Beranda / Metode

Landasan metode

Otonomi Terkendali untuk Autonomous Enterprise

Otonomi terkendali adalah cara AI untuk Bisnis menyerahkan keputusan bisnis kepada sistem secara bertahap. Sistem hanya memutus di dalam batas mandat yang disahkan, setiap keputusan dapat direkonstruksi, dan manusia memegang kendali atas pengecualian. Metode ini disusun dari literatur ilmiah terbitan 2026.

Autonomous enterprise

Dari Otomasi Tugas ke Otonomi Keputusan

Gelombang AI berikutnya bukan sekadar agen yang makin pintar. van Esch (2026) melihat AI menjadi lapisan pengorganisasian yang menanamkan tata kelola dan mengalokasikan ulang hak keputusan. Li, Reinhard dan Leimeister (2026) menggambarkan pergeseran dari agen otonom tunggal ke sistem agentic tingkat perusahaan.

Ketika AI bertindak atas nama perusahaan, hubungan itu dapat dibaca dengan teori keagenan (Humberd & Latham, 2026). Konsekuensinya praktis: perusahaan perlu batas mandat yang tertulis, cara memeriksa keputusan, dan penanggung jawab bila aturan keliru.

Sebelum mendelegasikan keputusan

  • Keputusan mana yang boleh diambil sistem, dan dalam batas apa?
  • Siapa yang bertanggung jawab bila aturannya keliru?
  • Bagaimana keputusan itu diperiksa kembali oleh auditor?
  • Kapan sistem harus berhenti dan menyerahkan ke manusia?

Model empat jalur

Setiap Keputusan Masuk Salah Satu dari Empat Jalur

Aturan yang sudah disahkan menentukan jalurnya, bukan petugas kasus demi kasus. Arah delegasinya dari mesin ke manusia: sistem menyerahkan kasus yang meragukan kepada petugas.

Otomatis

Kondisi: Bukti lengkap dan cocok, transaksi berada di dalam kelas dan batas mandat, status di ERP pasti.

Pelaksana: Sistem mengeksekusi di bawah pemilik proses. Fungsi pengendalian menguji sampel sesudahnya.

Maker-checker

Kondisi: Selisih masih dalam toleransi atau risiko sedang.

Pelaksana: Sistem mengusulkan, petugas mengesahkan setelah membuka dokumen sumber lebih dulu.

Eskalasi

Kondisi: Nilai melebihi batas mandat atau transaksi di luar kelas yang didelegasikan.

Pelaksana: Pejabat berwenang memutus sesuai matriks kewenangan, dengan batas waktu dan eskalasi berjenjang.

Ditahan

Kondisi: Bukti kurang, status di ERP tidak pasti, atau aturan baru saja berubah.

Pelaksana: Tidak ada eksekusi. Petugas menjadi pemilik tindak lanjut sampai kasus terekonsiliasi.

Praktik organisasi besar memadukan otomasi tanpa pendamping dengan langkah persetujuan manusia pada titik tertentu sebelum bot melanjutkan (Kokina dkk., 2026).

Tujuh kontrol wajib

Kontrol yang Berlaku pada Setiap Keputusan Otonom

Diturunkan dari komponen pengendalian internal COSO dan tata kelola otomasi. Keterauditan menjadi syarat desain sejak awal, bukan pemeriksaan sesudah sistem berjalan (Power, 2026).

1

Kelengkapan bukti

Keputusan hanya diambil bila dokumen dan data pendukung lengkap dan cocok. Yang kurang otomatis ditahan.

2

Batas mandat

Sistem bertindak hanya di dalam kelas transaksi, batas nilai, dan versi aturan yang sudah disahkan.

3

Pemisahan tugas

Pembuat aturan, pengesah, operator sistem, dan penelaah log adalah pihak berbeda. Akun teknis diberi hak minimum.

4

Eksekusi andal

Setiap tindakan punya identitas unik, status dibaca sebelum eksekusi, lalu hasilnya direkonsiliasi dengan ERP.

5

Pengecualian ke manusia

Kasus di luar syarat dialihkan ke petugas lengkap dengan alasan rute dan pemilik tindak lanjut.

6

Jejak tanggung jawab

Bukti masukan, versi aturan, alasan, pelaksana, dan konfirmasi sistem disimpan dalam log yang hanya dapat ditambah.

7

Penghentian terkendali

Sakelar penghentian menahan antrean dan mengalihkan pekerjaan ke prosedur manual kapan saja.

Jejak keputusan juga menjadi dasar legitimasi di mata pemasok dan auditor. Jejak audit dan mekanisme keberatan termasuk pengungkit terkuat untuk menjaga akuntabilitas AI di pengadaan (Culot dkk., 2026). Zhang dkk. (2026) menunjukkan fungsi kepatuhan baru menerima keputusan agentic AI bila setiap keputusan tertaut ke aturan dan fakta tertentu.

Kendali manusia

Manusia Tetap Memegang Kendali

Delegasi ke sistem tidak menghapus kebutuhan kendali manusia (Afiouni & Pinsonneault, 2026). Namun, menempatkan manusia di dalam alur tidak otomatis membuat keputusan aman. Bias otomasi membuat orang menyetujui saran mesin yang keliru atau lalai bertindak saat mesin diam (Romeo & Conti, 2026), dan auditor yang mewarisi uji analitik buatan orang lain lebih jarang menindaklanjuti tanda bahaya (X. Li dkk., 2026).

Skeptisisme yang dilembagakan

  • Pemeriksa membuka dokumen sumber sebelum melihat usulan sistem
  • Usulan keliru disisipkan berkala untuk menguji kewaspadaan
  • Alasan rute dan toleransi selalu ditampilkan, tidak disembunyikan di kode
  • Beban pengecualian diukur, bukan hanya kecepatan, agar tidak terjadi re-manualisasi (Agostinelli dkk., 2026)

Tahapan menuju otonomi

Otonomi Diberikan Bertahap, Berdasarkan Bukti

Setiap tahap punya syarat lanjut yang jelas. Evaluasi mengikuti praktik design science research yang diakui di jurnal akuntansi (Myers dkk., 2026) dan memprioritaskan kriteria dengan metode MEDS (Baskerville dkk., 2026).

1

Uji terkontrol

Versi aturan dibekukan, lalu diuji dengan data samaran dan kasus sintetis, termasuk kasus tepat di batas toleransi.

2

Shadow mode

Sistem berjalan paralel pada data produksi tanpa mengeksekusi. Keputusannya dibandingkan dengan keputusan petugas dan keputusan acuan penelaah.

3

Pilot bersyarat

Satu kelompok transaksi diaktifkan dan dipantau harian. Kasus di luar cakupan tetap ditahan dan sakelar penghentian siap.

4

Perluasan

Diputuskan pemilik proses setelah audit internal merekonstruksi sampel keputusan dan hasil pilot ditelaah.

  • Persetujuan keliru: toleransi nol
  • Pelanggaran kewajiban telaah
  • Waktu sampai keputusan
  • Beban pengecualian
  • Kemampuan rekonstruksi keputusan

Tahapan ini dijalankan di dalam Ilmuprogram Quality-Driven Methodology: Quality Gate memeriksa tujuh kontrol, Solution Standardization Board meninjau arsitektur.

Batas metode

Apa yang Tidak Kami Klaim

Metode ini dimulai dari otonomi keputusan berbasis aturan dengan eksekusi terbatas. Kami tidak menjanjikan seluruh proses perusahaan dapat berjalan otonom. Perluasan cakupan selalu didasarkan bukti dari tahap sebelumnya, dan komponen AI generatif hanya masuk dengan kontrol tambahan sesuai panduan COSO untuk GenAI (Emett dkk., 2026).

Pertanyaan umum

Tanya Jawab tentang Otonomi Terkendali

Apa itu autonomous enterprise?

Autonomous enterprise adalah perusahaan yang mendelegasikan semakin banyak keputusan bisnis kepada sistem. Literatur 2026 menggambarkannya sebagai AI yang menjadi lapisan pengorganisasian dan mengalokasikan ulang hak keputusan, bukan sekadar alat bantu tugas (van Esch, 2026; Li dkk., 2026).

Apa beda otomasi dan otonomi?

Otomasi menjalankan langkah kerja yang sudah ditentukan, sementara keputusan tetap di tangan manusia. Otonomi berarti sistem ikut memutus, misalnya menyetujui transaksi, sehingga perlu batas mandat, jejak keputusan, dan penanggung jawab yang jelas.

Apakah AI boleh menyetujui transaksi sendiri?

Boleh, hanya untuk transaksi yang memenuhi bukti dan berada di dalam batas mandat yang disahkan pemilik kewenangan. Transaksi lain diarahkan ke maker-checker, eskalasi, atau ditahan, dan setiap keputusan otomatis tetap dapat direkonstruksi auditor.

Bagaimana memastikan keputusan AI dapat diaudit?

Keputusan disusun dari aturan eksplisit dan setiap keputusan menyimpan bukti masukan, versi aturan, alasan, pelaksana, dan konfirmasi sistem. Pendekatan ini sejalan dengan temuan bahwa fungsi kepatuhan baru menerima keputusan agentic AI bila tertaut ke aturan dan fakta tertentu (Zhang dkk., 2026; Power, 2026).

Kenapa tidak langsung memakai AI generatif untuk memutus?

Model generatif berguna untuk membaca dokumen dan merangkum, tetapi keputusan yang mengikat perusahaan dimulai dari aturan yang dapat diperiksa. Komponen generatif ditambahkan bertahap dengan kontrol khusus sesuai panduan COSO untuk GenAI (Emett dkk., 2026).

Rujukan

Literatur Terbitan 2026

Seluruh DOI diperiksa di Crossref pada 22 November 2026.

  • Afiouni, R., & Pinsonneault, A. (2026). A human-in-control model: Taking the helm in navigating AI delegation. Journal of the Association for Information Systems, 27(2), 359–384. doi.org/10.17705/1jais.00971
  • Agostinelli, S., dkk. (2026). Exploring human trust in software robots for robotic process automation. Business & Information Systems Engineering. doi.org/10.1007/s12599-026-01007-y
  • Baskerville, R., Pries-Heje, J., & Venable, J. R. (2026). MEDS: Methodology for evaluation in design science. European Journal of Information Systems, 35(5), 830–847. doi.org/10.1080/0960085x.2026.2627280
  • Culot, G., Podrecca, M., Patrucco, A. S., & Nassimbeni, G. (2026). Artificial intelligence in public procurement: Aligning operational capacity, legitimacy, and public value. Journal of Business Logistics, 47(4), e70088. doi.org/10.1111/jbl.70088
  • Emett, S., Eulerich, M., Guthrie, J., Pikoos, J., & Wood, D. A. (2026). Achieving effective internal control over generative AI (GenAI). COSO. https://www.coso.org/generative-ai
  • Humberd, B. K., & Latham, S. F. (2026). When AI becomes an agent of the firm: Examining the evolution of AI in organizations through an agency theory lens. Journal of Management Studies, 63(2), 668–694. doi.org/10.1111/joms.13274
  • Kokina, J., Langmann, C., & Weiser, M. (2026). Navigating the RPA governance landscape: Evidence from the field. International Journal of Accounting Information Systems, 57, 100784. doi.org/10.1016/j.accinf.2026.100784
  • Li, H., de Freitas, M. M., Lee, H., & Vasarhelyi, M. A. (2026). Enhancing continuous auditing with large language models. International Journal of Accounting Information Systems, 57, 100786. doi.org/10.1016/j.accinf.2026.100786
  • Li, M. M., Reinhard, P., & Leimeister, J. M. (2026). Agentic AI. Business & Information Systems Engineering, 68(5), 1191–1204. doi.org/10.1007/s12599-026-01009-w
  • Li, X., Brazel, J. F., Gold, A., & Leiby, J. (2026). Inheriting versus developing data analytic tests and auditors’ professional skepticism. Journal of Accounting Research, 64(2), 885–922. doi.org/10.1111/1475-679x.70014
  • Myers, N., Snow, M. C., Waddoups, N., & Wood, D. A. (2026). Improving the production and reviewing of design science research in accounting. Review of Accounting Studies, 31(2), 786–817. doi.org/10.1007/s11142-026-09933-8
  • Power, M. (2026). Auditability in the digital age. International Journal of Auditing, 30(4), 597–603. doi.org/10.1111/ijau.70038
  • Romeo, G., & Conti, D. (2026). Exploring automation bias in human–AI collaboration: A review and implications for explainable AI. AI & Society, 41(1), 259–278. doi.org/10.1007/s00146-025-02422-7
  • van Esch, P. (2026). From agentic AI to AI-orchestrated organizations: Understanding the next surge in AI. Business Horizons. doi.org/10.1016/j.bushor.2026.03.003
  • Zhang, G., Huang, J., Seddon, J., & Wang, M. (2026). Making agentic AI explainable and auditable. Journal of Information Technology. doi.org/10.1177/02683962261508077

Siap menerapkan AI di perusahaan Anda?

Mulai dengan konsultasi gratis bersama tim kami.