Strategi AI di Kampus: Menang dengan ‘Human Edge’

Pada hujung 2025, saya perasan satu corak yang sama di banyak kampus: AI bukan lagi topik “orang IT”. Dekan tanya pasal polisi penggunaan GenAI, pensyarah nak alat semakan tugasan yang lebih adil, unit kemasukan pelajar nak ramalan pendaftaran, dan meja bantuan pula dibanjiri soalan “boleh tak saya guna chatbot untuk e-mel rasmi?”. Bila semua orang minta AI serentak, masalah sebenar bukan memilih alat—tetapi menyelaraskan manusia, data, dan misi.

Inilah inti pati yang paling relevan daripada senarai isu teknologi pendidikan tinggi 2026 yang dibincangkan oleh Gartner: “The Human Edge of AI”. Maksudnya mudah: nilai AI dalam pendidikan tak datang daripada model paling hebat; ia datang bila pelajar, pensyarah, dan staf tahu guna AI secara kritikal, kreatif, dan selamat, serta kampus ada strategi yang jelas.

Dalam siri AI dalam Pendidikan dan EdTech, artikel ini saya olahkan menjadi panduan praktikal: bagaimana universiti/ kolej boleh bergerak daripada projek perintis (pilot) kepada pelaksanaan AI yang benar-benar menyokong pembelajaran diperibadikan, analitik prestasi pelajar, dan operasi kampus yang lebih cekap—tanpa “terbakar” dari segi risiko, kos, dan kepercayaan.

‘Human Edge of AI’: Kenapa manusia masih penentu utama

Jawapan ringkas: AI akan gagal di kampus jika literasi, tatakelola, dan budaya penggunaannya lemah—walaupun teknologinya mahal dan canggih.

Banyak organisasi menganggap transformasi AI ialah projek teknologi. Realitinya, di institusi pendidikan, AI ialah projek perubahan tingkah laku. Pelajar perlu faham beza antara bantu idea dengan meniru. Pensyarah perlu tahu cara mereka bentuk penilaian yang tahan AI. Staf perlu yakin apa yang boleh dan tak boleh dimasukkan ke dalam alat AI (data peribadi, rekod pelajar, bahan sulit).

Gartner menekankan “Human Edge” kerana kemajuan AI begitu pantas sampai kita tak mampu silap langkah. Saya setuju—dan saya akan tambah satu lagi: kepercayaan ialah mata wang baharu AI di kampus. Sekali ada insiden (contoh: data pelajar bocor melalui prompt, atau keputusan automasi yang berat sebelah), momentum AI boleh jatuh mendadak.

Apa maksud “guna AI secara kritikal, kreatif, selamat” di bilik darjah?

Berikut contoh yang saya lihat paling “menjadi” dalam konteks EdTech:

• Kritikal: Pelajar diminta sertakan log pemikiran—apa yang mereka minta daripada AI, apa yang mereka tolak, dan kenapa. Fokusnya bukan output, tetapi judgement.
• Kreatif: Pensyarah gunakan GenAI untuk jana variasi soalan latihan mengikut tahap (mudah–sederhana–tinggi), kemudian semak dan pilih yang sesuai.
• Selamat: Kampus sediakan “garis merah” yang jelas: data pengenalan diri pelajar, rekod disiplin, keputusan peperiksaan individu—tak boleh masuk ke alat awam.

“AI yang berkesan di kampus ialah AI yang memaksa kita jadi lebih teliti, bukan lebih malas.”

Data ialah bahan api AI—dan ramai kampus masih bocor tangki

Jawapan ringkas: Tanpa data yang bersih, ditadbir urus, dan mudah dicapai, AI dalam pendidikan akan menghasilkan keputusan yang bercanggah dan sukar dipertahankan.

Gartner menyebut data sebagai asas yang “memacu” AI. Dalam dunia universiti, isu data biasanya lebih rumit kerana sistem teras berlapis:

• SIS (Student Information System)
• LMS (Learning Management System)
• ERP dan kewangan
• CRM kemasukan pelajar
• pelbagai platform pembelajaran digital (EdTech pihak ketiga)

Kalau definisi asas pun bercelaru—contoh paling klasik: apa maksud “pelajar aktif”—maka analitik prestasi pelajar, amaran awal keciciran, atau personalisasi pembelajaran akan jadi “bising” dan tak konsisten.

Checklist ringkas “AI data readiness” untuk institusi

Sebelum membina apa-apa yang besar, saya cadangkan buat audit pantas 30–45 hari. Fokus pada perkara yang boleh diukur:

1. Definisi data teras: pelajar aktif, kehadiran, penyertaan kursus, GPA, status kewangan—siapa pemilik definisi?
2. Kualiti data: berapa banyak rekod kosong/duplikasi? (contoh KPI: <2% duplikasi untuk ID pelajar)
3. Akses & kebenaran: siapa boleh lihat apa, dan melalui proses apa?
4. Jejak audit: bila data berubah, siapa ubah, kenapa?
5. Kesediaan integrasi: adakah data boleh disatukan merentas LMS–SIS tanpa kerja manual setiap minggu?

Bila data kemas, barulah AI benar-benar membantu—contohnya untuk analisis prestasi pelajar, cadangan intervensi, atau laporan keberkesanan kursus.

Strategi AI peringkat perusahaan: Berhenti ‘pilot’ yang tak bersambung

Jawapan ringkas: Kampus perlu strategi AI yang menyokong misi (pengajaran, penyelidikan, khidmat) dan memilih use case yang memberi pulangan yang jelas.

Satu poin penting daripada Gartner: banyak institusi mahu bergerak melepasi fasa hype dan perintis. Ini tepat. Saya sering nampak situasi begini:

• Fakulti A guna chatbot X
• Fakulti B bina tool sendiri
• Pejabat pendaftaran beli modul AI vendor
• Unit pemasaran guna GenAI untuk kandungan

Akhirnya, kampus ada 12 alat, 12 polisi kecil, 0 penyelarasan. Kos naik. Risiko naik. Kesan kepada pelajar? Tak konsisten.

Kerangka 6 langkah untuk strategi AI kampus (praktikal, bukan teori)

1. Tetapkan visi misi-aligned
   • Pilih 2–3 hasil utama, contoh: kurangkan keciciran tahun 1, percepat sokongan akademik, naikkan produktiviti operasi.
2. Senarai use case ikut nilai & risiko
   • Matriks mudah: impak tinggi/rendah vs risiko tinggi/rendah.
3. Pilih “3 use case utama” untuk 90 hari pertama
   • Jangan 20 projek serentak. Buat sedikit tapi menjadi.
4. Bina tatakelola AI
   • Jawatankuasa kecil yang ada akademik, hal ehwal pelajar, perundangan, keselamatan siber, data.
5. Tentukan ‘AI stack’ yang realistik
   • Apa yang akan disediakan secara pusat? Apa yang dibenarkan di fakulti?
6. Ukur ROI dan kesan pembelajaran
   • ROI bukan semata-mata wang. Ukur masa staf, kepuasan pelajar, kadar lulus, masa respon sokongan.

Ini selari dengan pendekatan “measured” terhadap teknologi baharu: bukan anti-AI, tapi tegas memilih.

Literasi data + literasi AI: Silibus baharu yang patut merentas fakulti

Jawapan ringkas: Literasi AI dan literasi data patut jadi kemahiran asas semua warga kampus—seperti kemahiran spreadsheet suatu masa dulu.

Gartner membezakan:

• Literasi data: kebolehan membaca, menulis, dan berkomunikasi tentang data mengikut konteks.
• Literasi AI: kebolehan menggunakan AI secara berkesan dan bertanggungjawab.

Saya akan ambil pendirian tegas di sini: melatih staf sahaja tak cukup. Kampus yang serius mesti bina “laluan literasi” untuk pelajar juga—terutama kerana AI akan ikut mereka ke tempat kerja.

Pelan latihan 3 peringkat (boleh mula Januari–Mac 2026)

• Peringkat 1: Asas (wajib)
  • Privasi, keselamatan, bias, etika akademik, cara menulis prompt yang tidak mendedahkan data.
• Peringkat 2: Peranan-spesifik
  • Pensyarah: reka bentuk penilaian, rubrik yang telus, penggunaan AI untuk maklum balas.
  • Staf pentadbiran: automasi e-mel, ringkasan dokumen, SOP data.
  • Unit IT/ data: model risiko, pemantauan, integrasi.
• Peringkat 3: Lanjutan (komuniti amalan)
  • “AI clinic” bulanan, perkongsian kes, repositori prompt yang disahkan.

Satu prinsip yang saya suka: latihan AI bukan program sekali siap. Ia perlu berulang, sebab alat dan risiko berubah setiap semester.

Vendor AI di ERP/LMS: ‘perang portal’ versi 2026

Jawapan ringkas: AI akan makin banyak tertanam dalam ERP, SIS, LMS, dan CRM—dan kampus perlu strategi vendor supaya tak terperangkap kos dan kekeliruan.

Gartner menjangkakan landskap vendor menjadi lebih rumit apabila fungsi AI masuk ke sistem teras. Ini realistik. Bila setiap vendor menawarkan “AI assistant” sendiri, kampus akan berdepan situasi:

• Pelajar guna pembantu AI di LMS
• Staf guna pembantu AI di ERP
• Pensyarah guna pembantu AI di alat penilaian

Masalahnya bukan sekadar UX. Ia melibatkan:

• Data bergerak ke mana?
• Siapa bertanggungjawab bila AI tersilap?
• Model harga: add-on, token, atau per pengguna?

Soalan pembelian yang patut wajib dalam RFP/penilaian vendor

• Data latihan: adakah data kampus digunakan untuk melatih model? Boleh ‘opt-out’?
• Log & audit: boleh jejak prompt dan output untuk siasatan?
• Kawalan akses: boleh asingkan peranan pelajar/pensyarah/staf?
• Integrasi: adakah API/penyepaduan mengurangkan kerja manual?
• Kos 12–24 bulan: anggaran realistik, bukan harga promosi.

Kalau kampus tak tanya soalan ini awal, kos dan risiko akan “mengejar” kemudian.

Soalan lazim (yang orang kampus betul-betul tanya)

Patutkah kita tunggu polisi nasional/seragam sebelum mula?

Tak. Mula dengan prinsip dan tatakelola dalaman, terutama untuk data sensitif dan integriti akademik. Polisi boleh dikemas kini, tetapi budaya kerja perlu dibentuk sekarang.

Use case AI paling cepat beri hasil untuk pendidikan tinggi?

Tiga yang biasanya cepat:

1. Sokongan pelajar (chatbot FAQ berasaskan pengetahuan rasmi + eskalasi manusia)
2. Maklum balas pembelajaran (ringkasan prestasi, cadangan latihan, analitik LMS)
3. Produktiviti pentadbiran (ringkasan minit mesyuarat, draf surat, pencarian dokumen)

Bagaimana elak AI jadi alat menipu?

Reka bentuk penilaian yang menilai proses: draf bertahap, refleksi, pembentangan lisan, dan tugasan berasaskan konteks tempatan. AI boleh membantu, tetapi jejak kerja pelajar mesti kelihatan.

Langkah seterusnya: bina AI yang “membantu manusia”, bukan menggantikan hubungan

AI dalam pendidikan dan EdTech akan terus masuk ke kelas, makmal, dan sistem kampus—sama ada kita “sedia” atau tidak. Bezanya, kampus yang menang pada 2026 ialah kampus yang membina strategi AI peringkat perusahaan, mengemas data sebagai aset, dan melabur serius pada literasi AI.

Jika anda seorang pemimpin akademik, CIO, atau pengurus EdTech, saya cadangkan mulakan minggu ini dengan satu tindakan kecil tetapi tegas: pilih 3 use case yang paling berkait dengan misi kampus, tetapkan pemilik, dan tentukan metrik kejayaan 90 hari. Bila ada kejayaan yang boleh dibuktikan, lebih mudah untuk skala—dan lebih mudah untuk dapatkan sokongan bajet.

Akhirnya, soalan yang patut kita bawa ke 2026 bukan “alat AI mana paling hebat?”, tetapi: apakah kemahiran dan kepercayaan yang kita mahu pelajar bawa selepas graduasi—dan bagaimana AI boleh menyokongnya tanpa mengorbankan integriti?