Andrew Sales, Chief Product Officer Scaled Agile – Seri Wawancara

Andrew Sales, Chief Product Officer dan Chief Methodologist di Scaled Agile, adalah pemimpin Lean, Agile, dan DevOps berpengalaman yang telah menghabiskan lebih dari dua dekade membantu perusahaan mengubah cara mereka memberikan nilai. Dalam perannya saat ini, ia mengarahkan strategi produk dan evolusi Scaled Agile Framework (SAFe), serta bekerja bersama organisasi global untuk menerapkan praktik agile dalam skala perusahaan. Sebelum bergabung dengan Scaled Agile, Sales memegang jabatan kepemimpinan senior dan konsultasi di CA Technologies, Rally Software, dan Pearson. Di sana, ia memberi nasihat kepada berbagai organisasi di Eropa, Timur Tengah, dan Afrika mengenai inisiatif transformasi agile di bidang jasa keuangan, telekomunikasi, ritel, perangkat lunak, dan pendidikan.

Scaled Agile, Inc. adalah perusahaan di balik Scaled Agile Framework, yang lebih dikenal sebagai SAFe, sebuah kerangka kerja yang banyak digunakan untuk membantu perusahaan menerapkan praktik Lean, Agile, dan DevOps dalam skala besar. Melalui kerangka kerja, pelatihan, program sertifikasi, jaringan mitra, dan platform SAFe Studio, Scaled Agile mendukung organisasi yang ingin meningkatkan keselarasan, kecepatan penyampaian, kualitas produk, keterlibatan karyawan, dan kelincahan bisnis. Perusahaan tersebut menyatakan bahwa SAFe telah diterapkan oleh lebih dari 20.000 perusahaan di seluruh dunia dan lebih dari satu juta profesional telah mendapat pelatihan mengenai kerangka kerja ini.

Pelajaran apa dari transformasi berskala besar yang paling langsung memengaruhi terciptanya AI-Native SAFe?

Selama 15 tahun terakhir, kami telah melihat lebih dari 20.000 organisasi menerapkan SAFe untuk memecahkan satu tantangan mendasar: mengoordinasikan pengembangan produk yang kompleks dalam skala perusahaan. Satu pelajaran tetap sangat konsisten: prinsip Lean dan Agile terus bekerja. Yang berubah adalah cara prinsip-prinsip tersebut perlu diterapkan seiring perubahan teknologi.

AI tidak membuat prinsip-prinsip itu menjadi usang; AI mengubah letak kendalanya. Tim menjadi lebih kecil, semakin diperkuat oleh AI, dan makin berfokus pada pengarahan pekerjaan daripada melakukan sendiri setiap tugas. Siklus keputusan semakin singkat, dan interaksi antara pertimbangan manusia dan pelaksanaan oleh AI menjadi inti dari cara nilai diciptakan.

AI-Native SAFe dibangun di atas fondasi SAFe yang telah terbukti, sekaligus mengembangkan model operasional untuk realitas baru ini. Kerangka ini mempertahankan fokus pada nilai pelanggan, kolaborasi lintas fungsi, penyelarasan portofolio, dan perbaikan berkelanjutan, sambil memperkenalkan cara-cara baru untuk mengatur AI, mengelola data sebagai aset strategis, dan menetapkan akuntabilitas dalam organisasi yang didukung AI.

Mengapa kerangka kerja Agile tradisional tidak lagi memadai untuk era AI?

Kerangka kerja Agile tradisional tetap sangat berharga. Yang berubah adalah lingkungan tempat kerangka tersebut beroperasi.

Selama bertahun-tahun, organisasi dibatasi oleh seberapa cepat mereka dapat merancang, membangun, dan menyampaikan perangkat lunak. AI mengubah persamaan itu secara drastis. Seperti yang baru-baru ini disampaikan salah satu pelanggan kepada kami, mereka tidak lagi dibatasi oleh seberapa cepat mereka dapat membangun sesuatu; batasnya kini adalah seberapa cepat mereka dapat menentukan apakah solusi tersebut menciptakan nilai yang berarti, aman untuk diterapkan, dan selaras dengan tujuan bisnis.

Hambatannya telah bergeser dari produksi ke pertimbangan. Dari keluaran ke hasil.

Organisasi kini membutuhkan model operasional yang membantu mereka terus mengevaluasi nilai, mengatur AI secara bertanggung jawab, dan mengoordinasikan pekerjaan antara manusia dan AI. Ini merupakan perkembangan melampaui praktik Agile tradisional, bukan penggantinya.

Apa kesalahan terbesar yang dilakukan perusahaan ketika berusaha meningkatkan skala inisiatif AI?

Kesalahan pertama adalah memperlakukan AI sebagai masalah alat. Sebagian besar perusahaan sudah memiliki akses ke lebih banyak kemampuan AI daripada yang dapat mereka gunakan secara efektif.

Kesalahan kedua adalah menambahkan AI ke alur kerja yang ada tanpa mempertanyakan apakah alur kerja tersebut seharusnya tetap ada. Mengotomatiskan proses yang tidak efisien jarang menghasilkan transformasi.

Kesalahan ketiga adalah memperlakukan AI sebagai inisiatif inovasi yang terpisah, bukan sebagai kemampuan organisasi. Penerapan AI yang berkelanjutan membutuhkan perubahan pada strategi, tata kelola, pengembangan produk, praktik operasional, dan kepemimpinan, bukan sekadar menerapkan platform teknologi lain.

Organisasi yang memperoleh dampak terbesar merancang ulang cara pekerjaan berlangsung. AI menjadi bagian dari model operasional, bukan sekadar alat lain yang diharapkan digunakan oleh karyawan.

Kesenjangan apa yang diisi oleh AI Value Architect, dan bagaimana peran ini mengubah dinamika tim?

AI secara drastis menurunkan biaya pembuatan solusi, tetapi tidak menurunkan biaya akibat memecahkan masalah yang salah.

AI Value Architect hadir untuk membantu organisasi menemukan peluang pemanfaatan AI sambil memastikan mereka tetap berfokus pada hasil bisnis. Peran ini membantu menyeimbangkan nilai pelanggan, kelayakan teknis, biaya, tata kelola, pertimbangan hukum, dan tanggung jawab etis sebelum organisasi berinvestasi untuk meningkatkan skala kemampuan berbasis AI.

Alih-alih menjadi lapisan persetujuan tambahan, peran AI Value Architect menciptakan keselarasan antara pemimpin bisnis, tim produk, dan organisasi teknis, sehingga keputusan tentang AI dapat dibuat lebih cepat dan berdasarkan informasi yang lebih baik. Peran ini menyediakan mekanisme praktis untuk menyeimbangkan inovasi dengan tanggung jawab, sambil tetap menempatkan nilai bisnis yang terukur sebagai pusat setiap investasi AI.

Bagaimana Anda menyeimbangkan kecepatan inovasi dengan pengawasan AI yang bertanggung jawab?

Tata kelola seharusnya tidak dilakukan setelah inovasi terjadi. Tata kelola harus dibangun ke dalam model operasional agar inovasi dapat berlangsung dengan aman dan berkelanjutan.

Perusahaan besar selalu perlu menyeimbangkan kecepatan dengan akuntabilitas. AI membuat keseimbangan itu semakin penting karena sistem AI menimbulkan pertimbangan baru mengenai kualitas data, transparansi, bias, kepatuhan, dan tanggung jawab organisasi.

AI-Native SAFe menjadikan tata kelola sesuatu yang eksplisit, bukan tersirat. Kerangka ini memasukkan tata kelola ke dalam pengambilan keputusan portofolio, mengangkat pengelolaan data sebagai perhatian utama, mempertahankan keterlibatan manusia dalam proses, dan memperjelas peran terkait akuntabilitas AI. Ketika tata kelola tertanam dalam cara organisasi bekerja, tata kelola menjadi pendorong inovasi, bukan penghambat.

Bagaimana struktur tim perusahaan akan berubah selama lima tahun ke depan?

Kami melihat empat perubahan besar mulai muncul di organisasi-organisasi berkinerja tinggi.

Pertama, orang semakin berfokus pada penentuan maksud dan hasil yang diinginkan daripada menjalankan setiap tugas secara manual.

Kedua, siklus pembelajaran dan eksperimen menjadi jauh lebih cepat karena AI mempercepat eksplorasi dan umpan balik.

Ketiga, inovasi menjadi lebih tersebar karena AI menurunkan biaya eksperimen di seluruh perusahaan.

Terakhir, tim semakin diperkuat oleh AI, dengan AI bertindak sebagai peserta aktif dalam proses penyampaian, bukan sekadar alat produktivitas lain.

Di masa depan, tim AI-Native kemungkinan tidak terlalu ditentukan oleh jumlah anggota, melainkan oleh seberapa efektif mereka mengatur kolaborasi antara keahlian manusia dan kemampuan AI.

Mengapa kesiapan data masih menjadi hambatan besar, dan apa yang harus diprioritaskan organisasi?

Data tetap menjadi salah satu hambatan terbesar untuk mewujudkan AI dalam skala perusahaan karena efektivitas AI bergantung pada informasi yang menjadi fondasinya. Data yang terfragmentasi, tata kelola yang tidak konsisten, dan alur kerja yang tidak dirancang untuk lingkungan AI-native terus membuat banyak organisasi terjebak dalam tahap percontohan, alih-alih meningkatkan skala AI di seluruh bisnis.

Riset dari Return on AI Institute menemukan bahwa 55% eksekutif global menyebut kurangnya data yang siap untuk AI sebagai satu-satunya penghambat terbesar untuk memperoleh nilai dari AI. Temuan ini memperkuat apa yang kami lihat dalam praktik: sebelum berinvestasi besar pada aplikasi AI baru, organisasi perlu memperlakukan data sebagai aset strategis yang dikelola, dengan kepemilikan, tata kelola, standar kualitas, dan kepercayaan yang jelas. AI meningkatkan skala informasi apa pun yang diberikan kepadanya, baik atau buruk.

Itulah sebabnya AI-Native SAFe memasukkan pengelolaan data terkurasi sebagai elemen struktural dalam model operasional, bukan memperlakukannya sebagai prasyarat atau tanggung jawab pihak lain. Kesiapan data bukan sekadar tantangan TI; ini merupakan tantangan kepemimpinan dan model operasional yang secara langsung memengaruhi kemampuan organisasi untuk menghasilkan nilai bisnis dari AI.

Bagaimana AI-Native SAFe membantu organisasi beralih dari mengukur keluaran ke mengukur hasil?

AI membuat pembuatan keluaran menjadi jauh lebih mudah. Ketika pelaksanaan menjadi lebih cepat dan lebih murah, keluaran saja menjadi ukuran kemajuan yang jauh lebih lemah. Keunggulan kompetitif yang sebenarnya bergeser pada pengukuran apakah keluaran tersebut menciptakan hasil bisnis yang bermakna.

AI-Native SAFe dibangun di sekitar siklus pengembangan produk yang berorientasi pada hasil. Kerangka ini menyediakan peran, praktik, dan tata kelola yang dibutuhkan untuk terus menghubungkan investasi AI dengan nilai bisnis yang terukur.

Riset yang sama dari Return on AI Institute mendukung pergeseran ini: organisasi yang secara rutin mengukur dan menyampaikan nilai AI di tingkat eksekutif dan dewan melaporkan imbal hasil yang jauh lebih kuat dari investasi AI mereka. AI-Native SAFe membantu menjadikan disiplin berbasis hasil ini sebagai bagian berkelanjutan dari cara perusahaan beroperasi.

Faktor apa yang perlu dipertimbangkan organisasi ketika memutuskan apakah akan beralih ke AI-Native SAFe?

SAFe inti tetap menjadi model operasional yang tepat bagi banyak organisasi. AI-Native SAFe tidak dimaksudkan untuk menggantikannya; kerangka ini memperluasnya bagi organisasi yang model operasionalnya semakin dibentuk oleh AI.

Organisasi perlu mempertimbangkan di mana AI menciptakan peluang yang berarti untuk merancang ulang pekerjaan, bukan sekadar mengotomatiskan aktivitas yang ada. Mereka perlu mengevaluasi apakah tata kelola, praktik kepemimpinan, dan kemampuan data mereka siap mendukung AI dalam skala perusahaan.

Yang terpenting, keputusan ini bukan pilihan serba-atau-tidak-sama-sekali. AI-Native SAFe menyertakan panduan penerapan agar organisasi dapat berkembang secara bertahap dengan mengadopsi praktik AI-Native SAFe.

Setiap organisasi memulai dari titik yang berbeda, dan AI-Native SAFe dirancang untuk mendukung evolusi tersebut.

Seperti apa perusahaan yang benar-benar AI-native pada tahun 2030?

Pada tahun 2030, organisasi dengan kinerja tertinggi tidak akan menganggap AI sebagai masalah teknologi, melainkan sebagai peluang bisnis. AI akan menjadi bagian tak terpisahkan dari cara mereka bekerja, mempertahankan daya saing, dan memberikan nilai kepada pelanggan.

Pemimpin manusia akan semakin banyak menentukan maksud, membuat keputusan strategis, menggunakan pertimbangan, dan tetap bertanggung jawab atas hasil. Agen AI akan melakukan lebih banyak analisis, koordinasi, dan pelaksanaan yang sebelumnya membutuhkan upaya manusia dalam jumlah besar.

Yang membedakan para pemimpin industri bukanlah akses ke AI, karena semua orang akan memiliki akses ke kemampuan AI yang kuat. Pembeda utamanya adalah kualitas model operasional mereka: seberapa efektif mereka mengatur manusia, AI, data, tata kelola, dan pembelajaran berkelanjutan untuk menghasilkan hasil bisnis yang terukur dalam skala besar.

Terima kasih atas wawancara yang luar biasa ini. Pembaca yang ingin mengetahui lebih lanjut dapat mengunjungi Scaled Agile.