Permintaan seperti “training AI untuk 20 orang selama satu hari” masih berupa batasan pengiriman, bukan learning design. Petakan dulu business outcome, peran, fungsi, AI maturity, serta lingkungan tools dan data—baru kemudian tentukan materi, kedalaman, latihan, dan apakah cukup satu sesi atau perlu perjalanan belajar bertahap.
Brief training bukan learning design
Banyak brief corporate AI training dimulai dari angka yang mudah ditulis: satu hari, dua puluh peserta, atau daftar tools seperti ChatGPT. Angka dan daftar itu penting untuk logistik, tetapi belum menjawab pertanyaan desain: peserta perlu mampu melakukan apa setelah sesi, pada pekerjaan yang mana, dengan standar kualitas apa, dan dalam batas penggunaan yang mana.
Discovery adalah bagian dari pekerjaan trainer, bukan beban yang dilimpahkan seluruhnya ke HR atau L&D. Program officer biasanya membawa konteks organisasi yang berharga; fasilitator yang mengubahnya menjadi tujuan belajar, contoh, latihan, dan kedalaman yang proporsional. Ketika keduanya bekerja bersama, silabus menjadi keluaran—bukan titik awal.
1. Mulai dari business outcome
Outcome bisnis menentukan seberapa dalam materi perlu dibawa. Awareness membutuhkan ruang untuk peluang, risiko, dan keputusan prioritas. Everyday productivity membutuhkan latihan workflow berulang. Research dan synthesis membutuhkan cara menyusun sumber, membandingkan klaim, serta menjaga jejak bukti. Data analysis membutuhkan kedalaman berbeda dari content support. Adoption dan workflow automation membutuhkan fokus pada ownership, guardrails, dan handoff antar-peran.
Tanpa outcome yang jelas, materi cenderung menjadi tur fitur. Dengan outcome yang jelas, trainer dapat memotong topik yang menarik tetapi tidak relevan, lalu memberi waktu lebih pada praktik yang menyentuh pekerjaan nyata.
- Awareness dan orientasi peluang serta risiko
- Everyday productivity pada tugas berulang
- Research, synthesis, dan decision support
- Analisis data dan pelaporan yang dibantu AI
- Adopsi organisasi atau otomasi workflow terpilih
2. Level jabatan mengubah sudut belajar
Level jabatan mengubah keputusan yang perlu dilatih, bukan otomatis mengubah kemampuan AI seseorang. Leadership dan executives biasanya membutuhkan ruang untuk peluang dan risiko, governance, prioritisasi, adopsi, serta keputusan di mana AI boleh dan tidak boleh dipakai—termasuk mengidentifikasi champion internal. Managers biasanya fokus pada ownership workflow, standar review, adopsi tim, dan menerjemahkan kebijakan menjadi kerja harian. Practitioners dan supervisors biasanya membutuhkan aplikasi hands-on: context design, analisis, serta workflow produktivitas yang dapat diulang.
Jangan menyamakan seniority dengan skill AI. Seorang direktur bisa baru mulai bereksperimen, sementara seorang supervisor sudah memakai AI setiap hari. Desain cohort mengikuti tanggung jawab dan keputusan, lalu disesuaikan dengan tingkat kematangan aktual peserta.
3. Fungsi menentukan relevansi studi kasus
Fondasi bersama—cara membingkai tugas, memberi konteks, mengevaluasi output, dan menjaga batas aman—sering bisa sama lintas fungsi. Yang perlu berbeda adalah latihan dan studi kasus. Contoh di bawah bersifat ilustratif, bukan silabus tetap: HR dapat memakai kebijakan, learning, atau dukungan rekrutmen; Sales dan BD dapat memakai riset, proposal, atau persiapan akun; Marketing dapat memakai riset, brief, atau alur konten; Finance dan Accounting dapat memakai analisis, dukungan pelaporan, atau penjelasan angka; Legal dapat memakai ringkasan, perbandingan, atau first-pass review; IT dan Data dapat memakai analisis, dokumentasi, atau enablement workflow; Operations dapat memakai SOP, proses, atau tugas berulang.
Semakin dekat latihan dengan pekerjaan peserta, semakin mudah mereka memindahkan hasil sesi ke minggu berikutnya. Semakin generik studinya, semakin besar risiko materi hanya terasa menarik di hari training.
4. AI maturity tidak selalu mengikuti jabatan
Beberapa executives masih berada di tahap exploratory. Beberapa supervisors sudah menjadi regular user atau bahkan menyusun workflow lanjutan. Karena itu, desain cohort tidak boleh hanya mengikuti hierarki organisasi. Maturity bands yang berguna biasanya sederhana: new atau exploratory, regular user, dan advanced atau workflow-oriented.
Bands ini membantu menyesuaikan kecepatan dan kedalaman, bukan menjadi kerangka sertifikasi kaku. Campuran maturity dalam satu ruangan bisa dikelola dengan common foundation singkat, lalu latihan berjenjang atau breakout berdasarkan tugas—bukan dengan memaksa semua orang mengikuti tempo yang sama.
5. Tools dan data policy datang sebelum hands-on
Pemilihan tool sebaiknya mengikuti lisensi yang sudah ada, daftar tools yang diizinkan, klasifikasi data, kebutuhan keamanan, dan workflow yang ingin diperbaiki. Nama seperti ChatGPT, Microsoft Copilot, Gemini, atau Claude berguna sebagai ilustrasi, bukan sebagai jawaban “tool terbaik”. Pertanyaan yang lebih berguna: tool apa yang sudah tersedia, data apa yang tidak boleh dimasukkan, dan output mana yang harus melewati human review.
Ketika policy dan akses belum jelas, hands-on cepat berubah menjadi demo yang tidak dapat diulang di kantor. Lebih baik menyepakati lingkungan kerja dulu, lalu menyusun latihan di atasnya.
Dari workshop menjadi learning journey
Setelah discovery, sebagian organisasi memang hanya membutuhkan workshop terfokus. Itu sah dan sering tepat ketika outcome sempit, cohort relatif homogen, dan peserta sudah siap membawa satu workflow ke latihan. Organisasi lain mungkin lebih terbantu dengan perjalanan belajar bertahap—misalnya alignment leadership, fondasi bersama, applied training, proyek pekerjaan nyata, workflow atau otomasi lanjutan, lalu review dan showcase.
Arsitektur di atas bersifat ilustratif. Ia bukan paket wajib, bukan bundle penjualan, dan bukan janji bahwa setiap perusahaan perlu multi-sesi. Alasan mempertimbangkannya sederhana: aplikasi di pekerjaan nyata sering menyingkap kebutuhan yang tidak terlihat di latihan kelas. Beberapa tim berhenti setelah satu sesi yang cukup tajam; yang lain baru melihat nilai ketika ada ruang menerapkan, mereview, dan memperbaiki.
Checklist sebelum meminta proposal corporate AI training
Checklist berikut membantu HR, L&D, dan program owner menyiapkan brief yang cukup untuk desain program. Tidak semua poin harus lengkap sebelum mengirim permintaan diskusi. Semakin banyak konteks yang tersedia, semakin cepat agenda, kedalaman, dan format dapat disesuaikan.
- Apa outcome bisnisnya?
- Siapa pesertanya?
- Dari fungsi apa saja?
- Apa level tanggung jawab mereka?
- Seberapa sering mereka sudah menggunakan AI?
- Tools apa yang tersedia / diizinkan?
- Data apa yang tidak boleh digunakan?
- Workflow apa yang ingin diperbaiki?
- Apakah program perlu berhenti di training atau dilanjutkan dengan applied project?
Silabus adalah keluaran discovery
Trainer yang baik tidak memaksa setiap organisasi masuk ke deck yang sama. Silabus, format, kedalaman, studi kasus, latihan, dan durasi disusun setelah lima dimensi di atas cukup jelas. Brief yang hanya berisi jumlah peserta dan jam pelatihan masih bisa menjadi awal percakapan—tetapi belum cukup untuk menentukan apa yang benar-benar perlu dipelajari.
Ketika discovery dikerjakan dengan tenang, program menjadi lebih relevan bagi peserta, lebih mudah dijelaskan ke leadership, dan lebih mudah dilanjutkan setelah fasilitator pergi.