Kecerdasan buatan berkembang lebih cepat daripada yang dapat diserap dengan nyaman oleh banyak organisasi dan banyak tenaga kerja.
Sebuah artikel BBC terbaru yang mengulas mengapa perusahaan Jepang relatif lambat mengadopsi AI menyoroti kenyataan yang tidak nyaman: adopsi AI bukan sekadar masalah teknologi. Ini adalah masalah kepercayaan, keterampilan, dan perubahan organisasi.
Jepang sangat menarik karena memadukan beberapa kekuatan yang mulai dialami secara bersamaan oleh banyak ekonomi lain:
- tenaga kerja yang menua,
- kekurangan tenaga kerja,
- karyawan yang sangat berpengalaman,
- budaya korporat yang relatif hati-hati,
- keterampilan digital yang tidak merata, dan
- toleransi yang rendah terhadap teknologi yang sesekali menghasilkan hasil yang salah.
Poin terakhir itu penting.
Generative AI bersifat probabilistik. Teknologi ini dapat sangat bermanfaat tanpa harus sempurna.
Bagi industri di mana kesalahan dapat memengaruhi biaya proyek, pengadaan, kontrak, keselamatan, atau profitabilitas, tingkat kekeliruan AI yang kecil dapat menciptakan masalah kepercayaan yang jauh lebih besar secara tidak proporsional.
Namun Jepang bukan satu-satunya.
Tantangan Jepang Muncul di Tempat Lain
Riset OECD menegaskan skala tantangan Jepang.
Hanya 8,4% karyawan Jepang melaporkan menggunakan AI di tempat kerja, sementara pekerja yang lebih tua lebih kecil kemungkinannya untuk menggunakan AI, mengikuti pelatihan terkait AI, atau mempercayai sistem AI yang diterapkan oleh pemberi kerja mereka. Hanya sekitar 30% pengguna AI di Jepang yang melaporkan menerima pelatihan AI dari perusahaan, dan Jepang mencatat tingkat kepercayaan pemberi kerja terhadap AI yang paling rendah di antara delapan negara yang disertakan dalam perbandingan OECD.
Yang membuat ini penting secara internasional adalah bahwa kombinasi serupa antara tekanan demografis, kesenjangan keterampilan digital, dan kehati-hatian organisasi juga muncul di tempat lain.
Korea Selatan: mungkin paralel Asia yang paling dekat
Korea Selatan mungkin merupakan paralel terkuat dengan Jepang.
Negara ini memadukan penuaan populasi yang cepat dengan salah satu ekonomi paling maju secara teknologi di dunia. Namun infrastruktur nasional yang canggih tidak otomatis berarti kemampuan digital yang setara di seluruh generasi.
Analisis OECD terbaru menemukan bahwa partisipasi dalam pelatihan terkait pekerjaan di kalangan pekerja berusia 55–65 tahun adalah jauh di bawah 20% di Korea, sementara kesenjangan penggunaan perangkat lunak khusus antara pekerja berusia 55–65 tahun dan mereka yang berusia 25–54 tahun melebihi 35%, salah satu kesenjangan digital terkait usia terbesar yang diidentifikasi OECD.
Adopsi AI di bisnis Korea juga masih belum merata. Estimasi OECD menunjukkan bahwa adopsi AI di kalangan UKM Korea lebih tinggi daripada Jepang tetapi tetap jauh di bawah negara seperti Jerman dan Irlandia. Pada saat yang sama, lebih dari 80% lapangan kerja di Korea terkonsentrasi di UKM, sehingga adopsi oleh tenaga kerja menjadi sangat penting.
Pelajarannya penting:
Perekonomian yang maju secara teknologi tetap dapat memiliki masalah adopsi di kalangan tenaga kerja.
Eropa Selatan dan Eropa Tenggara: penuaan bertemu lemahnya pembelajaran seumur hidup
Tantangan serupa juga ada di berbagai bagian Eropa Selatan dan Eropa Tenggara, termasuk Yunani, Italia, Portugal, Spanyol, dan beberapa ekonomi Balkan.
Masalahnya bukan karena negara-negara ini kekurangan profesional yang cakap.
Justru sebaliknya.
Mereka memiliki akumulasi keahlian industri, engineering, dan manajerial yang sangat besar.
Tantangannya adalah mentransfer keahlian tersebut ke lingkungan operasional yang semakin digital.
Di seluruh Uni Eropa, sekitar 35% pekerja berusia 55–64 tahun mengikuti pelatihan terkait pekerjaan dibandingkan 48% pekerja berusia 35–54 tahun. Di Yunani dan Türkiye, partisipasi di kalangan pekerja yang lebih tua turun di bawah 10%.
Komisi Eropa juga memperingatkan bahwa manfaat ketenagakerjaan dari AI kemungkinan akan terdistribusi secara tidak merata, lebih menguntungkan pekerja dengan keterampilan tinggi dan usia produktif utama kecuali jika langkah-langkah yang ditargetkan mengatasi kawasan yang lebih lemah dan kelompok yang lebih rentan.
Bukti terbaru dari Eropa memperkuat pesan yang sama: adopsi AI sangat dipengaruhi oleh keterampilan pekerja, ketersediaan pelatihan, dan partisipasi dalam keputusan organisasi, bukan sekadar apakah sebuah alat AI tersedia secara teknis.
Bagi transformasi digital perusahaan, ini sangat penting.
Seorang estimator berusia 58 tahun yang berpengalaman dan memahami ekonomi konstruksi lebih baik daripada kebanyakan engineer yang lebih muda bukanlah masalah yang perlu diautomasi untuk disingkirkan.
Karyawan itu mewakili pengetahuan perusahaan selama puluhan tahun.
Tujuannya seharusnya adalah memperkuat pengetahuan tersebut melalui teknologi.
Eropa Tengah dan Timur: satu lagi kesenjangan yang muncul
Sebagian wilayah Eropa Tengah dan Timur menghadapi tantangan yang serupa.
Bank Dunia secara aktif mengembangkan program keterampilan digital dan kesiapan AI di seluruh Eropa dan Asia Tengah karena akses ke teknologi saja terbukti tidak memadai. Program terbaru di Rumania, Türkiye, Bulgaria, dan tempat lain secara khusus berfokus pada pembangunan keterampilan yang diperlukan untuk tenaga kerja yang siap menghadapi AI.
Riset OECD juga mengidentifikasi beberapa negara di Eropa Selatan, Tengah, dan Timur tempat pekerja yang lebih tua relatif jarang mengikuti pelatihan di tempat kerja.
Ini berarti adopsi AI perusahaan berisiko menjadi dua kecepatan:
karyawan yang percaya diri secara digital melaju lebih cepat sementara karyawan yang berpengalaman tetapi kurang fasih secara digital semakin terputus dari sistem operasi perusahaan.
Itu akan menjadi kesalahan strategis yang serius.
Asia Tengah: masalahnya lebih pada keterampilan daripada penuaan
Asia Tengah memerlukan interpretasi yang berbeda.
Negara seperti Kazakhstan dan Uzbekistan saat ini belum mereplikasi struktur demografis Jepang dalam tingkat yang sama.
Tantangan mereka terutama adalah kapabilitas digital, kesiapan institusional, dan peningkatan keterampilan ulang tenaga kerja.
OECD telah mengidentifikasi partisipasi pembelajaran orang dewasa dan pemanfaatan keterampilan yang efektif sebagai isu penting bagi Kazakhstan, sementara Asian Development Bank menekankan bahwa kemampuan Uzbekistan untuk menangkap manfaat otomatisasi dan AI sangat bergantung pada pelatihan dan pengembangan keterampilan digital.
Perbedaan ini penting.
Di Jepang, Korea, dan sebagian Eropa, perusahaan semakin perlu memberdayakan tenaga kerja yang menua secara digital.
Di sebagian besar Asia Tengah, perusahaan perlu membangun kapabilitas digital dengan cepat di seluruh tenaga kerja yang beroperasi dalam ekonomi yang sedang terdigitalisasi dengan pesat.
Karena itu, respons implementasinya mungkin berbeda, tetapi kebutuhan perusahaannya serupa:
teknologi harus menyesuaikan diri dengan manusia, alih-alih mengharapkan setiap karyawan menjadi teknolog.
Keterbatasan AI Membuat Masalah Adopsi Semakin Sulit
Sekarang tambahkan dimensi kedua yang diidentifikasi oleh perdebatan seputar adopsi AI:
AI membuat kesalahan.
Ini menciptakan masalah psikologis yang tidak biasa.
- Organisasi secara rutin menoleransi kesalahan manusia.
- Seorang estimator bisa salah menghitung.
- Seorang pembeli bisa memilih pemasok yang salah.
- Seorang engineer lapangan bisa memasukkan kuantitas yang keliru.
- Seorang manajer proyek bisa membuat kesalahan proyeksi.
Namun, karyawan sering kali mengharapkan kecerdasan buatan bekerja pada standar yang jauh lebih tinggi.
Begitu pengguna menyaksikan halusinasi AI atau rekomendasi yang salah, kepercayaan dapat turun dengan cepat.
Karena itu, jawabannya tidak boleh:
“Percayai AI.”
Di DANAOS Projects, kami meyakini prinsip yang lebih baik adalah:
Jangan Percayai AI Secara Buta. Kendalikan AI.
AI perusahaan harus dirancang dengan asumsi bahwa AI sesekali bisa salah.
Artinya beralih dari:
AI → Keputusan
menjadi:
AI → Rekomendasi → Validasi → Persetujuan → Eksekusi → Audit
Ini sangat penting dalam konstruksi, EPC, pembuatan kapal, offshore, maritim, pertambangan, dan industri berbasis proyek lainnya.
Jika sebuah AI agent merekomendasikan pembelian baja senilai €500,000, organisasi tidak boleh hanya bergantung pada penilaian model bahasa tersebut.
Sistem harus mampu memverifikasi:
- Apakah material ini termasuk dalam BoQ?
- Aktivitas WBS mana yang membutuhkannya?
- Kapan material ini dibutuhkan?
- Cost Code mana yang akan menyerap pengeluaran ini?
- Berapa kuantitas yang telah dianggarkan?
- Berapa banyak yang sudah terpakai?
- Apakah stok tersedia?
- Harga berapa yang sebelumnya telah dibayar?
- Pemasok mana yang disetujui?
- Apakah anggaran yang tersedia mencukupi?
- Siapa yang berwenang menyetujui transaksi ini?
Inilah mengapa ERP menjadi infrastruktur penting bagi AI.
Mengapa ProjectVIEW ERP Mengubah Persamaan Kepercayaan
ProjectVIEW ERP menghubungkan transaksi bisnis melalui tiga dimensi proyek yang mendasar:
BoQ ↔ WBS ↔ Kode Biaya
Ini menciptakan konteks bisnis yang terstruktur di sekitar keputusan operasional.
Pengadaan, anggaran, subkontraktor, material, mesin, tenaga kerja, progres, dan pengendalian biaya bukanlah prompt AI yang terpisah. Semuanya berada dalam lingkungan proyek yang sama dengan pengguna, izin, alur kerja, dan persetujuan.
ProjectVIEW sudah menyediakan akses terpusat berbasis peran, alur kerja, pencatatan transaksi, dan keterlacakan. Dengan demikian, setiap proses dapat dijalankan sesuai tanggung jawab dan kewenangan karyawan yang terlibat. Karena itu, AI dapat beroperasi di dalam sistem kendali perusahaan, bukan di luarnya.
Itu adalah perbedaan mendasar.
- Agen AI dapat memberikan rekomendasi.
- ProjectVIEW menyediakan aturan bisnisnya.
- Karyawan yang bertanggung jawab memvalidasi.
- Alur kerja mengendalikan otorisasi.
- ERP mencatat apa yang terjadi.
Kekeliruan Terkendali
Kami meyakini hal ini mengarah pada konsep penting bagi AI perusahaan:
Kekeliruan Terkendali.
AI tidak harus sempurna untuk memberikan nilai yang sangat besar.
AI perlu beroperasi di dalam lingkungan yang mampu mengidentifikasi, membatasi, dan memperbaiki kesalahan.
Karena itu, tingkat otonomi harus sejalan dengan konsekuensi dari keputusan tersebut.
Contohnya:
- Risiko rendah: AI merangkum dokumen proyek secara otomatis.
- Risiko moderat: AI menyiapkan permintaan material untuk diverifikasi karyawan.
- Risiko lebih tinggi: AI merekomendasikan pemilihan pemasok, tetapi memerlukan persetujuan pengadaan.
Komitmen keuangan: AI menyiapkan transaksi, tetapi manajemen yang berwenang menyetujui pelaksanaannya.
Tujuannya bukan otomasi maksimal.
Tujuannya adalah otomasi yang paling bermanfaat dalam batas risiko yang dapat diterima.
Lalu, bagaimana dengan karyawan yang tidak melek teknologi?
Bisa dibilang di sinilah AI dapat menjadi paling bernilai.
Perangkat lunak enterprise tradisional menuntut karyawan mempelajari perangkat lunaknya.
- Menu yang mana?
- Layar yang mana?
- Kolom yang mana?
- Laporan yang mana?
- Alur kerja yang mana?
Pendekatan itu menjadi semakin bermasalah ketika perusahaan memiliki karyawan dengan tingkat literasi digital yang sangat beragam.
AI memungkinkan kita membalik hubungan tersebut.
Alih-alih mengajarkan karyawan cara berbicara dalam bahasa ERP, kita semakin dapat mengajarkan ERP untuk memahami karyawan.
Bayangkan seorang site manager berpengalaman berkata:
“Kita butuh tambahan 20 ton baja tulangan untuk dinding penahan tanah minggu depan.”
Karyawan tersebut tidak perlu memahami model AI.
Asisten AI dapat menafsirkan permintaan tersebut dan ProjectVIEW dapat memberikan konteks perusahaannya:
proyek → BoQ → WBS → material → gudang → anggaran → pemasok → alur kerja.
Sistem menyiapkan transaksi.
Karyawan memverifikasinya.
Manajer yang berwenang menyetujuinya.
Ini adalah jalur adopsi yang jauh lebih mudah bagi karyawan yang ahli di konstruksi, bukan ahli di perangkat lunak.
Strategi Implementasi DANAOS: Adopsi sebelum Otomasi
Arsitektur teknologi saja tidak akan menyelesaikan masalah ini.
Strategi implementasi sama pentingnya.
Hal ini sangat relevan di Jepang, Korea, Eropa Selatan, Balkan, Asia Tengah, dan pasar lain di mana perubahan mungkin perlu diperkenalkan secara bertahap.
Implementasi DANAOS dimulai dengan analisis proses As-Is dan To-Be, analisis GAP, dan cetak biru desain, bukan memaksa setiap organisasi masuk ke dalam templat implementasi yang generik. Rencana pelatihan, manajemen perubahan, UAT, strategi Go-Live, dan dukungan pasca-implementasi merupakan deliverable proyek formal.
Tujuannya adalah memahami bagaimana karyawan saat ini bekerja sebelum mengubah cara mereka bekerja.
1. Melatih berdasarkan peran, bukan berdasarkan perangkat lunak
Seorang estimator tidak perlu mempelajari semua yang dapat dilakukan ProjectVIEW.
Begitu juga seorang warehouse manager.
Begitu juga seorang CFO.
DANAOS menggunakan jalur pelatihan berbasis peran sehingga pengguna mempelajari proses yang relevan dengan pekerjaan nyata mereka. Kerangka ProjectVIEW saat ini mencakup Training Needs Assessment formal yang mempertimbangkan kemahiran ERP, peran organisasi, proses bisnis, persyaratan bahasa, dan ketersediaan pengguna sebelum setiap program pelatihan ditetapkan.
Itu sangat penting bagi karyawan yang kurang berpengalaman secara digital.
Pelatihan menjadi:
“Bagaimana saya menjalankan pekerjaan saya?”
bukan:
“Bagaimana saya mengoperasikan ERP yang rumit ini?”
2. Simulasi praktik langsung sebelum Go-Live
Pengguna tidak boleh mempelajari teknologi yang sangat kritis untuk pertama kalinya di lingkungan produksi.
Pelatihan ProjectVIEW menggunakan environment sandbox khusus dengan skenario bisnis yang realistis, sehingga karyawan dapat berlatih tanpa memengaruhi transaksi aktif.
Implementasi DANAOS juga mencakup periode simulasi yang diikuti dukungan praktik langsung selama deployment.
Ini sangat bernilai bagi karyawan yang tidak nyaman dengan teknologi baru.
Kepercayaan tumbuh dari pengulangan, bukan dari presentasi PowerPoint.
3. Bentuk Champion internal
Salah satu cara paling efektif untuk mengatasi resistensi terhadap perubahan bukanlah menjadikan IT bertanggung jawab atas adopsi.
Melainkan menciptakan pengguna tepercaya di setiap departemen operasional.
Program DANAOS ProjectVIEW ERP Champions mengembangkan senior power user yang mampu mendukung rekan kerja, memahami alur kerja lintas modul, mengeskalasi isu, dan berkomunikasi dengan DANAOS setelah Go-Live.
Seorang pengadaan manager berpengalaman biasanya lebih mungkin mempercayai sesama profesional pengadaan daripada konsultan AI eksternal.
Ini menciptakan adopsi digital yang dipimpin rekan sejawat.
4. Tetap libatkan manusia dalam alur kerja
ProjectVIEW memungkinkan organisasi mempertahankan kewenangan persetujuan tepat di tempat yang mereka butuhkan.
Pengguna dan peran menentukan hak akses, alur kerja menentukan otorisasi, dan riwayat transaksi menyediakan keterlacakan.
Karena itu, otomasi AI dapat diperkenalkan secara bertahap:
AI memberi informasi → AI merekomendasikan → AI menyiapkan → AI mengeksekusi dalam batas yang telah disetujui.
Tidak ada keharusan untuk langsung melompat dari pekerjaan manual ke operasi otonom.
5. Jadikan pembelajaran berkelanjutan
Adopsi ERP dan AI tidak dapat diperlakukan sebagai peristiwa pelatihan sekali jalan.
ProjectVIEW mendukung pembelajaran digital mandiri, pelatihan yang direkam, dokumentasi online, panduan dalam aplikasi, dan pelatihan penyegaran yang spesifik per peran. Ini sangat penting bagi tenaga kerja yang menua karena karyawan dapat belajar dengan kecepatan berbeda tanpa dikeluarkan dari transformasi digital.
6. Validasi teknologi sebelum mempercayainya
Filosofi yang sama juga berlaku untuk AI itu sendiri.
Kerangka SaaS ProjectVIEW saat ini mencakup lingkungan pengujian terkendali, User Acceptance Testing, dan validasi regresi sebelum perubahan masuk ke produksi. Perubahan besar memerlukan UAT dan persetujuan pelanggan sebelum cutover ke produksi.
Inilah tepatnya cara organisasi seharusnya mendekati AI.
Kepercayaan harus dibuktikan, bukan dituntut.
AI Sebenarnya Bisa Membantu Tenaga Kerja yang Menua
Ada keuntungan penting yang sering terlewat.
AI tidak selalu mengancam pekerja berpengalaman.
AI justru bisa menjadi salah satu teknologi yang memungkinkan mereka tetap produktif lebih lama.
OECD mencatat bahwa aplikasi AI yang ramah pengguna mungkin lebih mudah diadopsi oleh pekerja yang lebih tua dibandingkan perangkat lunak spesialis yang canggih karena sistem percakapan dapat melengkapi keahlian yang sudah ada.
Ini berpotensi mengubah banyak hal.
Masa depan perangkat lunak enterprise karena itu dapat bergerak menjauh dari pemaksaan agar pekerja berpengalaman menghafal antarmuka perangkat lunak yang semakin kompleks.
Sebaliknya, karyawan berkomunikasi secara natural sementara AI menerjemahkan maksud mereka menjadi proses enterprise yang terstruktur.
Itu menjadikan AI berpotensi lebih inklusif daripada generasi teknologi enterprise sebelumnya, asalkan diimplementasikan dengan benar.
Keunggulan Kompetitif yang Sesungguhnya Bukan AI
Perusahaan yang memenangkan perlombaan AI tidak selalu perusahaan yang menerapkan agen AI terbanyak.
Mereka adalah organisasi yang berhasil menghubungkan:
keahlian manusia + data enterprise yang andal + otomasi AI + aturan bisnis + tata kelola.
Ini sangat penting di berbagai ekonomi yang menua seperti Jepang, Korea Selatan, dan Eropa Selatan, dan semakin penting di Eropa Tengah dan Timur serta pasar Asia Tengah yang bergerak cepat dalam digitalisasi.
Bagi DANAOS Projects, inilah yang mendefinisikan arah ProjectVIEW ERP.
Kami membayangkan ProjectVIEW sebagai pusat komando dan orkestrator utama operasi proyek, yang merajut enterprise data fabric sementara agen AI yang ditujukan untuk fungsi tertentu mempercepat proses individual.
ERP menyediakan konteks dan kontrol.
AI menyediakan kecepatan dan kecerdasan.
Karyawan menyediakan pengalaman dan penilaian.
DANAOS menyediakan kerangka implementasi, pelatihan, dan manajemen perubahan yang menyatukan ketiganya.
Tujuannya bukan membuat karyawan berpengalaman langsung beradaptasi dengan AI dalam semalam.
Dan jelas bukan berpura-pura bahwa AI akan menjadi tanpa cela.
Tujuannya jauh lebih praktis:
Buat AI cukup mudah digunakan, cukup terkendali untuk dipercaya, dan cukup bernilai sehingga karyawan memilih untuk mengadopsinya.
Karena hambatan tersembunyi bagi AI perusahaan bukanlah modelnya.
Hambatannya adalah apakah orang-orang yang benar-benar menjalankan bisnis siap menggunakannya.
