# WORKSHEET A.17 — AI Use Case Canvas

> **Bab 17 — Kecerdasan Buatan dalam Pengambilan Keputusan Manajerial**
> Dokumen ini bersifat *standalone* — dapat dikerjakan tanpa membuka buku teks.

---

## Ringkasan Materi

### Pipeline Konsep Bab 17

```
Keputusan Manajerial → Evaluasi: Cocok AI atau Manusia?
  → Tipe: Otomasi Penuh / Augmentasi / Manusia Saja
  → Asesmen: Data × Dampak × Volume × Kompleksitas × Etika
  → Pilot (Quick Win) → Scale yang berhasil
  → Governance AI: GIGO, Bias, Halusinasi, Akuntabilitas
```

### Tabel Komparasi: Keputusan Cocok AI vs Manusia

| Skenario | Cocok AI? | Alasan |
|----------|----------|--------|
| Deteksi *fraud* (jutaan transaksi/hari) | ✅ Otomasi | Volume tinggi, pola terukur |
| *Screening* 10.000 CV | ✅ Augmentasi | AI *filter* 90%, manusia *final interview* |
| Prediksi *demand* produk | ✅ Otomasi/Augmentasi | Data historis berlimpah |
| Menentukan strategi M&A | ❌ Manusia | *Judgment*, negosiasi, politik organisasi |
| Personalisasi marketing | ✅ Otomasi | Data perilaku tersedia, *at scale* |
| Penilaian kinerja karyawan | ⚠️ Augmentasi hati-hati | Risiko bias tinggi |
| Negosiasi dengan serikat pekerja | ❌ Manusia | Emosi, *trust*, konteks relasional |

### Definisi Kunci

1. ***Artificial Intelligence* (AI)** — sistem komputasi yang mampu mengenali pola, membuat prediksi, dan mendukung atau mengotomasi pengambilan keputusan. Manajer perlu memahami apa yang AI bisa dan tidak bisa lakukan.
2. ***Human-in-the-Loop* (HITL)** — model di mana AI memberikan rekomendasi tetapi keputusan akhir tetap di tangan manusia. Paling aman untuk keputusan berdampak pada manusia.
3. **Bias Algoritmik** — kecenderungan sistematis dalam *output* AI yang menghasilkan hasil tidak adil, biasanya karena data *training* yang bias.
4. ***Generative AI* (GenAI)** — subset AI yang menghasilkan konten baru (teks, gambar, kode). Bisa "berhalusinasi" — menghasilkan informasi yang meyakinkan tetapi salah.

### Prinsip Utama

1. Kualitas data = kualitas AI (GIGO). 87% proyek AI gagal di fase *data preparation*.
2. Spektrum keputusan: otomasi penuh (volume tinggi) → augmentasi (semi-terstruktur) → manusia saja (tidak terstruktur).
3. Limitasi AI: GIGO, bias algoritmik, halusinasi GenAI, *interpretability* rendah.
4. Adopsi pragmatis: mulai dari *quick wins*, *pilot* dengan KPI terukur, *scale* yang berhasil.

---

## Template A.17 — AI Use Case Canvas

```
TEMPLATE A.17 — AI USE CASE CANVAS

Tanggal          : ________________________________________
Organisasi       : ________________________________________
Evaluator        : ________________________________________

═══════════════════════════════════════════════════════════════

KANDIDAT USE CASE (evaluasi 3 use case)

USE CASE 1: ________________________________________________
  Deskripsi singkat: ________________________________________

  | Kriteria                         | Skor (1–5) | Evidensi            |
  |----------------------------------|-----------|---------------------|
  | Data tersedia & berkualitas       | ___       | ___________________ |
  | Dampak bisnis (revenue/cost/risk) | ___       | ___________________ |
  | Volume keputusan                  | ___       | ___________________ |
  | Kompleksitas pola                 | ___       | ___________________ |
  | Ethical risk (1=tinggi, 5=rendah) | ___       | ___________________ |
  | TOTAL                             | ___/25    |                     |

  Tipe : [ ] Otomasi penuh  [ ] Augmentasi  [ ] Tidak layak AI
  Quick win? [ ] Ya  [ ] Tidak

USE CASE 2: ________________________________________________
  Deskripsi singkat: ________________________________________

  | Kriteria                         | Skor (1–5) | Evidensi            |
  |----------------------------------|-----------|---------------------|
  | Data tersedia & berkualitas       | ___       | ___________________ |
  | Dampak bisnis (revenue/cost/risk) | ___       | ___________________ |
  | Volume keputusan                  | ___       | ___________________ |
  | Kompleksitas pola                 | ___       | ___________________ |
  | Ethical risk (1=tinggi, 5=rendah) | ___       | ___________________ |
  | TOTAL                             | ___/25    |                     |

  Tipe : [ ] Otomasi penuh  [ ] Augmentasi  [ ] Tidak layak AI
  Quick win? [ ] Ya  [ ] Tidak

USE CASE 3: ________________________________________________
  Deskripsi singkat: ________________________________________

  | Kriteria                         | Skor (1–5) | Evidensi            |
  |----------------------------------|-----------|---------------------|
  | Data tersedia & berkualitas       | ___       | ___________________ |
  | Dampak bisnis (revenue/cost/risk) | ___       | ___________________ |
  | Volume keputusan                  | ___       | ___________________ |
  | Kompleksitas pola                 | ___       | ___________________ |
  | Ethical risk (1=tinggi, 5=rendah) | ___       | ___________________ |
  | TOTAL                             | ___/25    |                     |

  Tipe : [ ] Otomasi penuh  [ ] Augmentasi  [ ] Tidak layak AI
  Quick win? [ ] Ya  [ ] Tidak

═══════════════════════════════════════════════════════════════

PRIORITAS REKOMENDASI:
  1. __________________________________ (skor: ___/25)
  2. __________________________________ (skor: ___/25)
  3. __________________________________ (skor: ___/25)

NEXT STEP:
  [ ] Pilot use case #1 — target: ____________________________
  [ ] Kumpulkan data dulu — gap: _____________________________
  [ ] Defer — alasan: ________________________________________
```

---

## Latihan

### Latihan 1 — Evaluasi Kesesuaian AI

Identifikasi 5 keputusan di organisasi Anda dan evaluasi apakah cocok untuk AI.

| Keputusan | Volume/Hari | Data Tersedia? | Pola Terukur? | Tipe AI | Alasan |
|-----------|-----------|---------------|--------------|---------|--------|
| *Klasifikasi email keluhan pelanggan ke departemen yang tepat* | *200+ email/hari* | *Ya — arsip email 2 tahun* | *Ya — pola kata kunci dan kategori* | *Otomasi penuh (NLP classification)* | *Volume tinggi, pola jelas, risiko rendah jika salah (bisa di-redirect)* |
| ________________________ | ________ | ________ | ________ | ____________ | ________________________ |
| ________________________ | ________ | ________ | ________ | ____________ | ________________________ |
| ________________________ | ________ | ________ | ________ | ____________ | ________________________ |
| ________________________ | ________ | ________ | ________ | ____________ | ________________________ |

### Latihan 2 — Identifikasi Risiko AI

Untuk satu *use case* AI, identifikasi risiko spesifik.

| Risiko AI | Probabilitas | Dampak | Mitigasi |
|-----------|-------------|--------|---------|
| *Bias — model terlatih dari data historis yang bias gender (70% karyawan laki-laki)* | *Tinggi — data historis memang tidak seimbang* | *Tinggi — diskriminasi dalam hiring* | *Audit fairness metrics, tambahkan constraint equality, HITL untuk keputusan final* |
| GIGO (data buruk) | ____________ | ____________ | ________________________ |
| Halusinasi (jika GenAI) | ____________ | ____________ | ________________________ |
| *Interpretability* rendah | ____________ | ____________ | ________________________ |

### Latihan 3 — Quick Win AI

Identifikasi 1 *quick win* AI yang bisa di-pilot dalam 30 hari.

| Aspek | Detail |
|-------|--------|
| *Use case* | *________________________________________* |
| *Data yang digunakan* | *________________________________________* |
| *Tool/platform* | *________________________________________* |
| *KPI sukses* | *________________________________________* |
| *Timeline pilot* | *________________________________________* |
| *Siapa yang terlibat* | *________________________________________* |
| *Budget estimasi* | *________________________________________* |

---

## Refleksi

1. Jika 87% proyek AI gagal di fase *data preparation* — apa implikasinya bagi organisasi yang ingin "mulai pakai AI" tanpa menata datanya terlebih dahulu?

2. Untuk keputusan yang memengaruhi karier seseorang (promosi, PHK), apakah AI boleh menjadi *decision maker* — atau harus selalu *Human-in-the-Loop*?

---

## Self-Check

```
[ ] Saya bisa mengevaluasi apakah suatu keputusan cocok untuk AI (otomasi, augmentasi, atau manusia saja)
[ ] Saya bisa mengidentifikasi risiko AI (GIGO, bias, halusinasi) dan merencanakan mitigasinya
[ ] Template A.17 sudah terisi lengkap dengan minimal 3 use case yang dievaluasi dan diprioritaskan
```