Talent Management di Era AI: Build, Buy, atau Redeploy?

Ketika barisan daftar role yang paling ter-expose AI beredar di rapat direksi, respons paling umum ada dua: program reskilling massal untuk semua orang di role itu, atau mulai mengurangi headcount di sana sambil merekrut talent AI dari luar.

Keduanya sering kali keliru dengan cara yang sama dengan memperlakukan AI exposure sebagai keputusan tunggal untuk seluruh role, padahal yang berubah biasanya sebagian task di dalam role itu, bukan seluruh pekerjaannya. Istilah pekerjaan yang terekspos oleh AI bukan berarti pekerjaan tersebut akan hilang.

Riset menunjukkan AI menyentuh task, bukan seluruh peran sekaligus. Untuk itu, perusahaan perlu memikirkan kapabilitas mana yang perlu dibangun (build), direkrut dari luar (buy), atau dipindahkan ke peran lain (redeploy) dan jawabannya berbeda untuk setiap kapabilitas. Simak pembahasan lengkapnya di artikel berikut ini.

“AI-Exposed” Bukan Sinonim “Akan Hilang”

Riset dari OpenAI (Eloundou et al.) yang mengukur eksposur AI di level task, bukan level occupation, menemukan sekitar 80% pekerja AS punya setidaknya 10% task yang bisa disentuh model bahasa — tapi hanya sekitar 19% yang punya separuh atau lebih tugasnya ter-expose.

Data usage Anthropic Economic Index juga menunjukkan rasio otomasi versus augmentasi bergeser tergantung konteks dan waktu — bukan angka tetap untuk satu jenis pekerjaan. Artinya, sebagian besar peran yang “AI-exposed” sebenarnya mengalami pergeseran komposisi task, bukan penghapusan total. Ini penting karena cara membaca data eksposur menentukan respons apa yang dibangun.

Kalau exposure dibaca sebagai “role ini akan hilang”, responsnya cenderung defensif — reskilling massal tanpa target jelas, atau justru pengurangan headcount prematur.

Kalau dibaca sebagai “sebagian task di role ini akan berubah”, responsnya bisa jauh lebih presisi: task mana yang otomatis, kapabilitas manusia mana yang masih relevan (judgment, relasi, pengetahuan konteks), dan kapabilitas itu paling baik dipertahankan di mana.

Build, Buy, Redeploy: Kerangka yang Sering Diperlakukan sebagai Kebijakan Satu Ukuran

Tiga respons yang tersedia — membangun kapabilitas dari dalam (build), merekrut dari luar (buy), atau memindahkan orang dengan kapabilitas yang masih relevan ke peran lain (redeploy) — punya logika berbeda, tapi kebanyakan organisasi memilih satu respons dominan untuk seluruh gelombang perubahan, bukan mengevaluasinya per kapabilitas.

WEF Future of Jobs Report 2025 menunjukkan kedua respons ekstrem sebenarnya terjadi bersamaan di seluruh industri: sebagian besar pemberi kerja berencana mengurangi tenaga kerja di area yang bisa diotomasi AI, sementara mayoritas yang lebih besar berencana meningkatkan kapasitas tim lewat upskilling untuk kolaborasi dengan AI. Keduanya bisa benar sekaligus — memangkas di satu tempat, melatih ulang di tempat lain — tapi keputusan mana yang berlaku untuk kapabilitas mana jarang dibuat secara eksplisit di level itu.

Redeploy sering jadi opsi yang paling diabaikan, padahal datanya cukup meyakinkan. Laporan Redeployment and Outplacement Trends 2026 dari Adecco Group dan LHH mencatat 73% pemimpin HR di organisasi yang melacak biaya rehiring mengakui siklus PHK-lalu-rekrut-ulang lebih mahal dibanding redeployment.

Laporan yang sama mencontohkan pendekatan JD.com yang memprioritaskan stabilitas kerja lewat redeployment dan reskilling internal ketimbang PHK, termasuk membantu pekerja blue-collar naik level ke pemeliharaan robotik dan operasional gudang pintar — ilustrasi bahwa redeploy bukan sekadar opsi teoretis, tapi sudah dipraktikkan di skala industri.

Succession planning dan pemetaan kompetensi yang baik justru menyediakan infrastruktur untuk opsi ketiga ini — melihat kapabilitas seseorang lintas peran, bukan hanya kecocokannya dengan jabatan saat ini.

Tanpa infrastruktur ini, redeploy sulit dieksekusi bukan karena tidak masuk akal secara bisnis, tapi karena organisasi tidak punya cara sistematis melihat siapa yang kapabilitasnya bisa dipindahkan ke mana.

Skills Gap: Kenapa Peta yang Ada Sekarang Sering Sudah Basi Sebelum Dipakai

Skills gap analysis biasanya dilakukan sebagai proyek tahunan — snapshot satu titik waktu yang dipakai untuk perencanaan setahun ke depan.

Masalahnya, kecepatan perubahan skill yang relevan untuk AI jauh lebih cepat dari siklus tahunan itu. LinkedIn Economic Graph, lewat Work Change Report-nya, memproyeksikan 70% skill yang dipakai di sebagian besar pekerjaan akan berubah menjelang 2030, dengan AI sebagai katalis utama — dan sejak 2022, laju anggota LinkedIn menambahkan skill baru ke profil mereka sudah naik 140%.

Skill gap analysis yang dirancang untuk era ini perlu bergeser dari snapshot tahunan ke pembaruan berkelanjutan yang dipicu peristiwa nyata — penyelesaian training, perubahan tools yang dipakai tim, rotasi peran — bukan survei ulang dari nol setiap dua belas bulan. Tanpa ini, peta skill gap yang dipakai untuk keputusan build/buy/redeploy sudah basi sebelum keputusan itu sempat dieksekusi.

Reskilling Completion: Metrik yang Menipu Kalau Tidak Dihubungkan ke Task yang Sebenarnya Dikerjakan

Reskilling completion rate tinggi untuk program “AI literacy” atau sejenisnya tidak otomatis berarti kapabilitas itu benar-benar terpakai di pekerjaan sehari-hari.

Data dari riset Microsoft dan LinkedIn mencatat hanya 39% karyawan yang menggunakan AI dalam pekerjaannya pernah mendapat pelatihan resmi dari perusahaan soal itu — kesenjangan besar antara adopsi yang sudah terjadi secara organik dan pelatihan yang seharusnya mengarahkannya.

Ini echo dari masalah yang lebih umum di evaluasi training: completion menjawab “apakah orangnya menyelesaikan kursus”, bukan “apakah kapabilitas itu benar-benar dipakai”.

Training needs assessment yang baik menetapkan baseline sebelum program dimulai, sehingga completion bisa dihubungkan ke perubahan task nyata sesudahnya — dan program pengembangan skala enterprise idealnya dirancang mengejar penerapan di pekerjaan, bukan sekadar angka partisipasi yang mudah dilaporkan ke direksi.

Internal Fill Rate dan External Hire Cost: Kenapa “Buy” Sering Dipilih Bukan karena Lebih Baik

Data dari riset mobilitas talenta terbaru mencatat hanya sekitar seperempat organisasi yang mengisi lebih dari separuh posisi terbuka mereka dengan kandidat internal — sisanya default ke rekrutmen eksternal, meski riset yang sama mencatat rekrutmen eksternal biasanya 18-20% lebih mahal dibanding memindahkan orang secara internal untuk peran yang sama. Untuk role terkait AI secara spesifik, gap biayanya lebih tajam lagi.

PwC Global AI Jobs Barometer mencatat wage premium untuk skill AI naik cepat — dari sekitar 25% pada 2024 menjadi lebih dari separuh gaji tambahan di tahun-tahun berikutnya — sementara permintaan skill di occupation yang paling ter-expose AI berubah sekitar 66% lebih cepat dibanding occupation yang paling tidak terpapar.

Kombinasi ini membuat “buy” sering dipilih bukan karena lebih murah atau lebih baik, tapi karena hasilnya lebih cepat terlihat dibanding menunggu proses build yang makan waktu — meski dalam banyak kasus, harga yang dibayar untuk kecepatan itu jauh lebih besar dari yang terlihat di angka gaji saja, karena talent yang direkrut dari luar juga butuh waktu memahami konteks bisnis yang sudah dimiliki talent internal sejak awal.

Proses rekrutmen yang efisien tetap penting untuk kapabilitas yang memang tidak ada basisnya di internal — tapi keputusan ini idealnya dibuat setelah mengecek opsi internal lewat pemetaan potensi dan kesiapan lintas peran, bukan sebagai default pertama.

Attrition by Critical Role: Sinyal yang Terabaikan di Tengah Fokus ke AI Exposure

Sementara perhatian organisasi banyak tersedot ke role yang “berisiko” karena AI, role kritis yang justru makin bernilai di era ini — yang menyediakan judgment, oversight, dan relasi yang tidak tergantikan AI — berisiko mengalami attrition tinggi kalau merasa terabaikan di tengah kesibukan reskilling dan redeployment untuk role lain.

Data turnover melibatkan tren yang membingungkan di banyak organisasi: turnover keseluruhan menurun, tapi involuntary turnover yang terkait restrukturisasi dan otomasi justru naik — sinyal bahwa perubahan yang terjadi tidak merata, dan bagian organisasi yang stabil belum tentu benar-benar tenang.

Prediksi risiko attrition yang baik perlu secara eksplisit menandai role kritis dalam kerangka build/buy/redeploy — bukan hanya memprediksi siapa yang mungkin resign, tapi memprioritaskan intervensi retensi ke kapabilitas yang paling mahal dan paling lama digantikan kalau sampai hilang.

Kerangka Praktis: Keputusan Build/Buy/Redeploy per Kapabilitas, Direview Tiap Kuartal

Enam sinyal di atas — skills gap, reskilling completion, internal fill rate, external hire cost, attrition kritis, dan AI exposure di level task — paling berguna kalau digabungkan jadi satu keputusan eksplisit per kapabilitas: build kalau kapabilitas inti masih relevan dan basis internal cukup kuat, buy kalau skill benar-benar baru tanpa basis internal, redeploy kalau task berubah tapi judgment dan pengetahuan konteks orangnya masih bernilai di tempat lain.

Yang membedakan era ini dari siklus talent management sebelumnya adalah kecepatan: kapabilitas yang relevan hari ini bisa bergeser dalam hitungan kuartal, bukan tahun, sehingga keputusan build/buy/redeploy yang direview tahunan akan selalu tertinggal. Sistem yang menyatukan data skills, performance, dan sinyal AI-exposure dalam satu tempat — bukan tersebar di spreadsheet terpisah yang diperbarui sesekali — adalah prasyarat untuk bisa membuat keputusan ini secepat kapabilitasnya berubah.

Secara praktis, ini berarti tiga hal berjalan bersamaan alih-alih bergantian: peninjauan skills gap yang dipicu peristiwa (bukan jadwal tahunan tetap), keputusan build/buy/redeploy yang didokumentasikan per kapabilitas kritis alih-alih per departemen secara umum, dan jalur eskalasi yang jelas ketika satu kapabilitas kritis menunjukkan tanda attrition tinggi bersamaan dengan internal fill rate yang rendah.

Ini merupakan kombinasi yang, kalau dibiarkan tanpa intervensi, biasanya berakhir dengan opsi buy yang jauh lebih mahal dan lebih lambat dibanding kalau ditangani lebih awal lewat build atau redeploy.

Memutuskan build, buy, atau redeploy untuk tiap kapabilitas butuh visibilitas yang cepat ke data attrition, performa, dan risiko turnover — bukan laporan yang disusun manual setiap kuartal.

Talenta AI dari Mekari Talenta, lewat fitur Turnover Prediction dan asisten Airene, membantu tim HR mengidentifikasi siapa yang berisiko resign dalam 30 hari ke depan dan mendapatkan insight instan dari data karyawan, sehingga keputusan mempertahankan, melatih ulang, atau merekrut bisa diambil secepat kondisinya berubah, bukan setelah kapabilitas kritis sudah terlanjur hilang.

Pelajari lebih lanjut fitur-fitur Mekari Talenta dengan menghubungi tim sales kami dan coba gratis demonya sekarang.