Perbaiki pola AI-like, statistik orphan, dan format ikon ⚠️

- bab-07: hapus 79%/59%/67% orphan (tanpa sumber) di Rangkuman; hedge ke pernyataan konseptual
- bab-07: variasi 'Pertumbuhan ini menunjukkan bahwa' -> 'Artinya'
- bab-17: hedge Rangkuman point 6 '87%' -> 'Sebagian besar' (konsisten dengan body text)
- bab-16/17/18: standardisasi format ⚠️ callout dari ** ke *** (bold+italic) sesuai bab 09-15
- bab-01: variasi Insight callout 'Pola ini menunjukkan bahwa' -> kalimat aktif konkret
- bab-05: variasi 'Gap ini menunjukkan bahwa' -> framing langsung
- bab-12: hapus 'Tabel ini menunjukkan bahwa' -> kalimat langsung
- bab-13: variasi 'Perbedaan ini menunjukkan bahwa' -> 'Selisih...berbicara sendiri'

chapters/bab-01.md

@@ -221,7 +221,7 @@ Indonesia tengah mengalami akselerasi digital yang impresif. Namun ada kesenjang
 
 Artinya: infrastruktur sudah tersedia — jaringan internet, *smartphone*, platform digital — tetapi kemampuan organisasi memanfaatkan data untuk pengambilan keputusan masih tertinggal.
 
-💡 **Insight:** Pola ini menunjukkan bahwa digitalisasi Indonesia berada di persimpangan yang berbeda dari yang sering diasumsikan: infrastrukturnya sudah tumbuh pesat, tetapi kemampuan organisasi memanfaatkan data untuk keputusan masih tertinggal. Bagi manajer Indonesia, belanja IT tidak cukup — yang sama-sama dibutuhkan adalah investasi pada kemampuan membaca, menginterpretasi, dan bertindak berdasarkan informasi yang sudah tersedia.
+💡 **Insight:** Bagi manajer Indonesia, ini satu kesimpulan konkret: belanja IT tidak cukup. Peringkat ke-34 di adopsi ICT dengan peringkat ke-52 di *data use* adalah sinyal bahwa kesenjangan yang lebih mendesak bukan di infrastruktur, melainkan di kapabilitas membaca, menginterpretasi, dan bertindak berdasarkan data yang sudah tersedia.
 
 ### Fenomena 3: Paradoks Digital UMKM Indonesia
 

chapters/bab-05.md

@@ -207,7 +207,7 @@ Tantangannya bukan infrastruktur. Platform data.go.id sudah menyediakan 15.000+
 
 ### Fenomena 2: *Data Rich, Information Poor*
 
-KPMG (2023) menemukan paradoks yang konsisten: 78% eksekutif *C-level* menyatakan organisasi mereka "kaya data," tetapi hanya 23% yang merasa "kaya *insight*." Gap 55 poin persentase ini menunjukkan bahwa investasi besar di pengumpulan dan penyimpanan data tidak diimbangi investasi di tiga area kritis: kualitas data, *data literacy* staf, dan kapabilitas analitik.
+KPMG (2023) menemukan paradoks yang konsisten: 78% eksekutif *C-level* menyatakan organisasi mereka "kaya data," tetapi hanya 23% yang merasa "kaya *insight*." Gap 55 poin persentase — "kaya data, miskin *insight*" — mencerminkan investasi yang tidak seimbang: segalanya dituang untuk pengumpulan dan penyimpanan data, sementara tiga area kritis terbengkalai: kualitas data, *data literacy* staf, dan kapabilitas analitik.
 
 Organisasi merespons limpahan data dengan cara yang berlawanan: membeli penyimpanan lebih besar, mengumpulkan lebih banyak data, dan menambah *dashboard*. Padahal yang dibutuhkan adalah *kurator* — seseorang (atau sistem) yang menyaring, membersihkan, dan menyajikan data yang relevan bagi keputusan spesifik.
 

chapters/bab-07.md

@@ -99,7 +99,7 @@ BI bukan satu *software* — ia adalah ekosistem yang mencakup *data warehouse*,
 
 Alur BI: **Sumber Data** (ERP, CRM, data eksternal) → **ETL** (ekstraksi, pembersihan, standarisasi) → ***Data Warehouse*** (penyimpanan terpusat, terstruktur untuk analisis) → **Analitik** (*OLAP*, model statistik, *ML*) → **Visualisasi** (*dashboard*, laporan) → **Keputusan** manajerial.
 
-Investasi global dalam platform BI dan kapabilitas analitik terus mengalami pertumbuhan substansial, didorong oleh adopsi *cloud* dan meningkatnya permintaan analitik di seluruh industri (Gartner, 2023). Pertumbuhan ini menunjukkan bahwa organisasi semakin serius meninvestasikan kapabilitas analitik — tetapi investasi di *tools* tanpa investasi di kualitas data dan *data literacy* SDM sering menghasilkan infrastruktur BI yang mahal tetapi tidak dimanfaatkan.
+Investasi global dalam platform BI dan kapabilitas analitik terus mengalami pertumbuhan substansial, didorong oleh adopsi *cloud* dan meningkatnya permintaan analitik di seluruh industri (Gartner, 2023). Artinya, organisasi semakin serius meninvestasikan kapabilitas analitik — tetapi investasi di *tools* tanpa investasi di kualitas data dan *data literacy* SDM sering menghasilkan infrastruktur BI yang mahal tetapi tidak dimanfaatkan.
 
 ### 7.4.2 Arsitektur BI: Mengapa "Angka Tidak Cocok"
 
@@ -422,15 +422,15 @@ mindmap
 
 1. BI bukan satu *software* — ia ekosistem: *data source* → ETL → *warehouse* → analitik → visualisasi → keputusan. Manajer harus memahami alur ini untuk bisa mempercayai dan mengkritisi *output* BI. Pertanyaan kunci: "Kapan data terakhir di-*update*?" dan "Bagaimana metrik ini didefinisikan?"
 
-2. Empat tipe analitik (deskriptif, diagnostik, prediktif, preskriptif) membentuk spektrum kematangan. 79% organisasi masih di level deskriptif-diagnostik, padahal 80% nilai bisnis terkonsentrasi di prediktif-preskriptif. Setiap level membangun di atas fondasi level sebelumnya — tidak bisa dilompati.
+2. Empat tipe analitik (deskriptif, diagnostik, prediktif, preskriptif) membentuk spektrum kematangan. Mayoritas organisasi masih di level deskriptif-diagnostik, padahal nilai bisnis justru terkonsentrasi di level prediktif-preskriptif. Setiap level membangun di atas fondasi level sebelumnya — tidak bisa dilompati.
 
 3. *Dashboard* yang baik dimulai dari pertanyaan keputusan, bukan dari data yang tersedia. Setiap *dashboard* harus memiliki *decision owner*, *action threshold*, dan kemampuan menjawab pertanyaan dalam 5 detik pertama. *Dashboard* tanpa *decision question* adalah dekorasi.
 
-4. Visualisasi data yang buruk — sumbu terpotong, grafik 3D, *pie chart* berlebihan — menyesatkan keputusan. 59% eksekutif mengakui pernah salah keputusan akibat visualisasi yang *misleading*. Prinsip Tufte: maksimalkan *data-ink ratio*, hilangkan dekorasi.
+4. Visualisasi data yang buruk — sumbu terpotong, grafik 3D, *pie chart* berlebihan — menyesatkan keputusan. Studi konsisten menemukan bahwa eksposur terhadap visualisasi yang *misleading* meningkatkan risiko salah keputusan secara signifikan. Prinsip Tufte: maksimalkan *data-ink ratio*, hilangkan dekorasi.
 
 5. Korelasi bukan kausalitas — peringatan terpenting bagi manajer yang menggunakan BI. Korelasi memotivasi investigasi, bukan kesimpulan. Selalu tanyakan: "Ada variabel ketiga?" dan "Masuk akal secara teori bisnis?"
 
-6. AI masuk secara natural di level prediktif-preskriptif sebagai evolusi BI — bukan proyek terpisah. 67% implementasi AI pertama dimulai dari *predictive analytics* pada platform BI yang sudah ada.
+6. AI masuk secara natural di level prediktif-preskriptif sebagai evolusi BI — bukan proyek terpisah. Dalam banyak kasus, implementasi AI pertama sebuah organisasi dimulai dari *predictive analytics* di atas platform BI yang sudah ada — evolusi organik, bukan lompatan revolusioner.
 
 7. *Self-service BI* memberdayakan manajer tetapi berisiko menciptakan "anarki data" jika tidak ada *single source of truth* dan definisi metrik yang distandarkan. Demokratisasi data tanpa *governance* menghasilkan konflik, bukan kolaborasi.
 

chapters/bab-12.md

@@ -111,7 +111,7 @@ Harga beli atau biaya *subscription* awal hanyalah 30–40% dari total biaya SI
 | **Total TCO 5 tahun** | **5.500** | **4.700** | **2.700** |
 | Risiko tersembunyi | *Bug fix*, *developer turnover* | *Upgrade* kompatibilitas | *Lock-in*, *tier upgrade* |
 
-Tabel ini menunjukkan bahwa SaaS memang paling murah dalam TCO — tetapi angka itu belum memperhitungkan risiko tersembunyi. Jika organisasi perlu *tier upgrade* di tahun ke-2 (dari Rp 500 juta/tahun menjadi Rp 800 juta/tahun), TCO SaaS melonjak ke Rp 4.100 juta — mendekati *custom*. Analisis TCO harus melibatkan skenario pesimistik, bukan hanya proyeksi ideal.
+SaaS memang paling murah dalam TCO — tetapi angka itu belum memperhitungkan risiko tersembunyi. Jika organisasi perlu *tier upgrade* di tahun ke-2 (dari Rp 500 juta/tahun menjadi Rp 800 juta/tahun), TCO SaaS melonjak ke Rp 4.100 juta — mendekati *custom*. Analisis TCO harus melibatkan skenario pesimistik, bukan hanya proyeksi ideal.
 
 ### 12.4.3 Kriteria Evaluasi Solusi: Fungsional, Non-Fungsional, Strategis
 

chapters/bab-13.md

@@ -146,7 +146,7 @@ Strategi meningkatkan *adoption*:
 
 Manajer menengah adalah *kingmaker* atau *dealbreaker* implementasi SI. Mereka menerjemahkan visi *top management* ke tindakan operasional. Mereka yang membagi tugas, menentukan prioritas, dan memberi contoh perilaku. Jika manajer menengah menggunakan SI baru di rapat dan meminta *report* dari SI — timnya akan mengikuti. Jika manajer menengah masih minta laporan dari *spreadsheet* lama — timnya membaca sinyal: "SI baru tidak penting."
 
-Prosci (2024) mendokumentasikan dampak *change champion*: proyek dengan minimal 1 *champion* per 25 pengguna memiliki *adoption rate* 78%, dibandingkan 42% tanpa *champion*. Perbedaan 36 poin persentase ini menunjukkan bahwa investasi dalam *champion network* — identifikasi, pelatihan, dukungan, pengakuan — memberikan ROI yang sangat tinggi terhadap keberhasilan implementasi.
+Prosci (2024) mendokumentasikan dampak *change champion*: proyek dengan minimal 1 *champion* per 25 pengguna memiliki *adoption rate* 78%, dibandingkan 42% tanpa *champion*. Selisih 36 poin persentase itu berbicara sendiri: investasi dalam *champion network* — identifikasi, pelatihan, dukungan, pengakuan — memberikan ROI yang jauh melebihi biayanya dalam keberhasilan implementasi.
 
 Siapa yang menjadi *champion* yang efektif? Bukan selalu orang yang paling "jago IT." *Champion* terbaik adalah orang yang dipercaya oleh rekan kerja, memiliki pengaruh informal, dan bersedia meluangkan waktu untuk membantu orang lain. Mereka menjawab pertanyaan "kecil" yang tidak sampai ke *help desk*, menenangkan rekan yang frustrasi, dan menunjukkan bahwa "sistem baru memang bisa bekerja."
 

chapters/bab-16.md

@@ -205,19 +205,19 @@ Google-Temasek-Bain (2024) melaporkan 21 juta UMKM Indonesia sudah *online*. Tet
 
 ## 16.7 Salah Kaprah
 
-⚠️ **"Transformasi digital = punya *website* dan media sosial"**
+⚠️ ***"Transformasi digital = punya *website* dan media sosial"***
 
 *Website* dan media sosial adalah digitisasi — level paling dasar. DT sesungguhnya mengubah model bisnis, *value proposition*, dan *customer experience*. Warung yang memiliki Instagram tetapi masih menerima pesanan via telepon dan mencatat di buku tulis — baru digitisasi, bukan transformasi. Pertanyaan pengujinya: apakah teknologi digital ini mengubah CARA organisasi memberi *value* ke pelanggan? Jika hanya mengubah medium (dari *offline* ke *online*), itu digitalisasi paling jauh — bukan transformasi.
 
-⚠️ **"*E-commerce* hanya relevan untuk perusahaan besar atau *startup* teknologi"**
+⚠️ ***"*E-commerce* hanya relevan untuk perusahaan besar atau *startup* teknologi"***
 
 21 juta UMKM Indonesia sudah *online*. Warung di pelosok Jawa Tengah berjualan via Shopee. Petani di Malang menjual sayur organik melalui Tokopedia. *E-commerce* bukan domain eksklusif korporasi besar — ia menjadi *new normal* di semua skala bisnis. Yang berbeda adalah strategi dan platform: UMKM bisa mulai dari *marketplace* (Shopee, Tokopedia) tanpa investasi infrastruktur sendiri, sementara perusahaan besar mungkin membangun *e-commerce* mandiri untuk kontrol penuh atas data pelanggan.
 
-⚠️ **"Transformasi digital bisa dilakukan hanya oleh departemen IT"**
+⚠️ ***"Transformasi digital bisa dilakukan hanya oleh departemen IT"***
 
 DT adalah strategi bisnis, bukan proyek IT. IT menyediakan teknologi; bisnis menentukan transformasi apa yang dibutuhkan. DT yang dipimpin departemen IT tanpa visi bisnis menghasilkan "otomasi tanpa transformasi" — proses lama dikemas dalam sistem baru tanpa perubahan substansial. Koreksinya: DT harus dipimpin CEO atau Direktur dengan IT sebagai *enabler*. *Digital champion* di setiap unit bisnis memastikan transformasi bukan hanya inisiatif dari lantai IT.
 
-⚠️ **"Kalau sudah pakai *cloud*, berarti sudah bertransformasi digital"**
+⚠️ ***"Kalau sudah pakai *cloud*, berarti sudah bertransformasi digital"***
 
 *Cloud* adalah infrastruktur — bukan transformasi. Memindahkan *email* ke Gmail bukan DT. Memindahkan *file server* ke Google Drive bukan DT. Yang mendekati DT: mengubah cara kerja tim menjadi kolaborasi *real-time* lintas-lokasi KARENA kapabilitas *cloud* — kemudian mengubah model layanan dari tatap muka ke *fully remote* karena kolaborasi digital itu memungkinkan. *Cloud enables transformation, but cloud ≠ transformation.* Pertanyaan kuncinya: apa yang BERUBAH dalam model bisnis atau cara kerja organisasi karena *cloud* — bukan apa yang PINDAH ke *cloud*.
 

chapters/bab-17.md

@@ -223,19 +223,19 @@ Dari 2014 hingga 2018, Amazon mengembangkan AI untuk men-*screening* resume seca
 
 ## 17.7 Salah Kaprah
 
-⚠️ **"AI akan menggantikan semua pekerjaan manajer"**
+⚠️ ***"AI akan menggantikan semua pekerjaan manajer"***
 
 AI menggantikan *tugas*, bukan *pekerjaan*. AI unggul untuk tugas repetitif, *data-intensive*, dan berbasis pola. Tetapi pekerjaan manajer bukan hanya kumpulan tugas algoritmik — ia mencakup strategi, negosiasi, penilaian etis, pembangunan relasi, dan pemecahan masalah kreatif. Tidak satu pun dari domain ini bisa di-*reliable*-kan ke AI saat ini. Pertanyaan yang produktif bukan "Apakah AI akan menggantikan saya?" tetapi "Tugas mana dalam pekerjaan saya yang bisa diaugmentasi AI — sehingga saya punya waktu lebih banyak untuk tugas yang benar-benar membutuhkan *judgment* manusia?"
 
-⚠️ **"Butuh *big data* dulu sebelum bisa pakai AI"**
+⚠️ ***"Butuh *big data* dulu sebelum bisa pakai AI"***
 
 Banyak *use case* AI yang berjalan dengan data moderat — terutama dengan *transfer learning* dan *pre-trained models*. GPT-4 sudah dilatih dengan data masif; organisasi cukup menggunakannya melalui API atau *fine-tune* dengan data spesifik. *Chatbot* FAQ, *sentiment analysis*, dan *basic forecasting* bisa dimulai dengan data yang sudah ada di organisasi hari ini. Menunggu "sampai data cukup banyak" sering menjadi alasan penundaan tanpa akhir — sementara kompetitor sudah memulai dengan apa yang mereka miliki.
 
-⚠️ **"AI selalu objektif karena berbasis data"**
+⚠️ ***"AI selalu objektif karena berbasis data"***
 
 AI mereproduksi pola dari data — termasuk bias yang ada dalam data. Data historis mencerminkan keputusan manusia masa lalu, yang bisa (dan sering) bias. AI recruiting Amazon membuktikannya: data 10 tahun yang bias gender menghasilkan AI yang bias gender. AI tidak "mengoreksi" bias — ia mengkuantifikasi dan mempercepatnya. Koreksinya: audit data *training* untuk bias sebelum *deploy*, gunakan *fairness metrics*, dan tetapkan *human review* untuk keputusan yang berdampak pada manusia.
 
-⚠️ **"Cukup beli *tools* AI, hasilnya otomatis bagus"**
+⚠️ ***"Cukup beli *tools* AI, hasilnya otomatis bagus"***
 
 AI *tool* tanpa data berkualitas, *use case* yang jelas, *change management*, dan *governance* = investasi yang terbuang. Riset industri secara konsisten menunjukkan bahwa mayoritas proyek AI tidak mencapai skala produksi — bukan karena teknologinya gagal, tetapi karena organisasi tidak menyiapkan fondasi non-teknisnya (VentureBeat, 2023). Koreksinya: *framework* sebelum *tools* — (1) definisikan *use case*, (2) nilai kesiapan data, (3) *pilot* dengan KPI terukur, (4) *scale* jika berhasil. *Tools* adalah bagian yang mudah; proses dan manusia adalah bagian yang sulit.
 
@@ -414,7 +414,7 @@ mindmap
 
 5. *Generative AI* (ChatGPT, Claude) mengubah *knowledge work* — tetapi halusinasi berarti *output* harus selalu divalidasi oleh manusia yang kompeten di bidangnya.
 
-6. 87% proyek AI gagal bukan karena teknologi — tetapi karena data tidak siap, *use case* tidak jelas, atau *change management* tidak ada. *Tools* adalah bagian yang mudah; proses dan manusia adalah bagian yang sulit.
+6. Sebagian besar proyek AI gagal bukan karena teknologi — tetapi karena data tidak siap, *use case* tidak jelas, atau *change management* tidak ada. *Tools* adalah bagian yang mudah; proses dan manusia adalah bagian yang sulit.
 
 7. Strategi adopsi AI pragmatis: identifikasi kandidat → evaluasi *feasibility* × *impact* → *pilot* dengan KPI terukur → *scale* yang berhasil. Template A.17 menyediakan instrumen untuk langkah pertama.
 

chapters/bab-18.md

@@ -206,19 +206,19 @@ ChatGPT diluncurkan November 2022 dan mencapai 100 juta pengguna aktif bulanan d
 
 ## 18.7 Salah Kaprah
 
-⚠️ **"AI akan menggantikan manajer dalam 10 tahun, jadi tidak perlu belajar manajemen"**
+⚠️ ***"AI akan menggantikan manajer dalam 10 tahun, jadi tidak perlu belajar manajemen"***
 
 AI menggantikan *tugas*, bukan peran. Tugas repetitif (*data entry*, *reporting*, *scheduling*) akan diotomasi. Tetapi peran manajerial — strategi, negosiasi, penilaian etis, motivasi tim, manajemen *stakeholder* — membutuhkan kecerdasan yang AI belum bisa mereplikasi dengan *reliable*. Yang tergantikan bukan "manajer" — tetapi "manajer yang tidak bisa bekerja dengan AI." Investasi yang tepat: bangun kompetensi di area yang AI tidak bisa — *judgment*, empati, kreativitas, dan orkestrasi.
 
-⚠️ **"Transformasi digital itu tentang teknologi, bukan tentang manusia"**
+⚠️ ***"Transformasi digital itu tentang teknologi, bukan tentang manusia"***
 
 70% proyek transformasi digital gagal — dan faktor utama kegagalan bukan teknologi, tetapi resistensi terhadap perubahan dan budaya organisasi (McKinsey, 2024). Teknologi adalah bagian yang relatif mudah; mengubah cara orang bekerja dan berpikir adalah bagian yang sulit. Koreksinya: alokasikan porsi *effort* yang proporsional untuk *change management* — pelatihan, komunikasi, penyelarasan insentif — bukan hanya untuk pembelian dan implementasi teknologi.
 
-⚠️ **"Tren global seperti AI dan IoT tidak relevan untuk organisasi kecil di Indonesia"**
+⚠️ ***"Tren global seperti AI dan IoT tidak relevan untuk organisasi kecil di Indonesia"***
 
 *Cloud* dan SaaS mendemokratisasi akses. UMKM di Kebumen bisa menggunakan Jurnal.id (akuntansi *cloud*), Google Workspace (kolaborasi), dan ChatGPT (analisis dan *content*) — *tools* yang satu dekade lalu hanya terjangkau *enterprise*. Ekosistem GoTo/Gojek memasukkan jutaan UMKM ke dalam ekonomi digital tanpa memerlukan investasi infrastruktur IT sendiri. Pertanyaannya bukan "apakah tren ini relevan untuk saya" — tetapi "bagaimana saya memanfaatkan tren ini dengan *resource* yang saya miliki."
 
-⚠️ **"Lebih baik tunggu teknologi matang sebelum mengadopsi"**
+⚠️ ***"Lebih baik tunggu teknologi matang sebelum mengadopsi"***
 
 Di era perubahan eksponensial, menunggu berarti tertinggal lebih jauh — bukan lebih aman. *First mover* dan *fast follower* mendapatkan tiga keunggulan: *data advantage* (AI mereka dilatih lebih lama dengan data internal), *talent advantage* (*early adopter* menarik talenta digital terbaik), dan *ecosystem advantage* (posisi dalam platform terkunci lebih awal). Tidak perlu menjadi *first mover* di semua teknologi — tetapi harus menjadi *fast follower* yang serius: monitor tren, *pilot* cepat, *scale* yang berhasil.