‹ Daftar slidePertemuan 1: Lanskap Bisnis Berbasis AI & Imperatif Strategis
Lanskap Bisnis Berbasis AI & Imperatif Strategis
Memahami evolusi AI sebagai pendorong transformasi strategis dalam bisnis digital kontemporer
Kecerdasan BuatanPertemuan 1 dari 14CPL2 · CPL4 · CPL6
Agenda Pertemuan 1
Teori & Konsep
Evolusi AI: dari Turing Test hingga Generative AI
Terminologi kunci untuk manajer (ML, DL, NLP, GenAI)
AI sebagai pendorong transformasi strategis
Aplikasi & Praktik
Studi kasus AI di perusahaan Indonesia
Identifikasi tipe AI dalam konteks bisnis
Business Model Canvas berbasis AI
💡 Fokus Utama: Membingkai peluang dan masalah bisnis strategis yang dapat diatasi dengan pendekatan AI, serta mengartikulasikan proposisi nilainya (CPMK-1).
Tujuan Pembelajaran
Setelah pertemuan ini, mahasiswa mampu:
Kognitif (C2)
Menjelaskan evolusi AI dari era simbolik hingga generatif
Membedakan tipe-tipe AI secara konseptual
Mengartikulasikan urgensi adopsi AI dalam bisnis
Aplikatif
Mengidentifikasi area bisnis yang dapat diperkuat AI
Menganalisis studi kasus implementasi AI di Indonesia
Merumuskan proposisi nilai AI untuk sebuah bisnis
Sub-CPMK 1CPMK-1CPL2 · CPL4
Topik 1
Evolusi AI: Dari Mimpi Abadi ke Realitas Bisnis
Evolusi AI: Empat Gelombang
1950–1970: Era Simbolik
Turing Test (1950), Logic Theorist (1956). AI didefinisikan sebagai "mesin yang bisa berpikir." Fokus pada aturan logika dan simbolik.
1980–1990: Era Expert Systems
Sistem pakar untuk diagnosa medis dan konfigurasi. Keterbatasan: tidak bisa belajar dari data baru, maintenance mahal.
2000–2012: Era Machine Learning
Shift dari aturan ke data. Support Vector Machines, Random Forest. Data menjadi bahan bakar utama.
2012–Sekarang: Era Deep Learning & Generative AI
AlexNet (2012), Transformer (2017), GPT (2018), ChatGPT (2022). AI tidak hanya mengenali pola, tapi menciptakan konten.
Mengapa AI Meledak Sekarang?
📊
Data Melimpah
90% data dunia diciptakan dalam 2 tahun terakhir. Big Data + Cloud = bahan bakar AI.
⚡
Kekuatan Komputasi
GPU & TPU membuat training model jutaan parameter menjadi feasible dalam hitungan hari.
🔧
Algoritma Matang
Transformer (2017), Diffusion Models, RLHF. Arsitektur yang scalable dan generalizable.
🎯 Konvergensi Tiga Faktor: AI tidak baru, tetapi konvergensi data, komputasi, dan algoritma pada tahun 2020-an menciptakan "inflection point" untuk adopsi massal.
Studi Kasus: AI di Indonesia
🏦 BRI — BRILiaN
Chatbot AI melayani jutaan nasabah setiap bulan. Mengurangi beban call center manusia dan meningkatkan resolusi first-contact.
Tipe AI: NLP · Conversational AI
🚗 Gojek — Dynamic Pricing
Algoritma ML mengoptimalkan harga berdasarkan demand real-time, cuaca, dan event lokal. Meningkatkan efisiensi penugasan driver.
Tipe AI: Machine Learning · Predictive Analytics
🛒 Tokopedia — Rekomendasi
Sistem rekomendasi berbasis collaborative filtering dan deep learning. Meningkatkan conversion rate dan basket size.
Tipe AI: Deep Learning · Recommender System
🌾 eFishery — IoT & AI
Sensor IoT + AI mengoptimalkan pemberian pakan ikan. Mengurangi waste dan meningkatkan yield petani ikan.
Tipe AI: IoT + Predictive Analytics
Topik 2
Terminologi Kunci untuk Manajer Digital
Terminologi AI: Hierarki Konsep
🧠 Artificial Intelligence (AI)
Bidang luas: membuat mesin meniru kecerdasan manusia—belajar, bernalar, memecahkan masalah, memahami bahasa.
↓
📈 Machine Learning (ML)
Subset AI di mana mesin belajar dari data tanpa diprogram eksplisit. Fokus: pola, prediksi, klasifikasi.
🗣️ Natural Language Processing (NLP)
Subset AI untuk memahami dan menghasilkan bahasa manusia. Chatbot, terjemahan, analisis sentimen.
↓
🧬 Deep Learning (DL)
Subset ML dengan neural network banyak lapisan. Mampu menangkap pola kompleks dalam gambar, suara, teks.
✨ Generative AI (GenAI)
Subset DL yang menciptakan konten baru: teks, gambar, kode, musik. GPT, DALL-E, Midjourney.
Dua Paradigma AI untuk Manajer
🔍 Discriminative AI
"Mengenali dan membedakan"
Klasifikasi: spam vs. bukan spam
Prediksi: churn, harga, demand
Segmentasi: clustering pelanggan
Contoh: credit scoring, fraud detection
Fokus: Keputusan berbasis data
🎨 Generative AI
"Menciptakan sesuatu yang baru"
Generasi teks: draft email, laporan
Generasi kode: programming assistant
Generasi gambar: marketing asset
Contoh: ChatGPT, Copilot, DALL-E
Fokus: Produktivitas & inovasi
💡 Insight: Perusahaan tidak harus memilih salah satu. Discriminative AI untuk optimasi dan pengambilan keputusan; Generative AI untuk produktivitas karyawan dan inovasi produk.
Latihan: Identifikasi Tipe AI
🎯 Soal: Klasifikasikan Aplikasi Berikut
Tentukan apakah aplikasi berbasis AI berikut termasuk Discriminative atau Generative:
No
Aplikasi
Tipe AI
Alasan Singkat
1
Sistem deteksi penipuan transaksi di bank
?
?
2
Chatbot yang membuat draft email balasan pelanggan
?
?
3
Algoritma rekomendasi film di Netflix
?
?
4
AI yang menghasilkan desain logo dari deskripsi teks
?
?
5
Model prediksi churn pelanggan telekomunikasi
?
?
⏱️ Waktu: 5 menit diskusi berpasangan. Setelah itu kita bahas bersama.
Topik 3
AI sebagai Pendorong Transformasi Strategis
AI Value Chain: Di Mana AI Menambah Nilai?
📥
Data Collection
Sensor, transaksi, log, perilaku pengguna
🧹
Data Preparation
Cleaning, labeling, feature engineering
🧠
Model Training
ML, DL, fine-tuning pada data bisnis
↓
⚙️
Deployment
API, cloud, edge computing, integrasi sistem
📊
Decision Support
Insight, prediksi, rekomendasi untuk manajer
💰
Business Impact
Revenue ↑, cost ↓, risk ↓, innovation ↑
🔑 Kunci: Nilai AI tidak dihasilkan oleh model itu sendiri, tetapi oleh integrasi model ke dalam proses bisnis yang sudah ada.
Mengubah Business Model dengan AI
Value Proposition
Personalization at scale (1-to-1 marketing)
Produk yang self-improving (continuous learning)
Pengalaman pelanggan prediktif (anticipate needs)
Customer Segments
Micro-segmentation (ribuan segmen, bukan 4-5)
Dynamic targeting berbasis perilaku real-time
Key Activities
Automasi proses operasional (RPA + AI)
Pengambilan keputusan berbasis data (augmented)
Inovasi produk dengan generative AI
Cost Structure
Shift dari fixed cost (manusia) ke variable cost (API)
Investasi data infrastructure dan talent
Perbandingan: AI-Native vs. AI-Augmented
Dimensi
AI-Native Company
AI-Augmented Company
Traditional Company
Strategi
AI adalah core business model
AI mengoptimasi existing business
AI belum diadopsi
Contoh
Tesla, Netflix, TikTok
BRI, Gojek, Tokopedia
Perusahaan konvensional
Data
Data as primary asset
Data as supporting asset
Data underutilized
Talenta
AI engineers + domain experts
Domain experts + AI tools
Domain experts only
Decision
Algorithmic-first
Human-in-the-loop
Intuition/experience
Skalabilitas
Near-zero marginal cost
Improved efficiency
Linear cost growth
Risiko
Tech obsolescence, regulation
Integration failure, bias
Competitive irrelevance
🎯 Pertanyaan Strategis: Perusahaan tempat Anda bekerja (atau yang Anda rancang) ingin menjadi AI-native, AI-augmented, atau tetap traditional? Implikasinya berbeda untuk struktur organisasi, talenta, dan investasi.
Dampak AI Berdasarkan Industri
Industri
Aplikasi AI Utama
Potensi Dampak
Contoh Indonesia
Perbankan
Fraud detection, credit scoring, robo-advisory
Risk ↓ 30%, Cost ↓ 20%
BRI, BCA, Jenius
E-Commerce
Rekomendasi, dynamic pricing, chatbot
Revenue ↑ 15-25%
Tokopedia, Shopee, Blibli
Telekomunikasi
Churn prediction, network optimization
Churn ↓ 25%, Capex ↓
Telkomsel, XL, Indosat
Manufaktur
Predictive maintenance, quality control
Downtime ↓ 40%
Astra, Semen Indonesia
Kesehatan
Diagnosis imaging, drug discovery
Accuracy ↑, Time ↓
Halodoc, Alodokter
Pertanian
Precision farming, yield prediction
Yield ↑ 20%
eFishery, HARA
Urgensi AI untuk Manajer: Mengapa Sekarang?
⏰ Jendela Waktu Menyempit
Perusahaan yang mengadopsi AI sekarang membangun data moat dan learning advantage yang sulit dikejar kompetitor nanti. AI bukan zero-sum, tapi winner-take-most.
📉 Cost of Inaction
Bukan cuma "kehilangan peluang", tapi biaya untuk tidak bertindak meningkat eksponensial. Talent AI langka, data infrastructure butuh waktu.
💡 Paradoks AI untuk Manajer
Manajer tidak perlu menjadi data scientist, tetapi harus menjadi AI-literate manager—mampu mengajukan pertanyaan yang tepat, mengevaluasi proposal AI, dan mengarahkan tim untuk mengintegrasikan AI dalam strategi bisnis.
🎯 Tiga Pertanyaan untuk Manajer
Data apa yang kita miliki, dan apakah data itu bisa diakses, bersih, dan berlabel?
Proses bisnis mana yang paling repetitif, data-intensive, dan high-volume?
Apa keputusan strategis yang saat ini masih bergantung pada intuisi, tapi bisa diperkuat data?
Rangkuman Pertemuan 1
📚 Konsep Utama
AI berevolusi 70 tahun: simbolik → ML → DL → Generative
Konvergensi data, komputasi, algoritma = inflection point
Hierarki: AI ⊃ ML ⊃ DL ⊃ Generative AI
Discriminative AI (membedakan) vs. Generative AI (menciptakan)
🏢 Aplikasi Bisnis
AI mengubah value proposition, segments, activities, cost
AI-native vs. AI-augmented vs. traditional—implikasi berbeda
Industri Indonesia sudah terdisrupsi: banking, e-commerce, agri
Manajer harus AI-literate, bukan AI-engineer
"AI is not a technology issue; it is a business strategy issue." — Iansiti & Lakhani, Competing in the Age of AI
Tugas & Referensi
📝 Tugas Individu (Deadline: Pertemuan 2)
Analisis AI di Perusahaan Pilihan:
Pilih satu perusahaan Indonesia (boleh BUMN, startup, atau korporasi)
Identifikasi minimal 2 aplikasi AI yang digunakan
Klasifikasikan: Discriminative atau Generative?
Analisis: apakah AI tersebut AI-native atau AI-augmented?
Rumuskan proposisi nilai AI untuk perusahaan tersebut (1 paragraf)
Format: 1-2 halaman, PDF, font 12pt, Times New Roman
Bobot: 5% | Kriteria: Rubrik Analitik
📖 Referensi Wajib
Iansiti, M., & Lakhani, K. R. (2020). Competing in the Age of AI. HBR Press.
Almeida, I. (2024). AI Fundamentals for Business Leaders. Now Next Later.
HBR (2023). HBR Guide to AI Basics for Managers. HBR Press.
🔗 Referensi Pendukung
Davenport, T. H. (2018). The AI Advantage. MIT Press.
Marr, B. (2025). AI Strategy. Wiley.
Mollick, E. (2024). Co-Intelligence. Penguin.
Pertanyaan & Preview Pertemuan 2
💬
Q&A
Pertanyaan, diskusi, atau studi kasus tambahan?
🔮 Pertemuan 2: Data sebagai Aset Strategis
Data sebagai bahan bakar revolusi AI
Kualitas vs. kuantitas data
Strategi manajemen data untuk inisiatif AI
Sub-CPMK 2: (C4) Analisis data sebagai aset strategis