AI dalam Pembelajaran dan Pengembangan: Jalur Pembelajaran Personal dan Konten

Oleh Kevin Kim · Diperbarui 11 Oktober 2026

AI dalam pembelajaran dan pengembangan (L&D) adalah penggunaan pembelajaran mesin dan model bahasa untuk menemukan di mana karyawan kekurangan keterampilan, merekomendasikan apa yang sebaiknya dipelajari setiap orang berikutnya, membuat materi pelatihan lebih cepat, dan membimbing orang di sela kursus formal. Tujuannya adalah mengganti kurikulum satu ukuran untuk semua dengan pembelajaran yang sesuai dengan orang dan pekerjaannya, sementara staf L&D tetap mengendalikan apa yang diajarkan dan apa yang dianggap "baik."

Panduan ini ditujukan bagi pemimpin L&D, manajer SDM, dan kepala departemen yang menentukan di mana AI layak ditempatkan dalam pelatihan mereka. Isinya mencakup empat pekerjaan AI dalam L&D, apa kata riset tentang apakah AI berhasil, penerapan langkah demi langkah, dan kesalahan yang menggagalkan sebagian besar proyek. Panduan ini berada dalam bagian AI di bidang SDM, jadi fokusnya pada fungsi pembelajaran dan merujuk ke tempat lain untuk sisa siklus hidup karyawan.

Fakta Utama

• Dalam Workplace Learning Report 2025 dari LinkedIn, 71% profesional L&D menyatakan sedang menjajaki, bereksperimen dengan, atau mengintegrasikan AI ke dalam pekerjaan mereka (LinkedIn Learning).
• Dalam laporan yang sama, 49% profesional L&D dan talenta setuju bahwa eksekutif mereka khawatir karyawan kekurangan keterampilan untuk menjalankan strategi bisnis (LinkedIn Learning).
• Meta-analisis terhadap 50 evaluasi terkontrol atas tutor komputer cerdas menemukan kenaikan median 0,66 standar deviasi pada skor tes, cukup untuk menggeser siswa rata-rata dari persentil ke-50 ke persentil ke-75 (Kulik dan Fletcher, 2016). Itu adalah siswa, bukan karyawan.
• Dalam eksperimen lapangan dengan hampir 1.000 siswa matematika SMA di Turki, chatbot tanpa pembatasan menaikkan skor latihan sebesar 48% tetapi membuat siswa 17% lebih buruk pada ujian tanpa AI, sementara bot gaya tutor dengan pagar pengaman membuat hasil ujian kurang lebih setara dengan kelompok kontrol (Wharton).
• Di antara 5.179 agen dukungan pelanggan yang diberi asisten AI generatif, produktivitas naik 14% rata-rata dan 34% untuk pekerja pemula dan berketerampilan rendah, dengan dampak minimal pada pekerja berpengalaman (NBER).
• EU AI Act mencantumkan pengenalan emosi di tempat kerja dan lembaga pendidikan sebagai praktik terlarang, larangan yang mulai berlaku pada Februari 2025 (European Commission).

Empat Pekerjaan AI dalam L&D

L&D tradisional berjalan dengan katalog dan kalender: daftar kursus, dan jadwal kapan orang mengikutinya. AI mengubah satuan kerja dari "kursus" menjadi "orang." Dalam istilah ACE Framework, kebanyakan AI untuk L&D menyerap (ingest) rekaman pembelajar, data jabatan, dan konten, menganalisisnya untuk menemukan kesenjangan, memprediksi apa yang sebaiknya dipelajari seseorang berikutnya, menghasilkan materi dan umpan balik, serta mengeksekusi tindakan kecil seperti mendaftarkan seseorang atau mengirim dorongan.

Bacalah kolom terakhir sebagai desain yang sebenarnya. Setiap pekerjaan di atas memiliki seseorang yang memegang hasilnya. Jika Anda tidak bisa menyebut orang itu untuk suatu penggunaan, Anda belum siap menerapkannya.

Pekerjaan 1: Analisis Kesenjangan Keterampilan

Kesenjangan keterampilan adalah jarak antara apa yang dibutuhkan sebuah peran dan apa yang dapat dilakukan orang di dalamnya. Mengukurnya dulu berarti survei, penilaian manajer, dan analisis kebutuhan pelatihan tahunan. AI mempersingkatnya dengan membaca bukti yang sudah ada: deskripsi pekerjaan, catatan kinerja, riwayat proyek, sertifikasi, dan penyelesaian kursus.

Alur praktisnya seperti ini:

1. Tentukan targetnya. Daftarkan keterampilan yang dibutuhkan setiap peran, pada level berapa. Jika Anda tidak punya kerangka keterampilan, mulailah dengan sepuluh peran terpenting Anda, bukan seluruh perusahaan. Landasannya dibahas dalam strategi talenta berbasis keterampilan.
2. Kumpulkan bukti. Ambil dari rekaman SDM, riwayat platform pembelajaran, dan, bila sesuai, penilaian diri serta masukan manajer.
3. Biarkan model menyimpulkan dan membandingkan. Model memperkirakan profil keterampilan per orang dan mengukur kesenjangannya terhadap peran target.
4. Agregasikan ke tingkat tim dan perusahaan. Keluaran yang berguna jarang berupa kesenjangan satu orang. Melainkan polanya: "Delapan dari dua belas account manager kurang latihan negosiasi."
5. Validasi dengan manusia. Manajer mengonfirmasi atau mengoreksi temuan sebelum ada yang bertindak.

Tekanan untuk melakukannya dengan baik itu nyata. Dalam laporan LinkedIn, separuh profesional L&D dan talenta mengatakan eksekutif khawatir apakah karyawan memiliki keterampilan yang tepat (LinkedIn Learning). Inferensi keterampilan adalah penggunaan AI yang baik karena keluarannya adalah hipotesis untuk diperiksa, bukan vonis atas seseorang. Ia menjadi berisiko begitu skor keterampilan yang disimpulkan masuk ke keputusan promosi atau pemutusan hubungan kerja. Biarkan tetap di jalur pengembangan. Masukan yang bersih juga penting, dan fondasi data SDM untuk AI menjelaskan apa yang perlu dibenahi lebih dulu.

Pekerjaan 2: Jalur Pembelajaran Personal

Jalur personal adalah urutan aktivitas belajar yang dicocokkan dengan peran, level keterampilan saat ini, sasaran, dan kecepatan seseorang. Bagian AI-nya adalah pencocokan dan pencocokan ulang: orang yang lulus pra-asesmen melewati dasar-dasarnya, dan orang yang kesulitan mendapat penjelasan yang berbeda.

Apa kata bukti menggembirakan untuk desainnya tetapi lebih sempit daripada yang disiratkan promosi vendor. Basis riset terkuat ada pada sistem tutor cerdas, perangkat lunak yang menyesuaikan pengajaran langkah demi langkah. Kulik dan Fletcher meninjau 50 evaluasi terkontrol dan menemukan kenaikan median 0,66 standar deviasi, dengan besar kenaikan sangat bergantung pada apakah hasil diukur dengan tes buatan lokal atau terstandar (Kulik dan Fletcher, 2016). Itu hasil yang kuat, dan menggambarkan siswa dalam kursus terstruktur. Itu tidak membuktikan bahwa mesin rekomendasi yang menyarankan kursus ala LinkedIn kepada orang dewasa meningkatkan kinerja kerja. Anggaplah sebagai dukungan bagi latihan adaptif dengan umpan balik, bukan bagi "AI memilihkan kursus Anda."

Jalur yang layak dibangun memiliki bagian-bagian ini:

• Target yang jelas (sebuah peran, keterampilan, proyek), bukan "belajar AI" yang terbuka.
• Pemeriksaan awal (baseline) agar orang tidak mengulang apa yang sudah mereka ketahui.
• Aktivitas singkat yang dipadukan dengan latihan pada pekerjaan nyata.
• Titik temu dengan manajer. Dalam data LinkedIn, hanya 15% karyawan yang mengatakan manajer mereka membantu menyusun rencana karier dalam enam bulan terakhir (LinkedIn Learning). AI dapat menyiapkan percakapannya, tetapi tidak dapat menggantikannya.
• Tautan yang terlihat dari pembelajaran ke peluang. Jalur terasa sia-sia jika menyelesaikannya tidak mengubah apa pun. Menghubungkannya dengan mobilitas internal adalah gagasan di balik marketplace talenta internal berbasis AI.

Jika Anda ingin melihat sisi pembangunannya, cetak biru agen AI untuk pembelajaran dan pengembangan menunjukkan bagaimana agen merekomendasikan jalur, mendaftarkan pembelajar, dan mendorong orang yang macet.

Pekerjaan 3: Pembuatan Konten

Konten adalah tempat kebanyakan tim L&D memulai, karena manfaatnya mudah dilihat: draf pertama dalam hitungan menit, bukan hari. Model dapat mengubah dokumen kebijakan menjadi kerangka pelajaran, menulis soal kuis, membuat skenario bermain peran, merangkum lokakarya yang direkam, dan menerjemahkan materi untuk wilayah lain.

Jika digunakan dengan baik, ini membebaskan pakar bidang dan perancang pembelajaran untuk meninjau dan memperbaiki, bukan memulai dari halaman kosong. Jika digunakan dengan buruk, ia menghasilkan pustaka materi generik yang disampaikan dengan yakin dan tidak diperiksa siapa pun. Tiga aturan membantu:

• Landasi pada sumber Anda. Berikan model dokumen proses Anda yang sebenarnya dan minta ia bekerja hanya dari dokumen itu. Keluaran generik adalah cara prosedur yang salah masuk ke pelatihan.
• Libatkan pakar dalam proses. Setiap modul kepatuhan, keselamatan, atau teknis membutuhkan peninjau bernama yang menyetujui sebelum rilis.
• Uji dengan pembelajar. Sebuah modul bisa terbaca baik namun tidak mengajarkan apa pun. Periksa apakah orang dapat mengerjakan tugasnya setelahnya.

Keterampilan yang lebih luas bagi tim SDM yang bekerja dengan alat ini ada dalam AI generatif untuk tim SDM.

Studi Brynjolfsson, Li, dan Raymond adalah rujukan yang berguna di sini, dengan catatan tentang apa yang diukurnya. Mereka mempelajari 5.179 agen dukungan pelanggan yang mendapat asisten AI generatif, dan menemukan produktivitas naik 14% rata-rata dan 34% untuk pekerja pemula dan berketerampilan rendah, dengan dampak minimal pada pekerja berpengalaman (NBER). Itu adalah bantuan di tempat kerja, bukan program pelatihan. Namun itu menunjuk ke gagasan desain: AI yang mendukung orang saat mereka bekerja mungkin paling membantu karyawan yang lebih baru, yang menjadi argumen kuat untuk menaruh panduan di dalam alur kerja, bukan hanya di dalam kursus.

Pekerjaan 4: Coaching dan Latihan

Coaching adalah penggunaan yang paling baru dan paling belum mapan. Cakupannya meliputi asisten obrolan yang menjawab "bagaimana saya menangani ini?" pada saat dibutuhkan, simulasi di mana pembelajar berlatih percakapan sulit, dan umpan balik atas tulisan.

Bukti terpenting di sini adalah sebuah peringatan. Dalam eksperimen lapangan dengan hampir 1.000 siswa matematika SMA di Turki, siswa yang diberi chatbot tanpa pembatasan mengerjakan soal latihan 48% lebih baik daripada kelompok kontrol, tetapi 17% lebih buruk pada ujian tanpa AI. Versi gaya tutor yang memberi petunjuk, bukan jawaban, mengerjakan 127% lebih baik dalam latihan dan kurang lebih sama dengan kelompok kontrol pada ujian (Wharton). Para siswa itu remaja yang belajar matematika, bukan karyawan yang mempelajari pekerjaan, jadi jangan membawa angkanya begitu saja. Pelajarannya memang berlaku: jika AI yang berpikir, kinerja selama latihan naik sementara pembelajaran mungkin tidak.

Untuk coaching di tempat kerja, ini menyarankan beberapa pilihan desain:

• Buat AI mengajukan pertanyaan dan memberi petunjuk sebelum memberi jawaban.
• Gunakan simulasi latihan untuk keterampilan yang kelak akan dilakukan orang sendirian, seperti percakapan umpan balik dan panggilan pelanggan.
• Sesekali lakukan penilaian tanpa AI, agar Anda tahu apa yang dapat dilakukan orang sendiri.
• Biarkan topik sensitif (masalah kinerja, konflik, kesehatan) bersama manusia.

Berhati-hatilah terhadap alat yang mengklaim membaca emosi dari suara atau video selama latihan atau penilaian. EU AI Act melarang pengenalan emosi di tempat kerja dan lembaga pendidikan (European Commission), dan sains di balik klaim semacam itu diperdebatkan.

Contoh Nyata menurut Fungsi

Tim L&D. Seorang pemimpin pembelajaran memasukkan deskripsi pekerjaan dan riwayat kursus ke alat keterampilan, menemukan bahwa sepertiga tim dukungan belum pernah berlatih de-eskalasi, dan memesan modul singkat berbasis skenario. AI menemukan polanya; sang pemimpin memutuskan apa yang dilakukan.

Sales enablement. Seorang manajer memakai bot bermain peran agar rep baru dapat melatih panggilan discovery sebelum berbicara dengan prospek, lalu meninjau tiga rekaman per minggu untuk percakapan coaching. Volume latihan naik, dan waktu manajer tercurah pada percakapan yang penting.

Pelatihan kepatuhan dan keselamatan. Perancang pembelajaran menyusun draf modul yang diperbarui dari kebijakan yang diperbarui, dan pemilik kepatuhan meninjau setiap baris. Penyusunan drafnya cepat, dan persetujuannya lambat dengan sengaja.

Operasi garis depan. Seorang supervisor shift mendapat penyegaran singkat khusus peran yang direkomendasikan setelah perubahan proses, bukan kursus seluruh perusahaan yang tidak diselesaikan siapa pun.

Kontributor individu. Seorang analis meminta asisten menjelaskan metode statistik dengan laporan perusahaan sendiri sebagai contoh, lalu menguji dirinya dengan pertanyaan yang dihasilkan. Ia memegang pembelajarannya; alat hanya mempersingkat jalannya.

Cara Meluncurkan AI di L&D Langkah demi Langkah

1. Pilih satu masalah bisnis. "Mengurangi waktu hingga produktif bagi karyawan dukungan baru" lebih baik daripada "mengadopsi AI dalam pembelajaran." Target yang sempit membuat keberhasilan dapat diukur.
2. Audit konten dan data pembelajaran Anda. Ketahui kursus apa yang ada, siapa pemiliknya, apakah masih terkini, dan apa yang dicatat platform pembelajaran. AI tidak dapat merekomendasikan apa yang hilang atau salah label.
3. Definisikan keterampilan untuk peran target. Bahkan daftar singkat keterampilan dan level yang disepakati memberi sistem sesuatu untuk dicocokkan. Analisis kebutuhan pelatihan formal adalah cara terstruktur untuk menemukan kesenjangannya lebih dulu.
4. Mulai dari penyusunan konten atau inferensi keterampilan. Keduanya membawa risiko terkecil bagi individu dan menunjukkan nilai dengan cepat.
5. Tunjuk pemilik untuk setiap penggunaan AI. Catat siapa yang meninjau keluaran, apa yang dapat mereka kesampingkan (override), dan seberapa sering.
6. Tetapkan aturan privasi sebelum peluncuran. Putuskan data karyawan apa yang dilihat sistem, siapa yang melihat hasilnya, dan apakah data keterampilan individu terlihat oleh manajer. Beri tahu karyawan secara terus terang.
7. Uji coba (pilot) dengan satu kelompok selama satu kuartal. Ukur terhadap kelompok pembanding jika bisa, bukan hanya skor kepuasan.
8. Tambahkan jalur dan coaching berikutnya. Setelah konten dan data keterampilan andal, personalisasi punya sesuatu yang kokoh untuk bertumpu.
9. Hubungkan pembelajaran dengan hasil. Kaitkan data penyelesaian dengan metrik kinerja dan mobilitas melalui people analytics, sambil mewaspadai korelasi yang disalahartikan sebagai sebab.
10. Tinjau dan hentikan. Singkirkan kursus yang tidak diselesaikan siapa pun atau yang tidak lagi sesuai dengan pekerjaan. Mesin rekomendasi memperkuat katalog apa pun yang Anda berikan.

Untuk pertanyaan yang lebih besar tentang membangun kembali keterampilan di seluruh tenaga kerja, program reskilling yang benar-benar berhasil membahasnya lebih dalam.

Apa yang Perlu Diukur

Skor kepuasan adalah sinyal terlemah dalam L&D, dan AI tidak mengubahnya. Padukan dengan ukuran yang terkait pekerjaan.

• Adopsi: persentase karyawan yang memenuhi syarat yang memulai dan menyelesaikan jalur yang ditugaskan.
• Waktu hingga mahir: berapa lama karyawan baru atau yang dimutasi mencapai standar.
• Pergerakan keterampilan: perubahan level keterampilan yang dinilai, diperiksa tanpa bantuan AI.
• Hasil bisnis: metrik yang ingin digerakkan pelatihan, seperti kualitas penyelesaian atau tingkat kesalahan.
• Tindak lanjut manajer: apakah percakapan pengembangan benar-benar terjadi.
• Keadilan: apakah rekomendasi dan akses berbeda antar kelompok karena alasan yang tidak terkait pekerjaan.

Kesalahan Umum

• Menganggap penyelesaian sebagai pembelajaran. AI dapat menaikkan angka penyelesaian dengan dorongan. Itu tidak mengatakan apa-apa tentang apakah ada yang bisa mengerjakan tugasnya.
• Membiarkan alat yang berpikir. Eksperimen matematika SMA di atas adalah pengingatnya: bantuan dapat mengangkat kinerja saat itu sementara pembelajaran mandek.
• Memakai skor keterampilan hasil inferensi untuk keputusan berisiko tinggi. Perkiraan model tentang keterampilan seseorang adalah pemicu pengembangan. Keputusan promosi dan gaji membutuhkan bukti dan penilaian manusia, dan dapat memicu kewajiban hukum.
• Melewatkan kerangka keterampilan. Tanpa definisi yang jelas, "personal" berarti "direkomendasikan menurut popularitas."
• Menerbitkan konten yang tidak ditinjau. Pelatihan yang dihasilkan dapat memuat kesalahan yang disampaikan dengan yakin. Dalam keselamatan dan kepatuhan, satu langkah yang salah ada konsekuensinya.
• Mengabaikan bias. Sistem rekomendasi dapat mengarahkan kelompok tertentu ke peluang yang kurang terlihat jika data yang mendasarinya mencerminkan pola masa lalu. Uji hasil menurut kelompok.

Posisinya dalam Gambaran yang Lebih Besar

L&D menyentuh seluruh siklus hidup karyawan, dari onboarding hingga suksesi. Jika Anda memetakan di mana AI layak berada di seluruh SDM, AI di sepanjang siklus hidup karyawan menunjukkan posisi pembelajaran di samping rekrutmen, keterlibatan, dan retensi.