Playbook internal GitHub untuk membangun Workforce bertenaga AI

• GitHub memperluas adopsi AI dengan pendekatan yang berpusat pada manusia dan membangun kapabilitas AI di seluruh perusahaan
• Adopsi AI bukan masalah teknis, melainkan masalah manajemen perubahan; bukan sekadar mendistribusikan alat, tetapi menata ulang cara organisasi bekerja
• Untuk meraih keberhasilan, GitHub menyusun model operasional berbasis 8 pilar (advokat AI, kebijakan yang jelas, peluang pembelajaran, pengukuran berbasis data, penanggung jawab yang ditetapkan, dukungan eksekutif, alat yang sesuai, komunitas praktik)
• Selain itu, GitHub membangun visi bersama yang secara aktif disampaikan oleh eksekutif, panduan penggunaan yang jelas, jaringan advokat sukarela, community of practice (CoP), jalur pembelajaran yang terstruktur, kepemimpinan khusus, serta sistem pengukuran yang dapat membuktikan ROI
• Strategi ini menunjukkan bahwa pendekatan tersebut melampaui sekadar adopsi, dan merupakan pendekatan struktural yang mendorong inovasi kerja, peningkatan produktivitas, dan pertumbuhan talenta

---

Pendahuluan: Peluang dan tantangan inti

• AI generatif adalah peluang besar untuk mempercepat kinerja perusahaan, dan kini sedang berlangsung perlombaan untuk mengamankan nilainya secara kompetitif
• Tantangannya bukan pada pengenalan potensi AI, melainkan aktivasi dalam skala besar, dan di sinilah keberhasilan ditentukan
• Banyak organisasi berinvestasi berlebihan pada alat AI, tetapi adopsinya terbatas pada segelintir pengguna yang sangat antusias, sehingga gagal berubah menjadi produktivitas tingkat perusahaan
• Perbedaan antara organisasi berkinerja tinggi dan organisasi yang stagnan terletak pada ada atau tidaknya strategi aktivasi yang disengaja dan sistematis

Kesalahpahaman yang memicu kegagalan: Bukan deployment teknologi, melainkan manajemen perubahan

• Perusahaan sering menangani adopsi AI seperti pemasangan perangkat lunak, padahal sebenarnya ini adalah tantangan manajemen perubahan berupa pengkabelan ulang cara kerja
• Yang membedakan sukses dan gagal bukanlah pembelian lisensi, melainkan pembangunan infrastruktur manusia yang mampu mengubah anggota yang skeptis menjadi power user

Karakter dokumen: Playbook internal GitHub

• Dokumen ini adalah playbook internal yang dikembangkan dan dijalankan GitHub untuk membangun kelancaran AI di tenaga kerja globalnya
• Sebagai hasil dari inisiatif AI for Everyone, dokumen ini menyajikan blueprint praktik yang telah tervalidasi di lapangan, bukan teori
• Tujuannya adalah membuat sistem untuk menginternalisasi AI ke dalam cara bekerja agar dapat direplikasi oleh organisasi lain

Gambaran model operasional: Sistem yang saling melengkapi

• Aktivasi AI yang berhasil dirancang bukan sebagai inisiatif tunggal, melainkan sebagai gabungan komponen yang saling melengkapi
• Dengan memadukan secara cermat strategi top-down dan momentum akar rumput, GitHub membangun ekosistem tempat kelancaran AI dapat berkembang
• Fondasi ekosistem ini adalah sponsorship eksekutif yang terlihat jelas dan kebijakan serta guardrail yang jelas
  • Sponsor kepemimpinan menyediakan titik awal melalui visi dan investasi
  • Kebijakan dan guardrail memberi karyawan lingkungan untuk bereksperimen dan berinovasi dengan aman

Delapan pilar (8 Pillars): Definisi dan peran

• AI Advocates: jaringan champion sukarela internal yang memperluas adopsi melalui pengaruh rekan kerja dan umpan balik dari lapangan
• Clear policies and guardrails: aturan dan panduan yang ringkas dan mudah dipahami semua orang untuk mendukung penggunaan yang bertanggung jawab
• Learning and development opportunities: menyediakan ekosistem pembelajaran yang mudah diakses yang mengkurasi konten eksternal berkualitas tinggi
• Data-driven metrics: kerangka pengukuran multi-level untuk melacak adopsi, tingkat aktivasi, dan dampak bisnis
• Dedicated responsible individual (DRI): penanggung jawab pusat yang mengorkestrasi program, mengaktifkan orang lain, dan mendorong strategi secara keseluruhan
• Executive support: komitmen kepemimpinan yang terlihat jelas untuk menghadirkan visi, investasi, dan komunikasi yang transparan
• Right-fit tooling: menyediakan portofolio alat pihak pertama dan ketiga yang tervalidasi sesuai beragam peran dan use case
• Communities of practice (CoPs): menjalankan forum khusus untuk pembelajaran antarrekan, berbagi pengetahuan, dan pemecahan masalah

Fokus eksekusi: Tiga elemen penghubung

• 1) Membekali tim + membangun sistem dukungan manusia: menyediakan alat AI yang tervalidasi, membina champion internal melalui program Advocates, dan membuat pembelajaran antarrekan berlangsung terus-menerus lewat CoP
• 2) Memperkuat dengan L&D yang terstruktur: menaikkan kapabilitas teknis dan kerja secara sistematis melalui jalur pembelajaran yang distandardisasi dan konten yang dikurasi
• 3) Mengoperasikan dengan DRI dan data: DRI memimpin keputusan investasi dan menggunakan metrik berbasis data untuk mengukur serta meningkatkan dampak, sehingga program dapat terus berevolusi

Mewujudkan framework menjadi aksi

• Framework pemanfaatan AI tidak berhenti pada memahami elemen-elemen kunci saja, tetapi membutuhkan pendekatan strategis untuk benar-benar menjalankannya
• GitHub menyajikan roadmap eksekusi yang berpusat pada delapan pilar, dan titik awal pertamanya adalah dukungan eksekutif (Executive support)
• Agar bisa memperoleh momentum awal, eksekutif harus menyampaikan visi dan alasannya dengan jelas, serta menjelaskan secara konkret nilai apa yang diberikan AI bagi pekerjaan karyawan

Executive support: Cara menetapkan arah

• Keberhasilan adopsi AI dimulai dari peran eksekutif
• Lebih dari sekadar menyediakan alat, mereka harus terus menekankan "mengapa(why)" dari strategi AI perusahaan
• Alih-alih menyajikan tujuan secara abstrak, manfaatnya harus dijelaskan sebagai keuntungan nyata yang langsung terhubung dengan pekerjaan sehari-hari agar partisipasi meningkat
• Contoh pesan untuk engineer:
  “Melalui AI, kami menghilangkan pekerjaan yang berulang dan membosankan. Copilot menangani penulisan boilerplate code, pembuatan unit test, dan peringkasan PR yang kompleks, sehingga Anda bisa fokus pada pemecahan masalah yang kreatif.”
• Contoh pesan untuk seluruh perusahaan:
  “Tujuan strategi AI kami adalah menghadirkan produk yang lebih baik kepada pelanggan dengan lebih cepat. Dengan AI, kami memperkuat kapabilitas kami, mempercepat laju inovasi, dan memungkinkan fokus pada pekerjaan kreatif bernilai tinggi.”

Pendekatan yang realistis dan transparan

• Adopsi AI tak terelakkan akan disertai otomatisasi pekerjaan dan perubahan peran
• Jika hal ini diabaikan, kecemasan dan resistensi akan muncul dan menghambat adopsi
• Karena itu, pemimpin tidak boleh hanya memberi pernyataan yang menenangkan, melainkan harus menyajikan secara konkret perubahan peran dan strategi upskilling

• Yang tidak boleh dikatakan: “Pekerjaan Anda aman.”
• Yang harus dikatakan: “Ke depan, pekerjaan kita akan berubah seperti ini, dan kami akan mendukung Anda mempelajari keterampilan baru yang dibutuhkan dengan cara berikut.”

• Pendekatan jujur seperti ini membangun kepercayaan dengan memperlakukan karyawan sebagai mitra dalam perubahan

Strategi pesan yang disesuaikan

Pesan tentang AI perlu disesuaikan menurut audiens

• Manajer (Managers):
  Mereka harus disiapkan bukan hanya untuk penggunaan pribadi, tetapi untuk memimpin seluruh tim. Manajer harus berperan merancang ulang workflow tim, mengidentifikasi pekerjaan yang bisa diotomatisasi, dan mendefinisikan ulang pekerjaan bernilai tinggi. Mereka juga perlu didorong untuk menghubungkan adopsi AI secara langsung dengan peningkatan kinerja tim dan inovasi.
• Kontributor individu senior (Senior ICs):
  Mereka harus ditantang untuk menjadi arsitek internal pemanfaatan AI, bukan hanya meningkatkan kinerja pribadi. Karena pengaruh mereka besar di dalam organisasi, mereka memegang peran penting dalam memperkenalkan dan menstandardisasi cara-cara baru menggunakan AI. Mereka perlu memaksimalkan performa mereka sendiri dengan AI sekaligus menyebarkan kapabilitas AI sebagai mentor internal. Dengan demikian, pengaruh talenta inti dapat berkembang secara eksponensial.

Kebijakan dan alat: Menyediakan kejelasan dan akses

• Untuk menerapkan AI di seluruh organisasi, guardrail yang jelas sangat penting.
• Jika karyawan tidak yakin apa yang diperbolehkan, mereka bahkan tidak akan mulai bereksperimen, sehingga Acceptable Use Policy yang jelas dan mudah diakses menjadi prasyarat keberhasilan.
• Ini bukan sekadar soal kepatuhan, tetapi fondasi agar karyawan dapat menggunakan AI dengan aman dan percaya diri.

• Prinsip penyusunan kebijakan

  • Kebijakan harus dibuat melalui kolaborasi dengan para pemangku kepentingan utama seperti IT, HR, keamanan, dan legal.
  • Dengan begitu, pendekatan yang komprehensif terhadap manajemen risiko dapat diwujudkan.
  • Kebijakan final harus disediakan sebagai satu dokumen terpusat, yang secara jelas merangkum semua alat AI yang disetujui beserta jenis data yang sesuai untuk masing-masing alat.

• Model tooling bertingkat

  • Model kebijakan penggunaan AI yang berhasil adalah pendekatan bertingkat.
  • Alih-alih sekadar mencantumkan daftar larangan, pendekatan ini dengan jelas membedakan apa yang disetujui agar karyawan dapat mengambil keputusan dengan mudah.

• Tier 1: alat yang telah diverifikasi dan disetujui sepenuhnya

  • Alat yang telah melalui peninjauan internal keamanan dan legal secara menyeluruh.
  • Aman untuk menangani data perusahaan yang rahasia dan data pelanggan.
  • Mencakup produk 1st-party milik perusahaan sendiri (misalnya GitHub Copilot) serta alat 3rd-party kelas enterprise yang telah dikontrak dan disetujui.
  • Karyawan dapat memandang alat dalam kategori ini sebagai opsi default yang aman.

• Tier 2: alat publik dan konsumen yang belum diverifikasi

  • Mencakup seluruh alat AI publik yang tidak secara resmi dikontrak atau diverifikasi oleh perusahaan.
  • Kebijakannya sederhana dan universal: alat ini hanya boleh digunakan untuk data publik dan non-sensitif.
  • Ini memungkinkan karyawan bebas bereksperimen dengan teknologi AI baru tanpa menempatkan data perusahaan pada risiko.

• Dampak dan pesan

  • Model bertingkat ini memberi karyawan kerangka berpikir yang sederhana dan jelas:
    • “Jika suatu alat tidak ada dalam ‘daftar yang sepenuhnya diverifikasi’, gunakan hanya data publik.”
  • Aturan dasar yang jelas seperti ini menghilangkan ketidakpastian dan menjadi kunci untuk memperluas penggunaan AI yang bertanggung jawab dalam skala besar.

AI advocates: para champion akar rumput Anda

• Agar adopsi AI berhasil dalam jangka panjang, bukan hanya dukungan manajemen dan kebijakan yang jelas yang dibutuhkan, tetapi juga pengaruh antarrekan (peer-to-peer influence) sebagai pendorong utama.
• Untuk itu, program AI Advocates adalah mekanisme yang sangat efektif, karena membangun jaringan champion internal sukarela yang menjadi jembatan antara masing-masing tim dan program dukungan pusat.
• Advocates menerjemahkan strategi tingkat atas menjadi use case konkret di tingkat tim, sehingga secara alami membangun momentum AI di dalam organisasi.

• Cara paling efektif untuk membangun jaringan adalah merekrut relawan.
• Daripada prosedur nominasi resmi yang rumit, mengumumkannya ke seluruh perusahaan untuk mencari orang yang antusias terhadap AI akan mengumpulkan orang-orang yang termotivasi secara intrinsik dan benar-benar ingin membantu kesuksesan rekan kerja mereka.
• Ini pada akhirnya menghasilkan champion internal yang kuat dan dapat dipercaya.

• What advocates do

  • Peran Advocates bersifat berlapis dan menjalankan tiga fungsi utama: ahli internal, pembangun komunitas, dan kanal umpan balik.
  • Sebagai champion internal
    Sebagai ahli AI di masing-masing tim, mereka menjadi mentor bagi rekan kerja, menjawab pertanyaan sehari-hari, dan menghilangkan hambatan praktis sehingga menurunkan penghalang adopsi AI.
  • Mendorong pembelajaran antarrekan
    Mereka menunjukkan nilai AI melalui contoh yang konkret dan realistis. Dengan membagikan kisah sukses dalam tim, mereka membantu rekan kerja merasakan dampak nyata AI, dan ini lebih meyakinkan daripada pelatihan formal.
  • Mewakili suara tim
    Mereka membentuk loop umpan balik antara program pusat dan lapangan, menyampaikan apa yang berjalan baik, apa yang bermasalah, dan peluang apa yang ada. Dengan begitu, program dapat terus ditingkatkan berdasarkan kebutuhan pengguna nyata.
  • Perencanaan dan kolaborasi pelatihan
    Dengan mencerminkan kebutuhan spesifik dan use case tim, mereka berkolaborasi dengan program pusat untuk bersama-sama merancang dan memimpin sesi pelatihan khusus yang memberikan dampak nyata.

• Supporting your advocates

  • Agar program Advocates berhasil, dibutuhkan dukungan yang nyata dan bernilai dari tim dukungan pusat. Cara dukungan utamanya adalah sebagai berikut.
  • Membina komunitas Advocates yang tumbuh mandiri
    Sediakan ruang komunikasi seperti channel Slack khusus, dan dukung check-in rutin yang dipimpin advocate agar komunitas ini berkembang menjadi jaringan yang dikelola sendiri untuk berbagi praktik terbaik dan memecahkan masalah bersama.
  • Koneksi langsung dengan kepemimpinan
    Pastikan Advocates dapat terhubung langsung dengan perwakilan kepemimpinan seperti DRI (Directly Responsible Individual) atau sponsor program, sehingga tersedia jalur yang menghubungkan pengambilan keputusan manajemen dengan aktivitas di lapangan.
  • Filosofi Train the Trainer
    Fokusnya bukan menjadikan Advocates sekadar penerima informasi, tetapi menumbuhkan mereka menjadi mentor dan pemimpin workshop. Dengan membina mereka sebagai pendidik yang efektif sekaligus subject matter expert AI, mereka menjadi perpanjangan yang dapat diskalakan dari program pusat.
  • Melalui dukungan ini, Advocates memantapkan diri sebagai pemimpin AI yang dipercaya di dalam organisasi, dan secara alami menyebarkan kemampuan pemanfaatan AI ke seluruh organisasi.

Communities of practice: menumbuhkan kolaborasi

• Jika program Advocates memberikan dukungan intensif (high-touch) yang sangat terlibat pada tiap tim, maka untuk menyebarkan kelancaran penggunaan AI (AI fluency) ke seluruh organisasi dibutuhkan ruang kolaborasi yang lebih luas.
• Di sinilah Communities of Practice (CoPs) memainkan peran penting, dengan menyediakan ruang khusus tempat karyawan dapat terhubung secara bebas, bertanya, dan berbagi pengetahuan.
• CoPs berfungsi sebagai jaringan penghubung (connective tissue) dari program aktivasi AI yang sukses, meruntuhkan silo, dan memastikan insight berharga tidak hilang dalam percakapan-percakapan terpisah.

• Tujuan lainnya adalah menata minat sukarela terhadap AI tanpa mengekang kreativitas.
• Di sebagian besar perusahaan, biasanya sudah ada komunitas AI kecil yang berjalan secara sporadis dalam bentuk channel chat atau email thread.
• Program yang efektif mengembangkan aktivitas yang tersebar ini menjadi jaringan yang sistematis dan kohesif. Langkah-langkah kunci yang diperlukan untuk itu adalah sebagai berikut.

  • Establishing dedicated, purpose-driven communities

    • Daripada satu channel AI raksasa, lebih efektif membangun komunitas khusus berdasarkan tujuan dan kelompok pengguna.
    • Dengan begitu, percakapan bisa menjadi lebih fokus dan relevan.
    • Contoh susunan awal yang direkomendasikan antara lain:
      • Komunitas umum: channel untuk pengumuman tingkat perusahaan dan pertanyaan nonteknis (misalnya #how-do-i-ai)
      • Komunitas khusus developer: channel untuk berbagi use case teknis, diskusi mendalam, dan pertukaran teknik lanjutan (misalnya #copilot-users)
      • Komunitas khusus departemen: channel yang membahas use case unik dari fungsi tertentu seperti marketing, sales, dan finance (misalnya #ai-for-sales)

  • Defining clear charters and leadership

    • Setiap komunitas membutuhkan tujuan yang terdokumentasi dengan jelas serta pemimpin (atau kelompok pemimpin) untuk mengelolanya.
    • Pemimpin ini bisa dipilih dari kalangan Advocates, sehingga arah percakapan tetap terjaga dan komunitas terus dikelola agar tetap menjadi sumber daya yang bernilai.

  • Sustaining momentum

    • Pekerjaan tidak selesai hanya dengan membuat channel.
    • Program dukungan pusat harus membagikan use case AI menarik yang muncul dari komunitas ke seluruh perusahaan, dan memanfaatkannya sebagai platform untuk mengumumkan fitur baru maupun pelatihan.
    • Seiring waktu, komunitas perlu terus dikembangkan dan ditata ulang.

• Dengan membina CoPs secara sengaja seperti ini, akan lahir mesin pembelajaran antarrekan yang skalabel dan tumbuh mandiri.
• Ini menjadi fondasi yang mutlak dibutuhkan agar seluruh organisasi makin mahir dalam memanfaatkan AI.

Pembelajaran dan pengembangan yang dikurasi: menurunkan hambatan

• Hanya memberikan hak akses ke alat AI saja tidak cukup; sistem Learning & Development (L&D) yang membantu karyawan benar-benar memperoleh kemahiran (proficiency) dalam penggunaannya sangat penting
• Tujuannya adalah agar semua karyawan, terlepas dari latar belakang teknis mereka, dapat memperoleh keterampilan AI praktis yang sesuai dengan perannya
• Untuk itu, GitHub membangun situs L&D yang mengkurasi pengalaman internal dan materi eksternal, serta menyediakan ekosistem berlapis yang memenuhi beragam gaya dan kebutuhan belajar

• Strategi L&D yang efektif terdiri dari investasi kunci berikut

  • A centralized resource hub

    • Diperlukan situs single source of truth yang mengumpulkan semua materi pembelajaran terkait AI
    • Bukan sekadar kumpulan tautan, tetapi juga menampilkan secara dinamis kasus inovasi internal, best practice, dan proyek karyawan
    • Selain menyediakan materi belajar, juga memberi efek motivasional

  • Core AI Learning paths

    • Menyediakan jalur pembelajaran zero-to-one agar semua karyawan memiliki kompetensi dasar
    • Alih-alih membuat konten sendiri, GitHub mengkurasi materi pembelajaran eksternal yang sudah tervalidasi
    • Karena fitur AI berubah sangat cepat, konten buatan internal berisiko segera menjadi usang

  • Building blocks for technical users

    • Karyawan teknis tingkat lanjut tidak membutuhkan pembelajaran dasar, melainkan percepatan kerja (acceleration)
    • Menyediakan library komponen AI yang dapat digunakan ulang: template, repository yang bisa di-clone, workflow, dan lain-lain
    • Membantu mengurangi pekerjaan berulang dan membangun solusi AI dengan cepat

  • Integration with onboarding

    • Memasukkan pembelajaran AI ke dalam proses onboarding agar kemahiran mulai dibangun sejak hari pertama bekerja
    • Menekankan bahwa kemahiran menggunakan AI kini merupakan kompetensi inti untuk karier yang sukses

• Melalui ini, bukan hanya kemampuan tiap individu yang meningkat, tetapi juga memungkinkan tertanamnya budaya pemanfaatan AI di seluruh organisasi

Dedicated program leadership: Driving the program

• Program enablement AI tidak boleh sekadar menjadi kumpulan resource, tetapi harus menjadi sistem yang hidup dan berkelanjutan; untuk itu dibutuhkan penanggung jawab khusus (Directly Responsible Individual, DRI) atau tim kecil khusus
• Kepemimpinan ini berperan sebagai perekat yang menghubungkan strategi, eksekusi, dan aktivitas komunitas, sehingga seluruh organisasi dapat bekerja sebagai satu sistem organik
• Misi utama DRI bukanlah membangun wilayah kekuasaan sendiri (fiefdom building), melainkan memperbesar dampak orang lain (scaling others)

• Peran dan tanggung jawab utama

  • Owning the program strategy and roadmap

    • Menyusun strategi keseluruhan dan mendefinisikan roadmap eksekusi
    • Mengelola rencana bulanan dan menjaga agar tetap selaras dengan tujuan perusahaan

  • Leading change management

    • Sebagai penanggung jawab change management di organisasi, mendorong adopsi AI secara mulus dan transparan
    • Meminimalkan kebingungan dan memaksimalkan tingkat adopsi

  • Acting as a central AI consultant

    • Memberikan dukungan 1:1 dan office hours kepada karyawan serta Advocates
    • Membantu menyelesaikan masalah kompleks dan mengembangkan use case tingkat lanjut

  • Amplifying internal success and innovation

    • Menemukan dan membagikan kisah sukses internal
    • Menyebarkan best practice melalui komunitas dan workshop, menciptakan efek siklus positif

  • Managing the AI tooling and policy lifecycle

    • Menerima permintaan alat baru, lalu bekerja sama dengan IT, keamanan, dan legal untuk mengelola seluruh proses evaluasi, pengadaan, dan penyusunan kebijakan

  • Owning adoption and fluency metrics

    • Melacak leading indicators seperti MAU, MEU, dan segmentasi pengguna
    • Membuktikan efektivitas program dan menilai tingkat kematangan AI karyawan

  • Demonstrating business ROI

    • Menghubungkan lagging indicators seperti peningkatan produktivitas, perbaikan kualitas kode, dan kenaikan kepuasan developer dengan data adopsi
    • Menyediakan narasi ROI berbasis data kepada manajemen

• Untuk itu, GitHub secara resmi menempatkan program director dan program manager untuk mendorong inisiatif AI for Everyone
• Melalui struktur khusus ini, GitHub memastikan fokus dan akuntabilitas yang dibutuhkan untuk enablement AI di tingkat perusahaan

Metrics: Measuring for success

• Untuk membenarkan investasi pada program enablement AI dan mendorong pengembangannya, pengukuran metrik yang tepat sangat penting
• Tidak cukup hanya menghitung jumlah lisensi yang didistribusikan; perlu pemahaman menyeluruh tentang cakupan, kedalaman, dan hasil pemanfaatan AI di dalam organisasi
• Karena standar industri belum mapan, pendekatan bertahap (cakupan adopsi → pendalaman penggunaan → pengukuran hasil bisnis) adalah yang paling efektif

• Phase 1: Measuring breadth of adoption

  • Monthly Active Users (MAU): persentase karyawan yang menggunakan AI setidaknya sekali dalam sebulan → indikator dasar tingkat adopsi keseluruhan
  • Monthly Engaged Users (MEU): persentase karyawan yang menggunakannya pada beberapa hari berbeda → indikator kunci untuk melihat apakah penggunaan sudah melampaui tahap eksperimen awal dan mulai menjadi kebiasaan

• Phase 2: Measuring depth of engagement

  • User segmentation:
    • Dedicated users: aktif lebih dari 10 hari per bulan (power user inti)
    • Occasional users: aktif 2–9 hari per bulan
    • Tire kickers: aktif 1 hari per bulan
    • → tujuannya adalah mengubah Tire kickers menjadi Occasional/Dedicated
  • Total AI events: total jumlah interaksi seperti prompt dan code autocomplete → peningkatan event per pengguna menandakan AI makin terintegrasi dalam alur kerja

• Phase 3: Measuring business impact

  • Merujuk ke GitHub Engineering System Success Playbook (ESSP) → menyediakan metrik komprehensif yang mencakup kebahagiaan developer, kualitas, kecepatan, dan hasil bisnis secara keseluruhan
  • Metrik utama terkait AI:
    • AI leverage: mengukur tingkat pengurangan upaya manual dan peningkatan produktivitas berkat penggunaan AI
    • Cycle time: waktu yang dibutuhkan sejak commit hingga tercermin di production → makin singkat berkat AI berarti efisiensi meningkat
    • Code churn: mengukur sinyal kualitas melalui apakah kode buatan AI membutuhkan lebih sedikit pengerjaan ulang
    • Pull request size: perlu memverifikasi apakah AI tidak memicu PR yang terlalu besar
    • Developer wellbeing: melacak apakah berkurangnya pekerjaan berulang berujung pada peningkatan kepuasan dan penurunan burnout
    • Perceived productivity: melalui survei dan lain-lain, menilai apakah karyawan merasa AI membantu mereka lebih fokus pada pekerjaan yang lebih bernilai

• Melalui pengukuran bertahap ini, organisasi dapat membuktikan adopsi, pendalaman penggunaan, dan ROI dari penerapan AI sekaligus, serta menjelaskan nilainya kepada manajemen dengan narasi berbasis data

Executing on enablement: A strategic checklist

Checklist ini merangkum kerangka yang dijelaskan sebelumnya menjadi roadmap eksekusi langkah demi langkah yang praktis

• Phase 1: Foundational steps (first 30 days)

  • Secure executive sponsorship
    • Amankan sponsor level C yang bertanggung jawab atas dukungan anggaran, dukungan publik terhadap program, dan penyampaian pesan secara berkelanjutan
  • Appoint a DRI
    • Tunjuk penanggung jawab khusus yang bertanggung jawab atas keberhasilan program dan memiliki wewenang untuk berkoordinasi lintas departemen
  • Draft a v1 usage policy
    • Bekerja sama dengan Legal, Security, dan IT untuk menetapkan kebijakan penggunaan versi pertama (misalnya, alat vetted vs unvetted) agar lingkungan eksperimen yang aman terjamin
  • Establish initial metrics
    • Siapkan sistem pengukuran MAU·MEU dan bangun dashboard awal
  • Announce the program
    • Bekerja sama dengan sponsor dan tim komunikasi untuk mendistribusikan pengumuman perusahaan yang memuat visi, sumber daya yang tersedia, dan jadwal berikutnya

• Phase 2: Building momentum (first 90 days)

  • Launch the AI advocates program
    • Buka perekrutan sukarelawan internal, adakan sesi penjelasan peran, dan sediakan saluran komunikasi khusus
  • Establish communities of practice
    • Buka kanal untuk pengguna umum dan developer, lalu tetapkan charter yang jelas serta pemimpin komunitas
  • Launch a centralized resource hub
    • Luncurkan situs hub internal v1 yang memuat alat yang disetujui, kebijakan, dan jalur pembelajaran
  • Begin showcasing success
    • DRI dan Advocates menemukan serta membagikan kisah sukses awal untuk menyebarkan bukti sosial dan inspirasi
  • Launch an onboarding module
    • Bekerja sama dengan HR untuk mengintegrasikan modul pemanfaatan AI ke dalam proses onboarding karyawan baru

• Phase 3: Scaling and measuring (ongoing)

  • Implement a "Train the Trainer" program
    • Sediakan pelatihan terstruktur untuk memperkuat kemampuan mentoring dan memimpin workshop para Advocates
  • Develop a business ROI dashboard
    • Bangun dashboard ROI yang menghubungkan metrik adopsi seperti MAU/MEU dengan metrik hasil seperti cycle time, kualitas kode, dan produktivitas penjualan
  • Conduct qualitative surveys
    • Kumpulkan dampak yang dirasakan terhadap produktivitas, kesejahteraan, dan umpan balik program melalui survei organisasi yang sederhana dan rutin

Jalan menuju kefasihan AI

• Berinvestasi pada alat AI saja tidaklah cukup
• Program eksekusi yang sistematis dan multidimensi adalah faktor kunci yang membedakan organisasi yang berhasil mewujudkan nilai investasi AI dan yang tidak

• Tidak ada solusi ajaib (silver bullet) untuk keberhasilan adopsi AI
• Yang dibutuhkan adalah upaya eksekusi yang berkelanjutan dan berbasis data
• Untuk itu, hal-hal berikut wajib ada:
  • dukungan penuh dari pimpinan
  • kebijakan yang jelas dan mudah diakses
  • para AI advocates sukarela dari lapangan
  • komitmen untuk mengukur metrik yang tepat
  • membangun sistem eksekusi yang kuat dan mampu beradaptasi terhadap perubahan

• Jika kepemimpinan berkomitmen pada pendekatan sistematis seperti ini, organisasi dapat bertransformasi menjadi organisasi yang lebih produktif, lebih inovatif, dan lebih efektif serta ramah AI