9652061f1c
- foundation/: MASTER-ANCHOR, BOOK-SPEC, BLUEPRINT, WRITING-TEMPLATE, REFERENCE-BANK - chapters/: 18 bab (bab-01 s.d. bab-18) + 18 outlines - worksheets/: 18 worksheet pendamping (A01-A18) - backmatter/: references, glosarium, indeks, kata-pengantar, tentang-penulis - scripts/: build-book.ps1, build-worksheets.ps1 (Pandoc + XeLaTeX) - templates/: book-template.tex (B5, Times New Roman, margin sesuai BOOK-SPEC) - AUDIT-REPORT.md: Phase 6 consistency audit — all gates passed - PRINT-GUIDE.md: instruksi lengkap cetak PDF RTI-20252 methodology Phase 1-6 complete. Publication-ready.
176 lines
8.7 KiB
Markdown
176 lines
8.7 KiB
Markdown
# 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
|
||
```
|