Artikel

Industri asuransi menghadapi risiko asuransi yang semakin kompleks, mulai dari bencana alam, serangan siber, hingga dampak penggunaan kecerdasan buatan (AI). Kondisi tersebut membuat perusahaan asuransi perlu mengubah cara mengelola portofolio agar pertumbuhan bisnis tetap menguntungkan.

Laporan McKinsey yang diterbitkan 22 April 2026 menyoroti tekanan yang dihadapi segmen asuransi komersial untuk perusahaan dengan pendapatan antara 20 juta euro hingga 200 juta euro. Segmen pasar menengah ini dinilai penting karena memiliki peluang pertumbuhan dan cross-selling yang besar.

Namun, perusahaan di segmen tersebut juga memiliki tingkat kematangan manajemen risiko yang beragam. Proses internal yang kurang terstruktur dapat membuat perusahaan lebih rentan terhadap gangguan operasional maupun risiko yang dapat diasuransikan.

Risiko Asuransi Makin Beragam

Salah satu tekanan terbesar berasal dari margin bisnis yang semakin menyempit. Praktik penetapan harga yang kurang akurat dan minimnya penggunaan data membuat perusahaan asuransi kesulitan menilai risiko secara tepat.

Tekanan tersebut semakin besar karena meningkatnya kerugian akibat bencana alam. Kerugian akibat bencana alam secara global mencapai 260 miliar dolar AS pada 2025. Perusahaan menengah juga bisa sangat terdampak karena operasional mereka sering terkonsentrasi di wilayah tertentu.

Banjir, kebakaran hutan, dan gempa bumi dapat memicu kerugian besar dalam waktu singkat. Masalahnya, banyak perusahaan menengah belum memiliki sistem pencegahan risiko yang memadai.

Risiko asuransi juga berkembang melalui ancaman siber, terutama penipuan melalui email bisnis dan ransomware. Penggunaan AI membawa persoalan baru terkait kualitas data, privasi, regulasi, dan akuntabilitas. Gangguan rantai pasok juga semakin mudah menyebar akibat keterhubungan bisnis global.

Masalah Pengelolaan Risiko Asuransi

Terdapat sejumlah kelemahan dalam pengelolaan portofolio asuransi segmen menengah. Salah satunya adalah proses underwriting yang masih terfragmentasi.

Banyak portofolio masih dinilai berdasarkan kasus per kasus. Pendekatan tersebut membuat perusahaan sulit melihat gambaran risiko secara menyeluruh.

Masalah lain adalah rendahnya visibilitas risiko pada tingkat portofolio. Perusahaan asuransi dapat kesulitan mengetahui konsentrasi risiko berdasarkan wilayah, industri, atau jenis bahaya.

Penggunaan data dalam proses underwriting juga belum maksimal. Padahal, perusahaan memiliki banyak data internal dan eksternal yang dapat membantu menentukan harga serta kualitas risiko.

McKinsey menyarankan empat langkah untuk memperbaiki kondisi tersebut. Pertama, perusahaan perlu melakukan pemeriksaan terhadap portofolio dan membagi risiko berdasarkan karakteristiknya.

Kedua, perusahaan perlu melakukan perbaikan sistematis pada proses perpanjangan polis. Kebijakan yang tidak menguntungkan dapat dievaluasi, dihentikan, atau disesuaikan harganya.

Ketiga, perusahaan perlu memiliki batas risiko yang jelas ketika menerima bisnis baru. Batas tersebut dapat dibuat berdasarkan wilayah, industri, jenis risiko, dan segmen nasabah.

Keempat, perusahaan harus memantau hasil kebijakan secara berkala. Data dari proses tersebut kemudian digunakan untuk memperbaiki keputusan berikutnya.

Teknologi Bisa Bantu Pengelolaan Portofolio

Teknologi AI generatif dan AI berbasis agen juga dinilai dapat membantu perusahaan asuransi bekerja lebih cepat. Teknologi tersebut dapat mendukung proses underwriting, meningkatkan ketepatan penilaian risiko, dan menekan biaya operasional.

Namun, teknologi bukan satu-satunya solusi. Perusahaan tetap membutuhkan kerangka manajemen risiko yang terstruktur agar data dan teknologi dapat digunakan untuk mengambil keputusan yang tepat.

Pendekatan tersebut berpotensi memberikan dampak besar terhadap profitabilitas. Perusahaan asuransi dapat meningkatkan hasil underwriting bruto sebesar 30 persen hingga 50 persen melalui pengelolaan portofolio yang lebih disiplin.

Peningkatan tersebut dapat dilakukan melalui pengurangan polis yang terus merugi, pengalihan risiko dengan eksposur tinggi, serta perbaikan profitabilitas pada polis yang masih memiliki peluang untuk diperbaiki.

Artikel ini telah diterbitkan oleh McKinsey dengan judul Midmarket insurance: Managing Growth in A Complex Environment. Artikel selengkapnya dapat dibaca di sini.

Investasi AI yang terlalu hati-hati justru bisa menjadi risiko bagi perusahaan. Perusahaan yang terlalu lama menahan belanja teknologi berpotensi tertinggal dari pesaing yang lebih agresif memanfaatkan kecerdasan buatan (AI).

Riset Boston Consulting Group (BCG) menunjukkan perusahaan yang lebih serius berinvestasi pada AI cenderung lebih siap menghadapi perubahan bisnis. Kelompok perusahaan tersebut rata-rata mengalokasikan 1,7 persen pendapatan untuk AI. Angka itu lebih dari dua kali lipat dibandingkan perusahaan yang tertinggal, yakni 0,8 persen.

Investasi AI Mulai Menjadi Penentu Daya Saing

Perusahaan dengan integrasi AI yang lebih dalam sudah merasakan dampak terhadap kinerja bisnis. Penghematan biaya mereka tercatat tiga kali lebih besar dibandingkan perusahaan lain.

Perusahaan tersebut juga mencatat margin keuntungan 60 persen lebih tinggi. Selain itu, tingkat pengembalian modal yang ditanamkan atau return on invested capital (ROIC) mencapai 2,7 kali lebih tinggi.

Data tersebut memperlihatkan perubahan cara perusahaan melihat AI. Teknologi ini mulai diposisikan sebagai bagian dari infrastruktur bisnis, bukan sekadar proyek percobaan.

Namun, investasi AI bukan berarti perusahaan harus menghamburkan anggaran untuk berbagai alat dan proyek. Fokus tetap diperlukan agar dana mengalir ke penggunaan AI yang memiliki dampak nyata.

AI Perlu Masuk ke Proses Bisnis Utama

Perusahaan yang lebih siap menghadapi masa depan mulai menempatkan AI sebagai bagian dari kemampuan utama bisnis. Area seperti pengadaan, layanan pelanggan, pengembangan perangkat lunak, dan fungsi pendukung menjadi sasaran investasi.

Pendekatan tersebut berbeda dari strategi menyebarkan anggaran kecil ke banyak proyek. Perusahaan perlu memilih area yang bisa menghasilkan perubahan besar.

Investasi juga perlu mencakup perubahan cara kerja. Nilai transformasi AI berasal dari sekitar 10 persen algoritma, 20 persen teknologi dan data, serta 70 persen manusia, proses, dan perubahan perilaku.

Artinya, membeli perangkat lunak AI saja belum cukup. Perusahaan juga perlu menyiapkan karyawan, menyederhanakan proses, memperkuat tata kelola, dan mengubah struktur organisasi jika diperlukan.

Penghematan Biaya Bisa Membiayai Investasi AI

Belanja AI yang agresif bukan berarti perusahaan harus meninggalkan disiplin biaya. Salah satu pendekatan yang disarankan adalah mencari penghematan dari pos bisnis lain.

Perusahaan dapat mengoptimalkan pengadaan, mengurangi pengeluaran eksternal, menyederhanakan struktur organisasi, dan membuat proses operasional lebih efisien.

Langkah tersebut berpotensi menghasilkan penghematan 5 persen hingga 25 persen dalam tiga sampai 12 bulan pertama. Dana yang berhasil dihemat kemudian dapat digunakan untuk membiayai transformasi berbasis AI.

Strategi tersebut menciptakan siklus yang saling menguatkan. Penghematan membiayai AI, lalu AI membantu menghasilkan efisiensi baru yang dapat membuka ruang investasi berikutnya.

Jangan Menunggu Perhitungan ROI Terlalu Sempurna

Tantangan lain muncul ketika perusahaan terlalu lama menunggu perhitungan keuntungan yang sangat rinci sebelum meningkatkan investasi AI.

Pendekatan tersebut memang terlihat hati-hati. Namun, pasar dan teknologi berubah cepat sehingga perhitungan yang dibuat hari ini belum tentu relevan beberapa bulan kemudian.

Perusahaan yang lebih maju cenderung mengambil keputusan berdasarkan penggunaan yang sudah terbukti memberikan hasil. Mereka kemudian mengalihkan anggaran ke proyek dengan dampak terbesar.

Strategi ini bukan berarti perusahaan boleh berinvestasi tanpa batas. Manajemen tetap perlu memantau hasil dan menghentikan proyek yang tidak memberikan manfaat.

Perbedaannya terletak pada kecepatan mengambil keputusan. Perusahaan tidak harus mengetahui seluruh keuntungan sejak awal untuk mulai bergerak.

Risiko Terbesar Bisa Berasal dari Kurang Investasi

Perdebatan mengenai AI selama ini sering berfokus pada besarnya biaya teknologi. Namun, risiko bagi perusahaan bisa muncul ketika investasi AI terlalu kecil dan terlalu lambat. Ketika pesaing sudah mengubah proses bisnis menggunakan AI, perusahaan yang masih berkutat dengan proyek uji coba berisiko kehilangan momentum.

Karena itu, investasi AI perlu diarahkan pada perubahan bisnis yang lebih luas. Perusahaan harus menyiapkan teknologi, manusia, proses, dan tata kelola secara bersamaan.

AI memang membutuhkan modal. Namun, biaya terbesar bagi sebagian perusahaan bisa jadi bukan uang yang dikeluarkan untuk AI, melainkan kesempatan yang hilang karena terlalu lama menunggu.

Artikel ini telah diterbitkan oleh BCG dengan judul The Cost of Caution with AI Investments. Artikel selengkapnya dapat dibaca di sini.

ESG assurance makin penting bagi perusahaan yang ingin menjaga kredibilitas laporan keberlanjutan dan kepercayaan investor. Proses verifikasi independen membantu memastikan informasi dalam laporan ESG (Environmental, Social, dan Governance) dapat dipertanggungjawabkan.

Penerapan ESG kini menjadi bagian dari strategi bisnis banyak perusahaan. Namun, semakin banyak laporan ESG yang diterbitkan juga memunculkan pertanyaan mengenai keakuratan informasi di dalamnya.

Investor mulai memperhatikan kualitas data ESG. Informasi tersebut dapat digunakan untuk menilai risiko, peluang, serta keberlanjutan bisnis dalam jangka panjang.

Apa Itu ESG Assurance?

ESG assurance merupakan proses verifikasi independen terhadap informasi dalam sustainability report atau ESG report. Pihak ketiga menilai data, metode pengukuran, serta pengungkapan yang dibuat perusahaan.

Proses tersebut bertujuan memastikan informasi disusun secara akurat dan konsisten. Verifikasi juga dilakukan dengan mengacu pada standar yang berlaku.

Laporan ESG yang sudah melalui assurance memberikan tingkat keyakinan lebih tinggi kepada pembacanya. Investor pun memiliki dasar yang lebih kuat untuk menilai informasi keberlanjutan perusahaan.

ESG Assurance Bantu Cegah Greenwashing

Salah satu alasan ESG assurance semakin mendapat perhatian adalah risiko greenwashing. Istilah tersebut merujuk pada klaim keberlanjutan yang berlebihan atau tidak didukung bukti memadai.

Greenwashing dapat muncul dalam berbagai bentuk. Salah satunya adalah penggunaan klaim lingkungan tanpa indikator yang dapat diukur.

Perusahaan juga bisa dianggap melakukan greenwashing ketika hanya menampilkan pencapaian positif. Tantangan atau kekurangan yang masih dihadapi tidak dijelaskan secara memadai.

Masalah lain dapat muncul dari data yang berubah-ubah setiap tahun. Metodologi pengukuran yang tidak jelas juga dapat membuat laporan ESG sulit dipercaya.

Jika kondisi tersebut terjadi, kepercayaan investor, regulator, dan masyarakat terhadap perusahaan bisa menurun.

Standar yang Digunakan dalam ESG Assurance

Ada beberapa standar yang umum digunakan untuk melakukan verifikasi ESG. Salah satunya adalah ISAE 3000.

ISAE 3000 merupakan standar internasional yang diterbitkan International Auditing and Assurance Standards Board atau IAASB. Standar tersebut banyak digunakan untuk memberikan assurance terhadap informasi non keuangan, termasuk laporan ESG.

Standar lain yang dapat digunakan adalah AA1000 Assurance Standard atau AA1000AS. Standar ini dikembangkan AccountAbility dan berfokus pada kualitas pengelolaan isu keberlanjutan serta keterlibatan pemangku kepentingan.

Penggunaan standar membantu perusahaan membangun proses pelaporan yang lebih terukur. Perusahaan juga dapat memastikan isu yang dilaporkan relevan dengan kondisi bisnis.

Manfaat ESG Assurance Bagi Perusahaan

ESG assurance dapat meningkatkan kredibilitas dan transparansi laporan ESG. Perusahaan juga dapat membangun kepercayaan investor, regulator, serta pemangku kepentingan.

Proses verifikasi dapat membantu menemukan kelemahan dalam pengumpulan data ESG. Temuan tersebut bisa menjadi dasar untuk memperbaiki sistem pelaporan.

Dari sisi tata kelola, assurance juga membantu perusahaan mempersiapkan diri menghadapi tuntutan pelaporan yang semakin tinggi.

Perusahaan sebaiknya mulai mempertimbangkan ESG assurance ketika sudah rutin menerbitkan sustainability report. Kebutuhan tersebut juga semakin relevan ketika investor mulai memberi perhatian lebih besar terhadap isu ESG.

Assurance yang dilakukan sejak awal dapat membantu membangun sistem pelaporan yang lebih konsisten. Perusahaan tidak perlu menunggu munculnya masalah untuk mulai memeriksa kualitas data ESG.

Bagi perusahaan, laporan ESG kini bukan sekadar dokumen untuk memenuhi kebutuhan pelaporan. Kredibilitas informasi di dalamnya ikut menentukan tingkat kepercayaan pihak yang membaca dan menggunakannya.

ESG assurance dapat menjadi bagian penting dalam membangun laporan keberlanjutan yang lebih transparan dan dapat dipercaya. Verifikasi independen juga memberi perusahaan alat untuk mengurangi risiko greenwashing sebelum klaim keberlanjutan dipertanyakan oleh investor maupun publik.

Artikel ini telah diterbitkan oleh CRMS Indonesia dengan judul “Mengapa ESG Report Perlu Assurance? Mencegah Greenwashing dan Meningkatkan Kepercayaan Investor”. Artikel selengkapnya dapat dibaca di sini.

Regulasi dan kompleksitas kepatuhan layak ditempatkan sebagai perhatian emerging risk bagi GRC bukan karena regulasi merupakan hambatan pembangunan, tetapi karena perubahan konteks dapat membuat risiko hukum dan tuntutan kepatuhan berkembang lebih cepat daripada kemampuan institusi mengenali dan meresponsnya. Karena itu, yang dibutuhkan bukan sekadar regulasi yang semakin banyak, tetapi tata kelola regulasi yang mampu membaca perubahan, mengantisipasi risiko, menjaga kepastian hukum, dan saat yang sama memfasilitasi kepatuhan.

Tantangan global ke depan semakin kompleks seiring dengan perubahan yang sangat cepat di segala bidang atau yang dikenal sebagai megatren global. Perubahan global tersebut merupakan perubahan transformatif berskala besar dan bersifat sangat masif terutama disebabkan oleh kemajuan teknologi digital dan komputasi termasuk kecerdasan buatan (artificial intelligence/AI).     

Meningkatnya sejumlah perubahan yang memperlihatkan karakter emerging risk, antara lain risiko penyalahgunaan AI dan fraud digital, serangan siber dan kebocoran data, regulasi dan kompleksitas kepatuhan, geopolitik dan ketidakpastian global, serta perubahan iklim dan transisi. Risiko-risiko tersebut dapat berinteraksi dengan perkembangan teknologi, ekonomi, sosial, dan kebijakan, sehingga menghasilkan konsekuensi yang sebelumnya belum sepenuhnya dikenali.

Berbagai persoalan aktual tersebut antara lain dibahas dalamRisk & Governance Summit (RGS) 2026 yang mengangkat tema “Future-Ready Governance for Sustainable Growth and National Prosperity” pada Juli 2026 yang lalu. Forum tersebut menjadi strategis dalam konteks memperkuat peran Governance, Risk Management, and Compliance (GRC) untuk mendorong pertumbuhan ekonomi yang berkelanjutan dan inklusif dalam menghadapi megatren global.

Dalam kerangka International Organization for Standardization/Technical Specification 31050:2023 Risk Management — Guidelines for Managing an Emerging Risk to Enhance Resilience (ISO/TS 31050:2023), bahwa emerging risk tidak selalu berarti risiko yang sepenuhnya baru. Emerging risk dapat muncul dari perubahan konteks yang sebelumnya belum dikenali, sumber risiko baru, inovasi dan perkembangan sosial atau teknologi, maupun perubahan karakteristik risiko yang telah dikenal.

Karakter tersebut membuat emerging risk memiliki tingkat ketidakpastian yang tinggi karena pada tahap awal data dan informasi dapat terbatas, sehingga kemungkinan, konsekuensi, maupun pilihan pengendaliannya belum dapat diperkirakan secara memadai. Karena itu, pengelolaannya membutuhkan kemampuan mengenali perubahan konteks secara proaktif dan melakukan pemantauan berkelanjutan.

Pertama, penyalahgunaan AI dan kecurangan digital. Perkembangan AI dapat menghasilkan risiko yang tidak terduga ketika keputusan mesin kurang transparan atau pengawasan manusia tidak memadai, termasuk persoalan tanggung jawab yang kompleks. Kecurangan digital merupakan bentuk risiko yang berkembang seiring perubahan teknologi dan sumber risiko baru.

Kedua, serangan siber dan kebocoran data. Peningkatan konektivitas dan ketergantungan pada proses digital, termasuk melalui Internet of Things, meningkatkan paparan terhadap gangguan sistem, serangan siber, persoalan keamanan data, dan kebutuhan untuk menjaga ketahanan sistem.

Ketiga, regulasi dan kompleksitas kepatuhan. Perkembangan teknologi dapat berinteraksi dengan risiko hukum dan kepatuhan, antara lain ketika standar regulasi belum konsisten. Dalam konteks emerging risk, perubahan konteks hukum juga perlu diperhatikan karena dapat melahirkan tuntutan kepatuhan baru atau mengubah karakter kewajiban yang telah ada.

Keempat, geopolitik dan ketidakpastian global. Perubahan geopolitik dapat menciptakan kondisi eksternal baru yang mengubah asumsi dan profil risiko yang sebelumnya digunakan institusi, serta memicu efek berantai melalui hubungan ekonomi, perdagangan, teknologi, dan kebijakan. Dalam perspektif emerging risk, perubahan tersebut menjadi penting karena dampaknya dapat berinteraksi dengan risiko lain dan berkembang dalam kondisi yang tingkat ketidakpastiannya tinggi.

Kelima, perubahan iklim dan transisi. Perubahan iklim dapat menghasilkan risiko fisik akibat cuaca ekstrem maupun risiko transisi akibat perubahan kebijakan dan harga karbon yang dapat memengaruhi kelayakan ekonomi aset tertentu.

Momentum RGS 2026 relevan untuk memusatkan perhatian pada emerging risk regulasi dan kompleksitas kepatuhan yang saat ini menjadi salah satu perhatian pada fungsi GRC dalam mendukung pencapaian Asta Cita menuju Indonesia Emas 2045. Pilihan tersebut tidak berarti regulasi dipandang sebagai hambatan pembangunan. Justru sebaliknya, regulasi merupakan bagian penting dari tata kelola pembangunan karena memberikan kepastian hukum dan menjadi instrumen untuk mengarahkan perilaku serta pencapaian sasaran pembangunan. Tantangannya adalah memastikan regulasi mampu mengikuti perubahan lingkungan tanpa menghasilkan kompleksitas yang justru menyulitkan kepatuhan dan mengurangi efektivitas pembangunan.

Kompleksitas tersebut perlu dilihat bukan semata dari jumlah peraturan, tetapi juga dari dinamika perubahan, keterkaitan antarketentuan, perbedaan kewajiban pada berbagai sektor, serta kemampuan institusi memahami dan melaksanakan ketentuan yang berlaku. Dalam situasi demikian, perubahan regulasi yang muncul sebagai respons terhadap perkembangan teknologi, ekonomi, sosial, maupun lingkungan dapat menciptakan tuntutan kepatuhan baru. Apabila perubahan tersebut tidak dikenali dan direspons sejak dini, institusi dapat menghadapi kesenjangan antara perubahan kewajiban dan kesiapan pengendalian yang dimilikinya.

Emerging Risk dalam Konteks Regulasi

Di antara berbagai perubahan tersebut, dimensi hukum dan regulasi memiliki posisi penting bagi GRC. ISO/TS 31050:2023 secara eksplisit menempatkan faktor hukum (legal) sebagai salah satu konteks yang perlu diperhatikan dalam mengenali emerging risk. Dengan demikian, bukan regulasi itu sendiri yang merupakan risiko, melainkan perubahan konteks hukum dan regulasi dapat menjadi sumber perubahan risiko yang perlu dikenali dan dikelola.

Dalam perspektif GRC, persoalan muncul ketika perubahan pada lingkungan internal maupun eksternal melahirkan risiko hukum atau tuntutan kepatuhan yang belum sepenuhnya dikenali atau belum tercermin dalam profil risiko yang tersedia. Institusi kemudian tidak hanya dituntut mengetahui adanya perubahan aturan, tetapi juga memahami implikasinya dan menyesuaikan kebijakan, proses, pengendalian, serta mekanisme kepatuhannya.

Di titik inilah emerging risk dapat berkembang menjadi kompleksitas kepatuhan. Persoalannya bukan semata-mata banyaknya regulasi, tetapi kemampuan institusi mengikuti perubahan, memahami keterkaitan antaraturan, menerjemahkan kewajiban ke dalam proses internal, dan memastikan pelaksanaannya secara konsisten.

Persoalan tersebut telah dikenali dalam agenda pembangunan nasional. Peraturan Presiden Nomor 12 Tahun 2025 tentang Rencana Pembangunan Jangka Menengah Nasional Tahun 2025-2029 (Perpres RPJMN 2025-2029) menyatakan bahwa meningkatnya kompleksitas masyarakat meningkatkan tuntutan untuk mengatur, sementara terlalu banyak regulasi dapat menimbulkan hiperregulasi dan disharmoni regulasi yang berujung pada hambatan pembangunan, inefisiensi administrasi, dan ketidakpastian hukum. Karena itu, arah kebijakan nasional mendorong tata kelola regulasi yang menghasilkan regulasi tepat sasaran, agile, memfasilitasi kepatuhan, dan taat asas. Tantangannya bukan mengurangi peran regulasi dalam pembangunan, melainkan memastikan regulasi dapat mengikuti perubahan tanpa menghasilkan kompleksitas yang justru mengurangi efektivitas kepatuhan.

Indonesia sebenarnya tidak memulai dari titik nol dan telah memiliki fondasi awal untuk menghadapi risiko yang baru dan belum terantisipasi dalam pembangunan nasional. Peraturan Presiden Nomor 39 Tahun 2023 tentang Manajemen Risiko Pembangunan Nasional memberikan mandat dalam penyusunan profil risiko pembangunan nasional yang bersifat strategis, baru, dan tidak terantisipasi sebelumnya, yang dipandang perlu untuk dilakukan eskalasi kepada Presiden. Mandat tersebut kemudian dipertegas dalam Peraturan Menteri Perencanaan Pembangunan Nasional/Kepala Badan Perencanaan Pembangunan Nasional Nomor 11 Tahun 2024 tentang Penerapan Kebijakan Manajemen Risiko Pembangunan Nasional Lintas Sektor (Permen PPN 11/2024), yang mendefinisikan risiko strategis, baru, dan tidak terantisipasi sebelumnya, sebagai risiko yang berdampak pada strategi pencapaian sasaran Pembangunan Nasional, bukan risiko yang telah terjadi dan belum masuk ke dalam profil risiko yang telah ditetapkan.

Kerangka kebijakan Manajemen Risiko Pembangunan Nasional (MRPN) lintas sektor tersebut memiliki relevansi kuat dengan kebutuhan pengelolaan emerging risk regulasi dan kompleksitas kepatuhan karena menempatkan perubahan dan risiko yang belum tercermin dalam profil risiko sebagai sesuatu yang perlu dikenali, dianalisis, dan direspons sebelum berkembang menjadi gangguan terhadap sasaran pembangunan.

Memperkuat Tata Kelola Regulasi yang Antisipatif

Pertanyaannya kemudian bagaimana fondasi tersebut digunakan untuk mengelola perubahan regulasi dan kompleksitas kepatuhan secara lebih antisipatif. Permen PPN 11/2024 dan Petunjuk Pelaksanaan Nomor 2/JUKLAK/SESMEN/12/2025 tentang Pelaksanaan atas Permen PPN 11/2024 telah mengatur pemantauan berkelanjutan terhadap perubahan kondisi lingkungan internal dan eksternal yang dapat memengaruhi profil risiko atau menimbulkan risiko baru. Apabila ditemukan potensi risiko strategis, baru, dan tidak terantisipasi sebelumnya, terdapat mekanisme mulai dari identifikasi, analisis, evaluasi, perubahan profil risiko, hingga eskalasi sesuai ketentuan kebijakan MRPN lintas sektor.

Pendekatan tersebut sejalan dengan ISO/TS 31050:2023 yang menekankan pemindaian berkelanjutan terhadap berbagai konteks (continual scanning of multiple contexts) untuk mengenali perubahan kecil, pola, dan tanda awal yang dapat menunjukkan potensi emerging risk.

Dalam konteks regulasi, pendekatan ini dapat dikembangkan menjadi pemindaian risiko regulasi (regulatory risk scanning) yaitu pemantauan sistematis terhadap perubahan peraturan dan konteks hukum yang berpotensi memengaruhi sasaran pembangunan, profil risiko, maupun kewajiban kepatuhan.

Namun pemindaian saja tidak cukup. Informasi yang diperoleh perlu diolah menjadi kecerdasan risiko (risk intelligence) melalui pengumpulan, analisis, dan interpretasi data, informasi, serta pengetahuan untuk mendukung pengambilan keputusan. Dalam konteks regulasi, perubahan aturan tidak cukup berhenti sebagai informasi administratif, namun perlu diterjemahkan menjadi pemahaman mengenai risiko yang berubah, pihak yang terdampak, kewajiban yang muncul, pengendalian yang harus disesuaikan, dan respons kebijakan yang diperlukan.

Pendekatan tersebut memungkinkan fungsi GRC bergerak dari kepatuhan yang bersifat reaktif menuju kepatuhan yang lebih antisipatif. Pengelolaan risiko regulasi juga tidak perlu dibangun sebagai sistem yang berdiri sendiri, tetapi dapat dihubungkan dengan mekanisme MRPN yang telah memiliki mekanisme pemantauan berkelanjutan, identifikasi risiko baru, pembaruan profil risiko, hingga mekanisme eskalasi.

Tentu terdapat tantangan. Emerging risk memiliki karakter ketidakpastian, keterbatasan data dan informasi, serta kemungkinan perubahan pemahaman seiring bertambahnya pengetahuan. Karena itu, pengelolaannya membutuhkan kemampuan untuk mendeteksi perubahan sejak dini, mengumpulkan dan memvalidasi informasi, membangun kolaborasi, serta menyesuaikan respons secara berkelanjutan seiring berkembangnya pemahaman terhadap risiko.

Pada akhirnya, regulasi dan kompleksitas kepatuhan layak ditempatkan sebagai perhatian emerging risk bagi GRC bukan karena regulasi merupakan hambatan pembangunan, tetapi karena perubahan konteks dapat membuat risiko hukum dan tuntutan kepatuhan berkembang lebih cepat daripada kemampuan institusi untuk mengenali dan meresponsnya.

Karena itu, menuju Indonesia Emas 2045, yang dibutuhkan bukan sekadar regulasi yang semakin banyak, tetapi tata kelola regulasi (regulatory governance) yang mampu membaca perubahan, mengantisipasi risiko, menjaga kepastian hukum, dan pada saat yang sama memfasilitasi kepatuhan. Arah tersebut konsisten dengan semangat Perpres RPJMN 2025-2029 yang mendorong regulasi tepat sasaran, agile, memfasilitasi kepatuhan, dan taat asas.

*) Adv. Mardiyanto, S.H., M.H., GRCO., CRPP., CLA. dan Hendra Wahanu Prabandani, S.H., M.H., LL.M., keduanya adalah pengajar di STIH IBLAM Jakarta

Artikel ini juga diterbitkan dan dipublikasi pada https://www.hukumonline.com/berita/a/mengelola-emerging-risk-regulasi-dan-kompleksitas-kepatuhan-lt6a9a29e71c032/?page=4

Budaya risiko semakin penting bagi institusi keuangan di tengah ketidakpastian geopolitik, ekonomi, iklim, dan siber. Aturan dan struktur tata kelola saja belum cukup untuk memastikan setiap keputusan bisnis mempertimbangkan risiko.

Budaya risiko terlihat dari norma, sikap, dan perilaku karyawan dalam mengenali serta mengelola risiko. Budaya tersebut dapat diukur dan diperbaiki sesuai kebutuhan organisasi.

Delapan Dimensi Budaya Risiko

Basel Committee mendefinisikan budaya risiko sebagai norma, sikap, dan perilaku bank terkait kesadaran, pengambilan, serta pengelolaan risiko.

KPMG mengidentifikasi delapan dimensi budaya risiko berdasarkan penelitian terhadap 150 kasus pelanggaran organisasi. 

1. Kejelasan dan Komunikasi: Risiko harus dipahami dan dikomunikasikan dengan jelas.
2. Keteladanan Pimpinan: Pimpinan harus menjadi contoh dalam mengambil keputusan berbasis risiko.
3. Dukungan Karyawan: Karyawan mendapat dukungan untuk menjalankan tanggung jawabnya.
4. Lingkungan yang Mendukung: Organisasi menciptakan lingkungan yang mendorong perilaku sadar risiko.
5. Transparansi: Informasi terkait risiko disampaikan secara terbuka.
6. Keterbukaan Membahas Dilema: Karyawan didorong membahas masalah dan dilema risiko.
7. Keberanian Melapor: Karyawan merasa aman untuk menyampaikan masalah atau pelanggaran.
8. Insentif dan Penegakan: Sistem penghargaan dan sanksi mendukung perilaku yang sesuai dengan budaya risiko.

AI Membutuhkan Penilaian Manusia

Penggunaan otomasi dan generative AI membuat budaya risiko semakin penting. Karyawan tetap perlu mampu mempertanyakan hasil mesin ketika menemukan anomali atau keputusan yang tidak masuk akal.

Ketergantungan berlebihan pada sistem otomatis dapat menciptakan risiko baru. Karena itu, manusia tetap dibutuhkan untuk mengawasi hasil teknologi dan mengambil keputusan ketika diperlukan.

Lima Langkah Membangun Budaya Risiko

KPMG menawarkan lima langkah untuk membangun budaya risiko:

1. Define – Menentukan budaya risiko yang ingin dibangun.
2. Assess – Mengukur kondisi saat ini melalui survei, observasi, wawancara, dan analitik.
3. Improve – Menentukan area yang perlu diperbaiki dan menyusun langkah perubahan.
4. Implement – Menjalankan perubahan melalui insentif, rekrutmen, dan keteladanan pimpinan.
5. Monitor – Memantau perkembangan menggunakan indikator kinerja.

KPMG juga membagi kematangan budaya risiko menjadi empat tingkat:

1. Absent: Budaya risiko belum terbentuk.
2. Fragmented: Budaya risiko masih berjalan secara terpisah.
3. Integrated: Budaya risiko sudah terintegrasi dalam organisasi.
4. Advanced: Budaya risiko sudah melekat dalam pengambilan keputusan sehari-hari.

Bagi institusi keuangan, budaya risiko kini semakin melekat dalam strategi bisnis. Budaya yang kuat membantu perusahaan menghadapi perubahan, mengambil keputusan lebih tepat, dan memenuhi tuntutan regulator.

Artikel ini telah diterbitkan oleh KPMG, dengan judul Risk Culture in the Financial Service Industry. Artikel selengkapnya dapat dibaca di sini.

Manajemen keberlangsungan bisnis semakin penting bagi perusahaan yang ingin tetap beroperasi saat cuaca ekstrem makin sering terjadi. Menurut laporan Marsh, sekitar 75% perusahaan pernah mengalami gangguan operasional, aset, atau tenaga kerja akibat banjir, gelombang panas, kekeringan, dan cuaca ekstrem lainnya.

Gangguan tersebut juga berdampak pada rantai pasok, pelanggan, hingga infrastruktur penting. Namun, banyak perusahaan masih belum memiliki rencana yang benar-benar siap menghadapi risiko iklim.

Manajemen Keberlangsungan Bisnis

Manajemen keberlangsungan bisnis merupakan proses yang membantu perusahaan tetap beroperasi atau pulih lebih cepat saat terjadi krisis.

Marsh menilai banyak rencana yang ada belum memperhitungkan perubahan iklim. Selain itu, analisis risiko iklim sering dibuat oleh satu tim, sementara penyusunan rencana pemulihan dikerjakan tim lain. Akibatnya, informasi penting tidak tersampaikan dengan baik.

Tiga Langkah Meningkatkan Ketahanan

1. Memetakan Risiko Iklim

Data mengenai banjir, gelombang panas, kekeringan, atau kebakaran hutan perlu diterjemahkan menjadi dampak nyata terhadap operasional perusahaan.

Misalnya, curah hujan tinggi bukan sekadar angka dalam laporan cuaca. Hujan lebat bisa membuat armada logistik tidak dapat beroperasi, pemasok menghentikan pengiriman, atau fasilitas produksi terpaksa tutup selama beberapa minggu.

Selain itu, perusahaan juga perlu memperhitungkan kondisi di luar lingkungan bisnisnya sendiri. Gangguan terhadap pemasok, jaringan listrik, transportasi, maupun pelanggan dapat memengaruhi proses bisnis meski aset perusahaan tidak mengalami kerusakan langsung.

2. Menguji Skenario Krisis

Banyak perusahaan memang rutin mengadakan simulasi bencana. Namun, simulasi tersebut sering kali terlalu ringan karena hanya mengikuti kapasitas penanganan yang sudah dimiliki perusahaan.

Padahal kondisi sebenarnya bisa jauh lebih rumit. Sebagai contoh, banjir dapat terjadi bersamaan dengan lumpuhnya gudang perusahaan logistik utama dan penutupan akses jalan selama beberapa hari. Situasi seperti ini perlu dimasukkan dalam latihan agar perusahaan mengetahui titik lemah rencana pemulihannya.

3. Meninjau dan Menyelaraskan Rencana 

Perusahaan juga perlu meninjau dan menyelaraskan rencana keberlangsungan bisnis di seluruh unit kerja. Banyak organisasi masih membuat rencana pemulihan secara terpisah. Padahal bencana akibat perubahan iklim dapat menyerang beberapa lokasi sekaligus.

Berbeda dengan kebakaran pabrik atau serangan siber yang biasanya hanya berdampak pada satu lokasi atau sistem tertentu, cuaca ekstrem dapat meluas ke satu wilayah. Kondisi ini membuat banyak perusahaan berebut sumber daya pemulihan pada waktu yang sama.

Misalnya, kontraktor darurat, jalur distribusi alternatif, hingga lokasi cadangan bisa digunakan oleh banyak perusahaan secara bersamaan. Akibatnya, solusi yang sebelumnya dianggap tersedia ternyata tidak dapat dimanfaatkan ketika krisis benar-benar terjadi.

Karena itu, perusahaan perlu melakukan pengujian menggunakan berbagai skenario dengan tingkat keparahan yang berbeda. Pendekatan ini membantu perusahaan menemukan kelemahan yang selama ini tidak terlihat.

Manajemen keberlangsungan bisnis bukan pengganti strategi adaptasi iklim. Perusahaan tetap perlu memperkuat aset, memperbaiki operasional, dan mengelola risiko melalui asuransi. Namun, ketika gangguan tidak dapat dihindari, manajemen keberlangsungan bisnis menjadi pegangan agar operasional tetap berjalan dan proses pemulihan berlangsung lebih cepat. 

Artikel ini telah diterbitkan oleh Marsh dengan judul Map, Model, Manage: How Business Continuity Plans Can Drive Climate Resilience. Artikel selengkapnya dapat dibaca di sini.

Risiko operasional data center kini semakin dipengaruhi ketersediaan listrik, air, dan tenaga kerja terampil. Ketiga faktor tersebut mulai menentukan lokasi, pembangunan, hingga kemampuan data center menjaga operasional.

Permintaan data center terus meningkat karena pertumbuhan kecerdasan buatan (AI), cloud, dan infrastruktur digital. Investasi infrastruktur digital bahkan berpotensi mencapai US$10 triliun pada 2030.

Namun, ekspansi data center menghadapi sejumlah kendala. Pengembang harus memperhitungkan pasokan listrik, akses air, sistem pendingin, tenaga kerja, rantai pasok, dan keamanan siber sejak tahap awal.

Listrik Jadi Faktor Utama Data Center

Ketersediaan listrik kini menjadi salah satu hambatan terbesar pembangunan data center. Kebutuhan listrik data center global akan tumbuh 165% hingga 2030.

Di Amerika Serikat, data center diproyeksikan menggunakan sekitar 11% kebutuhan listrik pada 2030. Kondisi ini membuat akses listrik ikut menentukan lokasi dan kecepatan pembangunan fasilitas.

Sejumlah operator mulai menggunakan pembangkit di lokasi, baterai, dan sistem listrik hibrida. Namun, sistem tersebut juga menambah risiko baru, seperti gangguan baterai, sistem kontrol, dan pendinginan.

Kebutuhan Air Terus Meningkat

Air juga menjadi persoalan penting karena data center membutuhkan sistem pendingin. Penggunaan air data center secara global diperkirakan mencapai 560 miliar liter per tahun.

Angka tersebut berpotensi meningkat menjadi 1,2 triliun liter pada 2030. Fasilitas data center berukuran besar bahkan dapat menggunakan hingga 5 juta galon air per hari.

Karena itu, operator perlu mempertimbangkan ketersediaan air sejak memilih lokasi. Penggunaan kembali air dan pengurangan konsumsi juga semakin penting.

Kekurangan SDM Bisa Ganggu Operasional

Ketersediaan tenaga kerja terampil menjadi tantangan lain. Sebanyak 58% operator data center kesulitan menarik dan mempertahankan tenaga kerja berkualifikasi.

Kekurangan tenaga ahli dapat meningkatkan risiko kesalahan dan memperpanjang waktu pemulihan saat terjadi gangguan. Masalah ini juga dapat memengaruhi pembangunan karena data center bergantung pada kontraktor, pemasok, dan penyedia layanan lainnya.

Keamanan Siber Ikut Menjadi Risiko

Sistem listrik, baterai, pendinginan, dan perangkat kontrol data center semakin terhubung secara digital. Kondisi tersebut membuat keamanan siber menjadi bagian dari risiko operasional.

Serangan siber dapat mengganggu sistem penting dan memengaruhi kemampuan fasilitas mempertahankan operasional. Ketergantungan pada kontraktor dan penyedia layanan pihak ketiga juga menambah potensi risiko.

Listrik, air, dan tenaga kerja perlu direncanakan secara terpadu. Ketiganya saling berkaitan dan dapat memengaruhi kemampuan data center beroperasi secara stabil.

Pertumbuhan industri data center masih memiliki prospek besar. Namun, kemampuan membangun fasilitas saja tidak cukup. Operator perlu memastikan ketersediaan sumber daya, tenaga ahli, dan sistem keamanan. 

Artikel ini telah diterbitkan oleh Aon dengan judul People, Power and Water are Defining Digital Infrastructure Operational Risks. Artikel selengkapnya dapat dibaca di sini.

Mengapa Faktor Manusia, Bukan Teknologi, yang Menentukan?

Pada Januari 2026, CEO sebuah perusahaan asuransi Fortune 500 mengumpulkan para eksekutif seniornya. Pertanyaannya terdengar sederhana siapa yang seharusnya memimpin inisiatif AI perusahaan? Ternyata jawabannya tidak sederhana. Enam orang di ruangan itu melihat AI dari enam sudut yang berbeda. CIO merasa sistem AI berbasis agen (agentic AI) berada di wilayah teknologi. COO melihatnya sebagai bagian dari operasi dan tenaga kerja masa depan. CFO fokus pada dampaknya terhadap underwriting dan laba-rugi. Chief Risk Officer melihat eksposur risikonya. CHRO mempertanyakan bagaimana agen AI harus diperlakukan ketika mulai mengambil peran yang sebelumnya dijalankan manusia. Sementara Chief Data Officer mengingatkan bahwa semuanya tetap bergantung pada akses, izin, kualitas, dan tata kelola data.

Adegan itulah yang membuka tulisan Toby E. Stuart dari Haas School of Business, University of California Berkeley, di Harvard Business Review pada 12 Maret 2026. Bagi saya, gambaran ini terasa sangat dekat dengan realitas ruang Direksi hari ini. Nama jabatan boleh berbeda, struktur organisasi boleh tidak sama, tetapi pertanyaannya serupa: ketika AI mulai masuk ke banyak fungsi sekaligus, siapa sebenarnya yang bertanggung jawab?

Di titik ini Stuart menggunakan kerangka Andrew Abbott dalam buku klasik The System of Professions (1988). Abbott menjelaskan bahwa ketika sebuah disrupsi besar mengubah cara organisasi bekerja, batas kewenangan atau jurisdiction antarprofesi yang sebelumnya relatif mapan akan kembali diperdebatkan. AI melakukan persis itu. Ia tidak berhenti di ruang TI. Ia masuk ke operasi, keuangan, risiko, SDM, data, kepatuhan, bahkan strategi. Karena itu, perdebatan mengenai siapa yang “memiliki” AI bukan sekadar politik kantor. Ini adalah tanda bahwa organisasi perlu menata ulang decision rights, akuntabilitas, dan jalur eskalasinya.

Gambaran tersebut mendapat konteks yang lebih luas dari 2026 AI & Data Leadership Executive Benchmark Survey yang disusun Randy Bean. Survei ini melibatkan eksekutif senior data dan AI dari hampir 110 perusahaan terkemuka. Sekitar 96% responden merupakan C-executive atau ekuivalennya; sekitar 90% memegang peran CDO, CDAO, CAIO, atau Enterprise/Global Head of Data & AI; dan 88,2% berbasis di Amerika Utara. Sebanyak 99,1% responden menempatkan investasi data dan AI sebagai prioritas utama organisasi, sementara 32,7% bahkan menyebutnya sebagai prioritas tertinggi. Angkanya kuat, tetapi tetap perlu dibaca dalam konteks: ini bukan sampel acak seluruh eksekutif lintas fungsi dan juga bukan representasi seluruh wilayah dunia.

Angka yang paling menarik justru muncul pada sisi manusianya. Sebanyak 93,2% responden menyebut budaya dan change management sebagai hambatan utama adopsi data dan AI. Hanya 6,8% yang menempatkan teknologi sebagai hambatan utama. Tentu angka ini tidak berarti setiap kegagalan AI otomatis disebabkan oleh kepemimpinan. Namun pesannya cukup jelas: dalam organisasi yang disurvei, tantangan terbesar justru lebih banyak muncul pada manusia, budaya kerja, proses perubahan, pendidikan, dan kesiapan organisasi. Temuan ini juga perlu dibaca secara kritis karena responden didominasi pemimpin data dan AI. Bisa saja ada bias persepsi ketika sebuah fungsi menilai hambatan yang sebagian berada di luar kendalinya. Meski demikian, satu hal tidak berubah: faktor manusia yang dimaksud juga mencakup kualitas kepemimpinan data dan AI itu sendiri.

Hal lain yang patut dicermati adalah munculnya Chief AI Officer (CAIO). Survei mencatat 38,5% perusahaan dalam sampel sudah menunjuk CAIO atau peran setara, naik dari 33,1% pada tahun sebelumnya. Persoalannya, belum ada satu pola reporting line yang dominan. Sekitar 30,4% melapor kepada Chief Data Officer atau Chief Data & Analytics Officer, 33,9% kepada pimpinan teknologi, 26,8% kepada pimpinan bisnis, dan 8,9% kepada fungsi transformasi. Laporan tersebut menilai ketidakjelasan letak tanggung jawab AI mungkin ikut menjelaskan mengapa investasi AI belum selalu dipersepsikan menghasilkan nilai bisnis yang memadai. Jadi, persoalannya bukan sekadar perlu atau tidak perlu menunjuk CAIO. Yang jauh lebih penting adalah: apa mandatnya, keputusan apa yang boleh ia ambil, kepada siapa ia bertanggung jawab, dan bagaimana ia bekerja dengan fungsi lain.

Konteks dan Realitas di Indonesia

Lalu bagaimana jika persoalan ini dibawa ke Indonesia? Pada pertengahan 2026, tantangannya bukan hanya soal siapa yang “memiliki” AI seperti yang dibahas HBR. Ada sedikitnya tiga dinamika yang menurut saya perlu masuk ke agenda Direksi dan Dewan Komisaris/Dewan Pengawas antara lain :

• Kerangka hukum yang masih berlapis dan terus berproses menuju keterpaduan. Saat ini Indonesia memang belum memiliki undang-undang terkait tentang AI. Per Juli 2026, Kementerian Komunikasi dan Digital menyatakan dua rancangan Peraturan Presiden yaitu Peta Jalan AI Nasional dan Etika AI telah selesai disusun, telah melalui pembahasan lintas kementerian/lembaga, dan tinggal menunggu penetapan Presiden. Wakil Menteri Komunikasi dan Digital menyebutnya sebagai langkah awal atau “test case” sebelum lahirnya Undang-Undang AI yang lebih komprehensif. Namun bukan berarti perusahaan tidak dapat acuan ataupun referensi. Sudah ada Surat Edaran Menteri Kominfo No. 9 Tahun 2023 tentang Etika Kecerdasan Artifisial, UU No. 27 Tahun 2022 tentang Pelindungan Data Pribadi, serta berbagai ketentuan sektoral. Di sektor perbankan, misalnya, OJK sejak 29 April 2025 telah meluncurkan Tata Kelola Kecerdasan Artifisial Perbankan Indonesia sebagai panduan agar AI dikembangkan dan digunakan secara bertanggung jawab.

• Kesenjangan keterampilan yang riil. Kekhawatiran pegawai terhadap dampak AI tidak akan selesai hanya dengan sosialisasi atau pesan bahwa “AI tidak akan menggantikan manusia”. Organisasi perlu menunjukkan investasi yang nyata pada literasi, kompetensi, reskilling, dan kemampuan mengambil keputusan di era AI. Indonesia sudah memiliki SKKNI bidang Artificial Intelligence subbidang Knowledge Based System melalui Kepmenaker No. 103 Tahun 2026 yang ditetapkan pada 6 April 2026. Standar ini dapat menjadi salah satu rujukan untuk pendidikan, pelatihan, pengembangan kompetensi, dan penyusunan skema sertifikasi sesuai kebutuhan organisasi. Namun perlu ditegaskan bahwa Kepmenaker tersebut tidak otomatis menetapkan satu skema sertifikasi khusus untuk Organ Perusahaan namun  tetap harus  dipetakan, kompetensi sesuai jabatan, tingkat kewenangan, dan tanggung jawab masing-masing.
• Ketergantungan pada dua Kutub Teknologi. Banyak organisasi kini menggunakan hyperscaler, foundation model, model bahasa besar (LLM – Large Language Model), dan platform AI global. Praktis memang, tetapi konsekuensi tata kelolanya ikut bertambah. Ada third-party risk, keamanan dan privasi data, cross-border data flows, data residency, vendor concentration, hak kekayaan intelektual, portability, exit strategy, hingga kedaulatan informasi internal. Risiko seperti ini tidak cukup ditutup dengan klausul kontrak standar. Perusahaan perlu memastikan due diligence, kontrol, monitoring, hak audit, dan strategi keluar yang sepadan dengan tingkat risikonya.

Bagi Direksi maupun Dewan Komisaris/Dewan Pengawas, belum lengkapnya payung hukum AI bukan alasan untuk menunggu. Teknologi sudah dipakai hari ini, keputusan sudah dibuat hari ini, dan risikonya juga sudah hadir hari ini. Justru ketika regulasi masih berkembang, organisasi perlu memastikan penggunaan AI tidak tumbuh lebih cepat daripada akuntabilitasnya.

Bukan Daftar Keinginan, tetapi Prioritas 

Kita sering mendengar rekomendasi seperti “susun kebijakan AI” atau “tunjuk AI champion”. Tidak salah, tetapi itu baru daftar keinginan jika tidak disertai Prioritas, pemilik akuntabilitas, decision rights, dan ukuran keberhasilan. Bagi organisasi yang sudah mulai menggunakan AI, saya melihat empat prioritas yang lebih praktis yaitu lakukan dulu perlakuan risiko dari eksposur risiko yang sudah berjalan, lalu secara bersamaan membangun  struktur tata kelolanya secara bertahap.

1. Kunci fondasi kepatuhan dan tata kelola data (Data Governance).
2. Tetapkan siapa yang benar-benar bertanggung jawab atas AI, lengkap dengan mandat, decision rights, dan garis pelaporan yang jelas.
3. Jadikan upskilling serta peningkatan kompetensi, kapasitas, dan kapabilitas sebagai program yang terukur – bukan sekadar pelatihan satu kali.
4. Perketat uji tuntas vendor, terutama untuk data, keamanan, model risiko, hak kekayaan intelektual, dan exit strategy.

Kendali Ada di Tangan Kepemimpinan

Gelombang AI tidak akan menunggu Perpres selesai. Ia juga tidak akan menunggu Direksi Dewan Komisaris/Dewan Pengawas selesai berargumentasi tentang siapa yang harus memegang kendali. Pelajaran penting dari HBR, survei kepemimpinan data dan AI, serta kerangka Abbott bukan menafikan bahwa teknologi menjadi kurang penting. Justru sebaliknya  teknologi yang semakin kuat membutuhkan batas kewenangan dan akuntabilitas yang semakin jelas. Ketika implementasi AI tersendat, persoalannya sering bukan semata-mata model atau algoritma. Bisa jadi datanya belum siap, prosesnya belum berubah, tanggung jawabnya kabur, atau kepemimpinannya belum mampu membawa organisasi bergerak bersama.

Karena itu, bagi Direksi dan Dewan Komisaris/Dewan Pengawas di Indonesia, menunggu “sampai aturan pemerintah rampung” tidak selalu identik dengan kehati-hatian. Menunggu pun adalah sebuah keputusan, dan keputusan pasif tetap membawa risiko. Tata kelola AI bukan lagi tambahan administratif di belakang proyek teknologi. Ia adalah cara organisasi memastikan bahwa inovasi tetap berada dalam koridor akuntabilitas, sekaligus tetap menghasilkan nilai. Pilihannya bukan bergerak tanpa kontrol atau menunggu semua menjadi sempurna. Pilihannya adalah mulai membangun Governansi AI yang proporsional hari ini, lalu memperbaikinya terus ketika regulasi, teknologi, dan profil risiko berubah.

Referensi dan Sumber Verifikasi

Catatan: sumber daring dan status regulasi pada artikel ini diverifikasi per 10 Agustus 2026.

1. Stuart, Toby E. (2026, 12 Maret). “Who in the C-Suite Should Own AI?” Harvard Business Review. Sumber daring
2. Bean, Randy. (2026). 2026 AI & Data Leadership Executive Benchmark Survey. Data & AI Leadership Exchange / Randy Bean Data. Sumber daring
3. Abbott, Andrew. (1988). The System of Professions: An Essay on the Division of Expert Labor. University of Chicago Press.
4. Kementerian Komunikasi dan Digital. (2026, 28 Juli). “Kemkomdigi Jadikan Perpres AI sebagai Langkah Awal Menuju Undang-Undang AI.” Sumber daring
5. Otoritas Jasa Keuangan. (2025, 29 April). “OJK Dorong Penggunaan Kecerdasan Artifisial di Sektor Perbankan Secara Bertanggung Jawab – Peluncuran Tata Kelola Kecerdasan Artifisial Perbankan Indonesia.” Sumber daring
6. Kementerian Ketenagakerjaan RI. (2026). Keputusan Menteri Ketenagakerjaan Nomor 103 Tahun 2026 tentang Penetapan SKKNI Bidang Keahlian Artificial Intelligence Subbidang Knowledge Based System. Sumber daring
7. Kementerian Komunikasi dan Informatika RI. (2023). Surat Edaran Menteri Kominfo Nomor 9 Tahun 2023 tentang Etika Kecerdasan Artifisial. Sumber daring
8. Republik Indonesia. (2022). Undang-Undang Nomor 27 Tahun 2022 tentang Pelindungan Data Pribadi. Sumber daring

Risiko AI kini tidak lagi dipandang sebagai persoalan yang berdiri sendiri. Penggunaan kecerdasan buatan justru membuat berbagai ancaman lain berkembang lebih cepat, lebih sulit dideteksi, dan semakin rumit dikendalikan. Kondisi ini membuat perusahaan perlu mengubah cara mengelola risiko agar mampu menghadapi ancaman baru yang muncul dari penggunaan AI.

Pandangan tersebut disampaikan Astrid Yee-Sobraques dalam artikel yang diterbitkan Global Association of Risk Professionals (GARP). Menurutnya, AI bukan sekadar teknologi baru atau kategori risiko tambahan. AI telah menjadi “lapisan” yang terhubung dengan hampir seluruh aktivitas digital sehingga dapat memperbesar dampak berbagai jenis risiko yang sudah ada.

Risiko AI Tidak Bisa Dipisahkan dari Risiko Lain

Selama ini, banyak perusahaan mengelompokkan risiko berdasarkan jenisnya, seperti risiko siber, gangguan rantai pasok, atau kegagalan infrastruktur. Pendekatan tersebut dinilai kurang memadai ketika menghadapi risiko AI.

AI dapat mempercepat serangan siber, membantu pelaku kejahatan menyamarkan transaksi keuangan, hingga meningkatkan kualitas penipuan digital. Artinya, AI tidak bekerja sebagai ancaman yang berdiri sendiri, melainkan memperbesar dampak berbagai risiko lain secara bersamaan.

Terdapat lima kasus yang terjadi dalam beberapa tahun terakhir. Masing-masing memiliki pola serangan yang berbeda sehingga sulit dicegah menggunakan satu pendekatan yang sama.

Salah satu contohnya terjadi di Hong Kong pada 2024. Seorang karyawan mentransfer dana sebesar 25 juta dolar AS setelah mengikuti panggilan video dengan sosok direktur keuangan palsu yang dibuat menggunakan teknologi sintetis atau deepfake.

Kasus lain terjadi pada peretasan Bybit pada 2025. Penyerang tidak langsung membobol jaringan, melainkan memanfaatkan celah pada perangkat lunak pihak ketiga. Akibatnya, tampilan yang dilihat oleh pihak yang memberikan persetujuan transaksi telah dimanipulasi.

Ada pula kasus jaringan propaganda Pravda yang membanjiri internet dengan jutaan artikel untuk memengaruhi data pelatihan model AI. Penelitian bersama Anthropic, AI Security Institute Inggris, dan Alan Turing Institute menunjukkan bahwa ratusan dokumen berbahaya saja sudah cukup memengaruhi keluaran model AI berskala besar.

Microsoft Copilot juga pernah mengalami celah keamanan bernama EchoLeak. Penyerang cukup mengirim email berisi instruksi tersembunyi. AI kemudian membaca instruksi tersebut dan mengirimkan data sensitif tanpa campur tangan pengguna.

Sementara itu, Anthropic mengungkap kelompok yang didukung pemerintah China memanfaatkan Claude Code untuk membantu operasi spionase siber terhadap puluhan target global. AI digunakan untuk melakukan pengintaian, mengembangkan eksploitasi, mencuri kredensial, hingga mengambil data secara otomatis.

Kelima kasus tersebut berasal dari sektor dan metode yang berbeda. Namun semuanya memperlihatkan satu pola yang sama, yaitu risiko AI dapat muncul dari berbagai arah yang sebelumnya sulit diprediksi.

Tantangan terbesar bukan hanya banyaknya titik serangan, tetapi juga kecepatan AI. Dalam beberapa kasus, serangan selesai dilakukan hanya dalam hitungan menit sebelum sistem keamanan sempat memberikan peringatan. Pada kasus lain, manipulasi bahkan berlangsung selama bertahun-tahun tanpa diketahui karena terjadi pada data pelatihan AI.

Kondisi ini membuat proses pengawasan yang selama ini mengandalkan analisis manusia menjadi semakin tertinggal. Bahkan sistem AI yang bertugas mengawasi AI lain juga berpotensi menjadi sasaran serangan.

Karena itu, perusahaan perlu mengubah cara berpikir dalam mengelola risiko. Fokusnya bukan lagi sekadar memprediksi ancaman berikutnya, tetapi memastikan organisasi mampu mendeteksi dan membatasi dampak serangan secepat mungkin.

Astrid Yee-Sobraques menyarankan organisasi lebih berhati-hati sebelum mengintegrasikan AI ke dalam proses bisnis. Setiap penggunaan AI perlu dipetakan berdasarkan sistem yang dapat diakses dan keputusan yang dapat dipengaruhi.

Perusahaan juga disarankan menguji hubungan antara AI dengan sistem internal sebelum digunakan secara luas. Pengujian ini bertujuan mencari celah yang memungkinkan pencurian data, manipulasi informasi, atau eksekusi perintah yang tidak semestinya.

Selain itu, perusahaan perlu menjadikan kecepatan penanganan insiden sebagai ukuran utama. Semakin cepat risiko dapat dibatasi setelah terdeteksi, semakin kecil dampak yang harus ditanggung organisasi.

Artikel ini telah diterbitkan oleh GARP dengan judul The Infinite Surface: AI as Risk Amplifier. Artikel selengkapnya dapat dibaca di sini.

AI rantai pasok manufaktur mulai menjadi fokus banyak perusahaan untuk menghubungkan data pelanggan dan operasional yang selama ini berjalan terpisah. Dengan memanfaatkan kecerdasan buatan (AI), produsen dapat mengambil keputusan lebih cepat, menekan biaya, sekaligus meningkatkan kepuasan pelanggan.

Laporan terbaru Grant Thornton menilai banyak perusahaan manufaktur sebenarnya sudah memiliki data yang sangat berharga. Namun, data tersebut masih tersebar di berbagai sistem sehingga sulit dimanfaatkan secara maksimal. AI dinilai mampu menjadi penghubung yang menyatukan informasi dari berbagai bagian perusahaan.

AI Rantai Pasok Manufaktur Masih Menyimpan Peluang Besar

Selama ini, perusahaan biasanya memiliki sistem Supply Chain Management (SCM) untuk mengelola rantai pasok dan Customer Relationship Management (CRM) untuk mengelola hubungan dengan pelanggan.

Masalahnya, kedua sistem tersebut sering kali berjalan sendiri-sendiri. Tim yang mengelolanya pun berbeda sehingga informasi pelanggan dan kondisi rantai pasok tidak saling terhubung. Akibatnya, perusahaan sulit mengambil keputusan yang mempertimbangkan kebutuhan pelanggan sekaligus efisiensi operasional.

Kondisi ini membuat banyak produsen harus menghadapi tekanan margin keuntungan, biaya produksi yang berubah-ubah, dan data yang terpisah di banyak sistem.

Dengan bantuan AI, perusahaan dapat menganalisis ribuan produk sekaligus, menemukan penyebab turunnya keuntungan, hingga memberikan rekomendasi harga atau strategi pembelian bahan baku secara lebih cepat.

Data Pelanggan Bisa Membantu Mengatur Produksi

Menurut laporan tersebut, langkah pertama adalah memahami pelanggan secara lebih rinci.

Perusahaan perlu mengetahui pelanggan mana yang paling menguntungkan, produk apa yang paling banyak dibeli, serta berapa biaya untuk melayani setiap pelanggan. Informasi tersebut menjadi dasar dalam menentukan strategi produksi maupun distribusi.

Setelah itu, perusahaan dapat menyesuaikan kapasitas produksi, tingkat persediaan, hingga layanan pengiriman berdasarkan nilai setiap pelanggan. Pendekatan ini membantu perusahaan menggunakan sumber daya secara lebih efisien sekaligus menjaga pertumbuhan bisnis.

AI Dapat Memberikan Rekomendasi Secara Otomatis

AI dapat bekerja sebagai asisten digital bagi perusahaan. AI mampu menggabungkan data pelanggan, biaya produksi, pemasok, persediaan, hingga performa operasional dalam satu analisis. Dari sana, sistem dapat menemukan penyebab masalah dan memberikan rekomendasi yang sebelumnya membutuhkan waktu berjam-jam jika dilakukan secara manual.

Namun, kemampuan tersebut sangat bergantung pada kualitas data yang dimiliki perusahaan. AI hanya akan memberikan hasil yang baik jika memperoleh akses ke data yang lengkap dan akurat.

Banyak Penerapan AI Masih Terlalu Sempit

Grant Thornton mengidentifikasi berbagai penggunaan AI yang bisa diterapkan dalam manufaktur. Beberapa di antaranya adalah penyesuaian harga secara dinamis, prediksi permintaan produk, optimalisasi stok, pemilihan pemasok, pengelolaan risiko rantai pasok, penentuan jalur pengiriman, hingga pelaporan keberlanjutan atau ESG. Seluruh penggunaan tersebut membutuhkan integrasi data dari berbagai sistem perusahaan.

Sayangnya, banyak perusahaan masih menggunakan AI hanya untuk kebutuhan tertentu. Sebagian bahkan sekadar ingin menunjukkan bahwa mereka sudah memakai AI tanpa memiliki strategi yang jelas. Akibatnya, manfaat yang diperoleh belum maksimal.

AI Menjadi Penghubung Antarbagian Perusahaan

Grant Thornton menggambarkan AI sebagai jaringan penghubung yang membuat seluruh bagian perusahaan dapat bekerja lebih selaras.

Jika setiap divisi memiliki data yang saling terhubung, pimpinan perusahaan akan lebih mudah menentukan arah bisnis, mengelola risiko, dan mengambil keputusan berdasarkan kondisi nyata di lapangan. Pendekatan ini dinilai akan menjadi pembeda bagi perusahaan manufaktur yang ingin meningkatkan daya saing di masa depan.

Artikel ini telah diterbitkan oleh Grant Thornton dengan judul AI Can Integrate Supply and Demand in Manufacturing. Artikel selengkapnya dapat dibaca di sini.