Membangun Strategi AI Perusahaan

Menyusun kerangka kerja strategi AI yang selaras dengan tujuan bisnis: dari vision ke roadmap eksekusi

Kecerdasan Buatan Pertemuan 9 dari 14 CPL2 · CPL4 · CPL6

Agenda Pertemuan 9

Teori & Kerangka

Apa itu AI Strategy dan mengapa penting
Framework strategi AI: 4 dimensi utama
Menyelaraskan AI dengan tujuan bisnis (AI-Business Alignment)
Matriks pilihan: Build vs. Buy vs. Partner

Aplikasi & Praktik

AI Readiness Assessment
Menyusun AI Roadmap: fase dan milestones
Kasus Indonesia: Gojek, BCA, Telkom, Tokopedia
Latihan: draft AI Strategy Canvas

Fokus Utama: Menyusun kerangka kerja strategi AI yang selaras dengan tujuan bisnis perusahaan (Sub-CPMK 9, C6 — level tertinggi Bloom's Taxonomy).

Tujuan Pembelajaran

Setelah pertemuan ini, mahasiswa mampu:

Kognitif (C6 — Mencipta)

Menyusun kerangka kerja strategi AI yang selaras dengan visi bisnis
Merancang AI roadmap dengan fase, milestone, dan metrik keberhasilan
Memilih pendekatan Build / Buy / Partner berdasarkan konteks perusahaan

Aplikatif

Mengevaluasi AI readiness organisasi secara terstruktur
Mengidentifikasi hambatan umum implementasi AI di perusahaan Indonesia
Mengisi AI Strategy Canvas sebagai alat komunikasi ke stakeholder

Sub-CPMK 9 CPMK-4 CPL2 · CPL4 · CPL6

Topik 1

Mengapa Perusahaan Butuh Strategi AI?

AI bukan proyek IT — AI adalah transformasi bisnis

AI Strategy vs. IT Strategy: Perbedaan Fundamental

Dimensi	IT Strategy (Tradisional)	AI Strategy
Pertanyaan utama	"Sistem apa yang kita butuhkan?"	"Keputusan bisnis mana yang bisa diperbaiki AI?"
Output	Sistem berjalan, uptime tinggi	Keputusan lebih baik, revenue, efisiensi
Ownership	CIO / Divisi IT	CEO + seluruh C-Suite + unit bisnis
Timeline	Project-based (selesai = done)	Continuous learning — model terus berkembang
Investasi utama	Infrastruktur, lisensi software	Data, talent, change management
Risiko dominan	Downtime, security breach	Bias model, ethical failure, talent gap

Implikasi: AI Strategy harus dimiliki oleh pimpinan bisnis, bukan didelegasikan ke IT. Keputusan Build/Buy/Partner, alokasi data, dan prioritas use case adalah keputusan strategis—bukan teknis.

Kerangka Kerja Strategi AI: 4 Dimensi

1. Vision & Ambition

Apa peran AI dalam visi jangka panjang perusahaan?

AI sebagai cost reducer (efisiensi operasional)?
AI sebagai revenue enhancer (produk/layanan baru)?
AI sebagai business model disruptor (transformasi total)?

2. Capabilities & Resources

Apa yang kita miliki dan apa yang kurang?

Data: kualitas, volume, aksesibilitas
Talent: data scientist, ML engineer, AI-literate manager
Infrastruktur: cloud, compute, pipeline

3. Use Case Portfolio

Use case mana yang diprioritaskan dan mengapa?

Nilai bisnis vs. kompleksitas teknis (matriks 2×2)
Quick wins (3–6 bulan) vs. transformational bets (1–3 tahun)
Sekuensing: mana dulu, mana kemudian?

4. Governance & Ethics

Bagaimana AI dikelola secara bertanggung jawab?

Siapa yang bertanggung jawab atas keputusan AI?
Bagaimana mendeteksi dan mitigasi bias?
Kepatuhan: UU PDP, regulasi OJK untuk fintech

Topik 2

Menyelaraskan AI dengan Tujuan Bisnis

AI yang tidak terhubung ke KPI bisnis adalah hobi mahal

Model Penyelarasan AI–Bisnis

Langkah 1: Mulai dari Tujuan Bisnis

Tentukan terlebih dahulu: apa tujuan strategis perusahaan dalam 3–5 tahun?

Contoh BCA: meningkatkan NPS nasabah digital dari 65 ke 80
Contoh Telkom: mengurangi churn enterprise 15% dalam 2 tahun
Contoh Tokopedia: meningkatkan conversion rate rekomendasi produk 20%

Langkah 2: Identifikasi Bottleneck Keputusan

Pertanyaan kunci: keputusan mana yang saat ini lambat, tidak akurat, atau tidak konsisten?

Keputusan kredit di BRI membutuhkan ~3 hari — AI bisa kurangi jadi 3 menit
Routing pengiriman Shopee Express tidak optimal — AI bisa hemat ~15% biaya

Langkah 3: Petakan Solusi AI ke Tujuan

Tujuan Bisnis	Solusi AI	KPI Pengukur
Kurangi churn	Predictive churn model	Churn rate (%)
Tingkatkan penjualan	Recommendation engine	CTR, conversion
Efisiensi operasi	Process automation (RPA+AI)	Cost per transaction
Kepuasan pelanggan	AI chatbot + sentiment	NPS, CSAT

Langkah 4: Definisikan Ukuran Keberhasilan

Setiap proyek AI harus punya business metric yang jelas — bukan hanya technical metric (akurasi model).

Technical: accuracy 90% → Business: fraud losses turun Rp 120M/bulan

Matriks Prioritas Use Case AI

Quick Wins — Mulai di Sini

Nilai bisnis tinggi, kompleksitas rendah. Selesai dalam 3–6 bulan. Bangun kepercayaan internal terhadap AI.

Contoh: chatbot layanan nasabah BRI, auto-categorization laporan keuangan Telkom.

Strategic Bets — Investasi Masa Depan

Nilai bisnis tinggi, kompleksitas juga tinggi. Butuh 1–3 tahun. Potensi competitive moat jika berhasil.

Contoh: recommendation engine Tokopedia, dynamic pricing Gojek berbasis real-time demand.

Deprioritize — Hindari Dulu

Kompleksitas tinggi, nilai bisnis rendah. Ini adalah perangkap umum: proyek ambisius tapi tidak ada dampak bisnis.

Contoh: membangun LLM internal dari nol ketika ada OpenAI API yang cukup.

Topik 3

Build vs. Buy vs. Partner

Keputusan paling kritis dalam implementasi AI perusahaan

Keputusan Build / Buy / Partner

Kriteria	Build (Bangun Sendiri)	Buy (Beli Solusi)	Partner (Mitra)
Competitive moat	Tinggi — IP milik sendiri	Rendah — kompetitor bisa beli yang sama	Sedang — tergantung keunikan mitra
Time-to-deploy	Lama (1–3 tahun)	Cepat (1–6 bulan)	Sedang (3–12 bulan)
Biaya awal	Sangat tinggi	Sedang (lisensi)	Bervariasi
Biaya jangka panjang	Lebih rendah jika skala besar	Tinggi (subscription terus)	Bervariasi
Kustomisasi	Penuh	Terbatas	Sedang
Talent yang dibutuhkan	Tim AI internal kuat	Minimal (vendor support)	AI-literate manager
Risiko utama	Talent loss, overruns	Vendor lock-in	Dependency, IP conflict

Rekomendasi: Strategi hybrid paling umum — Build untuk core competitive advantage, Buy untuk fungsi standar, Partner untuk akses data/keahlian yang tidak dimiliki sendiri.

Pilihan Strategis Perusahaan Indonesia

Gojek / GoTo — Mostly Build

Build: Matching algorithm driver-penumpang, dynamic pricing berbasis demand real-time, fraud detection transaksi GoPay
Buy: Google Maps API untuk navigasi, AWS/GCP untuk sebagian infrastruktur
Partner: Grab Data (dulunya) untuk benchmark, merchant partners untuk data perilaku

Alasan build: algoritma matching adalah core IP — tidak boleh dimiliki vendor lain.

BCA — Balanced Hybrid

Build: Halo BCA AI chatbot (in-house NLP), fraud detection model berbasis transaksi 18 juta nasabah
Buy: IBM Watson untuk sebagian analitik, Microsoft Azure cloud
Partner: BI Fast integration, fintech API untuk open banking

Alasan build: data nasabah sensitif, tidak boleh keluar ke vendor cloud pihak ketiga untuk model fraud.

Telkom Indonesia — Partner-Led

Build: BigBox data analytics platform (anak perusahaan Sigma)
Buy: Microsoft 365 Copilot untuk produktivitas internal, Google Workspace AI
Partner: NVIDIA untuk AI infrastructure, startup AI lokal via MDI Ventures portfolio

Alasan partner: Telkom tidak punya talent AI sebanyak Gojek — bermitra lebih efisien.

Tokopedia / TikTok Shop — Buy-then-Build

Awal: Buy solusi rekomendasi dari vendor China (sebelum merger)
Setelah merger dengan TikTok: Build bersama TikTok ByteDance AI Lab
Partner: Brand besar untuk co-marketing AI (personalisasi iklan)

Evolusi: mulai dengan buy karena cepat, kemudian build setelah punya data dan talent.

Topik 4

Peta Jalan Implementasi AI

Dari vision ke eksekusi: fase, milestone, dan metrik

AI Roadmap: Tiga Fase Implementasi

Fase 1: Foundation

Bulan 1–6 · Quick wins + infrastruktur

Audit data readiness
Pilih 2–3 quick win use cases
Bangun data pipeline dasar
Rekrut / training talent AI awal
Tetapkan AI governance policy

KPI Fase 1: ≥1 AI use case live, data pipeline operasional, AI policy doc selesai

→

Fase 2: Scale

Bulan 6–18 · Ekspansi & penguatan

Scale use case yang terbukti berhasil
Tambah 4–6 use case baru
Bangun MLOps: deploy, monitor, retrain
AI literacy training untuk seluruh fungsi
Ukur ROI secara konsisten

KPI Fase 2: ≥5 use case produksi, ROI terukur ≥3×, AI team ≥10 orang

→

Fase 3: Transform

Bulan 18–36 · AI-native organization

AI terintegrasi di setiap unit bisnis
Strategic bets: use case transformasional
AI-driven business model baru
External AI products / API economy
Continuous governance & ethics audit

KPI Fase 3: AI sebagai sumber revenue baru, AI moat terbangun

AI Readiness Assessment: Mengevaluasi Kesiapan Organisasi

Dimensi Kesiapan	Level 1 (Awal)	Level 3 (Berkembang)	Level 5 (Matang)
Data	Data tersebar, tidak terstruktur, tidak ada governance	Data warehouse ada, governance dasar, pipeline sebagian otomatis	Data lake + warehouse terintegrasi, real-time, kualitas tinggi
Talent	Tidak ada AI talent, IT generalis	1–3 data scientist, butuh vendor untuk ML	AI team lintas fungsi: DS, MLE, AI Product Manager
Teknologi	On-premise legacy, tidak ada cloud	Hybrid cloud, beberapa API AI dipakai	Cloud-native, MLOps mature, own model registry
Leadership	AI = IT project, tidak ada C-suite champion	1 C-suite sponsor, beberapa unit bisnis adopt AI	AI di agenda board, Chief AI Officer, AI-first culture
Proses	Proses manual, tidak ada eksperimen AI	Beberapa proses di-augment AI, pilot berhasil	AI terintegrasi di core business process, continuous experimentation

Cara Pakai: Nilai perusahaan Anda di tiap dimensi (1–5). Total skor <10 = Fase 1. 10–18 = Fase 2. >18 = Fase 3. Mulai roadmap dari fase yang sesuai.

Coba Sendiri: Nilai Kesiapan AI Organisasi Anda

Isi skor 1-5 untuk lima dimensi organisasi (Data, Talent, Teknologi, Leadership, Proses) dan amati total skor /25 serta fase kesiapan yang dihasilkan.

Hambatan Umum Implementasi AI di Indonesia

Hambatan Internal

Talent gap: ~70% perusahaan Indonesia kekurangan data scientist dan ML engineer yang berpengalaman
Data silo: data tersebar di sistem legacy yang tidak terintegrasi, seringkali di server cabang
Change resistance: karyawan takut digantikan AI, manajemen menengah tidak mendukung
ROI impatience: ekspektasi ROI terlalu cepat (3–6 bulan) padahal AI butuh 12–24 bulan untuk mature

Hambatan Eksternal

Regulasi belum matang: UU PDP baru berlaku 2024 — implementasi masih beradaptasi; regulasi AI belum ada
Infrastruktur: koneksi internet tidak merata di luar Jawa — AI real-time sulit di-deploy nasional
Vendor ecosystem: solusi AI tier-1 global (AWS, Azure, Google) mahal dalam USD; kurs USD/IDR volatil
Talenta lokal: lulusan AI/DS terbaik banyak yang pindah ke perusahaan global (brain drain)

Strategi Mitigasi

Talent: Partnership dengan UNDIP, UI, ITB; program magang intensif; upskilling karyawan existing.

Data: Mulai dengan data warehouse terpusat sebelum AI. Foundation dulu, AI kemudian.

Change: Communicate AI sebagai augmentation, bukan replacement. Libatkan karyawan dalam desain.

Latihan: AI Strategy Canvas

Instruksi (15 menit, kelompok 3–4 orang)

Pilih satu perusahaan Indonesia yang sudah dikenal (boleh: BRI, Telkom, Bukalapak, Pertamina, atau perusahaan lain). Isi canvas berikut:

Blok Canvas	Pertanyaan Panduan	Isi (draft kelompok)
1. Tujuan Bisnis	Apa 1 tujuan bisnis utama yang ingin dicapai dalam 3 tahun?	...
2. Bottleneck Keputusan	Keputusan bisnis mana yang saat ini paling lambat/tidak akurat?	...
3. Use Case Prioritas	1 quick win dan 1 strategic bet — apa dan mengapa?	...
4. Pilihan BBP	Untuk use case utama: Build, Buy, atau Partner? Alasan?	...
5. Readiness Score	Nilai kesiapan 5 dimensi (1–5 masing-masing)	D:_ T:_ IT:_ L:_ P:_
6. Hambatan Utama	2 hambatan terbesar dan strategi mitigasinya	...
7. Milestone Fase 1	Apa yang akan dicapai dalam 6 bulan pertama?	...

Output: Presentasi singkat 3 menit per kelompok. Canvas ini adalah fondasi tugas besar matakuliah ini — AI Strategy Report.

Rangkuman Pertemuan 9

Konsep Utama

AI Strategy berbeda dari IT Strategy — harus dimiliki leadership bisnis, bukan didelegasikan ke IT
4 dimensi: Vision, Capabilities, Use Case Portfolio, Governance
Alignment AI–bisnis: mulai dari tujuan bisnis, bukan dari teknologi
Matriks prioritas 2×2: quick wins dulu, strategic bets kemudian, deprioritize yang low value-high complexity

Keputusan & Eksekusi

Build untuk core competitive advantage; Buy untuk fungsi standar; Partner untuk akses data/keahlian
Hybrid strategy paling umum di perusahaan Indonesia (Gojek, BCA, Telkom)
Roadmap 3 fase: Foundation (1–6 bln) → Scale (6–18 bln) → Transform (18–36 bln)
AI Readiness Assessment: 5 dimensi (data, talent, teknologi, leadership, proses)

"AI is not about replacing human judgment — it is about freeing human judgment to focus on what matters most."
— Marco Iansiti & Karim Lakhani, Competing in the Age of AI (2020)

Tugas & Referensi

Tugas Besar: AI Strategy Report (Deadline: Pertemuan 14)

Susun AI Strategy Report untuk satu perusahaan Indonesia pilihan Anda:

Profil perusahaan & konteks industri
AI Strategy Framework (4 dimensi)
AI-Business Alignment: tujuan bisnis → use case mapping
Keputusan Build / Buy / Partner dengan justifikasi
AI Readiness Assessment (5 dimensi, skor 1–5)
Roadmap 3 fase dengan milestone dan KPI
Hambatan dan strategi mitigasi

Format: 10–15 hal. PDF. Bobot: 30% nilai akhir.

Referensi Wajib

Iansiti, M., & Lakhani, K. R. (2020). Competing in the Age of AI. Ch. 7–9. HBR Press.
Marr, B. (2025). AI Strategy. Ch. 1–4. Wiley.
Almeida, I. (2024). AI Fundamentals for Business Leaders. Ch. 9–10. Now Next Later.

Referensi Pendukung

Davenport, T. H. (2018). The AI Advantage. Ch. 6–8. MIT Press.
Farri, E., & Rosani, G. (2025). HBR Guide to Generative AI for Managers. Ch. 5. HBR Press.

Pertanyaan & Preview Pertemuan 10

💬

Q&A

Pertanyaan tentang AI Strategy Framework, Build-Buy-Partner, atau AI Roadmap?

Canvas kelompok tadi bisa dijadikan starting point diskusi.

Pertemuan 10: Tata Kelola AI dan Etika Bisnis

Prinsip-prinsip AI yang bertanggung jawab (Responsible AI)
Bias algoritmik: sumber, dampak, mitigasi
Regulasi AI global dan implikasinya untuk perusahaan Indonesia (UU PDP, EU AI Act)
Sub-CPMK 10: (C5) Mengevaluasi prinsip tata kelola AI yang bertanggung jawab

Baca: Farri & Rosani (2025) Ch. 8–9 · Iansiti & Lakhani (2020) Ch. 11

Tonton sebelum kelas: "AI Bias in Hiring" — berbagai dokumenter tersedia di YouTube (cari keyword tersebut)

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

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