Workforce Reskilling untuk Agentic Enterprise

Bayangkan tim finance Anda baru saja meluncurkan agent yang membantu proses close bulanan. Agent itu bisa menarik data dari ERP, menyusun draft variance commentary, dan menandai anomali. Di minggu pertama, hasilnya terlihat menjanjikan. Tapi minggu kedua, seorang controller menemukan bahwa agent menggunakan data dari periode yang salah. Bukan karena agent rusak, tetapi karena instruksi awal yang diberikan tim tidak cukup spesifik tentang sumber data mana yang harus dipakai.

Situasi seperti ini mulai muncul di banyak perusahaan. Bukan karena teknologinya tidak bekerja, tetapi karena organisasi belum memiliki orang yang tahu cara bekerja bersama agent, mengawasi hasil kerjanya, dan memperbaiki sistem kerja yang kini dijalankan oleh kombinasi manusia dan digital labor.

Di sinilah banyak perusahaan keliru. Mereka mengira reskilling untuk era agentic cukup dilakukan dengan pelatihan prompt engineering generik atau workshop penggunaan chatbot. Padahal, ketika agent mulai masuk ke workflow nyata—finance close, procurement intake, customer operations, IT operations, supply chain exception handling, atau shared services—perubahan skill yang dibutuhkan jauh lebih dalam. Bukan soal cara bertanya ke AI, melainkan soal cara menjalankan operasi bersama AI agents.

Dari Eksekusi ke Oversight

Agentic AI memang mengambil alih sebagian pekerjaan transaksional. Pekerjaan seperti mencari data lintas sistem, menyiapkan draft, mengklasifikasikan kasus, memonitor antrian, atau melakukan follow-up administratif akan semakin banyak dijalankan oleh agent. Tapi itu tidak berarti kebutuhan skill manusia menurun. Yang terjadi justru sebaliknya: permintaan terhadap kemampuan tertentu naik tajam.

Manusia sekarang harus mengisi ruang yang lebih sulit. Mereka perlu menilai apakah output agent layak dipercaya, memahami kapan kasus harus dieskalasi, menangani exception yang tidak sesuai pola, dan memperbaiki proses agar agent bekerja lebih baik dari waktu ke waktu. Agentic AI mengurangi pekerjaan rutin, tetapi menaikkan premium pada oversight, domain judgment, process design, risk awareness, dan feedback discipline.

Ada empat gap yang paling sering muncul. Pertama, gap instruksi operasional. Banyak karyawan bisa meminta AI membuat ringkasan, tetapi belum tentu bisa memberi instruksi yang tepat dalam konteks workflow enterprise. Instruksi yang buruk bukan sekadar menghasilkan jawaban jelek. Ia bisa menciptakan rework, salah routing, atau rekomendasi yang menyesatkan.

Kedua, gap validasi output. Ini yang paling berbahaya. Banyak orang belum terlatih membedakan antara output yang terdengar meyakinkan dan output yang benar secara operasional. Dalam finance, procurement, HR, atau customer operations, kemampuan memeriksa evidence jauh lebih penting daripada kemampuan menulis prompt yang indah.

Ketiga, gap exception handling. Agent bekerja baik pada pola yang cukup jelas. Tetapi enterprise hidup dari exception. Ketika kasus tidak sesuai pola, manusia harus tahu kapan mengambil alih, bagaimana menilai akar masalah, dan bagaimana mengembalikan kasus ke jalur yang aman. Jika skill ini lemah, organisasi akan mengalami dua ekstrem: terlalu percaya pada agent, atau terlalu cepat mematikan agent setiap kali ada ketidakpastian.

Keempat, gap feedback dan continuous improvement. Agentic operating model membutuhkan manusia yang bisa memberi feedback terstruktur: output mana yang salah, mengapa salah, apakah masalahnya ada pada data, policy, tool, atau workflow, dan perubahan apa yang perlu masuk backlog. Tanpa skill ini, agent tidak benar-benar belajar secara organisasi. Ia hanya menjadi alat yang dipakai, dikeluhkan, lalu ditinggalkan.

Training generik tentang AI literacy memang berguna sebagai fondasi, tetapi tidak cukup. Seorang controller finance perlu belajar menilai evidence pack dan draft commentary. Seorang procurement specialist perlu belajar mengawasi klasifikasi intake dan policy check. Seorang service desk supervisor perlu belajar membaca escalation pattern dan override rate. Semua itu tidak bisa digantikan oleh kelas umum tentang prompt engineering.

Business Users sebagai Supervisor Workflow

Business users adalah kelompok yang paling cepat terdampak, karena merekalah yang sehari-hari bekerja di dalam proses. Namun justru di sinilah banyak program reskilling terlalu dangkal. Mereka mengajarkan cara memakai tool, tetapi tidak mengajarkan cara mengelola kerja bersama agent.

Business user di era agentic perlu menguasai setidaknya empat skill inti. Pertama, agent supervision. Mereka tidak lagi hanya menjadi operator proses. Dalam banyak workflow, mereka menjadi supervisor lini pertama bagi agent. Di finance close, controller perlu memeriksa apakah agent sudah menarik evidence yang benar dan menandai variance yang relevan. Di procurement, buyer perlu melihat apakah agent mengklasifikasikan kebutuhan dengan benar. Di customer operations, supervisor perlu menilai apakah rekomendasi refund atau eskalasi agent sesuai policy. Skill supervision ini mencakup membaca output agent dengan cepat, mengenali pola kesalahan, memutuskan kapan override diperlukan, dan memahami kapan agent boleh terus bekerja tanpa intervensi.

Kedua, evidence review. Dalam enterprise, trust tidak boleh dibangun dari gaya bahasa agent. Trust harus dibangun dari evidence. Business users perlu dilatih untuk meninjau sumber data yang dipakai, policy atau SOP yang dirujuk, histori kasus yang relevan, dan alasan mengapa rekomendasi tertentu muncul. Ini penting untuk mencegah over-trust. Banyak kesalahan AI di perusahaan bukan karena orang tidak memakai AI, tetapi karena mereka terlalu cepat menerima output yang tampak rapi. Namun sisi sebaliknya juga perlu dijaga: under-use. Jika pengguna memeriksa ulang semuanya dari nol setiap saat, nilai produktivitas agent akan hilang. Training harus membantu orang memahami apa yang wajib diperiksa, apa yang cukup disampling, dan apa yang bisa dipantau lewat exception.

Ketiga, escalation handling. Agentic workflow yang sehat selalu punya jalur eskalasi. Business users perlu belajar membedakan kasus yang masih bisa diselesaikan dengan koreksi ringan, kasus yang perlu supervisor, kasus yang harus naik ke process owner atau risk owner, dan kasus yang menunjukkan masalah sistemik pada data atau policy. Jika agent salah menjawab pertanyaan kebijakan satu kali, itu mungkin isu knowledge article. Tetapi jika agent berulang kali salah pada kategori kasus tertentu, itu sinyal bahwa workflow atau knowledge layer perlu diperbaiki.

Keempat, workflow improvement. Ketika agent mengambil alih sebagian pekerjaan, business users justru perlu lebih aktif dalam perbaikan proses. Mereka harus bisa menjawab langkah mana yang masih terlalu manual, handoff mana yang tidak perlu, evidence apa yang seharusnya otomatis tersedia, dan aturan apa yang perlu dibakukan agar agent bisa bekerja lebih konsisten. Reskilling business users tidak boleh berhenti pada cara memakai agent. Mereka harus dilatih menjadi co-designer dari workflow baru.

Pelatihan yang efektif hampir selalu berbasis skenario kerja nyata. Lebih baik melatih tim AP dengan 20 invoice exception yang benar-benar terjadi daripada memberi demo abstrak tentang AI bisa membantu finance. Lebih baik melatih tim customer operations dengan transcript kasus nyata daripada menunjukkan chatbot generik. Business users belajar paling cepat ketika mereka melihat hubungan langsung antara skill baru dan beban kerja harian mereka.

Skill untuk Leaders

Jika business users perlu belajar mengawasi agent, para pemimpin perlu belajar mendesain sistem kerja yang masuk akal. Ini bukan hanya tugas CIO. COO, CHRO, CFO, GCC leader, dan transformation leader juga harus memahami logika baru ini.

Pertama, leader perlu mampu memilih value pool yang layak. Mereka harus membedakan antara use case yang hanya memberi efisiensi lokal, use case yang benar-benar mengubah workflow end-to-end, dan use case yang tampak menarik tetapi belum siap karena data, kontrol, atau proses dasarnya lemah. Agentic AI mudah memicu antusiasme berlebihan. Value pool terbaik biasanya ada pada workflow yang volumenya tinggi, exception-nya nyata, data dan policy-nya cukup tersedia, dan owner prosesnya jelas.

Kedua, leader harus mendesain operating model baru. Agentic AI bukan proyek tool. Ia mengubah pembagian kerja manusia dan agent, titik approval, ritme operasional, ownership backlog, dan struktur metrik. Ketika finance close mulai dibantu agent, leader harus memutuskan apakah controller tetap memeriksa semua draft atau hanya exception, siapa yang bertanggung jawab atas kualitas evidence pack, kapan agent boleh naik dari draft ke recommend, dan bagaimana perubahan ini memengaruhi peran tim shared services atau GCC. Tanpa kemampuan mendesain operating model, organisasi akan terjebak pada adopsi tool tanpa perubahan hasil.

Ketiga, leader harus mengelola trade-off antara autonomy dan risk. Agentic enterprise selalu hidup di antara dua tekanan: bisnis ingin kecepatan, produktivitas, dan skala; risk, compliance, dan operasi ingin kontrol, auditability, dan kejelasan akuntabilitas. Leader harus mampu memutuskan kapan bounded autonomy layak diberikan, kapan human approval tetap wajib, kapan use case belum layak di-scale, dan kapan organisasi perlu memperbaiki fondasi dulu. Trade-off ini berbeda per domain. Di IT operations, agent mungkin boleh menjalankan triage otomatis tetapi tidak boleh deploy ke production tanpa kontrol ketat. Di procurement, agent mungkin boleh merutekan request standar tetapi tidak boleh membuat vendor baru. Di HR, agent mungkin boleh menjawab policy umum tetapi tidak boleh mengambil keputusan yang memengaruhi status kerja.

Keempat, leader perlu memahami metrik human-agent teams. Jika mereka hanya melihat headcount, throughput, atau jumlah automasi, mereka akan salah menilai kemajuan. Metrik yang lebih relevan antara lain acceptance rate, override rate, escalation rate, correction rate, cycle time, touchless rate untuk kasus tertentu, kualitas outcome, dan dampak pada backlog exception. Ini penting untuk menilai apakah agent benar-benar meningkatkan operasi atau hanya memindahkan beban kerja ke tahap review.

Kelima, leadership communication menjadi alat transformasi. Reskilling tidak akan berhasil jika narasi pimpinan salah. Jika agentic AI dikomunikasikan terutama sebagai program pengurangan tenaga kerja, resistensi akan naik dan feedback jujur akan turun. Orang akan cenderung defensif, menyembunyikan masalah, atau memakai agent secara minimal. Komunikasi yang lebih sehat menekankan tiga hal: pekerjaan rutin tertentu memang akan berkurang, peran manusia akan bergeser ke judgement, exception, dan improvement, dan perusahaan akan berinvestasi pada skill baru, bukan hanya menuntut adopsi. Ini bukan soal retorika lembut. Ini soal menjaga trust agar transformasi bisa berjalan.

Capability Academy sebagai Mesin Pembelajaran Operasional

Perusahaan yang serius biasanya tidak mengandalkan pelatihan ad hoc. Mereka membangun capability academy untuk agentic AI. Namun academy ini tidak boleh menjadi program kelas yang terpisah dari operasi. Ia harus menjadi bagian dari transformation engine.

Academy yang efektif memiliki track berbeda untuk kelompok yang berbeda. Executive track berfokus pada value pool, operating model, governance, risk trade-off, dan implikasi organisasi. Business owner track berfokus pada use case design, workflow redesign, metric ownership, dan backlog prioritas. Supervisor dan frontline track berfokus pada agent supervision, evidence review, escalation handling, dan feedback loop. Engineer dan platform track berfokus pada agent runtime, integration, observability, release discipline, dan control enforcement. Risk, compliance, dan legal track berfokus pada risk tiering, approval threshold, auditability, accountability, dan incident response. HR dan workforce track berfokus pada role mapping, skill taxonomy, learning path, workforce transition, dan change management.

Kesalahan umum adalah membuat academy yang terlalu teoritis. Orang belajar konsep, tetapi tidak pernah mempraktikkannya pada workflow nyata. Hasilnya, pengetahuan cepat hilang dan organisasi tidak benar-benar berubah. Pendekatan yang lebih efektif adalah menghubungkan academy langsung ke pilot. Tim finance yang mengikuti track supervisor langsung mempraktikkan review evidence pada pilot close agent. Tim procurement owner langsung memakai template redesign workflow untuk intake agent. Tim IT operations langsung belajar dari incident triage agent yang sedang berjalan. Tim GCC memakai pilot shared services sebagai laboratorium pembelajaran lintas fungsi. Dengan cara ini, pembelajaran tidak berhenti di kelas. Ia masuk ke SOP, dashboard, dan ritme kerja harian.

Capability academy yang baik juga menjadi tempat organisasi menangkap pembelajaran dari pilot: failure mode apa yang paling sering muncul, skill apa yang ternyata paling kurang, SOP mana yang perlu diperbarui, template governance mana yang perlu diperjelas, dan role mana yang perlu diformalisasi. Agentic transformation bukan perubahan satu kali. Ia adalah proses pembelajaran organisasi yang terus bergerak. Jika academy tidak terhubung ke learning loop ini, perusahaan akan mengulang kesalahan yang sama di setiap pilot.

Langkah Selanjutnya

Reskilling untuk agentic enterprise sebaiknya tidak dimulai dari program besar yang abstrak. Mulailah dari kombinasi yang lebih disiplin: pilih workflow prioritas, petakan perubahan tugas manusia, definisikan skill baru per peran, latih orang pada use case nyata, dan ukur apakah perilaku kerja benar-benar berubah. Pendekatan ini lebih lambat di awal, tetapi jauh lebih kuat untuk scale.

Perusahaan juga perlu jujur pada satu hal: tidak semua orang akan berpindah dengan kecepatan yang sama. Sebagian akan cepat menjadi supervisor agent yang efektif. Sebagian lain perlu waktu lebih lama. Karena itu, reskilling harus diperlakukan sebagai agenda operating model dan talent strategy sekaligus, bukan sekadar learning program.

Jika agent di perusahaan Anda mulai mengambil alih pekerjaan transaksional besok pagi, apakah tim Anda sudah tahu bagaimana mengawasi, memvalidasi, mengeskalasi, dan memperbaiki kerja agent? Atau mereka baru sekadar tahu cara membuka chatbot? Jawaban atas pertanyaan itu akan menentukan apakah agentic AI menjadi sumber produktivitas atau sumber masalah baru.