Categories Management Technology

TATA KELOLA AGENTIC AI DALAM EKOSISTEM DIGITAL KORPORASI: Six Stage-Gates bagi Pimpinan untuk Mengendalikan Autonomous Machines Lintas Fungsi

Kecepatan mesin, batas mandat, dan tanggung jawab manusia sebagai satu agenda pimpinan perusahaan.

Executive Summary

Saat ini, banyak keputusan di perusahaan sudah disiapkan dengan bantuan AI, mulai dari ringkasan laporan hingga draf analisis. AI telah menjadi rekan kerja sehari-hari. Namun, gelombang berikutnya membawa perubahan yang lebih mendasar. Agentic AI tidak berhenti pada pemberian saran; teknologi ini dapat merencanakan dan menjalankan rangkaian tugas secara mandiri.

Artinya, mesin mulai ikut bertindak, bukan sekadar membantu berpikir. Di kantor, wujudnya berupa software agent yang mengeksekusi tindakan digital; di pabrik, wujudnya berupa sistem fisik yang diberi kemampuan otomasi. Dalam artikel ini, keduanya disebut autonomous machines. Bagi pimpinan perusahaan, pertanyaan yang muncul menjadi sangat praktis: bagaimana memberi mesin kewenangan yang lebih besar tanpa kehilangan kendali, sekaligus tetap unggul di pasar?

Jawaban singkatnya: kewenangan AI agent perlu dibuka per proses melalui six stage-gates, bukan melalui satu izin besar untuk semua tindakan. Mengapa harus bertahap? Data terbaru memberikan alasannya. Survei McKinsey The State of AI in 2026 (terbit Agustus 2026; 1.719 responden dari 97 negara) menunjukkan organisasi besar, yaitu yang pendapatan tahunannya lebih dari US$1 miliar, sedang bergerak sangat cepat. Porsi responden yang organisasinya sudah melakukan scaling AI agents, yaitu memperluas penerapan dan pemakaian AI agent di sedikitnya satu fungsi bisnis sehingga tidak lagi sebatas eksperimen atau pilot, naik dari 27% pada survei 2025 menjadi 40% pada survei 2026. Di organisasi yang lebih kecil, angkanya tetap 22% pada kedua survei.

Sekilas, data ini tampak sebagai kabar baik. Namun, percepatan adopsi tersebut belum diikuti oleh peningkatan hasil. Porsi responden yang melaporkan AI berkontribusi terhadap EBIT tetap di sekitar 37%, sama seperti tahun sebelumnya. Gartner bahkan sudah memberi peringatan sejak Juni 2025: lebih dari 40% proyek agentic AI diperkirakan akan dibatalkan pada akhir 2027 karena biaya yang membengkak, nilai bisnis yang tidak jelas, atau risk control yang tidak memadai.

Dari kontras itu, ada 3 pesan untuk pimpinan.
Pertama, adopsi bukan bukti nilai; perluasan agen harus dibarengi bukti hasil yang dibandingkan dengan kondisi awal.
Kedua, kewenangan mengikuti dampak keputusan; sistem boleh menyiapkan tindakan berisiko tinggi, tetapi hak eksekusinya tidak otomatis ikut berpindah.
Ketiga, akuntabilitas tetap di tangan manusia; setiap tindakan agen harus dapat ditelusuri, dihentikan, dan dipulihkan. Ketiga pesan ini bukan sekadar rem. Jika dijalankan dengan disiplin, ketiganya justru membangun core competence, yaitu kemampuan khas yang sulit ditiru pesaing dan membuat perusahaan bertahan di pasar.

Pembahasan disusun dalam 6 chapter yang saling bergantung: informasi yang dapat dipercaya, koordinasi lintas fungsi, batas mandat, bukti economic value sekaligus seleksi mitra ekosistem, kesiapan menghadapi gangguan, dan tanggung jawab manusia. Seluruh pembahasan tersebut kemudian diuji melalui dua studi kasus, DBS dan Siemens–thyssenkrupp, sebelum ditutup dengan decision gate, cara tata kelola membangun core competence, pelajaran untuk Indonesia, dan roadmap.

Pendahuluan — Ketika Keputusan Mulai Dijalankan Mesin

TATA KELOLA AGENTIC AI DALAM EKOSISTEM DIGITAL KORPORASI: Six Stage-Gates bagi Pimpinan untuk Mengendalikan Autonomous Machines Lintas Fungsi

Pembaca tulisan-tulisan sebelumnya di martinnababan.com mungkin mengenali tiga tema yang terus muncul. “Menjaga Kejernihan Berpikir di Era AI” membahas mutu penalaran, “Decide and Drive” membahas ketegasan kepemimpinan, dan “Menempa Agile Leader Berkelanjutan” membahas kemampuan organisasi untuk belajar. Ketiganya punya satu asumsi yang sama: manusialah yang mengambil dan menjalankan keputusan.

Kini, asumsi tersebut mulai bergeser. Sebagian keputusan operasional sudah dapat disiapkan, bahkan dijalankan, oleh mesin. Pertanyaan yang muncul pun bertambah. Bukan lagi sekadar “apakah keputusannya tepat?”, melainkan juga “siapa pemiliknya, sampai mana mandatnya, dan siapa yang bertanggung jawab jika keliru?”. Ketika pertanyaan ini muncul, tata kelola agentic AI tidak dapat lagi diserahkan kepada tim IT semata. Tata kelola tersebut telah menjadi urusan pimpinan perusahaan. Dalam artikel ini, istilah pimpinan mencakup direksi, dewan komisaris, pemilik usaha, dan pimpinan unit bisnis yang memegang kewenangan serta tanggung jawab atas keputusan perusahaan.

Sebagai gambaran, ambil contoh produk yang akrab bagi banyak orang: es krim Magnum dan Wall’s dari bisnis es krim Unilever. Permintaan es krim sangat dipengaruhi cuaca. Unilever (2025) mencatat bahwa pada bulan musim panas di Eropa, kenaikan suhu 1°C saja dapat mengubah prakiraan penjualan secara signifikan. Karena itu, perusahaan ini memakai AI untuk menganalisis data cuaca dalam menyusun prakiraan volume; di Swedia, akurasi prakiraan meningkat 10%. Data dari 100.000 freezer yang terhubung dengan AI juga dilaporkan meningkatkan pesanan ritel dan penjualan hingga 30%.

Sekarang bayangkan langkah berikutnya. Senin pagi, prakiraan cuaca menunjukkan gelombang panas, dan permintaan es krim diperkirakan melonjak. Dengan cara kerja lama, pemasaran mengirim proyeksi ke produksi, produksi mengecek kapasitas, pengadaan meminta penawaran bahan baku, lalu keuangan menilai anggaran. Rangkaian ini dapat memakan waktu beberapa hari, padahal cuaca panas dapat berlalu sebelum keputusan diambil. Dengan proses yang terintegrasi, sejumlah AI agent dapat membaca perubahan permintaan, menyusun opsi jadwal produksi, menghitung kebutuhan bahan, dan menyiapkan permintaan persetujuan dalam satu alur. Skenario lanjutan ini bersifat ilustratif, bukan gambaran sistem yang sudah dijalankan Unilever. Meskipun demikian, tetap ada batasnya: pembelian bahan bernilai besar atau perubahan yang menyangkut keamanan pangan tetap membutuhkan otorisasi manusia sesuai kebijakan perusahaan.

Sebenarnya, kecepatan bukan hal baru. Rule-based automation sudah lama mempercepat proses bisnis. Bedanya, rule-based automation hanya mengikuti urutan langkah yang sudah ditetapkan, sedangkan AI agent dapat memilih langkah sendiri, memakai berbagai perangkat digital, dan mengubah rencana saat kondisi berubah. Ketika agen pemasaran, produksi, pengadaan, dan keuangan tadi saling berkoordinasi, terbentuklah multi-agent system. Keluwesan inilah yang membuatnya bernilai sekaligus berisiko: keputusan yang keliru dapat menyebar lintas fungsi secepat keputusan yang benar.

Dari sini, artikel ini mencoba menjawab 2 pertanyaan.
Pertama, dalam urutan apa pimpinan boleh memperluas kewenangan mesin?
Kedua, bagaimana tata kelola itu sekaligus membangun keunggulan yang membedakan perusahaan dari pesaingnya? Pembahasan dimulai dari hal paling mendasar, yang sering dianggap sudah tertata padahal belum: apakah informasi yang dipakai bersama oleh para agen itu dapat dipercaya?

Chapter 01 — Data Governance: Menyatukan Sekat Data Menuju Infrastruktur Informasi Terpadu

Di dunia data ada ungkapan lama yang masih sangat relevan: garbage in, garbage out. Banyak pihak mengira keberhasilan sistem otonom ditentukan oleh kecanggihan algoritmanya, padahal hambatan terbesarnya justru sering ada pada kualitas data. Istilahnya data silos: data tersimpan di unit atau aplikasi yang sulit saling mengakses secara sah dan konsisten. Contohnya cukup akrab dalam keseharian perusahaan. Estimasi penjualan di pemasaran berbeda dengan catatan produksi, kode barang di pengadaan tidak sama dengan di gudang, dan keuangan baru menerima pembaruan setelah tutup buku. Jika AI agent membaca sumber yang saling bertentangan seperti ini, hasilnya dapat cepat, tetapi keliru. Pesan chapter ini tegas: sebelum memperluas AI agent, benahi terlebih dahulu datanya, karena tanpa data yang terkelola, kecepatan agen justru mempercepat kesalahan.

Lalu, bagaimana cara mengatasinya? Jawabannya adalah enterprise data foundation, yaitu aturan main bersama yang menetapkan definisi, pemilik, mutu, dan hak akses data. Produk yang sama harus punya identitas yang konsisten, setiap transaksi harus bertanggal, dan setiap perubahan harus dapat diaudit. Kabar baiknya, integrasi tidak berarti semua data harus disalin ke satu data warehouse. Perusahaan dapat memakai application programming interface (API), yaitu jalur komunikasi terkontrol antar-software. Data sensitif tetap dibatasi sesuai kebutuhan kerja dengan prinsip least privilege. Di Indonesia, ini bukan sekadar praktik baik, melainkan juga konsekuensi Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi (UU PDP), yang berlaku penuh sejak 17 Oktober 2024.

Jika data adalah bahan bakarnya, di mana posisinya dalam keseluruhan alur kerja agen, dan di mana saja titik kendalinya? Gambar 1 memetakannya dalam satu rantai.

Gambar 1. Arsitektur pengelolaan AI agent lintas fungsi

TATA KELOLA AGENTIC AI DALAM EKOSISTEM DIGITAL KORPORASI: Six Stage-Gates bagi Pimpinan untuk Mengendalikan Autonomous Machines Lintas Fungsi

Sumber: Ilustrasi konseptual penulis, 2026.

Gambar 1 dibaca dari kiri ke kanan. Ada empat kotak yang berurutan: data terpercaya (akses, kualitas, otorisasi), agen lintas fungsi (rencana, tindakan, koordinasi), kontrol manusia (persetujuan, audit, penghentian), dan hasil bisnis (nilai, layanan, ketahanan). Sekilas tampak sederhana, tetapi letak kotak kontrol manusia patut dicermati: kotak tersebut berada di antara agen dan hasil bisnis, bukan di akhir sebagai pemeriksa laporan.

Posisi itu membawa pesan penting. Panah-panah dalam gambar bukan sekadar arah aliran, melainkan syarat. Hasil bisnis hanya layak dikejar jika kontrol manusia berfungsi, dan kontrol manusia hanya bermakna jika agennya bekerja dengan data yang benar. Tidak ada jalan pintas dari kotak pertama langsung ke kotak terakhir.

Dalam praktik, rantai ini menuntut agen tahu kapan harus berhenti. Begitu sumber datanya meragukan atau transaksi menyentuh batas persetujuan, agen wajib menahan langkah dan meminta pemeriksaan. Aturan sederhana ini mencegah satu kesalahan data berkembang menjadi rentetan keputusan otomatis yang saling memperkuat, yang jauh lebih mahal untuk diperbaiki di kemudian hari.

Dengan demikian, pesan Chapter 01 dapat diringkas dalam satu kalimat: kualitas keputusan AI agent tidak akan pernah melampaui kualitas data yang dibacanya.

Takeaway untuk pimpinan: jangan menyetujui perluasan agen pada proses yang datanya belum punya pemilik, definisi baku, dan ukuran mutu.

Chapter 02 — Cross-Functional Decision-Making: Mengendalikan Dinamika Keputusan Lintas Departemen

TATA KELOLA AGENTIC AI DALAM EKOSISTEM DIGITAL KORPORASI: Six Stage-Gates bagi Pimpinan untuk Mengendalikan Autonomous Machines Lintas Fungsi

Data yang rapi baru separuh jalan. Data itu baru benar-benar berguna jika beberapa fungsi memakainya untuk tujuan yang sama. Di era agen, proses tidak lagi berjalan mengikuti bagan organisasi, tetapi dipicu oleh kejadian: permintaan naik, pemasok terlambat, atau stok menipis. Agen pemasaran membaca pola, agen produksi menghitung kapasitas, agen pengadaan menyiapkan pilihan, dan agen keuangan mengecek dampaknya terhadap kas. Pesan chapter ini tegas: menghubungkan banyak agen hanya bermanfaat jika ada satu sasaran bersama dan satu pemilik proses yang bertanggung jawab dari hulu sampai hilir.

Masalahnya, setiap agen dirancang untuk mengejar target fungsinya sendiri. Sebagai skenario ilustratif, misalkan harga bahan baku naik 12%. Agen langsung menyusun daftar pemasok alternatif dan opsi penyesuaian jadwal. Keuangan lalu menguji kas, operasi mengecek kapasitas, dan pengadaan menilai kualitas serta kontrak. Tanpa sasaran bersama, yang terjadi serupa dengan tim sepak bola tanpa kapten: pengadaan mengejar harga termurah, produksi mengejar utilisasi, dan keuangan mengejar kas. Setiap agen merasa sudah bekerja benar, tetapi perusahaan secara keseluruhan dapat kalah.

Karena itu, koordinasi seperti ini tidak dapat dibiarkan berjalan sendiri. Dibutuhkan cross-functional workflow management dengan satu end-to-end process owner. Dialah yang menetapkan sasaran bersama, menentukan langkah mana yang boleh otomatis dan pengecualian mana yang wajib disetujui manusia, serta memutuskan cara menyelesaikan rekomendasi yang saling bertabrakan. Setiap keputusan juga harus meninggalkan jejak: apa sumber datanya, apa alasannya, dan siapa penanggung jawabnya.

Dengan demikian, pesan Chapter 02 dapat diringkas dalam satu kalimat: agen boleh banyak, tetapi tujuan dan pemilik prosesnya harus satu. Namun, satu pertanyaan masih tersisa: bagaimana jika agennya sendiri yang melampaui mandat?

Takeaway untuk pimpinan: tetapkan satu end-to-end process owner dan satu sasaran bersama sebelum agen dari beberapa fungsi disambungkan.

Chapter 03 — AI Risk Management: Mitigasi Risiko Sistemik dan Pencegahan Penyimpangan Agen

Pertanyaan itu membawa kita ke sisi lain dari koordinasi yang cepat: jika salah, dampaknya juga ikut membesar. Dalam artikel ini, agent drift berarti perilaku agen yang perlahan menjauh dari tujuan atau batas awalnya, misalnya karena instruksi yang ambigu atau data baru yang menyesatkan. Karena output satu agen langsung menjadi input agen berikutnya, satu kekeliruan dapat merembet ke banyak transaksi, seperti efek domino. Dengan demikian, perusahaan tidak cukup mengatur apa yang boleh dilakukan agen; perusahaan juga harus mengatur kapan agen wajib berhenti. Pesan chapter ini tegas: kewenangan agen harus dibatasi sesuai dampak tindakannya, dan setiap agen harus dapat ditelusuri serta dihentikan kapan saja.

Di sinilah AI governance berperan. Minimal ada empat pertanyaan yang harus terjawab: siapa yang berwenang memberi mandat, tindakan apa yang boleh dilakukan, bagaimana keputusan dicatat, dan kapan operasi dihentikan. Dua alat utamanya adalah audit trail dan kill-switch. Audit trail adalah rekaman yang memungkinkan pemeriksa melihat data, instruksi, model, persetujuan, dan tindakan di balik sebuah keputusan. Kill-switch adalah tombol penghentian darurat. Praktik yang baik juga menyiapkan prosedur pemulihan agar transaksi tidak menggantung di tengah jalan setelah sistem dihentikan.

Kabar baiknya, organisasi tidak perlu merancang semua ini dari nol. National Institute of Standards and Technology (NIST) menerbitkan AI Risk Management Framework (AI RMF) 1.0 pada Januari 2023 dan profil khusus generative AI (NIST AI 600-1) pada Juli 2024. Kerangkanya terdiri atas 4 fungsi: govern, map, measure, dan manage. Ada juga ISO/IEC 42001:2023 dari International Organization for Standardization (ISO) dan International Electrotechnical Commission (IEC) yang menetapkan persyaratan AI management system. Untuk perbankan nasional, Otoritas Jasa Keuangan (OJK) meluncurkan Tata Kelola Kecerdasan Artifisial Perbankan Indonesia pada 29 April 2025 sebagai acuan minimum dan mendorong bank membentuk komite AI. Tentu saja, kerangka-kerangka ini bukan jaminan sistem bebas dari kesalahan; pengujian dan kewajiban hukum sektoral tetap harus dipenuhi.

Pertanyaan praktisnya kemudian: seberapa ketat kendali yang dibutuhkan? Jika semuanya diperketat, agen kehilangan manfaatnya. Jika semuanya dilonggarkan, risikonya tidak terkendali. Tabel 1 menawarkan jalan tengah dengan mengaitkan kewenangan agen pada tingkat dampak tindakannya.

Tabel 1. Matriks kewenangan agen menurut tingkat dampak

No.

Tingkat dampak

Contoh tindakan

Keputusan dan kontrol

1

Rendah

Meringkas status stok

Otomatis; hasil dapat diperiksa

2

Menengah

Menyusun usulan jadwal

Otomatis dengan validasi pengecualian

3

Tinggi

Membeli barang bernilai besar

Persetujuan manusia sebelum eksekusi

4

Kritis

Mengubah parameter keselamatan atau data nasabah

Eksekusi otomatis dilarang; kontrol khusus dan multi-level approval

Sumber: Kerangka konseptual penulis dengan mengacu pada NIST (2023, 2024), ISO/IEC 42001 (2023), dan OJK (2025); disusun 2026.

Tabel 1 dibaca per baris, dari dampak paling rendah sampai paling tinggi. Perhatikan pola di kolom paling kanan: semakin ke bawah, semakin besar peran manusia. Pada tingkat rendah, manusia cukup dapat memeriksa hasil. Pada tingkat menengah, manusia memvalidasi pengecualian. Pada tingkat tinggi, manusia harus menyetujui sebelum eksekusi. Pada tingkat kritis, eksekusi otomatis dilarang sama sekali.

Yang menarik, ukuran yang dipakai adalah dampak, bukan kecanggihan teknologi. Agen yang sangat canggih tetap tidak boleh mengeksekusi pembelian bernilai besar tanpa persetujuan, sedangkan agen sederhana boleh bekerja otomatis untuk meringkas status stok. Ambang nilai dan kategorinya ditetapkan oleh masing-masing organisasi; matriks ini bersifat ilustratif, bukan standar angka universal. Dampak finansial, keselamatan, privasi, reputasi, dan kepatuhan juga perlu dinilai bersamaan, karena transaksi kecil pun dapat menjadi kritis jika menyentuh data nasabah atau mesin keselamatan.

Bagi pimpinan, tabel ini dapat langsung dipakai sebagai alat kerja. Setiap kali ada usulan penggunaan AI agent, cukup ajukan satu pertanyaan: tindakan ini masuk baris yang mana? Jawabannya langsung menentukan kontrol minimum yang wajib ada. Diskusinya pun bergeser dari “percaya atau tidak pada teknologinya” menjadi “kontrolnya sudah sesuai dengan dampaknya atau belum”. Agar matriks ini tidak berhenti di atas kertas, audit internal sebaiknya mengujinya pada transaksi nyata, bukan hanya pada dokumen kebijakan.

Dengan demikian, pesan Chapter 03 dapat diringkas dalam satu kalimat: semakin besar dampak sebuah tindakan, semakin besar pula peran manusia di dalamnya.

Takeaway untuk pimpinan: setiap agen wajib punya matriks kewenangan tertulis, audit trail, dan kill-switch yang sudah diuji sebelum diberi hak eksekusi.

Chapter 04 — Value Realization: Mengukur Kontribusi Nilai dan Menyaring Mitra Ekosistem

Setelah data, koordinasi, dan batas wewenang tertata, pimpinan perlu menjawab pertanyaan yang paling menentukan: apakah AI benar-benar menghasilkan nilai? Pesan chapter ini tegas: AI baru layak diperluas jika memenuhi tiga syarat, yaitu hasilnya terukur, biayanya dihitung secara utuh, dan mitranya teruji. Tanpa ketiga syarat itu, perluasan AI hanya menambah biaya, bukan nilai.

Syarat pertama: hasil harus terukur. Ukuran keberhasilan bukan jumlah agen yang aktif atau banyaknya pegawai yang memakai AI, melainkan perubahan hasil bisnis. Inilah inti outcome-based management, yaitu mengelola berdasarkan hasil, seperti cycle time, error rate, service quality, dan produktivitas working capital. Setiap indikator membutuhkan baseline, rentang pengukuran, dan pemilik hasil. Tanpa baseline, perusahaan tidak dapat membuktikan bahwa perbaikan yang terlihat berasal dari agen, bukan dari faktor lain seperti musim atau promosi.

Syarat kedua: biaya harus dihitung secara utuh. Return on investment (ROI) tidak cukup hanya menghitung biaya lisensi. Biaya model inference, integrasi, keamanan, pengujian, pengawasan, dan retraining juga harus masuk. Biaya ini nyata: survei McKinsey 2026 mencatat sekitar satu dari lima responden menyebut biaya operasional AI, termasuk token cost, mulai membatasi pemakaian AI di organisasinya. Ada dua aturan hitung yang perlu dipegang. Pertama, penghematan waktu baru boleh dihitung sebagai keuntungan jika berubah menjadi tambahan kapasitas, kualitas layanan, atau pengurangan biaya yang nyata. Kedua, kegagalan yang berhasil dicegah, seperti keputusan berisiko yang dihentikan dan keluhan yang ditangani manusia, juga merupakan nilai yang perlu dicatat.

Mengapa kedua syarat ini perlu ditegaskan? Karena data di lapangan menunjukkan bahwa adopsi yang cepat belum tentu menghasilkan nilai. Grafik 1 memperlihatkan hal tersebut.

Grafik 1. Scaling AI agents menurut ukuran organisasi, 2025–2026

TATA KELOLA AGENTIC AI DALAM EKOSISTEM DIGITAL KORPORASI: Six Stage-Gates bagi Pimpinan untuk Mengendalikan Autonomous Machines Lintas Fungsi

Sumber: McKinsey & Company, The State of AI in 2026: On the Road to ROI (Agustus 2026); survei daring 4 Mei–8 Juni 2026, n = 1.719 responden dari 97 negara. Visualisasi penulis.

Grafik 1 berisi dua kelompok batang. Kelompok kiri mewakili organisasi besar dengan pendapatan tahunan lebih dari US$1 miliar, sedangkan kelompok kanan mewakili organisasi yang lebih kecil. Batang abu-abu menunjukkan hasil survei 2025, sedangkan batang hijau menunjukkan hasil survei 2026. Tinggi batang adalah persentase responden yang organisasinya sudah melakukan scaling AI agents.

Ada 2 temuan di balik grafik ini. Temuan pertama menyangkut jarak: organisasi besar naik 13 poin persentase dalam setahun, dari 27% menjadi 40%, sementara organisasi yang lebih kecil tetap di 22%. Jaraknya melebar. Temuan kedua justru lebih penting dan tidak terlihat di grafik: pada periode yang sama, porsi responden yang melaporkan kontribusi AI terhadap EBIT tidak bergerak dari sekitar 37%, dan hanya sekitar 6% responden yang masuk kategori AI high performers, yaitu organisasi yang mengatribusikan sedikitnya 5% EBIT kepada AI dan menilai dampaknya signifikan.

Kesimpulannya jelas: tingginya adopsi bukan bukti nilai. Semakin banyak perusahaan memperluas AI agent, tetapi hanya sebagian kecil yang benar-benar merasakan dampaknya pada laba. Bagi perusahaan yang merasa tertinggal, temuan ini sekaligus melegakan dan menjadi peringatan. Melegakan, karena terlambat mengadopsi belum tentu berarti kalah. Menjadi peringatan, karena mengejar ketertinggalan tanpa pembuktian hanya akan menambah biaya. Di sinilah dua syarat tadi berfungsi sebagai penyaring: hanya perluasan yang hasilnya terukur dan biayanya dihitung utuh yang layak dilanjutkan.

Namun, hasil yang terukur dan biaya yang utuh tetap belum cukup jika mitra yang dipilih keliru. Inilah syarat ketiga: mitra harus teruji. Nilai AI juga ditentukan oleh mutu vendor dan mitra teknologi di dalam ekosistem digital perusahaan. Gartner mengingatkan fenomena agent washing, yaitu vendor yang sekadar memberi label baru agentic AI pada asisten AI, robotic process automation (RPA), atau chatbot tanpa kemampuan agen yang memadai. Menurut perkiraan Gartner, hanya sekitar 130 dari ribuan vendor agentic AI yang benar-benar menawarkan kemampuan tersebut. Karena itu, due diligence vendor perlu mencakup demonstrasi dengan data perusahaan sendiri, kejelasan kepemilikan data, audit trail, dan kemampuan penghentian, bukan hanya presentasi fitur yang memukau.

Dengan demikian, pesan Chapter 04 dapat diringkas dalam satu kalimat: jangan menilai AI dari seberapa luas pemakaiannya, tetapi dari seberapa besar nilai yang terbukti setelah seluruh biayanya diperhitungkan.

Takeaway untuk pimpinan: setujui perluasan hanya jika tiga syarat terpenuhi, yaitu hasil terukur terhadap baseline, total cost of ownership yang dihitung utuh, dan vendor yang lolos due diligence.

Chapter 05 — Business Continuity: Membangun Ketahanan Operasional melalui Simulasi Skenario Krisis

Nilai yang terbukti dalam kondisi normal baru menunjukkan separuh cerita. Ujian sebenarnya datang saat keadaan tidak normal: komputasi terganggu, kualitas data turun, serangan siber terjadi, atau aturan baru membatasi proses. Dalam situasi seperti itu, nilai bisnis dapat hilang jauh lebih cepat daripada saat membangunnya. Ada tiga pertanyaan kunci yang perlu dijawab sebelum krisis datang: minimum service level apa yang wajib tetap tersedia, seberapa cepat keputusan otomatis harus dihentikan, dan siapa yang mengambil alih saat sistem gagal? Pesan chapter ini tegas: AI yang belum pernah diuji dalam kondisi krisis belum layak dipercaya untuk menjalankan proses kritis.

Salah satu alat untuk menjawabnya adalah digital twin simulation, yaitu simulasi digital atas proses atau aset nyata untuk menjalankan scenario testing tanpa mengganggu operasi. Cara kerjanya serupa dengan simulator penerbangan, tetapi untuk perusahaan. Di supply chain, misalnya, perusahaan dapat menyimulasikan penutupan pelabuhan, lonjakan permintaan, dan kenaikan harga energi sekaligus. Agen lalu diuji: mampukah agen tersebut mengusulkan rute distribusi alternatif, memperbarui kebutuhan kas, dan mengirim alert saat kapasitas tidak mencukupi? Yang diuji bukan hanya akurasi forecast-nya, tetapi juga disiplinnya menaati batas mandat saat kondisi tidak menentu.

Pengujiannya dapat dilakukan bertahap sesuai kematangan organisasi. Mulai dari tabletop exercise untuk menyepakati peran dan jalur keputusan, lanjut ke test environment yang meniru transaksi nyata, sampai simulasi berkala pada proses kritis. Hasilnya diukur terhadap impact tolerance dan kemampuan pemulihan, bukan berhenti pada laporan “pelatihan selesai”.

Dengan demikian, pesan Chapter 05 dapat diringkas dalam satu kalimat: ketahanan tidak diukur dari seberapa jarang sistem gagal, tetapi dari seberapa cepat perusahaan dapat menghentikan, mengambil alih, dan memulihkan keadaan. Meski begitu, sekuat apa pun sistemnya, ada satu pertanyaan yang tidak dapat dijawab oleh simulasi: siapa yang menjelaskan, membatalkan, atau memperbaiki keputusan ketika pelanggan dan karyawan terdampak?

Takeaway untuk pimpinan: minta bukti scenario testing dan uji kill-switch pada proses kritis minimal setahun sekali, lengkap dengan waktu penghentian dan waktu pemulihannya.

Chapter 06 — People & Accountability: Menjaga Sentuhan Kemanusiaan di Tengah Arus Otomatisasi Global

Jawaban atas pertanyaan itu pada akhirnya kembali ke manusia. Saat semakin banyak tugas rutin dikerjakan mesin, kualitas hubungan antarmanusia justru menjadi pembeda. Pelanggan yang menghadapi masalah rumit butuh seseorang yang mau mendengar, memahami konteks, dan bertanggung jawab sampai tuntas. Karyawan juga berhak tahu sejauh mana mereka dipantau dan bagaimana data mereka dipakai. Escalation path ke petugas harus mudah ditemukan; empati tidak boleh menjadi fitur tambahan yang baru muncul setelah sistem gagal. Pesan chapter ini tegas: AI dapat mengambil alih tugas, tetapi tanggung jawab dan kepercayaan tetap harus dijaga oleh manusia.

Menjaga sisi manusia juga bukan hanya persoalan etika, melainkan juga persoalan hasil. Work Trend Index 2026 dari Microsoft, yang didasarkan pada survei terhadap 20.000 pengguna AI di 10 negara, menemukan bahwa faktor organisasi, seperti budaya, dukungan manajer, dan praktik talent management, menjelaskan sekitar 67% dampak AI yang dilaporkan. Pola pikir dan perilaku individu hanya menjelaskan sekitar 32%. Pesannya jelas: pengungkit utamanya ada pada job design dan kepemimpinan, bukan pada lisensi teknologi.

Ada satu tantangan yang sering luput, yaitu talenta muda. Selama ini, tugas-tugas awal adalah “sekolah” bagi karyawan junior. Dari situ mereka belajar memahami proses, menemukan kesalahan, dan menghadapi pelanggan. Jika semua tugas itu diambil alih mesin, perusahaan harus menciptakan jalur belajar baru, misalnya melalui mentoring, job rotation, dan evaluasi berbasis masalah nyata. Satu hal yang tidak berubah: keputusan yang bernuansa moral, mengandung konflik kepentingan, atau menyangkut hak seseorang tetap dipegang manusia.

Dengan demikian, pesan Chapter 06 dapat diringkas dalam satu kalimat: hasil AI ditentukan oleh kualitas organisasi dan kepemimpinannya, bukan oleh lisensi teknologinya. Sampai di sini, keenam chapter sudah membentuk satu pengujian yang utuh: apakah datanya dapat dipercaya, tindakan lintas fungsinya terkoordinasi, kewenangannya terbatasi, manfaatnya terukur, operasinya tahan gangguan, dan manusianya dapat dimintai pertanggungjawaban? Teori saja tentu belum cukup. Enam pertanyaan inilah yang akan dipakai untuk membedah dua studi kasus nyata berikut.

Takeaway untuk pimpinan: pastikan pelanggan punya jalur keberatan, karyawan dapat melaporkan kesalahan agen tanpa rasa takut, dan program pengembangan talenta junior dirancang ulang.

Studi Kasus — Dua Industri, Tiga Tingkat Bukti

Mengapa DBS dan Siemens–thyssenkrupp? Karena keduanya mewakili dua jenis risiko yang sangat berbeda. Bank menjaga data dan hak nasabah, sedangkan pabrik menjaga keselamatan fisik. Jika pola tata kelola yang sama muncul di dua dunia yang berbeda, pola itu layak dipelajari. Kedua kasus dibaca dengan enam pertanyaan tadi, sekaligus dipilah menurut tiga tingkat bukti: nilai portofolio, hasil tugas tertentu, dan izin bertindak otonom.

Kasus 1. DBS, Singapura — Membuktikan Nilai tanpa Melampaui Bukti

DBS menghadapi tantangan khas bank besar: bagaimana mengindustrialisasi AI tanpa kehilangan kendali atas data nasabah, kualitas keputusan, dan kepatuhan. Bank ini bukan pemain baru; DBS sudah bekerja dengan AI selama lebih dari satu dekade. Menurut DBS Annual Report 2025, bank ini menjalankan lebih dari 2.000 model AI pada lebih dari 430 use case, dengan economic value sekitar SGD1 miliar dari seluruh inisiatif data analytics dan AI/machine learning sepanjang 2025. Setahun sebelumnya, angkanya sekitar SGD750 juta dari lebih dari 1.500 model dan 370 use case. Perlu dicatat, angka ini mencerminkan hasil program digital secara luas, bukan manfaat yang dapat diklaim sepenuhnya oleh agentic AI.

Bagaimana dengan tingkat aplikasi? Letter from Chairman and CEO dalam laporan yang sama menyebutkan bahwa data scientist DBS memakai CodeBuddy, coding assistant berbasis generative AI dan agentic AI, yang memangkas waktu coding hingga 20% pada coding task tertentu. Angka ini nyata, tetapi lingkupnya sempit; ini bukan kenaikan produktivitas seluruh pegawai.

Langkah yang lebih menarik datang pada 19 Agustus 2026. DBS mengumumkan perluasan solusi agentic AI untuk menyusun credit memo korporasi, dari 150 peserta pilot menjadi sekitar 1.500 relationship manager dan credit risk manager. Agen-agen ini mengerjakan lebih dari 70 tugas untuk menghasilkan review-ready first draft, sementara bankir tetap menyempurnakan dan bertanggung jawab atas memo akhirnya. DBS menargetkan penghematan waktu minimal 30% untuk pekerjaan yang dapat menyita hingga 40% waktu relationship manager. Catatan pentingnya: angka 30% itu masih target, belum hasil yang terukur.

Yang membuat DBS relevan bagi pembahasan ini justru sikapnya terhadap otonomi. Chief Data and Transformation Officer DBS, Nimish Panchmatia, menulis pada Oktober 2025 bahwa tata kelola yang diawasi manusia adalah inti seluruh penerapan AI di bank tersebut. Fondasinya meliputi escalation path, audit trail, mekanisme fallback, kerangka PURE (Purposeful, Unsurprising, Respectful, Explainable), dan komite Responsible AI lintas fungsi. Dalam wawancara dengan Computer Weekly (2026), ia menjelaskan bahwa DBS belum mengizinkan agen bertindak tanpa pemeriksaan manusia karena kemampuan agent governance berkembang jauh lebih lambat daripada kemampuan membangun agennya. DBS membatasi jumlah langkah di setiap agent chain, menaruh pemeriksaan di antara tahapan, dan menghentikan proses untuk ditinjau begitu agen berperilaku di luar dugaan.

Pelajarannya bagi pimpinan: economic value berskala besar dapat dicapai tanpa menyerahkan hak eksekusi kepada agen. DBS memperluas penggunaan, tetapi menahan otonomi sampai kemampuan pengawasannya menyusul.

Kasus 2. Siemens–thyssenkrupp, Jerman — Asisten Industri dan Batas Keselamatan

Kasus kedua membawa pembahasan dari ruang rapat bank ke lantai pabrik. Siemens bersama Microsoft mengembangkan Siemens Industrial Copilot, asisten berbasis generative AI yang ditenagai Azure OpenAI Service, untuk membantu insinyur memanfaatkan informasi teknis dan menyusun automation code. Publikasi Microsoft pada Oktober 2024 menggambarkan insinyur thyssenkrupp Automation Engineering di Chemnitz, Jerman, yang memakai solusi ini untuk memprogram dan menguji mesin inspeksi sel baterai kendaraan listrik. Data milik thyssenkrupp disimpan di private cloud dan tidak dibagikan kepada Siemens. Pada saat yang sama, Siemens dan Microsoft melaporkan lebih dari 100 perusahaan sudah memakai Industrial Copilot, dan thyssenkrupp Automation Engineering berencana meluncurkannya secara global mulai 2025.

Poin pentingnya bukan mesin yang mengambil alih pabrik. Justru sebaliknya, usulan teknis dari AI tetap diperiksa insinyur dalam konteks peralatan fisik. Publikasi tersebut juga tidak memuat hasil terukur, seperti penghematan waktu atau biaya, sehingga belum cukup untuk menyimpulkan kenaikan laba atau penurunan kecelakaan. Karena itu, hak AI perlu dibuka bertahap: dari mencari informasi, menyiapkan program, menguji di lingkungan terkontrol, sampai mengeksekusi peralatan. Setiap kenaikan tingkat butuh bukti keselamatan dan persetujuan yang sesuai.

Pelajarannya bagi pimpinan: AI dapat memperkuat keahlian insinyur tanpa mengambil alih keputusan keselamatan. Bantuan teknis dan otorisasi tindakan pada mesin fisik adalah dua keputusan yang berbeda dan harus diputuskan secara terpisah.

Dua kasus ini menyajikan banyak angka dan klaim. Bagaimana memilah mana yang benar-benar membuktikan keberhasilan agentic AI? Gambar 2 menyusun bukti dari kedua kasus ke dalam satu peta.

Gambar 2. Peta bukti penerapan AI pada DBS dan Siemens–thyssenkrupp

gambar2.png

Sumber: DBS Annual Report 2025 (2026); DBS (19 Agustus 2026); Microsoft (2024). Visualisasi dan pengolahan penulis, 2026.

Gambar 2 punya dua panel. Panel kiri merangkum bukti DBS dalam empat baris: portofolio, hasil tugas, credit agent, dan tingkat otonomi. Panel kanan merangkum bukti Siemens–thyssenkrupp: teknologi, pengguna, bukti hasil, dan tingkat otonomi. Catatan di bagian bawah mengingatkan bahwa economic value DBS berasal dari seluruh inisiatif data analytics dan AI, bukan dari agentic AI saja.

Jika dibaca dari atas ke bawah, muncul pola yang jarang dibicarakan: semakin dekat ke otonomi, semakin tipis buktinya. Di DBS, bukti paling kuat ada di tingkat portofolio, lalu menyempit di tingkat tugas, dan untuk credit agent yang tersedia baru target. Di Siemens–thyssenkrupp, bukti hasilnya masih deskriptif. Di kedua panel, baris terakhir sama-sama menunjukkan manusia yang memegang keputusan akhir. Artinya, organisasi yang paling maju sekalipun belum punya bukti publik yang cukup untuk melepas mesin bertindak sendiri.

Pola ini memberi pimpinan satu kebiasaan yang berguna. Setiap kali mendengar klaim keberhasilan agentic AI, baik dari vendor, konsultan, maupun tim internal, ajukan terlebih dahulu pertanyaan ini: bukti mana yang sedang dibicarakan? Angka portofolio tidak dapat dipakai untuk membenarkan izin otonomi, dan target belum dapat diperlakukan sebagai hasil. Untuk melihat apa saja pilihan desain yang membuat kedua organisasi tetap terkendali, Tabel 2 membandingkan keduanya pada enam dimensi yang sama.

Tabel 2. Perbandingan dua pendekatan implementasi AI

No.

Dimensi

DBS (perbankan)

Siemens–thyssenkrupp (manufaktur)

1

Tantangan awal

Mengindustrialisasi AI dalam skala bank tanpa mengorbankan kepercayaan nasabah

Kekurangan tenaga terampil dan kompleksitas automation programming

2

Fondasi data

Platform AI internal ADA dan tata kelola data lebih dari satu dekade

Dokumen teknik dan data produk di private cloud; tidak dibagikan kepada Siemens

3

Peran AI

Portofolio model; CodeBuddy; agen penyusun draf credit memo

Industrial Copilot membantu insinyur membuat dan memahami automation code

4

Tingkat otonomi

Agen menyiapkan; manusia memverifikasi dan memutuskan

Asisten kerja; insinyur menilai sebelum diterapkan ke mesin

5

Bukti hasil

>2.000 model; >430 use case; ~SGD1 miliar (2025); hingga 20% waktu coding tertentu; target ≥30% untuk credit memo

Deskriptif; tidak tersedia hasil terukur yang sebanding

6

Pelajaran bagi pimpinan

Pisahkan manfaat portofolio dari izin eksekusi tiap agen

Pisahkan bantuan teknis dari otorisasi tindakan pada mesin fisik

Sumber: DBS Annual Report 2025 (2026); DBS (2025, 2026); Computer Weekly (2026); Microsoft (2024); diolah penulis, 2026.

Tabel 2 menyandingkan kedua kasus baris demi baris. Tiga baris pertama, yaitu tantangan awal, fondasi data, dan peran AI, menjelaskan konteks penerapan. Tiga baris terakhir, yaitu tingkat otonomi, bukti hasil, dan pelajaran bagi pimpinan, menjelaskan seberapa jauh mesin diberi kewenangan, bukti apa yang tersedia, dan apa yang dapat dipetik.

Menariknya, meskipun industrinya sangat berbeda, pilihan desainnya serupa. Keduanya menjaga data tetap dalam kendali sendiri: DBS melalui platform AI internal, thyssenkrupp melalui private cloud. Keduanya menempatkan AI sebagai penyiap kerja, bukan pengambil keputusan akhir. Yang membedakan hanyalah apa yang dilindungi. DBS mengawasi kebocoran informasi, dampak terhadap nasabah, dan kepatuhan, sedangkan pengguna Industrial Copilot menjaga ketepatan instruksi, kesiapan teknisi, dan keselamatan peralatan.

Dari sini, ada satu prinsip yang dapat langsung dipakai: nilailah tata kelola sebuah penerapan AI dari tindakan nyata yang diizinkan, bukan dari merek atau label teknologinya. Dua produk dengan label “AI agent” dapat punya tingkat risiko yang sangat berbeda, tergantung pada apa yang boleh mereka lakukan. Bagi pimpinan perusahaan di Indonesia, ini juga pengingat untuk selalu menuntut bukti terukur, baik dari vendor maupun dari tim internal, sebelum menyetujui perluasan.

Kesimpulan — Kecepatan Harus Dibarengi Kendali

Lalu, apa benang merah dari enam chapter dan dua studi kasus tadi? Organisasi yang paling maju ternyata bukan yang paling cepat melepas kendali, melainkan yang paling disiplin menyesuaikan kecepatan dengan kesiapan. DBS memperluas agentic AI ke sekitar 1.500 bankir, tetapi tetap mewajibkan verifikasi manusia. Siemens–thyssenkrupp memakai asisten industri tanpa memindahkan keputusan keselamatan ke mesin. Di kedua kasus, kewenangan mesin tidak pernah mendahului kemampuan organisasi untuk mengawasinya.

Tantangan terbesar pimpinan, dengan demikian, bukan memilih mesin paling canggih, melainkan menyusun urutan keputusan agar perluasan kewenangan tidak melompati kesiapan. Urutan ini dapat dipinjam dari dunia pengembangan produk. Robert G. Cooper (1990) memperkenalkan logika Stage-Gate: tahap berikutnya hanya boleh dimulai setelah lolos keputusan go/no-go berbasis bukti. Dalam konteks agentic AI, yang dibuka bertahap bukan anggaran proyek, melainkan kewenangan mesin. Gambar 3 merangkum urutan itu sebagai six stage-gates.

Gambar 3. Six stage-gates pengendalian sebelum perluasan otomatisasi

gambar3.png

Sumber: Sintesis konseptual penulis berdasarkan Cooper (1990), NIST (2023, 2024), ISO/IEC 42001 (2023), OJK (2025), dan McKinsey (2026); disusun 2026.

Gambar 3 menyusun enam gate dalam dua baris. Baris atas berisi tiga gate fondasi, yaitu data, proses, dan mandat, yang memastikan agen bekerja dengan bahan yang benar, arah yang sama, dan batas yang jelas. Baris bawah berisi tiga gate pembuktian, yaitu nilai, resiliensi, dan manusia, yang memastikan hasilnya nyata, tahan gangguan, dan tetap dapat dipertanggungjawabkan. Setiap kartu punya tiga label yang sama: bukti, review, dan go/no-go. Polanya konsisten: kumpulkan bukti, tinjau bersama, lalu putuskan.

Mengapa fondasi harus didahulukan? Karena keputusan otomatis dapat melipatgandakan kesalahan yang berasal dari data dan proses. Setiap gate menghasilkan keputusan go, perbaiki, atau no-go, lengkap dengan pemilik dan bukti tertulis. Satu gate juga tidak dapat menggantikan gate lain. Data yang benar tidak cukup jika target antarunit bertabrakan, dan keuntungan ekonomi belum aman jika sistemnya tidak dapat dihentikan.

Jika diperhatikan, urutan keenam gate sama persis dengan urutan Chapter 01 sampai Chapter 06. Dengan demikian, Gambar 3 sekaligus menjadi peta ringkas seluruh artikel; pembaca yang tidak punya banyak waktu dapat menangkap logikanya dari satu gambar ini. Namun, gambar saja belum cukup untuk dibawa ke ruang rapat. Tabel 3 menerjemahkannya menjadi daftar pertanyaan yang siap dipakai.

Tabel 3. Enam keputusan strategis bagi pimpinan korporasi

No.

Pertanyaan pimpinan

Bukti minimum yang harus tersedia

1

Apakah data siap?

Pemilik, definisi baku, ukuran mutu, dan hak akses data

2

Apakah agen boleh bertindak?

Mandat tertulis dan ambang otorisasi per tingkat dampak

3

Bagaimana jika agen salah?

Audit trail, escalation path, kill-switch yang teruji, dan prosedur pemulihan

4

Apakah manfaat terbukti?

Baseline, total cost of ownership, hasil terukur yang dapat diaudit, dan vendor yang lolos due diligence

5

Apakah operasi tahan krisis?

Hasil scenario testing, minimum service level, serta waktu penghentian dan pemulihan

6

Apakah manusia tetap dipercaya?

Transparansi, kompetensi, jalur keberatan pelanggan, dan saluran pelaporan karyawan

Sumber: Sintesis penulis berdasarkan Cooper (1990), NIST (2023, 2024), ISO/IEC 42001 (2023), OJK (2025), McKinsey (2026), Gartner (2025), dan Microsoft (2026); disusun 2026.

Tabel 3 mengubah six stage-gates menjadi enam pertanyaan yang dapat diajukan pimpinan dalam rapat, lengkap dengan bukti minimum yang harus disiapkan manajemen. Jika Anda memperhatikan kotak Takeaway di akhir setiap chapter, tabel ini adalah versi ringkasnya dalam bentuk daftar periksa.

Cara memakainya lugas. Jika satu pertanyaan belum dapat dijawab dengan bukti, keputusan untuk gate itu adalah perbaiki atau no-go, bukan go. Contohnya, usulan perluasan agen yang belum punya kill-switch yang teruji berarti belum lolos pertanyaan ketiga, semenarik apa pun proyeksi manfaatnya. Tidak ada sistem nilai rata-rata di sini; satu pertanyaan yang gagal sudah cukup untuk menahan perluasan.

Tabel ini juga membagi peran dengan jelas. Pimpinan bertugas bertanya dan menilai apakah buktinya cukup, sedangkan manajemen dan fungsi terkait bertugas menyiapkan bukti tersebut. Dengan begitu, tata kelola agentic AI menjadi agenda rapat yang terukur, bukan sekadar obrolan tentang tren teknologi.

Dari Kendali ke Keunggulan: Membangun Core Competence di Era AI

Sampai di sini, mungkin muncul pertanyaan yang wajar: jika semua perusahaan dapat membeli model AI, AI agent, dan copilot yang sama, lalu apa yang membuat sebuah perusahaan tetap berbeda? Justru di sinilah tata kelola menunjukkan nilai lainnya. Alat AI dapat dibeli siapa saja, sehingga alat itu sendiri bukan pembeda. Yang tidak dapat dibeli adalah cara perusahaan mengelola data, proses, keputusan, dan orang-orangnya.

Gagasan ini sejalan dengan dua kerangka klasik manajemen strategis. Prahalad dan Hamel (1990) menyebut core competence sebagai collective learning di seluruh korporasi, yaitu kemampuan kolektif yang tumbuh dari pembelajaran bersama dan menjadi dasar keunggulan bersaing. Barney (1991), melalui resource-based view, menambahkan bahwa sumber daya baru dapat menjadi sustained competitive advantage jika memenuhi empat syarat: bernilai, langka, sulit ditiru, dan tidak mudah digantikan. Di era AI, kedua kerangka ini memunculkan satu pertanyaan tajam untuk pimpinan: apakah AI memperkuat core competence kita, atau justru membuat kita sama dengan pesaing?

Jawabannya tergantung pada cara AI dikelola. Six stage-gates ternyata punya peran ganda: selain menjaga perusahaan tetap aman, setiap gate yang dijalankan dengan disiplin perlahan membentuk kemampuan yang sulit ditiru. Tabel 4 memperlihatkan bagaimana kendali di setiap gate bertransformasi menjadi keunggulan.

Tabel 4. Dari six stage-gates menuju core competence

No.

Gate

Kendali yang dibangun

Core competence yang tumbuh

1

Data

Pemilik, definisi baku, mutu, dan hak akses data

Proprietary data yang unik, terpercaya, dan tidak dimiliki pesaing

2

Proses

End-to-end process owner dan sasaran bersama

Proses yang dirancang ulang di sekitar AI sehingga sulit disalin

3

Mandat

Matriks kewenangan, audit trail, dan kill-switch

Kecepatan keputusan yang tetap aman dan dipercaya regulator

4

Nilai

Baseline, ROI yang jujur, dan due diligence vendor

Disiplin alokasi modal pada use case yang terbukti memberi hasil

5

Resiliensi

Scenario testing dan prosedur pemulihan

Keandalan layanan saat krisis, ketika pesaing justru terganggu

6

Manusia

Akuntabilitas, escalation path, dan pengembangan talenta

Kepercayaan pelanggan, talenta yang terus belajar, dan budaya yang sulit ditiru

Sumber: Sintesis penulis berdasarkan Prahalad dan Hamel (1990), Barney (1991), dan Cooper (1990); disusun 2026.

Tabel 4 dibaca dari kiri ke kanan. Kolom kendali yang dibangun merangkum apa yang dikerjakan di setiap gate, sedangkan kolom core competence yang tumbuh menunjukkan kemampuan yang terbentuk jika kendali itu dijalankan secara konsisten dari tahun ke tahun. Kata kuncinya adalah konsisten: kemampuan seperti ini tidak lahir dari satu proyek, tetapi dari akumulasi pembelajaran.

Kedua studi kasus memberi gambarannya. DBS membangun data dan AI selama lebih dari satu dekade sebelum menghasilkan economic value sekitar SGD1 miliar; pesaing dapat membeli teknologi yang sama, tetapi tidak dapat membeli satu dekade pembelajaran itu. thyssenkrupp memakai Industrial Copilot yang dilaporkan sudah dipakai lebih dari 100 perusahaan, tetapi data teknisnya tetap disimpan di private cloud dan tidak dibagikan kepada Siemens. Alatnya sama, datanya tetap milik sendiri. Temuan Microsoft bahwa faktor organisasi menjelaskan sekitar 67% dampak AI juga menunjukkan hal serupa: pembedanya ada pada organisasi, bukan pada lisensi.

Pesannya untuk pimpinan: tata kelola yang baik bukan rem bagi daya saing, melainkan fondasinya. Perusahaan yang hanya mengejar kecepatan adopsi akan berakhir dengan kemampuan yang sama seperti pesaing, karena alat yang dipakainya juga sama. Sebaliknya, perusahaan yang disiplin menjalankan keenam gate akan menumpuk data, proses, kepercayaan, dan talenta yang tidak dapat disalin. Itulah yang membuatnya berbeda dan bertahan di pasar.

Pelajaran bagi Indonesia

Lalu, apa artinya semua ini bagi korporasi Indonesia, termasuk BUMN dan grup usaha keluarga? Setidaknya ada enam pelajaran yang dapat langsung diterapkan.

  • Pertama, mulai dari regulasi yang sudah berlaku. Tidak perlu menunggu payung hukum baru. Perusahaan sudah terikat UU PDP, yang berlaku penuh sejak 17 Oktober 2024, serta Surat Edaran Menteri Komunikasi dan Informatika Nomor 9 Tahun 2023 tentang Etika Kecerdasan Artifisial. Bank juga sudah punya acuan sektoral dari OJK (2025). Sementara itu, Perpres Peta Jalan Kecerdasan Artifisial Nasional dan Perpres Etika Kecerdasan Artifisial, hingga September 2026, dilaporkan masih menunggu penetapan Presiden. Dengan demikian, rancang kebijakan internal yang cukup lentur agar mudah menyesuaikan diri saat kedua regulasi itu terbit.
  • Kedua, benahi data sebelum membeli agen. Banyak korporasi nasional masih menjalankan sistem ERP, keuangan, dan operasi yang terpisah-pisah. DBS mengingatkan kita bahwa nilai SGD1 miliar itu didahului investasi data dan AI selama lebih dari satu dekade.
  • Ketiga, pisahkan bantuan dari eksekusi. Memperluas copilot dan coding assistant relatif aman. Namun, memberi hak eksekusi atas pembayaran, kredit, harga, atau peralatan fisik harus melewati gate ketiga sampai keenam.
  • Keempat, ukur nilai secara jujur. Laporkan nilai portofolio, hasil per use case, target yang belum tercapai, dan izin otonomi secara terpisah agar direksi dan komisaris tidak salah membaca kemajuan.
  • Kelima, jadikan keselamatan dan layanan publik sebagai batas mutlak. Sektor infrastruktur, energi, logistik, dan layanan publik sebaiknya meniru disiplin manufaktur: AI membantu insinyur dan operator, tetapi otorisasi tindakan pada aset fisik tetap di tangan manusia yang kompeten.
  • Keenam, pakai AI untuk mempertajam keunikan, bukan menyeragamkan. Sebelum membeli solusi AI, tanyakan terlebih dahulu: core competence apa yang ingin diperkuat? Perusahaan Indonesia punya modal yang sulit ditiru pemain global, seperti pemahaman pasar lokal, jaringan distribusi, dan kedekatan dengan pelanggan. AI sebaiknya dipakai untuk memperdalam keunggulan itu, bukan untuk meniru apa yang dilakukan semua orang.

Enam pelajaran ini baru berguna jika dijalankan dengan urutan yang tepat. Tabel 5 menyusunnya menjadi roadmap bertahap yang dapat langsung dipakai pimpinan.

Tabel 5. Roadmap tiga horizon agentic AI governance

Horizon

Fokus dan keluaran

Indikator keberhasilan

0–90 hari

Inventarisasi seluruh penggunaan AI; pembentukan komite AI, penetapan pemilik proses, dan matriks kewenangan; pemilihan 2–3 proses berdampak rendah

Daftar penggunaan AI lengkap; matriks kewenangan disetujui direksi; baseline kinerja tercatat

3–12 bulan

Pilot agen dengan audit trail dan kill-switch; scenario testing pertama; pelatihan agent supervisor; due diligence vendor

Hasil pilot dibandingkan dengan baseline; uji kill-switch lulus; tidak ada insiden data pribadi

12–24 bulan

Perluasan bertahap ke proses berdampak menengah melalui six stage-gates; audit internal atas transaksi nyata

Kontribusi terhadap EBIT terukur; temuan audit tertangani; kepuasan pelanggan dan karyawan stabil atau meningkat

Sumber: Sintesis penulis, 2026.

Tabel 5 membagi perjalanan ke dalam tiga horizon waktu. Kolom fokus dan keluaran menjelaskan apa yang dikerjakan di setiap horizon, sedangkan kolom indikator keberhasilan menjelaskan bukti bahwa horizon tersebut sudah tuntas dan organisasi siap naik ke tahap berikutnya.

Jika disederhanakan, ketiga horizon ini adalah 3 kata kerja: kenali, buktikan, perluas. Dalam 90 hari pertama, perusahaan mengenali posisinya: di mana saja AI sudah dipakai, siapa penanggung jawabnya, dan bagaimana kondisi awal kinerjanya. Dalam 3–12 bulan, perusahaan membuktikan nilai melalui pilot terbatas dengan kontrol lengkap. Baru dalam 12–24 bulan, perusahaan memperluas apa yang sudah terbukti. Polanya sama dengan six stage-gates, hanya kali ini dibentangkan dalam dimensi waktu.

Rentang waktunya bersifat indikatif dan perlu disesuaikan dengan ukuran serta kesiapan setiap organisasi. Yang lebih penting daripada kecepatan adalah disiplin urutan: jangan melompat ke horizon berikutnya sebelum indikator keberhasilan di horizon sebelumnya tercapai. Godaan untuk melompat biasanya paling kuat justru saat pilot terlihat sukses.

Penutup — Menentukan Batas Mesin, Menegaskan Tanggung Jawab Manusia

Pada akhirnya, kematangan transformasi tidak diukur dari berapa banyak tugas yang sudah pindah ke mesin, tetapi dari seberapa siap perusahaan menjelaskan dan mengoreksi akibatnya. Saat ada tindakan yang keliru, organisasi harus dapat menemukan sumber informasinya, memahami mandat yang dipakai, menghentikan dampak lanjutannya, dan memulihkan pihak yang dirugikan. Kemampuan inilah yang membuat otomatisasi benar-benar menjadi bagian dari tata kelola korporasi. Pekerjaan ini juga tidak dapat dipikul satu pihak saja. Berikut peran yang dapat diambil setiap stakeholder dalam ekosistem digital korporasi.

  • Dewan komisaris dan direksi: jadikan six stage-gates agenda rutin rapat, tetapkan risk appetite AI dan pemilik setiap keputusan, lalu minta laporan yang memisahkan nilai portofolio, hasil per use case, dan izin otonomi.
  • CIO, CDO, dan tim teknologi: bangun fondasi data, traceability, keamanan, dan kill-switch sejak awal, bukan sebagai tambahan setelah agen berjalan.
  • Fungsi risiko, hukum, kepatuhan, dan audit internal: uji transaksi nyata terhadap matriks kewenangan, UU PDP, dan ketentuan sektoral, lalu laporkan celahnya sebelum perluasan disetujui.
  • Sumber daya manusia: rancang ulang pekerjaan, siapkan jalur belajar baru untuk talenta junior, dan kembangkan kompetensi baru sebagai agent supervisor.
  • Vendor dan mitra teknologi: buka akses terhadap audit trail, jujur tentang batas kemampuan produk, dan hindari agent washing.
  • Regulator dan pemerintah: percepat kepastian Perpres AI dan dorong pedoman sektoral yang proporsional terhadap risiko, seperti yang sudah dirintis OJK untuk perbankan.
  • Karyawan, pelanggan, dan mitra usaha: gunakan hak untuk meminta penjelasan dan mengajukan keberatan; melaporkan kesalahan agen adalah kontribusi bagi mutu, bukan pelanggaran.
  • Perguruan tinggi dan asosiasi profesi: kembangkan kurikulum AI governance dan sertifikasi praktisi agar pasokan talenta pengawas dapat mengimbangi kecepatan adopsi.

Diskusi ini membawa gagasan tentang kejernihan berpikir dan ketegasan bertindak ke tantangan korporasi berikutnya. Keputusan boleh dimulai oleh sistem digital, tetapi tanggung jawabnya tidak dapat diserahkan kepada algoritma. Perusahaan yang unggul bukan sekadar yang punya mesin paling cepat, melainkan yang mampu memadukan kecepatan, bukti manfaat, kepercayaan, dan core competence yang tidak dapat dibeli pesaing. Kombinasi inilah yang membuat perusahaan tetap berbeda dan bertahan di pasar, bahkan saat teknologi yang sama tersedia bagi semua orang.

Referensi

1. McKinsey & Company. (2026, Agustus). The State of AI in 2026: On the Road to ROI. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai

2. Gartner. (2025, 25 Juni). Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027. https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027

3. National Institute of Standards and Technology. (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). https://www.nist.gov/itl/ai-risk-management-framework

4. National Institute of Standards and Technology. (2024). Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (NIST AI 600-1). https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence

5. ISO/IEC. (2023). ISO/IEC 42001:2023 Information Technology — Artificial Intelligence — Management System. https://www.iso.org/standard/42001

6. DBS Group. (2026). DBS Annual Report 2025 — Letter from Chairman and CEO. https://www.dbs.com/annualreports/2025/letter-from-chairman-ceo.html

7. DBS Group. (2026). DBS Annual Report 2025 — CIO Statement. https://www.dbs.com/annualreports/2025/cio-statement.html

8. DBS Group. (2025). DBS Annual Report 2024 — CIO Statement. https://www.dbs.com/annualreports/2024/cio-statement.html

9. DBS. (2026, 19 Agustus). DBS Rolls Out Agentic AI Tool to Support Corporate Credit Assessment Process [Siaran pers]. Dimuat ulang oleh The Asian Banker. https://www.theasianbanker.com/press-releases/dbs-rolls-out-agentic-ai-tool-to-support-corporate-credit-assessment-process

10. Panchmatia, N. (2025, 29 Oktober). Agentic AI Is Here: Are We Ready to Govern It? DBS Bank. https://www.dbs.com/artificial-intelligence-machine-learning/artificial-intelligence/agentic-ai-is-here-are-we-ready-to-govern-it.html

11. Computer Weekly. (2026). DBS Holds Off on Letting AI Agents Run on Their Own as Controls Lag Capability. https://www.computerweekly.com/news/366646190/DBS-holds-off-on-letting-AI-agents-run-on-their-own-as-controls-lag-capability

12. Welsch, C. (2024). How AI Is Helping Siemens and thyssenkrupp Bridge Skilling Gaps in Manufacturing. Microsoft Source EMEA. https://news.microsoft.com/source/emea/features/how-ai-is-helping-siemens-and-thyssenkrupp-bridge-skilling-gaps-in-manufacturing/

13. Microsoft. (2024, 24 Oktober). Siemens and Microsoft Scale Industrial AI. https://news.microsoft.com/source/2024/10/24/siemens-and-microsoft-scale-industrial-ai/

14. Unilever. (2025, 22 Januari). How AI Is Transforming Unilever Ice Cream’s End-to-End Supply Chain. https://www.unilever.com/news/news-search/2025/how-ai-is-transforming-unilever-ice-creams-end-to-end-supply-chain/

15. Microsoft. (2026, 5 Mei). 2026 Work Trend Index: Agents, Human Agency, and Opportunity. https://www.microsoft.com/en-us/worklab/work-trend-index/agents-human-agency-and-the-opportunity-for-every-organization

16. Otoritas Jasa Keuangan. (2025, 29 April). Tata Kelola Kecerdasan Artifisial Perbankan Indonesia. https://ojk.go.id/id/Publikasi/Roadmap-dan-Pedoman/Perbankan/Pages/Tata-Kelola-Kecerdasan-Artifisial-Perbankan-Indonesia.aspx

17. Antara. (2025, 29 April). OJK: Bank Perlu Bentuk Komite AI untuk Awasi Tata Kelola. https://www.antaranews.com/berita/4802981/ojk-bank-perlu-bentuk-komite-ai-untuk-awasi-tata-kelola

18. Republik Indonesia. (2022). Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi. JDIH BPK. https://peraturan.bpk.go.id/Details/229798/uu-no-27-tahun-2022

19. Hukumonline. (2024). UU PDP Berlaku, APPDI Bakal Perkuat Praktisi Pelindungan Data Pribadi. https://www.hukumonline.com/berita/a/uu-pdp-berlaku–appdi-bakal-perkuat-praktisi-pelindungan-data-pribadi-lt6719e9bd2c1ca

20. Bisnis.com. (2026, 10 September). Komdigi Perkuat Regulasi dan Keamanan Siber Penggunaan AI. https://teknologi.bisnis.com/read/20260910/84/2003182/komdigi-perkuat-regulasi-dan-keamanan-siber-penggunaan-ai

21. Kontan. (2026, 4 September). Dua Perpres AI Tinggal Tunggu Tanda Tangan Prabowo. https://nasional.kontan.co.id/news/dua-perpres-ai-tinggal-tunggu-tanda-tangan-prabowo

22. Cooper, R. G. (1990). Stage-Gate Systems: A New Tool for Managing New Products. Business Horizons, 33(3), 44–54. https://doi.org/10.1016/0007-6813(90)90040-I

23. Prahalad, C. K., & Hamel, G. (1990). The Core Competence of the Corporation. Harvard Business Review, 68(3), 79–91. https://hbr.org/1990/05/the-core-competence-of-the-corporation

24. Barney, J. (1991). Firm Resources and Sustained Competitive Advantage. Journal of Management, 17(1), 99–120. https://doi.org/10.1177/014920639101700108

25. Nababan, M. (2026). Menjaga Kejernihan Berpikir di Era AI: Dari Diagnosis Masalah Menuju Kompetensi Manusia, Kolaborasi Pemangku Kepentingan, dan Keputusan yang Lebih Baik. martinnababan.com. https://martinnababan.com/menjaga-kejernihan-berpikir-di-era-ai-dari-diagnosis-masalah-menuju-kompetensi-manusia-kolaborasi-pemangku-kepentingan-dan-keputusan-yang-lebih-baik/

26. Nababan, M. (2026). Keteladanan Karakter Pemimpin | Decide and Drive — Ketika Keputusan Harus Menjadi Tindakan. martinnababan.com. https://martinnababan.com/keteladanan-karakter-pemimpin-drive-and-decide/

27. Nababan, M. (2026, 28 Oktober). Menempa Agile Leader Berkelanjutan. martinnababan.com. https://martinnababan.com/menempa-agile-leader-berkelanjutan/

28. Nababan, M. (2026). Menghadapi Disrupsi Global: Ketika Daya Tahan Manusia Menentukan Masa Depan. martinnababan.com. https://martinnababan.com/menghadapi-disrupsi-global/

29. Nababan, M. (2026, 10 November). Serangan Siber — Ketika Satu Serangan Mengubah Bisnis dan Kehidupan Masyarakat. martinnababan.com. https://martinnababan.com/serangan-siber-ketika-satu-serangan-mengubah-bisnis-dan-kehidupan-masyarakat/

Lampiran A — Tabel Daftar Singkatan

No.

Singkatan

Kepanjangan

Penjelasan

1

AI

Artificial Intelligence

Kecerdasan artifisial

2

AI RMF

Artificial Intelligence Risk Management Framework

Kerangka pengelolaan risiko AI dari NIST

3

API

Application Programming Interface

Jalur komunikasi terkontrol antar-software

4

BUMN

Badan Usaha Milik Negara

Perusahaan milik negara di Indonesia

5

CDO

Chief Data Officer

Pejabat eksekutif penanggung jawab data

6

CIO

Chief Information Officer

Pejabat eksekutif penanggung jawab teknologi informasi

7

DBS

Development Bank of Singapore

Nama asal yang menjadi identitas DBS Bank

8

EBIT

Earnings Before Interest and Taxes

Laba sebelum bunga dan pajak

9

ERP

Enterprise Resource Planning

Sistem terpadu pengelolaan sumber daya perusahaan

10

IEC

International Electrotechnical Commission

Organisasi standar elektroteknik internasional

11

ISO

International Organization for Standardization

Organisasi standardisasi internasional

12

ML

Machine Learning

Pembelajaran mesin

13

NIST

National Institute of Standards and Technology

Lembaga standar dan teknologi Amerika Serikat

14

OJK

Otoritas Jasa Keuangan

Regulator dan pengawas sektor jasa keuangan Indonesia

15

Perpres

Peraturan Presiden

Peraturan yang ditetapkan Presiden Republik Indonesia

16

PURE

Purposeful, Unsurprising, Respectful, Explainable

Kerangka etika penggunaan data dan AI di DBS

17

ROI

Return on Investment

Tingkat pengembalian atas investasi

18

RPA

Robotic Process Automation

Otomatisasi tugas berbasis aturan oleh software

19

SGD

Singapore Dollar

Dolar Singapura

20

UU PDP

Undang-Undang Pelindungan Data Pribadi

UU Nomor 27 Tahun 2022

21

US$

United States Dollar

Dolar Amerika Serikat

Sumber: Sintesis terminologi dari sumber dalam referensi, 2026.

Lampiran B — Tabel Daftar Istilah Baru atau Asing

No.

Istilah

Definisi ringkas

1

Agent chain

Rangkaian agen yang keluarannya menjadi masukan agen berikutnya

2

Agent drift

Perilaku agen yang bergeser dari sasaran atau batas kewenangan awal

3

Agent governance

Tata kelola khusus atas mandat, pengawasan, dan penghentian agen AI

4

Agent supervisor

Peran manusia yang memantau, meninjau, dan mengoreksi kerja agen

5

Agent washing

Praktik vendor memberi label agentic AI pada produk yang tidak memiliki kemampuan agen memadai

6

Agentic AI

AI yang dapat merencanakan dan menjalankan beberapa langkah kerja dalam mandat tertentu

7

AI agent

Agen perangkat lunak berbasis AI yang menjalankan tugas dalam mandat tertentu

8

AI governance

Aturan penugasan, pemeriksaan, dan pertanggungjawaban atas penggunaan AI

9

AI high performers

Kelompok responden McKinsey yang mengatribusikan sedikitnya 5% EBIT kepada AI dan menilai dampaknya signifikan

10

AI management system

Sistem manajemen organisasi untuk penggunaan AI, seperti diatur ISO/IEC 42001

11

AI risk management

Pengelolaan risiko yang timbul dari penggunaan AI, termasuk batas kewenangan dan kontrol

12

Alert

Tanda peringatan otomatis ketika kondisi melewati ambang tertentu

13

Audit trail

Catatan yang memungkinkan keputusan dan perubahan ditelusuri

14

Automation code

Kode program yang mengendalikan mesin atau lini produksi

15

Autonomous machines

Mesin atau sistem yang melaksanakan tindakan tertentu tanpa perintah manusia pada setiap langkah

16

Baseline

Kondisi awal yang menjadi pembanding pengukuran hasil

17

Business continuity

Kemampuan perusahaan menjaga layanan penting tetap berjalan saat terjadi gangguan atau krisis

18

Coding assistant

Asisten AI yang membantu menulis dan memeriksa kode program

19

Collective learning

Pembelajaran kolektif di seluruh organisasi yang menjadi dasar core competence (Prahalad dan Hamel, 1990)

20

Copilot

Asisten AI yang membantu pekerjaan manusia tanpa mengambil alih keputusan akhir

21

Core competence

Kemampuan khas organisasi yang tumbuh dari pembelajaran kolektif, sulit ditiru, dan menjadi dasar keunggulan bersaing

22

Credit memo

Dokumen analisis kredit yang menjadi dasar persetujuan pinjaman

23

Cross-functional decision-making

Pengambilan keputusan yang melibatkan beberapa fungsi atau departemen sekaligus

24

Cross-functional workflow management

Pengelolaan alur kerja yang menghubungkan beberapa fungsi organisasi

25

Cycle time

Waktu yang dibutuhkan untuk menyelesaikan satu siklus proses

26

Data analytics

Pengolahan data untuk menghasilkan wawasan bisnis

27

Data governance

Tata kelola data: aturan tentang definisi, pemilik, mutu, dan hak akses data

28

Data scientist

Profesional yang membangun model dan analisis berbasis data

29

Data silos

Data yang terpisah antarunit atau aplikasi sehingga sulit digunakan bersama

30

Data warehouse

Repositori terpusat untuk data terstruktur perusahaan

31

Decision gate

Titik keputusan yang menentukan apakah suatu tahap boleh dilanjutkan

32

Digital twin simulation

Simulasi representasi digital proses atau aset untuk analisis dan scenario testing

33

Due diligence

Pemeriksaan menyeluruh sebelum memilih mitra atau vendor

34

Economic value

Nilai ekonomi yang dihasilkan suatu inisiatif

35

End-to-end process owner

Pemilik proses yang bertanggung jawab dari hulu sampai hilir

36

Enterprise data foundation

Aturan, data, dan layanan bersama yang menopang analisis serta keputusan perusahaan

37

Error rate

Tingkat kesalahan dalam suatu proses

38

Escalation path

Jalur pelimpahan masalah kepada pihak yang berwenang

39

Fallback

Mekanisme cadangan ketika sistem utama gagal atau dihentikan

40

Generative AI

AI yang menghasilkan teks, gambar, kode, atau konten baru

41

Go/no-go

Keputusan melanjutkan atau menghentikan tahap penerapan berdasarkan bukti

42

Human oversight

Kemampuan manusia memantau, meninjau, membatalkan, dan mengoreksi tindakan mesin

43

Impact tolerance

Batas gangguan maksimum yang masih dapat diterima organisasi

44

Job design

Perancangan isi, tanggung jawab, dan cara kerja suatu jabatan

45

Job rotation

Perpindahan terencana pegawai antarpekerjaan untuk pembelajaran

46

Kill-switch

Mekanisme penghentian darurat tindakan sistem ketika batas risiko dilanggar

47

Least privilege

Prinsip memberi hak akses seminimal yang diperlukan untuk bekerja

48

Mentoring

Pendampingan pengembangan oleh pegawai yang lebih berpengalaman

49

Minimum service level

Tingkat layanan terendah yang wajib tetap tersedia saat gangguan

50

Model inference

Pemrosesan model AI untuk menghasilkan jawaban atau keputusan

51

Multi-agent system

Sejumlah AI agent yang saling bertukar informasi atau membagi tugas

52

Multi-level approval

Persetujuan bertingkat oleh lebih dari satu pejabat berwenang

53

Outcome-based management

Manajemen yang menilai manfaat akhir, bukan semata jumlah aktivitas

54

Output dan input

Keluaran dan masukan suatu proses atau sistem

55

People & accountability

Pengelolaan peran manusia dan kejelasan tanggung jawab atas setiap keputusan

56

Pilot

Penerapan skala terbatas untuk menguji manfaat dan risiko sebelum diperluas

57

Private cloud

Infrastruktur cloud yang didedikasikan untuk satu organisasi

58

Proprietary data

Data milik perusahaan sendiri yang tidak tersedia bagi pesaing

59

Relationship manager

Bankir yang mengelola hubungan dengan nasabah tertentu

60

Resource-based view

Kerangka strategi (Barney, 1991) yang melihat keunggulan bersaing dari sumber daya internal perusahaan

61

Retraining

Pelatihan ulang model AI dengan data baru

62

Review-ready first draft

Draf pertama yang siap ditinjau manusia, bukan siap disetujui

63

Risk appetite

Tingkat risiko yang bersedia diterima organisasi untuk mencapai tujuannya

64

Risk control

Pengendalian untuk mencegah atau membatasi risiko

65

Roadmap

Peta jalan tahapan pelaksanaan

66

Rule-based automation

Otomatisasi yang mengikuti aturan dan urutan tindakan yang telah ditetapkan

67

Scaling

Menurut McKinsey: memperluas penerapan dan pemakaian teknologi di sedikitnya satu fungsi bisnis, melampaui tahap eksperimen dan pilot

68

Scenario testing

Pengujian respons sistem dan organisasi terhadap skenario tertentu

69

Service quality

Mutu layanan yang diterima pelanggan

70

Six stage-gates

Enam gate pengendalian dalam artikel ini: data, proses, mandat, nilai, resiliensi, dan manusia

71

Software agent

Program perangkat lunak yang bertindak atas nama pengguna

72

Stage-Gate

Model pengelolaan bertahap (Cooper, 1990) yang memisahkan setiap tahap dengan keputusan go/no-go berbasis bukti

73

Stakeholder

Pihak yang memengaruhi atau terdampak keputusan dan kegiatan perusahaan

74

Sustained competitive advantage

Keunggulan bersaing yang bertahan lama karena tidak mudah ditiru atau digantikan pesaing

75

Tabletop exercise

Latihan simulasi berbasis diskusi untuk menguji peran dan jalur keputusan saat krisis

76

Talent management

Pengelolaan talenta dari rekrutmen hingga pengembangan

77

Test environment

Lingkungan uji yang meniru sistem nyata tanpa memengaruhi operasi

78

Token cost

Biaya pemakaian model AI yang dihitung per token teks

79

Total cost of ownership

Seluruh biaya kepemilikan teknologi sepanjang siklus hidupnya

80

Traceability

Keterlacakan asal data dan alasan keputusan

81

Use case

Kasus penggunaan spesifik suatu teknologi dalam proses bisnis

82

Value realization

Upaya memastikan investasi benar-benar menghasilkan nilai bisnis yang terukur

83

Working capital

Modal kerja perusahaan

Sumber: Sintesis terminologi dari sumber dalam referensi dan definisi kerja penulis, 2026.

Disclaimer: Seluruh konten dalam situs ini adalah opini dan analisis pribadi penulis, serta tidak mewakili kebijakan, sikap, atau posisi resmi perusahaan tempat penulis bekerja. Informasi disusun dari sumber publik dan sintesis kecerdasan buatan hanya untuk tujuan edukasi dan berbagi wawasan. Konten ini bukan merupakan rekomendasi investasi, rujukan hukum, maupun panduan kebijakan resmi. Penulis tidak bertanggung jawab atas segala dampak atau kerugian yang timbul dari penggunaan informasi dalam artikel ini.

Written By

My passion is to solve problems and develop organizations to reach their maximum potential. Decades involved in many industries has given me experiences on leadership, collaboration and communication. I’m well versed in transformation on following fields ; business models, human resources, management systems, digitalize business process, and corporate culture

More From Author

SERANGAN SIBER — Ketika Satu Serangan Mengubah Bisnis dan Kehidupan Masyarakat

SERANGAN SIBER — Ketika Satu Serangan Mengubah Bisnis dan Kehidupan Masyarakat

Contents 22 sections 01 Anatomi krisis, dampak ekonomi dan sosial, serta pelajaran strategis bagi Indonesia.…

TRANSFORMASI TAPANULI UTARA: Dari Potensi Daerah Menuju Pertumbuhan Ekonomi dan Kesejahteraan Masyarakat

Contents 19 sections 01 Executive Summary 02 Pendahuluan — Dari Potensi Menuju Nilai 03 Chapter…

ARAH TREN SKINCARE INDONESIA 2027

ARAH TREN SKINCARE INDONESIA 2027

Contents 24 sections 01 Executive Summary 02 Pendahuluan — Dari Pertumbuhan Menuju Kematangan Bisnis 03…

Leave a Reply

Your email address will not be published. Required fields are marked *

You May Also Like

Menjaga Kejernihan Berpikir di Era AI

Menjaga Kejernihan Berpikir di Era AI: Dari Diagnosis Masalah Menuju Kompetensi Manusia, Kolaborasi Pemangku Kepentingan, dan Keputusan yang Lebih Baik

Contents 14 sections 01 Pendahuluan — Kecepatan Informasi Belum Tentu Menjadi Kualitas Keputusan 02 Chapter…

SERANGAN SIBER — Ketika Satu Serangan Mengubah Bisnis dan Kehidupan Masyarakat

SERANGAN SIBER — Ketika Satu Serangan Mengubah Bisnis dan Kehidupan Masyarakat

Contents 22 sections 01 Anatomi krisis, dampak ekonomi dan sosial, serta pelajaran strategis bagi Indonesia.…

DISRUPSI AI MENGUJI PENDIDIKAN FORMAL

Contents 10 sections 01 Pendahuluan — Ketika Jawaban Tidak Lagi Menjadi Keunggulan 02 Chapter 1…