Cara agency staffing memangkas memo matching dan teks penawaran lowongan dari 30 menit jadi 5 menit dengan Claude Code

Jumat jam 5 sore. Wawancara dengan pencari kerja baru saja selesai, dan di kepala saya cuma ada firasat: “Orang ini kayaknya cocok buat lowongan gudang yang itu.” Tapi teks penawarannya masih kosong. Senin pagi-pagi saya harus kirim lowongan ke 5 pencari kerja yang berbeda.

Waktu saya ikut melihat teman saya yang jadi koordinator di agency staffing bekerja, bagian inilah yang paling menyita waktunya. Memo wawancara berserakan di notepad. Teks penawaran lowongan dibuat dengan menyalin teks lama, lalu cuma mengganti nama, upah per jam, dan lokasi kerja. Pas dibaca ulang, kadang masih ada kalimat yang ditujukan untuk pencari kerja sebelumnya.

Lebih parah lagi, teks yang dibuat buru-buru itu isinya tipis. Cuma deretan kata yang bisa ditempel ke lowongan apa pun: “dekat stasiun, upah tinggi, tanpa pengalaman pun boleh”. Tingkat balasan dari pencari kerja jelas tidak naik.

Di artikel ini, saya akan membuat pola di mana “pembuatan memo matching dan teks penawaran lowongan” itu didraf oleh Claude Code dan AI generatif, sehingga manusia bisa fokus ke penyempurnaan akhir. Pembahasan kodingnya minim. Sebagai gantinya, saya menyiapkan prompt yang bisa langsung salin-tempel, checklist untuk menstruktur memo wawancara, dan skrip verifikasi untuk menyaring hasilnya.

Poin penting

Tujuannya: memangkas waktu koordinator agency staffing membuat memo wawancara dan teks penawaran lowongan dari sekitar 30 menit per kasus menjadi sekitar 5 menit.
Yang diserahkan ke AI hanya sampai “produksi draf massal” dan “perapian gaya bahasa”. Kecocokan antara pencari kerja dan lowongan, serta konfirmasi akhir upah dan syarat, tetap dipegang manusia.
Saya menyiapkan dua jenis template prompt yang bisa langsung dipakai: satu untuk memo matching, satu untuk teks penawaran.
Saya menyertakan skrip verifikasi 20 baris yang secara otomatis mengecek apakah nama orang atau angka upah dari kasus lain ikut terselip di hasil.
Penanganan data pribadi dibahas terpisah. Nama, nomor telepon, dan alamat diganti dengan penyamaran sebelum diberikan ke AI.

Apa yang paling banyak menyita waktu koordinator agency staffing

Pertama, mari perjelas siapa pembacanya. Artikel ini ditujukan untuk koordinator yang menangani sendiri seluruh alur—mulai dari wawancara pencari kerja, penawaran lowongan, sampai koordinasi dengan perusahaan klien. Dalam sehari mewawancarai 3-6 orang, dan di sela-selanya mengirim 5-15 teks penawaran lowongan. Banyak juga yang merangkap sebagai sales.

Kalau alur kerjanya disusun secara garis besar, kira-kira begini.

Mewawancarai pencari kerja, menggali kondisi yang diinginkan, riwayat kerja, dan kepribadiannya
Merangkum hasil wawancara jadi memo matching, lalu menyimpannya di sistem internal atau spreadsheet
Memilih 2-3 lowongan yang paling cocok dari daftar lowongan yang ada
Menulis teks penawaran lowongan untuk pencari kerja, lalu mengirimnya lewat email atau chat
Melihat reaksinya, lalu mengeluarkan surat rekomendasi atau profil orang ke pihak perusahaan

Dari rangkaian itu, nomor 2 dan 4 adalah pekerjaan menulis. Wawancaranya sendiri, dan kejelian membaca kecocokan, cuma bisa dilakukan manusia. Tapi “transkrip dan perapian” memo dan teks penawaran itu adalah pengulangan langkah yang hampir sama setiap kali. Di sinilah giliran AI generatif.

Kesalahan ulang dan keluhan yang sering terjadi

Saat melihat dari samping, pola munculnya kerja ulang itu hampir selalu sama.

Kecelakaan salin-tempel: setelah memakai ulang teks penawaran lama, nama pencari kerja sebelumnya atau upah dari lowongan lain masih tertinggal. Baru sadar setelah terkirim, lalu harus kirim email permintaan maaf.
Teks penawaran yang tipis: kalau ditulis buru-buru, isinya cuma “suasana kerja kekeluargaan” dan “tanpa pengalaman pun boleh”, sementara satu kalimat yang menusuk tepat ke riwayat orang itu hilang. Balasan tidak datang.
Tingkat detail memo tidak rata: di hari sibuk memonya cuma 3 baris poin, di hari santai sampai 10 baris. Saat dibaca ulang nanti, bahan pertimbangannya kurang.
Kerja dua kali: teks penawaran untuk pencari kerja dan surat rekomendasi untuk perusahaan ditulis dari nol dua kali, padahal sumber datanya sama.

Sebelum penerapan, keempat hal ini terjadi di suatu titik setiap minggu. Setelah beralih ke pola membuat draf dengan AI, tingkat detail memo jadi konsisten, dan setiap teks penawaran pasti memuat “satu kalimat khas untuk orang itu”. Kecelakaan salin-tempel ditangkap oleh skrip verifikasi yang saya bahas nanti.

Use case 1: Menstruktur memo wawancara menjadi memo matching

Memo mentah tepat setelah wawancara biasanya belum berbentuk kalimat. Isinya coretan asal seperti “kerja sebelumnya call center 3 tahun, mau libur Sabtu-Minggu, komuter dalam 30 menit, lebih ke layanan daripada produksi, tanpa jeda kerja”. Merapikan ini jadi bentuk yang bisa dicari dan dibandingkan belakangan adalah tugas pertama.

Yang diserahkan hanya sampai “perapian”. Pembobotan bahan pertimbangan tetap dilakukan manusia. Kalau diubah menjadi bentuk yang mengisi item checklist di bawah, tingkat detail memo akan seragam setiap kali.

Jenis pekerjaan yang diinginkan / yang ingin dihindari
Lokasi kerja dan toleransi waktu komuter
Upah per jam yang diinginkan / batas minimum
Syarat hari kerja / shift
Ringkasan riwayat kerja (jenis pekerjaan terakhir dan lama tahun)
“Syarat yang tidak bisa ditawar” yang diucapkan orangnya sendiri
Catatan tambahan dari sudut pandang koordinator (kepribadian, kemungkinan betah)

Hanya item terakhir yang tidak ditulis AI, melainkan diisi satu kalimat oleh manusia. Di sinilah letak nilai dari agency staffing.

Use case 2: Memproduksi massal draf teks penawaran lowongan

Begitu memo matching dan informasi lowongan tersedia, draf teks penawaran bisa diserahkan ke AI. Kuncinya adalah menyuruh AI memasukkan satu kalimat “alasan kami merekomendasikan lowongan ini untuk Anda” yang mengaitkan riwayat pencari kerja dengan ciri khas lowongan. Cukup dengan kalimat ini masuk, kesan template-nya hilang.

Tabel di bawah ini adalah garis batas antara cakupan yang diserahkan ke AI dan cakupan yang wajib dikonfirmasi manusia.

Tahap	Diserahkan ke AI	Wajib diputuskan manusia
Perapian memo	Penstrukturan jadi poin	Penilaian kepribadian dan kemungkinan betah
Pemilihan lowongan	Bantuan penyaringan kandidat	Keputusan akhir boleh-tidaknya ditawarkan
Draf teks penawaran	Pembuatan dan perapian kalimat	Konfirmasi angka upah dan lokasi kerja
Penyesuaian nada	Penyesuaian kesopanan dan panjang	Keputusan mengirim ke pencari kerja
Surat rekomendasi ke perusahaan	Draf turunan dari teks penawaran	Konfirmasi fakta sebelum diberikan ke perusahaan

Ada alasan kenapa konfirmasi angka disisakan untuk manusia. AI generatif kadang menulis upah per jam atau tanggal yang kelihatan meyakinkan padahal salah. Angka yang tidak ada di data asli harus selalu dicurigai.

Use case 3: Mengubah teks penawaran untuk pencari kerja menjadi surat rekomendasi untuk perusahaan

Untuk orang yang sama, kepada pencari kerja kita tulis “alasan ini cocok untuk Anda”, dan kepada perusahaan kita tulis “alasan sebaiknya merekrut orang ini”. Sudut pandangnya terbalik, tapi sumber datanya sama: memo matching. Begitu draf untuk pencari kerja selesai, suruh AI menulis ulang jadi versi untuk perusahaan, maka kerja dua kali pun hilang.

Saat menurunkannya, beri instruksi jelas di prompt untuk membuang informasi yang hanya boleh dilihat pencari kerja (batas upah minimum, bagian mentah soal alasan pindah kerja) dari versi untuk perusahaan. Lupa membuangnya bisa jadi kecelakaan, jadi bagian ini pun ditangkap oleh skrip verifikasi.

Kalau Anda belum pernah menyentuh Claude Code, sebaiknya baca dulu Cara memulai Claude Code dan Claude Code untuk non-engineer, supaya prompt setelah ini lebih mudah dicerna.

Template prompt yang bisa langsung salin-tempel

Pertama, untuk memo matching. Tempelkan memo mentah tepat setelah wawancara untuk dipakai. Nama dan nomor telepon harus diganti dengan penyamaran sebelum ditempel (alasannya dibahas nanti).

Anda adalah asisten koordinator di agency staffing.
Rapikan memo wawancara berikut menjadi memo matching yang bisa dicari dan dibandingkan belakangan.

# Aturan
- Wajib mengisi item-item di bawah. Untuk item yang tidak ada informasinya, tulis "belum dikonfirmasi".
- Jangan mengarang upah per jam, lokasi kerja, atau tanggal yang tidak ada di memo.
- Jangan menulis penilaian kepribadian atau kemungkinan betah pencari kerja; kosongkan agar manusia menambahkannya.

# Item output
- Jenis pekerjaan diinginkan / yang dihindari
- Lokasi kerja, toleransi waktu komuter
- Upah per jam diinginkan / batas minimum
- Syarat hari kerja / shift
- Ringkasan riwayat kerja (jenis pekerjaan terakhir dan lama tahun)
- Syarat yang tidak bisa ditawar
- Catatan tambahan koordinator (kosong)

# Memo wawancara
<<tempelkan memo mentah di sini>>

Berikutnya, untuk teks penawaran lowongan. Berikan memo matching yang sudah dirapikan dan informasi lowongan.

Anda adalah asisten koordinator di agency staffing.
Buat draf teks penawaran lowongan untuk pencari kerja, dengan bahasa sopan, sepanjang 300-400 karakter.

# Elemen wajib
- Di awal, satu kalimat alasan merekomendasikan lowongan ini untuk pencari kerja ini. Kaitkan riwayat kerja dengan ciri khas lowongan.
- Isi pekerjaan, lokasi kerja, upah per jam, dan shift dalam bentuk poin.
- Angka (upah per jam, jumlah hari, periode) biarkan persis seperti informasi lowongan, jangan mengarang.
- Di akhir, dorong langkah berikutnya (pertanyaan, atau konsultasi jadwal wawancara) dalam satu kalimat.

# Memo matching
<<tempelkan memo yang sudah dirapikan>>

# Informasi lowongan
<<tempelkan syarat lowongan>>

Cukup dengan memilah dua prompt ini sesuai kebutuhan, tingkat detail memo dan struktur teks penawaran jadi stabil. Untuk yang ingin mendalami cara mengasah prompt, baca juga Prompt engineering tingkat lanjut.

Skrip verifikasi untuk menyaring hasil

Begitu draf bisa diproduksi massal, sekarang yang jadi perhatian adalah “apakah nama pencari kerja sebelumnya masih tertinggal”. Hal ini lebih cocok dikerjakan mesin daripada mata manusia. Saya menaruh skrip Node.js sekitar 20 baris yang mengecek apakah kata terlarang (nama pencari kerja lama, nama tempat dari lowongan lain, dll.) ikut tercampur di teks penawaran yang dihasilkan. Tidak butuh @anthropic-ai/sdk dan sejenisnya; cukup berjalan dengan Node.js saja.

// check-draft.mjs
// Cara pakai: node check-draft.mjs draft.txt
import { readFile } from "node:fs/promises";

// Daftar kata yang tidak boleh tercampur di output (nama pencari kerja lama, nama tempat lowongan lain, dll.)
const forbidden = ["Bapak Tanaka", "lowongan sebelumnya", "cabang Yokohama", "upah 1500 yen"];

const file = process.argv[2] ?? "draft.txt";
const text = await readFile(file, "utf8");

const hits = forbidden.filter((word) => text.includes(word));

if (hits.length === 0) {
  console.log("OK: tidak ditemukan kata terlarang.");
} else {
  console.log("Perlu dicek: kata berikut masih tertinggal di teks penawaran ->", hits.join(", "));
  process.exitCode = 1; // dipakai saat ingin menghentikan otomatisasi
}

Cukup tulis ulang array forbidden sesuai lowongan yang Anda tangani. Cukup melewatkan teks ini sekali sebelum mengirim, kecelakaan salin-tempel di awal artikel hampir hilang. Cara memasukkan verifikasi ini ke dalam CLAUDE.md dibahas detail di Praktik terbaik CLAUDE.md.

Catatan soal data pribadi dan keamanan

Bagian ini paling penting bagi koordinator. Nama, nomor telepon, alamat sekarang, dan nama perusahaan tempat kerja sebelumnya milik pencari kerja, dijalankan dengan pola tidak diberikan langsung ke AI generatif. Alasannya sederhana: mengirim informasi yang bisa mengidentifikasi seseorang ke layanan AI eksternal, dalam beberapa kasus, bisa melanggar janji kepada orang yang terdaftar.

Secara konkret, lakukan ini sebelum memberikannya ke AI.

Nama diganti jadi “Bapak A” atau “Pencari kerja X”
Telepon, email, dan alamat dihapus per item
Nama perusahaan sebelumnya cukup ditulis sektornya saja, misalnya “call center besar”

Setelah draf kembali, penggantian penyamaran kembali ke nama asli dilakukan di editor teks di tangan manusia sendiri. Kalau perusahaan belum punya aturan penggunaan AI generatif, tentukan dulu cakupan penggunaannya. Memberikan informasi pribadi ke pihak ketiga punya kewajiban hukum di banyak negara—untuk Indonesia, ada baiknya sekali membaca rangkuman resmi tentang UU Pelindungan Data Pribadi sebagai fondasi aturan internal.

Perkiraan ROI sebelum dan sesudah penerapan

Angka ini hanya perkiraan. Di tim teman saya, kami mengukur waktu pembuatan per satu teks penawaran.

Sebelum penerapan: dengan memakai ulang teks lama dan merevisinya, sekitar 20-30 menit per kasus
Sesudah penerapan: dengan pembuatan draf dan penyempurnaan, sekitar 5-8 menit per kasus

Misalkan satu koordinator menangani 10 kasus sehari. Kalau hemat 20 menit per kasus, sehari hemat sekitar 200 menit, lebih dari 3 jam jadi kosong. Kalau 20 hari kerja sebulan, lebih dari 60 jam. Waktu itu bisa dialihkan untuk menambah jumlah wawancara atau menghubungi pencari kerja untuk follow-up.

Tentu saja, beberapa hari pertama justru lebih lama karena penyesuaian prompt dan penataan kata terlarang. Modalnya baru balik sekitar minggu kedua. Tips hemat waktu kecil sehari-hari juga saya rangkum di Tips meningkatkan produktivitas.

Kalau Anda ingin meninjau ulang pekerjaan menulis di seluruh bisnis staffing tingkat perusahaan, mulai dari pelatihan dan konsultasi yang menggarap desain prompt dan pembuatan aturan operasional bersama-sama akan lebih mudah mengakar di lapangan.

Pertanyaan umum

Q. Kalau diserahkan ke AI generatif, apakah teks penawarannya jadi terasa mekanis? A. Bisa jadi. Tapi itu terjadi ketika “satu kalimat yang mengaitkan riwayat kerja dengan lowongan” tidak diwajibkan. Kalau di prompt Anda menyuruh AI memasukkan satu kalimat alasan rekomendasi, kesan template-nya banyak berkurang. Penyempurnaan akhir tetap dengan asumsi dilakukan manusia.

Q. Apakah AI harus dihubungkan langsung ke sistem internal kami? A. Tidak perlu. Untuk awal, cukup salin-tempel memo dan informasi lowongan, lalu menerima draf, sudah cukup berjalan. Integrasi sistem bisa dipertimbangkan setelah operasionalnya mapan.

Q. Apakah AI tidak salah soal upah per jam atau lokasi kerja? A. Bisa salah. Karena itu konfirmasi angka disisakan untuk tahap manusia. AI generatif kadang menulis angka yang tidak ada di data asli dengan meyakinkan, jadi sebelum mengirim wajib mencocokkannya dengan informasi lowongan.

Q. Kalau nama pencari kerja disamarkan, apakah kalimatnya jadi tidak natural? A. Pada tahap draf, “Bapak A” tidak masalah. Cukup ganti “Bapak A” di teks yang kembali jadi nama asli di editor Anda sendiri. Bisa diganti sekaligus dengan cari-ganti.

Hasil ketika benar-benar saya coba

Saya sendiri menerima 5 memo wawancara dari teman, lalu menjalankannya lewat prompt dan skrip verifikasi di atas. Yang ingin saya pastikan ada tiga: waktu pembuatan draf, deteksi kecelakaan salin-tempel, dan kerepotan pola penyamaran.

Draf teks penawaran rata-rata terbentuk dalam sekitar 5 menit per kasus. Yang paling berpengaruh adalah instruksi “satu kalimat alasan rekomendasi”; cukup dengan itu, kalimatnya berubah jadi teks yang bikin orang ingin membalas. Pada skrip verifikasi, saya sengaja memberinya teks yang masih menyisakan nama pencari kerja sebelumnya, dan benar berhenti dengan status “Perlu dicek”. Pola penyamaran awalnya terasa merepotkan, tapi karena cuma menyisipkan satu kali penggantian, dalam 2 hari saya sudah terbiasa.

Sebaliknya, ada satu kali AI sedikit membulatkan angka lowongan. Dua digit terakhir upah per jam berubah. Memang benar menyisakan konfirmasi akhir angka untuk manusia. Draf oleh AI, keputusan dan angka oleh manusia. Selama menjaga garis batas ini, pembuatan memo matching dan teks penawaran lowongan pasti jadi jauh lebih ringan.