sim-manajement-book/chapters/outlines/outline-bab-17.md

OUTLINE DETAIL — BAB 17

Kecerdasan Buatan dalam Pengambilan Keputusan Manajerial

Bagian: VII — Transformasi Digital, AI & Masa Depan
Level: Lanjutan–Mahir
Estimasi Halaman: 15–18
Reader Outcome: Pembaca mampu mengevaluasi potensi dan limitasi AI untuk pengambilan keputusan manajerial, merancang use case AI yang relevan bagi organisasi, dan menganalisis implikasi etis penggunaan AI dalam bisnis.

---

SEK 17.1 — PEMBUKA

Hook: Bank Mandiri memproses 50.000+ pengajuan kredit per bulan. Sebelum AI, analis kredit membutuhkan 5 hari per pengajuan — mengevaluasi laporan keuangan, riwayat kredit, jaminan. Setelah AI credit scoring: 90% pengajuan terklasifikasi dalam 30 detik, analis manusia fokus pada 10% kasus kompleks. Apakah AI menggantikan analis? Tidak — AI memperluas kapabilitas mereka. Analis yang dulu memproses 4 pengajuan/hari kini menangani 40 — dengan akurasi yang lebih tinggi.

Opening Bridge (dari Bab 16):

Bab 16 membahas transformasi digital sebagai perubahan fundamental model bisnis. Di jantung gelombang transformasi digital ini terdapat kekuatan paling disruptif: Artificial Intelligence. AI bukan sekadar tren teknologi — ia kapabilitas manajerial baru yang mengubah cara keputusan dibuat. Bab ini — bab khusus AI — mendalami bagaimana manajer memanfaatkan AI sebagai partner keputusan, bukan pengganti manusia.

Central Question:

Bagaimana manajer mengevaluasi di mana AI cocok dan di mana manusia tetap tak tergantikan dalam pengambilan keputusan — dan apa implikasi etis yang harus dipertimbangkan sebelum mengadopsi AI?

---

SEK 17.2 — MODEL UTAMA (Gambar 17.1)

Nama Model: Kerangka Evaluasi AI Manajerial

graph TD
    KEB[Identifikasi Keputusan Bisnis] --> KLAS{Klasifikasi Keputusan}
    KLAS --> TER[Terstruktur]
    KLAS --> SEMI[Semi-Terstruktur]
    KLAS --> TIDAK[Tidak Terstruktur]
    TER --> EVAL[Penilaian Kelayakan AI]
    SEMI --> EVAL
    TIDAK --> EVAL
    EVAL --> DIM1[Data tersedia & berkualitas?]
    EVAL --> DIM2[Kompleksitas pola cukup?]
    EVAL --> DIM3[Dampak bisnis signifikan?]
    DIM1 --> OPT{Opsi}
    DIM2 --> OPT
    DIM3 --> OPT
    OPT --> OTO[Otomasi Penuh oleh AI]
    OPT --> AUG[Augmentasi: AI + Manusia]
    OPT --> NAI[Tidak Layak AI]
    OTO --> EVA2[Evaluasi: Akurasi × Bias × Etika × ROI]
    AUG --> EVA2
    EVA2 --> DEC{Adopt / Pilot / Defer}

Penjelasan Node:

• Identifikasi Keputusan Bisnis — mulai dari keputusan, bukan dari teknologi. Pertanyaan pertama: "Keputusan bisnis apa yang ingin diperbaiki?" bukan "AI apa yang bisa kita pakai?"
• Klasifikasi Keputusan — keputusan terstruktur (aturan jelas, data lengkap) paling cocok untuk AI. Semi-terstruktur bisa diaugmentasi. Tidak terstruktur (strategi, negosiasi, kreativitas) tetap domain manusia.
• Penilaian Kelayakan — tiga syarat: data tersedia dan berkualitas, kompleksitas pola membenarkan AI (vs rule-based), dan dampak bisnis cukup signifikan untuk justify investasi.
• Otomasi vs Augmentasi — otomasi penuh: AI memutuskan sendiri (fraud detection, spam filter). Augmentasi: AI merekomendasikan, manusia memutuskan (human-in-the-loop).
• Evaluasi — akurasi (seberapa benar?), bias (apakah diskriminatif?), etika (apakah acceptable?), ROI (apakah worth it?).

---

SEK 17.3 — DEFINISI KUNCI

📌 Artificial Intelligence (AI) — untuk Manajer Sistem komputasi yang mampu melakukan tugas-tugas yang biasanya membutuhkan kecerdasan manusia: mengenali pola, membuat prediksi, memahami bahasa, dan — dalam konteks manajerial — mendukung atau mengotomasi pengambilan keputusan. Relevansi manajerial: Manajer tidak perlu menjadi data scientist. Yang perlu dipahami: apa yang AI bisa dan tidak bisa lakukan, kapan AI appropriate, dan bagaimana menggunakan output AI untuk keputusan yang lebih baik.

📌 Human-in-the-Loop (HITL) Model di mana AI memberikan rekomendasi atau analisis, tetapi keputusan akhir tetap di tangan manusia. AI sebagai advisor, manusia sebagai decision maker. Relevansi manajerial: HITL adalah model paling aman dan paling tepat untuk sebagian besar keputusan manajerial — terutama yang berdampak pada manusia (hiring, kredit, diagnosis medis).

📌 Bias Algoritmik Kecenderungan sistematis dalam output AI yang menghasilkan hasil tidak adil — biasanya karena data training yang bias, bukan karena algoritma "sengaja" diskriminatif. Relevansi manajerial: AI yang dilatih dengan data historis mewarisi bias historis. Contoh: AI hiring yang dilatih dengan data perusahaan yang 80% hire laki-laki akan cenderung merekomendasikan kandidat laki-laki.

📌 Generative AI (GenAI) Subset AI yang mampu menghasilkan konten baru — teks, gambar, kode, audio — berdasarkan pola dari data training. Contoh: ChatGPT, Claude, DALL-E. Relevansi manajerial: GenAI mengubah knowledge work: drafting, analisis, riset, coding menjadi lebih cepat. Tetapi GenAI bisa "halusinasi" (menghasilkan informasi salah dengan percaya diri) — manajer harus memvalidasi output.

---

SEK 17.4 — KONSEP INTI (7 sub-seksi)

17.4.1 AI untuk Manajer: Apa yang Perlu Dipahami Tanpa Menjadi Data Scientist

• Argumen: Manajer tidak perlu memahami backpropagation atau neural network architecture. Yang perlu dipahami: (1) AI belajar dari data → data quality = AI quality, (2) AI mengenali pola → cocok untuk decision yang pola-based, (3) AI probabilistic, bukan deterministic → output selalu mengandung uncertainty.
• Data pendukung: Davenport (2023) menyebut "AI literacy" sebagai kompetensi manajerial baru yang paling kritis di dekade ini.
• Analogi: AI seperti karyawan yang sangat cepat dan tidak lelah, tetapi hanya bisa melakukan apa yang dicontohkan (trained) — tidak memahami "mengapa" di balik pekerjaannya.

17.4.2 Machine Learning, Deep Learning, dan Generative AI: Perbedaan Konseptual

• Machine Learning (ML): AI yang belajar dari data untuk membuat prediksi. Contoh: credit scoring, churn prediction.
• Deep Learning (DL): Subset ML dengan neural network berlapis — cocok untuk data unstructured (gambar, suara, teks). Contoh: computer vision, NLP.
• Generative AI (GenAI): Subset DL yang menghasilkan konten baru. Contoh: ChatGPT menghasilkan teks, DALL-E menghasilkan gambar.
• Tabel perbandingan:

Dimensi	ML Tradisional	Deep Learning	Generative AI
Data yang dibutuhkan	Terstruktur (tabel)	Tidak terstruktur (gambar, teks)	Massive (miliaran data points)
Interpretability	Tinggi	Rendah (black box)	Rendah
Contoh bisnis	Fraud detection, forecasting	Face recognition, sentiment analysis	Content generation, code assist
Investment	Menengah	Tinggi	Sangat tinggi (atau SaaS)
Manajer perlu tahu	Bagaimana membaca output	Kapan percaya dan kapan validasi	Bagaimana prompt yang efektif

17.4.3 AI dalam Spektrum Keputusan: Otomasi Penuh vs Augmentasi

• Argumen: Tidak semua keputusan cocok untuk AI. Keputusan rutin, volume tinggi, data tersedia → otomasi. Keputusan kompleks, multi-stakeholder, ethical → augmentasi (human-in-the-loop).
• Framework:

Karakteristik Keputusan	Otomasi (AI decides)	Augmentasi (AI advises)	Manusia saja
Volume	Tinggi (>1000/hari)	Menengah	Rendah
Struktur	Terstruktur	Semi-terstruktur	Tidak terstruktur
Dampak per keputusan	Rendah-menengah	Menengah-tinggi	Tinggi
Kebutuhan judgment	Minimal	Signifikan	Dominan
Contoh	Spam filter, fraud alert	Credit scoring, recruitment screen	M&A, strategy, negotiation

17.4.4 Use Case AI per Fungsi Bisnis

• Pemasaran: Personalisasi konten, dynamic pricing, customer segmentation, churn prediction.
• Keuangan: Fraud detection, credit risk assessment, automated financial reporting, anomaly detection.
• SDM: Resume screening, sentiment analysis (employee engagement), attrition prediction, skill gap analysis.
• Operasi: Predictive maintenance, demand forecasting, quality control (computer vision), supply chain optimization.
• Data Indonesia: Bank Mandiri AI credit scoring meningkatkan approval speed 10× dan menurunkan NPL 15% (Bank Mandiri Annual Report, 2023).

17.4.5 Limitasi AI: Garbage In–Garbage Out, Bias, Hallucination

• GIGO: AI hanya sebaik datanya. Data tidak lengkap, outdated, atau bias → output AI unreliable. 87% proyek AI gagal di fase data preparation (VentureBeat, 2023).
• Bias Algoritmik: Amazon (2018) menemukan AI recruiting-nya bias terhadap wanita — karena data training 10 tahun didominasi hire laki-laki. AI mereproduksi dan memperkuat bias historis.
• Hallucination (GenAI): ChatGPT/Claude bisa menghasilkan informasi yang terdengar sangat meyakinkan tetapi sepenuhnya salah — karena GenAI designed untuk "sound right," bukan "be right."
• Interpretability: Deep learning sering "black box" — tidak bisa menjelaskan mengapa rekomendasi tertentu diberikan. Untuk keputusan yang membutuhkan accountability (kredit, medis, hukum), ini problematic.

17.4.6 Etika dan Tata Kelola AI: Transparansi, Akuntabilitas, Regulasi

• Argumen: AI yang powerful tanpa governance berbahaya. Tiga prinsip governance AI: (1) Transparansi — pengguna harus tahu kapan AI digunakan dan bagaimana, (2) Akuntabilitas — jika AI salah, siapa bertanggung jawab?, (3) Fairness — output AI tidak boleh diskriminatif.
• Regulasi: EU AI Act (2024) — framework paling komprehensif, mengategorikan AI berdasarkan risiko. Indonesia belum memiliki regulasi AI spesifik, tetapi UU PDP berlaku untuk data yang digunakan AI.
• Contoh etika: Facial recognition AI yang digunakan untuk surveillance tanpa consent → melanggar privacy. AI hiring yang menolak kandidat berdasarkan ZIP code (proxy untuk ras) → diskriminatif.

17.4.7 Strategi Adopsi AI: Quick Wins vs Transformasi Mendalam

• Quick Wins: Mulai dari use case yang: data sudah tersedia, value jelas, risiko rendah. Contoh: chatbot FAQ, automated report, email categorization.
• Transformasi Mendalam: AI yang mengubah value proposition — membutuhkan investasi besar, culture change, dan leadership commitment. Contoh: AI-driven product recommendation (Netflix), algorithmic pricing (Gojek surge pricing).
• Framework adopsi: (1) Identify 10 use cases, (2) Evaluate feasibility × impact, (3) Pilot top 3, (4) Scale winner(s).

---

SEK 17.5 — KOMPARASI (Tabel 17.1)

Judul: "Keputusan yang Cocok untuk AI vs yang Tetap Membutuhkan Manusia: 8 Skenario Bisnis"

No	Skenario Keputusan	Cocok AI?	Pola	Alasan
1	Deteksi transaksi fraud	✅ Otomasi	Volume tinggi, pola jelas	Manusia tidak bisa cek jutaan transaksi/hari
2	Screening 10.000 CV	✅ Augmentasi	Volume tinggi, semi-terstruktur	AI filter 90%, manusia final interview
3	Prediksi demand	✅ Otomasi/Augmentasi	Data historis kaya	ML excels at time-series pattern
4	Menentukan strategi M&A	❌ Manusia	Tidak terstruktur, multi-stakeholder	Judgment, negosiasi, politik organisasi
5	Personalisasi marketing	✅ Otomasi	Data behavior tersedia	AI segment dan personalize at scale
6	Penilaian kinerja karyawan	⚠️ Augmentasi hati-hati	Semi-terstruktur, bias risk	Data + AI insight, keputusan oleh manajer
7	Diagnosis medis awal	✅ Augmentasi	Pola belajar dari ribuan kasus	AI suggest, dokter confirms/overrides
8	Negosiasi dengan serikat pekerja	❌ Manusia	Emosi, trust, context	AI tidak memahami nuansa hubungan manusia

💡 Insight: AI powerful untuk keputusan volume tinggi, data-rich, pola-based. Manusia irreplaceable untuk keputusan yang membutuhkan judgment, empati, negosiasi, dan kreativitas. Sweet spot di era AI: augmentasi — AI + manusia lebih baik daripada AI saja atau manusia saja.

---

SEK 17.6 — REALITAS LAPANGAN (3 fenomena)

Fenomena 1: Bank Mandiri — AI Credit Scoring yang Mengubah Proses Kredit

Bank Mandiri mengimplementasikan AI credit scoring untuk kredit konsumer dan UMKM. Sebelum AI: analis 5 hari per pengajuan, 50.000 pengajuan per bulan, bottleneck parah. Setelah AI: 90% pengajuan terklasifikasi dalam 30 detik (approve/reject/flag for review). Analis manusia hanya menangani 10% kasus flagged. NPL (Non-Performing Loan) turun 15%, approval speed naik 10×, operating cost turun 30%. Tetapi: relationship manager tetap dipertahankan untuk nasabah korporasi — AI tidak bisa menggantikan trust-based relationship.

💡 Insight: Bank Mandiri membuktikan model augmentasi: AI menangani volume, manusia menangani relationship dan judgment. Kunci sukses bukan AI yang canggih — tetapi proses redesign yang menempatkan AI di tempat yang tepat dan manusia di peran yang tepat.

Fenomena 2: Netflix — $40 Billion Content Decision Driven by AI

Netflix menghabiskan $17 miliar per tahun untuk konten original. Keputusan "konten apa yang diproduksi" bukan berdasarkan intuisi Hollywood — tetapi berdasarkan data viewing pattern 230+ juta subscribers. AI mengidentifikasi: genre apa yang trending, aktor apa yang menarik segmen tertentu, formula durasi optimal, kapan sebaiknya release. Hasilnya: Netflix original memiliki hit rate 30% lebih tinggi dari industry average.

💡 Insight: Netflix menggunakan AI bukan untuk menggantikan judgment kreatif — tetapi untuk menginformasikan judgment tersebut dengan data. Showrunner tetap membuat keputusan kreatif; AI memastikan keputusan tersebut informed by data, bukan hanya oleh "gut feeling." Ini augmentasi di level tertinggi.

Fenomena 3: Amazon Rekrut AI yang Bias — Pelajaran Mahal tentang Ethical AI

2014-2018: Amazon mengembangkan AI untuk screening resume secara otomatis. AI dilatih dengan data hire 10 tahun. Masalah: karena industri tech historis didominasi laki-laki, AI belajar bahwa "resume perempuan = less likely to be hired" dan mulai menghukum kata-kata seperti "women's" (e.g., "women's chess club") dalam resume. Amazon menghentikan proyek 2018.

💡 Insight: AI tidak bias karena "jahat" — ia bias karena data training yang bias. Ini pelajaran paling penting bagi manajer: sebelum mengadopsi AI, audit data training. Jika data historis mengandung bias (gender, ras, usia), AI akan memperkuat bias tersebut — bukan menghilangkannya.

---

SEK 17.7 — SALAH KAPRAH (⚠️)

⚠️ Jebakan 1: "AI akan menggantikan semua pekerjaan manajer"

Mengapa salah: AI menggantikan tugas, bukan pekerjaan. AI excellent untuk tugas repetitif, data-intensive, pola-based. Manajer tetap dibutuhkan untuk: strategy, negotiation, ethical judgment, relationship, creative problem-solving — domain yang AI tidak bisa reliable. Koreksi: Tanyakan: "Tugas mana dalam pekerjaan saya yang bisa diaugmentasi AI?" bukan "Apakah AI akan menggantikan saya?"

⚠️ Jebakan 2: "Kita butuh big data dulu sebelum bisa pakai AI"

Mengapa salah: Banyak use case AI yang bisa berjalan dengan data moderat — terutama dengan transfer learning dan pre-trained models (GPT-4 sudah dilatih; Anda cukup fine-tune). Chatbot, sentiment analysis, basic forecasting bisa dimulai dengan data yang sudah ada. Koreksi: Mulai dari data yang sudah tersedia. Identifikasi quick wins yang bisa diimplementasikan SEKARANG dengan data existing.

⚠️ Jebakan 3: "AI selalu objektif karena berbasis data"

Mengapa salah: AI mereproduksi pola dari data — termasuk bias yang ada dalam data. Data historis mencerminkan keputusan manusia masa lalu (yang bisa bias). AI tidak "mengoreksi" bias — ia memperkuatnya. Koreksi: Audit data training untuk bias sebelum deploy. Gunakan fairness metrics (demographic parity, equalized odds). Tetapkan human review untuk keputusan yang berdampak pada manusia.

⚠️ Jebakan 4: "Cukup beli tools AI, hasilnya otomatis bagus"

Mengapa salah: AI tool tanpa: data berkualitas, use case yang jelas, change management, dan governance = investasi yang terbuang. 87% proyek AI tidak mencapai production (VentureBeat, 2023). Koreksi: Framework sebelum tools: (1) Define use case, (2) Assess data readiness, (3) Pilot with measured KPI, (4) Scale if successful. Tools is the easy part; process and people are the hard parts.

---

SEK 17.8 — STUDI KASUS (📊)

📊 Studi Kasus Dasar — Bank Mandiri: AI Credit Scoring dan Human-in-the-Loop

❌ Kondisi Awal: 50.000+ pengajuan kredit/bulan. Analis kredit (200 orang) memproses 4 pengajuan/hari. Backlog 2-3 minggu. Nasabah UMKM kehilangan peluang bisnis karena menunggu.

✅ Setelah AI Credit Scoring:

Dimensi	Sebelum AI	Setelah AI
Processing time	5 hari/pengajuan	30 detik (90%) + 2 hari (10% flagged)
Throughput	800/hari (200 analis × 4)	45.000/hari otomatis + 200 flagged cases
NPL rate	4.2%	3.6% (turun 15%)
Operating cost	Rp 80 miliar/tahun	Rp 56 miliar/tahun (turun 30%)
Analis kredit	Proses semuanya	Focus on complex & flagged cases
Nasabah UMKM	Menunggu 2-3 minggu	Jawaban 1 hari (90%), 3 hari (10%)

💡 Pelajaran: Bank Mandiri tidak menghilangkan analis kredit — ia menghilangkan bottleneck. AI menghandle volume; manusia menghandle complexity dan relationship. ROI jelas: Rp 24 miliar savings/tahun + revenue naik dari faster approval + NLP turun. Model: augmentasi, bukan penggantian.

📊 Studi Kasus Lanjutan — Netflix Recommendation Engine: Data-Driven Content Decision

❌ Kondisi Awal: Industri entertainment tradisional: keputusan konten berbasis "gut feeling" eksekutif, track record bintang/sutradara, dan market research tradisional. Hit rate konten original: ~10-15%.

✅ Netflix AI Approach:

Dimensi	Hollywood Tradisional	Netflix AI-Driven
Basis keputusan konten	Executive gut feeling	230M subscriber viewing patterns
Data points per keputusan	Puluh (box office history, star power)	Miliaran (viewing, pausing, rewinding, browsing)
Hit rate original content	10-15%	~30-40%
Personalization	None (mass marketing)	100M+ different homepage versions
Content spend (2023)	N/A	$17 billion — informed by data
Key AI applications	None	Recommendation, content valuation, thumbnail optimization

💡 Pelajaran: Netflix tidak menggantikan kreativitas manusia dengan AI. Showrunner, sutradara, dan penulis tetap membuat konten. AI menginformasikan: "data menunjukkan subscriber Southeast Asia sangat menyukai drama thriller 8 episode." Keputusan kreatif tetap manusia; keputusan investasi diaugmentasi oleh data AI. Hasil: $17 miliar content spend dengan hit rate 2-3× industri.

---

SEK 17.9 — TEMPLATE PRAKTIS (🔧)

Nama: AI Use Case Canvas

TEMPLATE A.17 — AI USE CASE CANVAS

Tanggal          : ________________________________________
Organisasi       : ________________________________________
Evaluator        : ________________________________________

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

KANDIDAT USE CASE (evaluasi 3 use case)

USE CASE 1: _____________________________________________
| Kriteria | Skor (1-5) | Evidence |
|----------|-----------|---------|
| 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: _____________________________________________
| Kriteria | Skor (1-5) | Evidence |
|----------|-----------|---------|
| Data tersedia & berkualitas | ___ | _________ |
| Dampak bisnis | ___ | _________ |
| Volume keputusan | ___ | _________ |
| Kompleksitas pola | ___ | _________ |
| Ethical risk | ___ | _________ |
| TOTAL | ___/25 | |

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

USE CASE 3: _____________________________________________
| Kriteria | Skor (1-5) | Evidence |
|----------|-----------|---------|
| Data tersedia & berkualitas | ___ | _________ |
| Dampak bisnis | ___ | _________ |
| Volume keputusan | ___ | _________ |
| Kompleksitas pola | ___ | _________ |
| Ethical risk | ___ | _________ |
| 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  [ ] Kumpulkan data dulu  [ ] Defer — belum siap

---

SEK 17.10 — PETA KONSEP (Gambar 17.2)

mindmap
  root((AI dalam Keputusan Manajerial))
    Jenis AI
      Machine Learning
      Deep Learning
      Generative AI
    Spektrum Keputusan
      Otomasi penuh
      Augmentasi HITL
      Manusia saja
    Use Case per Fungsi
      Marketing: personalisasi
      Finance: fraud detection
      HR: screening
      Operations: predictive maintenance
    Limitasi
      GIGO
      Bias algoritmik
      Hallucination
      Black box
    Etika & Governance
      Transparansi
      Akuntabilitas
      Fairness
      EU AI Act
    Strategi Adopsi
      Quick wins
      Pilot
      Scale

---

SEK 17.11 — RANGKUMAN

Takeaway utama:

1. AI memperluas kapabilitas manajer, bukan menggantikannya. AI excellent untuk tugas data-intensive, volume tinggi, pola-based; manusia irreplaceable untuk judgment, empathy, negotiation, creativity.
2. Mulai dari keputusan bisnis, bukan dari teknologi AI. Pertanyaan pertama: "keputusan apa yang ingin diperbaiki?" bukan "AI tools apa yang ada?"
3. Human-in-the-loop (augmentasi) adalah model paling aman dan efektif untuk sebagian besar keputusan manajerial — terutama yang berdampak pada manusia.
4. AI mereproduksi bias dari data training. Manajer harus audit data sebelum deploy AI dan tetapkan fairness review untuk keputusan yang berdampak.
5. Generative AI (ChatGPT, Claude) mengubah knowledge work — tetapi halusinasi berarti output harus selalu divalidasi.
6. 87% proyek AI gagal bukan karena teknologi, tetapi karena: data tidak siap, use case tidak jelas, atau change management tidak ada.
7. Strategi adopsi AI pragmatis: identify 10 use cases → evaluate feasibility × impact → pilot top 3 → scale winners.

Closing Bridge (ke Bab 18):

AI mengubah pengambilan keputusan hari ini. Tetapi apa yang terjadi besok? Bab terakhir melihat ke depan: tren SI dan AI yang akan membentuk organisasi dan peran manajer di masa depan — dari IoT dan cloud-native organization hingga peran baru manajer sebagai orchestrator, bukan operator.

🔥 Final Statement:

"Kecerdasan buatan bukan tentang menggantikan kecerdasan manajer, tetapi tentang memperluas batas kemampuan manusia untuk melihat pola yang tak terlihat dan membuat keputusan yang lebih baik — selama manusia tetap bertanya 'mengapa'."

---

SEK 17.12 — LATIHAN & REFLEKSI

Pertanyaan Refleksi:

1. Identifikasi 3 keputusan di pekerjaan Anda. Untuk masing-masing, tentukan: cocok otomasi AI, augmentasi, atau tetap manusia saja? Berikan alasan.
2. Apa bahaya terbesar jika manajer "blindly trust" output AI tanpa validasi? Berikan contoh skenario nyata.
3. Jika Anda ditugaskan memimpin inisiatif AI di organisasi, 3 langkah pertama apa yang Anda ambil?
4. Diskusikan: apakah Indonesia memerlukan regulasi AI spesifik seperti EU AI Act, atau UU PDP sudah cukup?

Tugas Artefak:

Gunakan Template A.17 (AI Use Case Canvas) untuk mengevaluasi 3 kandidat use case AI di organisasi yang Anda kenal. Berikan skor kelayakan, tentukan tipe (otomasi/augmentasi), dan rekomendasikan prioritas adopsi.

---

REFERENSI BAB 17

1. Davenport, T. H. (2023). The AI Advantage (Updated ed.). MIT Press.
2. Mikalef, P., & Gupta, M. (2021). Artificial intelligence capability. Information & Management, 58(3), 103434.
3. Fountaine, T., McCarthy, B., & Saleh, T. (2022). Building the AI-powered organization. Harvard Business Review, 100(4), 62–73.
4. Iansiti, M., & Lakhani, K. R. (2023). AI-first companies: From vision to delivery. Harvard Business Review, 101(3), 44–55.
5. Huang, M.-H., & Rust, R. T. (2021). A strategic framework for artificial intelligence in marketing. Journal of the Academy of Marketing Science, 49(1), 30–50.
6. European Commission. (2024). EU Artificial Intelligence Act. Official Journal of the EU.
7. Alim, H. B. (2025). AI-integrated public digital infrastructure for geopark tourism. JIMAT.
8. Bank Mandiri. (2023). Laporan Tahunan 2023. PT Bank Mandiri (Persero) Tbk.
9. VentureBeat. (2023). Why 87% of AI projects fail. VentureBeat.
10. Laudon, K. C., & Laudon, J. P. (2022). Management Information Systems (17th ed.). Pearson.

---

QUALITY GATES CHECK

[✓] Gate 1 — THINK   : Mengubah pandangan dari "AI menggantikan manajer" ke "AI memperluas kapabilitas manajer"
[✓] Gate 2 — APPLY   : Template A.17 langsung applicable untuk mengevaluasi dan memprioritaskan use case AI
[✓] Gate 3 — REFLECT : Pembaca merefleksikan keputusan mana yang bisa diaugmentasi AI dan implikasi etisnya