Seperti Apa Program Upskilling AI yang Benar-benar Jalan

Di tulisan sebelumnya saya bahas kenapa kebanyakan training AI di perusahaan gagal berdampak: dia dirancang sebagai acara sehari, bukan sebagai perubahan cara kerja. Wajar kalau ada yang nyeletuk, "ya sudah, terus yang benar gimana?"

Ini jawaban saya, dari pengalaman merancang dan menjalankan program training lewat Latih AI, brand training korporat dari Infused. Bukan teori. Ini hal hal yang konsisten membedakan program yang beneran mengubah cara kerja tim dari yang cuma jadi pengeluaran.

Dan kabar baiknya, datanya mendukung. Laporan DataCamp 2026 menemukan perusahaan yang memasangkan investasi AI mereka dengan program upskilling terstruktur dan menyeluruh, dua kali lebih mungkin melaporkan ROI positif yang signifikan dari tool AI nya (42% dibanding 21% sebagai baseline). Struktur programnya bukan formalitas. Itu yang membedakan AI jadi nilai nyata atau cuma tagihan langganan.

Mulai dari Workflow Nyata, Bukan dari Tool

Kesalahan paling umum adalah menyusun training di sekitar tool. "Hari ini kita belajar ChatGPT, besok Claude, lusa fitur X." Orang pulang kenal banyak tool, tapi tidak tahu mana yang dipakai untuk pekerjaan mereka sendiri.

Saya selalu mulai dari arah sebaliknya. Sebelum sesi, saya cari tahu pekerjaan apa yang benar benar memakan waktu tim itu. Tim marketing mungkin habis berjam jam bikin variasi copy dan brief. Tim sales mungkin tenggelam di rangkuman meeting dan follow up. Tim operasional mungkin terjebak di laporan rutin yang formatnya itu itu saja.

Materi training lalu dibangun di atas pekerjaan pekerjaan itu. Bukan "ini cara prompting yang baik" secara umum, tapi "ini cara kamu memangkas pekerjaan X yang tadi pagi masih kamu lakukan manual". Yang relevan dengan pekerjaan jauh lebih mungkin diterapkan. Versi baru model evaluasi Kirkpatrick bahkan menegaskan relevansi memprediksi perubahan perilaku lebih kuat daripada kepuasan atau keseruan sesi.

Sekitar 70% Harus Praktik

Ini prinsip yang tidak bisa ditawar buat saya. Sesi yang berhasil porsinya sekitar 70% hands-on. Peserta mengerjakan tugas mereka sendiri pakai AI, di depan saya, sambil saya bantu memperbaiki.

Kenapa sekeras ini soal praktik? Karena skill itu hanya terbentuk lewat melakukan, bukan menonton. Orang bisa mengangguk paham waktu saya demo, lalu blank waktu disuruh mengerjakan sendiri. Jarak antara "paham" dan "bisa" itu cuma bisa dijembatani dengan tangan sendiri yang mengetik prompt, salah, lalu memperbaiki.

Praktik juga menyelesaikan masalah kurva lupa lebih awal. Kalau di hari training orang sudah berhasil sekali menyelesaikan pekerjaan nyata mereka pakai AI, mereka punya satu kemenangan konkret yang bisa diulang Senin pagi. Itu jangkar yang jauh lebih kuat daripada catatan slide.

Jalur Per Peran, Bukan Satu Kurikulum untuk Semua

Tim finance, marketing, HR, dan operasional tidak punya pekerjaan yang sama, jadi tidak masuk akal kalau materinya sama.

Saya membagi training jadi jalur per peran. Inti soal cara berpikir dengan AI memang dibagi bareng, karena itu fondasi semua orang. Tapi begitu masuk praktik, tiap tim mengerjakan use case dari pekerjaan mereka sendiri. Orang finance tidak perlu belajar bikin caption Instagram, orang marketing tidak perlu belajar merapikan rekonsiliasi.

Ini juga yang membedakan training yang terasa "buat saya" dari yang terasa "acara perusahaan". Begitu orang melihat AI menyelesaikan pekerjaan yang persis ada di meja mereka, resistensi runtuh sendiri. Tidak perlu motivasi, buktinya ada di layar mereka.

Ukur Kapabilitas, Bukan Kepuasan

Saya sudah singgung ini di tulisan sebelumnya, tapi penting diulang karena ini titik di mana paling banyak program tertipu menganggap dirinya sukses.

Lembar evaluasi di akhir sesi mengukur kepuasan, dan kepuasan hampir tidak memprediksi perubahan perilaku. Dalam kerangka Kirkpatrick, itu cuma Level 1, dan Level 1 secara eksplisit tidak membuktikan ada kapabilitas baru atau dampak bisnis.

Jadi yang saya pakai sebagai ukuran bukan "pesertanya senang", tapi pertanyaan seperti: berapa banyak peserta yang berhasil menyelesaikan tugas nyata mereka di sesi praktik. Use case apa yang mereka komit untuk mulai pakai. Lalu beberapa minggu kemudian, apakah use case itu beneran jalan. Ini lebih repot diukur, tapi inilah satu satunya angka yang menunjukkan uang trainingnya kembali.

Dukungan Setelah Hari H

Inilah bagian yang paling sering dilewatkan, dan paling menentukan. Training bukan acara, dia proses. Satu sesi melawan kurva lupa hampir selalu kalah.

BCG menemukan orang yang menerima lebih dari lima jam training jauh lebih mungkin jadi pengguna AI reguler dibanding yang menerima kurang dari itu. Artinya, sesi tunggal hampir selalu kurang. Yang membuat skill bertahan adalah pengulangan dan penerapan berjarak: orang mencoba di pekerjaan nyata, mentok, lalu mendapat bantuan, beberapa kali.

Dalam praktik, ini bisa berbentuk sesi lanjutan, channel tanya jawab tempat orang mengirim masalah nyata mereka, atau "office hours" singkat beberapa minggu setelah training. Bentuknya fleksibel. Yang tidak fleksibel adalah kenyataan bahwa tanpa kelanjutan, sebagian besar materi akan hilang dalam hitungan hari.

Dukungan Pimpinan dan Waktu yang Dilindungi

Satu hal yang sering diremehkan: tanpa dukungan nyata dari pimpinan, program sebagus apa pun akan layu. Bukan dukungan dalam bentuk sambutan pembuka, tapi dalam bentuk keputusan.

BCG dalam laporan AI at Work menemukan perusahaan yang mereka sebut "future-built" berencana meng-upskill lebih dari 50% karyawannya, dibanding cuma 20% di perusahaan yang tertinggal. Dan perusahaan unggul ini empat kali lebih mungkin punya program belajar AI yang terstruktur serta menyediakan waktu yang dilindungi bagi karyawan untuk belajar.

Poin "waktu yang dilindungi" itu krusial. Kalau orang diharapkan belajar dan menerapkan AI sambil beban kerjanya tetap penuh seratus persen, mereka akan balik ke cara lama yang mereka tahu cepat. Pimpinan yang serius memberi ruang untuk eksperimen, dan yang lebih penting, sendiri terlihat memakai AI. Tim membaca apa yang dilakukan atasannya, bukan apa yang dikhotbahkan.

Bottom Line

Program upskilling AI yang jalan tidak butuh sulap. Dia butuh disiplin pada beberapa hal yang membosankan: berangkat dari pekerjaan nyata orangnya, banyak praktik, jalur per peran, mengukur kapabilitas bukan kepuasan, ada kelanjutan setelah hari H, dan didukung pimpinan dengan waktu yang nyata.

Bedanya dengan workshop sehari yang lupa Senin bukan soal kontennya lebih canggih. Bedanya soal bentuk. Yang satu acara, yang satu perubahan cara kerja. Dan datanya jelas: yang membangun program terstruktur dua kali lebih mungkin mendapat ROI nyata dari AI nya.

Kalau perusahaan kamu sudah pernah training AI tapi tidak terasa berubah apa apa, kemungkinan besar bukan timnya yang salah. Kemungkinan besar trainingnya dirancang sebagai acara. Itu bisa diperbaiki.

Catatan: tulisan ini saya susun dengan bantuan AI untuk riset dan draf, lalu saya periksa dan tulis ulang sebagai pemikiran saya sendiri. Datanya dari laporan DataCamp State of Data and AI Literacy 2026, BCG AI at Work 2025, dan model evaluasi Kirkpatrick. Pengalaman dan opini di dalamnya dari menjalankan training lewat Latih AI. Silakan cek sumbernya kalau mau menggali lebih dalam.