Pelajaran dari Lapangan: Studi Kasus Implementasi AI

Menganalisis kasus sukses dan gagal implementasi AI untuk menarik pelajaran manajerial yang konkret

Kecerdasan Buatan Pertemuan 8 dari 14 CPL2 · CPL4 · CPL6

Agenda Pertemuan 8

Analisis Kasus

Kasus sukses: Gojek, BCA, BRImo, Tokopedia
Kasus gagal: implementasi AI yang tidak berhasil (global + Indonesia)
Kerangka analisis: apa yang membedakan sukses dari gagal?
Faktor penentu keberhasilan (CSF)

Pelajaran Manajerial

Peran kepemimpinan dalam adopsi AI
Budaya organisasi yang mendukung AI
Change management untuk transformasi AI
Diskusi: kasus pilihan mahasiswa

Fokus Utama: Menganalisis studi kasus implementasi AI yang berhasil dan gagal untuk menarik pelajaran manajerial (Sub-CPMK 8, C4).

Tujuan Pembelajaran

Setelah pertemuan ini, mahasiswa mampu:

Kognitif (C4)

Menganalisis faktor-faktor yang membedakan implementasi AI yang sukses dari yang gagal
Mengidentifikasi critical success factors (CSF) lintas kasus dan industri
Mengevaluasi peran kepemimpinan dan budaya organisasi dalam adopsi AI

Aplikatif

Menggunakan kerangka CSF untuk menilai kesiapan organisasi mengadopsi AI
Merumuskan rekomendasi manajerial berbasis studi kasus
Mengaplikasikan pelajaran dari kasus gagal untuk menghindari kesalahan serupa

Sub-CPMK 8 CPMK-2 · CPMK-4 CPL2 · CPL4 · CPL6

Topik 1

Analisis Kasus Sukses Implementasi AI

Kasus Sukses 1: Gojek — AI untuk Dynamic Pricing & Matching

Konteks & Masalah

Gojek beroperasi di 5+ negara dengan jutaan driver dan penumpang
Masalah: ketidakseimbangan supply (driver) vs demand (penumpang) real-time
Manual pricing tidak responsif terhadap hujan, event, macet
Driver income tidak stabil; penumpang sering tidak dapat ojek di jam sibuk

Solusi AI

Dynamic pricing: harga naik otomatis saat demand tinggi, dorong lebih banyak driver aktif
Demand forecasting: prediksi demand 15–30 menit ke depan per zona
Driver-penumpang matching: optimasi jarak + waktu + rating + preferensi
Surge zone visualization: driver diberi tahu zona permintaan tinggi

Hasil: Waktu tunggu penumpang turun signifikan; pendapatan driver meningkat di jam sibuk; efisiensi armada meningkat karena driver bergerak proaktif ke zona permintaan tinggi. AI juga mendeteksi driver yang memanipulasi sistem (fake GPS) secara otomatis.

Faktor Kunci Keberhasilan

Data volume: miliaran perjalanan sebagai training data
Iterasi cepat: A/B testing harga di sub-zona
Integrasi penuh: AI bukan alat terpisah, tapi embedded di app

Kasus Sukses 2: BCA & BRImo — AI di Perbankan Indonesia

BCA — Halo BCA Chatbot & Fraud Detection

Masalah: ~500.000 panggilan/hari ke call center; biaya besar, respons lambat
Solusi: Chatbot NLP + IVR pintar → 60–70% pertanyaan diselesaikan tanpa agen manusia
Fraud detection: model anomali transaksi real-time; blokir otomatis transaksi mencurigakan
Hasil: Kepuasan nasabah meningkat; biaya CS turun; fraud loss berkurang

BRImo — Personalisasi & Credit Scoring UMKM

Masalah: 30+ juta nasabah UMKM; credit scoring manual lambat, banyak unbanked
Solusi: AI credit scoring berbasis data alternatif (pola transaksi, geolokasi, perilaku app)
Personalisasi: rekomendasi produk berbeda per segmen nasabah
Hasil: Pengajuan kredit UMKM diproses dalam menit (vs. hari); NPL lebih terkontrol

Pelajaran Bersama: Kedua bank memanfaatkan data yang sudah mereka miliki (data transaksi historis) sebagai aset AI. Tidak perlu data baru—perlu kemampuan mengolah data lama dengan cara baru.

Kasus Sukses 3: Tokopedia & Telkom — AI untuk Skala Besar

Tokopedia — Sistem Rekomendasi

Masalah: 100+ juta produk, 90+ juta pengguna aktif—bagaimana setiap pengguna menemukan produk relevan?
Solusi: Collaborative filtering + content-based filtering hybrid; real-time personalisasi berdasarkan riwayat klik, cart, purchase
Fraud prevention: deteksi penjual palsu, review spam, click fraud iklan
Hasil: Konversi meningkat; average order value naik; bounce rate turun di halaman produk

Telkom Indonesia — Predictive Network Maintenance

Masalah: Jaringan 170.000+ km fiber; gangguan tidak terduga, biaya maintenance reaktif tinggi
Solusi: AI predictive maintenance—sensor data jaringan diprediksi 7–14 hari sebelum kegagalan
Chatbot MyTelkom: keluhan jaringan diatasi otomatis tanpa teknisi ke lapangan
Hasil: Downtime berkurang; biaya opex turun; NPS (Net Promoter Score) meningkat

Pattern Sukses: Keempat kasus Indonesia di atas memiliki kesamaan—AI digunakan untuk masalah bisnis yang sudah jelas, dengan data yang sudah ada, dan ROI yang terukur sebelum scale-up.

Topik 2

Analisis Kasus Gagal Implementasi AI

Kerangka Analisis Kasus Gagal AI

Sebelum melihat kasus spesifik, pahami dulu mengapa AI gagal secara sistematis:

📊

Masalah Data

Data tidak cukup atau tidak representatif
Data bias (gender, ras, geografi)
Data lama yang tidak relevan lagi
Label data salah (garbage in)

🎯

Masalah Desain

Problem definition tidak tepat
Optimasi metrik yang salah
Solusi AI untuk masalah non-AI
Over-engineering

🏢

Masalah Organisasi

Resistensi karyawan
Leadership tidak mendukung
Tidak ada change management
Pilot sukses, tapi scale-up gagal

Statistik: Menurut berbagai survei industri, ~50–80% proyek AI tidak mencapai deployment produksi atau tidak memberikan ROI yang diharapkan. Kegagalan teknis hanya sebagian kecil—mayoritas adalah kegagalan manajerial dan organisasional.

Kasus Gagal: Bias AI dan Over-Promise

Amazon — AI Rekrutmen yang Bias Gender (2014–2018)

Tujuan: AI screening CV untuk posisi teknik, mengurangi beban HR
Masalah: Model dilatih dari data rekrutmen historis Amazon yang didominasi pria
Hasil: AI secara konsisten memberi skor rendah untuk CV yang mengandung kata "women's" atau dari universitas perempuan
Keputusan: Amazon membubarkan tim dan menghentikan proyek pada 2018

Pelajaran: Data historis mereproduksi bias historis. AI tidak netral secara otomatis.

IBM Watson Oncology — Rekomendasi Medis yang Tidak Aman

Tujuan: AI membantu dokter merekomendasikan pengobatan kanker
Masalah: Dilatih dari data sintetis dan kasus hipotetis dokter di AS, bukan pasien nyata
Hasil: Rekomendasi tidak sesuai standar klinis; beberapa saran dikategorikan "tidak aman" oleh dokter onkologi
Keputusan: Beberapa rumah sakit besar membatalkan kontrak; proyek skala dikurangi drastis

Pelajaran: Data training harus representatif konteks penggunaan nyata, bukan skenario ideal.

Kasus Gagal: Konteks Indonesia

Chatbot Layanan Publik yang Tidak Siap

Beberapa pemerintah daerah dan BUMN meluncurkan chatbot AI untuk layanan publik (pengaduan, informasi pajak, perizinan) tanpa persiapan memadai.

Masalah umum: chatbot tidak bisa memahami bahasa daerah, singkatan WhatsApp, atau pertanyaan di luar skrip
Dampak: pengguna frustrasi, kembali ke antrean manual; chatbot dicap "tidak berguna"
Akar masalah: terburu-buru karena tekanan "digitalisasi," tanpa user research yang cukup

Proyek AI Perkebunan & Pertanian yang Mandek

Beberapa proyek AI untuk deteksi penyakit tanaman (sawit, padi) menggunakan computer vision berhasil di pilot, tapi tidak berhasil di-scale.

Masalah: model dilatih di kondisi cahaya/kamera tertentu; di lapangan nyata, akurasi turun drastis
Connectivity: petani di daerah terpencil tidak punya internet untuk upload foto ke cloud
Adopsi: petani tidak percaya atau tidak tahu cara pakai aplikasinya

Pola Kegagalan Indonesia: Sukses di pilot (kondisi terkontrol) → gagal di scale (kondisi nyata). Gap antara demo dan deployment. Kurang investasi pada change management dan pelatihan pengguna akhir.

Topik 3

Faktor Penentu Keberhasilan (Critical Success Factors)

Critical Success Factors: Implementasi AI

CSF	Deskripsi	Indikator Sukses	Tanda Bahaya
1. Problem Clarity	Masalah bisnis yang ingin dipecahkan terdefinisi jelas sebelum pilih teknologi	Ada KPI bisnis yang terukur sebelum proyek dimulai	"Kita mau pakai AI" tanpa tahu untuk apa
2. Data Readiness	Data yang cukup, berkualitas, dan relevan tersedia sebelum model dibangun	Data audit dilakukan; gap data diidentifikasi awal	Mulai coding model sebelum cek data
3. Executive Sponsorship	Ada pemimpin senior yang aktif mendukung, bukan hanya menyetujui anggaran	C-suite terlibat dalam review berkala; hambatan diangkat ke atas	Proyek AI "diserahkan ke IT"
4. Cross-Functional Team	Tim gabungan: bisnis + data + IT + domain expert + end-user	Business analyst dan data scientist duduk bersama	Tim teknis bekerja terpisah dari bisnis
5. Iterative Deployment	Deploy kecil, ukur, perbaiki, scale—bukan big bang deployment	MVP dalam 3 bulan; A/B testing sebelum rollout penuh	Proyek 2 tahun dengan deployment di akhir
6. Change Management	Karyawan dan pengguna disiapkan untuk menerima dan menggunakan AI	Training, komunikasi, feedback loop sejak awal	AI diluncurkan tiba-tiba tanpa sosialisasi

Enam CSF ini berdasarkan pattern dari banyak studi kasus AI—bukan hanya dari satu sumber. Problem clarity: paling sering dilanggar. "Kita mau pakai AI" bukan masalah bisnis. "Kita ingin kurangi churn nasabah dari 15% ke 10%" itu masalah bisnis yang bisa di-AI-kan. Data readiness: kedua paling sering dilanggar. Banyak proyek mulai coding model padahal datanya belum diperiksa kualitasnya. Executive sponsorship: proyek AI yang "diserahkan ke IT" hampir selalu gagal. Perlu pemimpin bisnis yang mau berjuang untuk sumber daya dan keputusan. Cross-functional: AI adalah pertemuan bisnis, data, dan IT. Tim yang hanya terdiri dari satu pihak akan menghasilkan model yang teknis bagus tapi tidak relevan bisnis, atau relevan bisnis tapi tidak bisa dibangun. Iterative: jangan menunggu sistem sempurna. Deploy, ukur, perbaiki. Change management: yang paling diabaikan, paling kritikal.

Self-Assessment: AI Readiness Matrix

Gunakan untuk menilai kesiapan organisasi Anda (atau studi kasus) sebelum memulai proyek AI:

Dimensi	Merah (1–2)	Kuning (3)	Hijau (4–5)
Problem	"Kita mau pakai AI"	Ada masalah, tapi KPI belum jelas	Masalah bisnis + KPI + baseline terukur
Data	Tidak tahu data apa yang ada	Ada data, tapi kualitas belum diperiksa	Data audit selesai; pipeline siap
Leadership	AI "proyek IT"	Ada sponsor, tapi pasif	C-suite aktif terlibat, hambatan diangkat
Tim	Hanya IT atau hanya bisnis	Ada kolaborasi, tapi ad hoc	Tim cross-functional permanen dengan ritme kerja
Change Mgmt	Tidak ada rencana sosialisasi	Ada training, tapi belum terjadwal	Roadmap adopsi dengan milestones dan feedback

Interpretasi: Rata-rata <3 = tunda proyek, perbaiki fondasi dulu. Rata-rata 3–4 = mulai dengan scope kecil. Rata-rata >4 = siap untuk proyek AI yang lebih ambisius.

Coba Sendiri: Nilai AI Readiness Anda

Geser skor 1-5 untuk lima dimensi (Problem, Data, Leadership, Tim, Change Management) dan amati skor rata-rata serta rekomendasi yang muncul.

Topik 4

Kepemimpinan & Budaya Organisasi untuk AI

Peran Kepemimpinan dalam Adopsi AI

Apa yang Harus Dilakukan Pemimpin

Articulate the "why": jelaskan mengapa AI penting untuk organisasi—bukan hanya "kompetitor pakai AI"
Remove blockers: aktif menghilangkan hambatan birokrasi, data silo, turf war antar departemen
Model behavior: gunakan AI tools sendiri; tunjukkan ke tim bahwa AI bukan ancaman
Celebrate experiments: hargai percobaan yang gagal cepat, bukan hanya proyek besar yang "pasti berhasil"
Invest in learning: anggarkan waktu dan biaya untuk reskilling tim

Tipe Pemimpin vs. Hasil AI

Tipe	Perilaku	Dampak
Enthusiast	Push semua proyek AI sekaligus	Over-commit, burnout tim, proyek mangkrak
Skeptic	Tunggu sampai AI "terbukti"	Tertinggal kompetitor, talent drain
Pragmatist	Pilih 1–2 use case high-impact, iterasi	Quick wins, trust terbangun, scale bertahap

Kesimpulan: Pemimpin pragmatis yang menghasilkan quick wins dan membangun trust secara bertahap paling efektif.

Budaya Organisasi yang Mendukung AI

🔬

Budaya Eksperimen

Failure diterima sebagai pembelajaran, bukan sanksi
A/B testing dianggap normal, bukan buang waktu
Data diutamakan atas opini senioritas

🤝

Kolaborasi Lintas Fungsi

Marketing tahu apa yang bisa diminta dari data
Data scientist tahu konteks bisnis, bukan hanya angka
Tidak ada "ini bukan urusan saya"

📈

Orientasi Data

Keputusan berdasarkan data, bukan intuisi semata
Dashboard dan metrik dipakai sungguh-sungguh
Data literacy dianggap skill esensial semua karyawan

Contoh Transformasi Budaya: Gojek

Gojek menerapkan "data-driven culture" dengan mewajibkan setiap keputusan produk didukung data. Product Manager tidak bisa mengusulkan fitur baru tanpa hipotesis yang bisa diuji dan metrik keberhasilan yang jelas. Ini mengubah cara kerja tim dari "intuisi dan pengalaman" ke "eksperimen dan pengukuran."

Change Management: Mengatasi Resistensi terhadap AI

Sumber Resistensi Karyawan

Ketakutan PHK: "AI akan gantikan pekerjaan saya"
Ketidakpercayaan: "AI tidak mungkin lebih tahu dari saya yang sudah 10 tahun di sini"
Ketidakmampuan: "Saya tidak bisa pakai teknologi baru"
Kehilangan kontrol: "Keputusan sekarang dibuat mesin, bukan saya"

Strategi Change Management

Komunikasi jujur: jelaskan dampak nyata AI pada peran—mana yang berubah, mana yang tetap
Reskilling: investasikan pada pelatihan; karyawan yang sudah berpengalaman domain adalah aset, bukan beban
Co-creation: libatkan karyawan dalam desain sistem AI yang akan mereka pakai
Quick wins yang visible: tunjukkan manfaat AI untuk karyawan itu sendiri, bukan hanya untuk perusahaan
AI sebagai augmentasi: framing "AI membantu Anda, bukan menggantikan Anda"

Contoh Indonesia: BCA dalam meluncurkan Halo BCA chatbot tidak memberhentikan agen call center—justru melatih mereka menjadi "AI trainer" yang memperbaiki jawaban chatbot, dan memindahkan mereka ke interaksi kompleks yang AI tidak bisa handle. Reframing peran, bukan eliminasi peran.

Rangkuman Pertemuan 8

Pola dari Kasus Sukses

Masalah bisnis jelas + KPI terukur sebelum mulai
Data yang sudah ada dimanfaatkan secara cerdas
Iterasi kecil → quick wins → scale bertahap
AI embedded di produk/proses, bukan alat terpisah
Gojek, BCA, BRImo, Tokopedia, Telkom: semua mulai kecil

Pola dari Kasus Gagal

Teknologi dipilih sebelum masalah didefinisikan
Data bias atau tidak representatif konteks nyata
Pilot sukses, scale-up gagal (gap deployment)
Change management diabaikan
Amazon, IBM Watson, chatbot publik, AI pertanian

6 CSF yang Harus Diperiksa Sebelum Proyek AI: (1) Problem clarity · (2) Data readiness · (3) Executive sponsorship · (4) Cross-functional team · (5) Iterative deployment · (6) Change management

Prinsip Utama: AI adalah Journey, Bukan Destination

Tidak ada organisasi yang "selesai" dengan AI. Yang membedakan sukses dan gagal bukan seberapa canggih teknologinya—tapi seberapa matang organisasi belajar, beradaptasi, dan membangun kapabilitas AI secara berkelanjutan.

Tugas & Preview Pertemuan 9

Tugas Individu (Deadline: Pertemuan 9)

Analisis Studi Kasus AI:

Pilih satu perusahaan Indonesia (bukan yang dibahas hari ini)
Identifikasi satu implementasi AI yang mereka lakukan (sukses atau gagal)
Analisis menggunakan 6 CSF: mana yang terpenuhi, mana yang tidak?
Jika sukses: apa faktor kunci yang paling menentukan?
Jika gagal atau setengah berhasil: apa yang seharusnya dilakukan berbeda?
Format: 2 halaman, PDF, referensi minimal 2 sumber

Bobot: 5% | Kriteria: Rubrik Analitik C4

Referensi Pertemuan 8

Iansiti, M., & Lakhani, K. R. (2020). Competing in the Age of AI. HBR Press. Ch. 5–7.
Almeida, I. (2024). AI Fundamentals for Business Leaders. Ch. 7–8. Now Next Later.
Davenport, T. H. (2018). The AI Advantage. Ch. 6–7. MIT Press.

Preview Pertemuan 9: Etika AI & AI yang Bertanggung Jawab

Fairness, accountability, transparency, explainability
Regulasi AI: UU PDP Indonesia, EU AI Act
Sub-CPMK 9: (C5) Merumuskan prinsip tata kelola AI bertanggung jawab

Baca: Farri & Rosani (2025) HBR Guide to Generative AI for Managers, Ch. 8–9

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