Program Studi Manajemen • FEB

Sistem Informasi Manajemen

Pertemuan 11 — Mengelola Pengetahuan dan AI

Bagaimana perusahaan modern mengubah dokumentasi statis menjadi aset aktif menggunakan Manajemen Pengetahuan (KM) dan terobosan Artificial Intelligence (AI).

RPS MINGGU 11 • SUB-CPMK 11 • DURASI 2 × 50 MENIT

Tujuan Pembelajaran Hari Ini

Setelah mengikuti perkuliahan ini, mahasiswa diharapkan mampu memahami peran strategis Manajemen Pengetahuan dan dampaknya saat dipadukan dengan AI.

CAPAIAN 1 — KONSEP DASAR KM

DATA KE WISDOM

Membedakan data, informasi, pengetahuan, dan kebijaksanaan. Memahami bentuk tacit vs explicit knowledge.

CAPAIAN 2 — PROSES KM

SIKLUS PENGETAHUAN

Menjelaskan siklus Knowledge Management: bagaimana pengetahuan diciptakan, disimpan, didistribusikan, dan diaplikasikan.

CAPAIAN 3 — AI & TEKNOLOGI

PERAN AI DALAM KM

Memahami peran sistem enterprise, teknik cerdas (RAG, NLP, Knowledge Graphs), dan agen AI otonom dalam mengelola pengetahuan.

CAPAIAN 4 — STUDI KASUS NYATA

STUDI KASUS MODERN

Menganalisis studi kasus implementasi GenAI pada perusahaan multinasional dan dampaknya pada produktivitas.

Ironi Abad Informasi: Banjir Data, Haus Pengetahuan

Pernahkah Anda mencari file panduan di komputer perusahaan dan membuang waktu 1 jam hanya untuk menemukannya?

MASALAH TRADISIONAL

0,7 s/d 2 Jam Per Hari

waktu terbuang untuk mencari info

Karyawan sering kali menghabiskan waktu berjam-jam setiap minggu mencari dokumen, bertanya pada rekan, atau menemukan informasi yang sudah ada namun terselip. Produktivitas menurun secara masif.

SOLUSI AI MODERN

Asisten Cerdas Instan

Temukan konteks, bukan cuma kata kunci

Dengan AI seperti RAG (Retrieval-Augmented Generation), karyawan bisa bertanya ke sistem layaknya bertanya ke pakar. Waktu pencarian turun drastis, retensi pengetahuan korporat meningkat tajam.

Data tanpa pengelolaan hanya menjadi beban storage. Pengetahuan yang tidak bisa diakses sama dengan pengetahuan yang tidak ada.

Bagian 1 dari 4

Konsep Dasar Manajemen Pengetahuan

Memahami fondasi: apa itu pengetahuan, bentuk-bentuknya, dan bagaimana ia mengalir di dalam sebuah organisasi.

DIKW Tacit vs Explicit Proses KM

Piramida DIKW: Mengubah Data Menjadi Nilai

Sistem Informasi tidak hanya menyimpan angka, tetapi membangun kebijaksanaan.

DATA, INFORMATION, KNOWLEDGE, WISDOM

Level	Definisi	Contoh di Industri Retail
Data	Fakta mentah yang belum diolah; aliran kejadian transaksi.	"100", "Sabun", "Barcode 12345".
Informasi	Data yang diorganisasi agar memiliki makna dan konteks.	Toko A menjual 100 Sabun pada hari Senin.
Pengetahuan (Knowledge)	Pemahaman tentang pola, aturan, atau konsep dari informasi; Know-how.	Konsumen cenderung membeli Sabun bersama dengan Sampo.
Kebijaksanaan (Wisdom)	Aplikasi pengetahuan untuk memecahkan masalah: kapan, di mana, dan bagaimana menggunakannya.	Menempatkan Sabun dan Sampo di rak yang berdekatan untuk meningkatkan penjualan silang (cross-selling).

Nilai bagi perusahaan meningkat seiring naiknya piramida, begitu juga dengan kompleksitas untuk menyimpannya dalam sistem komputer.

Coba Sendiri: Naik Piramida dari Data ke Kebijaksanaan

Klik naik satu per satu level DIKW dari contoh data mentah ritel dan lihat bagaimana setiap level menambahkan makna serta nilai bisnis baru.

Dimensi Pengetahuan: Tacit vs Explicit

EXPLICIT KNOWLEDGE

Terdokumentasi

Pengetahuan yang sudah dikodifikasi, ditulis, dan mudah dibagikan. Mudah ditransfer melalui teknologi.

Contoh: SOP Perusahaan, Buku Manual, Laporan Keuangan, Kode Pemrograman.

TACIT KNOWLEDGE

Pengalaman Personal

Pengetahuan yang melekat di kepala individu (intuisi, keahlian, pengalaman). Sangat sulit diformalkan atau didokumentasikan.

Contoh: "Insting" negosiasi seorang sales senior, sentuhan koki master.

Tantangan terbesar KM adalah mengubah Tacit menjadi Explicit agar tidak hilang ketika karyawan pensiun atau mengundurkan diri (institutional memory).

Rantai Nilai Manajemen Pengetahuan

Sistem KM bukan cuma software; ia membutuhkan serangkaian proses manajemen untuk memberikan hasil nyata.

4 TAHAPAN SIKLUS KM (KNOWLEDGE VALUE CHAIN)

1. Penciptaan Pengetahuan (Acquisition/Creation): Mengumpulkan data baru, R&D, menambang data (data mining), atau belajar dari ahli eksternal.
2. Penyimpanan Pengetahuan (Storage): Menyimpan ke dalam basis data dokumen, expert systems, atau portal internal agar bisa diakses.
3. Distribusi Pengetahuan (Dissemination): Membagikan lewat email, wiki internal, mesin pencari, atau forum kolaborasi (seperti Slack/Teams).
4. Penerapan Pengetahuan (Application): Menggunakan pengetahuan tersebut untuk mengambil keputusan bisnis, membuat produk baru, atau melayani pelanggan.

Bagian 2 dari 4

Sistem Enterprise untuk Pengetahuan

Teknologi klasik sebelum era GenAI: dari Portal Enterprise hingga sistem khusus pekerja spesialis (Knowledge Workers).

Enterprise-Wide Knowledge Work Systems

Enterprise-Wide Knowledge Management Systems

Sistem ini ditujukan untuk digunakan oleh seluruh bagian perusahaan (lintas divisi) untuk mengelola baik konten terstruktur maupun tidak terstruktur.

SISTEM MANAJEMEN KONTEN ENTERPRISE (ECM)

Menyimpan dokumen terstruktur (laporan) dan semiterstruktur (email, brosur). Dilengkapi fitur taksonomi (pengkategorian) untuk memudahkan pencarian.
Contoh: SharePoint, Atlassian Confluence.

SISTEM JARINGAN PENGETAHUAN (SOCIAL KM)

Menyediakan repositori "profil pakar" dalam perusahaan beserta keterampilan dan pengalaman mereka, membantu mencari tacit knowledge.
Contoh: Microsoft Viva, LinkedIn internal.

Problem tradisional ECM: Walaupun dokumen banyak tersimpan, fitur pencarian sering kali mengandalkan kecocokan kata kunci mutlak (keyword matching), sehingga dokumen jarang ditemukan jika salah ketik.

Knowledge Work Systems (KWS)

Sistem KWS bersifat khusus, dibangun untuk memfasilitasi peran para knowledge workers (insinyur, ilmuwan, desainer) yang tugas utamanya adalah merancang ilmu baru.

DESAIN & REKAYASA

CAD / CAM

Computer-Aided Design otomatis membuat model 3D dan simulasi tanpa harus membangun prototipe fisik. Menghemat waktu dan biaya R&D drastis.

FINANSIAL

Terminal Investasi

Seperti Bloomberg Terminal yang memberikan data pasar real-time, algoritma perhitungan risiko instan untuk manajer investasi dan analis saham.

SAINS & MEDIS

Virtual Reality / AR

Digunakan untuk mensimulasikan lingkungan molekul obat bagi apoteker, atau model pembedahan presisi bagi dokter spesialis bedah.

Bagian 3 dari 4

Revolusi AI dalam Manajemen Pengetahuan

Bagaimana AI mengubah paradigma KM dari repositori dokumen yang kaku menjadi asisten otonom yang bisa berdialog dan memahami konteks.

NLP RAG Knowledge Graphs

Pencarian Keyword vs Semantic AI

KEYWORD SEARCH (TRADISIONAL)

Kaku & Berbasis Teks

Hanya mencocokkan kata (misal: "cuti tahunan"). Jika dokumen menulis "liburan karyawan", sistem lama tidak akan memunculkan dokumen tersebut. Karyawan jadi frustrasi.

SEMANTIC SEARCH (AI & NLP)

Pemahaman Makna Intensi

AI menggunakan Natural Language Processing (NLP). AI tahu bahwa "cuti" dan "liburan" itu punya makna yang sama di konteks HR. AI memunculkan dokumen relevan meski kata kunci berbeda.

Sistem AI modern (seperti Glean atau Enterprise Search) juga dilengkapi Knowledge Graphs: pemetaan yang tahu bahwa Anda tergabung di tim Finance, sehingga memprioritaskan dokumen Finance saat Anda mencari "Laporan".

Teknologi Inti KM Modern: RAG

Retrieval-Augmented Generation (RAG) adalah arsitektur di balik asisten AI internal perusahaan.

CARA KERJA RAG DALAM KORPORAT

Langkah	Proses	Contoh
1. Retrieval (Ambil)	User bertanya, sistem mengambil potongan dokumen PDF/Wiki internal yang paling relevan.	Sistem menemukan dokumen "SOP Klaim Medis v2.0".
2. Augment (Sisipkan)	Sistem menggabungkan pertanyaan user dengan isi dokumen tersebut sebagai konteks (prompt).	"Berdasarkan SOP ini, jawab pertanyaan soal klaim gigi."
3. Generation (Buat)	LLM (seperti GPT-4 / Claude) membaca konteks, dan merangkai jawaban dengan bahasa natural yang mudah dibaca.	"Untuk klaim gigi, Anda perlu mengisi form A dan limit tahunannya adalah Rp 5 Juta."

RAG mencegah AI melakukan Halusinasi, karena AI dipaksa hanya menjawab berdasarkan data internal milik perusahaan, bukan data hasil crawling internet umum.

Coba Sendiri: Ikuti Alur RAG Langkah demi Langkah

Klik tiap tahap Retrieval, Augment, dan Generation untuk melihat bagaimana sebuah pertanyaan karyawan diproses menjadi jawaban berbasis dokumen internal.

Evolusi: Dari Asisten Pasif ke Autonomous Agents

Platform KM terbaru tidak lagi hanya menunggu dicari, melainkan bertindak proaktif (Agentic AI).

KEMAMPUAN OTONOM

Ingest Otomatis: Agen membaca transkrip meeting Teams/Zoom dan langsung membuat ringkasan/Wiki secara otonom.
Alert Proaktif: Jika SOP berubah, Agen memberitahu staf yang paling terdampak via Slack/Email.
Eksekusi Workflow: Agen KM bisa diintegrasikan dengan CRM/ERP untuk mengambil tindakan (misal: "Draftkan email balas ke klien XYZ berdasarkan kebijakan baru").

DAMPAK BISNIS

Mengurangi Beban Manual

Pekerjaan "admin knowledge" yang sangat membosankan (tagging dokumen, menulis notulen, merangkum) digantikan oleh AI, memungkinkan karyawan fokus pada analisis level tinggi.

Bagian 4 dari 4

Studi Kasus & Tantangan Dunia Nyata

Melihat bagaimana perusahaan sungguhan (Tech, Life Sciences, Perbankan) mengimplementasikan AI dalam KM dan tantangan yang mereka hadapi.

Studi Kasus 1: Global Tech Enterprise & Platform AI

Sebuah perusahaan teknologi global menghadapi masalah fragmentasi data di ribuan dokumen dan sistem (Silos).

SOLUSI: "PLATFORM OF PLATFORMS" GENAI

Perusahaan mengimplementasikan arsitektur GenAI berbasis RAG yang menyatukan semua basis pengetahuan terpisah menjadi satu antarmuka dialog interaktif (chat-based). Karyawan cukup "bertanya" layaknya ChatGPT.

HASIL (METRIK NYATA)

Pemangkasan Waktu 50%

Waktu dokumentasi berkurang 50%.
Kehilangan pengetahuan (knowledge loss) berkurang 50% (karena tacit mudah dikonversi jadi explicit).
Kecepatan pencarian (retrieval) naik 25%.

Studi Kasus 2: Life Sciences & Perbankan

NOVARTIS (LIFE SCIENCES)

Konteks: R&D obat memiliki banyak protokol medis yang repetitif.
Dampak AI: Novartis memusatkan data tepercaya, lalu menerapkan GenAI. Hasilnya: on-boarding peneliti baru sangat cepat, kerja duplikatif berkurang, dan transisi proyek terjaga tanpa gangguan karena data historis instan dipanggil.

SEKTOR PERBANKAN

Konteks: Bank sangat ketat soal regulasi dan kepatuhan hukum.
Dampak AI: Menggunakan asisten GenAI privat (seperti Copilot di ekosistem Microsoft), staf bank dapat memeriksa kebijakan compliance terbaru via chat. Hal ini memangkas waktu penemuan data kepatuhan yang sebelumnya rumit.

Tantangan Implementasi KM Berbasis AI

AI itu luar biasa, tetapi implementasinya bukan sekadar menginstal software. Ada rintangan kritikal:

DATA GOVERNANCE & SECURITY

Hak Akses Sensitif

Model AI bisa "tidak sengaja" membaca dan memberikan informasi gaji direktur ke staf biasa jika sistem hak akses file (permissions) tidak diatur dengan ketat sebelum AI di-deploy.

DATA QUALITY

Garbage In, Garbage Out

Jika dokumen internal perusahaan kedaluwarsa, tumpang tindih, atau berantakan, jawaban AI juga akan salah dan menyesatkan (halusinasi berlandaskan dokumen salah).

CHANGE MANAGEMENT

Kepercayaan User

Karyawan harus diedukasi untuk mempercayai dan menggunakan AI, namun tetap bersikap kritis untuk memverifikasi hasilnya (human in the loop).

Kunci Sukses: Manusia + Mesin

AI tidak menggantikan pakar pengetahuan, AI meng-upgrade produktivitas mereka.

RINGKASAN PERTEMUAN 11

Dari Tak Terlihat Menjadi Aset: Manajemen Pengetahuan mengubah tacit knowledge individu menjadi modal korporat permanen.
Evolusi Paradigma: KMS tidak lagi berupa folder dokumen pasif, melainkan agen asisten proaktif (RAG, NLP).
Keunggulan Kompetitif: Organisasi yang menguasai GenAI untuk KM-nya (seperti memangkas waktu 50%) akan jauh mengungguli kompetitornya dalam eksekusi operasional.
Tantangan Kunci: Kebersihan data, tata kelola keamanan, dan adaptasi manusia (change management) adalah penentu keberhasilan sistem AI.

Future Work: AI akan semakin terintegrasi sehingga batas antara pencarian pengetahuan dan alur kerja (workflow execution) akan hilang sepenuhnya.

Terima Kasih

Pertanyaan, diskusi, atau sharing pengalaman tentang manajemen dokumen/pengetahuan di tempat kerja/organisasi Anda?

Sampai jumpa di Pertemuan 12!