Sarah Philipp, Pemimpin Global Pengembangan dan Adopsi AI di Altimetrik – Seri Wawancara

Sarah Philipp, Pemimpin Global Pengembangan dan Adopsi AI di Altimetrik, fokus pada membantu organisasi membangun jembatan antara inovasi AI yang cepat dan adopsi tenaga kerja di dunia nyata. Pekerjaannya berpusat pada membangun program literasi AI, strategi pengembangan alur kerja, dan inisiatif pelatihan berbasis peran yang membantu karyawan dan manajer mengintegrasikan AI generatif ke dalam operasi sehari-hari. Di Altimetrik, dia telah membantu membentuk program adopsi perusahaan sekitar teknologi seperti ChatGPT Enterprise, OpenAI Agents SDK, dan alur kerja AI skala perusahaan, serta berkolaborasi dalam membuat “LAByrinth,” sebuah platform simulasi AI generatif berbasis proyek yang dirancang untuk insinyur dan manajer program teknis. Sebelum bergabung dengan Altimetrik, dia menghabiskan beberapa tahun memimpin inisiatif edukasi pelanggan dan implementasi di platform SaaS seperti Nudge Coach, memberinya fondasi yang kuat dalam sistem pembelajaran, pengaktifan perilaku, dan transformasi digital. Karirnya mencerminkan tren yang berkembang dalam AI perusahaan di mana kesuksesan semakin bergantung tidak hanya pada penerapan model, tetapi juga pada membuat karyawan percaya diri, mampu, dan produktif dengan alat AI dalam pekerjaan sehari-hari.

Altimetrik adalah perusahaan rekayasa digital dan solusi data yang berfokus pada AI, membantu perusahaan memodernisasi sistem warisan dan menskalakan AI generatif di seluruh operasi bisnis. Perusahaan ini bekerja di berbagai industri, termasuk jasa keuangan, kesehatan, manufaktur, ritel, dan ilmu kehidupan, dengan menggabungkan rekayasa produk, modernisasi cloud, infrastruktur data, dan layanan penerapan AI. Altimetrik telah memposisikan diri sebagai mitra implementasi AI perusahaan utama melalui kolaborasi dengan OpenAI, dengan penekanan kuat pada AI agen, orkestrasi alur kerja, tata kelola, dan sistem AI siap produksi. ALTI AI Lab-nya berfungsi sebagai pusat inovasi internal di mana perusahaan membuat aplikasi AI perusahaan, mulai dari asisten pintar hingga alur kerja multimodal dan operasi bisnis asli AI. Dalam beberapa tahun terakhir, Altimetrik telah mengembangkan diri secara agresif melalui kemitraan dan akuisisi, memperkuat jejak rekayasa global dan kemampuan pengiriman AI perusahaan.

Apa pengalaman penting yang pertama kali membuat Anda yakin bahwa adopsi AI yang bertanggung jawab akan bergantung sama banyak pada pengembangan manusia seperti pada kemampuan teknis?

Saya biasanya menjadi pengadopsi terlambat dari hal-hal baru. Saya cenderung skeptis terhadap hype dan gigih mempertahankan cara lama. Ini juga berlaku untuk AI. Saya adalah pengadopsi terlambat dan bergerak sangat lambat di awal.

Apa yang berubah bagi saya ketika saya mendengar, dalam bahasa yang sangat manusiawi dan non-teknis, bagaimana orang lain benar-benar menggunakan AI dalam kehidupan sehari-hari dan pekerjaan. Ketika saya bisa menghubungkannya dengan titik gesekan pribadi yang nyata, rasa ingin tahu mengikuti.

Pengalaman itu memperkuat sesuatu yang saya lihat di setiap upaya transformasi yang saya bagian: adopsi jarang dimulai dengan kemampuan saja. Ini dimulai dengan relevansi, kepercayaan, dan makna. Orang perlu melihat diri mereka sendiri dalam perubahan dan itulah mengapa adopsi AI yang bertanggung jawab bergantung sama banyak pada pengembangan manusia seperti pada kesiapan teknis.

Dalam peran Anda sebagai pemimpin pengembangan AI global di Altimetrik, bagaimana Anda mendefinisikan adopsi AI generatif skala perusahaan yang sukses di luar pilot dan eksperimen bukti konsep?

Adopsi skala perusahaan yang sukses tidak hidup dalam silo. Salah satu pola paling umum yang kita lihat adalah adopsi yang terkompartalisasi. Satu tim menjadi sangat maju dalam kematangan AI, sementara tim lain di organisasi yang sama tidak memiliki strategi yang jelas dan mungkin bahkan menggunakan alat yang terfragmentasi atau akun pribadi. Jenis adopsi yang tidak merata itu menciptakan inkonsistensi dan risiko.

Keberhasilan sebenarnya datang ketika sebuah organisasi membangun kebiasaan bersama, standar bersama, dan cara kerja terhubung. Ini memerlukan perubahan manajemen dari atas ke bawah dan dari bawah ke atas. Dari atas, kepemimpinan harus menetapkan arah, menetapkan tata kelola, dan menciptakan kejelasan tentang apa adopsi yang bertanggung jawab dan berharga. Dari bawah, karyawan perlu memahami bagaimana AI masuk ke dalam pekerjaan sehari-hari, di mana itu memecahkan masalah nyata, dan bagaimana menggunakannya dengan percaya diri dalam peran mereka.

Tanda nyata kematangan adalah ketika alur kerja berjalan lancar dari ujung ke ujung dan di seluruh tim, bukan hanya dalam kantong yang terisolasi.

Banyak organisasi berinvestasi dalam alat AI generatif tetapi bergelut untuk mengoperasionalkannya. Apa celah eksekusi paling umum yang Anda lihat antara ambisi dan dampak bisnis yang terukur?

Pemilikan tata kelola seringkali tidak jelas. Siapa yang bertanggung jawab atas pendokumentasian apa yang digunakan, versi prompt atau alur kerja, memantau kualitas, dan melacak di mana AI sebenarnya muncul dalam bisnis? Tanpa kejelasan itu, organisasi berakhir dengan penggunaan yang tersebar dan sangat sedikit disiplin operasional.

Banyak organisasi belum memutuskan jenis penggunaan AI yang sebenarnya mereka ingin dorong. Apakah mereka bertujuan untuk kebiasaan memicu peran, kasus penggunaan produktivitas individu seperti brainstorming dan drafting, atau agen tujuan yang terikat pada alur kerja yang ditentukan? Jika itu tidak jelas, pengembangan tetap samar dan dampak menjadi sulit diukur.

Ada juga sering kali pemutusan antara peluncuran dan pekerjaan nyata. Perusahaan berinvestasi dalam alat sebelum mereka mengidentifikasi momen di mana AI dapat menghilangkan gesekan, meningkatkan kualitas, atau mempercepat eksekusi dengan cara yang bermakna. Ambisi mudah, tetapi operasionalisasi memerlukan spesifikasi.

Anda bekerja erat dengan tim kepemimpinan eksekutif — apa yang terlihat seperti kemampuan AI yang efektif di tingkat C-suite, dan bagaimana perilaku kepemimpinan mempengaruhi adopsi di seluruh organisasi?

Ini terlihat seperti pemodelan, rasa ingin tahu, dan sikap pemula. Ini terlihat seperti pemimpin yang rentan di ruangan dengan orang-orang yang melaporkan kepada mereka.

Pemimpin yang membuat perbedaan terbesar adalah mereka yang menunjukkan sikap pemula. Mereka mau belajar secara terbuka. Mereka nyaman mengatakan, “Saya masih mencoba memahami ini juga.” Jenis kerentanan itu lebih penting daripada yang orang sadari, karena itu memberi semua orang lain izin untuk terlibat tanpa merasa harus menjadi ahli terlebih dahulu.

Perilaku kepemimpinan menetapkan nada. Jika eksekutif memperlakukan AI seperti eksperimen sampingan, organisasi juga akan melakukannya. Jika mereka memodelkan penggunaan yang berpikir, mengajukan pertanyaan praktis, dan terlihat berinvestasi dalam pembelajaran, adopsi menjadi lebih aman secara budaya. Kepercayaan sama pentingnya dengan kemampuan ketika datang ke penskalaan AI di perusahaan.

Apa yang terlihat seperti kerangka eksperimen terstruktur untuk AI generatif dalam praktek, dan bagaimana perusahaan dapat mendorong inovasi tanpa menciptakan fragmentasi atau paparan risiko?

Kita ingin memulai dengan titik gesekan alur kerja nyata, bukan saran acak. Tim harus didorong untuk mengidentifikasi tugas berulang, bottleneck keputusan, atau celah pengetahuan yang ada. Dari sana, organisasi dapat memprioritaskan eksperimen berdasarkan relevansi bisnis, kelayakan, dan risiko.

Lingkungan yang paling sehat adalah di mana orang dapat mencoba hal-hal dengan aman, berbagi apa yang berhasil, dan menghindari merekayasa roda di isolasi.

Anda berkolaborasi dalam membuat LAByrinth, simulator proyek AI generatif yang dirancang untuk memberikan insinyur pengalaman tangan-on dengan alat AI dalam lingkungan yang aman dan terarah. Apa yang menginspirasi penciptaannya, dan bagaimana pembelajaran berbasis simulasi mempercepat kemampuan AI dunia nyata?

Saya selalu menyukai bentuk pembelajaran tangan-on, pengalaman. Terutama, jenis mentoring “di atas bahu” yang ada di lingkungan studio seni.

Ketika Martin Gaida dan saya mulai memainkan ide struktur pelatihan ini, proyek ini sangat menyenangkan untuk dibuat. Terasa seperti kita membuat teka-teki untuk orang-orang untuk memecahkan. Itulah yang membuat saya tahu kita berada di jalur yang benar. Orang lebih mungkin terlibat dengan materi baru ketika mereka menemukannya menarik dan merasa didukung.

Pembelajaran berbasis simulasi mempercepat kemampuan karena menutup celah antara teori dan aplikasi. Ini memberi mereka tempat yang aman untuk berlatih penilaian, bukan hanya mengingat konsep. Dan dengan AI, itu sangat penting, karena kemampuan nyata bukan hanya mengetahui apa yang dapat dilakukan alat. Ini tentang mengetahui bagaimana menggunakannya dengan bijak dan aman.

Bagaimana perusahaan harus mendekati pengembangan kemampuan tenaga kerja secara berbeda di era AI generatif dibandingkan dengan gelombang transformasi digital sebelumnya?

Secara kolaboratif dan kreatif. Dengan alat seperti Notebook LM dan Figma membuat, ada banyak cara untuk membuat konten yang menarik dan terasa segar. Kami menyukai presentasi slide, tetapi kami juga menyukai membuat buku kerja interaktif, video animasi, dan metode lain untuk mengirimkan kurikulum.

Secara pribadi, saya belajar dengan baik menggunakan infografis dan visual lainnya.

AI yang bertanggung jawab sering kali dikaitkan dengan tata kelola dan kepatuhan. Dari perspektif pengembangan, apa yang terlihat seperti adopsi yang bertanggung jawab dalam alur kerja sehari-hari?

Konsultasikan dengan orang-orang yang sebenarnya menggunakan alat tentang apa yang membuatnya berguna, lalu pastikan semua orang yang menggunakan alat memahami apa kebijakan sebenarnya. Bagaimana itu diterjemahkan ke dalam penggunaan AI sehari-hari?

Adopsi yang bertanggung jawab berarti model “manusia di kemudi”. AI dapat membantu menggabungkan, meringkas, menganalisis, atau mempercepat, tetapi orang masih memiliki penilaian, pemeriksaan kualitas, dan keputusan akhir. Tanggung jawab manusia itu kunci.

Tak kalah penting, adopsi yang bertanggung jawab bergantung pada kepercayaan. Diskresi datang dari pengalaman. Itulah mengapa organisasi memerlukan ruang yang rendah risiko dan non-judgmental di mana karyawan dapat berlatih dan membangun kemampuan AI yang nyata. Ketika orang mendapatkan pengalaman tangan-on yang cukup untuk membuat keputusan yang bijak, penggunaan yang bertanggung jawab berhenti menjadi abstrak dan mulai menjadi kebiasaan.

Bagaimana organisasi dapat merancang program pengembangan yang tetap adaptif daripada menjadi usang dalam beberapa bulan ketika AI generatif berkembang pesat?

Ini adalah tantangan, tetapi ada banyak alat bagus di luar sana.

Kesalahan terbesar adalah membangun pengembangan sepenuhnya di sekitar lanskap alat saat ini.

Kami sering ditanya apakah kami menawarkan pelatihan yang tidak bergantung pada alat, dan jawabannya adalah ya. Absolut. Kami fokus pada keterampilan AI yang tahan lama dan kemudian mengajarkan orang cara menerapkan keterampilan itu dalam alat yang digunakan organisasi saat ini. Pendekatan itu memberi program umur yang lebih panjang.

Pengembangan yang adaptif juga harus modular. Fraktal. Sebagai gantinya memperlakukan pelatihan sebagai acara satu kali, organisasi harus berpikir dalam lapisan: literasi dasar, aplikasi berbasis peran, eksperimen lanjutan, dan pembaruan berkelanjutan ketika alat dan prioritas bergeser.

Menghadap ke depan, apa pergeseran yang Anda percayai akan mendefinisikan fase berikutnya dari adopsi AI perusahaan dalam dua tahun ke depan?

Berbasis peran dan agen. Perusahaan sudah mulai mengadopsi penggunaan agen. Organisasi-organisasi ini ingin memastikan tim teknis mereka memiliki keterampilan yang diperlukan untuk membangun dan mengatur penggunaan AI jenis ini.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Altimetrik.