Sam Jenkins, Mitra Pengelola di Punchcard Systems – Seri Wawancara

Sam Jenkins, Mitra Pengelola di Punchcard Systems, telah menghabiskan lebih dari dua dekade bekerja di persimpangan teknologi, kewirausahaan, dan transformasi organisasi. Sejak menjadi co-pendiri Punchcard Systems pada tahun 2016, ia telah membantu memandu pertumbuhan perusahaan sambil memberikan saran kepada organisasi tentang strategi tempat kerja digital, perangkat lunak khusus, kecerdasan buatan, dan teknologi yang muncul. Pengalaman sebelumnya termasuk menjadi co-pendiri Startup Edmonton dan Wellnext, memimpin pengembangan bisnis dan inisiatif teknologi tempat kerja Microsoft di iomer internet solutions, dan menjabat sebagai eksekutif dan posisi dewan di berbagai teknologi, perawatan kesehatan, keamanan publik, dan organisasi masyarakat. Latar belakang ini telah memberinya perspektif yang luas tentang bagaimana teknologi mengubah cara orang bekerja sama, membuat keputusan, dan melakukan pekerjaan mereka.

Punchcard Systems adalah mitra perangkat lunak dan teknologi Kanada yang bekerja dengan perusahaan skala menengah dan besar untuk merancang, mengembangkan, dan menerapkan solusi digital yang terkait dengan tujuan bisnis yang dapat diukur. Melayani lebih dari 150 klien di Kanada dan Amerika Serikat, kemampuan perusahaan ini termasuk perangkat lunak web dan seluler khusus, kecerdasan buatan, infrastruktur cloud, data dan analitik, desain pengalaman pengguna, dan teknologi tempat kerja seperti Microsoft 365, Azure, Copilot, Teams, SharePoint, dan Power Platform. Punchcard fokus membantu organisasi memodernisasi operasi, meningkatkan pengalaman karyawan dan pelanggan, dan mengintegrasikan teknologi baru ke dalam proses bisnis yang praktis.

Karir Anda telah mengikuti evolusi teknologi tempat kerja, dari platform karyawan berbasis Microsoft SharePoint hingga membangun Wellnext dan akhirnya Punchcard Systems. Bagaimana pengalaman itu membentuk pandangan Anda tentang pergeseran dari perangkat lunak yang dioperasikan karyawan sendiri ke agen kecerdasan buatan yang semakin banyak melakukan pekerjaan atas nama mereka?

Ketika saya pertama kali bekerja dengan teknologi tempat kerja digital seperti SharePoint (pada tahun 2003!), fokusnya adalah menciptakan cara yang lebih baik bagi karyawan untuk menemukan informasi, berbagi pengetahuan, dan bekerja sama. Pada akhirnya, karyawan masih melakukan pekerjaan: mereka menavigasi sistem, mereka menghasilkan output. Hari ini, kita bergerak melampaui kecerdasan buatan sebagai alat produktivitas individu dan memasuki era baru kecerdasan buatan agen, di mana sistem dapat mengambil tugas yang lebih kompleks dan multistep atas nama karyawan.

Itulah bagian yang berubah. Sebagai ekosistem, kita bergerak melampaui kecerdasan buatan sebagai alat produktivitas pribadi ke sistem agen yang mengambil pekerjaan yang kompleks atas nama manusia nyata. Claude Cowork dan ChatGPT Work keduanya membuat pendekatan agen menjadi sangat populer.

Saya telah menyaksikan beberapa pergeseran teknologi ini sekarang, dan pola itu selalu sama. Organisasi yang menang tidak memperlakukan teknologi baru hanya sebagai penerapan. Mereka memperlakukannya sebagai kesempatan untuk memikirkan kembali bagaimana orang, proses, dan teknologi bekerja sama.

ChatGPT Work dapat mengumpulkan informasi dari aplikasi dan file yang terhubung, menyelesaikan tugas multistep, dan menghasilkan dokumen, spreadsheet, dan presentasi yang selesai. Bagaimana ini akan mengubah tanggung jawab harian pekerja pengetahuan yang sebelumnya membuat bahan-bahan ini sendiri?

Saya pikir pekerjaan itu bergeser dari “menghasilkan output” ke “mengatur hasil.” Ini secara fundamental mengubah peran pekerja pengetahuan, tetapi ini tidak menggantikan kebutuhan akan wawasan dan pengawasan manusia. Sebaliknya, karyawan akan semakin bergeser dari membuat setiap bagian pekerjaan mereka sendiri ke mengelola, meninjau, dan mengatur output yang dihasilkan kecerdasan buatan.

Banyak pekerjaan berulang akan berpindah ke agen: mengumpulkan informasi, membangun presentasi atau dokumen, atau meringkas data. Ini membebaskan orang untuk melakukan pekerjaan yang benar-benar membutuhkan orang: strategi, kreativitas, pemikiran kritis, dan kolaborasi.

Keterampilan yang menjadi semakin berharga adalah mengetahui cara mengarahkan kecerdasan buatan dengan baik, dengan memberinya konteks yang tepat, dan mengenali kapan jawaban tampak benar tetapi tidak.

Anda telah menjelaskan kebutuhan yang semakin besar akan “pengelola kecerdasan buatan.” Apa yang akan menjadi tanggung jawab pengelola kecerdasan buatan dalam prakteknya, dan bagaimana peran ini akan berbeda dari tanggung jawab administrator IT, manajer produk, atau manajer tradisional?

Pengelola kecerdasan buatan akan memainkan peran penting dalam membantu organisasi mengadopsi kecerdasan buatan secara bertanggung jawab dan efektif. Tanggung jawab mereka akan mengelola dan mengatur output kecerdasan buatan, memastikan bahwa pekerjaan yang dihasilkan kecerdasan buatan akurat, dapat diandalkan, dan sejalan dengan tujuan bisnis.

Ini adalah pekerjaan yang berbeda dari IT tradisional, yang memiliki infrastruktur dan sistem teknis, atau manajer produk, yang fokus pada mengembangkan dan memperbaiki produk. Setiap departemen akan membutuhkan seseorang yang memahami bagaimana kecerdasan buatan diterapkan pada area spesifik mereka, apakah itu keuangan, hukum, SDM, atau operasional.

Perubahan nyata adalah kepemilikan. Saat ini, sebagian besar organisasi belum menunjuk seseorang yang secara jelas bertanggung jawab atas apakah sistem ini menghasilkan nilai dan tetap dalam risiko yang dapat diterima. Celah itu, dalam hal mengidentifikasi individu yang bertanggung jawab secara langsung, adalah apa yang akan diisi oleh peran seperti ini.

KPMG Kanada menemukan bahwa agen kecerdasan buatan sudah mempengaruhi bagaimana organisasi merekrut karyawan baik tingkat pemula maupun berpengalaman. Keterampilan apa yang akan menjadi lebih berharga ketika perekrut mulai menilai kandidat berdasarkan kemampuan mereka untuk mendelegasikan pekerjaan ke kecerdasan buatan, mengevaluasi outputnya, dan campur tangan ketika diperlukan?

Keterampilan yang akan menjadi semakin berharga adalah keterampilan yang tetap unik bagi manusia, seperti pemikiran kritis, penilaian, komunikasi, kreativitas, pemecahan masalah, dan kepemimpinan.

Melek teknis kecerdasan buatan akan terus penting, tetapi perekrut mencari orang yang memahami bagaimana kecerdasan buatan masuk ke dalam lingkungan bisnis yang lebih luas. Ini termasuk keterampilan seperti manajemen perubahan, manajemen risiko, dan pemikiran strategis.

Garis antara peran teknis dan non-teknis semakin kabur. Organisasi bergerak menjauh dari merekrut hanya berdasarkan keterampilan yang sudah dimiliki seseorang dan menuju orang yang mau belajar, beradaptasi, dan terus meningkatkan keterampilan. Karyawan yang paling berharga akan menjadi mereka yang dapat menggunakan kemampuan kecerdasan buatan sambil memahami di mana penilaian manusia tetap penting.

Banyak karyawan secara tradisional mengembangkan penilaian profesional dengan menyelesaikan tugas entry-level yang berulang. Jika agen kecerdasan buatan menyerap banyak pekerjaan dasar itu, bagaimana organisasi dapat merancang ulang pelatihan dan pengembangan karir sehingga karyawan muda masih memperoleh pengalaman yang dibutuhkan untuk menjadi pengambil keputusan yang efektif?

Ini adalah kebenaran yang sedikit mengkhawatirkan. Orang biasanya membangun penilaian dan pengalaman dengan menyelesaikan tugas entry-level. Jika agen melakukan pekerjaan itu, tangga kehilangan beberapa anak tangga.

Organisasi harus lebih sengaja daripada sebelumnya dalam membangun bakat junior melalui mentorship, coaching, latihan pengambilan keputusan, dan paparan proyek yang lebih berharga lebih awal dalam karir seseorang.

Ada juga kesempatan untuk mentorship terbalik, di mana karyawan muda yang lebih familiar dengan alat kecerdasan buatan dapat membantu tim memahami bagaimana teknologi ini dapat diterapkan, sementara karyawan berpengalaman terus memberikan konteks bisnis dan penilaian yang kecerdasan buatan tidak dapat tiru.

Tujuannya harus merancang ulang proses pembelajaran untuk tempat kerja di mana manusia dan kecerdasan buatan bekerja sama.

Punchcard memiliki pengalaman luas dalam menerapkan Microsoft 365 dan teknologi tempat kerja terkait. Bagaimana ChatGPT Work mengubah lanskap kompetitif untuk Microsoft Copilot dan Google Gemini, dan apa faktor yang harus dipertimbangkan organisasi ketika memilih platform kecerdasan buatan untuk pekerjaan sehari-hari?

Lanskap itu berkembang dengan cepat, dan organisasi memiliki lebih banyak pilihan daripada sebelumnya. Keputusan harus didasarkan pada solusi mana yang paling sejalan dengan lingkungan teknologi yang ada, alur kerja, kebutuhan keamanan, dan tujuan bisnis.

Bagi organisasi yang sudah berinvestasi di Microsoft 365, alat seperti Copilot mungkin menyediakan keuntungan melalui integrasi dengan aplikasi dan data yang ada. Yang lain mungkin menemukan platform lain lebih sesuai dengan kebutuhan mereka.

Saya pikir pertanyaan kunci yang harus ditanyakan para pemimpin bukanlah “alat apa?” Ini adalah “masalah apa yang kita pecahkan, dan platform mana yang membantu kita memecahkannya secara bertanggung jawab?”

Apa yang telah kita pelajari secara langsung: adopsi yang sukses adalah tentang lebih dari alat itu sendiri. Kita telah menerapkan platform kecerdasan buatan perusahaan, dengan model kustom yang disesuaikan dengan cara kita bekerja. Setiap karyawan menggunakannya, tetapi itu tidak datang dari memilih produk yang tepat; itu datang dari fondasi data yang kuat, tata kelola, dan membangun kecerdasan buatan ke dalam cara perusahaan berjalan.

Performa model sering mendominasi percakapan tentang kecerdasan buatan tempat kerja, tetapi organisasi juga perlu mempertimbangkan izin, akses data, kemampuan audit, dan akuntabilitas. Apa kontrol tata kelola yang harus dibentuk sebelum agen kecerdasan buatan diizinkan untuk beroperasi di seluruh email, dokumen, database internal, dan aplikasi bisnis?

Salah satu kesalahan terbesar yang saya lihat organisasi lakukan adalah memperlakukan tata kelola kecerdasan buatan sebagai sesuatu yang dapat ditunda. Ketika sistem kecerdasan buatan menjadi lebih mampu dan terhubung ke data bisnis, organisasi perlu membentuk prinsip yang jelas tentang bagaimana alat ini digunakan sebelum menerapkannya secara luas.

Itu dimulai dengan memahami apa informasi yang dapat diakses oleh sistem kecerdasan buatan, memastikan izin yang tepat, dan menempatkan kontrol di sekitar pemantauan dan akuntabilitas.

Organisasi juga perlu memiliki pedoman yang jelas tentang di mana kecerdasan buatan dapat beroperasi secara independen dan di mana pengawasan manusia diperlukan.

Dengan membangun fondasi yang tepat sejak awal, bisnis dapat membuka nilai kecerdasan buatan sambil mengelola risiko yang datang dengan sistem yang semakin otonom.

Ketika agen kecerdasan buatan mengambil tindakan bukan hanya memberikan jawaban, kesalahan dapat memiliki konsekuensi operasional. Bagaimana bisnis harus memvalidasi pekerjaan yang dihasilkan agen, menentukan tindakan mana yang memerlukan persetujuan manusia, dan menetapkan tanggung jawab ketika agen menghasilkan hasil yang tidak akurat atau mengambil tindakan yang tidak diinginkan?

Ketika kecerdasan buatan berpindah dari menjawab ke bertindak, profil risiko berubah. Tidak setiap tugas memiliki konsekuensi yang sama, sehingga batang untuk persetujuan manusia harus meningkat seiring dengan apa yang dipertaruhkan.

Sederhananya, ini membutuhkan kepemilikan yang jelas. Kecerdasan buatan harus mendukung pengambilan keputusan, bukan menggantikan tanggung jawab. Organisasi perlu mendefinisikan siapa yang memantau kinerja kecerdasan buatan, memvalidasi output, dan pada akhirnya bertanggung jawab atas hasil. Tujuannya adalah menggabungkan efisiensi yang didorong kecerdasan buatan dengan penilaian manusia, menciptakan sistem yang skalabel dan dapat dipercaya.

Banyak organisasi bereksperimen dengan kecerdasan buatan tanpa menghubungkan adopsi dengan hasil bisnis yang dapat diukur. Bagaimana pemimpin harus mengidentifikasi kasus penggunaan kecerdasan buatan agen yang berharga, mengukur return on investment, dan menentukan apakah pilot siap untuk diterapkan di seluruh organisasi?

Celah biasanya kembali ke urutan. Tim memilih teknologi terlebih dahulu dan kemudian mencari tempat untuk menerapkannya, ketika kemenangan yang tahan datang dari memulai dengan alur kerja yang sudah menyakitkan dan mahal dan bertanya apakah agen benar-benar alat yang tepat.

Saringan terbaik adalah variabilitas. Jika proses cukup dapat diprediksi untuk mesin aturan, Anda tidak membutuhkan agen. Jika itu terlalu terbuka sehingga tidak ada yang dapat mendeskripsikan hasil yang baik, agen akan bergelut dan Anda tidak akan dapat mempercayainya. Nilai itu berada di antaranya, dalam pekerjaan yang membutuhkan penilaian di seluruh beberapa sistem tetapi masih berjalan di dalam aturan yang terikat dan dapat diaudit.

Saya akan menambahkan satu pertanyaan penyaring yang mengubah profil risiko lebih dari apa pun juga. Apakah biaya tindakan yang salah terikat dan dapat dibalik? Di mana itu terjadi, biarkan agen bertindak dan bergerak cepat. Di mana kesalahan itu mahal atau sulit dibalik, pertahankan orang dalam keputusan.

Untuk return, kesalahan umum adalah mengukur hal yang salah terlalu lambat. Waktu yang diselamatkan adalah metrik default, tetapi itu meremehkan dampak. Pengembalian yang lebih besar muncul sebagai kompresi waktu siklus, tingkat kesalahan yang lebih rendah, dan kapasitas yang sebelumnya dibatasi menjadi tersedia. Tim dukungan yang hanya bisa mencapai setengah dari tiketnya menjadi bisnis yang berbeda ketika mereka bisa mencapai semuanya. Tangkap baseline yang jernih sebelum pilot dimulai, karena tanpa itu Anda terjebak dalam membantah anekdot. Dan ketika Anda menghitung biaya, hitung gambaran lengkap. Pekerjaan integrasi dan waktu pengawasan manusia adalah item baris yang nyata, dan pengawasan secara kronis diremehkan.

Menentukan apakah untuk menskalakan adalah di mana disiplin paling penting, dan itu adalah langkah yang paling terburu-buru tim. Pilot siap ketika itu bertahan pada input yang sebenarnya, kotor, ketika mode kegagalan dipahami dan terikat, ketika observabilitas ada sehingga kegagalan sunyi ditangkap daripada ditemukan oleh pelanggan, dan ketika orang yang bernama bertanggung jawab dalam produksi.

Jalankan pemeriksaan ekonomi unit juga, karena biaya agen berskala dengan penggunaan dalam cara yang tidak dilakukan oleh kursi perangkat lunak.

Sistem agen gagal secara berbeda dari perangkat lunak tradisional. Mereka gagal secara probabilistik dan sering sunyi, sehingga organisasi yang memimpin membangun evaluasi dan pemantauan dari hari pertama daripada memasangnya setelah sesuatu rusak.

Punchcard Systems membantu organisasi berpindah dari bereksperimen dengan kecerdasan buatan ke mengintegrasikannya ke dalam proses bisnis yang nyata. Bagaimana Anda menilai kesiapan organisasi untuk kecerdasan buatan, mengidentifikasi alur kerja di mana kecerdasan buatan dapat menghasilkan nilai yang terukur, dan membantu tim menerapkan sistem ini secara bertanggung jawab tanpa mengganggu operasi yang ada?

Penting untuk memulai dengan memahami keadaan saat ini organisasi. Salah satu kesalahpahaman terbesar adalah bahwa adopsi kecerdasan buatan hanya tentang memilih alat yang tepat. Dalam kenyataan, implementasi yang sukses bergantung pada memiliki fondasi yang kuat: data berkualitas, proses yang jelas, dan kepemilikan yang ditentukan.

Dari sana, kita membantu organisasi menemukan di mana kecerdasan buatan dapat menciptakan nilai terbesar, seringkali dalam alur kerja yang memakan waktu yang tidak proporsional relatif terhadap dampaknya, atau dalam keputusan yang dibuat tanpa informasi yang tepat di tangan.

Organisasi harus memikirkan bagaimana peran dan pengambilan keputusan akan berkembang seiring dengan teknologi. Dengan menggabungkan teknologi yang tepat dengan adopsi karyawan dan manajemen perubahan, bisnis dapat mengintegrasikan kecerdasan buatan dengan cara yang menciptakan nilai yang terukur tanpa merusak apa yang sudah bekerja.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Punchcard Systems.