Selaraskan Alat Projek EdTech untuk AI Berfungsi Baik

Pada hujung tahun akademik, banyak universiti dan kolej membuat satu keputusan besar: melabur dalam platform EdTech baharu—LMS, analitik pembelajaran, proctoring, chatbot sokongan pelajar, atau modul AI untuk pembelajaran diperibadikan. Tetapi kegagalan paling kerap bukan pada teknologi itu sendiri. Ia berlaku lebih awal: apabila alat pengurusan projek vendor bertembung dengan tool dalaman kampus.

Saya pernah lihat projek yang secara teknikalnya “mudah” (contoh: integrasi data ke ERP/CRM dan SSO) jadi lambat berbulan-bulan hanya sebab pasukan sibuk menyalin status tugas antara dua sistem, atau kerana vendor mengunci komunikasi dalam platform mereka sedangkan pasukan kampus masih perlu mengurus 10 projek lain. Untuk AI dalam pendidikan, isu ini jadi lebih serius—sebab AI perlukan aliran data dan proses yang konsisten. Bila kerja projek bersepah, data pun bersepah.

Artikel ini mengangkat realiti tersebut dan menawarkan beberapa pilihan. Dalam siri “AI dalam Pendidikan dan EdTech”, saya nak bawa satu pendirian yang jelas: kalau anda nak AI “jadi”, anda kena selesaikan dulu konflik toolset dan cara kerja—bukan selepas go-live, tapi dari fasa rundingan.

Kenapa konflik tool pengurusan projek menghancurkan EdTech (dan AI)

Jawapan ringkas: dua “sumber kebenaran” (source of truth) melahirkan dua versi realiti. Vendor bergerak ikut playbook mereka, kampus ikut struktur tadbir urus dan portfolio projek mereka. Bila kedua-duanya tak diselaraskan, projek bukan sekadar lewat—ia jadi mahal, meletihkan, dan hubungan kerja jadi tegang.

Dalam konteks AI dalam pendidikan, konflik ini memberi kesan langsung kepada tiga perkara:

1. Kualiti data dan kebolehcapaian data
   • AI untuk analitik pembelajaran atau amaran awal (early warning) perlukan definisi data yang jelas, pemilikan data, dan jadual kerja integrasi yang stabil.
2. Kepantasan membuat keputusan
   • Bila isu dibincang dalam tool vendor tetapi kelulusan dalaman berlaku dalam sistem lain, tindakan jadi lambat. AI tak sabar menunggu “mesyuarat minggu depan”.
3. Adopsi pengguna (pensyarah & pelajar)
   • Jika pasukan dalaman sudah penat dengan “kerja admin”, latihan dan komunikasi kepada pengguna akhir akan jadi mangsa. Akhirnya, AI nampak seperti projek yang memaksa, bukan membantu.

Peranan sebenar PPM di institusi pendidikan

PPM (project & portfolio management) bukan sekadar papan tugas. Dalam institusi pendidikan tinggi, ia menyokong:

• Tadbir urus (siapa lulus apa, bila, dan kenapa)
• Keutamaan organisasi (projek mana didahulukan)
• Perancangan strategik & ramalan (kapasiti dan bajet)
• Penjejakan kapasiti sumber (pasukan data, integrasi, keselamatan)
• Perancangan projek & pengurusan tugasan (tugas, tarikh, kebergantungan)

Isu paling tajam biasanya pada bahagian terakhir: tugasan granular. Vendor sering memulakan dengan tugasan aras tinggi seperti “konfigurasi integrasi ke Sistem A”. Kampus pula perlu memecahkan itu kepada 20–60 sub-tugas merentas pasukan (data, keselamatan, rangkaian, aplikasi, akademik, vendor lain). Di sinilah “pertembungan alat” menjadi kos tersembunyi.

Empat model selarasan alat: pilih ikut realiti, bukan ego

Jawapannya bukan “mesti guna tool vendor” atau “mesti ikut tool kampus”. Jawapannya: pilih model yang paling kurang membazir masa dan paling jelas sumber kebenaran.

Di bawah ialah 4 model yang saya guna sebagai kerangka keputusan (diadaptasi dan diperluas daripada amalan implementasi yang biasa dalam pendidikan tinggi).

Model 1: Ikut tool vendor sepenuhnya (sesuai untuk pasukan kecil)

Ini berfungsi bila:

• Institusi belum ada proses pengurusan projek yang matang
• Projek ini satu-satunya inisiatif besar ketika itu
• Vendor buat majoriti kerja, kampus hanya sediakan akses, semakan, dan keputusan

Syarat supaya model ini tak menyakitkan:

• Vendor sediakan onboarding ringkas (bukan latihan 3 jam yang tak relevan)
• Akses pengguna disusun awal (lesen, peranan, notifikasi)
• Struktur projek vendor disesuaikan kepada konteks kampus (contoh: fasa kelulusan keselamatan dan privasi data)

Risiko utama: bila kampus mula menambah projek EdTech/AI lain, tool vendor jadi “silo” yang memaksa log masuk berasingan untuk benda remeh.

Model 2: Ikut tool dalaman kampus (sesuai untuk PMO matang)

Ini pilihan yang lebih sihat bila:

• Ada PMO yang mengawal portfolio dan tadbir urus
• Banyak projek berjalan serentak
• Kampus ada standard templat, jadual kelulusan, dan mekanisme penjejak kapasiti

Caranya bukan memaksa vendor meninggalkan playbook mereka. Caranya:

• Vendor beri rangka kerja tugas dan garis masa dalam format yang boleh diimport
• Kampus kekalkan satu papan “source of truth” untuk tugasan dan status
• Vendor lapor kemajuan mengikut milestone yang dipersetujui (bukan mengikut istilah dalaman vendor semata-mata)

Kesan positif kepada AI dalam pendidikan: bila tugasan integrasi data dan kawalan akses diurus dalam sistem dalaman, audit, pematuhan, dan jejak keputusan jadi lebih kemas—ini sangat penting untuk AI yang memproses data pelajar.

Model 3: Dua sistem, tapi dengan strategi “minimum duplikasi”

Ini model yang paling kerap berlaku, dan paling mudah gagal jika tiada disiplin.

Prinsipnya:

• Sistem vendor: jejak milestone besar, deliverable vendor, risiko vendor
• Sistem kampus: jejak tugasan granular dalaman (akses data, konfigurasi SSO, semakan polisi, UAT, latihan)

Apa yang wajib dibuat untuk elak “kerja salin-tampal”:

1. Tetapkan satu sumber kebenaran bagi setiap jenis maklumat
   • Contoh: tarikh UAT rasmi = sistem kampus; tarikh serahan konfigurasi vendor = sistem vendor
2. Hadkan medan yang diselaraskan
   • Cukup: status milestone, isu kritikal, tarikh go-live, keputusan kelulusan
3. Wujudkan “ritual” mingguan
   • 30 minit semakan risiko + perubahan skop, bukan mesyuarat status yang dibaca bulat-bulat

Pendirian saya: model hibrid ini masuk akal, tapi hanya jika anda betul-betul tegas tentang apa yang tidak perlu diselaraskan.

Model 4: Guna rubrik keputusan untuk tentukan “source of truth”

Ini cara paling profesional—dan paling mudah dijual kepada pihak pengurusan.

Gunakan rubrik 5 soalan berikut. Skor “Vendor” atau “Kampus” untuk setiap item. Pihak yang menang majoriti akan jadi sistem utama.

1. Siapa buat 60%–80% kerja?
2. Siapa menanggung risiko kegagalan integrasi?
3. Di mana kelulusan rasmi berlaku (keselamatan, privasi, perubahan sistem)?
4. Berapa ramai pengguna dalaman perlu terlibat aktif setiap minggu?
5. Berapa banyak projek lain pasukan yang sama sedang jalankan?

Kalau majoriti jawapan memihak kepada kampus, jangan biarkan vendor memaksa semua komunikasi dalam platform mereka. Itu resipi hubungan yang cepat jadi “kami vs mereka”.

Komunikasi projek: jangan jadikan tool sebagai “pintu pagar”

Jawapan paling praktikal: komunikasi projek perlu ikut tabiat kerja manusia, bukan tabiat software.

Vendor sering mahu semua komunikasi dalam platform projek kerana:

• mudah untuk audit
• semua bukti ada di satu tempat
• mereka boleh urus banyak klien dengan cara seragam

Masalahnya, pasukan kampus:

• perlu respons pantas antara mesyuarat
• berurusan dengan pelbagai vendor dan unit
• sering bergantung pada saluran sedia ada (e-mel rasmi, sistem tiket, chat dalaman)

Apa yang saya cadangkan untuk projek EdTech/AI:

• Gunakan satu saluran rasmi untuk keputusan (contoh: e-mel ringkasan keputusan selepas mesyuarat) dan simpan sebagai lampiran/rekod dalam tool utama
• Gunakan sistem tiket untuk isu teknikal (SSO, integrasi, bug) kerana ia lebih sesuai untuk triage dan SLA
• Gunakan papan projek untuk milestone dan pemilikan kerja (siapa buat apa, bila siap)

“Bila vendor menjadikan platform mereka satu-satunya saluran komunikasi, itu bukan peningkatan pengalaman pelanggan. Itu pagar.”

Ini kaitannya dengan AI dalam pendidikan: data, proses, dan kepercayaan

AI dalam pendidikan bukan hanya soal model dan fungsi. Ia soal ekosistem.

1) Standardisasi aliran kerja = AI lebih mudah “mengerti” data

AI untuk analitik pembelajaran perlukan data kehadiran, tugasan, interaksi LMS, kadang-kadang data perpustakaan atau sokongan pelajar. Kalau kerja integrasi dan definisi data berubah-ubah sebab pengurusan projek berpecah, anda akan berakhir dengan:

• medan data tidak konsisten
• jadual ekstrak data tak stabil
• pertikaian “data mana yang betul”

Dan bila itu berlaku, AI akan mengeluarkan keputusan yang sukar dipercayai. Kepercayaan yang hilang memang susah dipulihkan.

2) Tadbir urus projek menyokong tadbir urus AI

Ramai fokus pada “AI governance” sebagai polisi yang ditulis cantik. Realitinya, tadbir urus AI hidup melalui projek:

• siapa pemilik dataset
• siapa lulus akses
• siapa bertanggungjawab bila berlaku bias/ralat

Kalau PPM anda kabur, tadbir urus AI anda juga kabur.

3) Pengalaman pengguna dalaman menentukan kejayaan AI

Pensyarah tak menilai AI dari sudut teknologi. Mereka menilai dari sudut: “menyusahkan atau membantu?”. Jika implementasi kacau kerana tool bertembung, kesannya:

• latihan jadi tergesa-gesa
• bahan bantuan tak siap
• permintaan sokongan melonjak masa minggu peperiksaan

Disember 2025 ialah masa banyak institusi merancang fasa 2 transformasi digital untuk semester baharu. Kalau anda nak perkenalkan ciri AI (contoh: penanda tugasan berbantu AI, chatbot akademik), mula dengan memastikan alat pengurusan projek dan komunikasi anda tak menambah beban.

Checklist rundingan kontrak: selesaikan isu tool sebelum tandatangan

Jawapan paling berguna dari pengalaman lapangan: rundingan selepas kontrak ditandatangani hampir selalu memihak kepada status quo vendor.

Gunakan checklist ini semasa RFP atau rundingan SOW (sebelum dokumen dimeterai):

1. Minta demonstrasi pelan projek vendor
   • bukan demo produk utama sahaja
2. Minta akses percubaan untuk PM kampus
   • lihat bagaimana tugasan, isu, dan perubahan skop diurus
3. Selaraskan definisi status
   • contoh: apa maksud “Done”? siapa yang sign-off?
4. Tetapkan saluran komunikasi yang dibenarkan
   • e-mel untuk keputusan, tiket untuk isu teknikal, papan projek untuk milestone
5. Nyatakan “source of truth” secara bertulis
   • satu ayat dalam SOW boleh menjimatkan minggu kerja
6. Rancang pelaporan eksekutif
   • laporan ringkas 1 halaman setiap 2 minggu lebih berkesan daripada dashboard yang tak dibuka

Kalau anda sedang merancang implementasi AI dalam pendidikan (contoh: learning analytics atau AI tutor), tambah satu lagi:

1. Senaraikan kerja data sebagai workstream rasmi
   • pemetaan data, kualiti data, privasi, dan ujian integrasi mesti ada pemilik dan tarikh

Apa langkah seterusnya untuk pasukan EdTech anda

Kalau anda hanya ambil satu perkara daripada tulisan ini, biar ini: AI dalam pendidikan bergantung pada disiplin projek yang membuang kerja berulang dan menjernihkan pemilikan. Teknologi boleh dibeli. Kejelasan proses kena direka.

Untuk minggu ini, cuba buat dua tindakan kecil:

1. Pilih satu model (Vendor / Kampus / Hibrid / Rubrik) dan tulis dalam satu perenggan—itu versi “kontrak dalaman” anda.
2. Senaraikan 10 tugasan integrasi data paling berisiko (SSO, role mapping, ETL, API limit, audit log) dan pastikan semuanya ada pemilik dan tarikh dalam satu sistem yang dipersetujui.

Bila institusi anda mula menambah lebih banyak modul AI—daripada pembelajaran diperibadikan hingga analisis prestasi pelajar—persoalan yang akan menentukan kejayaan bukan “AI model mana paling hebat?”. Persoalannya: adakah ekosistem kerja kita cukup selaras untuk menyokongnya?