Kecerdasan Buatan atau Artificial Intelligence (AI) diproyeksikan akan menyumbang 15 triliun dolar pada ekonomi global di tahun 2030, sebuah angka fantastis yang setara dengan kenaikan 14% Gross Domestic Product dunia. Fakta ini menjelaskan mengapa hampir semua perusahaan saat ini berlomba-lomba mengadopsi AI agar tidak tertinggal. Dari sekadar asisten pintar di kehidupan sehari-hari, alat bantu riset di lingkungan kampus, hingga mesin otomatisasi raksasa di sektor industri, AI kini telah berevolusi menjadi alat serbaguna yang diandalkan untuk mempermudah dan mempercepat berbagai bentuk pekerjaan kita.

Sekalipun begitu, yang perlu diketahui adalah tidak semua perusahaan siap untuk mengimplementasikan AI dalam proses bisnisnya, baik dari segi kesiapan data ataupun keamanan untuk menghindari resiko yang tidak diinginkan. Salah satu kasus yang paling terkenal adalah kejadian chatbot Tay yang dirilis oleh Microsoft di Twitter pada tahun 2016, yang dalam waktu kurang dari satu hari mulai memposting konten ofensif dan ujaran kebencian akibat kurangnya mekanisme penyaringan dan pengawasan terhadap interaksi pengguna. Hal ini mengakibatkan Tay harus segera dinonaktifkan karena dinilai berpotensi merusak reputasi perusahaan serta menimbulkan dampak sosial yang negatif. Dengan maraknya penggunaan AI yang kurang bertanggung jawab, hal ini pun dapat diperkirakan makin sering terjadi. Oleh karena itu, diperlukan sebuah cara untuk menilai tingkat kesiapan sebuah perusahaan dalam mengadopsi teknologi AI.

Salah satu pendekatan yang dapat digunakan untuk menilai kesiapan organisasi dalam mengimplementasikan AI adalah melalui AI maturity model atau sering disebut sebagai AIMM. AIMM adalah sebuah framework yang digunakan untuk mengukur tingkat kesiapan dan perkembangan suatu organisasi dalam mengelola dan mengoptimalkan penggunaan AI dalam proses bisnisnya. Model ini umumnya mengevaluasi berbagai aspek penting seperti kesiapan data, infrastruktur teknologi, kebijakan penggunaan AI, keamanan, kompetensi sumber daya manusia, serta strategi organisasi mengenai AI.

Secara umum, AIMM sendiri memiliki beberapa dimensi dan indikator yang dinilai dari sebuah AI dalam organisasi, antara lain:

  • Strategi & Tata Kelola AI → Arah dan aturan penggunaan AI di perusahaan.
  • Kesiapan Data → Keamanan dan kerapian data organisasi untuk dipakai oleh AI.
  • Infrastruktur & Teknologi → Kemampuan organisasi untuk mengintegrasikan AI.
  • Sumber Daya Manusia & Kompetensi → Kesiapan para tenaga kerja organisasi.
  • Proses & Operasional AI → Bagaimana AI dikelola dalam kegiatan sehari-hari.
  • Etika, Resiko, & Kepatuhan → Penggunaan AI yang lebih bertanggung jawab.
  • Dampak Bisnis & Nilai yang Dihasilkan → Manfaat utama dari integrasi AI.

Berdasarkan dimensi dan indikator tersebut, sebuah AI kemudian akan dinilai tingkat kematangannya menjadi beberapa tingkatan yang general, antara lain:

  • Level 1: Awareness → Pada tahap ini organisasi baru mengenal AI dan mencari tahu manfaatnya, biasanya mulai mempelajari studi kasus penggunaan AI di organisasi lain.
  • Level 2: Experimentation → Disini, organisasi sudah mulai implementasi skala kecil seperti melakukan percobaan awal dalam ruang lingkup terbatas (pilot project).
  • Level 3: Operational → AI sudah dipakai di beberapa proses bisnis sehari-hari, seperti menggunakan chatbot untuk customer service atau seperti AI untuk marketing.
  • Level 4: Integrated → AI sudah menjadi bagian dari strategi organisasi, seperti penggunaan analisis AI sebelum mengambil keputusan perusahaan.
  • Level 5: Optimized → AI sudah sepenuhnya menjadi keunggulan utama organisasi, dengan kata lain, layanan utama organisasi sudah berbasis AI.

Maturity model digunakan untuk tujuan deskriptif, preskriptif, dan komparatif. Secara deskriptif, maturity model berfungsi untuk menilai tingkat kematangan organisasi berdasarkan kriteria yang telah ditetapkan serta mengkomunikasikan hasilnya kepada para stakeholder. Secara preskriptif, model ini memberikan arahan mengenai tingkat kematangan yang seharusnya dicapai serta rekomendasi perbaikan yang dapat dilakukan. Sementara itu, secara komparatif, maturity model memungkinkan dilakukannya benchmarking baik secara internal antar unit dalam organisasi maupun secara eksternal dengan organisasi lain.

Pada akhirnya, kehadiran AIMM ibarat kompas bagi perusahaan. Framework ini membantu mereka untuk melihat posisi saat ini, menambal celah yang ada, dan menyusun strategi AI yang bukan cuma mengejar profit, tetapi juga bertanggung jawab. AIMM juga membantu organisasi dalam menyeimbangkan aspek teknis, seperti kesiapan data dan performa model, dengan aspek sosial yang mencakup kebijakan penggunaan AI, akuntabilitas, transparansi, privasi, dan keamanan data pengguna. Dengan demikian, AI maturity tidak hanya diukur dari kecanggihan teknologi yang digunakan, tetapi juga dari sejauh mana organisasi mampu mengelola dampak dan risiko yang ditimbulkan secara etis.

References

Akbarighatar, P., Pappas, I., & Vassilakopoulou, P. (2023). A sociotechnical perspective for responsible AI maturity models: Findings from a mixed-method literature review. International Journal of Information Management Data Insights, 3(2), 100193.

Pöppelbuß, J., & Röglinger, M. (2011). What makes a useful maturity model? A framework of general design principles for maturity models and its demonstration in business process management. ECIS 2011 Proceedings, Paper 28. https://aisel.aisnet.org/ecis2011/28/

Anand, S., & Verweij, G. (2017). Sizing the prize: What’s the real value of AI for your business and how can you capitalise?. APO: Analysis & Policy Observatory.

Sonntag, M., Mehmann, S., Mehmann, J., & Teuteberg, F. (2024). Development and evaluation of a maturity model for AI deployment capability of manufacturing companies. Information Systems Management, 42(1), 37-67.

Wolf, M. J., Miller, K. W., & Grodzinsky, F. S. (2017). Why we should have seen that coming: Comments on Microsoft’s Tay “experiment,” and wider implications. ACM SIGCAS Computers and Society, 47(3), 54-64. https://doi.org/10.1145/3144592.3144598

 

Penulis

  • 2702338271 – Willsen Wiratan (Computer Science)
  • 2702210434 – William Sebastian Liman (Computer Science)
  • 2702382221 – Muhammad Aryo Baskoro (Computer Science)
  • D3690 – Prof. Derwin Suhartono