Pembelajaran di Tempat Kerja

Di halaman ini

Terjemahan mesin otomatis halaman berbahasa Inggris ini, yang belum ditinjau oleh penutur asli.

Pembelajaran di tempat kerja — penggunaan AI untuk pengembangan tenaga kerja, pembelajaran korporat, dan perolehan keterampilan profesional. Pelatihan profesional memperluas AI dalam pendidikan melampaui pendidikan formal ke dalam konteks tempat kerja dan pembelajaran sepanjang hayat.

Pertanyaan yang Perlu Dipertimbangkan

Pikirkan sebuah keterampilan yang Anda pelajari di tempat kerja alih-alih di ruang kelas. Apa yang membuat pembelajaran di tempat kerja itu efektif, dan bagaimana seorang pelatih AI dapat meniru atau memperbaikinya?
Kerangka tingkat Kesiapan Tenaga Kerja di halaman ini menunjukkan bahwa tahap kompetensi tertinggi 'dibatasi oleh pengalaman yang tertanam di industri alih-alih oleh kursus.' Apa implikasinya bagi cara kita melatih orang—dan bagi batas-batas simulasi AI?
Pasien virtual dan simulator pelatihan memungkinkan para profesional berlatih dengan aman. Jenis pertimbangan dan keterampilan interpersonal seperti apa yang mungkin sulit ditangkap simulator, sekalipun sangat realistis?
'Masalah Kereta Ganda' adalah ketegangan antara keterampilan AI yang berubah cepat dan laju kebijakan serta kurikulum yang lebih lambat. Jika Anda dapat memilih kompetensi yang tahan lama untuk diprioritaskan bagi pembelajar hari ini, apa pilihannya?
Pembelajar dewasa menyeimbangkan pekerjaan dan studi, sering kali melalui layar. Bagaimana pelatihan profesional berbasis AI dapat sekaligus memungkinkan dan mempersulit penyeimbangan itu—terutama menyangkut data, kepercayaan, dan waktu?

Pendahuluan

AI dalam pelatihan profesional

Simulasi dan latihan: Pelatihan pasien virtual dan simulator pelatihan ATCO menciptakan lingkungan latihan profesional berbasis AI. Dalam pendidikan guru, simulasi bermain peran AI memperluasnya ke pengajaran berbasis praktik: Student GPT menyimulasikan siswa matematika sekolah menengah yang memegang miskonsepsi sehingga calon guru dapat berlatih mendiagnosis dan memperbaiki kesalahan siswa, selaras dengan "aproksimasi praktik" dalam pembelajaran guru berbasis praktik sebagai pelengkap yang terjangkau bagi platform mahal seperti TeachLivE.

Wang dkk. (2026) menambahkan pelajaran tentang kebijakan pembimbingan: memudarkan bantuan sesuai perkiraan kompetensi pembelajar memotong waktu putaran simulator 27.9% (p = 0.005) dan kegagalan sebesar 3.52 per putaran, sedangkan pemudaran berbasis aturan pada jadwal tetap tidak menghasilkan perubahan waktu putaran yang andal.

Latihan sukarela berbasis teks saja tidak mengubah apa pun. Dari 201 mahasiswa kedokteran tahun pertama yang ditawari pasien GPT-4o sebelum kelas pasien terstandar pertama mereka, 49 menggunakannya, dan kegugupan, kesiapan, efikasi diri, serta kompetensi yang dipersepsikan sendiri tidak berbeda dari 84 kontrol; 6 dari 19 nonpengguna yang memberikan alasan menyebut masalah teknis atau masuk log (Jongkind dkk. (2026)).
Integrasi pembelajaran sepanjang hayat: Pembelajaran Sepanjang Hayat dan Pembelajar Dewasa penelitian menghubungkan pelatihan profesional dengan pendidikan berkelanjutan.
Agen yang dirancang untuk berdeliberasi alih-alih menjawab. Cowhitt dan Gibson (2026) merancang agen instruksional untuk pembelajaran profesional guru yang menahan jawaban dan mendesak guru untuk membenarkan sebuah keputusan, yang diturunkan dari 33 kode deliberasi dalam 8 kluster.
Sektor publik: Adopsi AI di sektor publik menelaah pelatihan dalam konteks pemerintahan.
Kerangka kesiapan tenaga kerja: Smith dkk. mengusulkan kerangka Workforce Readiness Level (WRL) yang mengadaptasi skala Technology Readiness Level menjadi sembilan tahap kompetensi yang dinilai pada empat pilar (digital/literasi AI, kelancaran siber-fisik, kolaborasi manusia-mesin, pengambilan keputusan berbasis data), di bawah aturan "tanpa pilar tipis". Bukti dari tugas akhir manufaktur cerdas menunjukkan bahwa tahap kesiapan tertinggi dibatasi oleh pengalaman yang tertanam di industri alih-alih oleh kursus — yang menunjuk pada pembelajaran terintegrasi kerja sebagai hal esensial bagi pelatihan AI profesional.
Prioritas instruktur dan pemberi kerja menyimpang. Survei atas 500 instruktur AS dan sebuah panel pemberi kerja hanya sepakat tentang pentingnya satu dari 26 keterampilan AI — menetapkan ekspektasi yang realistis untuk pekerjaan yang diperkuat AI — dan hanya tiga dari 26 yang diajarkan oleh separuh instruktur atau lebih (Fried (2026)).
Bukti pengembangan profesional khusus domain masih tipis. Sebuah tinjauan sistematis atas pendidik bahasa (Li dkk. 2026) menemukan hanya tiga dari 23 studi melaporkan pengembangan profesional yang terstruktur, tetapi studi-studi itu bertemu pada perolehan pengetahuan, kepercayaan diri, dan identitas — bukti bahwa pelatihan terstruktur dan khusus domain (memasangkan keterampilan teknis dengan kebijaksanaan praktis) sekaligus langka dan efektif, dan bahwa pengembangan profesional harus bergerak dari peningkatan kesadaran dan etika melalui penguasaan alat secara langsung hingga perancangan bersama pembelajaran yang diperkuat AI.
Pengembangan profesional pendidik guru sebagai pembangunan model: Eyal (2025) menjalankan kursus 180 jam selama setahun di mana 22 pendidik guru pendidikan tinggi merancang bersama Adaptive Artificial-Intelligence-Literacy Model, menggantikan tangga kompetensi tetap dengan tiga sumbu yang saling terkait (kesesuaian konteks, kebutuhan profesional, perkembangan dinamis) dan kuesioner penilaian diri reflektif 20 item. Premis desainnya adalah bahwa literasi AI bersifat situasional: guru prajabatan di lingkungan dengan sumber daya terbatas, guru mata pelajaran, dan kepala sekolah membutuhkan kompetensi yang berbeda, sehingga pengembangan profesional harus menyasar pertimbangan yang spesifik peran alih-alih rubrik yang terstandardisasi.
Apa yang harus disasar pelatihan: basis pengukuran bidang ini tertinggal dari teknologi yang digambarkannya. Dalam tinjauan sistematis atas 33 instrumen literasi AI guru, Zainal, Mohd Matore dan Maat (2026) menemukan bahwa 29 (87.9%) menyasar konsep AI umum sementara hanya empat (12.1%), semuanya terbit pada 2025, membahas AI generatif. Jika instrumen mengikuti apa yang seharusnya dibangun oleh pelatihan, distribusi itu menandai kompetensi AI generatif dalam pengajaran sebagai sasaran pengembangan profesional yang paling sedikit diukur dan paling mendesak.
Peramalan tenaga kerja: Fletcher dkk. meninjau literatur kelabu AS tentang AI dan tenaga kerja teknik/komputasi, membingkai "Masalah Kereta Ganda" (perubahan cepat vs. kebijakan yang mendesak) dan merekomendasikan agar pendidikan tinggi memprioritaskan kompetensi AI yang tahan lama, etika dan tata kelola, serta kredensial berbasis keterampilan yang selaras dengan peran yang muncul (mis., Rekayasa Prompt, audit AI, kebijakan AI) untuk mempertahankan pekerjaan yang berpusat pada manusia dalam ekonomi yang terotomasi.
Desain yang mempertahankan keterampilan kalah di bawah metrik keluaran. de Jong (2026) berargumen bahwa interaksi reflektif bertentangan dengan janji keputusan lebih cepat dan keluaran lebih tinggi yang mendorong adopsi AI dalam kerja profesional: studi terkontrol dapat menyerap gesekan itu, lingkungan yang mengukur kinerja berdasarkan kecepatan atau kuantitas tidak, dan ketika pesaing menawarkan dukungan setara tanpa gesekan, desain yang mempertahankan keterampilan menjadi kerugian kompetitif — masalah yang menurut makalah itu mungkin menjadi milik kebijakan organisasi atau pemerintah alih-alih desain interaksi.
Penilaian lisan untuk kapabilitas di tempat kerja. Sebuah studi desain TVET menangani ketidaksesuaian lama antara penilaian yang berat teks dan kemampuan verbal serta situasional yang disertifikasi oleh kualifikasi profesional, dengan menggunakan Model Bahasa Besar (LLM) untuk mendukung penilaian lisan interaktif. Pada empat kohort, format suara dinilai realistis oleh 21 dari 33 pembelajar tanpa respons yang menentang atas keunggulannya dibandingkan portofolio tertulis, dan sistemnya berjalan sepenuhnya luring di satu laptop untuk hingga 12 pembelajar serentak, menghapus rekaman setelah 90 hari dan menyerahkan penilaian kepada asesor (Designing AI-Supported Oral Assessment in TVET). Ini adalah contoh konkret AI memperluas jangkauan kompetensi yang dapat dinilai dalam pelatihan profesional alih-alih hanya mengotomasi format tertulis yang sudah ada. Namun kohortnya adalah kelas otomotif dan teknik Level 3, sehingga buktinya berada dalam penyelenggaraan kejuruan awal alih-alih dalam peningkatan keterampilan di tempat kerja yang dicakup halaman ini.
Rapat adalah tempat pemahaman menjadi dapat dinilai. Ketika alat generatif menyusun draf analisis, pembaruan riset yang rapi tidak lagi menunjukkan apakah peserta pelatihan memahami pekerjaannya, sehingga Prunuske dan Adams-Phillips (2026) mengusulkan tiga jendela diagnostik untuk rapat riset (kalibrasi metakognitif, penjelasan konseptual, pemaknaan kolaboratif) dengan prompt yang memunculkan apa yang ditinggalkan sebuah ringkasan.
Kondisi institusional, bukan konteks nasional, yang menjelaskan kesenjangan kesiapan. Survei komparatif atas 568 dosen universitas di pusat pengembangan fakultas Tiongkok (n = 340) dan Kazakhstan (n = 228) (Bi, Araily, Lyu & Xiu, 2026) menemukan dosen Kazakhstan lebih unggul pada ketujuh dimensi kesiapan GenAI pada garis dasar, dengan kesenjangan terbesar pada transfer disipliner, desain prompt, dan penilaian berbantuan AI. Regresi hierarkis membongkar penjelasan nasional: perbedaan negara turun tajam begitu penggunaan GenAI sebelumnya dan pelatihan terkini masuk ke model dan menjadi tidak signifikan — penurunan 80% — setelah dukungan institusional, izin yang dipersepsikan untuk bereksperimen, akses sumber daya multibahasa, kejelasan kebijakan, dan sensitivitas risiko ditambahkan. Paparan tersebar tidak merata (mayoritas jelas dosen Kazakhstan memiliki pelatihan AI dalam enam bulan terakhir, dibandingkan sekitar seperempat dosen Tiongkok), dan dosen Tiongkok melaporkan kejelasan kebijakan sekaligus sensitivitas risiko yang lebih tinggi. Pelatihan tugas-prompt terstruktur mengungguli pembiasaan GenAI konvensional pada desain prompt pascates dengan selisih lebar. Kesiapan dosen, menurut bukti ini, dihasilkan oleh penyediaan dan izin — apa yang ditawarkan sebuah pusat dan apa yang diizinkannya — alih-alih oleh sistem nasional tempatnya berada.
Pelatihan singkat menggeser penilaian, bukan niat. Uji coba pra-pasca tiga jam dengan 100 guru Jerman (Mesenhöller dan Böhme, 2026) menemukan bahwa persepsi kegunaan (d = .32) dan persepsi kemudahan penggunaan (d = .25) naik secara signifikan setelah sesi berorientasi praktik yang singkat tentang AI untuk diferensiasi, sementara niat berperilaku tidak bergerak dari garis dasar yang sudah tinggi (M = 3.07). Para penulis membaca celah itu sebagai tanda bahwa penerimaan bergantung pada kondisi yang tidak dapat disediakan oleh satu sesi, seperti waktu, infrastruktur, dan aturan institusional yang jelas. Format singkat layak dijalankan, tetapi memasukkannya bersama kondisi itu adalah yang mengubah penilaian yang menguntungkan menjadi penggunaan.
Pemantauan berkelanjutan, bukan lokakarya sekali jalan, untuk pelatihan awal. Tinjauan sistematis atas 11 studi tentang AI dalam pelatihan guru awal untuk matematika sekolah dasar (Pinto dkk., 2026) menemukan bahwa sembilan intervensi berupa satu sesi atau beberapa sesi yang disisipkan ke kursus yang ada, bahwa sikap biasanya disampel sekali setelah kejadian, dan bahwa etika muncul hanya dalam tiga studi. Para penulis berargumen kompetensi AI perlu berkembang sepanjang seluruh rangkaian pelatihan, dari fase persiapan ke praktikum dan tahun-tahun awal praktik, dengan pemantauan yang mengikuti perkembangan itu.
Paparan dan pengulangan, bukan demografi, yang berkaitan dengan persepsi positif. Dalam studi metode campuran atas 302 guru matematika sekolah dasar Turki (Ciğerci dan Uygun, 2026), pelatihan AI sebelumnya (t = 3.661) dan frekuensi penggunaan AI (F = 41.280) adalah variabel yang paling konsisten berkaitan dengan pandangan positif, sementara kemauan (M = 3.98) dan sikap (M = 3.82) berada jauh di atas pengalaman pribadi (M = 3.00). Para penulis memperlakukan pelatihan sebelumnya sebagai tuas paling jelas yang dapat dijalankan sekolah, yang menunjuk pada penggunaan berulang dan berkelanjutan alih-alih satu pengenalan tunggal.
Rotasi peran sebagai struktur penopang. Studi berbasis desain atas 62 calon psikolog pendidikan di Kazakhstan (Kenzhebayeva dkk., 2026) merotasi mahasiswa melalui empat posisi profesional selama delapan minggu, dengan AI generatif menyediakan gagasan awal. Para penulis berargumen nilainya terletak pada rotasi alih-alih pada alat, karena setiap peran membingkai kasus yang sama secara berbeda, dan siklus berikutnya menunjukkan lebih banyak permintaan akan pembenaran teoretis. Mereka melaporkan keterlibatan alih-alih perolehan yang terukur, karena tidak mengumpulkan ukuran kompetensi pra-pasca.

Berbeda dari pendidikan akademik

Pelatihan profesional berbeda dari pendidikan akademik dalam fokusnya pada keterampilan terapan, relevansi langsung dengan tempat kerja, dan karakteristik pembelajar dewasa. Teori Pembelajar Dewasa dan prinsip Pembelajar Dewasa menginformasikan desain pelatihan AI profesional. Batas lainnya adalah pendidikan dan pelatihan kejuruan: VET menerima orang yang belum memegang pekerjaan itu dan ditutup dengan kualifikasi kejuruan atau teknis, sehingga ia membawa persiapan kerja awal dan kerangka kualifikasi yang menyertifikasinya, sedangkan pelatihan profesional dimulai dari peran yang sudah ada — peningkatan keterampilan ulang, pendidikan profesional berkelanjutan, atau sertifikasi vendor — dan mengasumsikan kompetensi yang dianugerahkan VET.

Regenerasi keahlian sebagai persoalan pelatihan. Kerangka Cognitive Commons (Lovett 2026) berargumen bahwa HRD harus bergerak melampaui peningkatan keterampilan di tingkat organisasi menuju pengelolaan di tingkat profesi: menghapus posisi pengembangan tingkat pemula di sektor yang terpapar AI dapat menguras kumpulan keahlian bersama yang menjadi sandaran semua organisasi, dengan efek tertunda waktu yang baru muncul setelah 5–20 tahun. Ini membingkai ulang pelatihan profesional dari pengembangan kompetensi individual menjadi pemeliharaan milik bersama. Pasangkan produksi AI dengan verifikasi, dan cari ukuran dari luar. Nguyen dkk. (2026) menempatkan pemeriksaan halusinasi otomatis dan audit SME di antara penyusunan draf dan penyampaian di sepanjang pipa peningkatan keterampilan lima tahap, dan mendasarkan klaim terkuat kerangka itu pada akreditasi NASBA CPE dan ujian sertifikasi vendor alih-alih ukuran keberhasilan yang didefinisikan sendiri.

Miskonsepsi Umum

"Kursus menghasilkan kompetensi kerja." Kerangka di halaman ini menempatkan tahap kompetensi tertinggi di balik pengalaman yang tertanam di industri alih-alih di balik kursus, yang merupakan batas nyata pada apa yang dapat diklaim sebuah program pelatihan. Kursus dapat membangun prasyaratnya; tahap yang dibatasi itu membutuhkan pekerjaannya.

"Memudarkan dukungan menurut jadwal setara dengan memudarkannya menurut bukti." Tidak. Memudarkan bantuan sesuai perkiraan kompetensi pembelajar memotong waktu putaran simulator 27.9% (p = 0.005) dan kegagalan sebesar 3.52 per putaran, sedangkan pemudaran berbasis aturan pada jadwal tetap tidak menghasilkan perubahan yang andal. Jumlah dukungan yang sama, dilepaskan berdasarkan sinyal yang berbeda, adalah intervensi yang berbeda.

"Pelatihan literasi AI dapat digeneralisasi lintas peran." Sebagian besar instrumen tidak mengukur kompetensi yang spesifik peran: dalam tinjauan sistematis atas 33 instrumen literasi AI guru, 29 (87.9%) menyasar konsep AI umum sementara hanya 4 (12.1%) membahas penggunaan pedagogis atau okupasional yang sebenarnya dibutuhkan pekerjaan itu. Program yang dibangun di atas instrumen umum sedang mengukur sebuah proksi.

"Simulator adalah pengganti pelatihan di tempat kerja." Simulator mengembangkan prosedur dan menghilangkan konsekuensi, yang bernilai dan justru merupakan bagian yang tidak dapat ditransfer — konsekuensi itulah kurikulumnya dalam pekerjaan yang kritis terhadap keselamatan.

Konsep terkait

Pembelajaran Sepanjang Hayat
Pembelajar Dewasa
Pendidikan dan Pelatihan Vokasional
Pengembangan Pendidikan
Literasi AI
Simulasi
Pendidikan Tinggi
AI Generatif
Model Bahasa Besar (LLM)
Pembelajaran Adaptif
Pembelajaran yang Dipersonalisasi
Realitas Virtual dan Tertambah — tempat praktik imersif paling mapan

Sumber daya terkait

Master Instructional Design
Skill Claude yang mengemas metode seorang perancang pembelajaran veteran menjadi lima belas mode keterlibatan dan tiga puluh satu berkas rujukan sesuai permintaan yang mencakup seluruh spektrum pembelajaran dan pengembangan.

Metadata

Tingkat	Adult Learning, Higher Ed
Audiensi sasaran	Instructors, Administrators, Learners
Pembelajaran dan pengajaran	Pembelajaran Sepanjang Hayat
Teknologi dan teknik	AI Generatif, Model Bahasa Besar (LLM), Simulasi
Dasar-dasar AI dalam pendidikan	Literasi AI, Pengembangan Pendidikan

Sumber Riwayat Sunting Obrolan