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

# BAB 17 — Kecerdasan Buatan dalam Pengambilan Keputusan Manajerial

---

```
Bagian          : VII — Transformasi Digital, AI & Masa Depan
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.
Level           : Lanjutan–Mahir
Estimasi Halaman: 15–18
```

---

## 17.1 Pembuka

Bab 16 membahas transformasi digital sebagai perubahan mendasar dalam model bisnis, *customer experience*, dan logika kompetisi organisasi. Template A.16 (*Digital Maturity Assessment*) membantu Anda menilai kesiapan digital organisasi. Di jantung gelombang transformasi itu terdapat satu kapabilitas yang paling banyak dibicarakan — dan paling banyak disalahpahami: *Artificial Intelligence*.

Bank Mandiri memproses lebih dari 50.000 pengajuan kredit per bulan. Sebelum AI, seorang analis kredit membutuhkan rata-rata 5 hari kerja per pengajuan — mengevaluasi laporan keuangan, memeriksa riwayat kredit di BI checking, menilai jaminan, dan menyusun rekomendasi. Dengan 200 analis, kapasitas maksimal 800 pengajuan per hari — *backlog* menggulung hingga 2–3 minggu. Nasabah UMKM yang butuh modal cepat untuk mengisi stok kehilangan peluang bisnis karena menunggu.

Setelah AI *credit scoring*: 90% pengajuan terklasifikasi dalam 30 detik — *approve*, *reject*, atau *flag for review*. Analis manusia fokus pada 10% kasus yang di-*flag* — kasus kompleks yang membutuhkan *judgment* dan informasi kontekstual yang tidak ada dalam data. Apakah AI menggantikan analis? Tidak. Analis yang dulu memproses 4 pengajuan per hari kini menangani 40 kasus *flagged* — dengan akurasi yang lebih tinggi karena perhatian mereka tidak terpecah oleh kasus-kasus rutin.

**Pertanyaan sentral bab ini:** 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?

---

## 17.2 Model Utama

### Gambar 17.1 — Kerangka Evaluasi AI Manajerial

```mermaid
graph TD
    style KEB fill:#3a3a3a,stroke:#666,color:#fff
    style KLAS fill:#3a3a3a,stroke:#666,color:#fff
    style TER fill:#4a4a4a,stroke:#666,color:#fff
    style SEMI fill:#4a4a4a,stroke:#666,color:#fff
    style TIDAK fill:#4a4a4a,stroke:#666,color:#fff
    style EVAL fill:#3a3a3a,stroke:#666,color:#fff
    style DIM1 fill:#5a5a5a,stroke:#666,color:#fff
    style DIM2 fill:#5a5a5a,stroke:#666,color:#fff
    style DIM3 fill:#5a5a5a,stroke:#666,color:#fff
    style OPT fill:#3a3a3a,stroke:#666,color:#fff
    style OTO fill:#4a4a4a,stroke:#666,color:#fff
    style AUG fill:#4a4a4a,stroke:#666,color:#fff
    style NAI fill:#4a4a4a,stroke:#666,color:#fff
    style EVA2 fill:#3a3a3a,stroke:#666,color:#fff
    style DEC fill:#3a3a3a,stroke:#666,color:#fff

    KEB["Identifikasi<br/>Keputusan Bisnis"] --> KLAS{"Klasifikasi<br/>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<br/>& berkualitas?"]
    EVAL --> DIM2["Kompleksitas pola<br/>membenarkan AI?"]
    EVAL --> DIM3["Dampak bisnis<br/>signifikan?"]
    DIM1 --> OPT{"Opsi Implementasi"}
    DIM2 --> OPT
    DIM3 --> OPT
    OPT --> OTO["Otomasi Penuh<br/>oleh AI"]
    OPT --> AUG["Augmentasi:<br/>AI + Manusia"]
    OPT --> NAI["Tidak Layak AI"]
    OTO --> EVA2["Evaluasi:<br/>Akurasi × Bias × Etika × ROI"]
    AUG --> EVA2
    EVA2 --> DEC["Keputusan:<br/>Adopt / Pilot / Defer"]
```

Model ini membaca dari atas ke bawah — dan urutan bacanya sengaja dimulai dari keputusan bisnis, bukan dari teknologi:

- **Identifikasi Keputusan Bisnis** — titik awal. Pertanyaan pertama selalu "keputusan bisnis apa yang ingin diperbaiki?" bukan "AI apa yang bisa dibeli?" Organisasi yang memulai dari teknologi akan berakhir dengan solusi yang mencari masalah.
- **Klasifikasi Keputusan** — menggunakan kerangka dari Bab 6: keputusan terstruktur (aturan jelas, data lengkap) paling cocok untuk otomasi AI. Semi-terstruktur cocok untuk augmentasi. Tidak terstruktur (strategi, negosiasi, kreativitas) tetap domain manusia.
- **Penilaian Kelayakan AI** — tiga syarat: (1) data tersedia dan berkualitas — tanpa ini, AI tidak bisa belajar, (2) kompleksitas pola membenarkan penggunaan AI versus *rule-based system* sederhana, (3) dampak bisnis cukup signifikan untuk membenarkan investasi.
- **Otomasi vs Augmentasi vs Tidak Layak** — otomasi penuh: AI memutuskan sendiri (deteksi *fraud*, *spam filter*). Augmentasi: AI merekomendasikan, manusia memutuskan — model *human-in-the-loop*. Tidak layak: keputusan yang tidak memenuhi ketiga syarat di atas.
- **Evaluasi akhir** — empat dimensi sebelum memutuskan *adopt*, *pilot*, atau *defer*: akurasi (seberapa benar?), bias (apakah diskriminatif?), etika (apakah *acceptable*?), ROI (apakah *worth it*?).

---

## 17.3 Definisi Kunci

📌 ***Artificial Intelligence* (AI)** — dalam konteks manajerial: sistem komputasi yang mampu mengenali pola, membuat prediksi, memahami bahasa, dan mendukung atau mengotomasi pengambilan keputusan. Manajer tidak perlu menjadi *data scientist* — yang perlu dipahami: apa yang AI bisa dan tidak bisa lakukan, kapan AI *appropriate*, dan bagaimana memanfaatkan *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*. HITL adalah model paling aman untuk keputusan yang berdampak pada manusia — *hiring*, kredit, diagnosis medis — di mana kesalahan AI bisa berdampak serius dan akuntabilitas harus jelas.

📌 **Bias Algoritmik** — kecenderungan sistematis dalam *output* AI yang menghasilkan hasil tidak adil, biasanya karena data *training* yang bias, bukan karena algoritma "sengaja" diskriminatif. AI yang dilatih dengan data historis mewarisi bias historis: jika data *hiring* 10 tahun didominasi kandidat laki-laki yang diterima, AI akan belajar bahwa "laki-laki = lebih layak" — meskipun itu mencerminkan bias masa lalu, bukan kualitas sebenarnya.

📌 ***Generative AI* (GenAI)** — subset AI yang mampu menghasilkan konten baru — teks, gambar, kode, audio — berdasarkan pola dari data *training*. Contoh: ChatGPT, Claude, DALL-E, Midjourney. GenAI mengubah *knowledge work*: *drafting*, analisis, riset menjadi lebih cepat. Tetapi GenAI bisa "berhalusinasi" — menghasilkan informasi yang terdengar sangat meyakinkan tetapi sepenuhnya salah — sehingga *output*-nya selalu memerlukan validasi manusia.

---

## 17.4 Konsep Inti

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

Manajer tidak perlu memahami *backpropagation*, arsitektur *neural network*, atau menulis kode Python. Tiga prinsip cukup:

1. **AI belajar dari data** — kualitas data = kualitas AI. *Garbage in, garbage out* berlaku absolut.
2. **AI mengenali pola** — cocok untuk keputusan yang berbasis pola dalam data historis. Tidak cocok untuk situasi yang belum pernah terjadi (*unprecedented*) atau membutuhkan penalaran kausal.
3. **AI bersifat probabilistik** — *output* AI adalah probabilitas, bukan kepastian. "*Credit score* 750" berarti "probabilitas gagal bayar rendah" — bukan "pasti membayar."

Davenport (2023) menyebut "AI *literacy*" — pemahaman konseptual tentang kapabilitas dan limitasi AI — sebagai kompetensi manajerial paling kritis di dekade ini. Bukan *coding skill*, tetapi kemampuan bertanya: "Apakah data ada? Apakah AI tepat untuk masalah ini? Bagaimana menggunakan *output* AI untuk keputusan yang lebih baik?"

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

Ketiga istilah ini sering dipakai bergantian — padahal mereka bertingkat:

| Dimensi | *ML* Tradisional | *Deep Learning* | *Generative AI* |
|---------|-----------------|----------------|----------------|
| Data yang dibutuhkan | Terstruktur (tabel) | Tidak terstruktur (gambar, teks) | Masif (miliaran *data points*) |
| *Interpretability* | Tinggi — bisa dijelaskan | Rendah (*black box*) | Rendah |
| Contoh bisnis | *Fraud detection*, *forecasting* | *Face recognition*, *sentiment analysis* | *Content generation*, *code assist* |
| Investasi | Menengah | Tinggi | Sangat tinggi (atau SaaS) |
| Yang manajer perlu tahu | Cara membaca *output* | Kapan percaya, kapan validasi | Cara *prompt* yang efektif |

*Machine learning* (ML) adalah AI yang belajar dari data untuk membuat prediksi — inti dari *credit scoring*, *churn prediction*, dan *demand forecasting*. *Deep learning* (DL) adalah subset ML dengan *neural network* berlapis — cocok untuk data tidak terstruktur seperti gambar, suara, teks. *Generative AI* (GenAI) adalah subset DL yang tidak hanya mengenali pola tetapi menghasilkan konten baru.

Bagi manajer, perbedaan ini penting untuk menentukan investasi: ML tradisional bisa dimulai dengan tim kecil dan data internal. *Deep learning* membutuhkan spesialis dan infrastruktur lebih berat. GenAI tersedia sebagai layanan (ChatGPT, Claude) — investasi rendah untuk *quick wins*, tetapi risiko halusinasi dan *data privacy* perlu dikelola.

### 17.4.3 AI dalam Spektrum Keputusan: Otomasi Penuh vs Augmentasi

Tidak semua keputusan cocok untuk AI, dan tidak semua keterlibatan AI berbentuk sama:

| Karakteristik | Otomasi (AI memutuskan) | Augmentasi (AI *advises*) | Manusia saja |
|---------------|------------------------|--------------------------|-------------|
| Volume | Tinggi (>1.000/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 screening* | M&A, strategi, negosiasi |

*Sweet spot* di era AI ada pada augmentasi: AI + manusia menghasilkan keputusan yang lebih baik daripada AI saja atau manusia saja. AI menangani volume dan pola; manusia menambahkan konteks, *judgment*, dan akuntabilitas.

### 17.4.4 *Use Case* AI per Fungsi Bisnis

AI bukan teknologi generik — ia spesifik per konteks keputusan. Empat fungsi bisnis utama:

**Pemasaran** — personalisasi konten berdasarkan perilaku pengguna, *dynamic pricing* yang menyesuaikan harga berdasarkan *demand* real-time, segmentasi pelanggan berbasis ratusan variabel (bukan hanya demografi), dan *churn prediction* yang mengidentifikasi pelanggan berisiko sebelum mereka pergi. Huang & Rust (2021) menyatakan bahwa AI mengubah pemasaran dari *mass targeting* ke *hyper-personalization*.

**Keuangan** — deteksi *fraud* pada jutaan transaksi per hari (manusia tidak mungkin memeriksa satu per satu), *credit risk assessment* yang memproses puluhan variabel dalam hitungan detik, laporan keuangan otomatis, dan *anomaly detection* yang menemukan pola mencurigakan dalam data akuntansi.

**SDM** — *resume screening* awal dari ribuan pelamar, *sentiment analysis* untuk mengukur *employee engagement* dari survei dan komunikasi internal, prediksi *attrition* (siapa yang kemungkinan resign dalam 6 bulan), dan analisis *skill gap* untuk perencanaan pengembangan SDM.

**Operasi** — *predictive maintenance* yang memprediksi kerusakan mesin sebelum terjadi (mengurangi *downtime*), *demand forecasting* untuk optimasi inventori, *quality control* menggunakan *computer vision* di lini produksi, dan optimasi *supply chain* berbasis real-time data.

Data Indonesia: AI *credit scoring* Bank Mandiri meningkatkan *approval speed* 10× dan menurunkan NPL (*Non-Performing Loan*) 15% (Bank Mandiri, 2023).

### 17.4.5 Limitasi AI: *Garbage In–Garbage Out*, Bias, Halusinasi

AI bukan *magic* — ia memiliki limitasi serius yang sering diabaikan oleh organisasi yang terlalu antusias:

**GIGO** (*Garbage In, Garbage Out*) — AI hanya sebaik datanya. Data tidak lengkap, *outdated*, atau bias menghasilkan *output* AI yang tidak *reliable*. Menurut VentureBeat (2023), 87% proyek AI gagal di fase *data preparation* — bukan karena *algorithm*-nya yang salah, tetapi karena datanya yang tidak siap.

**Bias algoritmik** — Amazon (2018) mengembangkan AI untuk *screening* resume secara otomatis, dilatih dengan data *hiring* 10 tahun. Karena industri teknologi secara historis mendominasi *hire* laki-laki, AI belajar bahwa "resume perempuan = *less likely to be hired*" dan mulai menghukum kata-kata seperti "women's" (misalnya "women's chess club"). Amazon menghentikan proyek ini pada 2018 setelah menyadari bias tersebut tidak bisa diperbaiki tanpa mengubah data *training* secara mendasar.

**Halusinasi GenAI** — ChatGPT, Claude, dan GenAI lainnya bisa menghasilkan informasi yang terdengar sangat meyakinkan tetapi sepenuhnya fabrikasi. GenAI dirancang untuk menghasilkan teks yang "terdengar benar" (*fluent*) — bukan untuk menjamin kebenaran faktual. Manajer yang menyalin *output* GenAI tanpa verifikasi berisiko menyebarkan informasi salah ke organisasi.

***Interpretability*** — *deep learning* sering bersifat *black box*: memberi rekomendasi tanpa bisa menjelaskan alasannya. Untuk keputusan yang membutuhkan akuntabilitas — kredit, medis, hukum — ketidakmampuan menjelaskan "mengapa" menjadi masalah regulasi dan etika.

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

AI yang *powerful* tanpa *governance* berbahaya. Tiga prinsip tata kelola AI:

1. **Transparansi** — pengguna harus tahu kapan AI digunakan dalam keputusan yang memengaruhi mereka. Pelamar kerja perlu tahu jika resume-nya di-*screening* oleh AI. Nasabah perlu tahu jika pengajuan kreditnya dinilai oleh algoritma.
2. **Akuntabilitas** — jika AI membuat kesalahan — menolak kredit yang seharusnya disetujui, meloloskan *fraud* yang seharusnya terdeteksi — siapa bertanggung jawab? AI tidak bisa dituntut. Organisasi harus menetapkan *human accountability* untuk setiap keputusan yang dibantu AI.
3. ***Fairness*** — *output* AI tidak boleh diskriminatif berdasarkan ras, gender, usia, atau atribut yang dilindungi. *Fairness metrics* (seperti *demographic parity* dan *equalized odds*) harus menjadi bagian dari evaluasi sistem AI.

Regulasi mulai mengejar: EU AI Act (2024) mengategorikan sistem AI berdasarkan risiko — *unacceptable risk* (dilarang), *high-risk* (regulasi ketat), *limited risk* (transparansi), dan *minimal risk* (bebas). Indonesia belum memiliki regulasi AI spesifik, tetapi UU PDP (2022) berlaku untuk data yang digunakan AI, dan Kementerian Kominfo sedang menyusun pedoman etika AI nasional (European Commission, 2024).

### 17.4.7 Strategi Adopsi AI: *Quick Wins* vs Transformasi Mendalam

Dua jalur, keduanya valid — keputusannya bergantung pada kematangan digital organisasi (lihat Template A.16 di Bab 16):

***Quick wins*** — mulai dari *use case* yang: data sudah tersedia, nilai bisnis jelas, risiko rendah. Contoh: *chatbot* FAQ untuk layanan pelanggan (mengurangi beban *call center* 30–40%), *automated report generation* dari data yang sudah terstruktur, kategorisasi *email* masuk secara otomatis. *Quick wins* membangun *momentum* dan *buy-in* organisasi.

**Transformasi mendalam** — AI yang mengubah *value proposition* organisasi. Membutuhkan investasi besar, perubahan budaya, dan komitmen *leadership*. Contoh: sistem rekomendasi Netflix yang menentukan alokasi $17 miliar konten, *algorithmic pricing* Gojek yang menyesuaikan harga secara *real-time* berdasarkan *demand*.

Framework adopsi pragmatis (Fountaine et al., 2022): (1) identifikasi 10 kandidat *use case*, (2) evaluasi *feasibility* × *impact*, (3) *pilot* 3 teratas dengan KPI terukur, (4) *scale* yang berhasil, *kill* yang tidak. Template A.17 di akhir bab menyediakan instrumen evaluasi untuk langkah 1–2.

---

## 17.5 Komparasi

### Tabel 17.1 — 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 terukur | Manusia tidak bisa memeriksa jutaan transaksi/hari |
| 2 | *Screening* 10.000 CV | ✅ Augmentasi | Volume tinggi, semi-terstruktur | AI *filter* 90%, manusia *final interview* |
| 3 | Prediksi *demand* produk | ✅ Otomasi/Augmentasi | Data historis berlimpah | ML unggul di *time-series pattern* |
| 4 | Menentukan strategi M&A | ❌ Manusia | Tidak terstruktur, *multi-stakeholder* | *Judgment*, negosiasi, politik organisasi |
| 5 | Personalisasi marketing | ✅ Otomasi | Data perilaku tersedia | AI melakukan segmentasi dan personalisasi *at scale* |
| 6 | Penilaian kinerja karyawan | ⚠️ Augmentasi hati-hati | Semi-terstruktur, risiko bias | Data + *insight* AI, 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*, konteks relasional | AI tidak memahami nuansa hubungan manusia |

💡 **Insight:** Pola yang muncul dari tabel ini: AI unggul untuk keputusan volume tinggi, *data-rich*, berbasis pola. Manusia tetap tak tergantikan untuk keputusan yang membutuhkan *judgment*, empati, negosiasi, dan kreativitas. *Sweet spot* era AI: augmentasi — AI + manusia konsisten menghasilkan keputusan lebih baik daripada AI saja atau manusia saja.

---

## 17.6 Realitas Lapangan

### Fenomena 1: Bank Mandiri — AI *Credit Scoring* yang Mengubah Proses Kredit Tanpa Menghilangkan Manusia

Bank Mandiri mengimplementasikan AI *credit scoring* untuk kredit konsumer dan UMKM. Sebelum AI: 200 analis, 5 hari per pengajuan, kapasitas 800 per hari — *backlog* 2–3 minggu. Setelah AI: 90% pengajuan terklasifikasi otomatis dalam 30 detik (*approve*, *reject*, atau *flag*). Analis manusia menangani 10% kasus *flagged* — yang justru menjadi pekerjaan yang lebih bermakna: kasus kompleks yang membutuhkan analisis kontekstual, kunjungan lapangan, dan *judgment* profesional. NPL turun 15%, *approval speed* naik 10×, dan *operating cost* turun 30%. Tetapi *relationship manager* untuk nasabah korporasi tetap dipertahankan — kepercayaan interpersonal tidak bisa diotomasi (Bank Mandiri, 2023).

💡 **Insight:** Bank Mandiri membuktikan model augmentasi di skala besar: AI menangani volume dan kecepatan, manusia menangani kompleksitas dan relasi. ROI-nya terukur — Rp 24 miliar penghematan per tahun plus *revenue* naik dari proses *approval* yang lebih cepat. Kunci keberhasilannya bukan kecanggihan algoritma, tetapi redesain proses yang menempatkan AI dan manusia di peran yang tepat.

### Fenomena 2: Netflix — Keputusan Konten $17 Miliar yang Diinformasikan AI

Netflix menghabiskan $17 miliar per tahun untuk konten original (2023). Di industri hiburan tradisional, keputusan "konten apa yang diproduksi" bergantung pada naluri eksekutif, *track record* bintang, dan riset pasar konvensional — dengan *hit rate* konten original sekitar 10–15%. Netflix membalik logika ini: keputusan konten diinformasikan oleh data *viewing pattern* dari 230+ juta *subscriber* global. AI mengidentifikasi genre apa yang sedang tumbuh di segmen tertentu, formula durasi optimal per *genre*, dan preferensi aktor per wilayah geografis. Hasilnya: Netflix *original* memiliki *hit rate* sekitar 30–40% — 2–3× rata-rata industri (Iansiti & Lakhani, 2023).

💡 **Insight:** Netflix tidak menggantikan kreativitas manusia dengan AI. *Showrunner*, sutradara, dan penulis tetap membuat keputusan kreatif. Tetapi keputusan tersebut *informed by data* — bukan hanya oleh intuisi. Ini augmentasi di level tertinggi: manusia membuat keputusan kreatif, AI memastikan keputusan tersebut didukung oleh evidensi dari perilaku jutaan penonton.

### Fenomena 3: Amazon Rekrut AI yang Bias — *Lesson* Termahal tentang Data *Training*

Dari 2014 hingga 2018, Amazon mengembangkan AI untuk men-*screening* resume secara otomatis. Sistem ini dilatih dengan data *hiring* 10 tahun — resume yang dikirim dan keputusan *hire/reject* yang dibuat oleh rekruter manusia. Masalahnya: karena industri teknologi secara historis lebih banyak merekrut laki-laki, AI belajar bahwa "resume perempuan = kurang layak." Sistem mulai menurunkan skor resume yang mengandung kata "women's" (misalnya "women's chess club captain") dan resume dari lulusan dua universitas khusus perempuan. Amazon menghentikan proyek ini pada 2018 — bukan karena algoritmanya cacat, tetapi karena data *training*-nya mewarisi dan memperkuat bias rekrutmen satu dekade.

💡 **Insight:** AI tidak bias karena "jahat" — ia bias karena data *training* yang bias. Ini pelajaran paling mahal dan paling penting bagi manajer: sebelum mengadopsi AI untuk keputusan yang berdampak pada manusia, audit data *training*. Jika data historis mencerminkan ketidakadilan masa lalu, AI akan memperkuat ketidakadilan itu — bukan mengoreksinya.

---

## 17.7 Salah Kaprah

⚠️ **"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"**

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 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"**

AI *tool* tanpa data berkualitas, *use case* yang jelas, *change management*, dan *governance* = investasi yang terbuang. VentureBeat (2023) melaporkan bahwa 87% proyek AI tidak mencapai produksi — bukan karena teknologinya gagal, tetapi karena organisasi tidak menyiapkan fondasi non-teknisnya. 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.

---

## 17.8 Studi Kasus

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

**❌ Kondisi Awal:**

50.000+ pengajuan kredit per bulan. 200 analis kredit, masing-masing memproses 4 pengajuan per hari. *Backlog* 2–3 minggu. Nasabah UMKM yang membutuhkan modal cepat untuk mengisi stok atau memenuhi pesanan kehilangan peluang bisnis — bukan karena kreditnya tidak layak, tetapi karena prosesnya terlalu lambat.

**✅ 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* |
| NPL *rate* | 4,2% | 3,6% (turun 15%) |
| *Operating cost* | Rp 80 miliar/tahun | Rp 56 miliar/tahun (turun 30%) |
| Peran analis | Memproses semua pengajuan | Fokus pada kasus kompleks & *flagged* |
| Nasabah UMKM | Menunggu 2–3 minggu | Jawaban 1 hari (90%), 3 hari (10%) |

Bank Mandiri tidak menghilangkan analis kredit — ia menghilangkan *bottleneck*. AI mengambil alih volume; manusia menangani kompleksitas dan relasi. *Relationship manager* tetap aktif untuk nasabah korporasi di mana kepercayaan interpersonal menentukan loyalitas — domain yang AI tidak bisa sentuh.

💡 **Pelajaran:** Model augmentasi Bank Mandiri menghasilkan ROI yang jelas: Rp 24 miliar *savings* per tahun, *revenue* naik dari *approval* yang lebih cepat, dan NPL turun. Kuncinya: bukan AI yang canggih, tetapi redesain proses kerja yang menempatkan AI di tugas yang tepat (volume, kecepatan, pola) dan manusia di peran yang tepat (kompleksitas, konteks, relasi).

### 📊 Studi Kasus Lanjutan — Netflix *Recommendation Engine*: Keputusan Konten Senilai Miliaran yang Diaugmentasi Data

**❌ Kondisi Awal (Industri Hiburan Tradisional):**

Keputusan produksi konten di Hollywood bergantung pada tiga faktor: naluri eksekutif, *star power*, dan *box office history*. *Data points* per keputusan: puluhan. *Hit rate* konten original: 10–15%. Investasi miliaran dolar dengan probabilitas sukses yang rendah — esensialnya, taruhan mahal berbasis intuisi.

**✅ Pendekatan *AI-Driven* Netflix:**

| Dimensi | Hollywood Tradisional | Netflix *AI-Driven* |
|---------|---------------------|---------------------|
| Basis keputusan konten | Intuisi eksekutif | *Viewing patterns* 230M+ *subscribers* |
| *Data points* per keputusan | Puluhan | Miliaran (*viewing*, *pausing*, *browsing*) |
| *Hit rate original content* | 10–15% | ~30–40% |
| Personalisasi | Tidak ada (*mass marketing*) | 100M+ versi *homepage* berbeda |
| Belanja konten (2023) | N/A | $17 miliar — *informed by data* |
| Aplikasi AI kunci | Tidak ada | Rekomendasi, valuasi konten, optimasi *thumbnail* |

AI di Netflix tidak mendikte kreativitas. *Showrunner* dan penulis tetap membuat keputusan artistik. Tetapi keputusan investasi — berapa banyak *budget* untuk genre tertentu, di wilayah mana, dengan durasi berapa — diaugmentasi oleh data perilaku penonton yang sangat granular.

💡 **Pelajaran:** Netflix membuktikan bahwa AI *at scale* mengubah *economics* pengambilan keputusan. *Hit rate* 2–3× industri pada investasi $17 miliar berarti miliaran dolar yang "diselamatkan" dari proyek yang kemungkinan gagal. Yang membuat ini berhasil bukan algoritmanya — tetapi kombinasi antara data yang sangat kaya, kultur organisasi yang *data-driven*, dan desain proses yang menempatkan AI sebagai penginform keputusan, bukan pengganti *decision maker*.

---

## 17.9 Template Praktis

### 🔧 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: ________________________________________
```

---

## 17.10 Peta Konsep

### Gambar 17.2 — Peta Konsep Bab 17

```mermaid
mindmap
  root((AI dalam Keputusan<br/>Manajerial))
    Jenis AI
      Machine Learning
      Deep Learning
      Generative AI
    Spektrum Keputusan
      Otomasi penuh
      Augmentasi HITL
      Manusia saja
    Use Case per Fungsi
      Pemasaran: personalisasi
      Keuangan: fraud detection
      SDM: screening
      Operasi: predictive maintenance
    Limitasi
      GIGO
      Bias algoritmik
      Halusinasi GenAI
      Black box
    Etika & Governance
      Transparansi
      Akuntabilitas
      Fairness
      EU AI Act
    Strategi Adopsi
      Quick wins
      Pilot dengan KPI
      Scale winners
```

---

## 17.11 Rangkuman

**Poin-poin Penting:**

1. AI memperluas kapabilitas manajer, bukan menggantikannya. AI unggul untuk tugas *data-intensive*, volume tinggi, dan berbasis pola. Manusia tetap tak tergantikan untuk *judgment*, empati, negosiasi, dan kreativitas.

2. Mulai dari keputusan bisnis, bukan dari teknologi. Pertanyaan pertama: "keputusan apa yang ingin diperbaiki?" — bukan "AI *tools* apa yang tersedia?"

3. *Human-in-the-loop* (augmentasi) adalah model paling aman dan efektif untuk sebagian besar keputusan manajerial — terutama yang berdampak langsung pada manusia.

4. AI mereproduksi bias dari data *training*. Amazon Rekrut AI membuktikannya. Manajer harus mengaudit data sebelum *deploy* dan menetapkan *fairness review* untuk keputusan yang berdampak.

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.

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.

---

**Menuju 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*. Bab 18 menutup perjalanan 18 bab dengan pertanyaan: bukan apakah manajer bisa bersaing dengan AI, tetapi apakah manajer mampu menggunakan AI sebagai perpanjangan kapabilitas untuk membuat keputusan yang lebih baik — dan lebih manusiawi.

---

🔥 *"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'."*

---

## 17.12 Latihan & Refleksi

### Pertanyaan Reflektif

1. Identifikasi 3 keputusan rutin di pekerjaan atau organisasi yang Anda kenal. Untuk masing-masing, tentukan: cocok otomasi penuh, augmentasi (*human-in-the-loop*), atau tetap manusia saja? Berikan alasan berbasis karakteristik keputusan (volume, struktur, dampak).

2. Apa bahaya terbesar jika manajer "*blindly trust*" *output* AI tanpa validasi? Berikan satu skenario nyata di mana ini bisa terjadi — dan apa konsekuensinya.

3. Jika Anda ditugaskan memimpin inisiatif AI pertama di organisasi, tiga langkah pertama apa yang Anda ambil — dan mengapa urutan itu penting?

4. Indonesia belum memiliki regulasi AI spesifik seperti EU AI Act. Apakah ini peluang (fleksibilitas inovasi) atau risiko (tidak ada perlindungan)? Argumentasikan posisi Anda.

### Latihan Artefak

**Latihan 17.1 — AI *Use Case Canvas* (Template A.17)**

Gunakan Template A.17 untuk mengevaluasi 3 kandidat *use case* AI di organisasi yang Anda kenal.

Langkah:
1. Identifikasi 3 keputusan atau proses yang potensial untuk diaugmentasi atau diotomasi AI
2. Berikan skor 1–5 per kriteria — dengan evidensi, bukan estimasi intuitif
3. Tentukan tipe (otomasi/augmentasi/tidak layak) dan apakah termasuk *quick win*
4. Rekomendasikan prioritas dan *next step* konkret

**Kriteria *output* yang baik:**
- *Use case* bersifat spesifik dan kontekstual — bukan generik ("pakai AI untuk efisiensi" terlalu umum)
- Skor memiliki justifikasi berbasis kondisi organisasi
- Rekomendasi *next step* bersifat *actionable* — menyebutkan tindakan, data yang perlu disiapkan, dan *stakeholder* yang perlu dilibatkan

*Template A.17 melengkapi Bab 17 sebagai bab khusus AI. Bab 18 — bab terakhir — merangkum seluruh perjalanan dan menghadap ke masa depan.*

---

## Referensi

Alim, H. B. (2025). AI-integrated public digital infrastructure for geopark tourism. *JIMAT*.

Bank Mandiri. (2023). *Laporan Tahunan 2023*. PT Bank Mandiri (Persero) Tbk.

Davenport, T. H. (2023). *The AI Advantage* (Updated ed.). MIT Press.

European Commission. (2024). *EU Artificial Intelligence Act*. Official Journal of the EU.

Fountaine, T., McCarthy, B., & Saleh, T. (2022). Building the AI-powered organization. *Harvard Business Review*, *100*(4), 62–73.

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.

Iansiti, M., & Lakhani, K. R. (2023). AI-first companies: From vision to delivery. *Harvard Business Review*, *101*(3), 44–55.

Laudon, K. C., & Laudon, J. P. (2022). *Management information systems* (17th ed.). Pearson.

Mikalef, P., & Gupta, M. (2021). Artificial intelligence capability. *Information & Management*, *58*(3), 103434.

VentureBeat. (2023). *Why 87% of AI projects fail*. VentureBeat.

---

<!-- SELF-CHECK -->
```
[✓] 1.  Bagian VII — warna Mermaid #3a3a3a (Abu-abu Modern)
[✓] 2.  Opening Bridge merujuk Digital Maturity Assessment A.16 dan transformasi digital (Bab 16)
[✓] 3.  Closing Bridge mengarahkan ke Bab 18 (Tren SI dan Masa Depan Organisasi)
[✓] 4.  Gambar 17.1 — Kerangka Evaluasi AI Manajerial (model utama)
[✓] 5.  Gambar 17.2 — Peta Konsep (mindmap)
[✓] 6.  Tabel 17.1 — Komparasi (8 skenario keputusan AI vs manusia)
[✓] 7.  4 definisi kunci (AI, HITL, Bias Algoritmik, Generative AI)
[✓] 8.  7 sub-seksi konsep inti (sesuai BLUEPRINT)
[✓] 9.  4 Salah Kaprah (sesuai BLUEPRINT)
[✓] 10. 2 studi kasus (Dasar: Bank Mandiri, Lanjutan: Netflix)
[✓] 11. Template A.17 — AI Use Case Canvas
[✓] 12. 10 referensi (sesuai outline)
[✓] 13. Final Statement 🔥 sesuai BLUEPRINT
```