Revolusi Generative AI: Model Bisnis & Inovasi

Mengevaluasi bagaimana GenAI menciptakan peluang model bisnis baru dan memacu inovasi produk di era digital

Kecerdasan Buatan Pertemuan 7 dari 14 CPL2 · CPL4 · CPL6

Agenda Pertemuan 7

Teori & Konsep

Apa itu Generative AI: LLM, Diffusion, Multimodal
Taksonomi model GenAI untuk manajer
Proposisi nilai bisnis berbasis GenAI
Lanskap kompetitif dan pemain global vs. lokal

Aplikasi & Workshop

Dampak GenAI per industri di Indonesia
Pola model bisnis berbasis GenAI
Workshop: Business Model Canvas berbasis GenAI
Evaluasi peluang dan risiko

Fokus Utama: Mengevaluasi bagaimana Generative AI menciptakan peluang untuk model bisnis dan inovasi produk baru (Sub-CPMK 7, C4).

Tujuan Pembelajaran

Setelah pertemuan ini, mahasiswa mampu:

Kognitif (C4 — Mengevaluasi)

Membedakan tipe GenAI (LLM, Diffusion, Multimodal) dan aplikasinya
Mengevaluasi proposisi nilai bisnis dari implementasi GenAI
Menganalisis pola model bisnis baru yang dimungkinkan oleh GenAI

Aplikatif

Merancang Business Model Canvas berbasis GenAI untuk konteks Indonesia
Mengidentifikasi peluang inovasi produk berbasis GenAI di industri sendiri
Mempertimbangkan trade-off antara peluang dan risiko GenAI

Sub-CPMK 7 CPMK-3 · CPMK-4 CPL2 · CPL4 · CPL6

Topik 1

Apa Itu Generative AI?

LLM, Diffusion, Multimodal — Taksonomi untuk Manajer

Taksonomi Generative AI untuk Manajer

LLM

Large Language Model. Menghasilkan teks, kode, analisis. Contoh: GPT-4, Gemini, Claude.

Output: Teks

Diffusion

Menghasilkan gambar, video, audio dari noise secara bertahap. Contoh: Stable Diffusion, DALL-E, Sora.

Output: Gambar/Video

Multimodal

Menggabungkan teks, gambar, audio, video dalam satu model. Contoh: GPT-4o, Gemini 1.5 Pro.

Output: Campuran

Tipe	Cara Kerja (Ringkas)	Aplikasi Bisnis Utama	Contoh Produk
LLM	Prediksi token berikutnya dari miliaran teks training	Chatbot, summarization, code gen, analisis dokumen	ChatGPT, Copilot, BRImo Chat
Diffusion	Menghilangkan noise secara bertahap dari distribusi data	Desain produk, iklan visual, prototyping	Midjourney, DALL-E, Adobe Firefly
Multimodal	Cross-modal encoding: gambar + teks + audio diproses bersama	Analisis laporan bergambar, video captioning, voice assistant	GPT-4o, Gemini 1.5, Claude 3.5

GenAI vs. AI Konvensional: Perbedaan Fundamental

AI Konvensional (Discriminative)

"Mengklasifikasi apa yang sudah ada"

Input → output yang sudah terdefinisi
Contoh: email spam/bukan spam, fraud/bukan fraud
Butuh data berlabel (supervised learning)
Output deterministik: satu jawaban tepat
Dilatih untuk satu tugas spesifik

Cocok: klasifikasi, deteksi, prediksi

Generative AI

"Menciptakan konten baru yang belum pernah ada"

Input prompt → output kreatif yang bervariasi
Contoh: tulis laporan, buat ilustrasi, generate kode
Pre-trained pada data masif, bisa zero-shot
Output probabilistik: banyak jawaban valid
General purpose: bisa banyak tugas sekaligus

Cocok: kreasi, generasi, conversational

Implikasi Bisnis: AI konvensional mengotomasi tugas berulang dengan output tetap. GenAI mengotomasi kreasi — konten, kode, desain, analisis — yang sebelumnya butuh keahlian manusia. Ini membuka model bisnis yang sama sekali baru.

Lanskap Pemain GenAI: Global & Indonesia

Pemain Global (Foundation Model)

Perusahaan	Model Unggulan	Kekuatan
OpenAI	GPT-4o, o1	LLM terkuat, ekosistem API terluas
Google	Gemini 1.5	Multimodal, terintegrasi Search
Anthropic	Claude 3.5	Safety-focused, reasoning panjang
Meta	Llama 3.1	Open source, bisa di-deploy lokal
Mistral	Mistral Large	Efisien, multilingual, European

Adopsi GenAI di Indonesia (~2025)

BRI: Sobat BRI (LLM chatbot layanan nasabah), AgenBRILink AI, fraud narrative generation
BCA: Halo BCA AI, dokumen analisis otomatis berbasis LLM
Telkom: TelkomSigma GenAI platform untuk enterprise, Bigbox AI
Tokopedia/TikTok Shop: AI-generated product descriptions, visual search
Gojek: GoAssist LLM, driver coaching berbasis AI
Startup: Bahasa.ai (NLP Bahasa Indonesia), Kata.ai (chatbot), DeepTech.id

Catatan: angka adopsi spesifik berubah cepat — verifikasi ke sumber terkini.

Tantangan Lokal: Model global belum optimal untuk Bahasa Indonesia, terutama bahasa daerah, konteks budaya, dan regulasi lokal (OJK, Kominfo). Peluang untuk pemain lokal yang spesifik konteks.

Topik 2

Dampak GenAI pada Industri

Inovasi Produk & Peluang Model Bisnis

Dampak GenAI per Industri di Indonesia

Industri	Inovasi Produk Berbasis GenAI	Contoh Lokal	Potensi Dampak
Perbankan & Fintech	Chatbot personal finance, laporan nasabah otomatis, fraud narrative generation, hyper-personalized offer	Sobat BRI, BCA AI, Jenius AI	Pengurangan biaya layanan nasabah ~30-50% (estimasi industri)
E-Commerce & Retail	Deskripsi produk otomatis, visual try-on, rekomendasi percakapan, negosiasi harga AI	Tokopedia AI, TikTok Shop	Konversi +15-25% pada produk dengan AI description
Pendidikan	Tutor AI personal, soal otomatis, feedback esai, adaptif learning path	Zenius AI, Ruangguru AI	Akses kualitas pendidikan ke daerah terpencil
Media & Kreatif	Produksi konten skala besar, dubbing otomatis, subtitle, lokalisasi	Kompas AI, Detik summarizer	Biaya produksi konten turun ~40-60%
Kesehatan	Ringkasan rekam medis, asisten dokter, diagnosa awal via foto	Alodokter AI, Halodoc assistant	Akses konsultasi ke 17.000+ pulau
Pemerintah	Layanan publik chatbot, analisis regulasi, drafting dokumen, pengaduan warga	Bot LAPOR!, Perizinan Online AI	Efisiensi administrasi birokrasi

Catatan: Angka dampak adalah estimasi dan proyeksi industri — bervariasi per konteks implementasi. Selalu verifikasi dengan data perusahaan spesifik.

Tiga Pola Inovasi Produk Berbasis GenAI

Augmentasi

GenAI memperkuat produk existing dengan kemampuan baru. Produk lama + fitur GenAI = value meningkat.

Risiko: Rendah

Contoh: BCA mobile app + AI chat support

Transformasi

Core product dirancang ulang dengan GenAI sebagai inti. Pengalaman pengguna berubah fundamental.

Risiko: Menengah

Contoh: Ruangguru → tutor AI personal

Penciptaan Baru

Produk/layanan yang sebelumnya tidak mungkin ada, kini bisa karena GenAI. Kategori pasar baru.

Risiko: Tinggi

Contoh: AI companion mental health 24/7

Strategi untuk Perusahaan Indonesia: Kebanyakan perusahaan incumbent sebaiknya mulai dari augmentasi (risiko rendah, ROI cepat), lalu bergerak ke transformasi. Penciptaan baru lebih cocok untuk startup atau spin-off unit inovasi.

Proposisi Nilai Bisnis Berbasis GenAI

1. Skalabilitas Tanpa Batas

GenAI melayani satu juta pengguna semurah melayani satu. Tidak ada batasan kapasitas manusia. Contoh: chatbot BRI menjawab 5 juta pertanyaan/hari tanpa tambah CS.

2. Personalisasi Masif

Setiap pengguna mendapat pengalaman unik — bukan segmentasi, tapi truly 1-to-1. Contoh: Tokopedia generate deskripsi produk unik per profil pembeli.

3. Kreatifitas On-Demand

Konten, desain, kode dibuat dalam detik tanpa bottleneck tenaga kreatif. Contoh: UMKM generate foto produk profesional tanpa fotografer.

4. Aksesibilitas Keahlian

Keahlian level ahli (dokter, lawyer, akuntan) diakses oleh siapapun, kapanpun. Contoh: Alodokter AI memberikan panduan medis awal di daerah tanpa dokter.

5. Kecepatan Iterasi

Prototyping produk dari minggu ke jam. GenAI mengakselerasi R&D. Contoh: Gojek test fitur baru dengan AI-generated UI mock dalam 1 hari.

6. Pengolahan Unstructured Data

80% data dunia adalah unstructured (teks, gambar, suara). Hanya GenAI yang bisa mengolah ini menjadi insight actionable.

Topik 3

Model Bisnis Berbasis GenAI

Pola, Canvas, & Workshop

Pola Model Bisnis Berbasis GenAI

Pola	Mekanisme	Contoh Global	Peluang di Indonesia
API-as-a-Service	Jual akses ke model GenAI via API, bayar per penggunaan (token/request)	OpenAI API, Anthropic API, Google Gemini API	Telkom/Indosat menjual LLM Bahasa Indonesia via API ke enterprise
SaaS + GenAI Layer	Produk SaaS existing tambah fitur GenAI sebagai value-add, tingkatkan tier harga	Notion AI, Canva AI, Salesforce Einstein	Mekari (akuntansi) tambah AI untuk rekomendasi pajak, analisis cashflow
Copilot Model	AI sebagai asisten dalam workflow profesional, bukan replacement	GitHub Copilot, Microsoft 365 Copilot	Legal AI untuk firma hukum Indonesia: draft kontrak, riset regulasi
Vertical GenAI	GenAI yang dilatih khusus untuk industri/domain tertentu (fine-tuned)	Harvey (legal), Abridge (medis)	GenAI untuk UMKM batik/tenun: desain motif otomatis berbasis prompt
AI-Native Product	Produk yang hanya bisa ada karena GenAI — tidak ada versi non-AI	Character.ai, Runway, ElevenLabs	AI dubbing konten Indonesia (180+ bahasa daerah → Bahasa Indonesia)
Data + GenAI Flywheel	Platform kumpulkan data dari user, latih model lebih baik, tarik lebih banyak user	Midjourney, ChatGPT	Platform karya seni batik digital: seniman upload → model belajar → generasi lebih baik

Coba Sendiri: Hitung Biaya Operasional LLM

Pola "API-as-a-Service" tadi mengandalkan biaya per token. Ubah volume prompt, panjang token, dan tier harga model, lalu amati bagaimana biaya harian/bulanan berubah.

Business Model Canvas Berbasis GenAI

Mitra Kunci

Foundation model provider (OpenAI, Google)
Cloud provider (AWS, GCP, Azure)
Data partner
Regulator (OJK, Kominfo)

GenAI context: siapa yang sediakan model & infrastruktur?

Aktivitas Kunci

Prompt engineering & fine-tuning
Data curation & labeling
Model evaluation & safety
UX/UI chatbot & interface

Proposisi Nilai

Skalabilitas tanpa batas
Personalisasi 1-to-1
Aksesibilitas keahlian
Kecepatan & efisiensi
Kreativitas on-demand

Apa yang hanya bisa dilakukan dengan GenAI?

Hub. Pelanggan

Self-service via app
AI-powered onboarding
Human escalation path
Community & feedback loop

Segmen Pelanggan

Enterprise (B2B): bank, retail, telco
SME/UMKM: butuh AI tapi tanpa tim tech
Pemerintah: layanan publik
Consumer: individu end-user
Developer: API consumer

Sumber Daya Kunci

Akses ke foundation model
Data proprietary (moat!)
Tim AI/ML engineer
GPU/compute budget

Saluran

Mobile app
API marketplace
WhatsApp/Telegram bot
Web platform

Struktur Biaya

Biaya Model: API calls (per token), fine-tuning compute

Biaya Data: Labeling, storage, curation

Biaya Engineering: Tim AI + DevOps + Safety

Perhatian: biaya compute GenAI bisa sangat tinggi di awal — butuh volume untuk break-even.

Aliran Pendapatan

Subscription: Bayar bulanan/tahunan per seat

Usage-based: Bayar per token/request

Freemium: Gratis terbatas, premium unlimited

Enterprise license: Custom pricing untuk deploy on-premise

Workshop: Business Model Canvas Berbasis GenAI

Instruksi Workshop (40 menit)

Kelompok: 4-5 orang. Pilih SATU skenario dari berikut (atau usulkan sendiri, minta persetujuan dosen):

GenAI untuk UMKM Kuliner Indonesia: Bantu UMKM buat konten marketing, menu, dan deskripsi produk otomatis dalam Bahasa Indonesia dan bahasa daerah.
AI Tutor Bahasa Daerah: Preservasi bahasa Jawa/Sunda/Batak via AI tutor interaktif yang bisa mengajar percakapan sehari-hari.
GenAI Copilot untuk Petani Indonesia: Asisten AI untuk petani kecil: rekomendasi tanam, identifikasi hama via foto, akses harga pasar via suara.
AI Legal Assistant untuk Startup: Bantu startup Indonesia draft kontrak, cek regulasi, persiapkan dokumen perizinan secara mandiri.
GenAI untuk Layanan Publik Pemda: Chatbot cerdas untuk pelayanan administrasi: KTP, IMB, perizinan usaha via WhatsApp.

Yang Harus Diisi

9 blok BMC (gunakan template di slide sebelumnya)
Identifikasi tipe GenAI yang digunakan (LLM/Diffusion/Multimodal)
Proposisi nilai unik yang HANYA bisa dilakukan GenAI
Risiko utama (teknis, etika, regulasi) dan mitigasinya

Output: Presentasi 3 menit per kelompok. Satu slide BMC + satu slide risiko & mitigasi.

Gunakan sticky note fisik ATAU Miro/Figma/slide jika tersedia.

Topik 4

Evaluasi: Peluang vs. Risiko

Framework Keputusan untuk Manajer

Risiko GenAI yang Harus Dievaluasi Manajer

Risiko Teknis

Hallucination: GenAI "mengarang" fakta yang tidak ada. Berbahaya di konteks medis, legal, keuangan.
Prompt injection: Pengguna jahat bisa manipulasi model via input.
Ketergantungan vendor: API provider bisa ubah harga atau tutup layanan.
Biaya tidak terduga: Usage-based pricing bisa melonjak bila traffic tinggi.

Risiko Etika & Sosial

Bias model: GenAI mereproduksi bias dari data training (gender, ras, bahasa).
Deepfake & misinformasi: Konten sintetis sulit dibedakan dari asli.
Displacement tenaga kerja: Otomasi tugas kognitif → dampak ketenagakerjaan.
Hak cipta: Output GenAI berpotensi melanggar IP pemilik data training.

Risiko Regulasi Indonesia

UU PDP (No. 27/2022): Data pribadi pengguna yang diproses AI harus sesuai prinsip perlindungan data.
Regulasi OJK: Aplikasi GenAI di sektor keuangan tunduk regulasi POJK terkait inovasi keuangan digital.
Regulasi Kominfo: Konten AI wajib diidentifikasi sebagai AI-generated (dalam pembahasan, 2025).
Risiko reputasi: Kesalahan AI yang publik bisa rusak brand dalam hitungan jam.

Framework Mitigasi (4A)

Audit: Uji model secara berkala untuk bias dan akurasi.
Acknowledge: Label konten AI-generated secara transparan.
Accompany: Human-in-the-loop untuk keputusan high-stakes.
Adapt: Siapkan mekanisme koreksi cepat bila model error.

Matriks Evaluasi: Kapan GenAI Tepat untuk Bisnis?

Kriteria	GenAI Sangat Tepat	Perlu Pertimbangan Matang	GenAI Berisiko Tinggi
Jenis Output	Konten kreatif, draft awal, summarization	Rekomendasi dengan human review	Keputusan final medis/legal/keuangan tanpa supervisi
Stakes Kesalahan	Rendah: konten marketing, deskripsi produk	Menengah: analisis data, laporan bisnis	Tinggi: diagnosis medis, keputusan kredit final
Kebutuhan Konsistensi	Variasi diinginkan: kreativitas, brainstorming	Konsistensi partial: chatbot	Konsistensi mutlak: perhitungan keuangan, regulasi
Konteks Bahasa	Bahasa Inggris, konten digital umum	Bahasa Indonesia formal	Bahasa daerah, terminologi hukum/medis lokal
Regulasi	Domain tidak teregulasi ketat	Keuangan dengan OJK oversight	Kesehatan, hukum tanpa human sign-off

Prinsip Evaluasi: GenAI paling kuat sebagai amplifier kemampuan manusia, bukan pengganti. Semakin tinggi stakes keputusan, semakin penting human-in-the-loop. Di Indonesia, pertimbangkan juga kesiapan infrastruktur, literasi digital pengguna, dan konteks bahasa lokal.

Rangkuman Pertemuan 7

Konsep Utama

GenAI (LLM, Diffusion, Multimodal) berbeda fundamental dari AI konvensional: menciptakan, bukan sekadar mengklasifikasi
Enam proposisi nilai bisnis: skalabilitas, personalisasi, kreativitas, aksesibilitas, kecepatan, unstructured data
Tiga pola inovasi: augmentasi → transformasi → penciptaan baru
Enam pola model bisnis: API-as-a-Service, SaaS+GenAI, Copilot, Vertical, AI-Native, Flywheel

Evaluasi Manajerial

BMC berbasis GenAI: proposisi nilai unik, biaya compute, revenue model usage-based
Risiko wajib dievaluasi: hallucination, bias, UU PDP, vendor lock-in
Framework 4A: Audit, Acknowledge, Accompany, Adapt
Matriks evaluasi: GenAI tepat jika stakes rendah-menengah; human-in-the-loop wajib untuk domain kritis

"AI will not replace managers. But managers who use AI will replace managers who don't."
— Adaptasi dari Iansiti & Lakhani, Competing in the Age of AI (2020)

Tugas & Preview Pertemuan 8

Tugas Kelompok (Deadline: Pertemuan 9)

Laporan Business Model Canvas GenAI:

Kembangkan BMC workshop hari ini menjadi proposal lengkap (3-5 halaman)
Tambahkan analisis kompetitor (siapa yang sudah main di space ini?)
Hitung estimasi unit economics: biaya per user, revenue per user, break-even point
Evaluasi risiko dan mitigasi dengan framework 4A
Kesimpulan: apakah model bisnis ini viable di konteks Indonesia? Mengapa?

Bobot: 10% | Format: PDF + slide presentasi | Referensi: min. 5 sumber akademik/industri

Referensi Wajib Pertemuan 7

Farri, E., & Rosani, G. (2025). HBR Guide to Generative AI for Managers. HBR Press. Ch. 1-3.
Almeida, I. (2024). AI Fundamentals for Business Leaders. Now Next Later. Ch. 6-7.
Iansiti, M., & Lakhani, K. R. (2020). Competing in the Age of AI. HBR Press. Ch. 5.

Preview Pertemuan 8: AI Ethics & Responsible AI

Kerangka tata kelola AI bertanggung jawab
Bias, fairness, transparency dalam AI
Sub-CPMK 8: (C5) Merumuskan prinsip AI governance

Baca sebelum pertemuan: Mollick, E. (2024). Co-Intelligence. Ch. 7-8.

Kecerdasan Buatan · PEBD6026 · Program Studi S1 Bisnis Digital
Fakultas Ekonomika dan Bisnis · Universitas Diponegoro

📖 Baca juga: Dcf Valuation — penjelasan mendalam dan contoh numerik.