Bab 2 · Gratis permanen

Tiga pertanyaan sebelum mendelegasikan ke AI

Bab 2 · Pertanyaan Pertama: Bisakah saya memeriksa hasilnya?

Tujuan belajar bagian ini. Setelah membaca, kamu bisa membedakan "hasil yang tampak benar" dari "hasil yang sudah diperiksa", dan bisa menyebutkan alat pemeriksa yang berdiri di luar AI untuk satu tugas kantormu sendiri.

Jawaban yang meyakinkan bukan jawaban yang benar

Naluri pertama kebanyakan orang saat menilai keluaran AI adalah membacanya dan bertanya: masuk akal tidak? Naluri itu tidak salah — hanya saja ia mengukur hal yang keliru. Ia mengukur seberapa rapi jawaban itu disusun, bukan seberapa cocok jawaban itu dengan kenyataan.

Ada alasan teknis mengapa keduanya bisa berpisah jauh. Kerangka risiko resmi NIST untuk AI generatif menjelaskan bahwa confabulation — mengarang isi dengan percaya diri — adalah akibat wajar dari cara model dirancang, yaitu memperkirakan distribusi statistik data latihnya, bukan cacat yang akan hilang begitu ada model yang lebih baik (D). Dokumen yang sama mencatat sesuatu yang lebih merepotkan lagi bagi pemeriksa: keluaran AI bisa memuat logika maupun sitasi yang ikut dikarang untuk membenarkan jawabannya, sehingga penalaran yang tampak rapi justru membuat manusia makin yakin pada jawaban yang salah (D). Risiko itu disebut paling relevan pada pertanyaan terbuka, jawaban panjang, dan bidang yang menuntut keahlian domain (D) — persis ciri tugas yang paling ingin kita delegasikan.

Artinya, "masuk akal" dan "berdasar" bisa dihasilkan oleh mesin yang sama, dalam kalimat yang sama, tanpa penanda apa pun yang membedakannya. Kalau alat ukurmu hanya kesan, kamu tidak sedang memeriksa. Kamu sedang menilai gaya bahasa.

"Saya akan hati-hati" bukan pengaman

Keberatan yang wajar: kalau begitu, baca lebih teliti saja. Sayangnya sikap hati-hati saja terbukti bukan pengaman yang memadai.

Tinjauan akademik tentang overreliance mendefinisikan masalah ini bukan sebagai "terlalu sering memakai AI", melainkan sebagai keadaan pengguna mengandalkan model melampaui kemampuan model itu (A). Yang penting bagi kita: penyebabnya ditunjukkan datang dari tiga arah sekaligus — sifat model itu sendiri, desain antarmuka sistem yang kita pakai, dan bias kognitif kita sebagai pengguna (A). Jadi ini bukan semata soal kedisiplinan pribadi. Dua dari tiga penyebabnya berada di luar kendali niat baikmu.

Kerangka NIST menyebut hal serupa dari sisi lain, lewat kategori risiko Human-AI Configuration, yang secara eksplisit memasukkan automation bias dan over-reliance sebagai risiko yang perlu dikelola (D). Dua sumber yang berbeda jenis — satu tinjauan akademik, satu kerangka lembaga standar — bertemu di titik yang sama: kecenderungan terlalu percaya pada keluaran mesin adalah pola yang bisa diperkirakan, bukan kelemahan segelintir orang ceroboh.

Sumber A juga menandai risiko ketiga yang jarang disadari: pengikisan keterampilan (cognitive deskilling) (A). Kalau satu tugas adalah satu-satunya latihan rutin bagi keterampilan intimu, mendelegasikannya penuh berarti secara perlahan melumpuhkan kemampuanmu sendiri untuk memeriksanya nanti.

Aturan operasionalnya

Dari sini kami turunkan aturan kerja Bab 2 — dan perlu ditegaskan bahwa perumusan di bawah ini pendapat kami, bukan anjuran yang tertulis di sumber mana pun:

P1 bukan "apakah saya percaya hasilnya?", melainkan "apakah saya punya cara memeriksa yang berdiri di luar AI yang menghasilkan jawaban itu?"

Pemeriksa yang sah harus memenuhi tiga syarat sederhana:

1. Berada di luar model. Bertanya "apakah kamu yakin?" kepada AI yang sama — atau meminta AI lain menilai — bukan pemeriksaan independen, karena sumber kesalahannya (cara model menghasilkan teks) tetap yang itu-itu juga (D).
2. Bisa memberi jawaban salah. Alat pemeriksa yang selalu meloloskan apa pun bukan alat pemeriksa. Kalau tidak ada kondisi yang membuatmu menolak hasil, kamu tidak punya pemeriksa.
3. Terjangkau dalam waktu yang wajar. Pemeriksaan yang lebih lama daripada mengerjakan sendiri menghapus alasan mendelegasikan.

Bentuk konkretnya berbeda per tugas: dokumen sumber asli yang bisa dibuka, perhitungan ulang, aturan tertulis, kode yang dijalankan dan diuji, atau rekan yang menguasai bidangnya. Kalau tidak satu pun tersedia — tugas itu gagal P1, dan delegasi penuh belum layak.

Batas bukti bagian ini

Dua sumber yang dipakai punya keterbatasan yang harus kamu tahu. Sumber A adalah preprint di arXiv yang belum dipastikan lolos peer-review, dan isinya berupa kerangka serta agenda pengukuran — bukan studi berangka; ia tidak dan tidak bisa membuktikan berapa persen orang gagal memeriksa keluaran AI. Sumber D adalah dokumen kerangka risiko untuk organisasi, bukan penelitian empiris: tidak ada angka frekuensi, ukuran efek, maupun sampel di dalamnya. Keduanya juga disusun dalam konteks berbahasa Inggris, bukan pekerja kantor Indonesia. Yang keduanya tunjukkan adalah mekanisme — mengapa kesalahan itu mungkin dan mengapa pemeriksaan sulit — bukan seberapa sering terjadi.

Contoh: rekap keluhan pelanggan

Seorang staf layanan pelanggan di Jakarta menempelkan 300 tiket keluhan bulan lalu dan meminta AI meringkasnya menjadi lima tema utama plus jumlah tiket per tema. Hasilnya rapi dan angkanya terlihat pas.

Uji P1: apakah ada pemeriksa di luar AI? Ada — data mentahnya masih dia pegang. Ia bisa menghitung ulang satu tema memakai filter kata kunci di spreadsheet, dan membaca acak sepuluh tiket dari tema terbesar untuk memastikan isinya memang sesuai label. Kalau angkanya meleset, hasil ditolak. Pemeriksaan itu memakan sepuluh menit, jauh lebih singkat daripada membaca 300 tiket. Lolos P1 — dengan syarat pemeriksaan itu benar-benar dijalankan, bukan sekadar mungkin dijalankan.

Periksa pemahamanmu

Ambil satu tugas yang minggu ini ingin kamu serahkan ke AI. Tulis di selembar kertas:

1. Apa pemeriksa di luar AI untuk tugas ini? Sebut namanya secara konkret — nama berkas, nama aturan, atau nama orang.
2. Kondisi apa yang akan membuatmu menolak hasilnya?
3. Berapa lama pemeriksaan itu?

Kalau nomor 1 kosong, atau nomor 2 tidak bisa kamu jawab, tugas itu belum lolos P1 — lanjutkan membaca sebelum mendelegasikannya.

Penanda sumber: (A) = Ibrahim dkk., "Measuring and mitigating overreliance to build human-compatible AI", arXiv:2509.08010 (preprint). (D) = NIST AI 600-1, Generative AI Profile, Juli 2024. Rincian, tautan, dan status verifikasi kedua sumber ada di company/research/20260814-sumber-bab2-delegasi-ai.md. Materi ini disusun dengan bantuan AI.

Bab 2 · Pertanyaan Kedua: Seberapa buruk kalau salah?

Tujuan belajar bagian ini. Setelah membaca, kamu bisa menaksir dampak kesalahan satu tugas kantor memakai tiga penakar yang konkret (siapa yang kena, seberapa cepat ketahuan, seberapa mahal dibatalkan), dan bisa memilih satu dari tiga bentuk delegasi — penuh, sebagian, atau tidak sama sekali — beserta alasannya.

Mengapa P1 saja tidak cukup

Bagian sebelumnya berhenti pada satu syarat: adakah pemeriksa di luar AI. Tapi lolos P1 belum berarti tugas itu aman didelegasikan, karena P1 hanya menjawab apakah kesalahan bisa tertangkap — bukan apa yang terjadi kalau lolos.

Dua tugas bisa sama-sama lolos P1 dengan pemeriksa yang sama kuatnya, tapi salah satunya berujung pada revisi lima menit dan satunya lagi pada surat yang sudah terkirim ke 4.000 pelanggan. P2 mengurus jarak antara keduanya.

Kesalahan AI bukan kekhawatiran hipotetis

Sebelum masuk cara menakar, satu hal perlu ditegakkan: kesalahan sistem AI sudah terjadi dan sudah dicatat orang, bukan sesuatu yang baru mungkin terjadi nanti.

Laporan tahunan AI Index dari Stanford HAI, edisi 2025, mencatat bahwa jumlah insiden terkait AI yang dilaporkan naik menjadi 233 sepanjang 2024 — rekor tertinggi, dan 56,4% lebih banyak daripada 2023 (B).

Angka itu harus dibaca dengan hati-hati, dan kami memilih menyebutkan keterbatasannya di sini alih-alih membiarkannya terdengar lebih dramatis daripada yang sah. Itu adalah insiden yang dilaporkan, bukan jumlah sebenarnya. Kenaikannya bisa sebagian berarti pelaporan dan pemantauan membaik, bukan semata-mata risikonya melonjak. Jadi angka ini tidak boleh kamu bawa sebagai "risiko AI naik 56% setahun". Yang sah disimpulkan darinya cuma satu, dan itu sudah cukup untuk keperluan kita: kategori "kesalahan AI yang merugikan orang" bukan kategori kosong.

Jangan berasumsi kantormu sudah punya pengaman

Keberatan yang sering muncul di sini: "kantor saya pasti sudah mengatur ini." Data dari laporan yang sama membuat asumsi itu mahal.

Dalam survei organisasi yang dilaporkan AI Index 2025, terdapat jurang antara mengenali risiko dan benar-benar menanganinya: hanya 64% responden yang benar-benar mengelola risiko ketidakakuratan (inaccuracy), 63% yang mengelola risiko kepatuhan regulasi, dan 60% yang mengelola risiko keamanan siber (B) — padahal ketiganya termasuk risiko yang paling banyak diakui.

Perhatikan siapa respondennya: organisasi yang sudah cukup sadar untuk ikut survei tentang AI bertanggung jawab. Bahkan di kelompok itu, sepertiga sampai empat puluh persen belum mengelola risiko yang mereka sendiri sebut penting. Responden survei ini mayoritas global, bukan khusus Indonesia — jadi angkanya bukan potret kantormu. Tapi arahnya jelas: berasumsi ada jaring pengaman di belakangmu adalah taruhan, bukan fakta. Sampai kamu melihat sendiri aturannya tertulis, anggap pemeriksa terakhir sebelum pekerjaan itu keluar adalah kamu.

Tiga penakar dampak

Ini bagian yang bisa langsung kamu pakai. Perumusan tiga penakar di bawah adalah kerangka kami sendiri, bukan kutipan dari sumber mana pun; yang berasal dari sumber adalah bahan mentahnya, dan ditandai.

1. Siapa yang kena kalau salah — dan tahukah mereka bahwa ini keluaran AI? Kesalahan yang berhenti di mejamu sendiri berbeda kelas dengan kesalahan yang sampai ke pelanggan, atasan, kandidat pelamar, atau publik. Semakin jauh jangkauannya dan semakin tidak sadar penerimanya bahwa ada mesin di baliknya, semakin besar taruhannya.

2. Seberapa cepat kesalahan itu ketahuan? Kesalahan yang muncul dalam hitungan menit adalah gangguan. Kesalahan yang baru ketahuan tiga bulan kemudian — angka salah yang sudah masuk laporan yang jadi dasar keputusan lain — adalah kerusakan berlapis. Pertanyaan praktisnya: apakah ada titik di mana kesalahan ini pasti terpergok, atau bisakah ia lewat begitu saja tanpa jejak?

3. Seberapa mahal membatalkannya? Draf yang belum dikirim: nol. Pesan yang sudah terkirim: mahal tapi bisa diralat. Uang yang sudah ditransfer, data yang sudah terhapus, tawaran kerja yang sudah dicabut, kepercayaan klien yang sudah retak: sebagian tidak bisa dikembalikan sama sekali.

Ada satu penakar tambahan yang datang langsung dari sumber, dan ini memperbesar skor ketiganya sekaligus. Kerangka NIST untuk AI generatif menyebut risiko mengarang paling relevan pada pertanyaan terbuka, jawaban panjang, dan bidang yang menuntut keahlian domain (D) — dan mencatat bahwa mengarang itu adalah akibat wajar dari cara model dirancang, bukan cacat yang akan hilang dengan model berikutnya (D). Jadi kalau tugasmu berciri seperti itu, naikkan taksiran dampaknya, jangan turunkan.

Dari taksiran ke keputusan: tiga bentuk delegasi

Kerangka manajemen risiko AI NIST (AI RMF 1.0, terbit Januari 2023) berporos pada empat fungsi: GOVERN, MAP, MEASURE, MANAGE (C). Urutan MAP → MEASURE → MANAGE itulah yang kami pinjam sebagai tulang punggung: petakan dampaknya dulu (P2), baru periksa hasilnya (P1), baru putuskan bentuk delegasinya.

Dua catatan jujur soal peminjaman ini. AI RMF adalah kerangka sukarela yang ditujukan untuk organisasi, bukan untuk individu karyawan; memakainya di tingkat satu orang adalah adaptasi turun-skala oleh kami, bukan anjuran NIST. Dan ia standar Amerika Serikat — tidak mengikat siapa pun di Indonesia. Yang kami ambil hanyalah urutan berpikirnya, karena urutan itu masuk akal, bukan karena ada otoritas yang mewajibkannya.

Hasil pemetaan diterjemahkan jadi salah satu dari tiga bentuk:

Aturan praktis kami untuk baris terakhir: kalau kesalahannya menyangkut nasib orang lain dan tidak bisa dibatalkan, tidak ada pemeriksaan sebaik apa pun yang membuatnya layak didelegasikan penuh. P1 yang kuat menurunkan peluang kesalahan; ia tidak mengubah akibatnya kalau kesalahan itu tetap lolos.

Contoh: dua tugas yang sama, dampak berbeda

Tugas A — merapikan notulen rapat internal. Peserta rapat sama-sama hadir dan akan membaca notulennya; salah tulis akan langsung dikoreksi di grup dalam hitungan jam. Siapa yang kena: tim sendiri. Ketahuan: cepat. Membatalkan: tinggal kirim ralat. Dampak rendah → delegasi penuh, cukup dibaca ulang sekali.

Tugas B — menyusun surat pemberitahuan perubahan tarif ke 4.000 pelanggan. Satu angka atau satu tanggal yang salah akan sampai ke 4.000 orang sekaligus, baru ketahuan saat keluhan masuk, dan tidak bisa ditarik. Penerimanya pun tidak tahu ada AI di baliknya. Ketiga penakar menyala. Dampak tinggi → delegasi sebagian: AI boleh menyusun kerangka dan alternatif kalimat, tetapi angka, tanggal, dan kalimat final wajib dicocokkan ke dokumen keputusan tarif dan disetujui manusia yang berwenang sebelum dikirim.

Perhatikan bahwa keduanya sama-sama lolos P1 — notulen bisa dicek ke rekaman, surat bisa dicek ke dokumen tarif. Yang membedakan keputusannya bukan P1, tapi P2.

Batas bukti bagian ini

Angka 233 insiden dan 64/63/60% berasal dari AI Index edisi 2025; ada edisi yang lebih baru dan angkanya kemungkinan sudah berubah — sebutkan tahun edisinya kalau kamu mengutip ulang. Laporan itu terbitan lembaga akademik dengan metodologi terbuka, tapi bukan studi peer-review, dan bagian survei mengandalkan laporan mandiri organisasi (responden mayoritas global, bukan Indonesia). NIST AI RMF dan AI 600-1 adalah dokumen kerangka untuk organisasi, bukan penelitian empiris: tidak ada angka frekuensi, ukuran efek, maupun sampel di dalamnya, dan keduanya standar AS yang bersifat sukarela. [BUKTI LEMAH] juga berlaku untuk klaim apa pun soal rincian isi AI RMF di luar keempat fungsi inti — kami baru memverifikasi halaman ikhtisarnya, bukan seluruh dokumen intinya.

Tiga penakar dampak dan tabel tiga bentuk delegasi adalah kerangka orisinal kami. Tidak ada sumber yang mengujinya; anggap sebagai alat berpikir yang masuk akal, bukan temuan penelitian.

Satu hal yang belum bagian ini bahas: apakah data yang kamu ketikkan boleh keluar dari kantormu. Itu pertanyaan ketiga, dan dampaknya berbeda jenis.

Periksa pemahamanmu

Ambil kembali tugas yang kamu tulis di akhir bagian P1. Jawab tiga hal, satu kalimat masing-masing:

1. Kalau hasilnya salah dan lolos pemeriksaanmu, siapa yang kena — dan apakah mereka tahu ada AI di baliknya?
2. Kapan kesalahan itu paling cepat ketahuan: menit, hari, atau bulan?
3. Apa yang harus dilakukan untuk membatalkannya, dan apakah semuanya bisa dikembalikan seperti semula?

Lalu lingkari satu: penuh / sebagian / tidak sama sekali. Kalau jawaban nomor 3 memuat kata "tidak bisa", pilihanmu hanya dua yang terakhir — berapa pun bagusnya pemeriksa yang kamu punya di P1.

Penanda sumber: (B) = Stanford HAI, Artificial Intelligence Index Report 2025, Bab 3 "Responsible AI". (C) = NIST, AI Risk Management Framework (AI RMF 1.0), Januari 2023. (D) = NIST AI 600-1, Generative AI Profile, Juli 2024. Rincian, tautan, dan status verifikasi ketiga sumber ada di company/research/20260814-sumber-bab2-delegasi-ai.md. Materi ini disusun dengan bantuan AI.

Bab 2 · Pertanyaan Ketiga: Apakah datanya boleh keluar?

Tujuan belajar bagian ini. Setelah membaca, kamu bisa memilah satu tugas kantor menjadi bagian yang boleh diketik ke layanan AI dan bagian yang tidak, menyebut alasannya dengan istilah yang tepat, dan tahu persis di mana batas pengetahuan kami berakhir sehingga kamu harus bertanya ke orang lain.

Peringatan yang harus dibaca lebih dulu. Bagian ini bukan nasihat hukum. Kami tidak memberi tahu apa kewajiban hukummu atau perusahaanmu atas data pribadi orang lain, karena kami belum punya sumber yang cukup baik untuk itu (alasannya di bagian "Batas bukti" di bawah — dan itu bagian terpenting dari halaman ini). Yang bisa kami bantu adalah cara berpikirnya sebelum jarimu menekan Ctrl+V.

Dua pertanyaan pertama tidak menyentuh soal ini

P1 menanyakan apakah kamu bisa memeriksa hasilnya. P2 menanyakan seberapa buruk kalau hasilnya salah. Keduanya menilai keluaran.

Pertanyaan ketiga menilai masukan, dan itu jenis kerugian yang berbeda: kerugian yang terjadi walaupun AI-nya menjawab dengan sempurna. Kamu bisa lolos P1 dan P2 dengan mulus — hasilnya benar, bisa diperiksa, dampaknya kecil — lalu tetap merugikan orang lain karena yang kamu tempelkan ke kolom obrolan adalah nomor rekening, hasil pemeriksaan kesehatan, atau daftar gaji yang bukan milik kamu untuk disebarkan.

Karena itu P3 tidak bisa "ditawar" dengan mutu jawaban. Tidak ada jawaban yang cukup bagus untuk membatalkan data yang sudah terlanjur keluar.

Apa yang benar-benar diketahui tentang risiko data pada AI generatif

Kerangka risiko NIST untuk AI generatif punya satu kategori risiko bernama Data Privacy, yang didefinisikan sebagai dampak dari kebocoran serta pemakaian, pengungkapan, atau de-anonimisasi tanpa izin atas data biometrik, kesehatan, lokasi, dan data pribadi atau sensitif lain (D). Tiga temuan di dalamnya layak kamu ketahui apa adanya:

1. Model bisa memunculkan kembali informasi sensitif yang ada di data latihnya. Fenomena ini disebut data memorization, dan NIST mencatat risikonya bisa muncul bahkan untuk data yang hanya hadir di sedikit sampel latih (D).
2. Model bisa menyimpulkan data pribadi yang tidak pernah ada di data latih dan tidak pernah kamu sebutkan — dengan merangkai potongan informasi dari sumber-sumber yang terpisah. NIST menambahkan satu hal yang mudah terlewat: kesimpulan semacam itu merugikan bahkan bila keliru (D).
3. Kamu tidak bisa tahu data apa yang dipakai melatih model yang kamu pakai. Sebagian besar pengembang tidak mengungkapkan sumber data latihnya (D).

Perhatikan bentuk ketiga temuan itu. Semuanya berbicara tentang data latih dan kemampuan menyimpulkan, bukan tentang perlakuan atas kalimat yang kamu ketik hari ini. Itu perbedaan yang akan kami pegang teguh sepanjang bagian ini.

Kosakata yang membuatmu tidak salah menuduh

Percakapan soal data mudah kacau karena istilahnya dipakai serampangan. Undang- Undang Pelindungan Data Pribadi memberi tiga definisi yang cukup untuk membuat duduk perkaranya jelas (E, Pasal 1 angka 5–7): Subjek Data Pribadi adalah orang yang datanya melekat pada dirinya; Prosesor Data Pribadi adalah pihak yang memproses data pribadi atas nama pihak lain; Setiap Orang mencakup orang perseorangan maupun badan.

Kegunaan praktisnya sederhana. Ketika kamu menempelkan daftar pelanggan ke sebuah chatbot, orang-orang di daftar itu adalah subjek data — dan mereka tidak ada di ruangan. Kamu bukan pemilik data itu; kamu sedang memegangnya. Penyedia layanan AI yang menerima tempelanmu pun bukan subjek data, melainkan pihak lain yang ikut memegang. Menyebut ini dengan benar sudah setengah menjawab pertanyaannya: yang sedang dipertaruhkan bukan kenyamananmu, melainkan data orang yang tidak kamu tanyai.

Aturan kerja: pisahkan tugas dari datanya

Kebanyakan orang memperlakukan P3 sebagai saklar — boleh pakai AI atau tidak. Itu keliru, dan mahal: tugas yang sebenarnya aman ikut ditolak. Yang lebih tepat adalah memisahkan bentuk pekerjaan dari isi data. Hampir selalu, yang kamu butuhkan dari AI adalah bentuknya.

Ini kerangka kami — bukan temuan penelitian, melainkan cara kerja yang kami anggap masuk akal:

Alur kerjanya jadi: minta bentuknya ke AI dengan contoh karangan, lalu isi data sungguhan dilakukan sendiri di dokumenmu. Kamu tetap mendapat hampir seluruh manfaat kecepatannya, tanpa memindahkan data siapa pun ke tempat yang tidak kamu kendalikan.

Tiga pertanyaan cepat sebelum menempel apa pun:

1. Ada nama orang di dalamnya? Kalau ya, apakah orang itu tahu?
2. Kalau ini muncul di layar orang lain, siapa yang dirugikan?
3. Apakah saya butuh data ini untuk dapat jawabannya, atau cuma malas mengetik ulang? Jawaban jujurnya sering nomor dua.

Batas bukti — baca ini, jangan lewati

Bagian ini paling lemah di antara ketiga pertanyaan, dan kami memilih mengatakannya daripada menutupinya dengan bahasa yang terdengar meyakinkan.

• Kami tidak tahu bagaimana penyedia layanan AI memperlakukan kalimat yang kamu ketik. [BUKTI LEMAH] Sumber yang kami punya berbicara tentang data latih dan inferensi model, bukan data masukan pengguna. Kami sengaja tidak menyimpulkan "makanya jangan tempel dokumen kantor" dari sumber itu, karena kesimpulan tersebut tidak ada di sana. Aturan kerja di atas kami sajikan sebagai kehati-hatian yang masuk akal, bukan sebagai temuan. Cara memeriksanya sendiri: baca ketentuan layanan dan pengaturan privasi produk yang kamu pakai, lalu tanyakan ke bagian TI kantormu.
• Kami tidak menyatakan apa pun tentang kewajiban hukummu. Dari UU PDP kami hanya memakai tiga definisi peran (Pasal 1 angka 5–7). Salinan resmi yang dapat kami akses adalah hasil pindai dengan OCR rusak pada pasal-pasal kewajiban, sehingga mengutipnya berarti menebak isi undang-undang — dan itu tidak akan kami lakukan. Untuk kewajiban hukum, rujuk teks resmi dan penasihat hukum, bukan materi ini.
• NIST AI 600-1 adalah dokumen kerangka untuk organisasi, bukan studi empiris — tidak ada angka frekuensi, ukuran efek, atau sampel di dalamnya. Standar AS, bersifat sukarela, tidak mengikat di Indonesia, terbit Juli 2024.
• Tabel tiga lapis dan tiga pertanyaan cepat adalah kerangka orisinal kami. Belum diuji siapa pun.

Kami akan memperbarui bagian ini kalau menemukan sumber yang benar-benar menjawab dua celah pertama. Sampai itu terjadi, anggap halaman ini memberimu cara berpikir dan kosakata — bukan kepastian.

Periksa pemahamanmu

Ambil satu tugas yang minggu ini ingin kamu serahkan ke AI. Tulis dua daftar berdampingan: apa yang saya minta (bentuk) dan apa yang saya tempel (data). Lalu coret setiap butir di kolom kanan yang memuat nama orang sungguhan, dan ganti dengan contoh karangan. Kalau setelah dicoret tugas itu jadi tidak masuk akal untuk diserahkan ke AI, kamu baru saja menemukan tugas yang memang sebaiknya kamu kerjakan sendiri.

Penanda sumber: (D) = NIST AI 600-1, Generative AI Profile, Juli 2024, §2.4 Data Privacy dan daftar risiko hal. 4–5. (E) = Undang-Undang No. 27 Tahun 2022 tentang Pelindungan Data Pribadi, Pasal 1 angka 5–7 (definisi saja). Rincian, tautan, dan status verifikasi keduanya ada di company/research/20260814-sumber-bab2-delegasi-ai.md. Materi ini disusun dengan bantuan AI dan bukan nasihat hukum.

Bab 2 · Penutup: Tiga Pertanyaan dalam Satu Halaman

Tujuan belajar bagian ini. Setelah membaca, kamu bisa menjalankan P1, P2, dan P3 berurutan atas satu tugas nyata dan sampai pada satu keputusan yang jelas — lengkap dengan tindakan apa yang harus kamu lakukan hari itu juga.

Bagian ini tidak menambahkan klaim faktual baru. Semua dasarnya sudah diletakkan di tiga bagian sebelumnya; di sini semuanya dirangkai jadi satu alur yang bisa kamu tempel di dekat meja kerja.

Urutannya bukan selera

Jalankan P3 → P2 → P1, bukan sesuai nomornya.

Alasannya praktis. P3 bisa membatalkan seluruh tugas sebelum kamu repot menakar apa pun: kalau data yang harus keluar tidak boleh keluar, tidak ada gunanya memikirkan pemeriksa. P2 menentukan seberapa ketat pemeriksaan yang pantas kamu bayar dengan waktu. P1 baru menjawab apakah pemeriksaan seketat itu tersedia.

Nomornya tetap P1–P2–P3 karena itu urutan yang enak dipelajari. Urutan menjalankannya dibalik.

Pohon keputusan

Jawab dari atas. Berhenti di kotak pertama yang cocok.

TUGAS
  │
  ├─ P3 · Apakah tugas ini menuntut saya menempelkan data nyata
  │        milik orang lain (nama, NIK, rekening, kesehatan, gaji,
  │        isi kontrak klien)?
  │
  │   ├─ YA, dan bisa dipisah  ──► PISAHKAN DULU.
  │   │   Minta bentuknya saja ke AI dengan contoh karangan; isi
  │   │   data sungguhan sendiri di dokumenmu. Lalu ulangi dari
  │   │   atas dengan versi tugas yang sudah dipisah.
  │   │
  │   ├─ YA, dan tidak bisa dipisah ──► KERJAKAN SENDIRI. Selesai.
  │   │   Tidak ada mutu jawaban yang membatalkan data yang
  │   │   terlanjur keluar.
  │   │
  │   └─ TIDAK ──► lanjut ke P2.
  │
  ├─ P2 · Kalau hasilnya salah dan lolos pemeriksaan saya:
  │        (a) siapa yang kena? (b) kapan ketahuan? (c) berapa
  │        mahal membatalkannya?
  │
  │   ├─ Menyangkut nasib orang lain DAN ada yang "tidak bisa
  │   │   dikembalikan" ──► DAMPAK TINGGI.
  │   │   AI hanya boleh jadi bahan diskusi. Tidak ada keluarannya
  │   │   yang keluar apa adanya. Selesai — P1 tidak mengubah ini.
  │   │
  │   ├─ Kena orang lain tapi masih bisa diralat ──► DAMPAK SEDANG,
  │   │   lanjut ke P1 dengan standar ketat.
  │   │
  │   └─ Berhenti di meja saya, cepat ketahuan, murah dibatalkan
  │       ──► DAMPAK RENDAH, lanjut ke P1 dengan standar wajar.
  │
  └─ P1 · Adakah pemeriksa yang (1) berada di luar AI itu,
           (2) bisa memberi jawaban "salah", (3) selesai lebih cepat
           daripada mengerjakan sendiri?
      │
      ├─ TIDAK ADA ──► JANGAN DIDELEGASIKAN, apa pun dampaknya.
      │   Cari dulu pemeriksanya; kalau tidak ketemu, kerjakan
      │   sendiri.
      │
      ├─ ADA + dampak sedang ──► DELEGASI SEBAGIAN.
      │   AI menyusun draf dan bahan mentah; angka, tanggal, dan
      │   kalimat akhir kamu cocokkan sendiri ke dokumen sumber
      │   sebelum keluar.
      │
      └─ ADA + dampak rendah ──► DELEGASI PENUH.
          AI mengerjakan, kamu periksa sekilas — dan pemeriksaan
          itu benar-benar dijalankan, bukan sekadar mungkin
          dijalankan.

Matriks sekali lihat

Untuk tugas yang sudah lolos P3 (tidak ada data nyata orang lain yang keluar):

Perhatikan dua hal yang sering mengejutkan pembaca. Kolom kanan seragam: tanpa pemeriksa, dampak rendah pun tidak lolos — bukan karena bahaya, tapi karena kamu kehilangan kemampuan membedakan hasil benar dari hasil yang sekadar rapi. Baris bawah juga seragam: di dampak tinggi, punya pemeriksa bagus tidak menaikkan kamu satu tingkat pun.

Ada satu hal yang matriks ini tidak tanggung

Bagian P3 menutup dengan pengakuan yang perlu ikut dibawa ke sini: kami tidak tahu bagaimana penyedia layanan AI memperlakukan kalimat yang kamu ketik [BUKTI LEMAH]. Sumber yang kami punya berbicara tentang data latih dan kemampuan model menyimpulkan, bukan tentang nasib masukan pengguna.

Konsekuensinya untuk pohon di atas: cabang P3 disusun sebagai kehati-hatian yang masuk akal, bukan temuan penelitian. Kalau bagian TI kantormu punya jawaban yang lebih pasti tentang layanan yang kamu pakai — jawaban itu menang atas halaman ini.

Hal kedua yang tidak kami tanggung: kewajiban hukum. Bab ini bukan nasihat hukum. Dari UU PDP kami hanya memakai tiga definisi peran, bukan pasal kewajiban.

Dan tiga penakar dampak, tabel tiga bentuk delegasi, serta tabel tiga lapis data adalah kerangka orisinal kami — alat berpikir yang belum diuji siapa pun, bukan temuan penelitian.

Kartu saku

Salin tiga baris ini ke catatanmu:

1. Boleh keluar? Kalau data nyata orang lain harus ikut ditempel dan tidak bisa dipisah — berhenti di sini. 2. Seberapa buruk? Siapa yang kena · kapan ketahuan · bisa dibatalkan atau tidak. Ada kata "tidak bisa" → jangan delegasi penuh. 3. Bisa saya periksa? Sebut nama pemeriksanya. Tidak bisa menyebut → belum punya.

Periksa pemahamanmu

Ambil tugas yang kamu tulis di akhir bagian P1 dan kamu taksir di P2. Jalankan sekali lagi lewat pohon keputusan, kali ini urut P3 → P2 → P1, dan tulis satu kalimat: "Tugas ini saya delegasikan [penuh / sebagian / tidak sama sekali], karena ___."

Kalau kalimat itu tidak bisa kamu tulis dalam satu tarikan napas, biasanya penyebabnya satu dari dua hal: kamu belum menyebut nama pemeriksanya secara konkret, atau kamu belum menjawab jujur apakah kesalahannya bisa dibatalkan. Keduanya lebih murah diselesaikan sekarang daripada nanti.

Bagian ini merangkum P1, P2, dan P3 tanpa menambah sumber baru. Penanda sumber, tautan, dan status verifikasinya ada di sumber-dan-metode.md Bab 2. Materi ini disusun dengan bantuan AI dan bukan nasihat hukum.

Bab 2 · Latihan dan Rubrik Mandiri

Rangkaian ini menguji tiga pertanyaan Bab 2 dan urutan pemakaiannya. Sediakan sekitar 80 menit; jawaban hanya untuk pemeriksaan mandiri dan tidak dikirim kepada siapa pun.

Latihan 2.1 — Uji keterperiksaan (±15 menit)

Tujuan: Menentukan apakah keluaran dapat dibandingkan dengan bukti yang tersedia.

1. Baca lima pernyataan keluaran AI berikut.
2. “Batas pengumpulan laporan adalah Jumat pukul 15.00,” sesuai kalender proyek karangan yang ada di mejamu.
3. “Draf ketiga menghapus bagian lampiran,” sesuai riwayat versi dokumen karangan yang kamu simpan.
4. “Susunan ini adalah cara paling mudah dipahami oleh seluruh calon pembaca.”
5. “Tidak ada satu pun rumusan lain yang akan menghasilkan keputusan lebih baik.”
6. “Semua petugas di kantor cabang karangan memakai urutan kerja yang sama,” padahal satu-satunya cara memeriksanya adalah mengamati setiap petugas dan cabang.
7. Tentukan sumber pembanding dan status tiap pernyataan.
8. Isi tabel tanpa menilai kelancaran bahasanya.

Selesai kalau: lima baris terisi dan tiap status menyebut satu sumber pembanding konkret, bukan “cek internet”.

Latihan 2.2 — Taksir dampak, pilih bentuk delegasi (±20 menit)

Tujuan: Memilih bentuk delegasi berdasarkan dampak jika keluaran salah.

1. Nilai siapa yang terkena, kapan kesalahan diketahui, dan biaya pembatalan untuk setiap tugas karangan.
2. Membuat tiga variasi judul untuk catatan ide pribadi yang belum dibagikan.
3. Merangkum notulen karangan menjadi draf agenda rapat internal; pemilik rapat memeriksa setiap butir sebelum mengirimnya.
4. Menjawab pertanyaan terbuka dengan jawaban panjang tentang kepatuhan bidang khusus, lalu mengirim jawabannya kepada mitra sebagai keputusan final tanpa pemeriksa berkeahlian domain.
5. Pilih Penuh, Sebagian, atau Tidak sama sekali.
6. Catat penakar yang paling menentukan pilihanmu.

Selesai kalau: tiga baris terisi dan tiap bentuk delegasi memiliki alasan yang menunjuk sedikitnya satu penakar.

Latihan 2.3 — Pisahkan bentuk dari data (±15 menit)

Tujuan: Meminta bantuan bentuk tanpa menyerahkan data nyata orang lain.

1. Pilih satu tugas pekerjaanmu yang datanya tidak boleh keluar.
2. Tandai unsur Bentuk, Contoh netral, dan Data nyata orang lain.
3. Tulis permintaan kepada AI hanya untuk bentuknya, memakai contoh yang jelas karangan.
4. Rencanakan pengisian data nyata secara mandiri setelah hasil diterima.

Selesai kalau: permintaan baru tidak memuat nama, nomor, atau nominal nyata, tetapi tugas tetap dapat diselesaikan.

Tugas nyata — Tiga pertanyaan atas satu tugas minggu ini (±30 menit)

Tujuan: Mengambil satu keputusan delegasi dengan menjalankan P2, P1, lalu P3.

1. Pilih satu tugas nyata minggu ini.
2. Jalankan P2: petakan siapa yang terkena, kapan salahnya diketahui, dan biaya pembatalannya.
3. Jalankan P1: tulis bagian keluaran yang akan diperiksa serta nama dokumen pembandingnya.
4. Jalankan P3: tulis data yang tidak akan ditempel ke AI dan cara mengisinya sendiri.
5. Ringkas keputusan dalam satu kalimat: “Saya memilih … karena …; saya memeriksa … ke …; saya tidak menempel ….”

Selesai kalau: keputusan terdiri dari satu kalimat dan kamu dapat menunjuk bagian bab yang mendasari setiap bagiannya.

Rubrik penilaian mandiri

Kunci & contoh jawaban

Kunci L2.1:

1. Bisa diperiksa ke kalender proyek karangan karena waktu tercatat langsung.
2. Bisa diperiksa ke riwayat versi karena penghapusan lampiran terlihat langsung.
3. Tidak bisa diperiksa karena klaim tentang seluruh calon pembaca tidak punya pembanding yang ditetapkan.
4. Tidak bisa diperiksa karena semua rumusan alternatif yang mungkin tidak dapat dibandingkan.
5. Mahal diperiksa karena pengamatan setiap petugas dan cabang melampaui usaha mengerjakan tugas sendiri.

Kunci L2.2:

1. Penuh; hanya pembuat yang terkena dan ide belum dibagikan, sehingga pembatalannya ringan.
2. Sebagian; penerima internal terkena, tetapi pemeriksaan pemilik sebelum pengiriman membuat kesalahan cepat diketahui dan masih dapat dibatalkan.
3. Tidak sama sekali; mitra terkena keputusan final, kesalahan bisa terlambat diketahui, pembatalannya mahal, dan bidangnya menuntut keahlian domain.

Contoh Kuat L2.3: “Buat struktur tabel tindak lanjut dengan contoh ‘Pegawai A’, ‘Nomor X’, dan ‘RpX’; saya akan mengisi sendiri nama, nomor, serta nominal nyata di dokumen lokal.” Bentuk dan contoh netral dikerjakan AI; data nyata diisi pembaca.

Contoh Kuat tugas nyata: “Saya memilih delegasi sebagian karena agenda internal diperiksa sebelum dibagikan; saya mencocokkan tanggal dan pemilik tugas ke notulen karangan; saya tidak menempel nama maupun nomor kontak peserta.” Keputusan mengikuti P2, P1, lalu P3.

Usulan klaim baru

Tidak ada.

Tentang sumber & metode — Bab 2

Halaman ini menjelaskan asal bukti, proses penyusunan, dan batas Bab 2 ("Tiga pertanyaan sebelum mendelegasikan ke AI"). Daftar berikut bukan dukungan institusi terhadap materi kami.

Daftar sumber

Kutipan mentah yang kami pakai tersimpan di company/research/raw/nist-600-1-kutipan.md dan company/research/raw/uu-pdp-27-2022-kutipan.md. Catatan verifikasi lengkap ada di company/research/20260814-sumber-bab2-delegasi-ai.md.

Peta klaim → sumber

Bukan klaim bersumber — kerangka orisinal kami, tidak diuji siapa pun dan tidak berasal dari sumber mana pun: tiga syarat pemeriksa yang sah (P1), tiga penakar dampak dan tabel tiga bentuk delegasi (P2), tabel tiga lapis data serta tiga pertanyaan cepat (P3), dan seluruh pohon keputusan serta matriks di penutup.md. Urutan MAP → MEASURE → MANAGE kami pinjam dari C sebagai cara berpikir, tetapi penerapannya ke tingkat satu karyawan adalah adaptasi turun-skala oleh kami, bukan anjuran NIST.

Bagaimana bab ini disusun

• Materi disusun dengan bantuan AI. Tidak ada pakar manusia yang meninjau isinya; kami tidak mengklaim penulis, gelar, testimoni, atau logo institusi.
• Setiap URL di tabel di atas dibuka langsung dari server kami dan isinya dicocokkan dengan klaim yang dikutip. Sumber yang tidak terbuka atau tidak memuat klaim tersebut dibuang.
• Dalam naskah, temuan penelitian, keterangan lembaga standar, dan pendapat kami dibedakan secara eksplisit. Kalimat "ini kerangka kami" bukan basa-basi kerendahan hati — itu penanda status bukti.
• Klaim yang buktinya tipis ditandai [BUKTI LEMAH] di badan naskah dan tidak dihaluskan dengan bahasa yang terdengar meyakinkan.
• Metode kami terbatas pada pembacaan sumber. Kami tidak melakukan penelitian primer, tidak mengumpulkan data pengguna, dan tidak menguji ulang temuan peneliti.

Batas bukti dan apa yang belum tercakup

• Perlakuan penyedia layanan AI atas masukan pengguna: BELUM TERTUTUP [BUKTI LEMAH]. Ini celah terbesar Bab 2. Sumber D berbicara tentang data latih dan inferensi model, bukan tentang apa yang terjadi pada kalimat yang kamu ketik hari ini. Aturan kerja di P3 karena itu disajikan sebagai kehati-hatian, bukan temuan.
• Kewajiban hukum di Indonesia: BELUM TERTUTUP. Dari E kami hanya memakai tiga definisi peran. Salinan resmi yang dapat kami akses adalah hasil pindai dengan OCR rusak pada pasal-pasal kewajiban; mengutipnya berarti menebak isi undang-undang, dan itu tidak kami lakukan.
• A adalah pracetak dan berupa kerangka serta agenda pengukuran — bukan studi berangka. Ia tidak dapat membuktikan berapa persen orang gagal memeriksa keluaran AI.
• B bukan studi peer-review, bagian surveinya mengandalkan laporan mandiri organisasi, dan respondennya mayoritas global — bukan potret kantor Indonesia. Angka 233 adalah insiden yang dilaporkan, bukan jumlah sebenarnya; kenaikannya bisa sebagian mencerminkan pelaporan yang membaik. Angka-angka itu dari edisi 2025; edisi lebih baru kemungkinan sudah mengubahnya.
• C dan D adalah dokumen kerangka untuk organisasi, bukan penelitian empiris: tidak ada angka frekuensi, ukuran efek, maupun sampel. Keduanya standar AS yang bersifat sukarela dan tidak mengikat di Indonesia. [BUKTI LEMAH] berlaku untuk klaim apa pun soal isi AI RMF di luar keempat fungsi intinya — kami baru memverifikasi halaman ikhtisarnya, bukan seluruh dokumen inti.
• Semua sumber disusun dalam konteks berbahasa Inggris (kecuali E). Yang ditunjukkannya adalah mekanisme — mengapa kesalahan mungkin dan mengapa pemeriksaan sulit — bukan seberapa sering hal itu terjadi pada pekerja kantor Indonesia.
• Belum tercakup: data adopsi AI di dunia kerja Indonesia, panduan sektoral (kesehatan, hukum, keuangan), dan cara kerja teknis mitigasi di sisi penyedia.

Terakhir diperiksa

Terakhir diperiksa: 14 Agustus 2026.

Disklaimer

Bab ini adalah materi belajar umum. Bukan nasihat hukum, medis, atau keuangan profesional. Untuk kewajiban hukum atas data pribadi, rujuk teks resmi peraturan dan penasihat hukum, bukan materi ini. Isi dapat usang ketika aturan, model, dan ketentuan layanan berubah.