Expert Validation · Delphi Round 1

Model Kematangan
Adopsi Generative AI
di Indonesia

Kuesioner validasi konten Round 1 ini merupakan bagian dari penelitian tesis untuk mengembangkan framework pengukuran tingkat kematangan adopsi GenAI pada perusahaan di Indonesia. Penilaian Anda sebagai pakar sangat menentukan validitas setiap item instrumen.

Estimasi waktu10–15 menit
Total item21 item · 7 dimensi
SkalaLikert esensialitas 1–5
MetodeModified Delphi · CVR Lawshe
0 dari 21 item
0%
Profil Pakar
Data ini digunakan untuk menghitung bobot penilaian dan memastikan keragaman panel pakar.
Panduan skala — seberapa esensial item ini untuk mengukur kematangan adopsi GenAI organisasi?
1Sangat tidak esensialTidak relevan, tidak perlu ada
2Tidak esensialKurang relevan, bisa dihapus
3Cukup esensialRelevan tapi bukan prioritas
4EsensialPerlu ada, berkontribusi nyata
5Sangat esensialWajib ada, konstruk tidak terukur tanpanya
D1

AI Strategy

Sejauh mana organisasi memiliki visi, roadmap, dan komitmen eksekutif terhadap adopsi GenAI.

D1.1 — Visi dan roadmap
D1.1.2Terdapat roadmap implementasi GenAI jangka menengah (3–5 tahun) yang terdokumentasi.
Gartner 2024McKinseyPwC
D1.2 — Executive commitment
D1.2.2Anggaran khusus untuk pengembangan dan implementasi GenAI telah dialokasikan secara formal.
McKinseyMIT CISR 2024Deloitte
D1.3 — Prioritisasi use case
D1.3.1Organisasi memiliki metodologi terstruktur untuk seleksi dan prioritisasi use case GenAI.
Gartner 2024Banh et al. 2025Deloitte
D2

AI Governance

Mekanisme internal untuk mengawasi, mengendalikan, dan mengambil keputusan terkait penggunaan AI.

D2.1 — Struktur dan kebijakan
D2.1.2Kebijakan penggunaan GenAI yang terdokumentasi tersedia dan dikomunikasikan kepada seluruh karyawan.
Gartner 2024RAI Maturity 2025Deloitte
D2.2 — Manajemen risiko AI
D2.2.1Kerangka penilaian risiko khusus untuk model dan sistem GenAI telah tersedia.
Gartner 2024RAI Maturity 2025Deloitte
D2.3 — Kepatuhan regulasi
D2.3.1Implementasi GenAI mematuhi regulasi data lokal yang berlaku (UU PDP, OJK, Kominfo).
PwCRAI Maturity 2025
D3

Data Readiness

Kapasitas organisasi dalam mengelola data sebagai aset strategis untuk GenAI.

D3.1 — Kualitas dan aksesibilitas data
D3.1.1Data yang digunakan untuk pelatihan atau operasional GenAI memiliki standar kualitas yang terukur.
Gartner 2024McKinseyDeloitte
D3.2 — Tata kelola data
D3.2.1Kepemilikan data (data ownership) dan tanggung jawab pengelolaan data terdefinisi dengan jelas.
Gartner 2024McKinseyPwC
D3.3 — Pipeline data untuk AI
D3.3.2Pipeline data otomatis untuk preprocessing, transformasi, dan validasi dataset AI telah dibangun.
McKinseyMIT CISR 2024Deloitte
D4

AI Infrastructure

Kapabilitas teknis dan arsitektur yang mendukung pengembangan, deployment, dan operasional GenAI.

D4.1 — Compute dan platform
D4.1.2Platform MLOps atau LLMOps untuk manajemen siklus hidup model GenAI telah operasional.
McKinseyMIT CISR 2024Banh et al. 2025
D4.2 — Arsitektur integrasi
D4.2.1API gateway atau lapisan integrasi untuk layanan GenAI telah tersedia dan terdokumentasi.
McKinseyMIT CISR 2024Banh et al. 2025
D4.3 — Keamanan dan skalabilitas
D4.3.2Mekanisme monitoring dan alerting untuk performa dan keamanan model GenAI berjalan secara otomatis.
Gartner 2024PwCDeloitte
D5

Talent & Culture

Kapasitas SDM dan kesiapan budaya organisasi dalam mengadopsi dan mengoperasikan GenAI.

D5.1 — AI literacy
D5.1.2Program pelatihan AI literacy yang aktif dan terstruktur tersedia bagi seluruh karyawan.
Gartner 2024DeloittePwC
D5.2 — Technical talent
D5.2.1Organisasi memiliki AI engineer, data scientist, atau prompt engineer dengan kompetensi yang terverifikasi.
Gartner 2024McKinseyDeloitte
D5.3 — Change management
D5.3.1Program manajemen perubahan yang terstruktur mendampingi setiap implementasi GenAI di organisasi.
MIT CISR 2024PwCDeloitte
D6

Operational Integration

Sejauh mana GenAI tertanam dalam proses bisnis inti dan menghasilkan nilai operasional yang terukur.

D6.1 — Process embedding
D6.1.1GenAI telah diintegrasikan ke dalam sejumlah proses bisnis inti yang berjalan di lingkungan produksi.
McKinseyMIT CISR 2024Banh et al. 2025
D6.2 — Pengukuran nilai bisnis
D6.2.1KPI atau OKR yang spesifik dan terukur ditetapkan untuk setiap inisiatif GenAI yang berjalan.
Gartner 2024McKinseyPwC
D6.3 — Continuous improvement
D6.3.2Mekanisme feedback dari pengguna akhir (end-user) digunakan untuk meningkatkan kualitas sistem GenAI.
MIT CISR 2024PwCBanh et al. 2025
D7

Responsible AI

Komitmen organisasi terhadap penggunaan GenAI yang etis, transparan, adil, dan berdampak positif.

D7.1 — Fairness dan mitigasi bias
D7.1.1Prosedur pengujian bias (gender, etnis, wilayah) diterapkan sebelum model GenAI dideploy ke produksi.
RAI Maturity 2025PwC
D7.2 — Transparansi dan explainability
D7.2.2Pengguna akhir mendapatkan informasi yang memadai bahwa keputusan atau konten tertentu dihasilkan oleh AI.
RAI Maturity 2025Banh et al. 2025
D7.3 — Dampak sosial dan lingkungan
D7.3.3Penggunaan GenAI diselaraskan dengan nilai-nilai lokal, norma budaya, dan kepentingan masyarakat Indonesia.
Banh et al. 2025RAI Maturity 2025
0
item telah dinilai dari 21
Siap mengirim penilaian?
Pastikan seluruh item telah dinilai. Data CVR akan dihitung dari seluruh panel pakar.