sim-manajement-book/worksheets/worksheet-A17.md

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