Perancangan Strategik IT Untuk AI Pendidikan 2026

Kebanyakan institusi pendidikan tinggi sibuk “berlari” mengejar projek teknologi—bila sistem stabil, tiada siapa perasan; bila ia gagal, semua orang tanya kenapa. Dalam suasana hujung tahun seperti sekarang (21/12/2025), perbualan bajet 2026 makin rancak, dan satu topik jadi pembuka bicara hampir di mana-mana: AI.

Masalahnya bukan AI itu “baik” atau “buruk”. Masalah sebenar ialah AI menuntut asas IT yang lebih kemas daripada biasa—data yang terurus, proses kerja yang jelas, tadbir urus yang tegas, dan pasukan yang tak keletihan. Perbualan Sophie White dan Jenay Robert bersama Jason Maslanka (CTO/Deputy CIO) dan Ed Puckett (pengurus projek IT) menyentuh perkara yang ramai terlepas pandang: strategi AI dalam pendidikan takkan jadi kenyataan kalau perancangan strategik IT masih sekadar senarai projek.

AI bukan projek: ia “lapisan” atas semua yang kita buat

Jawapan ringkas: AI jarang berdiri sendiri; ia menyentuh pengajaran & pembelajaran, operasi universiti, keselamatan, data, dan budaya kerja.

Jason berkongsi realiti yang saya sendiri sering nampak: AI jadi “topik popular” yang memaksa institusi kembali berbincang perkara lama yang tertangguh—penambahbaikan proses kerja, rasionalisasi aplikasi, dan keutamaan yang benar-benar menyokong kejayaan pelajar. Ini penting untuk siri “AI dalam Pendidikan dan EdTech” kerana AI paling bernilai bila ia:

• menyokong pembelajaran diperibadikan (cadangan aktiviti, sokongan tutorial, maklum balas pantas),
• mengukuhkan analisis prestasi pelajar (amaran awal risiko tercicir, pola kehadiran/penyertaan),
• mempercepat kerja pentadbiran (contoh: ringkasan kes pelajar, draf surat, semakan polisi),
• dan meningkatkan kualiti perkhidmatan (chatbot sokongan pelajar, bantuan IT, carian pengetahuan).

Namun semua itu perlukan syarat asas: data yang boleh dipercayai dan ekosistem aplikasi yang tak berselerak. AI tak “membaiki” data kotor; ia cuma menghasilkan jawapan kotor yang lebih meyakinkan.

“Sindrom benda berkilat” boleh jadi strategi—kalau dikawal

Ed menyebut sindrom “benda berkilat” (shiny thing). Saya setuju dengan pendirian ini: setiap teknologi baharu memang akan bermula sebagai benda berkilat. Bezanya, institusi yang matang akan mengubah perbualan daripada:

“Kita nak AI apa?”

kepada:

“Masalah apa yang patut diselesaikan dulu, dan AI sesuai di bahagian mana?”

Ini titik pembeza antara implementasi AI yang sekadar percubaan, dengan AI yang benar-benar menambah baik pengalaman pembelajaran.

Strategik yang “seimbang”: AI perlukan lebih daripada visi besar

Jawapan terus: Pelan strategik yang bagus mesti menyokong matlamat besar dengan objektif dalaman—proses, kapasiti organisasi, latihan, dan infrastruktur.

Ed membawa masuk idea kerangka balanced scorecard: objektif strategik biasanya jatuh dalam empat kelompok—pemegang taruh/pelanggan, kewangan, proses dalaman, dan kapasiti organisasi. Di universiti, kita selalu hebat pada matlamat besar:

• tingkatkan enrolmen,
• tingkatkan pengalaman pelajar,
• kuatkan penyelidikan,
• eratkan hubungan komuniti.

Tapi banyak institusi lemah pada dua lapisan yang “tak glamour”:

• proses dalaman (data governance, integrasi sistem, SOP kerja),
• kapasiti organisasi (latihan, perubahan budaya, pengurusan perubahan).

Untuk AI dalam pendidikan, dua lapisan ini ialah “enjin” sebenar. Contoh praktikal:

• Anda mahu analitik prestasi pelajar? Anda perlukan definisi data yang seragam: apa maksud “berisiko”? data dari LMS, SIS, kehadiran, dan penilaian mesti boleh digabung.
• Anda mahu pembelajaran diperibadikan? Anda perlukan kandungan modular, rubrik yang konsisten, dan metadata kursus yang kemas.
• Anda mahu AI untuk staf akademik? Anda perlukan garis panduan penggunaan, latihan literasi AI, dan mekanisme semakan kualiti.

Metafora renang Ed: bila semua benda jadi “sprint”, prestasi jatuh

Ed beri metafora yang melekat: latihan renang yang asyik sprint akhirnya buat teknik rosak—dan ironinya, jadi lebih perlahan. Ini tepat dalam pengurusan portfolio projek.

Jika universiti memaksa semua inisiatif AI berjalan serentak—chatbot, analitik, automasi pentadbiran, sistem pembelajaran adaptif—tanpa memperkemas asas, anda akan dapat:

• integrasi yang rapuh,
• keselamatan longgar,
• data bercanggah,
• dan pasukan yang penat sebelum sempat menuai hasil.

Rancang lebih pendek, laksana lebih tangkas: 2026 perlukan “portfolio”, bukan PDF tebal

Jawapan terus: IT tak perlukan pelan lima tahun yang terlalu terperinci; IT perlukan keutamaan jelas, tadbir urus yang hidup, dan portfolio yang boleh diubah.

Jason membuat satu pemerhatian yang berani tetapi masuk akal: kadang-kadang IT tak perlukan “pelan strategik IT” yang berdiri sendiri. Yang perlu ialah mekanisme untuk menyokong keutamaan institusi—dan mekanisme itu mesti mudah berubah.

Beliau kongsi contoh nyata: dahulu jangkaan ialah mengurangkan pusat data; kini realitinya berubah kerana permintaan kuasa pengkomputeran (contohnya GPU) untuk penyelidikan dan beban AI. Itu bukan kegagalan perancangan—itu realiti teknologi.

Di sinilah saya cadangkan pendekatan yang praktikal untuk 2026:

1. Kekalkan 3–5 keutamaan AI peringkat institusi (contoh: kejayaan pelajar, produktiviti staf, keselamatan & privasi, pengajaran berkualiti).
2. Tukar pelan pelaksanaan kepada portfolio suku tahunan (Q1/Q2/Q3/Q4) dengan semakan semula.
3. Pastikan bajet, tadbir urus, dan pengurusan projek bergerak bersama—kalau tidak, pelan jadi poster cantik.

Tadbir urus (governance) ialah brek dan stereng serentak

Ed menekankan tadbir urus yang baik supaya projek baharu boleh masuk dan projek lama boleh diutamakan semula. Untuk AI dan EdTech, tadbir urus yang sihat biasanya ada:

• papan keputusan merentas fakulti/pentadbiran,
• kriteria pemilihan projek (impak pelajar, risiko, kos, kesediaan data),
• definisi pemilik produk (product owner) yang jelas,
• dan disiplin “berhenti” bila projek tak lagi relevan.

Tanpa ini, AI akan jadi “projek sampingan” yang hidup kerana hype, bukan kerana impak.

Pengurusan perubahan: beza antara pasukan letih dan pasukan fokus

Jawapan terus: Anda tak boleh memaksa perubahan AI tanpa mengurus beban kerja, emosi, dan motivasi manusia.

Sophie menyentuh isu change fatigue (keletihan perubahan). Ed melihatnya dari perspektif pengurus projek: setiap projek mencipta perubahan, dan orang yang sama biasanya sedang menjalankan operasi harian + 2–3 projek lain.

Apa yang saya suka tentang cadangan Ed ialah ia praktikal: jangan wariskan tarikh siap yang “ditetapkan dari atas” tanpa pasukan teknikal memberi input. Bila garis masa tidak realistik, dua perkara akan berlaku:

• kualiti menurun (termasuk keselamatan dan ujian),
• staf hilang rasa pemilikan.

Jason pula membawa “jawapan yang orang jarang suka dengar” tetapi benar: pengurusan perubahan kembali kepada kepimpinan manusia—kenal staf anda, faham apa yang memotivasikan mereka, dan seimbangkan kerja yang “membebankan” dengan projek yang memberi makna.

Amalan ringkas untuk 2026 (yang saya sarankan anda buat segera)

• Audit beban projek: setiap pasukan nyatakan kapasiti sebenar (contoh: 60% operasi, 40% projek).
• Bina pelan latihan AI 90 hari: fokus kepada peranan (pensyarah, pereka pembelajaran, kaunselor pelajar, pentadbir).
• Wujudkan panduan penggunaan AI: apa yang boleh/ tak boleh, data sensitif, semakan manusia.
• Ukur “tenaga pasukan” setiap bulan: bukan sekadar KPI, tetapi tanda awal keletihan.

ROI AI dalam pendidikan: ukur di peringkat kes penggunaan, bukan slogan besar

Jawapan terus: ROI AI paling mudah diukur bila anda fokus pada satu proses, satu kumpulan pengguna, dan satu metrik yang jelas.

Jenay membangkitkan isu yang sedang memuncak: ROI AI. Menariknya, perbincangan ROI lebih “tegas” untuk AI kerana ia sering melibatkan perbelanjaan baharu—lesen, infrastruktur, keselamatan, pematuhan.

Jason dan Ed jujur: ramai institusi masih belum pasti bagaimana mengira ROI AI pada skala universiti. Saya setuju. Jadi pendekatan yang lebih waras ialah mengukur ROI mengikut use case.

Contoh metrik ROI AI yang realistik (bukan semata-mata RM)

1. Kejayaan pelajar (Student success)
   • pengurangan kadar gagal kursus teras (contoh sasaran: -5% dalam 2 semester),
   • peningkatan kadar penyiapan tugasan,
   • masa respons sokongan akademik lebih cepat.
2. Produktiviti staf
   • masa menyiapkan draf bahan pengajaran turun (contoh: 90 minit → 45 minit),
   • masa menyediakan laporan akreditasi berkurang,
   • pengurangan tiket sokongan untuk isu berulang (melalui chatbot berasaskan pengetahuan).
3. Kualiti & pematuhan
   • kurang kesilapan data,
   • peningkatan pematuhan privasi,
   • audit log yang lebih lengkap untuk penggunaan AI.

“Kalau anda tak boleh nyatakan metrik kejayaan dalam satu ayat, anda belum sedia untuk meluaskan implementasi AI.”

Langkah seterusnya: bina pelan AI yang boleh hidup sepanjang 2026

AI dalam pendidikan dan EdTech bukan sekadar membeli alat baharu. Ia kerja menyusun semula cara institusi mengurus data, proses, dan manusia. Perancangan strategik IT yang moden ialah perancangan yang berani menyebut perkara “membosankan” seperti integrasi, latihan, tadbir urus, dan kapasiti—kerana itulah yang menentukan sama ada AI membantu pelajar, atau sekadar menambah kerja.

Jika anda sedang masuk fasa bajet 2026, saya cadangkan satu langkah mudah: pilih dua kes penggunaan AI yang benar-benar menyokong kejayaan pelajar, dan satu inisiatif asas (data governance atau integrasi) yang membuat dua kes penggunaan itu boleh bertahan.

Anda mahu AI digunakan meluas di kampus. Soalan yang patut kita fikirkan sekarang: adakah strategi IT anda sedang membina ketahanan—atau sekadar memenangi perlumbaan “sprint” seterusnya?