Kapan AI Boleh Mengambil Keputusan Bisnis, Kapan Harus Manusia? – Panduan dari 3 HR Leaders Indonesia

Pada 25 Juni 2026, di Pullman Jakarta Indonesia Thamrin CBD, The Economic Times HRWorld Southeast Asia Future Forward Indonesia 2026 digelar dengan menghadirkan berbagai pemimpin bisnis dan HR untuk membahas masa depan dunia kerja di era AI.

Mekari Talenta turut hadir sebagai Gold Partner dalam acara ini, mendukung diskusi mengenai transformasi HR dan pemanfaatan AI yang bertanggung jawab di lingkungan kerja.

Salah satu sesi yang paling banyak menyita perhatian adalah Mega Panel “The Decision Shift: Rethinking Authority in the Age of AI”, yang mempertemukan tiga pemimpin HR dari industri yang sangat berbeda: Monica Mulyanto Oudang (Chief Human Resources Officer, GoTo Group), Anna Febriana Triastuti (Chief Human Capital Officer, Mayapada Healthcare Group), dan Alvin Tanthio (Corporate HC Development Sr. GM/Division Head, Paramount Enterprise), dengan Meidy Katrin, Secretary General Indonesian Nickel Miners Association (APNI), sebagai moderator.

Pertanyaan pembuka moderator terdengar sederhana: berapa banyak AI yang sebenarnya digunakan setiap hari?

Namun, dari jawaban para panelis, diskusi berkembang menjadi pembahasan yang lebih mendalam tentang sejauh mana AI dapat membantu pengambilan keputusan, sekaligus di mana batas yang tetap harus dijaga oleh manusia dalam konteks bisnis maupun HR.

Semua Orang Sudah Pakai AI — Tapi Siapa yang Benar-Benar Berhak Membuat Keputusan?

Data Penggunaan AI Harian dari Para HR Leaders

Alvin Tanthio dari Paramount Enterprise mengungkapkan bahwa ia menggunakan empat tools AI setiap hari, mulai dari Copilot untuk Microsoft 365 hingga versi gratis ChatGPT dan Gemini, dengan total biaya sekitar Rp2 juta per tahun.

AI dimanfaatkannya untuk mengolah data dalam jumlah besar, mengenali pola, dan merangkum tren yang akan memakan waktu jauh lebih lama jika dilakukan secara manual.

Anna Febriana Triastuti dari Mayapada Healthcare Group berlangganan ChatGPT versi berbayar dan Claude, ditambah Canva untuk presentasi, dengan biaya sekitar 20 dolar AS per bulan.

Sementara itu, Monica Mulyanto Oudang dari GoTo justru punya skala pemakaian paling besar karena perusahaan sudah menanamkan AI di hampir semua lini bisnis dan fungsi, termasuk tim HR — mulai dari Copilot, Gemini Enterprise, sampai chatbot internal dan AI khusus untuk mengelola employee experience. Ia sendiri memakai setidaknya lima sampai enam tools setiap hari.

Perbedaan jumlah tools maupun biaya langganan bukanlah inti dari diskusi ini. Yang lebih menarik adalah kesamaan di antara ketiganya: AI telah menjadi bagian dari cara mereka bekerja, terlepas dari industrinya, baik teknologi, layanan kesehatan, maupun properti.

Namun, semakin luas AI digunakan, semakin penting pula pertanyaan berikutnya: apakah AI juga layak diberi kewenangan untuk mengambil keputusan yang berdampak pada kehidupan seseorang?

AI dalam HR: Peluang atau Risiko?

Ketika ditanya satu kata untuk menggambarkan AI hari ini — peluang atau risiko — ketiganya kompak menjawab “peluang”. 

Namun, penjelasan di balik jawaban tersebut justru menunjukkan bahwa cara memandang AI tidak sesederhana memilih antara peluang atau risiko.

Alvin Tanthio menyebut AI sebagai peluang, tetapi dengan catatan “proceed with care.”

Monica Mulyanto Oudang melihat AI sebagai peluang untuk meningkatkan daya saing, produktivitas, dan efisiensi, selama penerapannya disertai tata kelola (governance) yang baik. Menurutnya, “you cannot blindly trust AI.”

Sementara itu, Anna Febriana Triastuti menegaskan bahwa semakin besar peluang yang ditawarkan AI, semakin besar pula risiko yang menyertainya.

Dari sini terlihat bahwa membingkai AI sebagai “peluang atau risiko” sebenarnya sudah tidak lagi cukup.

Ketiga pemimpin HR tersebut justru menunjukkan bahwa peluang dan risiko berjalan beriringan. Semakin luas AI dimanfaatkan, semakin besar pula tanggung jawab organisasi untuk menentukan batas penggunaannya.

Dengan kata lain, pertanyaan yang lebih relevan bagi HR bukanlah “Apakah AI merupakan peluang atau risiko?”, melainkan “Keputusan apa yang boleh dibantu AI, dan keputusan apa yang tetap harus menjadi tanggung jawab manusia?”

Dari titik inilah ketiga perusahaan mulai membangun kerangka pengambilan keputusan yang berbeda, tetapi memiliki prinsip yang sama.

Baca juga: Contoh Penerapan Artificial Intelligence (AI) pada Industri HR

Framework Transaksional vs. Transformasional: Kapan AI Boleh Mengambil Alih Keputusan?

Di antara berbagai pandangan yang muncul selama diskusi, Monica menawarkan kerangka yang paling mudah diterapkan oleh para pemimpin HR maupun bisnis.

Menurutnya, alih-alih bertanya apakah AI boleh digunakan atau tidak, organisasi perlu terlebih dahulu memahami jenis keputusan yang sedang dihadapi: transaksional atau transformasional.

Definisi Keputusan Transaksional

Keputusan transaksional, menurut Monica, adalah keputusan yang bervolume tinggi dan mengandalkan akurasi data yang tinggi pula —jenis keputusan yang, dalam kata-katanya, “has no emotional attachment.”

Dalam kategori ini, AI dapat dimanfaatkan untuk mengolah data karyawan maupun pelanggan, menganalisis pola, membantu menentukan alokasi anggaran, hingga menghasilkan rekomendasi personalisasi layanan.

Bagi GoTo, aktivitas seperti ini memang layak diotomatisasi karena AI mampu memproses data dalam skala besar secara lebih cepat dan konsisten dibandingkan proses manual.

Definisi Keputusan Transformasional

Sebaliknya, keputusan transformasional adalah keputusan yang berdampak langsung pada hidup seseorang —bisa mengubah nasib, dalam arti harfiah.

Monica menyebut tiga contoh konkret: keputusan hiring, keputusan firing, dan keputusan menaikkan atau menurunkan tarif mitra pengemudi, isu yang menurutnya sedang sangat hangat dibicarakan.

Menurutnya, keputusan-keputusan tersebut tidak dapat sepenuhnya diserahkan kepada AI karena membutuhkan konteks, empati, dan pertimbangan manusia.

Dalam konteks HR, ia juga memasukkan keputusan terkait Performance Improvement Plan (PIP) ke dalam kategori ini.

Alasannya, angka performa tidak selalu menggambarkan kondisi seseorang secara utuh. Seorang karyawan mungkin sedang menghadapi persoalan pribadi atau tantangan tertentu yang tidak akan terlihat hanya dari data.

Studi Kasus GoTo: Dari Hiring, Firing, sampai Kebijakan Tarif Driver

Yang membuat kerangka ini semakin relevan adalah skala bisnis GoTo sendiri.

GoTo mengelola jutaan mitra pengemudi, sehingga keputusan sekecil apa pun soal tarif berdampak pada penghidupan jutaan orang.

Dengan skala sebesar itu, godaan untuk mengotomasi seluruh proses keputusan tentu besar, tetapi Monica justru menegaskan bahwa semakin besar dampaknya pada penghidupan seseorang, semakin besar pula alasan untuk menahan diri dari otomasi penuh.

Prinsip ini dapat menjadi panduan bagi organisasi di berbagai industri.

Sebelum menyerahkan suatu keputusan kepada AI, tanyakan terlebih dahulu: apakah keputusan tersebut hanya membutuhkan kecepatan dan akurasi data, atau justru akan memengaruhi kehidupan, karier, maupun kesejahteraan seseorang?

Jika jawabannya adalah yang kedua, AI dapat berperan sebagai alat bantu analisis, tetapi akuntabilitas akhir tetap harus berada di tangan manusia.

Formula 30-30-40: Seberapa Besar Peran AI dalam Pengambilan Keputusan Talent?

Kalau GoTo memakai kerangka kualitatif (transaksional vs transformasional), Paramount Enterprise memakai pendekatan yang jauh lebih kuantitatif lewat formula milik Alvin Tanthio: 30-30-40.

Porsi AI dalam Pengambilan Keputusan Rekrutmen: 30%

Saat ditanya soal porsi AI dalam menilai kandidat, Alvin menjawab tegas: ia memberi porsi kepercayaan pada AI maksimal 30 persen.

Data resume dan informasi kandidat memang dimasukkan ke AI untuk memahami gambaran besar calon karyawan, tapi porsinya sengaja dibatasi karena, dalam human capital, yang paling menentukan adalah bagaimana memahami interaksi dan proses berpikir seseorang.

Ini adalah sesuatu yang menurutnya tidak bisa diprediksi oleh AI.

Alvin secara eksplisit menyebut ini sebagai “human touch” yang ia samakan dengan sebuah seni.

Karena itu, ia tetap memilih bertemu langsung dengan kandidat untuk memahami cara berpikir dan gagasan mereka, bukan hanya mengandalkan skor atau ringkasan dari sistem.

Anna Febriana Triastuti dari Mayapada punya pengalaman serupa. Mayapada memakai AI khususnya untuk assessment, memprofilkan orang berdasarkan data.

Namun, ia menekankan bahwa AI “may not able to see the whole story.” Bagaimana seseorang merespons krisis, atau berjuang di tengah penugasan yang berat, adalah hal yang sulit terbaca hanya dari data.

Karena itu, Mayapada tidak pernah membiarkan AI membuat keputusan akhir soal siapa yang naik ke jajaran high potential, atau siapa yang harus keluar dari organisasi.

Selalu ada intentional talent discussion dan proses kalibrasi bersama para leader sebagai lapisan verifikasi terakhir.

Baca juga: Efisiensi Biaya Rekrutmen dengan AI: Strategi dan Manfaat

Triple E Framework: Empathize, Explore, Execute

Alvin juga membagikan kerangka pribadi yang ia pakai setiap kali menggunakan AI, yang ia sebut Triple E: Empathize, Explore, Execute.

Empathize adalah tahap memahami apa yang sebenarnya ingin dicapai, apa akar masalahnya, dan bagaimana situasinya. Ini adalah bagian yang menurutnya tidak bisa sepenuhnya digantikan AI.

Explore adalah tahap ideasi, di mana AI paling banyak berperan membantu mempercepat proses berpikir.

Sementara itu, Execute sepenuhnya bergantung pada manusia untuk mengambil keputusan, menjalankan strategi, dan memastikan hasilnya berkelanjutan.

Alvin menutup pembahasannya dengan sebuah refleksi menarik. Menurutnya, di era AI, ide bukan lagi faktor pembeda karena siapa pun dapat menghasilkan berbagai gagasan hanya dalam hitungan detik.

Yang membedakan hasil akhirnya justru kemampuan manusia untuk mengevaluasi, menyempurnakan, dan mengeksekusi ide tersebut secara konsisten.

Dengan kata lain, AI dapat mempercepat proses berpikir, tetapi kualitas keputusan tetap ditentukan oleh manusia yang menggunakannya.

Studi Kasus AI di Industri Kesehatan: Kenapa Diagnosis Tetap di Tangan Dokter

Industri kesehatan menghadirkan dilema yang lebih tajam lagi, karena taruhannya bukan sekadar efisiensi proses HR, melainkan nyawa pasien.

Bagaimana Mayapada Healthcare Group Memakai AI di Radiologi dan Analisis Rekam Medis

Anna Febriana Triastuti menjelaskan bahwa hampir semua rumah sakit di Indonesia, termasuk Mayapada, tengah berlomba menghadirkan fasilitas dan alat berteknologi tinggi untuk mendiagnosis pasien.

Lewat kolaborasi dengan jaringan rumah sakit di India, Mayapada mendapat lebih banyak exposure soal bagaimana AI diimplementasikan di bidang radiologi, termasuk untuk membaca citra hasil pemindaian, yang secara tradisional merupakan wilayah keahlian dokter spesialis radiologi.

Di luar radiologi, Mayapada juga memanfaatkan AI untuk mengolah data pasien dari rekam medis, misalnya untuk menentukan pasien mana yang perlu follow-up lebih awal, berpotensi harus rawat inap ulang, atau punya indikasi kesehatan tertentu yang perlu diperhatikan.

Kenapa Penerimaan AI Diagnosis Masih Rendah di Indonesia

Namun, Anna juga jujur soal batasnya: Mayapada berada di posisi antara mempercayai AI untuk membantu diagnosis dan tetap mengandalkan keahlian dokter spesialis, karena tingkat penerimaan (acceptance) publik terhadap diagnosis berbasis AI di Indonesia masih rendah.

Ia menegaskan, tidak semua orang siap mempercayai 100 persen akurasi yang ditawarkan AI.

Temuan ini juga selaras dengan riset yang lebih luas soal adopsi AI di sektor kesehatan Indonesia.

Beberapa kajian mencatat bahwa belum ada data terbuka yang menunjukkan penerapan AI dalam radiologi di rumah sakit dan laboratorium medis di Indonesia, sementara kendala infrastruktur teknologi dan literasi digital tenaga medis masih menjadi hambatan utama adopsi di banyak fasilitas kesehatan.

Kementerian Kesehatan sendiri sudah mulai menjalankan uji coba AI radiologi di sejumlah rumah sakit rujukan dengan pendekatan otomatisasi selektif, yakni untuk mempercepat proses triase dan menandai temuan awal, bukan mengambil keputusan diagnosis akhir.

Pendekatan ini sejalan dengan cara Mayapada memosisikan AI, yaitu sebagai alat bantu analisis, bukan pengambil keputusan.

Bagi praktisi HR, studi kasus ini menunjukkan bahwa prinsip penggunaan AI sebenarnya berlaku lintas industri.

Semakin besar risiko dan dampak sebuah keputusan terhadap kehidupan seseorang, semakin penting pula peran manusia dalam proses pengambilan keputusan.

AI dapat mempercepat analisis dan memberikan rekomendasi, tetapi akuntabilitas akhir tetap berada di tangan manusia.

Algorithmic Discernment: Skill yang Wajib Dimiliki Sebelum Percaya Output AI

Jika ada satu istilah yang paling layak diingat dari sesi ini, itu adalah algorithmic discernment, istilah yang dicetuskan Monica Mulyanto Oudang untuk menggambarkan pentingnya berpikir kritis saat menggunakan AI.

Mengapa CHRO GoTo Menilai Output AI Tetap Harus Direview

Momen paling menarik dari sesi ini datang ketika Monica balik bertanya ke audiens: dari sekian banyak orang yang memakai AI, berapa banyak yang benar-benar mereview output yang dihasilkan?

Jawabannya, di ruangan forum tersebut, sangat sedikit yang mengangkat tangan.

Monica kemudian membagikan pengalamannya sendiri. Menurutnya, sebagian besar waktu saat menggunakan AI justru dihabiskan untuk mereview hasil yang diberikan sistem.

Dari proses tersebut, ia kerap menemukan tingkat akurasi yang, menurutnya, “very concerning.”

Ia mencontohkan pengalaman saat mengevaluasi laporan seorang data analyst yang dibantu AI.

Meskipun input yang diberikan sudah benar, output yang dihasilkan justru tidak sesuai dengan logika maupun konteks bisnis.

Dari situ, Monica menyimpulkan bahwa skill nomor satu yang perlu terus ia—dan siapa pun yang bekerja dengan AI—tingkatkan bukan soal cara memakai AI, melainkan algorithmic discernment: kemampuan berpikir kritis untuk menantang dan mempertanyakan AI beserta outputnya, bukan menelan mentah-mentah apa pun yang dikeluarkan sistem.

Cara Praktis Membangun Kebiasaan Mereview Output AI

Dari pengalaman ketiga panelis, terdapat beberapa prinsip yang dapat diterapkan organisasi untuk memastikan AI tetap digunakan secara bertanggung jawab:

• Selalu bandingkan output dengan konteks yang kalian pahami langsung — seperti yang dilakukan Monica saat mereview laporan data analyst, jangan menerima angka atau kesimpulan AI begitu saja tanpa mengecek logikanya.
• Sisakan ruang untuk kalibrasi manual sebelum keputusan final diambil, seperti intentional talent discussion yang dijalankan Mayapada untuk setiap keputusan people yang sensitif.
• Tetapkan porsi maksimal AI sejak awal, seperti formula 30 persen milik Paramount Enterprise, supaya tim tidak tergoda menyerahkan lebih banyak kewenangan dari yang semestinya hanya karena AI terasa lebih cepat dan praktis.
• Posisikan AI sebagai thinking partner, bukan decision maker — istilah yang dipakai Alvin Tanthio sendiri: companion, sparring partner untuk memulai proses berpikir, bukan pengganti proses berpikir itu sendiri.

Kebiasaan review semacam ini juga selaras dengan temuan riset global.

Artinya, kesenjangan antara adopsi AI dan kontrol kualitas atas outputnya bukan cuma dialami perusahaan di Indonesia, tapi jadi tantangan global.

Cara Menyusun Kebijakan AI Internal: Roadmap Praktis untuk Organisasi

Dari seluruh diskusi panel, ada satu benang merah yang bisa diterapkan oleh tim HR maupun pemimpin bisnis saat menyusun kebijakan penggunaan AI di organisasi.

1. Bedakan Keputusan Transaksional dan Transformasional.

Mulailah dengan memetakan jenis keputusan yang ada di organisasi menggunakan kerangka yang diperkenalkan Monica Mulyanto Oudang.

Keputusan yang bersifat transaksional, seperti mengolah data dalam jumlah besar atau menjalankan proses yang membutuhkan akurasi tinggi, dapat dibantu AI.

Sebaliknya, keputusan yang berdampak langsung pada karier, penghidupan, atau kondisi emosional seseorang sebaiknya tetap berada di tangan manusia.

2. Tetapkan Batas Peran AI sejak Awal.

Tidak semua organisasi harus menerapkan pembagian porsi seperti pendekatan 30-30-40 yang digunakan Alvin Tanthio.

Namun, prinsip utamanya tetap sama: tentukan sejak awal sejauh mana AI boleh terlibat dalam setiap jenis keputusan.

Dengan begitu, AI menjadi alat bantu yang jelas batasannya, bukan pengambil keputusan secara otomatis.

3. Sisakan Ruang untuk Validasi Manusia sebelum Keputusan Akhir Diambil

Mayapada Healthcare Group menerapkan talent discussion dan proses kalibrasi sebelum mengambil keputusan penting terkait karyawan.

Pendekatan ini menunjukkan bahwa rekomendasi AI sebaiknya menjadi salah satu bahan pertimbangan, bukan penentu keputusan akhir.

Diskusi bersama para pemimpin tetap diperlukan untuk memahami konteks yang tidak selalu tercermin dalam data.

Pada akhirnya, ketiga langkah tersebut mencerminkan pesan utama yang disampaikan para panelis: AI dan manusia bukanlah dua pihak yang saling menggantikan, melainkan saling melengkapi.

AI membantu mempercepat analisis dan mengurangi pekerjaan yang repetitif, sehingga para pemimpin memiliki lebih banyak waktu untuk mengambil keputusan yang membutuhkan empati, konteks, dan pertimbangan manusia.

Kesimpulan

Tiga pemimpin HR dari industri yang sangat berbeda — teknologi, kesehatan, dan properti — pada akhirnya sampai di kesimpulan yang sama: AI di tempat kerja hari ini bukan soal dipakai atau tidak, karena hampir semua orang sudah memakainya.

Pertanyaan yang jauh lebih penting untuk dijawab setiap pemimpin bisnis adalah keputusan mana yang boleh dilepas ke AI, dan keputusan mana yang wajib tetap dipegang manusia karena menyangkut penghidupan, emosi, dan konteks yang tidak bisa dibaca dari data saja.

Kerangka transaksional-transformasional dari GoTo, formula 30-30-40 dari Paramount Enterprise, dan kehati-hatian Mayapada Healthcare Group dalam soal diagnosis medis, semuanya menuju pada satu prinsip yang sama: AI mengambil alih beban repetitif, tapi keputusan yang mengubah hidup seseorang tetap menjadi tanggung jawab manusia.

Sebagaimana disampaikan pada penutupan sesi, AI tidak hadir untuk menggantikan kepemimpinan, melainkan mengubah cara pemimpin mengambil keputusan.