Privasi Data, Otentikasi, Etika dan Tata Kelola — Kecerdasan Buatan dalam Manajemen Bisnis

Keuntungan:

Kemampuan melindungi data dalam empat lapisan (klasifikasi, anonimisasi, pemilihan kendaraan, data minimum) dan memenuhi tanggung jawab KVKK
Kemampuan untuk memverifikasi keluaran berdasarkan tingkat risiko dan menyaring rekomendasi yang mempengaruhi masyarakat melalui keadilan dan bias
Kemampuan untuk menetapkan kerangka tata kelola AI yang sederhana dan memastikan bahwa keluaran AI tidak menggantikan persetujuan ahli dalam keputusan keuangan/hukum/SDM/kepatuhan

Sebagai seorang manajer, Anda telah belajar menggunakan AI di setiap sudut bisnis Anda: pelaporan, KPI, otomatisasi, operasi, pengadaan, komunikasi, ringkasan, skenario. Sekarang kami sedang menetapkan kerangka kerja untuk menggunakan kekuatan ini secara bertanggung jawab. Karena ketika AI digunakan secara tidak benar, kecepatan dan kenyamanan berubah menjadi risiko yang serius: daftar pelanggan yang bocor, keputusan berdasarkan angka yang dibuat-buat, saran yang diskriminatif, pelanggaran KVKK. Unit ini adalah jaring pengaman yang menyatukan seluruh modul. Prinsip utama dalam satu kalimat: AI adalah asisten; Kerahasiaan data, keakuratan keluaran dan etika pengambilan keputusan selalu menjadi tanggung jawab pengelola.

Privasi data: perlindungan empat lapis

Data bisnis sangat berharga dan sebagian besar bersifat rahasia. Lindungi privasi dalam empat lapisan. Lapisan pertama—klasifikasi: memberi label pada setiap bagian data sebagai “penggunaan publik/internal/rahasia/pribadi.” Data rahasia dan pribadi memerlukan perhatian khusus. Lapisan kedua — anonimisasi: Terjemahkan pengidentifikasi seperti nama, ID, nama pelanggan, harga pemasok ke dalam kode sebelum memberikannya kepada AI (Karyawan A, Pelanggan 1). Lapisan ketiga — pemilihan alat: jika memungkinkan, gunakan alat AI korporat yang disetujui perusahaan yang tidak menyimpan data untuk pelatihan model; Jangan memberikan data rahasia ke alat gratis yang tersedia untuk umum. Lapisan keempat — data minimal: berikan data minimum yang diperlukan untuk melakukan pekerjaan, tidak lebih.

KVKK (UU Perlindungan Data Pribadi) mengatur pemrosesan data pribadi karyawan dan pelanggan Anda; Pelanggaran membawa sanksi hukum dan hilangnya reputasi. Menempelkan daftar klien atau daftar gaji ke dalam kotak obrolan terbuka seperti meninggalkan file terkunci di jalan.

Perhatian: "Alat ini tampak aman" bukanlah suatu jaminan. Sebelum memberikan data apa pun kepada AI, tanyakan: "Apa kerugiannya bagi perusahaan jika informasi ini bocor?" Jika kerusakannya serius, anonimkan datanya atau jangan rilis sama sekali. Jika ragu, jangan berikan.

Validasi: keluaran yang tidak ditandatangani bukanlah suatu keputusan

Disiplin yang diulangi sepanjang modul dikumpulkan di bawah satu atap di sini. Validasi setiap keluaran AI dalam tiga langkah: sumber (apakah angka dari data yang saya berikan?), hitung ulang (periksa aritmatika), filter manajerial (apakah sesuai dengan pengetahuan dan bidang industri saya?). AI dapat menghasilkan halusinasi – menciptakan angka, sumber, atau fakta yang tidak ada dengan bahasa yang persuasif. Kefasihan bukanlah keakuratan. Semakin penting keputusannya, semakin ketat pula verifikasi yang harus dilakukan.

Pertimbangkan risiko pada tiga tingkatan. Hasil kerja yang berisiko rendah (garis besar internal, format, ringkasan): tinjauan singkat saja sudah cukup. Hasil risiko menengah (laporan ke manajemen, komentar KPI): setiap nomor divalidasi. Hasil kerja yang berisiko tinggi (keputusan keuangan, kontrak, dokumen kepatuhan, transaksi SDM): AI hanya menghasilkan draft; Tinjauan ahli yang kompeten, pengendalian hukum/keuangan, dan penandatanganan adalah wajib. Di bidang-bidang ini, keluaran AI tidak akan pernah bisa menggantikan persetujuan para ahli yang kompeten.

Etika dan bias: cepat namun adil

AI belajar dari data historis; Jika terdapat bias di masa lalu, AI akan mengulangi atau bahkan memperkuatnya. Rekomendasi perekrutan, promosi, atau prioritas pelanggan mungkin tanpa disadari merugikan kelompok. Jadi, masukkan setiap proposal AI yang berdampak pada manusia melalui filter keadilan: "Apakah proposal ini mengecualikan suatu kelompok secara tidak adil? Apakah pembenarannya dapat dipertahankan?" Tanyakan kepada AI secara eksplisit “kelompok mana yang mungkin dirugikan dengan usulan ini?” bertanya.

Dua prinsip etis lainnya: Transparansi — Jangan menyembunyikan keluaran signifikan yang dihasilkan AI; Anda harus bisa menjelaskan bagaimana keputusan itu diambil. Akuntabilitas — “AI berkata demikian” bukanlah sebuah alasan. Tanggung jawab terletak pada manajer yang menggunakan alat tersebut. Ketika AI melakukan kesalahan, Andalah yang bertanggung jawab; jadi gunakan dia sebagai asisten yang diawasi, bukan sebagai otoritas buta.

Tata kelola AI: kerangka kelembagaan

Niat baik individu saja tidak cukup; Tetapkan kerangka tata kelola AI yang sederhana untuk bisnis: data apa yang dapat diberikan ke alat apa, keputusan apa yang dapat didukung oleh AI, data mana yang hanya dimiliki oleh pakar, bagaimana keluaran divalidasi, siapa yang bertanggung jawab. Kebijakan tertulis dan sederhana melindungi seluruh tim dan mencegah bencana pada unit berikutnya.

tiga kasus mini

Kasus 1 — Kembali dari ambang kebocoran. Seorang manajer penjualan akan menempelkan daftar dengan nama pelanggan asli dan omzetnya ke dalam alat AI gratis. Saat ragu-ragu, dia bertanya, “Apa yang akan terjadi jika ini bocor?” dia bertanya, sambil mengkodekan nama-nama pelanggan dan mengubah omzetnya menjadi rekaman. Analisisnya keluar dengan kualitas yang sama; tidak ada data nyata yang keluar. Sebuah kebiasaan kecil mencegah risiko KVKK yang besar.

Kasus 2 — Biaya nomor buatan. Seorang chief financial officer menyajikan angka "rata-rata industri sebesar 23 persen" yang diberikan oleh YZ kepada dewan tanpa memverifikasinya. Nomor itu dibuat-buat; AI secara meyakinkan telah menghasilkan nomor yang tidak memiliki sumber. Kontroversi investasi berdasarkan angka yang salah pun terjadi dan membutuhkan waktu untuk membalikkannya. Hikmahnya: tidak semua angka yang mengaku berasal dari luar dapat digunakan tanpa menghubungkannya dengan sumber sebenarnya.

Kasus 3 — Menangkap rekomendasi yang bias. Seorang manajer SDM meminta AI untuk menentukan peringkat kandidat. AI akan menyoroti lulusan dari sekolah tertentu berdasarkan data historis. Manajer bertanya “kelompok apa yang tidak termasuk dalam proposal ini?” dia bertanya; Ia menemukan bahwa AI mengulangi bias masa lalu. Dia mendasarkan pemeringkatan hanya pada kriteria yang berkaitan dengan pekerjaan dan dapat dipertahankan, serta menyerahkan keputusan akhir kepada komite sumber daya manusia.

Empat templat yang dapat disalin

1) Penyaringan privasi data:

Peran Anda: penasihat privasi data. Saya akan memberi Anda kumpulan data sebentar lagi. Pertama, daftarkan bidang pribadi/rahasia (nama, ID, pelanggan, harga, gaji) dan sarankan cara menganonimkan masing-masing bidang tersebut. Tuliskan secara singkat risiko pemberian data ini kepada AI dalam kaitannya dengan KVKK. Jangan menganalisis dulu.

2) Daftar periksa verifikasi:

Saya perlu memverifikasi keluaran AI berikut sebelum menyajikannya kepada manajemen. Cantumkan setiap klaim numerik dan klaim sumber eksternal dalam keluaran. Untuk masing-masing data, tanyakan "apakah sumber data yang saya berikan atau informasi yang mungkin dibuat/dibuat sendiri oleh AI?" Kumpulkan yang sumbernya tidak diketahui di bawah judul 'VERIFIKASI'.

3) Filter etika/keadilan:

Proposal AI berikut ini berdampak pada masyarakat: [proposal]. Kelompok manakah yang mungkin dirugikan secara tidak adil oleh proposal ini? Mungkinkah rekomendasi tersebut bias berdasarkan data historis? Apa yang harus saya ubah untuk mendasarkan keputusan hanya pada kriteria yang berkaitan dengan bisnis dan dapat dipertahankan? Jujur saja, jangan membela saran tersebut.

4) Klasifikasi risiko penggunaan AI:

Saya akan melakukan tugas berikut dengan AI: [tugas]. Tempatkan pada tingkat risiko: rendah (draf internal), sedang (keluar ke manajemen), tinggi (konsekuensi finansial/hukum/SDM). Beri tahu saya langkah verifikasi dan persetujuan apa yang diperlukan berdasarkan tingkat risiko. Jika berisiko tinggi, ingatkan bahwa persetujuan ahli adalah wajib.

Perintah lemah / Perintah kuat

Perintah yang lemah:

Beri saya analisis dengan data pelanggan ini. [data bernama asli]

Memberikan data pribadi nyata ke alat terbuka; Hal ini berisiko terjadinya pelanggaran dan kebocoran KVKK. Juga tidak ada rencana untuk memvalidasi hasilnya.

Perintah yang kuat:

Peran Anda: analis. Dalam data yang saya berikan kepada Anda, semua nama diberi kode (Pelanggan 1-50) dan jumlahnya diubah menjadi pita. Lakukan analisis segmen dengan data anonim ini. Gunakan saja nomor yang saya berikan, jangan tambahkan nomor sektor luar; Jika Anda menambahkan, harap sebutkan sumbernya dengan jelas agar saya dapat memverifikasinya.

Ukuran

pendekatan yang buruk

Pendekatan yang kuat

Data

nama asli

anonim

risiko KVKK

tinggi

rendah

kendali sumber

Tidak ada

wajib

Keterverifikasian

rendah

tinggi

Tanggung jawab

tidak pasti

diklarifikasi

Kesalahan umum

Memberikan data rahasia/pribadi yang nyata ke alat terbuka. Klasifikasikan dan anonimkan terlebih dahulu.
Tidak memverifikasi klaim sumber eksternal. AI dapat menghasilkan angka seperti “rata-rata industri”; terhubung ke sumber.
Mengabaikan prasangka. Masukkan proposal yang mempengaruhi masyarakat melalui filter keadilan.
Alasan "AI bilang begitu". Tanggung jawab ada pada pengguna; Asumsikan akuntabilitas.
Melewatkan persetujuan ahli pada keputusan berisiko tinggi. Hasil keuangan/hukum/SDM/kepatuhan memerlukan persetujuan ahli.

Perhatian: Kalimat terpenting dalam modul ini: Keluaran AI di bidang penting seperti kepatuhan, keuangan, hukum, dan sumber daya manusia BUKAN merupakan pengganti persetujuan ahli yang kompeten. AI meningkatkan kecepatan Anda, namun tidak memecat pakar Anda. Keluaran AI yang tidak terverifikasi sama berisikonya dengan keputusan yang tidak ditandatangani.

Singkatnya

Penggunaan AI yang bertanggung jawab bertumpu pada tiga pilar: privasi, autentikasi, dan etika. Lindungi data dalam empat lapisan (klasifikasi, anonimisasi, pemilihan alat, data minimum) dan ingat tanggung jawab KVKK. Validasi setiap keluaran dengan penautan sumber, penghitungan ulang, dan pemfilteran administratif; Meningkatkan ketekunan berdasarkan tingkat risiko. Masukkan proposal yang berdampak pada masyarakat melalui filter keadilan dan pertahankan transparansi dan akuntabilitas. Kerangka tata kelola AI yang sederhana melindungi seluruh tim. Dan selalu: dalam bidang yang berisiko tinggi dan penting, AI tidak dapat menggantikan persetujuan ahli yang kompeten.

Tugas aplikasi

Tulis draf setengah halaman "pedoman penggunaan AI" untuk bisnis Anda sendiri. Mencakup: data apa yang dapat diberikan kepada alat yang mana, bagaimana data akan dianonimkan, keluaran mana yang harus divalidasi, keputusan mana yang sepenuhnya berada di tangan pakar dan siapa yang bertanggung jawab. Dengan menggunakan templat “Klasifikasi risiko penggunaan AI” di atas, tempatkan 5 tugas yang telah Anda lakukan dengan AI dalam seminggu terakhir ke dalam tingkat risiko dan tulis langkah verifikasi yang benar untuk masing-masing tugas tersebut.

daftar periksa

[ ] Sudahkah saya mengklasifikasikan dan menganonimkan data?
[ ] Apakah saya menggunakan alat yang disetujui/aman oleh perusahaan dan data minimum?
[ ] Sudahkah saya memvalidasi setiap keluaran terhadap tingkat risiko?
[ ] Sudahkah saya memfilter proposal yang berdampak pada masyarakat melalui keadilan?
[ ] Apakah saya memerlukan persetujuan ahli untuk mengambil keputusan yang berisiko tinggi?

Ujian Modul

1. Pertanyaan apa yang harus diajukan seorang manajer untuk menentukan lapisan pekerjaan (mekanis/analitis/keputusan) dan ketelitian verifikasi sebelum melakukan outsourcing pekerjaan ke AI?

A) Apa akibatnya jika keluaran ini salah? ✔
B) Bisakah kecerdasan buatan menyelesaikan pekerjaan ini secepat mungkin?
C) Apakah alat ini gratis?
D) Apakah pekerjaan ini pernah dilakukan sebelumnya?

Deskripsi: Dasar penggunaan yang benar adalah mengklasifikasikan pekerjaan menurut tingkat risikonya. 'Apa konsekuensinya jika keluaran ini salah?' Pertanyaannya menentukan apakah pekerjaan tersebut bersifat mekanis, analitis, atau keputusan yang bertanggung jawab dan oleh karena itu berapa banyak verifikasi yang diperlukan.

2. Angka 'rata-rata industri sebesar 23 persen' yang diberikan oleh kecerdasan buatan disampaikan kepada dewan direksi tanpa verifikasi dan ternyata angka tersebut palsu. Disiplin dasar apa yang diabaikan dalam kasus ini?

A) Aturan penggunaan kecerdasan buatan hanya di pagi hari
B) Disiplin memverifikasi keluaran dengan menghubungkannya ke sumber ✔
C) Mengubah laporan menjadi tabel warna
D) Menulis prompt yang lebih panjang

Penjelasan: Kecerdasan buatan terkadang menghasilkan angka yang tidak ada dengan bahasa yang meyakinkan (halusinasi). Langkah menghubungkan output ke sumber memeriksa apakah setiap nomor berasal dari sumber nyata atau mungkin dibuat-buat. Jika hal ini diabaikan, ada risiko pengambilan keputusan yang salah.

3. Meskipun total omzet di sebuah perusahaan e-niaga tampak stabil, perincian segmen menunjukkan bahwa kategori laba tinggi mengalami penurunan sebesar 22 persen, dan penjualan dengan laba rendah menutupi hal ini. Prinsip apa yang diilustrasikan oleh contoh ini?

A) Jumlah total selalu merupakan indikator yang paling dapat diandalkan
B) Profitabilitas tidak penting, yang penting hanya turnover
C) Jumlah total dapat menyembunyikan pembalikan; rincian segmen mengungkapkan kebenaran ✔
D) Analisis segmen hanya berlaku untuk perusahaan besar

Penjelasan: Angka total dapat menyembunyikan pembalikan internal. Melihat perinciannya (analisis segmen) dan bukan totalnya dalam pekerjaan pendukung keputusan mengungkapkan kebenaran; Variasi yang besar mungkin tersembunyi di bawah total yang tetap.

4. Seorang manajer kafe menafsirkan temuan bahwa 'penjualan akhir pekan bergerak seiring suhu' sebagai 'cuaca panas meningkatkan penjualan' dan mematikan AC; Namun, alasan sebenarnya adalah peningkatan lalu lintas pelanggan selama akhir pekan. Apa kesalahan ini?

A) Salah mengira korelasi sebagai kausalitas ✔
B) Tidak mengumpulkan cukup data
C) Memilih jenis grafik yang salah
D) Tidak menganonimkan data

Penjelasan: Hanya karena dua hal bekerja bersama-sama (korelasi) tidak berarti yang satu menyebabkan yang lain (sebab-akibat). Suhu dan penjualan secara kebetulan bergerak ke arah yang sama; Alasan umumnya adalah lalu lintas akhir pekan. Hubungan yang ditemukan oleh kecerdasan buatan bukanlah bukti, melainkan hipotesis yang harus diuji.

5. Apa yang berada di puncak struktur 'piramida' laporan manajemen yang baik?

A) Tabel data mentah
B) Ringkasan eksekutif ✔
C) Dokumen dan catatan kaki tambahan
D) Semua angka dari tahun-tahun sebelumnya

Penjelasan: Laporan yang baik berbentuk piramida: di bagian atas, ringkasan eksekutif (3-5 poin-poin) dirancang untuk dipahami oleh pembaca tersibuk dalam 30 detik; temuan penting di bawah ini; Di bagian bawah adalah detail pendukung. Jadi, manajer puncak hanya membaca yang atas, dan siapa pun yang penasaran akan turun.

6. Ketika pusat panggilan membuat 'jumlah panggilan terjawab per hari' sebagai KPI, perwakilan akan mempercepat panggilan dan mengurangi kepuasan pelanggan. Prinsip apa yang diilustrasikan oleh situasi ini?

A) Semakin banyak KPI, semakin baik pengelolaannya
B) KPI tidak dapat digunakan di call center
C) Kecepatan selalu diutamakan sebelum kualitas
D) KPI yang dapat dimanipulasi mungkin mendorong perilaku buruk dibandingkan hasil yang ingin diukur ✔

Penjelasan: Ketika suatu indikator menjadi suatu target, masyarakat mencari cara untuk menipunya (Hukum Goodhart). 'Jumlah panggilan' mudah dimanipulasi dan tidak mengukur hasil sebenarnya (resolusi, kepuasan). Jadi sebelum memilih KPI, Anda harus bertanya 'perilaku merugikan apa yang didorong oleh KPI?' harus ditanyakan.

7. Apa alasan aturan 'sederhanakan proses dulu, otomatiskan nanti' dalam otomatisasi proses?

A) Otomatisasi juga mempercepat kegagalan dalam proses yang rusak; Prosesnya harus diperbaiki dulu ✔
B) Penyederhanaan membuat otomatisasi menjadi tidak mungkin
C) Penyederhanaan hanya merupakan kewajiban hukum
D) Otomatisasi selalu lebih murah daripada penyederhanaan

Deskripsi: Otomatisasi meningkatkan kecepatan proses; Ini juga mempercepat kesalahan jika prosesnya rusak. Ketika proses 5 langkah yang tidak perlu di unit akuntansi diotomatisasi, langkah-langkah yang tidak diperlukan akan bekerja lebih cepat. Pertama-tama prosesnya harus disederhanakan, lalu dipercepat.

8. Apa tujuan desain 'human-in-the-loop' dalam respons otomatis terhadap pelanggan?

A) Menghentikan otomatisasi sepenuhnya
B) Meningkatkan otoritas pengambilan keputusan kecerdasan buatan
C) Mencegah kesalahan keluar dengan persetujuan manusia pada titik kritis sambil mempertahankan sebagian besar kecepatan ✔
D) Menghilangkan sepenuhnya tenaga kerja manusia

Penjelasan: Desain human-in-the-loop adalah persetujuan manusia pada titik kritis proses otomatis. AI membuat drafnya, manusia segera menyetujuinya, lalu dikirim. Hal ini mencegah bug keluar secara langsung sambil mempertahankan sebagian besar kecepatannya; Saat tim menghapus persetujuan ini, informasi yang salah sampai ke pelanggan.

9. Produksi lambat di bengkel mebel; Pihak pengelola ingin mengganti mesin (pemotongan) yang paling mahal, namun analisa menunjukkan hambatannya adalah pada tahap pencelupan-pengeringan. Apa prinsip dasar analisis operasi?

A) Langkah yang paling mahal harus selalu ditingkatkan
B) Perbaikan harus ditargetkan pada hambatan yang memperlambat keseluruhan aliran ✔
C) Semua langkah harus dipercepat secara merata
D) Konsep kemacetan hanya berlaku pada lini produksi

Penjelasan: Kecepatan suatu proses adalah kecepatan langkah paling lambatnya (bottleneck). Mempercepat langkah-langkah untuk keluar dari kemacetan hanya membuang-buang uang dan tenaga; Satu-satunya cara yang berhasil adalah memperlebar kemacetan. Ketika manajer berinvestasi pada oven pengering kedua dan bukannya menyembelih, kecepatannya meningkat sebesar 28 persen.

10. Dalam pembelian, seorang manajer beralih ke pemasok bahan baku termurah tetapi mengabaikan keandalan pengiriman pemasok yang buruk; Dua penundaan besar menghentikan produksi. Apa pelajaran dari situasi ini?

A) Pemasok yang paling mahal harus selalu dipilih
B) Keandalan pengiriman tidak relevan
C) Pemasok tidak boleh dievaluasi dalam satu dimensi (hanya harga), tetapi dalam beberapa dimensi, termasuk keandalan dan risiko ✔
D) Keputusan pemasok harus diserahkan sepenuhnya pada kecerdasan buatan

Deskripsi: Pemilihan pemasok bersifat multidimensi: harga, kualitas, waktu pengiriman, keandalan, kesehatan finansial, dan risiko harus dievaluasi bersama. Melihat harganya saja bisa mengakibatkan kerugian berkali-kali lipat lebih besar dari diskon yang didapat; kehilangan produksi menghapus diskon.

11. Apa hal terbaik yang harus dilakukan seorang manajer sebelum mengirimkan email berisi kemarahan dan kasar kepada tim yang selalu terlambat?

A) Mengirim pesan apa adanya, karena emosi itu nyata
B) Membuat solusi nada berorientasi dengan kecerdasan buatan dan kemudian meneruskannya melalui filter manusia ✔
C) Tidak mengirimkan pesan sama sekali dan mengabaikan masalahnya
D) Membuat pesan lebih kuat

Penjelasan: Pesan yang ditulis saat sedang marah sebaiknya tidak langsung dikirimkan. Memberi tahu kecerdasan buatan 'mengubah nada menjadi nada hormat dan berorientasi pada solusi sambil mempertahankan ekspektasi dan batasan yang sama' menjaga esensi pesan, mengoreksi nadanya, dan mencegah kebencian yang sulit dipulihkan; Outputnya kemudian disaring oleh manusia.

12. Ringkasan pertemuan menyatakan AI 'peningkatan anggaran disetujui'; Namun dalam pertemuan itu dikatakan 'peningkatan anggaran akan dievaluasi'. Apa cara yang tepat untuk menghindari bahaya ini?

A) Bagikan ringkasannya segera tanpa membacanya
B) Verifikasi ringkasan, pisahkan keputusan dari kemungkinan dan konfirmasikan oleh peserta ✔
C) Tidak membuat ringkasan rapat sama sekali
D) Hanya mempertimbangkan hukuman terpanjang sebagai keputusan

Deskripsi: AI mungkin salah mengatribusikan keputusan; Perbedaan antara 'untuk dievaluasi' dan 'disetujui' sangatlah penting. Ringkasan rapat sering kali menjadi 'ingatan resmi', sehingga setiap ringkasan harus dibaca, dibedakan dari keputusan, dan dikonfirmasikan kepada peserta sebelum didistribusikan.

13. Dalam perencanaan skenario, apa tujuan menetapkan setidaknya tiga skenario (optimis, mendasar, pesimistis) daripada mengikat masa depan pada satu prediksi (misalnya, 'kita akan tumbuh sebesar 15 persen')?

A) Kecerdasan buatan dapat memprediksi masa depan dengan tepat
B) Tidak peduli ke arah mana kebenaran berjalan, jangan sampai lengah dan laksanakan rencana daripada panik ✔
C) Kumpulkan lebih sedikit data
D) Memilih satu masa depan yang benar sebelumnya

Penjelasan: Realitas adalah sebuah interval; Jika rencana yang didasarkan pada satu tebakan tidak terealisasi, maka rencana itu akan gagal. Mempersiapkan respons terhadap berbagai skenario sebelumnya akan memastikan bahwa rencana dapat dilaksanakan dan tidak menimbulkan kepanikan, tidak peduli ke arah mana realitas bergerak. Tujuannya bukan untuk mengetahui masa depan, namun agar tidak terjebak dalam keadaan tidak siap.

14. Manakah dari pernyataan berikut yang benar mengenai penggunaan kecerdasan buatan dalam manajemen bisnis?

A) Keluaran kecerdasan buatan tidak menggantikan persetujuan ahli yang kompeten dalam pengambilan keputusan yang memiliki konsekuensi finansial, hukum, dan SDM ✔
B) Jika keluaran kecerdasan buatan benar, tidak diperlukan persetujuan ahli
C) Data pelanggan nyata dapat diberikan ke alat terbuka selama tampaknya aman
D) 'AI bilang begitu' adalah pembenaran yang valid untuk akuntabilitas

Pengungkapan: Keluaran AI bukanlah pengganti persetujuan ahli yang kompeten di bidang penting seperti kepatuhan, keuangan, hukum, dan sumber daya manusia. Kecerdasan buatan adalah asisten yang meningkatkan kecepatan; Kerahasiaan data, keakuratan keluaran dan etika pengambilan keputusan selalu menjadi tanggung jawab pengelola. Keputusan yang tidak diverifikasi sama berisikonya dengan keputusan yang tidak ditandatangani.