AI Beyond Borders

Global Lessons, Real Risks, and Readiness

Mohammad Raska · Solutions Architect & Cybersecurity Strategist

BISIKIN x Leader's Talk · Special Edition AI · Kamis, 9 Juli 2026
[PLACEHOLDER: logo event / Auto2000 · foto presenter]

Dua Kacamata Saya

Heavy AI User

Pakai AI agent tiap hari buat produktivitas: proposal, analisis dokumen, otomasi laporan.

Cybersecurity Practitioner

Kerjaan: amankan infrastruktur IT klien, termasuk instansi pemerintah. Paranoid soal data by profession.

Part 1

Dari Statistika ke Agentic AI

4 Babak Evolusi AI

Statistika & ML

1950an–2010. Hitung & kenali pola. Contoh: prediksi cabang underperform.

Deep Learning

2010an. Mesin "melihat" & "mendengar". Contoh: estimasi kerusakan body dari foto WA.

Generative AI

2022: ChatGPT moment. Titik balik.

Agentic AI

2024–sekarang. Babak yang lagi kita jalani.

- Babak 1 (Statistika/ML): AI generasi awal cuma hitung & kenali pola sederhana. Contoh Auto2000: prediksi cabang underperform dari data historis — ML klasik. - Babak 2 (Deep Learning): mesin mulai bisa "melihat"/"mendengar". Customer kirim foto kerusakan body via WA → estimasi awal kerusakan. Face unlock HP = deep learning. - Babak 3 (Generative AI): Nov 2022 ChatGPT rilis, 2 bulan 100 juta user — produk konsumen tercepat saat itu. Titik balik karena pertama kali AI diajak ngobrol pakai bahasa manusia biasa — nggak perlu coding/PhD. - Babak 4 (Agentic AI): bedanya fundamental — Generative AI menjawab, Agentic AI bertindak. Contoh: minta "tulis email follow-up" → dapat draft, saya kirim (generative). "Monitor email, kalau ada tanya test drive, otomatis balas & booking" → dia eksekusi (agentic).

Menjawab vs Bertindak

Generative AI MENJAWAB

"Tulis email follow-up customer" → dapat draft, Anda yang kirim.

Agentic AI BERTINDAK

"Monitor email, kalau ada yang tanya test drive, otomatis balas & booking" → dia yang eksekusi.

Dua Gelombang Kejut

Nov 2022 · ChatGPT

100 JUTA
user / 2 bulan

Produk konsumen tercepat dalam sejarah.

Jan 2025 · DeepSeek R1

-US$590 miliar

Nvidia anjlok dalam sehari. Open-source, #1 App Store US.

Snapshot Juli 2026

Tools harian mainstream

Claude (Cowork, Claude in Excel), ChatGPT + Codex, Gemini, Microsoft Copilot (embedded di Office).

Rame di developer scene

OpenClaw: 350K GitHub stars, agent framework ke WhatsApp/email/kalender.

⚠️ Agent-nya delete inbox seorang director di Meta. Penyebab: akses terlalu luas.

NanoClaw (security-first, container-isolated) · Hermes (self-improving).

Part 2

Tiga Cerita dari Amerika

Cerita 1: Dosen & Mac Mini

"Kontrol atas data adalah default, bukan opsional."

Cerita 2: "Dear Patriots..."

[PLACEHOLDER: screenshot email GMU — SUDAH DI-REDACT
(tracking URL mengandung email pribadi — jangan pakai raw)]

Executive Order 46, Gubernur Virginia. Effective immediately.

- Waktu DeepSeek rilis jadi headline dunia, masih terafiliasi GMU. Email larangan masuk langsung ke inbox — "Dear Patriots" (mahasiswa GMU dipanggil Patriots). - Isi: Gubernur Virginia (Glenn Youngkin) terbitkan Executive Order 46, effective immediately. Bukan kampus paranoid sendirian — kebijakan gubernur, kampus eksekutor. - Presisi aturan (masterclass): (1) dilarang semua device kampus (2) dilarang lewat jaringan kampus — bahkan device pribadi via eduroam (3) yang sudah install wajib uninstall (4) device pribadi di jaringan sendiri untuk urusan pribadi: TIDAK diatur sama sekali. Ada pengecualian law enforcement. - Ketat persis di tempat penting (aset & jaringan institusi), jelas menyatakan apa yang TIDAK diatur (kehidupan pribadi). Itu bukan panik — itu governance.

Anatomi Kebijakan yang Baik

1. Apa yang dilarang

2. Di mana berlaku

3. Action item

4. Apa yang TIDAK diatur

BREAKING

Alibaba bans Claude Code

Efektif 10 Juli. BESOK.

TechCrunch: Alibaba reportedly bans employees from using Claude Code

Sumber: TechCrunch, 4 Juli 2026

- Minggu ini: Alibaba larang seluruh karyawan pakai Claude Code (coding tool Anthropic). Efektif besok, 10 Juli — sehari setelah acara ini. - Kenapa: akhir Juni developer reverse-engineer Claude Code, temukan kode tersembunyi sejak April (nggak disebut release notes) — cek timezone China + proxy domain, tandai sesi diam-diam. - Dua versi (WAJIB NETRAL): Anthropic sebut "anti-abuse experiment" (tuduh lab Alibaba/Qwen curi kapabilitas lewat puluhan ribu akun palsu). Alibaba sebut backdoor, masuk software high-risk, wajib uninstall pindah ke Qoder. - Nggak mengadili siapa benar — itu konflik geopolitik. Fakta yang tak dibantah: kode tracking itu ada, dikirim diam-diam, baru dihapus setelah ketahuan. - ⚠️ Cek update berita H-1 dan pagi hari-H — konflik masih bergerak.

US 🚫 DeepSeek

↔

Alibaba 🚫 Claude Code

Due diligence untuk SEMUA vendor, tanpa kecuali karena nama besar.

Cerita 3: Dua Aturan Dosen

Acknowledge: sebutkan pakai AI, seperti mengutip buku.
AI ≠ single source of truth. Tools brainstorming, bukan pengganti berpikir.

Dosen yang sama, yang paranoid soal data, justru MENDORONG mahasiswa pakai AI. Nggak melarang — tapi dua syarat keras: Acknowledge (jangan klaim output AI sebagai pikiran sendiri), dan AI bukan single source of truth ("yang dilatih di kampus ini adalah kamu, bukan AI-nya"). Pelajaran 3: organisasi yang matang nggak melarang AI — mereka mengatur cara pakainya. Sintesis Part 2: model governance yang works — (1) acceptable use policy jelas, (2) whitelist vendor berdasarkan due diligence bukan nama besar, (3) kultur acknowledge & verify. Dan Auto2000 sudah mulai ke arah sini — seperti yang tadi Pak Riyanto ceritakan. 🎬 Transisi ke Part 3: "Itu level kebijakan. Sekarang turun ke level harian — gimana AI sebenarnya mengubah pekerjaan kita? Tiga kacamata yang saya pakai sendiri."

Part 3

Tiga Kacamata 👤🔐🏗️

Customer · Cybersecurity · Consultant

25%

pembeli mobil baru di US pakai AI tools saat belanja (Cox Automotive 2026)

Millennials: 50%+

Twist: AI-nya Halu 🤯

Consumer Reports: AI merekomendasikan mobil yang TIDAK EXIST

"Customer Anda sudah konsultasi ke ChatGPT sebelum ketemu Anda."

5 Risiko yang Sudah Terjadi 🔐

🔓 Data Leakage

🗣️ Prompt Leakage

👤 Shadow AI

🌀 Hallucination

🎣 AI-Based Phishing

🔐 PERSPEKTIF 2 — sebagai CYBERSECURITY PRACTITIONER (±6'). 5 risiko yang SUDAH TERJADI di organisasi lain, bukan teoritis. 1. Data Leakage: karyawan paste data sensitif ke AI publik. Sekali submit ke platform publik, anggap sudah keluar dari kendali. 2. Prompt Leakage: informasi bocor lewat CARA bertanya — prompt itu sendiri bisa membocorkan intelijen bisnis. 3. Shadow AI: karyawan pakai AI tanpa sepengetahuan organisasi — mayoritas pemakaian AI kantor itu unsanctioned. Organisasi nggak bisa lindungi apa yang nggak dia tahu ada. 4. Hallucination: AI salah dengan sangat percaya diri — format rapi, angka spesifik, nada meyakinkan. Salah yang terlihat benar jauh lebih berbahaya. 5. AI-Based Phishing: email phishing sekarang sempurna secara bahasa, personal, bisa niru gaya menulis atasan. Ada voice cloning juga.

"T&C = JANJI. ZDR = JAMINAN."

Zero Data Retention agreement: kontrak eksplisit yang bisa di-enforce legal, bukan T&C default.

"Verifikasi CHANNEL, bukan bahasa."

4 Pertanyaan Sebelum Deploy AI 🏗️

Data Anda siap?
Infrastruktur Anda siap?
Proses Anda siap?
Orang Anda siap?

95%

pilot GenAI di perusahaan gagal menghasilkan return terukur
(MIT, State of AI in Business 2025)

Yang gagal bukan model-nya. Organisasinya yang belum siap.

- Ini bukan cerita saya — ini riset MIT (NANDA initiative, 2025): dari 300 deployment AI enterprise yang dianalisis + 150 interview, 95% pilot GenAI gagal menghasilkan dampak terukur ke P&L. - Temuan kuncinya: yang gagal BUKAN kualitas modelnya — tapi "learning gap" organisasi: tools nggak terintegrasi ke workflow, nggak ada yang punya, nggak diadopsi line manager. - Backup kalau ditanya: RAND (2024) angka serupa — 80%+ proyek AI gagal, DUA KALI lipat proyek IT biasa. Lima akar masalah versi RAND semuanya organisasi: tujuan nggak sepakat, data nggak siap, infrastruktur, fokus ke teknologi bukan masalah, struktur keputusan. - Sinkron dengan 4 pertanyaan tadi: data, infrastruktur, proses, orang. Teknologinya justru bagian paling gampang. 🎬 Transisi ke Part 4: "Tiga kacamata tadi masing-masing lihat risiko beda. Sekarang disatukan — kalau digabung, apa saja yang sebenarnya bisa salah?"

Part 4

Risk Landscape

Teknis

Keamanan data

Bisnis

Informasi salah ke pelanggan

Organisasi

Shadow AI & ketergantungan

Kalau angkanya salah… …siapa yang dipanggil manager? AI-nya? Atau Anda?

Human Oversight = Kewajiban

AI gathers → YOU decide

AI suggests → YOU verify

AI executes → YOU supervise

Part 5

Readiness Framework

5 Dimensi Readiness

People

Process

Data

Technology

Governance

Self-Check: Auto2000 Hari Ini? 🙋

Kuat ✅

People. Buktinya: acara ini, dan AI CX FESTIVAL yang tadi diceritakan Pak Riyanto.

PR Bersama

Data & Governance. Normal, semua organisasi mulai dari sini.

Minggu Ini 👊

Identifikasi SATU risiko AI di pekerjaanmu →
diskusikan dengan timmu.

"Yang membuat Auto2000 dipercaya bukan secanggih apa tools-nya —
tapi sebijak apa orang-orangnya memakainya."

Terima kasih 🙏

Selanjutnya: Joint Panel bersama Pak Riyanto.

Reality Check: Layoffs 📉

±30KAmazon corporate sejak Okt 2025

80K+tech workers Q1 2026

~48%layoff terkait AI (Nikkei)

Yang tergantikan: VERSI pekerjaan yang bisa diotomatisasi penuh — bukan pekerjanya.

Panel Q1: "Pekerjaan apa yang paling dulu terdampak AI?" Tone dokter, bukan jurnalis bencana. Data: Amazon ±30rb karyawan corporate di-PHK sejak Okt 2025 (terbesar sejarah perusahaan). Industri tech global 80rb+ Q1 2026 (beberapa tracker 150rb+ sepanjang 2026). Nikkei: 47,9% layoff terkait AI/otomasi. Andy Jassy eksplisit AI akan kurangi workforce. Pattern: yang paling dulu kena — rutin, prediktabel, minim judgment, nggak butuh trust manusia (data entry, laporan berulang, CS tier-1 script-based, simple coding). Yang bertahan/naik nilai: trust, judgment, relasi manusia. 3 langkah konkret: (1) pakai AI untuk bagian rutin — jadi yang MEMAKAI, bukan digantikan. (2) perdalam bagian paling manusiawi. (3) jadi yang paling bisa dipercaya soal verifikasi. Punchline: "Yang di-layoff bukan pekerja — tapi versi pekerjaan yang sudah bisa diotomatisasi penuh."

AI-Augmented vs AI-Replaceable

AI-Augmented Worker

Pakai AI untuk bagian rutin. Perdalam judgment & relasi manusia. Jadi verifier tepercaya.

AI-Replaceable Worker

Kerjaan rutin, prediktabel, minim judgment, tanpa trust manusia.

5 Pilar: Prioritas Pertama? 🎯

Data

Governance

Infrastruktur

Budaya

Tools