sim-manajement-book/chapters/outlines/_archive_v1/outline-bab-14.md

# OUTLINE DETAIL — BAB 14
## Kecerdasan Buatan dan Otomatisasi Cerdas dalam Manajemen

> **Bagian:** IV — Implementasi dan Masa Depan SI  
> **Level:** Lanjut  
> **Estimasi Halaman:** 20–24  
> **Target Kata:** 5.000–5.500

---

## SEK 14.1 — PEMBUKA

**Opening Bridge dari Bab 13:**
*Digital Channel Strategy Canvas (Artefak 13.1) membantu merancang bagaimana menjangkau pelanggan di era digital. Namun kini ada pergeseran yang jauh lebih dalam: kecerdasan buatan tidak hanya mengoptimalkan kanal — ia mengubah cara kita membuat keputusan, merancang produk, melayani pelanggan, bahkan mendefinisikan ulang berbagai pekerjaan manajerial. Bab ini membahas AI dan otomatisasi cerdas dari perspektif manajer: bukan cara memprogram AI, tapi bagaimana memimpin organisasi di era AI.*

**Hook:**
McKinsey (2023) memperkirakan bahwa Generative AI berpotensi mengotomatisasi 60–70% pekerjaan yang dilakukan knowledge worker saat ini. Bukan pekerjaan blue-collar manual — tapi analis, penulis, programmer, ahli hukum, dokter. Pertanyaan yang harus dijawab manajer bukan "apakah AI akan menggantikan pekerjaan saya?" — tapi "bagaimana saya dan tim saya bekerja bersama AI untuk menghasilkan yang terbaik dari keduanya?" Jawaban atas pertanyaan ini akan menentukan relevansi organisasi di dekade mendatang.

**Pertanyaan sentral:** "Bagaimana manajer bisnis memahami, mengadopsi, dan memimpin implementasi AI dan otomatisasi cerdas — dari AI-assisted decision making hingga process automation — sebagai sumber keunggulan kompetitif yang bertanggung jawab?"

---

## SEK 14.2 — MODEL UTAMA (Gambar 14.1)

**Nama Model:** Tangga Aplikasi AI dalam Manajemen (TAAM)

```
Mermaid graph TD, tangga dari bawah ke atas:

Level 1: ROBOTIC PROCESS AUTOMATION (RPA)
  - Automasi tugas repetitif berbasis rule
  - Copy-paste data, form filling, scheduled reports
  - No learning, rule-based

Level 2: MACHINE LEARNING (Supervised/Unsupervised)
  - Pattern recognition dari data historis
  - Credit scoring, demand forecasting, churn prediction
  - Learning from data

Level 3: DEEP LEARNING & NLP
  - Computer vision, speech recognition, language understanding
  - Document processing, sentiment analysis, image classification
  - Complex pattern recognition

Level 4: GENERATIVE AI (GenAI)
  - Content creation, code generation, synthesis
  - ChatGPT, Claude, Gemini, Copilot
  - New content creation

Level 5: AUTONOMOUS AI AGENTS
  - Multi-step reasoning, tool use, decision execution
  - Agentic workflows
  - Semi-autonomous decision & action

Setiap level: implementasi complexity naik, managerial judgment requirement naik
```

---

## SEK 14.3 — DEFINISI KUNCI

1. 📌 ***Artificial Intelligence* (AI)** — kemampuan mesin untuk melakukan tugas yang secara normal memerlukan kecerdasan manusia, termasuk penalaran, pembelajaran, persepsi, dan pemecahan masalah (Russell & Norvig, 2022). Relevansi manajerial: AI bukan robot humanoid dari film — ia adalah software yang dapat mengenali pola, membuat prediksi, dan merespons situasi berdasarkan data, memungkinkan otomatisasi berbasis kognisi bukan hanya rule.

2. 📌 ***Machine Learning* (ML)** — subfield AI di mana sistem belajar dan meningkatkan kinerjanya dari pengalaman (data) tanpa diprogram secara eksplisit; sistem menemukan pola dalam data dan membuat prediksi (Mitchell, 2022). Relevansi: ML memungkinkan prediksi (siapa yang akan churn? apa permintaan bulan depan?) yang sebelumnya hanya bisa dilakukan oleh pakar domain dengan pengalaman bertahun-tahun.

3. 📌 ***Generative AI* (GenAI)** — kelas model AI yang dapat menghasilkan konten baru (teks, gambar, kode, audio, video) berdasarkan pola yang dipelajari dari data training, menggunakan arsitektur seperti *Large Language Model* (LLM) atau *Diffusion Model* (Davenport & Mittal, 2022). Relevansi: GenAI mengubah produktivitas knowledge worker secara fundamental — dari drafting dokumen hingga analisis data, dari code generation hingga customer interaction.

4. 📌 ***Responsible AI*** — prinsip dan praktik untuk memastikan sistem AI dirancang, dikembangkan, dan di-deploy secara etis: transparan, adil, akuntabel, aman, privasi-menjaga, dan bermanfaat bagi manusia (EU AI Act, 2024). Relevansi: manajer yang mengadopsi AI bertanggung jawab atas dampaknya — bias dalam model akan menghasilkan keputusan bias yang mempengaruhi customer, karyawan, dan masyarakat.

---

## SEK 14.4 — KONSEP INTI

### 14.4.1 — Landscape AI untuk Manajer: Dari RPA hingga GenAI
**Argumen utama:** Manajer tidak perlu memahami cara kerja neural network, tapi harus tahu: jenis AI apa yang tersedia, masalah bisnis apa yang dapat diselesaikannya, dan kapabilitas apa yang diperlukan untuk adopsi.

**RPA (Robotic Process Automation):**
- Mengotomatisasi tugas repetitif berbasis rule yang saat ini dilakukan secara manual di komputer
- Contoh: ekstrak data dari email → update ERP → kirim notifikasi
- Tools: UiPath, Automation Anywhere, Blue Prism, Power Automate
- ROI tercepat di antara semua AI tools: payback period 6–18 bulan

**Machine Learning use cases:**
- Predictive analytics: demand forecasting, churn prediction, fraud detection
- Recommendation engines: Netflix, Shopee "produk mungkin Anda suka"
- Anomaly detection: unusual transactions, equipment failure prediction

**Computer Vision:**
- Quality control di manufaktur (defect detection dengan akurasi >human level)
- Document processing (struk, invoice parsing)
- Retail: traffic counting, planogram compliance di toko

**NLP (Natural Language Processing):**
- Chatbot dan virtual assistant (customer service)
- Sentiment analysis (monitoring social media)
- Automatic summarization dan document extraction

**Generative AI (2023–present):**
- Konten: draft email, proposal, laporan, presentasi
- Code: GitHub Copilot, Amazon CodeWhisperer
- Data analysis: prompt → analisis → visualisasi
- Customer interaction: AI customer service dengan pemahaman konteks

### 14.4.2 — AI untuk Pengambilan Keputusan Manajerial
**Argumen utama:** AI terbaik untuk keputusan manajerial bukan AI yang menggantikan keputusan manusia, tapi yang augments — memberikan informasi lebih baik, faster, dan dengan mempertimbangkan lebih banyak variabel.

**Augmented Decision Making Framework:**
1. **AI sebagai filter**: dari 1.000 opsi, AI filter ke 10 yang paling relevan — manajer memilih dari 10
2. **AI sebagai forecaster**: AI memberikan prediksi dengan confidence interval — manajer melihat range dan risiko
3. **AI sebagai monitor**: AI memberi alert ketika sesuatu di luar normal — manajer investigate dan decide
4. **AI sebagai simulator**: AI menjalankan what-if scenarios — manajer memilih scenario terbaik

**Kapan manusia harus tetap decide:**
- Keputusan dengan dampak etis besar (PHK, credit denial untuk individu)
- Situasi unprecedented yang tidak ada dalam training data
- Keputusan strategic yang membutuhkan context bisnis dan values
- Keputusan yang membutuhkan akuntabilitas publik

**JPMorgan Chase (referensi dari Bab 3):** COIN (Contract Intelligence) menganalisis kontrak hukum dalam detik vs 360.000 jam kerja per tahun. Tapi keputusan approve/reject kredit besar tetap oleh manusia — AI hanya memberikan scoring dan rekomendasi.

### 14.4.3 — Generative AI di Workplace: Produktivitas dan Risiko
**Argumen utama:** GenAI adalah productivity multiplier — tapi juga risiko jika digunakan tanpa governance yang tepat.

**GenAI productivity gains (McKinsey, 2023):**
- Knowledge worker: 30–40% peningkatan produktivitas untuk tugas penulisan
- Software developer: 55% lebih cepat dalam code completion (GitHub Copilot study)
- Customer service: 14% peningkatan produktivitas, 9% peningkatan customer satisfaction
- Analysts: 25% lebih cepat draft analisis awal

**Use cases per fungsi bisnis:**
- Marketing: generasi copy, image, SEO artikel, campaign brief
- HR: job description drafting, candidate screening Q&A, onboarding material
- Finance: variance analysis narrative, report drafting
- Legal: contract review first pass, template generation
- Operations: SOP drafting, process documentation

**Risiko GenAI:**
1. **Hallucination**: AI menghasilkan informasi yang plausible tapi salah. Sangat berbahaya untuk legal/medical/financial advice.
2. **Data leakage**: memasukkan data internal ke public AI (ChatGPT) = data exposed ke training data
3. **IP issues**: output GenAI mungkin mengandung konten dari copyrighted material
4. **Over-reliance**: pemikiran kritis melemah jika terlalu bergantung pada AI output

**Enterprise AI governance:**
- Approved AI tools list — tidak semua tools boleh digunakan
- Prohibited content: data rahasia perusahaan, data pelanggan PII
- AI output must be human-reviewed sebelum digunakan untuk keputusan final
- Training karyawan tentang AI literacy dan safe usage

### 14.4.4 — AI untuk Otomatisasi Proses Bisnis
**Argumen utama:** RPA + AI = Intelligent Process Automation — mengotomatisasi tidak hanya tugas rule-based tapi juga tugas yang membutuhkan "pemahaman".

**Evolusi otomatisasi:**
1. Manual → Spreadsheet automasi → RPA (rule-based) → IPA (AI-powered) → Autonomous agents

**IPA (Intelligent Process Automation) = RPA + ML/AI:**
- Invoice processing: OCR + NLP untuk ekstrak data dari invoice berbagai format → auto-post ke ERP → matching dengan PO
- Claims processing di asuransi: dokumen parsing + fraud detection + auto-approval untuk simple claims
- HR onboarding: checklist automation + dokumen generation + access provisioning

**Prinsip "Human in the Loop":**
- Otomatisasi penuh (fully autonomous): untuk transaksi volume tinggi, risiko rendah, well-defined rules
- Human oversight: untuk keputusan berisiko menengah — AI recommends, human approves
- Human decision dengan AI support: untuk keputusan strategic dan berisiko tinggi

**ROI otomatisasi — framework evaluasi:**
- Time saved per bulan × biaya per jam
- Error rate reduction × cost per error
- Employee reallocation to higher-value activities
- Improved SLA (Service Level Agreement) → customer satisfaction

### 14.4.5 — Responsible AI: Etika, Bias, dan Transparansi
**Argumen utama:** AI yang tidak etis bukan hanya masalah moral — ini risiko bisnis, legal, dan reputasi. Manajer yang mengadopsi AI bertanggung jawab atas output-nya.

**Bentuk bias dalam AI:**
1. **Training data bias**: model ditraining pada data historis yang sudah bias. Contoh: model rekrutmen yang ditraining pada data historis perusahaan yang mayoritas hire pria → bias terhadap kandidat perempuan.
2. **Algorithmic bias**: arsitektur atau objective function yang tidak netral
3. **Feedback loop bias**: model deployment mengubah behavior → data baru → reinforce bias

**Kasus nyata:**
- Amazon rekrutmen AI (2018): dibuang karena bias gender
- COMPAS (criminal recidivism prediction di AS): dua kali lebih banyak false positive untuk Black defendants vs white
- Facial recognition: akurasi jauh lebih rendah untuk kulit gelap (MIT Media Lab study)

**EU AI Act (2024):**
- Pertama di dunia: regulasi AI yang komprehensif berbasis risiko
- High-risk AI (recruitment, credit, criminal justice, medical): mandatory requirements — transparency, human oversight, accuracy testing
- Prohibited AI: social scoring oleh pemerintah, real-time biometric surveillance di public spaces
- Implikasi global: perusahaan yang beroperasi di EU atau menjual ke EU harus comply

**Indonesia:** Belum ada regulasi AI spesifik, tapi Kominfo sedang menyiapkan AI governance framework (2024). UU PDP berlaku untuk AI yang memproses data pribadi.

### 14.4.6 — AI Strategy untuk Organisasi
**Argumen utama:** AI bukan project IT — ini transformasi organisasi. Needs executive champion, clear use case prioritization, talent development, dan data foundation.

**5 langkah AI strategy:**
1. **AI readiness assessment**: kualitas data, talent, infrastruktur cloud, kultur eksperimen
2. **Use case prioritization**: impact stacks vs feasibility matrix. Mulai dari "quick wins" (ROI jelas, data ada, risiko rendah) untuk build momentum.
3. **Build vs Buy vs Partner**: build custom ML hanya untuk core differentiating processes. Buy: AI-enabled SaaS (Salesforce Einstein, Workday AI). Partner: AI consultants/system integrators untuk complex projects.
4. **Data foundation**: AI butuh data berkualitas tinggi. Tanpa clean, structured, adequate data — AI hasilnya buruk ("garbage in, garbage out" berlaku ganda untuk AI).
5. **Change management**: AI adoption requires upskilling (AI literacy), role redesign, and cultural shift toward experimentation.

**AI COE (Center of Excellence):**
- Tim kecil (3–8 orang) yang bertugas memilih use cases, evaluate tools, define standards, dan support business units
- Bukan bottleneck — enabler dan standard-setter

### 14.4.7 — Future of Work: AI, Manusia, dan Kolaborasi
**Argumen utama:** AI tidak menggantikan manusia — AI menggantikan tugas. Nilai manusia bergeser ke hal yang sulit direplikasi AI: kreativitas kompleks, empati, etika, kepemimpinan, dan judgment dalam situasi ambigu.

**WEF Future of Jobs Report 2024:**
- 83 juta pekerjaan diperkirakan hilang, tapi 69 juta pekerjaan baru akan tercipta (net -14 juta)
- Pekerjaan yang paling terancam: data entry, repetitive processing, rule-based decision making
- Pekerjaan yang tumbuh: AI specialist, data analyst, sustainability roles, human-AI interface designers

**Skill yang makin bernilai di era AI:**
- AI literacy: dapat menggunakan AI tools effectively, dapat mengevaluasi output AI
- Critical thinking: mengevaluasi apakah AI output tepat, complete, dan appropriate
- Kreativitas & inovasi: generate new ideas — AI dapat amplify tapi tidak originate
- Emotional intelligence: empati, negosiasi, motivasi — purely human domain
- Ethical judgment: memutuskan apa yang benar ketika AI tidak bisa

---

## SEK 14.5 — KOMPARASI (Tabel 14.1)

**Judul Tabel:** "AI Adoption: Reactive (Ikut-ikutan) vs Strategic (Berbasis Nilai): 8 Dimensi"

| Dimensi | AI Adoption Reaktif | AI Adoption Strategis |
|---------|--------------------|-----------------------|
| Motivasi adopsi | FOMO — "semua orang pakai AI" | Use case bisnis yang jelas dengan ROI measurable |
| Titik mulai | Teknologi (beli tools dulu) | Problem bisnis (identifikasi pain point dulu) |
| Data readiness | Deploy AI tanpa cek kualitas data | Data foundation diperkuat sebelum AI deploy |
| Governance | Tidak ada policy AI | AI usage policy, approved tools, training |
| Evaluasi | "Kita sudah punya ChatGPT" | KPI spesifik: error reduction, time saved, revenue impact |
| Ethical consideration | Tidak dipertimbangkan | Bias testing, fairness check, human oversight |
| Talent | Tool-dependent, tidak ada upskilling | AI literacy program untuk semua, specialist team |
| Business value | Marginal atau tidak ada | Competitive advantage yang terukur |

💡 **Insight:** AI yang diimplementasikan tanpa use case yang jelas, data yang baik, dan governance yang tepat bukan sekadar sia-sia — ini menciptakan risiko (keputusan bias, data breach, over-reliance on hallucinating AI) yang lebih besar dari sebelum ada AI.

---

## SEK 14.6 — REALITAS LAPANGAN

### Fenomena 1: Allo Bank — AI-First Banking Indonesia
**Konten:** Allo Bank (didirikan 2021, didukung CT Corpora dan Grab) membangun core banking dengan AI-first approach: credit scoring untuk the unbanked menggunakan alternatif data (mobile behavior, GoFood transactions, marketplace history) vs traditional credit history. Disbursement pinjaman dalam <3 menit. Fraud detection model real-time dengan >98% accuracy. 2024: 4 juta aktif users, NPL (non-performing loan) di bawah industri average meskipun melayani segmen yang traditionally underserved. (Allo Bank Annual Report 2024)

💡 **Insight:** AI paling disruptif ketika menggantikan bukan automated tasks — tapi conventional wisdom. Alternative data credit scoring mengakses 40 juta unbankable Indonesia yang selama puluhan tahun ditolak oleh sistem KYC tradisional.

### Fenomena 2: GenAI Adoption di Enterprise Indonesia — Gap antara Hype dan Reality
**Konten:** Survey Deloitte Indonesia (2024) dari 200 perusahaan: 78% eksekutif mengatakan GenAI adalah "sangat penting" untuk strategi. Namun: hanya 23% yang memiliki GenAI policy resmi. 41% karyawan menggunakan public GenAI tools (ChatGPT dll) untuk pekerjaan tanpa sepengetahuan perusahaan. 67% mengkhawatirkan data security tapi belum ada tindakan konkret. Kesimpulan: AI adoption di Indonesia berjalan lebih cepat daripada AI governance.

💡 **Insight:** Shadow AI (karyawan menggunakan AI tools tanpa persetujuan resmi) adalah risiko keamanan dan compliance yang nyata. Respon yang benar bukan melarang — tapi membuat approved pathway dan governance yang clear sehingga karyawan punya pilihan yang aman.

### Fenomena 3: AI-Driven Customer Service di Perbankan
**Konten:** BRI Virtual Assistant (BRIVA) — AI chatbot yang menangani 80% customer service inquiries BRI secara otomatis, 24/7. Dalam 2023: >500 juta interaksi, mampu menjawab 500+ jenis pertanyaan dalam Bahasa Indonesia dengan dialect variations. Escalation ke human agent: <20% kasus. Kepuasan pelanggan AI channel: 4.2/5, sebanding dengan human agent. Biaya per interaksi turun 65% vs human agent. (BRI Annual Report 2023)

💡 **Insight:** AI customer service bukan tentang menggantikan emosi manusia — tapi tentang speed, availability (24/7), dan konsistensi untuk transaksi dan pertanyaan yang well-defined. Human agent value meningkat — tapi untuk kasus kompleks dan emosional yang butuh genuine empathy.

---

## SEK 14.7 — JEBAKAN KOGNITIF

1. ⚠️ **"AI itu terlalu teknis untuk saya sebagai manajer bisnis"**
   - Mengapa salah: Manajer bisnis tidak perlu bisa buat model AI — tapi harus bisa: mendefinisikan business problem yang bisa diselesaikan AI, mengevaluasi apakah solusi AI yang diusulkan masuk akal, dan memimpin change management untuk adopsi AI.
   - Koreksi: AI literacy untuk manajer bukan tentang coding — tapi tentang "data thinking": apa data yang tersedia? Apa yang kita coba prediksi? Bagaimana kita tahu model bekerja dengan baik? Bagaimana kita pastikan tidak ada bias?

2. ⚠️ **"AI output selalu lebih akurat dari human judgment"**
   - Mengapa salah: AI sangat akurat untuk pola yang ada dalam training data — tapi sangat buruk di luar distribusi data training. Dan AI tidak memiliki context, values, atau common sense yang manusia miliki.
   - Koreksi: AI adalah powerful tool untuk specific well-defined tasks. Untuk keputusan yang membutuhkan context bisnis, nilai etis, atau situasi baru — human judgment tidak bisa digantikan, harus diperkuat.

3. ⚠️ **"GenAI hanya untuk kreatif work, tidak relevan untuk bisnis saya yang B2B industrial"**
   - Mengapa salah: GenAI sudah digunakan di seluruh sektor: manufaktur (maintenance documentation), logistik (route optimization narrative), procurement (vendor communication), legal (contract review). The language and reasoning capabilities are universally applicable.
   - Koreksi: Tanya bukan "apakah GenAI untuk industri saya?" tapi "pekerjaan apa di organisasi saya yang melibatkan membaca, menulis, merangkum, atau menjawab pertanyaan?" Semua itu adalah domain GenAI.

4. ⚠️ **"Dengan GenAI, kita tidak perlu lagi karyawan yang baik untuk membuat konten"**
   - Mengapa salah: GenAI menghasilkan average quality content dengan sangat cepat. Untuk content yang truly differentiated — yang mencerminkan keunikan brand, mengandung insight that hasn't been said before, atau menyentuh secara emosional — masih membutuhkan human creativity di atas AI scaffold.
   - Koreksi: GenAI terbaik digunakan sebagai "thought partner dan drafting assistant" — manusia bertanggung jawab atas idea, direction, fact-checking, dan final edit. Output GenAI adalah starting point, bukan endpoint.

---

## SEK 14.8 — STUDI KASUS

### Kasus A (Dasar): PT Kalbe Farma — AI dalam Drug Discovery & Supply Chain
**Sumber:** Annual Report Kalbe Farma 2024, press release
**❌ Sebelum AI (2019):** Forecasting demand obat-obatan dilakukan secara manual oleh tim sales berdasarkan intuisi dan data historis Excel per produk per distributor. Akurasi: ~65%. Stock-out di 30+ SKU tiap kuartal. Excess inventory di 80+ SKU. Biaya inventory: terlalu tinggi. R&D drug candidate screening: sangat manual, slow.
**✅ AI Implementation:** ML demand forecasting model menggunakan 150+ variabel (historical sales, seasonality, epidemic indicators, socioeconomic data per region). Akurasi naik ke 87%. Stock-out turun 60%. Excess inventory turun 40%. Dalam R&D: AI-powered molecule screening untuk herbal medicine efficacy — mempercepat fase discovery dari 18 bulan → 4 bulan.
**Tabel:** Demand forecast accuracy, stockout events, inventory cost, R&D timeline
**Pelajaran:** AI di supply chain dan R&D bukan tentang menggantikan manusia farmasi — tapi tentang memberikan mereka data-driven recommendations yang jauh lebih akurat untuk diputuskan.

### Kasus B (Lanjutan): Unilever — AI-Driven Marketing Optimization
**Sumber:** Unilever Annual Report 2023, HBR artikel
**Konteks:** Unilever mengoperasikan 400+ brand di 190 negara dengan marketing spend $8 miliar/tahun.
**AI Initiatives:**
1. **Creative AI**: AI generate ribuan variasi iklan digital (copy, image, CTA) dan test mana yang paling efektif per segment, region, platform. Mengurangi creative production cost 30% sambil meningkatkan ad effectiveness.
2. **Media Mix Modeling**: ML model untuk mengoptimalkan budget alokasi antar channel (TV, digital, OOH) untuk setiap brand per market. ROI marketing meningkat 15–20%.
3. **Demand Sensing**: real-time demand prediction menggunakan 600+ signals (cuaca, event, social media, economic indicators) → lebih akurat 35% dari statistical forecasting.
**Tabel:** Marketing cost efficiency, ad effectiveness lift, forecast accuracy improvement
**Pelajaran:** Skala terbesar AI benefit ada ketika diaplikasikan pada masalah yang complex, high-volume, and data-rich — persis seperti marketing di perusahaan multinasional.

---

## SEK 14.9 — TEMPLATE PRAKTIS

**Nama Template:** AI Use Case Evaluation Canvas

```
======================================
TEMPLATE 14.1 — AI USE CASE EVALUATION CANVAS
======================================

ORGANISASI: ____________________________

BAGIAN A: USE CASE IDENTIFICATION
(Daftarkan 5–8 proses/masalah yang berpotensi di-AI-kan)

Proses/Masalah | Tipe Pekerjaan | Volume/Frekuensi | Pain Level (1-5)
--------------|---------------|-----------------|----------------
              | [Manual/Decision/Content] | [T/S/R] | 
              |               |                 |

BAGIAN B: PRIORITIZATION MATRIX
(Untuk 3 use case terpilih, evaluasi tiap dimensi)

Use Case: ____________________________
Data ketersediaan (1-5): ___  | Data quality (1-5): ___
Feasibility (1-5): ___        | Estimated ROI (1-5): ___
Risk level (1-5, lower=better): ___ | Urgency (1-5): ___
TOTAL SCORE (ROI + Feasibility - Risk): ___

BAGIAN C: SELECTED USE CASE — DEEP DIVE
Proses yang akan di-automasi/AI: ____________________________
Jenis AI yang paling sesuai:
[ ] RPA (rule-based task)
[ ] ML/Predictive (forecasting, classification)
[ ] NLP (dokumen, percakapan)
[ ] Computer Vision (gambar, video)
[ ] GenAI (konten, summarization, coding)

Data yang diperlukan:
Input data: ____________________________
Training data yang tersedia: ____________________________
Target output: ____________________________

BAGIAN D: GOVERNANCE CHECK
[ ] Business case dengan ROI measurable sudah ada
[ ] Approved AI tools list — apakah tool yang dipilih sudah approved?
[ ] Data privacy check — apakah data yang digunakan sesuai UU PDP?
[ ] Bias assessment plan — bagaimana memastikan output tidak bias?
[ ] Human-in-the-loop design — kapan manusia yang memutuskan final?
[ ] AI output review process — siapa yang memvalidasi sebelum digunakan?

BAGIAN E: SUCCESS METRICS (12 bulan)
KPI sebelum AI: Baseline ____________________________
KPI target dengan AI: ____________________________
Review checkpoint: ___________________________

======================================
```

---

## SEK 14.10 — PETA KONSEP (Gambar 14.2)

```
Root: AI & Otomatisasi Cerdas dalam Manajemen
├── Tangga AI
│   ├── RPA (rule-based)
│   ├── ML (prediction, classification)
│   ├── DL/NLP (language, vision)
│   └── GenAI (content, synthesis)
├── AI untuk Keputusan
│   ├── Augmented (AI + Human) model
│   └── High-risk = human decides
├── GenAI di Workplace
│   ├── Productivity: draft, summarize, analyze
│   └── Risiko: hallucination, data leakage, over-reliance
├── Responsible AI
│   ├── Bias types & mitigation
│   ├── EU AI Act framework
│   └── Indonesia UU PDP
└── Future of Work
    ├── Tasks at risk vs skills that grow
    └── AI literacy as survival skill
```

---

## SEK 14.11 — RANGKUMAN

**7 poin takeaway:**
1. AI untuk manajer bukan tentang coding — tapi tentang mendefinisikan masalah bisnis yang tepat, mengevaluasi solusi AI secara kritis, dan memimpin organisasi dalam adopsi yang bertanggung jawab.
2. Tangga AI dari RPA hingga GenAI memberikan berbagai opsi sesuai kompleksitas masalah — mulai dari yang paling mudah (RPA untuk proses repetitif) untuk membangun confidence sebelum AI yang lebih kompleks.
3. Augmented Decision Making — AI memperkuat judgment manusia, bukan menggantikannya — adalah model yang paling sesuai untuk keputusan strategic yang berisiko.
4. GenAI adalah productivity multiplier, tapi tanpa governance (approved tools, data privacy policy, human review requirement) menjadi security dan compliance risk.
5. Responsible AI bukan idealism — ini risk management. Model yang bias menghasilkan keputusan bias yang menciptakan legal, regulatory, dan reputational risk.
6. Future of Work: AI menggantikan tugas, bukan manusia secara keseluruhan. Nilai manusia bergeser ke kreativitas, empati, etika, dan judgment dalam situasi ambigu.
7. AI strategy yang efektif dimulai dari problem, bukan dari tools — "masalah bisnis apa yang perlu diselesaikan?" bukan "AI tools apa yang harus kita beli?"

**Closing Bridge ke Bab 15:**
*AI adalah contoh paling powerful dari emerging technology yang mengubah landscape bisnis (Bab 14). Namun AI bukan satu-satunya emerging tech yang relevan. Bab 15 akan mengeksplorasi lebih luas: blockchain, metaverse, IoT lanjutan, dan komputasi kuantum — bagaimana manajer mengevaluasi emerging technology dari perspektif nilai bisnis, bukan sekadar hype.*

🔥 *"Kecerdasan buatan paling berdampak bukan ketika ia menggantikan manusia — tapi ketika ia membebaskan manusia dari pekerjaan yang membutuhkan kesabaran tanpa batas, untuk fokus pada pekerjaan yang membutuhkan wisdom."*

---

## SEK 14.12 — LATIHAN & REFLEKSI

**Pertanyaan Reflektif:**
1. Identifikasi 3 tugas dalam pekerjaan Anda atau industri yang paling Anda kenal yang paling mungkin di-otomatisasi oleh AI dalam 5 tahun ke depan. Apa implikasinya bagi skill yang harus Anda kembangkan?
2. Sebuah bank ingin menggunakan AI untuk memutuskan approval kredit UKM secara otomatis. Sebagai manajer risiko, pertanyaan etis apa yang harus Anda pastikan dijawab sebelum deployment?
3. Mengapa "shadow AI" (karyawan menggunakan GenAI tanpa policy perusahaan) menjadi risiko? Bagaimana Anda merancang kebijakan AI yang "enabling, bukan restrictive"?
4. Bayangkan AI berhasil meningkatkan produktivitas tim Anda 30%. Bagaimana Anda menggunakan capacity yang "dibebaskan" itu untuk menciptakan nilai lebih bagi organisasi?

**Latihan Artefak 14.1 — AI Use Case Evaluation**
Untuk organisasi pilihan Anda:
1. Identifikasi 5 proses yang berpotensi di-AI-kan
2. Gunakan Template 14.1 untuk evaluasi dan prioritisasi
3. Lakukan deep dive untuk 1 use case terpilih: tentukan jenis AI, data yang diperlukan, dan governance checklist
4. Buat business case singkat (1 halaman): masalah, solusi AI, estimasi ROI, risiko

*Artefak 14.1 menjadi bagian dari AI Strategy yang terintegrasi dengan IS Strategy yang telah dibangun sejak Bab 1.*

---

## REFERENSI BAB 14

- Russell, S., & Norvig, P. (2022). *Artificial intelligence: A modern approach* (4th ed.). Pearson.
- Davenport, T. H., & Mittal, N. (2022). *All in on AI: How smart companies win big with artificial intelligence*. Harvard Business Review Press.
- McKinsey Global Institute. (2023). *The economic potential of generative AI: The next productivity frontier*. McKinsey & Company.
- Mikalef, P., & Gupta, M. (2021). Artificial intelligence capability: Conceptualization, measurement calibration, and empirical study on its impact on organizational creativity and firm performance. *Information & Management*, *58*(3), 103434.
- 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.
- EU. (2024). *Regulation (EU) 2024/1689: Artificial Intelligence Act*. Official Journal of the European Union.
- BRI. (2023). *Annual report 2023: Digital transformation milestone*. PT Bank Rakyat Indonesia.
- Alim, H. B. (2025). AI-integrated public digital infrastructure for geopark tourism. *JIMAT*.
- World Economic Forum. (2024). *The future of jobs report 2024*. WEF.
- Deloitte. (2024). *State of generative AI in the enterprise: Indonesia market insights*. Deloitte Indonesia.
- Kaplan, A., & Haenlein, M. (2019). Siri, Siri, in my hand: Who's the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence. *Business Horizons*, *62*(1), 15–25.
- Allo Bank. (2024). *Annual report 2024*. PT Allo Bank Indonesia Tbk.