikutnya dengan percaya diri. Ini adalah alat positif untuk menjaga motivasi kandidat di luar hasil wawancara.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mengetahui lebih lanjut harus mengunjungi Sapia.ai.