Polisi AI & EdTech: Apa CIO Kampus Perlu Buat Sekarang

Pada 2025, ramai pemimpin teknologi di universiti tak kekurangan idea—yang susah ialah memilih idea yang selamat, patuh, dan berbaloi bila dasar kerajaan berubah laju. Dalam episod susulan podcast EDUCAUSE Shop Talk, perbualan Sophie White bersama John O’Brien dan Jarret Cummings mengingatkan satu perkara: AI dalam pendidikan bukan sekadar isu produk atau pedagogi; ia isu polisi, tadbir urus, dan risiko institusi.

Saya suka cara mereka melihat “bising” dunia dasar—daripada peraturan AI di Eropah, tarik-tolak persekutuan vs negeri, sampailah tekanan baharu untuk membuktikan value for money pendidikan tinggi. Untuk siri “AI dalam Pendidikan dan EdTech”, ini sangat kena pada masanya—lebih-lebih lagi menjelang hujung tahun, ketika kampus menutup perancangan 2026 dan vendor EdTech giat menolak pembaharuan AI.

1) Arah polisi AI makin berpecah—kampus tak boleh tunggu “satu jawapan”

Jawapan ringkasnya: jangan bina strategi AI kampus berdasarkan satu set peraturan sahaja. Realitinya, peraturan dan pendekatan tadbir urus AI sedang berpecah mengikut rantau dan tahap kerajaan.

John O’Brien menyentuh tentang jurang regulasi apabila pentadbiran di AS bergerak menjauh daripada mengawal AI, dan bagaimana institusi mula memandang ke arah Eropah—terutamanya kerangka seperti EU AI Act (mereka mengaitkan ia dengan kesan “seperti GDPR”). Jika kampus anda ada pelajar antarabangsa, program mobility, penyelidikan bersama, atau platform pembelajaran yang memproses data warga EU, anda akan berdepan realiti ini.

Jarret Cummings pula menekankan gambaran yang lebih rumit: apabila negara cuba menggerakkan dasar ekonomi dan keselamatan negara untuk mempengaruhi cara negara lain mengawal syarikat teknologi (terutamanya AI). Maksud praktikal untuk kampus? Vendor anda mungkin “patuh” di satu rantau tetapi bertembung di rantau lain, dan kesannya turun ke kampus melalui kontrak, aliran data, dan ciri produk.

Apa yang patut CIO/CTO kampus buat minggu ini

1. Peta “jejak data” AI anda: data pelajar, staf, penyelidikan—di mana ia disimpan, siapa pemproses, dan negara pusat data.
2. Tetapkan kategori risiko penggunaan AI (rendah/sederhana/tinggi) untuk kes guna seperti: bantuan menulis, proctoring, analitik ramalan, chatbot kaunseling, pengambilan pelajar.
3. Wujudkan “policy radar” bulanan: satu dokumen ringkas yang menjejak perubahan dasar persekutuan, negeri, dan antarabangsa yang relevan pada EdTech.

Ayat yang saya selalu ulang dalam mesyuarat: “Kalau kita tak tahu data kita bergerak ke mana, kita sebenarnya tak tahu apa yang kita beli.”

2) Kerjasama rentas negara: bukan sekadar MoU, tapi penyelarasan standard

Jawapan terus: peluang kerjasama terbesar sekarang ialah pada standard dan interoperabiliti, bukan semata-mata pertukaran pelajar atau projek sekali-sekala.

John berkongsi pengalaman bertemu komuniti rakan di negara lain (contohnya Jepun) dan menyebut idea “benchmarking summit”—menghimpunkan organisasi yang membuat penanda aras pendidikan tinggi. Ini penting untuk EdTech dan AI kerana kita perlukan ukuran yang seragam untuk soalan yang sama:

• Sejauh mana AI benar-benar meningkatkan produktiviti?
• Adakah AI meningkatkan akses (atau sekadar memindahkan beban kerja)?
• Apakah indikator kualiti pembelajaran diperibadikan yang boleh dibandingkan antara institusi?

Contoh praktikal (yang kampus Malaysia juga boleh guna)

Jika universiti anda menggunakan platform pembelajaran digital dan alat AI untuk sokongan pelajar, bina penanda aras merentas fakulti atau kampus satelit:

• Masa respons sokongan akademik (sebelum/selepas chatbot)
• Kadar penyelesaian isu tanpa eskalasi kepada staf
• Kadar pengekalan pelajar untuk kursus asas berisiko tinggi
• Kepuasan pelajar untuk pengalaman pembelajaran (bukan sekadar “alat menarik”)

Bila penanda aras ini wujud, kerjasama antarabangsa lebih mudah—anda bercakap dalam bahasa metrik yang sama.

3) Persekutuan vs negeri: kesan “tak nampak” yang akhirnya jadi besar

Jawapan ringkas: walaupun kampus anda tak beroperasi di AS, pertarungan dasar persekutuan-negeri boleh mempengaruhi produk AI global—sebab banyak vendor utama membina pematuhan berdasarkan pasaran terbesar.

Dalam perbualan, Sophie mengingatkan tentang bagaimana rangka kerja negeri (contohnya California) boleh memberi kesan kepada semua orang kerana vendor perlu mengikut mandat negeri tertentu. Jarret pula menjangkakan kemungkinan perintah eksekutif yang cuba menghalang negeri daripada mengawal AI, dan ini membuka ruang perbalahan undang-undang.

Apa kaitannya dengan EdTech kampus?

• Ciri AI boleh berubah tiba-tiba (dimatikan di sesetengah tempat, atau disekat fungsi tertentu).
• Terma kontrak dan DPA (data processing agreement) boleh dikemas kini secara sepihak.
• Model audit dan ketelusan mungkin berbeza mengikut wilayah—menyukarkan universiti membuat penilaian risiko yang konsisten.

Cara “kalis kejutan” dalam kontrak EdTech berasaskan AI

Masukkan keperluan yang jelas dalam perolehan:

• Hak untuk audit keselamatan dan privasi (atau sekurang-kurangnya laporan audit pihak ketiga)
• Klausa notifikasi perubahan material (contoh: model AI, lokasi pemprosesan data, sub-pemproses)
• Polisi data retention & deletion yang tegas
• Kejelasan tentang data training: data kampus digunakan untuk melatih model atau tidak

Ini bukan kerja glamor, tapi inilah yang mengelakkan krisis.

4) Teknologi untuk kurangkan kos: fokus pada produktiviti yang boleh dibuktikan

Jawapan terus: AI boleh mengurangkan kos jika anda memilih kes guna yang jelas, ukur impak, dan elakkan automasi yang mencipta risiko baharu.

John O’Brien menyebut contoh mudah tetapi kuat: penggunaan chatbot untuk membantu pelajar reset kata laluan multifactor authentication (MFA). Ini nampak kecil, tetapi di kampus besar, ia memakan masa helpdesk dan mengganggu operasi. Automasi di sini memberi dua manfaat: kurang masa staf untuk tugas rutin dan pelajar dapat akses lebih cepat.

Bagi saya, ini ialah prinsip yang patut jadi standard dalam strategi AI kampus:

1. Mulakan dengan proses berulang, volum tinggi, risiko rendah.
2. Pastikan ada “jalan keluar” kepada manusia bila kes kompleks.
3. Ukur sebelum dan selepas—kalau tak ukur, anda tak boleh pertahankan bajet.

5 kes guna AI “kos-rendah, impak-tinggi” untuk 2026

1. Chatbot perkhidmatan pelajar (status permohonan, jadual, yuran, reset akaun)
2. Ringkasan tiket helpdesk dan cadangan jawapan kepada staf (bukan auto-hantar)
3. Semakan pematuhan kandungan (contoh: aksesibiliti, format rubrik, konsistensi polisi kursus)
4. Analitik pembelajaran untuk mengesan “drop-off” dalam LMS (dengan guardrail privasi)
5. Automasi dokumen dalaman (SOP, memo, FAQ HR/IT) dengan carian semantik tertutup

Jika kampus anda memilih dua atau tiga daripada senarai ini dan melaksana dengan baik, anda akan ada cerita kos dan kualiti yang boleh dipertahankan di mesyuarat pengurusan.

5) “Nilai” pendidikan tinggi kini diukur dengan lebih keras—AI mesti menyokong naratif itu

Jawapan terus: tekanan dasar yang menilai pulangan program akan memaksa universiti membuktikan hasil, dan AI/EdTech perlu digunakan untuk memperkukuh hasil itu—bukan sekadar menambah alat.

Jarret menyentuh perubahan arah dasar yang menekankan akauntabiliti: program yang graduannya tidak memperoleh pendapatan melebihi penanda aras tertentu boleh berdepan tekanan besar (termasuk risiko akses pembiayaan). Walaupun ini konteks AS, mesejnya universal: pembuat dasar dan masyarakat mahukan bukti pulangan.

Jadi bagaimana AI dalam pendidikan membantu?

• Pembelajaran diperibadikan yang benar-benar menaikkan kadar lulus kursus teras
• Sokongan awal kepada pelajar berisiko (intervensi, bimbingan akademik, kaunseling)
• Pemetaan kemahiran-ke-pekerjaan: analitik yang menghubungkan hasil kursus dengan keperluan industri

Ini juga menuntut disiplin: jika AI menaikkan kadar penyiapan kursus tetapi menurunkan integriti akademik, kampus akan rugi reputasi. Nilai bukan hanya gred; nilai ialah kebolehpasaran, kecekapan, dan kepercayaan.

Soalan lazim yang patut dijawab dalam tadbir urus AI kampus

• Data apa yang AI akses? (markah, aktiviti LMS, rekod kehadiran, data kewangan)
• Siapa bertanggungjawab bila AI silap? (pensyarah, unit IT, vendor)
• Bagaimana kita kesan bias? (terutama untuk analitik ramalan dan pemprofilan pelajar)
• Bagaimana pelajar diberi pilihan? (opt-out untuk kes guna berisiko tinggi)

Penutup: 2026 bukan tentang “lebih banyak AI”, tapi AI yang boleh dipertahankan

Perbualan dalam EDUCAUSE Shop Talk membawa satu pengajaran yang saya rasa ramai kampus terlepas pandang: ketidakpastian dasar ialah realiti operasi, bukan gangguan sementara. Bila kuasa eksekutif berubah, bila mahkamah melambatkan penyelesaian, dan bila peraturan berbeza antara wilayah, universiti yang menang ialah universiti yang ada disiplin tadbir urus.

Untuk siri “AI dalam Pendidikan dan EdTech”, saya akan pegang prinsip ini masuk 2026: pilih kes guna AI yang mengurangkan kos atau menaikkan hasil pembelajaran, ukur impak secara konsisten, dan bina pematuhan sebagai ciri produk—bukan kerja sampingan.

Jika anda pemimpin teknologi, pentadbir akademik, atau pengurus EdTech, soalan yang patut kita bawa ke mesyuarat awal tahun ialah: AI mana yang kita sanggup pertahankan—di hadapan auditor, pelajar, dan pembuat dasar—dan AI mana yang patut kita hentikan sebelum ia menjadi liabiliti?