AI Tersuai untuk Kecekapan Institusi Pendidikan

Pada hujung 2025, banyak institusi pendidikan berdepan realiti yang sama: bajet makin ketat, pengambilan staf dibekukan, dan beban pematuhan (privacy, audit, aksesibiliti) makin tinggi. Dalam situasi begini, AI tersuai bukan “projek teknologi semata-mata”—ia jadi cara paling praktikal untuk mengekalkan kualiti perkhidmatan kampus tanpa membakar pasukan pentadbiran dan IT.

Yang menarik, universiti yang paling cepat nampak hasil biasanya bukan yang “beli alat AI paling mahal”, tetapi yang membina atau menala AI ikut konteks institusi: istilah dalaman, polisi, aliran kerja, dan sistem pembelajaran seperti LMS. Bila dibuat betul, AI boleh mengurangkan kerja berulang, mempercepat sokongan, dan—yang selalu dilupakan—membuka ruang untuk fokus pada pembelajaran diperibadikan.

Artikel ini memecahkan apa yang berkesan daripada dua contoh dunia sebenar (University of Michigan dan UC San Diego), kemudian menterjemahkannya kepada tindakan yang boleh dibuat oleh universiti, kolej, politeknik, dan juga penyedia EdTech di Malaysia.

AI tersuai: bila ia berbaloi (dan bila ia membazir)

AI tersuai berbaloi apabila kerja anda bergantung pada konteks dalaman yang unik. Jika staf perlu rujuk polisi, prosedur, format dokumen, atau istilah yang “orang luar memang tak faham”, AI generik akan banyak tersasar. Di sinilah custom (atau vertical AI) menang.

Sebaliknya, AI generik sudah memadai untuk tugasan universal seperti merumus e-mel, membaiki tatabahasa, atau menghasilkan draf awal kandungan. Ini kategori “semua orang akan guna dan dapat manfaat yang hampir sama”.

Cara mudah menilai:

• Jika jawapan betul bergantung pada dokumen dalaman (SOP, pekeliling, garis panduan peperiksaan, manual kewangan, rubrik penilaian) → AI tersuai.
• Jika risiko salah jawapannya tinggi (kewangan, pematuhan, keselamatan data, rekod pelajar) → AI tersuai dengan kawalan ketat.
• Jika tugasan tidak sensitif dan mudah disemak → AI generik + garis panduan penggunaan.

Dalam siri “AI dalam Pendidikan dan EdTech”, saya melihat pola yang sama: organisasi yang menang bukan yang paling banyak eksperimen, tetapi yang paling cepat memilih use case bernilai tinggi dan mengukurnya.

Pelajaran dari kampus besar: tutor 4 minit, jimat 10–12 jam seminggu

Kunci kejayaan AI di kampus ialah integrasi pada tempat kerja sebenar pengguna. Bila AI wujud sebagai laman web asing yang perlu log masuk berasingan, kadar guna jatuh. Bila AI duduk “di dalam” sistem yang pengguna buka setiap hari—contohnya LMS—barulah ia hidup.

Di University of Michigan, platform AI mereka (Maizey) diintegrasikan dengan Canvas. Hasilnya sangat konkrit:

• Pensyarah boleh “deploy tutor” untuk kursus dalam 4 minit melalui Canvas.
• Pelajar yang menggunakan tutor tersebut menunjukkan peningkatan gred purata 5% hingga 9%.
• Pensyarah yang menggunakan tutor menjimatkan 10 hingga 12 jam seminggu masa office hours.

Ini bukan angka kecil. Jika seorang pensyarah dapat semula 10 jam seminggu, itu masa untuk:

• bimbingan berkualiti kepada pelajar yang betul-betul perlukan bantuan,
• semakan tugasan yang lebih teliti,
• reka bentuk aktiviti pembelajaran aktif,
• atau output penyelidikan.

“AI ialah UI baharu” — maksudnya untuk EdTech

Ungkapan “AI ialah UI baharu” tepat untuk konteks EdTech: antara muka AI bukan lagi menu dan butang semata-mata, tetapi dialog yang faham niat pengguna. Dalam LMS, ini boleh jadi:

• pelajar menaip “terangkan topik ini ikut tahap saya” dan sistem rujuk nota kursus,
• pensyarah menaip “bina kuiz aras sederhana ikut CLO 2” dan sistem cadang soalan berserta rasional,
• staf akademik menaip “apa prosedur rayuan peperiksaan?” dan sistem jawab ikut polisi semasa.

Namun syaratnya jelas: AI mesti berpaut pada kandungan institusi dan tatacara institusi, bukan internet rawak.

“Vertical AI” untuk operasi: contoh kewangan, geran, dan perolehan

AI tersuai paling cepat memberi ROI biasanya bermula di operasi belakang tabir—kewangan, perolehan, HR, geran penyelidikan—kerana prosesnya penuh kerja berulang dan dokumen tebal.

Di UC San Diego, mereka membina suite pembantu AI (TritonGPT) dan memanfaatkan konteks dalaman untuk melatih “coach” pengurusan dana/geran. Yang penting di sini bukan sekadar model AI, tetapi kurasi pengetahuan:

• polisi dan prosedur dalaman,
• bahan latihan,
• video latihan,
• nota komuniti amalan,
• istilah dan struktur organisasi.

AI seperti ini tidak mudah “dipindahkan” ke institusi lain kerana setiap tempat guna istilah, carta akaun, dan aliran kelulusan yang berbeza. Dan itu sebenarnya berita baik: inilah kelebihan strategik—AI yang faham cara kampus anda bekerja.

Jimat kos bukan semata-mata lesen: fikir juga infrastruktur

Satu lagi pengajaran besar: kos AI bukan hanya pada langganan cloud. UC San Diego menekankan penggunaan perkakasan sendiri (on-premise) untuk menjalankan sistem pada kos yang jauh lebih rendah berbanding membeli perkhidmatan cloud berskala besar.

Untuk konteks Malaysia, tidak semua institusi perlu terus bina pusat data sendiri. Tetapi wajar menilai strategi hibrid:

• data sensitif kekal on-premise atau dalam persekitaran awan yang dikawal,
• tugasan kurang sensitif guna model awan yang kos-efektif,
• pemantauan penggunaan supaya kos token/permintaan tidak “meletup” senyap-senyap.

Kes studi paling “pedas”: dari ratus ribu kepada $62 setahun

Jika anda nak hujah yang cepat meyakinkan pihak pengurusan, kisah perolehan University of Michigan ini sukar ditandingi.

Mereka membangunkan alat AI untuk invois/pembilan dalaman yang menggantikan alat vendor:

• Kos alat lama: ratus ribu dolar.
• Kos alat baharu (Maizey): $62 setahun.
• Ketepatan alat lama: ~50% dan memerlukan 3 staf sepenuh masa untuk membetulkan.
• Ketepatan alat baharu: 97%.
• 3 staf tersebut tidak dibuang kerja—mereka dialihkan kepada kerja bernilai tinggi.

Ini satu prinsip yang saya suka pegang: AI yang bagus bukan yang “mengurangkan orang”, tapi yang mengurangkan kerja remeh. Dalam pendidikan, nilai sebenar datang bila staf dapat kembali fokus pada pelajar dan kualiti perkhidmatan.

Kecekapan bukan sekadar masa dan wang: karbon, ekuiti digital, dan etika

Kecekapan ada banyak definisi, dan institusi pendidikan tak boleh hanya kira ringgit dan jam. Ada tiga risiko yang perlu dianggap serius sejak awal:

1) Jejak karbon dan penggunaan tenaga

Model AI memerlukan kuasa pengkomputeran. Jika institusi “menjimatkan masa” tetapi menaikkan penggunaan tenaga tanpa kawalan, itu kecekapan palsu.

Amalan yang praktikal:

• tetapkan polisi bila perlu guna model besar vs model kecil,
• cache jawapan untuk soalan SOP yang berulang,
• hadkan pemprosesan berat pada waktu bukan puncak,
• ukur penggunaan tenaga dan kos operasi sebagai KPI.

2) Jurang ekuiti digital

AI tutor boleh membantu pelajar, tetapi ia juga boleh melebarkan jurang jika:

• akses peranti tidak seimbang,
• internet tidak stabil untuk sesetengah pelajar,
• kandungan tidak mesra OKU.

Jika kampus serius tentang pembelajaran diperibadikan, aksesibiliti dan reka bentuk inklusif mesti jadi syarat, bukan ciri tambahan.

3) Privasi, pematuhan, dan halusinasi

Untuk institusi, kesilapan AI bukan sekadar “jawapan salah”—ia boleh jadi isu audit dan reputasi.

Minimum yang perlu ada:

• klasifikasi data (apa boleh masuk AI, apa tak boleh),
• log dan jejak audit untuk pertanyaan sensitif,
• “guardrails” pada kandungan yang dibenarkan,
• aliran eskalasi kepada manusia untuk kes berisiko tinggi.

Pelan 90 hari untuk mula bina AI tersuai di kampus

Kalau anda nak bergerak pantas tetapi terkawal, ini rangka kerja yang saya gunakan untuk projek AI dalam pendidikan.

Fasa 1 (Hari 1–30): Pilih use case dan ukur baseline

Jawapan terus: pilih satu proses berulang yang ada data dan pemilik jelas.

Contoh use case yang cepat menang:

• chatbot SOP akademik (tangguh pengajian, rayuan peperiksaan, pertukaran kursus),
• pembantu pensyarah dalam LMS (FAQ kursus berasaskan nota rasmi),
• automasi semakan borang perolehan/invois,
• pembantu meja bantuan IT (reset akaun, akses Wi-Fi, tiket).

KPI baseline (sebelum AI):

• masa purata penyelesaian,
• bilangan tiket/permintaan,
• kadar rujukan semula (repeat issues),
• kepuasan pengguna.

Fasa 2 (Hari 31–60): Kurasi pengetahuan + prototaip selamat

Jawapan terus: AI tersuai menang kerana kandungan yang dikurasi, bukan kerana model yang glamour.

Buat ini dahulu:

• himpunkan dokumen rasmi terkini (SOP, manual, polisi),
• buang versi lama yang mengelirukan,
• selaraskan istilah (glosari dalaman),
• tetapkan “sumber tunggal kebenaran” untuk setiap topik.

Kemudian prototaip dengan ciri asas:

• carian berasaskan dokumen (RAG) dengan petikan sumber dalaman,
• penapis topik sensitif,
• mod “saya tak pasti” + cadangan rujuk pejabat berkaitan.

Fasa 3 (Hari 61–90): Integrasi, latihan pengguna, dan tadbir urus

Jawapan terus: integrasi pada sistem kerja harian (LMS/ERP/helpdesk) menentukan kadar guna.

Fokus pada:

• integrasi SSO dan peranan (pelajar/pensyarah/staf),
• templat pertanyaan untuk situasi biasa,
• latihan ringkas berasaskan tugas (bukan teori AI),
• dasar penggunaan AI untuk tugasan akademik dan pentadbiran.

Tadbir urus yang ringkas tetapi tegas:

• jawatankuasa kecil (IT + akademik + perundangan/privasi + wakil pelajar),
• semakan bulanan kualiti jawapan,
• log insiden dan penambahbaikan.

Satu ayat yang patut jadi pegangan: Kalau AI tak boleh diaudit, ia tak patut sentuh proses kritikal.

Apa langkah seterusnya untuk institusi dan penyedia EdTech di Malaysia?

Menjelang tahun akademik baharu 2026, saya jangka dua perkara akan jadi penanda aras: AI dalam LMS dan AI untuk operasi institusi. Bukan untuk “nampak moden”, tapi sebab tekanan kos dan ekspektasi pelajar memang memaksa.

Jika anda di pihak institusi, mulakan dengan satu projek kecil tetapi bermakna: AI tutor dalam kursus berimpak tinggi, atau AI pembantu SOP yang mengurangkan beban kaunter. Jika anda penyedia EdTech, fokus pada kemampuan yang benar-benar membantu pelanggan: integrasi peranan, log audit, kawalan data, dan kebolehsuaian mengikut polisi.

Soalan yang patut dibawa ke mesyuarat pengurusan minggu ini: proses mana yang paling banyak makan masa staf—dan sebenarnya boleh diselesaikan dengan AI tersuai tanpa menambah risiko?