Bina Pipeline Bakat IT Kampus untuk EdTech & AI

Pada 21/12/2025, banyak institusi pendidikan tinggi di Malaysia (dan serantau) sedang buat dua perkara serentak: mengejar agenda AI dalam pendidikan, sambil bergelut nak isi jawatan IT yang kritikal. Yang peliknya, ramai organisasi cuba “menang” dengan cara yang sama—cari calon senior dari luar, tawar gaji ikut siling sektor awam, kemudian kecewa bila tak dapat orang yang sesuai.

Most organisasi silap di sini: pasukan EdTech yang kukuh jarang dibina dengan membeli bakat mahal semata-mata. Ia dibina dengan sistem yang konsisten—pipeline bakat yang sengaja dirancang. Itu intipati yang saya ambil daripada pandangan kepimpinan Tim Chester (pemimpin IT sistem universiti besar di AS) tentang cara membangunkan pasukan IT yang pelbagai, tahan lasak, dan berkembang dalam jangka panjang.

Yang menarik, strategi ini bukan sekadar “HR punya hal”. Untuk siri AI dalam Pendidikan dan EdTech, pipeline bakat ialah prasyarat untuk perkara yang kita semua nak: pembelajaran diperibadikan, analitik pembelajaran yang boleh dipercayai, automasi operasi akademik, dan ekuiti digital.

Pipeline bakat IT: lebih daripada sekadar “plan pengambilan”

Pipeline bakat IT ialah rangka kerja yang memastikan institusi sentiasa ada aliran staf yang boleh dibentuk, dipromosikan, dan diamanahkan projek berimpak—tanpa bergantung pada pengambilan mid-senior dari luar.

Dalam perbincangan Tim Chester, satu prinsip yang jelas ialah: apabila ambil orang dari luar, ambil sedekat mungkin dengan peringkat permulaan. Alasannya bukan romantik. Ia sangat praktikal:

• Kolam calon entry-level biasanya lebih besar dan lebih pelbagai (bukan sekadar demografi, tapi juga pengalaman hidup dan set kemahiran).
• Institusi boleh ajar “cara kampus bekerja”: budaya perkhidmatan, keselamatan data pelajar, tadbir urus, dan realiti bajet.
• Risiko “pecah moral” akibat isu kompresi gaji (orang baru dibayar lebih dari staf lama) jadi lebih rendah.

Dalam konteks AI dan EdTech, pipeline ini jadi lebih penting sebab teknologi berubah cepat. Hari ini kita bercakap tentang LLM, AI tutor, learning analytics, polisi privasi—tahun depan, tooling dan standard berubah lagi. Kalau pasukan anda dibina semata-mata atas “siapa yang dah ada pengalaman alat X”, anda akan sentiasa lewat satu pusingan.

Kenapa strategi “beli pakar” selalu gagal (dan mahal)

Mengambil staf senior dari luar bukan salah—tapi jadikan ia default, itu yang memakan organisasi. Tim menyebut sesuatu yang ramai CIO/IT Director rasa tapi jarang cakap kuat: pengambilan mid-senior luar ialah “roll of the dice”. Kerapnya 50-50.

Di kampus, kegagalan ini biasanya datang daripada 3 punca:

1) Jurang budaya kerja kampus

Orang yang sangat hebat di korporat kadang-kadang terkejut dengan realiti kampus: proses perolehan, jawatankuasa, stakeholder akademik, dan keperluan audit.

EdTech bukan sekadar deploy sistem—ia kerja hubungan manusia. Kalau seseorang tak selesa “membina persetujuan”, projek AI yang melibatkan pensyarah, fakulti, dan pelajar akan tersekat.

2) Kompresi gaji dan keadilan dalaman

Bila institusi terpaksa “pecahkan siling” untuk tarik seorang pakar, staf sedia ada akan bandingkan. Moral jatuh. Kadar keluar meningkat. Akhirnya kos jadi berganda.

3) Kebergantungan kepada individu

AI dalam pendidikan memerlukan operasi yang stabil: data pipeline, MLOps ringkas, pemantauan bias, sokongan pengguna. Jika satu “pakar luar” jadi single point of failure, pasukan anda rapuh.

Pendekatan pipeline mengurangkan semua ini dengan membina kapasiti secara berpasukan.

Prinsip pipeline yang serasi dengan agenda AI dalam pendidikan

Jawapan ringkas: ambil orang yang betul, latih dengan cara yang betul, dan cipta budaya yang membenarkan pembelajaran. Ini bukan slogan; ia boleh dijadikan sistem.

1) Ambil entry-level untuk sikap, bukan alat

Tim tekankan ciri yang dia cari: akauntabiliti, komunikasi, kesediaan mencuba tugasan mencabar, dan boleh diajar.

Dalam pasukan EdTech/AI, ini lebih bernilai daripada “pernah guna platform X” kerana:

• Tool AI berubah cepat.
• Polisi dan risiko (privasi, bias, halusinasi) menuntut kebolehan berfikir, bukan hafal.
• Kejayaan AI di kampus bergantung pada kemahiran kerja rentas fungsi.

One-liner yang saya suka: Kalau anda hanya mengupah untuk kemahiran hari ini, anda sedang membeli masa lalu.

2) Utamakan promosi dalaman sebagai strategi, bukan ganjaran

Ramai pengurus kata mereka “suka promote within”. Tapi bila ada jawatan kosong, mereka tetap minta calon luar yang “siap pakai”.

Pipeline yang serius buat begini:

1. Senaraikan 5–10 staf yang berpotensi.
2. Bina pelan 6–12 bulan (projek, shadowing, latihan, rotation).
3. Bila jawatan dibuka, rekrut dari dalam dulu.

Ini selari dengan keperluan AI: anda perlukan staf yang faham data dan proses kampus, bukan sekadar pandai tool.

3) Jadi “arkitek budaya”: selamat untuk cuba, jelas tentang akauntabiliti

Daripada perbualan mereka, mesej yang paling kuat ialah peranan pemimpin sebagai pembentuk budaya.

“CIO mesti bina budaya yang membuatkan orang rasa selamat untuk ambil risiko dan berkembang… anda di situ untuk memimpin, bukan mengikut ketakutan institusi.”

Terjemahan praktikal untuk pasukan AI/EdTech:

• Benarkan prototaip kecil (contoh: AI untuk ringkasan nota mesyuarat) sebelum projek besar.
• Buat garis panduan jelas: data apa boleh digunakan, bagaimana log disimpan, siapa pemilik risiko.
• Normalisasikan post-mortem tanpa menyalahkan individu.

AI memerlukan eksperimen. Eksperimen memerlukan keselamatan psikologi.

Contoh pelaksanaan: pipeline 12 bulan untuk “AI-Ready EdTech Team”

Kalau anda nak mula tahun 2026 dengan langkah yang kemas, ini contoh rangka kerja 12 bulan yang realistik untuk institusi pendidikan tinggi.

Fasa 1 (0–3 bulan): Pemetaan peranan dan kemahiran

Jawapan terus: kenal pasti kerja AI/EdTech yang benar-benar perlu dibuat, bukan yang nampak canggih.

• Audit 10 proses kritikal (contoh: sokongan LMS, identiti & akses, data pelajar, helpdesk, keselamatan).
• Tentukan 6 peranan teras yang sesuai di kampus:
  • EdTech Support (LMS & kelas digital)
  • Data & Learning Analytics (dashboard, kualiti data)
  • Automation Engineer (workflow, integrasi)
  • AI Enablement (prompting, guideline, ujian)
  • Privacy & Risk Liaison (polisi, pematuhan)
  • Change & Adoption (latihan, komuniti amalan)

Fasa 2 (4–6 bulan): Pengambilan entry-level + program apprenticeship

Jawapan terus: ambil lebih awal, latih lebih cepat.

• Ambil 3–8 orang junior (graduan baru / pelajar tahun akhir) untuk intake berkumpulan.
• Strukturkan apprenticeship 6 bulan:
  • 2 minggu onboarding keselamatan data & SOP kampus
  • 8 minggu rotation (helpdesk → LMS → data)
  • 8 minggu projek mini (contoh: chatbot FAQ dalaman yang tak akses data sensitif)
  • 6 minggu placement ikut kekuatan

Fasa 3 (7–9 bulan): Projek berimpak rendah risiko, tinggi pembelajaran

Jawapan terus: pilih projek yang ukurannya kecil tapi boleh ulang.

Contoh projek sesuai:

• Automasi tiket helpdesk untuk kategorikan isu LMS (tanpa data peribadi).
• Dashboard kehadiran/engagement kursus untuk pensyarah dengan data minimization.
• Polisi penggunaan AI generatif untuk staf akademik dan pelajar (contoh: apa boleh, apa tak boleh).

Fasa 4 (10–12 bulan): Laluan kerjaya dan promosi dalaman

Jawapan terus: jadikan “naik pangkat dari dalam” sebagai mekanisme standard.

• Dokumenkan tahap kemahiran (Junior → Intermediate → Senior) untuk 4 keluarga peranan.
• Tetapkan matriks kompetensi (komunikasi, akauntabiliti, keselamatan, data literacy).
• Buka peluang “tugas mencabar” secara telus—bukan ikut siapa rapat.

Soalan lazim (yang biasanya muncul dalam mesyuarat pengurusan)

“Kalau kita ambil junior, siapa nak buat kerja kritikal sekarang?”

Ambil junior bukan bermaksud tiada senior. Model yang stabil ialah ‘spine’ kecil senior + ‘bench’ junior yang berkembang. Jika semua peranan kritikal bergantung pada senior luar, organisasi itu memang rapuh.

“Macam mana nak pastikan kualiti bila banyak latihan?”

Kualiti datang daripada standard kerja (SOP, code review, runbook, pemantauan) bukan daripada senioriti semata-mata. Latihan tanpa standard memang huru-hara. Latihan dengan standard ialah pelaburan.

“Adakah pipeline ni bantu kurangkan bias dalam AI?”

Ya—dengan syarat anda reka prosesnya betul. Pasukan yang lebih pelbagai menghasilkan semakan yang lebih baik terhadap dataset, andaian model, dan impak kepada pelajar berbeza latar.

Apa yang patut anda buat minggu ini (kalau serius nak bina pipeline)

Saya cadangkan tiga tindakan kecil tapi berkesan:

1. Wajibkan “calon dalaman dahulu” untuk setiap jawatan IT yang dibuka—sekurang-kurangnya 10 hari.
2. Pilih satu projek AI/automasi low-risk untuk dijadikan “projek latihan” yang berulang setiap intake.
3. Tetapkan seorang pemimpin sebagai pemilik pipeline (bukan HR semata-mata): ukur kadar promosi dalaman, kadar kekal staf 12 bulan, dan masa untuk staf junior jadi productive.

Pasukan AI dalam pendidikan yang mantap bukan muncul sebab kita beli platform paling mahal. Ia muncul sebab kita membina manusia—dan kita buat ia dengan disiplin.

Kalau 2026 ialah tahun institusi anda nak mengembangkan pembelajaran diperibadikan dan analitik pembelajaran, persoalan akhirnya begini: adakah pasukan IT/EdTech anda dibina untuk belajar sepantas teknologi berubah, atau hanya cukup-cukup untuk bertahan?