{"content_id":"qcxn0ksj5k","slug":"business-world-model-for-enterprise-ai-transformation","locale":"id","schema_type":"TechArticle","category":"ai_data","category_name":"Data AI","title":"Merancang Model Dunia Bisnis yang Menghasilkan ROI dalam AX Perusahaan","summary":"Keberhasilan atau kegagalan AX perusahaan lebih bergantung pada kemampuan memodelkan aturan kerja, status, wewenang, tindakan, dan hasil agar dapat diproses oleh AI daripada pada jumlah LLM terbaru yang diterapkan. Dengan menggabungkan usulan fleksibel dari model neural, validasi batasan oleh lapisan simbolik, dan umpan balik dari hasil eksekusi, agen AI dapat dikembangkan menjadi sistem kerja yang terukur.","author":{"name":"injoys","url":"https://injoys.com/ko/about"},"key_points":["Agen AI bukan alat pemberi jawaban, melainkan pelaku dinamis yang terus mengulangi pengamatan, penilaian, dan eksekusi, sehingga memerlukan pengendalian yang berbeda dari perangkat lunak konvensional.","Fine-tuning menyesuaikan perilaku model dan RAG menyediakan pengetahuan eksternal, tetapi keduanya tidak secara otomatis mendefinisikan perubahan status perusahaan dan kondisi yang memungkinkan eksekusi.","Model dunia bisnis adalah model lingkungan yang merepresentasikan entitas kerja, hubungan, status, tindakan, wewenang, batasan, dan indikator kinerja agar dapat diproses oleh mesin.","Meskipun lapisan neural menghasilkan kandidat dan lapisan simbolik memverifikasi aturan serta wewenang, tingkat kepercayaan akhir harus dikalibrasi secara terpisah menggunakan galat prediksi aktual.","ROI dari AX harus mengukur bukan hanya akurasi model, tetapi juga waktu pemrosesan, biaya per unit, tingkat kesalahan, tingkat persetujuan, perubahan pendapatan dan margin, serta biaya insiden."],"content_markdown":"Transformasi AI perusahaan, yaitu AX, tidak selesai hanya dengan membagikan akun AI generatif kepada karyawan. Untuk menghasilkan kinerja nyata, lingkungan harus distrukturkan agar AI dapat mengamati kondisi operasional perusahaan, memilih tindakan yang diizinkan, dan belajar dari hasil pelaksanaannya.\n\nYang diperlukan untuk itu adalah **model dunia bisnis**. Namun, istilah ini belum menjadi istilah standar yang digunakan secara seragam oleh semua perusahaan dan lembaga penelitian. Di sini, istilah tersebut digunakan dalam arti model lingkungan operasional yang merepresentasikan entitas, hubungan, aturan, kondisi, tindakan, dan kinerja perusahaan agar dapat ditalar dan diverifikasi oleh AI.\n\n## Alasan tolok ukur AX beralih dari tingkat adopsi ke ROI\n\nPada tahap awal adopsi AI generatif, metrik aktivitas seperti jumlah akun, tingkat penggunaan, dan jumlah dokumen yang dibuat terutama digunakan. Namun, metrik ini saja sulit membuktikan peningkatan pendapatan, penghematan biaya, pemendekan waktu pemrosesan, atau pengurangan risiko.\n\nDalam proyeksi yang dipublikasikan pada 2025, Gartner memperkirakan bahwa setidaknya 40% proyek AI agentik akan dibatalkan hingga akhir 2027 karena kenaikan biaya, nilai bisnis yang tidak jelas, dan pengendalian risiko yang tidak memadai. Penelitian RAND tentang kegagalan proyek AI juga mengemukakan kualitas data, definisi masalah, serta kesenjangan antara ekspektasi organisasi dan kapabilitas aktual sebagai penyebab utama, bukan teknologinya.\n\nTingkat kegagalan yang disajikan dalam pengumuman atau survei tertentu memiliki subjek survei dan definisi kegagalan yang berbeda-beda. Karena itu, angka seperti ‘88% gagal’ atau ‘46% dihentikan’ yang sumber dan populasinya tidak dapat dipastikan tidak boleh digunakan sebagai statistik universal untuk seluruh proyek AX.\n\n### Alasan pendekatan DX konvensional tidak dapat diterapkan begitu saja\n\nSistem kerja tradisional adalah alat statis dengan input dan aturan pemrosesan yang relatif jelas. Sebaliknya, agen AI adalah sistem dinamis yang mengulangi proses berikut.\n\n1. Mengamati dokumen, basis data, API, atau permintaan pengguna.\n2. Menafsirkan kondisi dan tujuan saat ini.\n3. Memilih alat atau tindakan berikutnya.\n4. Menjalankan pekerjaan yang memengaruhi sistem eksternal.\n5. Memeriksa hasil dan menyesuaikan rencana.\n\nJika agen yang bertindak secara probabilistik langsung diberi kewenangan yang sama seperti sistem konvensional, hal itu dapat mengakibatkan pesanan yang salah, pelanggaran peraturan, paparan informasi pribadi, atau perubahan yang sulit dipulihkan. Karena itu, cakupan penggunaan alat, prosedur persetujuan, kondisi penghentian, log, dan sarana pemulihan harus dirancang secara bersamaan.\n\n## Perbedaan fine-tuning, RAG, harness, loop, dan model dunia\n\nSetiap pendekatan bukanlah pengganti satu sama lain, melainkan komponen yang memecahkan masalah berbeda.\n\n| Pendekatan | Tujuan utama | Hal yang dikerjakan dengan baik | Keterbatasan jika diterapkan sendiri |\n|---|---|---|---|\n| Fine-tuning | Menyesuaikan perilaku atau kecenderungan output model | Mengoptimalkan format, klasifikasi, gaya bahasa, dan pekerjaan berulang tertentu | Sulit mencerminkan secara berkelanjutan pengetahuan internal terbaru dan aturan yang berubah |\n| RAG | Mencari pengetahuan eksternal pada saat eksekusi | Menyediakan dokumen, manual, kasus, dan bukti terbaru | Tidak menjamin bahwa informasi yang ditemukan dapat diterapkan pada kondisi saat ini |\n| Rekayasa harness | Menyusun perangkat eksekusi di sekitar model | Koneksi alat, memori, kewenangan, observabilitas, dan penanganan kesalahan | Jika makna pekerjaan dan kebijakan didefinisikan secara keliru, harness yang canggih pun akan mengotomatiskan pekerjaan yang salah |\n| Rekayasa loop | Merancang pengulangan observasi, perencanaan, eksekusi, dan evaluasi | Percobaan ulang, koreksi mandiri, persetujuan manusia, dan umpan balik hasil | Jika kondisi penghentian lemah, biaya dapat meningkat dan kesalahan dapat berulang |\n| Model dunia bisnis | Menetapkan spesifikasi lingkungan perusahaan dan perubahan kondisinya | Kelayakan eksekusi, kesesuaian kebijakan, pelacakan dampak, dan simulasi | Pembangunan dan pemeliharaannya memerlukan partisipasi berkelanjutan dari pakar domain |\n\nFine-tuning itu sendiri tidak dapat digeneralisasi sebagai pemborosan. Fine-tuning berguna untuk menginternalisasikan format pekerjaan yang stabil atau perilaku berulang ke dalam model. Namun, jika fakta yang sering berubah seperti kebijakan harga, batas persetujuan, dan kondisi persediaan hanya disimpan dalam bobot model, pembaruan dan audit menjadi sulit. Informasi semacam ini umumnya lebih tepat dikelola dalam lapisan pencarian, lapisan aturan, atau basis data operasional.\n\n## Komponen model dunia bisnis\n\nModel dunia yang baik berbeda dari repositori pengetahuan yang sekadar menghimpun banyak dokumen. Model tersebut harus merepresentasikan apa yang ada di perusahaan, bagaimana kondisinya, siapa yang dapat melakukan apa, dan bagaimana kondisi berubah setelah suatu tindakan.\n\n| Komponen | Pertanyaan | Contoh SCM·promosi |\n|---|---|---|\n| Entitas | Apa yang ada? | Produk, kelompok pelanggan, wilayah, gudang, kanal, kampanye |\n| Hubungan | Bagaimana entitas saling terhubung? | Pemasok berdasarkan produk, kanal penjualan berdasarkan wilayah |\n| Kondisi | Apa yang benar saat ini? | Jumlah persediaan, harga jual, status kontrak, sisa anggaran |\n| Tindakan | Perubahan apa yang dapat dijalankan? | Perubahan harga, pemesanan, pemasangan iklan, penghentian kampanye |\n| Kondisi transisi | Bagaimana kondisi berubah setelah tindakan? | Penurunan anggaran tersedia dan peningkatan jumlah barang yang dijadwalkan masuk setelah persetujuan pemesanan |\n| Batasan | Apa yang dilarang atau dibatasi? | Margin minimum, batas maksimum diskon, pembatasan penggunaan informasi pribadi |\n| Kewenangan | Siapa yang menyetujui apa? | Persetujuan kepala tim·eksekutif berdasarkan rentang tingkat diskon |\n| Tujuan | Apa yang dioptimalkan? | Kombinasi margin, perputaran persediaan, dan risiko kehabisan stok, bukan pendapatan semata |\n| Observasi | Dengan apa hasil diperiksa? | Pesanan, retur, biaya iklan, margin aktual, keluhan pelanggan |\n\nStruktur ini dapat diwujudkan melalui berbagai teknologi seperti ontologi, grafik pengetahuan, mesin aturan, penyimpanan kondisi, model proses, simulator, dan kode kebijakan. Struktur tersebut tidak harus berupa satu model raksasa atau produk tertentu.\n\n## Cara kerja struktur neurosimbolik\n\nAI neurosimbolik adalah pendekatan yang menggabungkan kemampuan pengenalan pola dan generasi jaringan saraf dengan representasi simbol dan logika eksplisit. Dalam model dunia untuk perusahaan, pembagian kerja antara kedua lapisan dapat dilakukan sebagai berikut.\n\n### Lapisan neural: pembuatan kandidat dan penanganan ketidakpastian\n\nLLM atau model prediktif unggul dalam menafsirkan dokumen tidak terstruktur, memprediksi permintaan, dan menghasilkan berbagai skenario eksekusi. Sebagai contoh, model dapat mengusulkan beberapa kandidat promosi dengan mengombinasikan produk, wilayah, harga, biaya iklan, dan komisi kanal.\n\nNamun, sekalipun tampak seperti fakta, kandidat yang dihasilkan dapat melanggar kondisi persediaan, kontrak, atau kebijakan persetujuan aktual. Output neural harus diperlakukan sebagai kandidat yang belum diverifikasi, bukan sebagai perintah eksekusi.\n\n### Lapisan simbolik: verifikasi aturan pasti dan kelayakan eksekusi\n\nLapisan simbolik memeriksa kondisi eksplisit berikut.\n\n- Apakah perkiraan margin setelah diskon setidaknya sama dengan batas bawah perusahaan?\n- Apakah terdapat kewenangan berdasarkan kontrak untuk menjual produk di wilayah tersebut?\n- Apakah anggaran kampanye masih tersisa?\n- Apakah tujuan penggunaan data pelanggan berada dalam cakupan persetujuan?\n- Apakah kondisi semula dapat dipulihkan jika eksekusi gagal?\n- Apakah persetujuan manusia yang diwajibkan telah diperoleh?\n\nLolosnya pemeriksaan aturan hanya berarti kesesuaian dengan kebijakan, bukan secara otomatis menunjukkan probabilitas keberhasilan bisnis. Untuk menyediakan angka seperti ‘tingkat keyakinan 90%’, diperlukan prosedur kalibrasi yang menyesuaikan probabilitas dengan membandingkan prediksi sebelumnya dan hasil aktual.\n\n## Loop eksekusi tertutup untuk perencanaan promosi SCM\n\n### 1. Observasi kondisi\n\nSistem membaca persediaan, jadwal pasokan, kinerja penjualan, harga, margin, biaya iklan, dan komisi kanal. Waktu acuan serta sumber data juga dicatat bersama-sama.\n\n### 2. Pembuatan kandidat\n\nModel neural membuat beberapa kandidat promosi dengan mempertimbangkan pendapatan dan margin, penghabisan persediaan, kemungkinan kehabisan stok, dan faktor lainnya. Jika simulasi digunakan, asumsi seperti distribusi permintaan dan elastisitas harga harus dinyatakan secara eksplisit.\n\n### 3. Verifikasi kebijakan\n\nLapisan simbolik memeriksa batas maksimum diskon, margin minimum, batasan persediaan, ketentuan kontrak, dan kewenangan persetujuan. Kandidat yang melanggar dibuang atau disesuaikan agar berada dalam rentang yang diizinkan.\n\n### 4. Persetujuan berbasis risiko\n\nTindakan yang mudah dibatalkan, seperti menyusun teks rekomendasi, dapat diotomatiskan. Sebaliknya, tindakan berdampak besar seperti perubahan harga, pemesanan dalam jumlah besar, dan menghubungi pelanggan memerlukan persetujuan manusia. Tingkat persetujuan dapat ditetapkan secara berbeda berdasarkan jumlah uang, jumlah pelanggan sasaran, dan reversibilitas.\n\n### 5. Eksekusi dan pelacakan\n\nPerkiraan pendapatan, margin, biaya, dan rentang risiko kampanye yang dipilih disimpan sebelum eksekusi. Setelah eksekusi, data tersebut dibandingkan dengan hasil aktual untuk melacak kesalahan dan ada tidaknya pelanggaran kebijakan.\n\n### 6. Penghentian dan pembelajaran\n\nJika batas kerugian, penyimpangan dari rentang prediksi, atau anomali data terdeteksi, proses dihentikan secara otomatis atau dialihkan kepada manusia. Penyebab kegagalan diklasifikasikan menjadi kesalahan data, kesalahan asumsi, aturan yang terlewat, kesalahan model, dan perubahan lingkungan eksternal, lalu diterapkan pada eksekusi berikutnya.\n\n## Alasan sulit diselesaikan oleh departemen TI saja\n\nTidak semua aturan kerja tertulis dalam dokumen. Penanggung jawab operasional memahami penanganan pengecualian dan prioritas implisit, penanggung jawab kebijakan·hukum menilai cakupan yang diizinkan, sedangkan engineer menerapkannya sebagai sistem yang dapat dieksekusi.\n\nKarena itu, setidaknya peran berikut harus berpartisipasi bersama-sama.\n\n- **Penanggung jawab domain:** Mendefinisikan tujuan pekerjaan, entitas, kondisi, dan pengecualian\n- **Penanggung jawab kebijakan·risiko:** Mendefinisikan kondisi larangan, standar persetujuan, dan persyaratan audit\n- **Penanggung jawab data·AI:** Menerapkan prediksi, pencarian, evaluasi, dan kalibrasi\n- **Engineer platform:** Menerapkan koneksi alat, kewenangan, log, pemulihan, dan pemantauan\n- **Penanggung jawab kinerja:** Mengelola tolok ukur dasar, biaya, manfaat, dan kriteria penghentian\n\nSulit mencerminkan realitas pekerjaan yang terus berubah ke dalam model jika staf operasional hanya menyampaikan persyaratan lalu meninggalkan proyek. Pemilik aturan dan siklus pembaruan harus ditetapkan dengan jelas.\n\n## Cara mengukur ROI AX\n\nKinerja AX harus dibandingkan dengan tolok ukur dasar pekerjaan, bukan benchmark model.\n\n**Rumus dasar perhitungan ROI** dapat dinyatakan sebagai berikut.\n\n`ROI = (manfaat finansial - total biaya) ÷ total biaya × 100`\n\nTotal biaya harus mencakup bukan hanya biaya pemanggilan model, tetapi juga biaya penataan data, pengembangan integrasi, personel peninjau, pemantauan, penanganan insiden, dan pemeliharaan aturan.\n\n| Area pengukuran | Contoh metrik |\n|---|---|\n| Produktivitas | Waktu pemrosesan per kasus, tingkat penyelesaian otomatis, waktu peninjauan manusia |\n| Kualitas | Tingkat jawaban benar, tingkat pengerjaan ulang, tingkat pelanggaran kebijakan, tingkat keluhan pelanggan |\n| Keuangan | Pendapatan inkremental, perubahan margin, biaya pemrosesan per unit, biaya persediaan |\n| Risiko | Jumlah eksekusi yang salah, biaya pemulihan, pemanggilan alat tanpa persetujuan |\n| Keandalan | Tingkat penghentian, tingkat keberhasilan pemanggilan alat, kesalahan kalibrasi prediksi |\n| Adopsi | Tingkat penerimaan rekomendasi, kinerja setelah penerimaan, tingkat pengabaian secara manual |\n\nJika memungkinkan, peluncuran bertahap, kelompok kontrol, atau perbandingan sebelum dan sesudah harus digunakan. Fakta bahwa banyak rekomendasi diterima tidak dengan sendirinya membuktikan nilai; perlu dipastikan apakah kinerja aktual setelah penerimaan lebih baik daripada tolok ukur dasar.\n\n## Urutan pembangunan\n\n1. Pilih satu pekerjaan yang nilai finansial dan risikonya jelas.\n2. Ukur tolok ukur dasar saat ini dan biaya kegagalan.\n3. Definisikan entitas, kondisi, tindakan, batasan, dan pihak pemberi persetujuan dalam pekerjaan tersebut.\n4. Mulai dari fitur bantuan baca-saja dan kumpulkan data evaluasi.\n5. Berikan kewenangan eksekusi terbatas hanya untuk tindakan berisiko rendah yang dapat dibatalkan.\n6. Lacak semua rekomendasi, verifikasi, persetujuan, eksekusi, dan hasil.\n7. Sesuaikan probabilitas prediksi berdasarkan hasil aktual dan perbarui aturan yang terlewat.\n8. Perluas cakupan pekerjaan dan otonomi hanya jika kriteria penghentian telah dilewati.\n\n## Keterbatasan dan hal yang perlu diperhatikan\n\nModel dunia bisnis juga bukan solusi yang sempurna. Jika aturannya terlalu banyak, konflik dan biaya pemeliharaan akan meningkat, sedangkan simulasi yang dibuat berdasarkan asumsi keliru dapat menghasilkan kesimpulan yang canggih tetapi salah. Menetapkan semua pengecualian dalam organisasi nyata sebelumnya juga tidak mungkin dilakukan.\n\nKarena itu, model dunia harus dikelola bukan sebagai produk jadi, melainkan sebagai aset strategis yang dikoreksi selama proses operasional. Riwayat perubahan, pemilik aturan, waktu penerapan, kasus pengujian, dan hasil eksekusi aktual harus disimpan bersama-sama agar pengetahuan operasional perusahaan dapat digunakan kembali sekalipun model diganti.\n\n## Kesimpulan\n\nAset diferensiasi perusahaan bukanlah satu LLM tertentu, melainkan lingkungan operasional yang mengakumulasi kondisi, aturan, kewenangan, dan hasil eksekusi perusahaan. Fine-tuning, RAG, serta rekayasa harness dan loop mungkin semuanya diperlukan, tetapi tanpa model domain yang mendefinisikan apa yang dapat dieksekusi dan alasannya, hanya kecepatan otomatisasi yang dapat meningkat.\n\nDengan menggabungkan pembuatan kandidat yang fleksibel oleh lapisan neural, pengendalian eksplisit oleh lapisan simbolik, persetujuan manusia berbasis risiko, dan kalibrasi melalui hasil aktual, agen AI dapat berkembang melampaui PoC untuk demonstrasi menjadi sistem perusahaan yang dapat diukur dan diganti.","content_html":"\u003cp\u003eTransformasi AI perusahaan, yaitu AX, tidak selesai hanya dengan membagikan akun AI generatif kepada karyawan. Untuk menghasilkan kinerja nyata, lingkungan harus distrukturkan agar AI dapat mengamati kondisi operasional perusahaan, memilih tindakan yang diizinkan, dan belajar dari hasil pelaksanaannya.\u003c/p\u003e\n\u003cp\u003eYang diperlukan untuk itu adalah \u003cstrong\u003emodel dunia bisnis\u003c/strong\u003e. Namun, istilah ini belum menjadi istilah standar yang digunakan secara seragam oleh semua perusahaan dan lembaga penelitian. Di sini, istilah tersebut digunakan dalam arti model lingkungan operasional yang merepresentasikan entitas, hubungan, aturan, kondisi, tindakan, dan kinerja perusahaan agar dapat ditalar dan diverifikasi oleh AI.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#alasan-tolok-ukur-ax-beralih-dari-tingkat-adopsi-ke-roi\" class=\"anchor\" id=\"alasan-tolok-ukur-ax-beralih-dari-tingkat-adopsi-ke-roi\"\u003e\u003c/a\u003eAlasan tolok ukur AX beralih dari tingkat adopsi ke ROI\u003c/h2\u003e\n\u003cp\u003ePada tahap awal adopsi AI generatif, metrik aktivitas seperti jumlah akun, tingkat penggunaan, dan jumlah dokumen yang dibuat terutama digunakan. Namun, metrik ini saja sulit membuktikan peningkatan pendapatan, penghematan biaya, pemendekan waktu pemrosesan, atau pengurangan risiko.\u003c/p\u003e\n\u003cp\u003eDalam proyeksi yang dipublikasikan pada 2025, Gartner memperkirakan bahwa setidaknya 40% proyek AI agentik akan dibatalkan hingga akhir 2027 karena kenaikan biaya, nilai bisnis yang tidak jelas, dan pengendalian risiko yang tidak memadai. Penelitian RAND tentang kegagalan proyek AI juga mengemukakan kualitas data, definisi masalah, serta kesenjangan antara ekspektasi organisasi dan kapabilitas aktual sebagai penyebab utama, bukan teknologinya.\u003c/p\u003e\n\u003cp\u003eTingkat kegagalan yang disajikan dalam pengumuman atau survei tertentu memiliki subjek survei dan definisi kegagalan yang berbeda-beda. Karena itu, angka seperti ‘88% gagal’ atau ‘46% dihentikan’ yang sumber dan populasinya tidak dapat dipastikan tidak boleh digunakan sebagai statistik universal untuk seluruh proyek AX.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#alasan-pendekatan-dx-konvensional-tidak-dapat-diterapkan-begitu-saja\" class=\"anchor\" id=\"alasan-pendekatan-dx-konvensional-tidak-dapat-diterapkan-begitu-saja\"\u003e\u003c/a\u003eAlasan pendekatan DX konvensional tidak dapat diterapkan begitu saja\u003c/h3\u003e\n\u003cp\u003eSistem kerja tradisional adalah alat statis dengan input dan aturan pemrosesan yang relatif jelas. Sebaliknya, agen AI adalah sistem dinamis yang mengulangi proses berikut.\u003c/p\u003e\n\u003col\u003e\n\u003cli\u003eMengamati dokumen, basis data, API, atau permintaan pengguna.\u003c/li\u003e\n\u003cli\u003eMenafsirkan kondisi dan tujuan saat ini.\u003c/li\u003e\n\u003cli\u003eMemilih alat atau tindakan berikutnya.\u003c/li\u003e\n\u003cli\u003eMenjalankan pekerjaan yang memengaruhi sistem eksternal.\u003c/li\u003e\n\u003cli\u003eMemeriksa hasil dan menyesuaikan rencana.\u003c/li\u003e\n\u003c/ol\u003e\n\u003cp\u003eJika agen yang bertindak secara probabilistik langsung diberi kewenangan yang sama seperti sistem konvensional, hal itu dapat mengakibatkan pesanan yang salah, pelanggaran peraturan, paparan informasi pribadi, atau perubahan yang sulit dipulihkan. Karena itu, cakupan penggunaan alat, prosedur persetujuan, kondisi penghentian, log, dan sarana pemulihan harus dirancang secara bersamaan.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#perbedaan-fine-tuning-rag-harness-loop-dan-model-dunia\" class=\"anchor\" id=\"perbedaan-fine-tuning-rag-harness-loop-dan-model-dunia\"\u003e\u003c/a\u003ePerbedaan fine-tuning, RAG, harness, loop, dan model dunia\u003c/h2\u003e\n\u003cp\u003eSetiap pendekatan bukanlah pengganti satu sama lain, melainkan komponen yang memecahkan masalah berbeda.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003ePendekatan\u003c/th\u003e\n\u003cth\u003eTujuan utama\u003c/th\u003e\n\u003cth\u003eHal yang dikerjakan dengan baik\u003c/th\u003e\n\u003cth\u003eKeterbatasan jika diterapkan sendiri\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Pendekatan\"\u003eFine-tuning\u003c/td\u003e\n\u003ctd data-label=\"Tujuan utama\"\u003eMenyesuaikan perilaku atau kecenderungan output model\u003c/td\u003e\n\u003ctd data-label=\"Hal yang dikerjakan dengan baik\"\u003eMengoptimalkan format, klasifikasi, gaya bahasa, dan pekerjaan berulang tertentu\u003c/td\u003e\n\u003ctd data-label=\"Keterbatasan jika diterapkan sendiri\"\u003eSulit mencerminkan secara berkelanjutan pengetahuan internal terbaru dan aturan yang berubah\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Pendekatan\"\u003eRAG\u003c/td\u003e\n\u003ctd data-label=\"Tujuan utama\"\u003eMencari pengetahuan eksternal pada saat eksekusi\u003c/td\u003e\n\u003ctd data-label=\"Hal yang dikerjakan dengan baik\"\u003eMenyediakan dokumen, manual, kasus, dan bukti terbaru\u003c/td\u003e\n\u003ctd data-label=\"Keterbatasan jika diterapkan sendiri\"\u003eTidak menjamin bahwa informasi yang ditemukan dapat diterapkan pada kondisi saat ini\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Pendekatan\"\u003eRekayasa harness\u003c/td\u003e\n\u003ctd data-label=\"Tujuan utama\"\u003eMenyusun perangkat eksekusi di sekitar model\u003c/td\u003e\n\u003ctd data-label=\"Hal yang dikerjakan dengan baik\"\u003eKoneksi alat, memori, kewenangan, observabilitas, dan penanganan kesalahan\u003c/td\u003e\n\u003ctd data-label=\"Keterbatasan jika diterapkan sendiri\"\u003eJika makna pekerjaan dan kebijakan didefinisikan secara keliru, harness yang canggih pun akan mengotomatiskan pekerjaan yang salah\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Pendekatan\"\u003eRekayasa loop\u003c/td\u003e\n\u003ctd data-label=\"Tujuan utama\"\u003eMerancang pengulangan observasi, perencanaan, eksekusi, dan evaluasi\u003c/td\u003e\n\u003ctd data-label=\"Hal yang dikerjakan dengan baik\"\u003ePercobaan ulang, koreksi mandiri, persetujuan manusia, dan umpan balik hasil\u003c/td\u003e\n\u003ctd data-label=\"Keterbatasan jika diterapkan sendiri\"\u003eJika kondisi penghentian lemah, biaya dapat meningkat dan kesalahan dapat berulang\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Pendekatan\"\u003eModel dunia bisnis\u003c/td\u003e\n\u003ctd data-label=\"Tujuan utama\"\u003eMenetapkan spesifikasi lingkungan perusahaan dan perubahan kondisinya\u003c/td\u003e\n\u003ctd data-label=\"Hal yang dikerjakan dengan baik\"\u003eKelayakan eksekusi, kesesuaian kebijakan, pelacakan dampak, dan simulasi\u003c/td\u003e\n\u003ctd data-label=\"Keterbatasan jika diterapkan sendiri\"\u003ePembangunan dan pemeliharaannya memerlukan partisipasi berkelanjutan dari pakar domain\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eFine-tuning itu sendiri tidak dapat digeneralisasi sebagai pemborosan. Fine-tuning berguna untuk menginternalisasikan format pekerjaan yang stabil atau perilaku berulang ke dalam model. Namun, jika fakta yang sering berubah seperti kebijakan harga, batas persetujuan, dan kondisi persediaan hanya disimpan dalam bobot model, pembaruan dan audit menjadi sulit. Informasi semacam ini umumnya lebih tepat dikelola dalam lapisan pencarian, lapisan aturan, atau basis data operasional.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#komponen-model-dunia-bisnis\" class=\"anchor\" id=\"komponen-model-dunia-bisnis\"\u003e\u003c/a\u003eKomponen model dunia bisnis\u003c/h2\u003e\n\u003cp\u003eModel dunia yang baik berbeda dari repositori pengetahuan yang sekadar menghimpun banyak dokumen. Model tersebut harus merepresentasikan apa yang ada di perusahaan, bagaimana kondisinya, siapa yang dapat melakukan apa, dan bagaimana kondisi berubah setelah suatu tindakan.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eKomponen\u003c/th\u003e\n\u003cth\u003ePertanyaan\u003c/th\u003e\n\u003cth\u003eContoh SCM·promosi\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Komponen\"\u003eEntitas\u003c/td\u003e\n\u003ctd data-label=\"Pertanyaan\"\u003eApa yang ada?\u003c/td\u003e\n\u003ctd data-label=\"Contoh SCM·promosi\"\u003eProduk, kelompok pelanggan, wilayah, gudang, kanal, kampanye\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Komponen\"\u003eHubungan\u003c/td\u003e\n\u003ctd data-label=\"Pertanyaan\"\u003eBagaimana entitas saling terhubung?\u003c/td\u003e\n\u003ctd data-label=\"Contoh SCM·promosi\"\u003ePemasok berdasarkan produk, kanal penjualan berdasarkan wilayah\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Komponen\"\u003eKondisi\u003c/td\u003e\n\u003ctd data-label=\"Pertanyaan\"\u003eApa yang benar saat ini?\u003c/td\u003e\n\u003ctd data-label=\"Contoh SCM·promosi\"\u003eJumlah persediaan, harga jual, status kontrak, sisa anggaran\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Komponen\"\u003eTindakan\u003c/td\u003e\n\u003ctd data-label=\"Pertanyaan\"\u003ePerubahan apa yang dapat dijalankan?\u003c/td\u003e\n\u003ctd data-label=\"Contoh SCM·promosi\"\u003ePerubahan harga, pemesanan, pemasangan iklan, penghentian kampanye\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Komponen\"\u003eKondisi transisi\u003c/td\u003e\n\u003ctd data-label=\"Pertanyaan\"\u003eBagaimana kondisi berubah setelah tindakan?\u003c/td\u003e\n\u003ctd data-label=\"Contoh SCM·promosi\"\u003ePenurunan anggaran tersedia dan peningkatan jumlah barang yang dijadwalkan masuk setelah persetujuan pemesanan\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Komponen\"\u003eBatasan\u003c/td\u003e\n\u003ctd data-label=\"Pertanyaan\"\u003eApa yang dilarang atau dibatasi?\u003c/td\u003e\n\u003ctd data-label=\"Contoh SCM·promosi\"\u003eMargin minimum, batas maksimum diskon, pembatasan penggunaan informasi pribadi\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Komponen\"\u003eKewenangan\u003c/td\u003e\n\u003ctd data-label=\"Pertanyaan\"\u003eSiapa yang menyetujui apa?\u003c/td\u003e\n\u003ctd data-label=\"Contoh SCM·promosi\"\u003ePersetujuan kepala tim·eksekutif berdasarkan rentang tingkat diskon\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Komponen\"\u003eTujuan\u003c/td\u003e\n\u003ctd data-label=\"Pertanyaan\"\u003eApa yang dioptimalkan?\u003c/td\u003e\n\u003ctd data-label=\"Contoh SCM·promosi\"\u003eKombinasi margin, perputaran persediaan, dan risiko kehabisan stok, bukan pendapatan semata\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Komponen\"\u003eObservasi\u003c/td\u003e\n\u003ctd data-label=\"Pertanyaan\"\u003eDengan apa hasil diperiksa?\u003c/td\u003e\n\u003ctd data-label=\"Contoh SCM·promosi\"\u003ePesanan, retur, biaya iklan, margin aktual, keluhan pelanggan\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eStruktur ini dapat diwujudkan melalui berbagai teknologi seperti ontologi, grafik pengetahuan, mesin aturan, penyimpanan kondisi, model proses, simulator, dan kode kebijakan. Struktur tersebut tidak harus berupa satu model raksasa atau produk tertentu.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#cara-kerja-struktur-neurosimbolik\" class=\"anchor\" id=\"cara-kerja-struktur-neurosimbolik\"\u003e\u003c/a\u003eCara kerja struktur neurosimbolik\u003c/h2\u003e\n\u003cp\u003eAI neurosimbolik adalah pendekatan yang menggabungkan kemampuan pengenalan pola dan generasi jaringan saraf dengan representasi simbol dan logika eksplisit. Dalam model dunia untuk perusahaan, pembagian kerja antara kedua lapisan dapat dilakukan sebagai berikut.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#lapisan-neural-pembuatan-kandidat-dan-penanganan-ketidakpastian\" class=\"anchor\" id=\"lapisan-neural-pembuatan-kandidat-dan-penanganan-ketidakpastian\"\u003e\u003c/a\u003eLapisan neural: pembuatan kandidat dan penanganan ketidakpastian\u003c/h3\u003e\n\u003cp\u003eLLM atau model prediktif unggul dalam menafsirkan dokumen tidak terstruktur, memprediksi permintaan, dan menghasilkan berbagai skenario eksekusi. Sebagai contoh, model dapat mengusulkan beberapa kandidat promosi dengan mengombinasikan produk, wilayah, harga, biaya iklan, dan komisi kanal.\u003c/p\u003e\n\u003cp\u003eNamun, sekalipun tampak seperti fakta, kandidat yang dihasilkan dapat melanggar kondisi persediaan, kontrak, atau kebijakan persetujuan aktual. Output neural harus diperlakukan sebagai kandidat yang belum diverifikasi, bukan sebagai perintah eksekusi.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#lapisan-simbolik-verifikasi-aturan-pasti-dan-kelayakan-eksekusi\" class=\"anchor\" id=\"lapisan-simbolik-verifikasi-aturan-pasti-dan-kelayakan-eksekusi\"\u003e\u003c/a\u003eLapisan simbolik: verifikasi aturan pasti dan kelayakan eksekusi\u003c/h3\u003e\n\u003cp\u003eLapisan simbolik memeriksa kondisi eksplisit berikut.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003eApakah perkiraan margin setelah diskon setidaknya sama dengan batas bawah perusahaan?\u003c/li\u003e\n\u003cli\u003eApakah terdapat kewenangan berdasarkan kontrak untuk menjual produk di wilayah tersebut?\u003c/li\u003e\n\u003cli\u003eApakah anggaran kampanye masih tersisa?\u003c/li\u003e\n\u003cli\u003eApakah tujuan penggunaan data pelanggan berada dalam cakupan persetujuan?\u003c/li\u003e\n\u003cli\u003eApakah kondisi semula dapat dipulihkan jika eksekusi gagal?\u003c/li\u003e\n\u003cli\u003eApakah persetujuan manusia yang diwajibkan telah diperoleh?\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eLolosnya pemeriksaan aturan hanya berarti kesesuaian dengan kebijakan, bukan secara otomatis menunjukkan probabilitas keberhasilan bisnis. Untuk menyediakan angka seperti ‘tingkat keyakinan 90%’, diperlukan prosedur kalibrasi yang menyesuaikan probabilitas dengan membandingkan prediksi sebelumnya dan hasil aktual.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#loop-eksekusi-tertutup-untuk-perencanaan-promosi-scm\" class=\"anchor\" id=\"loop-eksekusi-tertutup-untuk-perencanaan-promosi-scm\"\u003e\u003c/a\u003eLoop eksekusi tertutup untuk perencanaan promosi SCM\u003c/h2\u003e\n\u003ch3\u003e\n\u003ca href=\"#1-observasi-kondisi\" class=\"anchor\" id=\"1-observasi-kondisi\"\u003e\u003c/a\u003e1. Observasi kondisi\u003c/h3\u003e\n\u003cp\u003eSistem membaca persediaan, jadwal pasokan, kinerja penjualan, harga, margin, biaya iklan, dan komisi kanal. Waktu acuan serta sumber data juga dicatat bersama-sama.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#2-pembuatan-kandidat\" class=\"anchor\" id=\"2-pembuatan-kandidat\"\u003e\u003c/a\u003e2. Pembuatan kandidat\u003c/h3\u003e\n\u003cp\u003eModel neural membuat beberapa kandidat promosi dengan mempertimbangkan pendapatan dan margin, penghabisan persediaan, kemungkinan kehabisan stok, dan faktor lainnya. Jika simulasi digunakan, asumsi seperti distribusi permintaan dan elastisitas harga harus dinyatakan secara eksplisit.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#3-verifikasi-kebijakan\" class=\"anchor\" id=\"3-verifikasi-kebijakan\"\u003e\u003c/a\u003e3. Verifikasi kebijakan\u003c/h3\u003e\n\u003cp\u003eLapisan simbolik memeriksa batas maksimum diskon, margin minimum, batasan persediaan, ketentuan kontrak, dan kewenangan persetujuan. Kandidat yang melanggar dibuang atau disesuaikan agar berada dalam rentang yang diizinkan.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#4-persetujuan-berbasis-risiko\" class=\"anchor\" id=\"4-persetujuan-berbasis-risiko\"\u003e\u003c/a\u003e4. Persetujuan berbasis risiko\u003c/h3\u003e\n\u003cp\u003eTindakan yang mudah dibatalkan, seperti menyusun teks rekomendasi, dapat diotomatiskan. Sebaliknya, tindakan berdampak besar seperti perubahan harga, pemesanan dalam jumlah besar, dan menghubungi pelanggan memerlukan persetujuan manusia. Tingkat persetujuan dapat ditetapkan secara berbeda berdasarkan jumlah uang, jumlah pelanggan sasaran, dan reversibilitas.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#5-eksekusi-dan-pelacakan\" class=\"anchor\" id=\"5-eksekusi-dan-pelacakan\"\u003e\u003c/a\u003e5. Eksekusi dan pelacakan\u003c/h3\u003e\n\u003cp\u003ePerkiraan pendapatan, margin, biaya, dan rentang risiko kampanye yang dipilih disimpan sebelum eksekusi. Setelah eksekusi, data tersebut dibandingkan dengan hasil aktual untuk melacak kesalahan dan ada tidaknya pelanggaran kebijakan.\u003c/p\u003e\n\u003ch3\u003e\n\u003ca href=\"#6-penghentian-dan-pembelajaran\" class=\"anchor\" id=\"6-penghentian-dan-pembelajaran\"\u003e\u003c/a\u003e6. Penghentian dan pembelajaran\u003c/h3\u003e\n\u003cp\u003eJika batas kerugian, penyimpangan dari rentang prediksi, atau anomali data terdeteksi, proses dihentikan secara otomatis atau dialihkan kepada manusia. Penyebab kegagalan diklasifikasikan menjadi kesalahan data, kesalahan asumsi, aturan yang terlewat, kesalahan model, dan perubahan lingkungan eksternal, lalu diterapkan pada eksekusi berikutnya.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#alasan-sulit-diselesaikan-oleh-departemen-ti-saja\" class=\"anchor\" id=\"alasan-sulit-diselesaikan-oleh-departemen-ti-saja\"\u003e\u003c/a\u003eAlasan sulit diselesaikan oleh departemen TI saja\u003c/h2\u003e\n\u003cp\u003eTidak semua aturan kerja tertulis dalam dokumen. Penanggung jawab operasional memahami penanganan pengecualian dan prioritas implisit, penanggung jawab kebijakan·hukum menilai cakupan yang diizinkan, sedangkan engineer menerapkannya sebagai sistem yang dapat dieksekusi.\u003c/p\u003e\n\u003cp\u003eKarena itu, setidaknya peran berikut harus berpartisipasi bersama-sama.\u003c/p\u003e\n\u003cul\u003e\n\u003cli\u003e\n\u003cstrong\u003ePenanggung jawab domain:\u003c/strong\u003e Mendefinisikan tujuan pekerjaan, entitas, kondisi, dan pengecualian\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003ePenanggung jawab kebijakan·risiko:\u003c/strong\u003e Mendefinisikan kondisi larangan, standar persetujuan, dan persyaratan audit\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003ePenanggung jawab data·AI:\u003c/strong\u003e Menerapkan prediksi, pencarian, evaluasi, dan kalibrasi\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003eEngineer platform:\u003c/strong\u003e Menerapkan koneksi alat, kewenangan, log, pemulihan, dan pemantauan\u003c/li\u003e\n\u003cli\u003e\n\u003cstrong\u003ePenanggung jawab kinerja:\u003c/strong\u003e Mengelola tolok ukur dasar, biaya, manfaat, dan kriteria penghentian\u003c/li\u003e\n\u003c/ul\u003e\n\u003cp\u003eSulit mencerminkan realitas pekerjaan yang terus berubah ke dalam model jika staf operasional hanya menyampaikan persyaratan lalu meninggalkan proyek. Pemilik aturan dan siklus pembaruan harus ditetapkan dengan jelas.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#cara-mengukur-roi-ax\" class=\"anchor\" id=\"cara-mengukur-roi-ax\"\u003e\u003c/a\u003eCara mengukur ROI AX\u003c/h2\u003e\n\u003cp\u003eKinerja AX harus dibandingkan dengan tolok ukur dasar pekerjaan, bukan benchmark model.\u003c/p\u003e\n\u003cp\u003e\u003cstrong\u003eRumus dasar perhitungan ROI\u003c/strong\u003e dapat dinyatakan sebagai berikut.\u003c/p\u003e\n\u003cp\u003e\u003ccode\u003eROI = (manfaat finansial - total biaya) ÷ total biaya × 100\u003c/code\u003e\u003c/p\u003e\n\u003cp\u003eTotal biaya harus mencakup bukan hanya biaya pemanggilan model, tetapi juga biaya penataan data, pengembangan integrasi, personel peninjau, pemantauan, penanganan insiden, dan pemeliharaan aturan.\u003c/p\u003e\n\u003cdiv class=\"overflow-x-auto\"\u003e\u003ctable\u003e\n\u003cthead\u003e\n\u003ctr\u003e\n\u003cth\u003eArea pengukuran\u003c/th\u003e\n\u003cth\u003eContoh metrik\u003c/th\u003e\n\u003c/tr\u003e\n\u003c/thead\u003e\n\u003ctbody\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Area pengukuran\"\u003eProduktivitas\u003c/td\u003e\n\u003ctd data-label=\"Contoh metrik\"\u003eWaktu pemrosesan per kasus, tingkat penyelesaian otomatis, waktu peninjauan manusia\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Area pengukuran\"\u003eKualitas\u003c/td\u003e\n\u003ctd data-label=\"Contoh metrik\"\u003eTingkat jawaban benar, tingkat pengerjaan ulang, tingkat pelanggaran kebijakan, tingkat keluhan pelanggan\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Area pengukuran\"\u003eKeuangan\u003c/td\u003e\n\u003ctd data-label=\"Contoh metrik\"\u003ePendapatan inkremental, perubahan margin, biaya pemrosesan per unit, biaya persediaan\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Area pengukuran\"\u003eRisiko\u003c/td\u003e\n\u003ctd data-label=\"Contoh metrik\"\u003eJumlah eksekusi yang salah, biaya pemulihan, pemanggilan alat tanpa persetujuan\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Area pengukuran\"\u003eKeandalan\u003c/td\u003e\n\u003ctd data-label=\"Contoh metrik\"\u003eTingkat penghentian, tingkat keberhasilan pemanggilan alat, kesalahan kalibrasi prediksi\u003c/td\u003e\n\u003c/tr\u003e\n\u003ctr\u003e\n\u003ctd data-label=\"Area pengukuran\"\u003eAdopsi\u003c/td\u003e\n\u003ctd data-label=\"Contoh metrik\"\u003eTingkat penerimaan rekomendasi, kinerja setelah penerimaan, tingkat pengabaian secara manual\u003c/td\u003e\n\u003c/tr\u003e\n\u003c/tbody\u003e\n\u003c/table\u003e\u003c/div\u003e\n\u003cp\u003eJika memungkinkan, peluncuran bertahap, kelompok kontrol, atau perbandingan sebelum dan sesudah harus digunakan. Fakta bahwa banyak rekomendasi diterima tidak dengan sendirinya membuktikan nilai; perlu dipastikan apakah kinerja aktual setelah penerimaan lebih baik daripada tolok ukur dasar.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#urutan-pembangunan\" class=\"anchor\" id=\"urutan-pembangunan\"\u003e\u003c/a\u003eUrutan pembangunan\u003c/h2\u003e\n\u003col\u003e\n\u003cli\u003ePilih satu pekerjaan yang nilai finansial dan risikonya jelas.\u003c/li\u003e\n\u003cli\u003eUkur tolok ukur dasar saat ini dan biaya kegagalan.\u003c/li\u003e\n\u003cli\u003eDefinisikan entitas, kondisi, tindakan, batasan, dan pihak pemberi persetujuan dalam pekerjaan tersebut.\u003c/li\u003e\n\u003cli\u003eMulai dari fitur bantuan baca-saja dan kumpulkan data evaluasi.\u003c/li\u003e\n\u003cli\u003eBerikan kewenangan eksekusi terbatas hanya untuk tindakan berisiko rendah yang dapat dibatalkan.\u003c/li\u003e\n\u003cli\u003eLacak semua rekomendasi, verifikasi, persetujuan, eksekusi, dan hasil.\u003c/li\u003e\n\u003cli\u003eSesuaikan probabilitas prediksi berdasarkan hasil aktual dan perbarui aturan yang terlewat.\u003c/li\u003e\n\u003cli\u003ePerluas cakupan pekerjaan dan otonomi hanya jika kriteria penghentian telah dilewati.\u003c/li\u003e\n\u003c/ol\u003e\n\u003ch2\u003e\n\u003ca href=\"#keterbatasan-dan-hal-yang-perlu-diperhatikan\" class=\"anchor\" id=\"keterbatasan-dan-hal-yang-perlu-diperhatikan\"\u003e\u003c/a\u003eKeterbatasan dan hal yang perlu diperhatikan\u003c/h2\u003e\n\u003cp\u003eModel dunia bisnis juga bukan solusi yang sempurna. Jika aturannya terlalu banyak, konflik dan biaya pemeliharaan akan meningkat, sedangkan simulasi yang dibuat berdasarkan asumsi keliru dapat menghasilkan kesimpulan yang canggih tetapi salah. Menetapkan semua pengecualian dalam organisasi nyata sebelumnya juga tidak mungkin dilakukan.\u003c/p\u003e\n\u003cp\u003eKarena itu, model dunia harus dikelola bukan sebagai produk jadi, melainkan sebagai aset strategis yang dikoreksi selama proses operasional. Riwayat perubahan, pemilik aturan, waktu penerapan, kasus pengujian, dan hasil eksekusi aktual harus disimpan bersama-sama agar pengetahuan operasional perusahaan dapat digunakan kembali sekalipun model diganti.\u003c/p\u003e\n\u003ch2\u003e\n\u003ca href=\"#kesimpulan\" class=\"anchor\" id=\"kesimpulan\"\u003e\u003c/a\u003eKesimpulan\u003c/h2\u003e\n\u003cp\u003eAset diferensiasi perusahaan bukanlah satu LLM tertentu, melainkan lingkungan operasional yang mengakumulasi kondisi, aturan, kewenangan, dan hasil eksekusi perusahaan. Fine-tuning, RAG, serta rekayasa harness dan loop mungkin semuanya diperlukan, tetapi tanpa model domain yang mendefinisikan apa yang dapat dieksekusi dan alasannya, hanya kecepatan otomatisasi yang dapat meningkat.\u003c/p\u003e\n\u003cp\u003eDengan menggabungkan pembuatan kandidat yang fleksibel oleh lapisan neural, pengendalian eksplisit oleh lapisan simbolik, persetujuan manusia berbasis risiko, dan kalibrasi melalui hasil aktual, agen AI dapat berkembang melampaui PoC untuk demonstrasi menjadi sistem perusahaan yang dapat diukur dan diganti.\u003c/p\u003e\n","tags":["Agen AI","AI perusahaan","AX","Model dunia","AI neurosimbolik"],"faqs":[{"question":"Apa itu model dunia bisnis?","answer":"Model lingkungan operasional yang merepresentasikan entitas pekerjaan, hubungan, keadaan saat ini, tindakan yang mungkin dilakukan, transisi keadaan, wewenang, batasan kebijakan, dan indikator kinerja perusahaan agar dapat diproses oleh AI. Intinya adalah model ini secara eksplisit menyatakan kemampuan eksekusi dan perubahan keadaan, bukan sekadar menjadi repositori dokumen."},{"question":"Apa perbedaan antara model dunia bisnis dan RAG?","answer":"RAG mencari dokumen atau data eksternal yang relevan dengan pertanyaan dan menyediakannya kepada model. Model dunia mendefinisikan apakah informasi yang ditemukan berlaku pada keadaan saat ini, tindakan apa yang diizinkan, dan bagaimana keadaan berubah setelah tindakan dilakukan."},{"question":"Jika sudah memiliki model dunia, apakah fine-tuning tidak diperlukan?","answer":"Tidak demikian. Fine-tuning dapat berguna untuk mengoptimalkan format keluaran yang konsisten, metode klasifikasi, atau tindakan berulang. Namun, daripada hanya menyimpan harga, persediaan, peraturan, dan batas persetujuan yang sering berubah di dalam bobot, pengelolaannya pada lapisan keadaan dan aturan eksternal lebih menguntungkan untuk audit dan pembaruan."},{"question":"Apa yang dimaksud dengan rekayasa harness?","answer":"Ini merujuk pada pekerjaan mengatur koneksi alat, memori, hak akses, pencatatan log, penanganan kesalahan, evaluasi, dan mekanisme persetujuan manusia di sekitar LLM. Harness membantu model bekerja dengan aman, tetapi tidak menggantikan pendefinisian aturan pekerjaan itu sendiri."},{"question":"Apa itu rekayasa loop?","answer":"Pendekatan untuk merancang proses observasi, perencanaan, pelaksanaan, pemeriksaan hasil, perbaikan, dan penghentian agen sebagai loop tertutup yang dapat diulang. Pendekatan ini harus mencakup jumlah percobaan ulang, batas biaya, kondisi penghentian, dan kriteria eskalasi kepada manusia."},{"question":"Apakah model dunia neurosimbolik dapat sepenuhnya mencegah halusinasi?","answer":"Halusinasi tidak dapat dicegah sepenuhnya. Aturan eksplisit dan validasi keadaan membantu memblokir keluaran yang tidak diizinkan, tetapi aturan yang terlewat, data usang, hasil alat yang keliru, dan kesalahan interpretasi model masih dapat terjadi."},{"question":"Jika lolos pemeriksaan aturan, bolehkah skor keyakinannya dibuat tinggi?","answer":"Lolosnya pemeriksaan aturan hanya menunjukkan kesesuaian dengan kebijakan atau kemampuan untuk dieksekusi, bukan membuktikan probabilitas keberhasilan. Skor keyakinan harus diberikan setelah membandingkan prediksi sebelumnya dengan hasil aktual dan mengalibrasi probabilitas prediksi."},{"question":"Pekerjaan apa yang sebaiknya menjadi titik awal penerapan agen AI?","answer":"Pekerjaan yang sesuai adalah pekerjaan yang tolok ukur awal dan kinerjanya dapat diukur, kesalahannya dapat dipulihkan, serta pemilik data dan aturan yang diperlukan jelas. Pada tahap awal, lebih aman memulai dengan rekomendasi hanya-baca atau eksekusi terbatas yang berisiko rendah."},{"question":"Biaya apa saja yang harus dimasukkan dalam ROI AX perusahaan?","answer":"Tidak hanya biaya model dan infrastruktur, tetapi juga biaya penataan data, integrasi sistem, peninjauan oleh praktisi lapangan, pemeliharaan aturan, evaluasi, pemantauan, keamanan, penanganan insiden, serta pemulihan dari eksekusi yang gagal harus dimasukkan."},{"question":"Jika membuat model dunia, apakah LLM dapat dengan mudah diganti dengan yang baru?","answer":"Kemungkinan untuk mengganti model menjadi lebih tinggi jika aturan pekerjaan, keadaan, antarmuka alat, dan kriteria evaluasi dipisahkan dari model. Namun, karena setiap model memiliki pola pemanggilan alat, penalaran, latensi, dan kesalahan yang berbeda, pengujian regresi dan kalibrasi ulang tetap diperlukan."}],"sources":[{"url":"https://www.rand.org/pubs/research_reports/RRA2680-1.html","title":"Akar Penyebab Kegagalan Proyek Kecerdasan Buatan dan Cara agar Proyek Tersebut Berhasil","type":"source"},{"url":"https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027","title":"Gartner Memperkirakan Lebih dari 40% Proyek AI Agentik Akan Dibatalkan pada Akhir 2027","type":"data_point"},{"url":"https://www.nist.gov/itl/ai-risk-management-framework","title":"Kerangka Kerja Manajemen Risiko AI NIST","type":"source"},{"url":"https://www.anthropic.com/research/building-effective-agents","title":"Membangun Agen yang Efektif","type":"source"},{"url":"https://research.ibm.com/topics/neuro-symbolic-ai","title":"AI Neuro-Simbolik","type":"source"}],"images":[{"id":342,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6Mzk5MCwicHVyIjoiYmxvYl9pZCJ9fQ==--3f8d25366b224c44bbb0b36d5dcaf5ce9b70e328/ai-2c4d1645.webp","is_representative":true,"generation_method":"ai_image","license":"ai_generated","mime_type":"image/webp","translations":{"ko":{"alt":"기업 데이터가 AI 네트워크와 보안 검증, 자동화를 거쳐 수익 성장으로 이어지는 흐름도","caption":"비즈니스 월드 모델이 다양한 기업 데이터를 통합해 자동화와 ROI 성장을 이끄는 과정을 보여준다.","description":null},"en":{"alt":"Flowchart of enterprise data moving through an AI network, security checks, and automation to revenue growth","caption":"The diagram shows a business world model turning enterprise data into automation and ROI growth.","description":null},"ja":{"alt":"企業データがAIネットワーク、セキュリティ検証、自動化を経て収益成長につながるフロー図","caption":"ビジネスワールドモデルが企業データを統合し、自動化とROI向上を実現する流れを示している。","description":null},"es":{"alt":"Flujo de datos empresariales por una red de IA, controles de seguridad y automatización hasta el crecimiento","caption":"El diagrama muestra cómo un modelo del mundo empresarial convierte datos en automatización y mayor ROI.","description":null},"id":{"alt":"Alur data perusahaan melalui jaringan AI, pemeriksaan keamanan, dan otomatisasi menuju pertumbuhan pendapatan","caption":"Diagram ini menunjukkan model dunia bisnis yang mengubah data perusahaan menjadi otomatisasi dan pertumbuhan ROI.","description":null},"pt":{"alt":"Fluxo de dados empresariais por rede de IA, verificações de segurança e automação até o crescimento da receita","caption":"O diagrama mostra um modelo de mundo de negócios convertendo dados em automação e crescimento do ROI.","description":null},"zh-hant":{"alt":"企業資料經由AI網路、安全驗證與自動化流程，最終轉化為營收成長的示意圖","caption":"此圖呈現商業世界模型整合企業資料並推動自動化與ROI成長的流程。","description":null},"de":{"alt":"Unternehmensdaten fließen durch KI-Netzwerk, Sicherheitsprüfungen und Automatisierung zum Umsatzwachstum","caption":"Die Grafik zeigt, wie ein Business-World-Model Unternehmensdaten in Automatisierung und ROI-Wachstum überführt.","description":null}}},{"id":343,"url":"https://injoys.com/rails/active_storage/blobs/proxy/eyJfcmFpbHMiOnsiZGF0YSI6Mzk5NiwicHVyIjoiYmxvYl9pZCJ9fQ==--7f5e6edc2f2a64f6c67da0c22726743c34aaca83/ai-a2717acb.webp","is_representative":false,"generation_method":"ai_image","license":"ai_generated","mime_type":"image/webp","translations":{"ko":{"alt":"AI 로봇이 물류, 보안, 판매 단계를 연결하고 성과 지표를 최적화하는 비즈니스 흐름도","caption":"AI가 창고부터 매장까지의 운영 단계를 분석해 비즈니스 성과로 연결하는 과정을 보여준다.","description":null},"en":{"alt":"Business workflow linking an AI robot with logistics, security, sales, and performance metrics","caption":"The diagram shows AI coordinating operations from warehouse to retail and turning them into measurable outcomes.","description":null},"ja":{"alt":"AIロボットが物流、セキュリティ、販売、成果指標をつなぐビジネスフロー","caption":"AIが倉庫から店舗までの業務を分析し、測定可能な成果へつなげる流れを示している。","description":null},"es":{"alt":"Flujo empresarial que conecta un robot de IA con logística, seguridad, ventas y métricas","caption":"El diagrama muestra cómo la IA coordina las operaciones del almacén a la tienda y genera resultados medibles.","description":null},"id":{"alt":"Alur bisnis yang menghubungkan robot AI dengan logistik, keamanan, penjualan, dan metrik kinerja","caption":"Diagram ini menunjukkan AI mengoordinasikan operasi dari gudang hingga toko menjadi hasil yang terukur.","description":null},"pt":{"alt":"Fluxo empresarial conectando robô de IA a logística, segurança, vendas e métricas de desempenho","caption":"O diagrama mostra a IA coordenando operações do armazém à loja e convertendo-as em resultados mensuráveis.","description":null},"zh-hant":{"alt":"AI 機器人串聯物流、安全、銷售與績效指標的企業流程圖","caption":"此圖呈現 AI 如何協調從倉庫到門市的營運流程，並轉化為可衡量的成果。","description":null},"de":{"alt":"Geschäftsablauf mit KI-Roboter, der Logistik, Sicherheit, Vertrieb und Kennzahlen verbindet","caption":"Die Grafik zeigt, wie KI Abläufe vom Lager bis zum Geschäft koordiniert und messbare Ergebnisse erzeugt.","description":null}}}],"published_at":"2026-07-29T14:17:17+09:00","updated_at":"2026-07-29T14:17:17+09:00","license":"cc_by","translation_status":"reviewed","available_locales":["ko","en","ja","es"],"data_locales":["ko","en","ja","es","id","pt","zh-hant","de"],"url":"https://injoys.com/en/articles/business-world-model-for-enterprise-ai-transformation"}