CTO Intura Berbagi AI Tools Proficiency bersama 200 Founder EdTech di Kitabisa × UNDP EdTech Impact Bootcamp 2026

Angka-angka di balik program ini menjelaskan urgensinya. Menurut Badan Pusat Statistik (BPS) 2024, Indonesia memiliki 65,82 juta anak muda berusia 16–30 tahun — 24% dari total populasi. Bonus demografi itu berada di pusat visi Indonesia Emas 2045. Namun sekitar 23,78% pemuda Indonesia tergolong NEET — tidak sedang bersekolah, bekerja, maupun mengikuti pelatihan — dan dengan ekonomi digital Indonesia yang diproyeksikan mencapai $133 miliar pada 2025, kesenjangan antara peluang digital dan keterampilan digital justru melebar di titik yang paling menyakitkan.

Skill Our Future: EdTech Impact Bootcamp 2026 adalah jawaban Kitabisa dan UNDP Indonesia atas kesenjangan itu: program inkubasi untuk social enterprise di sektor pendidikan yang dipimpin anak muda, semuanya minimal sudah di tahap minimum viable product, dan semuanya bekerja langsung maupun tidak langsung pada Sustainable Development Goals. Sesi ini merupakan bagian dari Component 2 program — Digital Transformation for EdTech Startups.

Ketentuan penugasannya menetapkan standar yang membentuk seluruh desain sesi: minimal 60% dari dua jam harus berupa aktivitas hands-on, demonstrasi langsung, dan latihan peserta. Bukan ceramah dengan demo di akhir — melainkan sesi kerja, disampaikan dalam Bahasa Indonesia.

Sesi dibuka dengan permainan, bukan definisi. Peserta ditunjukkan pasangan gambar — A atau B — dan diberi dua pertanyaan: mana yang kamu suka, dan menurutmu itu buatan AI atau buatan manusia? Poinnya cepat terasa. Kebanyakan orang sudah tidak bisa membedakannya secara andal, dan di 2026 rasanya ada AI tool baru yang rilis setiap hari. Berkedip sebentar, sudah muncul lagi yang lain.

Dari sana, sesi memetakan kategori AI tools praktis yang benar-benar dibutuhkan seorang founder: desain (visual, presentasi, UI mockup, aset marketing), coding (membangun aplikasi dan mengotomasi pengembangan), produktivitas (konten, manajemen tugas, operasional harian), dan riset (analisis pasar, peringkasan, penggalian insight). Semua dengan nama nyata — ChatGPT, Gemini, Claude, Perplexity, Midjourney, Cursor — karena founder di ruangan itu sedang memilih di antara langganan nyata, bukan abstraksi.

Sebelum menyentuh satu prompt pun, Muhammad membekali peserta dengan cara kerja sistem-sistem ini: model dilatih dengan data masif, setiap model punya knowledge cutoff, dan sebagian besar produk AI dibangun di atas model yang sudah ada seperti GPT, Gemini, Claude, atau Llama — diperkaya dengan data kustom, workflow, dan logika bisnis. Anatomi sebuah produk AI, jelasnya, bermuara pada tiga bahan: instruksi, konteks, dan tools. Dan bersama anatomi itu datang empat batasan yang wajib dihormati setiap founder: halusinasi, knowledge cutoff, ketergantungan pada konteks, dan bias.

Inti sesi ini adalah sebuah cerita evolusi. Bekerja dengan AI di 2024 berarti prompt engineering — merangkai teks yang diberikan ke model agar outputnya lebih baik. 2025 menambahkan context engineering — memberi AI pengetahuan yang tepat pada waktu yang tepat. Dan di 2026 garis depannya sudah bergeser ke harness engineering dan loop engineering: merancang workflow, kontrol, dan feedback loop di sekitar model agar ia bisa mengevaluasi, memperbaiki, dan mengulang pekerjaannya sendiri sampai output benar-benar memenuhi standar. Seperti canda Muhammad ke peserta: "Kemarin saya prompt engineer, hari ini context engineer, besok loop engineer."

Setiap tahap datang dengan praktik, bukan sekadar slide. Segmen prompt engineering mendemonstrasikan empat teknik secara langsung: menetapkan role atau persona, memberi contoh few-shot, meminta penalaran bertahap, dan menambahkan negative constraints — daftar "JANGAN" eksplisit yang menjaga output tetap dalam cakupan dan jujur. Peserta kemudian membuka Google Gemini dan membangun AI assistant kustom mereka sendiri dengan Gemini Gems: mendefinisikan role, tone, dan instruksinya untuk brand atau perusahaan masing-masing.

Latihan context engineering melangkah lebih jauh. Peserta mengunggah pengetahuan nyata milik enterprise mereka — brand guidelines, dokumentasi produk, FAQ, SOP — ke dalam Gem masing-masing dan memperbarui instruksinya agar memakai pengetahuan itu. Prompt yang sama, "buat post LinkedIn tentang mengapa startup harus melakukan riset pengguna sebelum membangun produk", menghasilkan jawaban generik tanpa konteks dan jawaban yang on-brand dengan konteks. Untuk tahap harness, Muhammad menunjukkan bagaimana tool seperti n8n dapat mengorkestrasi pipeline konten otomatis — riset, perencanaan, pembuatan carousel, quality check — dan bagaimana loop tertutup ketika sistem juga memantau sentimen sosial dan mengukur performa bisnis, lalu mengembalikan hasilnya sebagai masukan.

Blok pengajaran terakhir membahas mode kegagalan secara langsung, masing-masing dibingkai sebagai kebiasaan berisiko berdampingan dengan kebiasaan aman. Pertama: AI slop — menyalin mentah output AI ke blog post, laporan, atau update donor tanpa membacanya. Diterbitkan dalam skala besar, konten AI tanpa review menggerus kepercayaan pada semua hal yang dikatakan sebuah enterprise. Pola yang bertanggung jawab sederhana: AI menulis draf pertama, manusia mengedit, memeriksa fakta, dan menambahkan keahlian yang membuat konten layak dibaca.

Kedua: verifikasi. Model AI berhalusinasi — mereka menghasilkan jawaban yang percaya diri, lancar, dan salah, dari sitasi kasus yang tidak pernah ada sampai angka yang keliru. Bagi social enterprise yang melapor ke pemberi dana dan mengajar siswa, memperlakukan output AI sebagai kebenaran mutlak adalah salah satu kesalahan dengan konsekuensi terbesar. Kebiasaan amannya: perlakukan setiap jawaban AI sebagai titik awal, dan tanyakan apakah klaimnya bisa diverifikasi dari sumber primer.

Ketiga: privasi data. Apa pun yang ditempel ke chat AI meninggalkan perangkatmu dan berpindah ke server pihak ketiga. Sesi ini memberi para founder protokol konkret — redaksi nama dan angka finansial dengan placeholder seperti [CLIENT] sebelum menempel, utamakan deployment enterprise atau privat untuk pekerjaan sensitif, baca kebijakan retensi data penyedia, dan ekstra hati-hati dengan data yang diatur regulasi. Bagi enterprise yang memegang data siswa dan donor, ini bukan basa-basi opsional. Ini adalah standar minimum.

Pekerjaan Intura sendiri berada di dalam pergeseran yang digambarkan sesi ini: kami membangun tools AI visibility dan brand intelligence, dan kami memakai AI workflows — bukan sekadar AI tools — untuk melakukannya. Mengajarkan pergeseran yang sama kepada 200 founder EdTech adalah cara paling langsung yang kami tahu untuk memperluas siapa yang menikmati manfaatnya. Founder di cohort ini membangun untuk ruang kelas di wilayah-wilayah di mana kesenjangan keterampilan digital bukan statistik melainkan kendala harian, dan setiap jam yang dihemat oleh workflow yang dibangun dengan baik adalah jam yang kembali untuk mengajar dan membangun.

Sesi ditutup dengan lima belas menit tanya jawab dan perencanaan aksi, serta satu kalimat yang sekaligus menjadi rangkuman dan peringatan: kabar baiknya semua orang bisa memakai AI — dan kabar buruknya semua orang bisa memakai AI. Yang memisahkan founder sekarang bukan akses. Melainkan kecakapan: konteks, desain workflow, dan judgment untuk tahu kapan mempercayai output dan kapan memeriksanya.

Terima kasih kami kepada Yayasan Kita Bisa dan UNDP Indonesia yang menyelenggarakan Skill Our Future: EdTech Impact Bootcamp 2026 dan mengundang kami untuk berkontribusi di dalamnya — dan kepada 200 founder yang hadir di Sabtu pagi, membangun AI assistant kustom pertama mereka, dan mengajukan pertanyaan-pertanyaan yang hanya ditanyakan oleh orang yang sedang membangun produk nyata.