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.

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

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 8: 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:

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:

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. Laporan industri secara konsisten menunjukkan bahwa sebagian besar proyek AI mengalami hambatan di fase data preparation — bukan karena algorithm-nya yang salah, tetapi karena datanya yang tidak siap (VentureBeat, 2023).

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

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. Riset industri secara konsisten menunjukkan bahwa mayoritas proyek AI tidak mencapai skala produksi — bukan karena teknologinya gagal, tetapi karena organisasi tidak menyiapkan fondasi non-teknisnya (VentureBeat, 2023). 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:

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:

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

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. Sebagian besar 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 Diagnostik

Manajemen berencana menggunakan AI untuk keputusan kredit, rekrutmen, dan layanan pelanggan secara bersamaan. Analisis keputusan mana yang layak diotomasi penuh, mana yang lebih tepat diaugmentasi, dan mana yang harus tetap dipimpin manusia, dengan mempertimbangkan kualitas data, struktur keputusan, dampak kesalahan, potensi bias, kebutuhan explainability, dan desain governance.

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.