Ketika AI Mengubah Aturan Pembelajaran, Rantai Pasok Juga Harus Berubah

Seorang profesor matematika dari University of California, Berkeley telah berhenti menilai tugas rumah berdasarkan kebenaran setelah menyimpulkan bahwa alat AI kini dapat membantu siswa menghasilkan jawaban berkualitas tinggi terlalu mudah. Profesor Richard Borcherds kini memberikan nilai terutama untuk penyelesaian tugas dan mendasarkan nilai pada ujian tatap muka tanpa perangkat.

Keputusannya lebih dari sekadar perdebatan kebijakan kampus. Ini adalah peringatan bagi setiap industri yang bergantung pada talenta terampil—termasuk rantai pasok global: ketika AI dapat menghasilkan keluaran yang sempurna, organisasi harus belajar menilai penilaian, penerapan, dan akuntabilitas, bukan hanya jawaban akhir.

Pelajaran untuk rantai pasok

Pekerjaan rantai pasok telah lama menghargai orang-orang yang dapat menganalisis data, memecahkan masalah operasional, dan menghasilkan rencana yang akurat. AI mengubah persamaan itu dengan membuat perkiraan, opsi rute, rekomendasi inventaris, ringkasan pemasok, dan bahkan draf negosiasi tersedia dalam hitungan detik.

Namun, keluaran AI yang terlihat benar tidak sama dengan keputusan bisnis yang tepat. Seorang perencana mungkin menerima perkiraan permintaan yang akurat, namun masih perlu menantangnya terhadap promosi, kendala pemasok, gangguan pelabuhan, peristiwa cuaca, atau perubahan perilaku pelanggan. Kontribusi manusia bergeser dari menghasilkan jawaban menjadi mempertanyakan, memvalidasi, dan menindaklanjutinya.

Dari jawaban ke penilaian

Kekhawatiran Borcherds adalah bahwa penilaian jawaban akhir tidak lagi membuktikan bahwa seorang siswa memahami matematika yang mendasarinya. Masalah yang sama berlaku untuk rantai pasok: laporan yang dihasilkan AI yang sempurna tidak membuktikan bahwa seorang perencana memahami risiko inventaris, kapasitas pemasok, aturan perdagangan, atau konsekuensi dari kehabisan stok.

Oleh karena itu, talenta rantai pasok di masa depan harus dilatih untuk menjelaskan penalaran mereka, mempertahankan rekomendasi, mengidentifikasi kesenjangan data, dan membuat keputusan ketika informasi tidak lengkap. Ini adalah keterampilan yang tetap berharga ketika AI dapat menghasilkan draf pertama, perhitungan, atau skenario alternatif.

Memikirkan ulang pengembangan talenta

Industri rantai pasok tidak boleh menanggapi dengan melarang AI atau memperlakukannya sebagai jalan pintas. Sebaliknya, industri harus mendesain ulang pembelajaran dan pekerjaan sehingga para profesional muda menggunakan AI sebagai mitra berpikir sambil tetap mengembangkan penilaian operasional inti.

Itu berarti bergerak melampaui melatih orang untuk menyelesaikan tugas-tugas rutin. Magang, simulasi langsung, negosiasi pemasok, latihan respons gangguan, dan proyek operasional nyata dapat menunjukkan apakah seorang profesional muda dapat menerjemahkan analisis menjadi tindakan yang bertanggung jawab. Pemberi kerja harus menilai bagaimana kandidat merumuskan masalah, menantang rekomendasi AI, berkolaborasi lintas fungsi, dan menjelaskan pertukaran di balik suatu keputusan.

Melindungi pembelajaran tingkat pemula

Gartner melaporkan bahwa 55% pemimpin rantai pasok mengharapkan AI agenik mengurangi kebutuhan perekrutan tingkat pemula, sementara 51% mengharapkan pergeseran ke arah pengawasan agen AI. Pada saat yang sama, 86% setuju bahwa AI akan membutuhkan proses baru untuk mengembangkan jalur talenta di masa depan.

Ini menciptakan risiko: jika AI menyerap tugas-tugas rutin yang dulunya dipelajari oleh staf junior, perusahaan mungkin kesulitan mengembangkan generasi berikutnya dari perencana dan pemimpin operasi yang berpengalaman. Solusinya adalah mendesain ulang peran tingkat pemula di sekitar pengambilan keputusan yang diawasi, manajemen pengecualian, keterlibatan pemasok, dan pembelajaran berkelanjutan—bukan hanya menghapusnya.

Membangun talenta yang siap AI

Organisasi rantai pasok harus menjadikan literasi AI sebagai kemampuan inti, tetapi mendefinisikannya secara luas. Tidak cukup hanya tahu cara memberikan perintah kepada model; para profesional harus memahami kualitas data, batasan model, bias, keamanan siber, akuntabilitas, dan kapan penilaian manusia harus mengesampingkan rekomendasi otomatis.

Pendekatan praktis adalah memasangkan setiap alur kerja yang didukung AI dengan pos pemeriksaan manusia. Misalnya, AI mungkin mengidentifikasi kemungkinan gangguan pasokan, tetapi seorang perencana harus memverifikasi sumbernya, menilai dampak bisnisnya, berkonsultasi dengan mitra yang terkena dampak, dan memutuskan responsnya. Ini mempertahankan kecepatan sambil mempertahankan akuntabilitas.

Intinya

Keputusan profesor Berkeley menunjukkan bahwa AI memaksa pendidikan untuk membedakan antara menghasilkan jawaban dan memiliki pemahaman. Rantai pasok global menghadapi ujian yang sama. Organisasi yang akan berkembang adalah mereka yang menggunakan AI untuk memperkuat penilaian manusia, mendesain ulang peran awal karir sebagai peluang belajar, dan mengembangkan talenta yang mampu memimpin jaringan kompleks melalui ketidakpastian.

Sumber: https://www.ndtv.com/world-news/california-professor-stops-grading-homework-after-spotting-students-growing-reliance-on-ai-12240518