AI & Technology Ethics Policy

Merujuk pada UNESCO Recommendation on AI Ethics (2021), EU AI Act Principles, Perpres RI No. 31 Tahun 2019 tentang Strategi Nasional Pengembangan Artificial Intelligence, ISO/IEC 42001:2023 (AI Management System)

---

No. Dokumen	POL-LEG-008
Versi	2.1
Berlaku sejak	20 Februari 2026
Review berikutnya	20 Agustus 2026
Pemilik Dokumen	Engineering + Legal
Disetujui oleh	Director

Riwayat Revisi

Versi	Tanggal	Penulis	Perubahan
1.0	Februari 2026	Engineering + Legal	Dokumen original
2.0	20 Februari 2026	AI Audit System	Standardisasi Document Control section
2.1	21 Februari 2026	AI Audit System	Perbaikan nilai CIRCCA sesuai standar perusahaan

---

Filosofi CIRCCA

Kebijakan Etika AI & Teknologi kami didasarkan pada nilai-nilai inti CIRCCA:

• Curiosity: Terus mengeksplorasi implikasi etis dari teknologi AI dan inovasi digital
• Impact: Memastikan penggunaan teknologi memberikan dampak positif tanpa merugikan pihak manapun
• Respect: Menghormati hak privasi, keadilan, dan transparansi dalam penerapan teknologi
• Courage: Berani menolak atau menghentikan penggunaan teknologi yang berpotensi merugikan
• Commitment: Komitmen pada pengembangan dan penggunaan teknologi yang bertanggung jawab
• Adaptability: Responsif terhadap perkembangan regulasi dan standar etika teknologi global

---

Ruang Lingkup

Aspek	Keterangan
Berlaku untuk	Semua pengembang, implementer, dan pengguna AI di Divistant, termasuk sistem internal dan solusi untuk klien
Cakupan	Pengembangan aplikasi AI (machine learning, deep learning, NLP), penggunaan AI tools pihak ketiga, integrasi AI dalam sistem bisnis
Pihak terkait	Engineering Team, Legal & Compliance, Product Management, Client Success, Data Science (jika ada), IT Security

---

Definisi Istilah

Istilah	Definisi
Artificial Intelligence (AI)	Sistem yang dirancang untuk meniru atau melampaui kemampuan kognitif manusia dalam tugas-tugas spesifik
Machine Learning	Subset dari AI di mana sistem belajar dari data dan meningkatkan performa tanpa diprogram secara eksplisit
Bias AI	Pola sistematis dalam keputusan AI yang menghasilkan treated yang tidak adil atau diskriminatif terhadap kelompok tertentu
Explainability	Kemampuan untuk menjelaskan bagaimana dan mengapa sistem AI membuat keputusan atau rekomendasi tertentu
Data Governance dalam AI	Proses pengelolaan kualitas, keamanan, dan kepatuhan data yang digunakan untuk training dan inference AI
Algorithmic Transparency	Kemampuan untuk melihat, memahami, dan mengaudit logika algoritma yang mendasari sistem AI
AI Ethics	Kerangka prinsip untuk memastikan AI dikembangkan dan digunakan dengan cara yang bertanggung jawab, adil, dan sesuai nilai-nilai kemanusiaan
Client Data Protection	Keamanan dan privasi data klien yang diproses oleh sistem AI kami

---

Pernyataan Kebijakan

Divistant berkomitmen untuk mengembangkan, mengimplementasikan, dan menggunakan Artificial Intelligence dengan cara yang bertanggung jawab, etis, dan menghormati hak serta dignitas setiap individu. Kami percaya bahwa teknologi AI harus menjadi alat untuk meningkatkan kemampuan manusia, bukan menggantikan keputusan manusia dalam hal-hal yang kritis atau mempengaruhi kehidupan individu.

Oleh karena itu, Divistant mewajibkan semua anggota tim untuk memahami dan mematuhi prinsip-prinsip etika AI, melakukan audit reguler terhadap sistem AI, dan transparan kepada klien mengenai penggunaan AI dalam solusi kami. Setiap proyek yang melibatkan AI harus melalui proses review etika dan compliance sebelum di-deploy ke production.

AI DEVELOPMENT LIFECYCLE — 8 FASE

1. PLANNING Ethics risk ID

2. DATA PREP Bias detection

3. MODEL DEV Fairness testing

4. TESTING Bias + security

5. PRE-DEPLOY DPIA + sign-off

6. DEPLOY Staged rollout

7. MONITOR Drift detect

8. MAINTAIN Retrain

6 PRINSIP ETIKA AI

Fairness & Non-Diskriminasi Transparency & Explainability Data Governance & Privacy Accountability Human Agency & Control Security & Robustness

Minimum 2 sign-off: Engineering Lead + Legal/Ethics Lead

AI TOOLS APPROVED

ChatGPT/Claude Content, brainstorming, docs GitHub Copilot Code generation (internal) Document AI Non-sensitive docs only Image Gen (DALL-E) Internal visual content DILARANG: Input data rahasia, source code, PII ke AI tools DILARANG: Fully automated decision untuk dampak signifikan

BIAS DETECTION FRAMEWORK

Training Data Bias Balanced sampling Algorithmic Bias Fairness constraints Label Bias Audit labeling process Measurement Bias Multiple metrics Confirmation Bias Diverse team review Metrics: Demographic Parity | Equalized Odds | Calibration

---

Prinsip-Prinsip Etika AI

1. Fairness & Non-Discrimination

Komitmen: Sistem AI kami harus adil dan tidak diskriminatif terhadap individu atau kelompok berdasarkan protected characteristics (usia, gender, etnis, agama, disabilitas, dll).

Implementasi:

• Melakukan bias audit pada training data dan model outputs secara berkala
• Memastikan training data representatif dari populasi yang dilayani
• Menggunakan fairness metrics dalam model evaluation
• Melakukan sensitivity analysis untuk mendeteksi disparate impact
• Dokumentasi lengkap tentang demographic parity dan equalized odds dalam model

Contoh Aplikasi:

• Dalam sistem hiring AI: Memastikan algoritma tidak diskriminasi gender atau usia
• Dalam scoring credit: Memastikan tidak ada disparate impact terhadap kelompok tertentu
• Dalam content recommendation: Memastikan exposure yang seimbang untuk semua demografi

2. Transparency & Explainability

Komitmen: Sistem AI kami harus dapat dijelaskan dan transparan mengenai bagaimana mereka membuat keputusan, terutama untuk keputusan yang berdampak pada individu.

Implementasi:

• Menggunakan explainable AI (XAI) techniques seperti SHAP, LIME, feature importance
• Dokumentasi algoritma yang jelas dan accessible untuk non-technical stakeholders
• Memberikan transparency reports kepada klien mengenai cara AI digunakan
• Melakukan model interpretability assessment sebelum production deployment
• Menyediakan human-readable explanation untuk setiap keputusan AI yang signifikan

Contoh Aplikasi:

• Dalam recommendation engine: Menjelaskan alasan di balik setiap rekomendasi
• Dalam risk assessment: Menunjukkan faktor-faktor kunci yang mempengaruhi score
• Dalam diagnosis/prediction: Memberikan confidence interval dan uncertainty quantification

3. Data Governance & Privacy

Komitmen: Data yang digunakan untuk training dan operation AI harus dikelola dengan aman dan sesuai dengan privacy regulations (UU PDP 27/2022, GDPR).

Implementasi:

• Conduct Data Protection Impact Assessment (DPIA) untuk setiap AI project
• Implementasi data minimization: gunakan hanya data yang diperlukan
• Anonymization/pseudonymization data untuk non-essential use cases
• Secure storage dengan encryption at rest dan in transit
• Access control yang ketat dengan logging dan monitoring
• Regular audit data usage dan access patterns
• Data retention policy yang jelas dengan secure deletion procedures

Contoh Aplikasi:

• Dalam model training: Menggunakan synthetic data atau differentially private data jika memungkinkan
• Dalam inference: Tidak menyimpan prediction logs yang mengandung PII yang tidak perlu
• Dalam model improvement: Menggunakan feedback loops yang tidak mendeteksi atau menyimpan identitas individual

4. Accountability & Responsibility

Komitmen: Ada clear ownership dan accountability untuk setiap AI system dengan dokumentasi dan audit trail yang lengkap.

Implementasi:

• Menentukan Owner AI system yang bertanggung jawab atas performa, fairness, dan compliance
• Maintain comprehensive documentation: requirements, training data, model selection, hyperparameters
• Versioning dan change tracking untuk semua AI models
• Regular performance monitoring dan drift detection
• Incident response protocol untuk AI failures atau bias detection
• Post-deployment audit dan continuous monitoring untuk detect issues

Contoh Aplikasi:

• Setiap model production harus memiliki Model Card dengan spesifikasi lengkap
• Monitoring dashboard untuk detect model drift, performance degradation, atau bias
• Incident log untuk semua significant issues, root cause analysis, dan remediation

5. Human Agency & Control

Komitmen: AI harus enhance manusia, bukan menggantikan judgment manusia dalam keputusan penting. Harus ada mekanisme untuk human override.

Implementasi:

• Tidak menggunakan fully automated decision making untuk hal-hal yang significantly affect individuals
• Memberikan option untuk human review dan override AI recommendations
• Training dan user education sehingga pengguna AI understand limitations dan potential biases
• Audit trails lengkap untuk semua keputusan yang diambil berdasarkan AI
• Confidence thresholds: keputusan low-confidence harus direvised oleh manusia

Contoh Aplikasi:

• Dalam hiring: AI dapat shortlist candidates, tetapi final decision harus oleh manusia
• Dalam fraud detection: AI dapat flag suspicious transactions, tetapi manusia melakukan investigation
• Dalam medical diagnosis support: AI provides suggestions, tetapi dokter membuat final diagnosis

6. Security & Robustness

Komitmen: Sistem AI harus aman dari adversarial attacks, model poisoning, dan manipulation.

Implementasi:

• Adversarial testing dan robustness evaluation sebelum deployment
• Security review dalam development process
• Input validation dan sanitization untuk prevent injection attacks
• Regular security audits dan penetration testing
• Monitoring untuk suspicious patterns yang mungkin menunjukkan attack
• Incident response plan untuk security breaches melibatkan AI systems

Contoh Aplikasi:

• Testing AI models dengan adversarial examples untuk ensure robustness
• Input filtering pada prediction endpoints untuk reject malicious inputs
• Rate limiting dan monitoring pada API untuk detect abuse

---

Tanggung Jawab AI Development & Deployment

AI Development Lifecycle:

Fase	Tanggung Jawab	Aktivitas	Ownership
Planning & Requirements	Ethical Requirements Definition	Identify potential ethical risks, define fairness metrics, data requirements	Product + Legal
Data Preparation	Data Governance	Data audit, bias detection, privacy compliance, documentation	Engineering + Data
Model Development	Model Ethics Review	Fairness testing, explainability assessment, performance benchmarking	Engineering + Data
Testing & Validation	Comprehensive Testing	Unit tests, integration tests, bias tests, security tests, explainability tests	Engineering + QA
Pre-Deployment Review	Compliance & Ethics Review	DPIA completion, fairness audit, documentation review, compliance sign-off	Legal + Engineering
Deployment	Safe Rollout	Staged deployment, monitoring setup, documentation, user training	Engineering + Ops
Post-Deployment	Continuous Monitoring	Performance monitoring, bias detection, drift detection, incident response	Engineering + Data
Maintenance & Updates	Ongoing Governance	Regular audits, model retraining if needed, documentation updates	Engineering + Data

---

Penggunaan AI Tools Pihak Ketiga

Tools yang Approved:

Pengguna AI tools pihak ketiga (seperti ChatGPT, Claude, Gemini, Copilot) harus mematuhi policy berikut:

Tool	Use Case	Restrictions	Data Protection
ChatGPT/Claude	Content writing, brainstorming, documentation	Jangan input confidential client data, PII, source code	Check privacy terms
GitHub Copilot	Code generation, autocompletion	Internal use only, review generated code, document usage	Covered by GitHub DPA
Document AI	Contract analysis, document processing	Limited to non-sensitive docs unless enterprise version	Check contract terms
Image Generation (DALL-E, Midjourney)	Visual content creation	Internal use, respect copyright, no copyrighted input	Check terms of service

Requirements untuk Approved Usage:

1. No Sensitive Data Input

   • Tidak boleh menginput customer data, source code, architectural details, atau business secrets
   • Jika ada informasi sensitive, gunakan anonymization/generalization
   • Review output untuk memastikan tidak ada leakage informasi sensitive

2. Attribution & Transparency

   • Document usage dari AI tools dalam project documentation
   • Inform klien jika solusi menggunakan AI tools pihak ketiga
   • Provide transparency mengenai limitations dan potential biases

3. IP & Copyright

   • Understand dan comply dengan IP terms dari AI provider
   • Jangan input copyrighted material tanpa clear rights
   • Review licensing terms untuk generated output

4. Audit & Compliance

   • Maintain logs dari AI tool usage untuk audit purposes
   • Regular review untuk ensure compliance dengan policy
   • Report violations kepada Legal & Compliance

Tools Terlarang:

Tools berikut tidak boleh digunakan tanpa explicit approval dari Management & Legal:

• AI tools dari vendor dengan unclear data handling practices
• Tools yang tidak memiliki data protection agreements
• Tools yang known untuk training models on user data tanpa opt-out
• Tools yang lack transparency dalam decision making

---

Proteksi Data Klien dalam AI Solutions

Prinsip-Prinsip Utama:

1. Data Minimization: Gunakan hanya data yang strictly necessary untuk AI functionality
2. Purpose Limitation: Data digunakan hanya untuk tujuan yang disclosed kepada klien
3. Anonymization: Anonymize data jika memungkinkan untuk model training/improvement
4. Transparency: Explain kepada klien bagaimana data mereka digunakan dalam AI system
5. Control: Berikan klien kontrol untuk opt-out dari data usage jika dimungkinkan

Data Usage Contracts:

Semua AI projects yang melibatkan klien data harus memiliki Data Processing Agreement (DPA) yang jelas, mencakup:

• Jenis data yang dikumpulkan dan diproses
• Tujuan pemrosesan dan pembatasan penggunaan
• Durasi penyimpanan dan prosedur penghapusan
• Security measures yang diimplementasikan
• Klien rights (access, correction, deletion)
• Incident notification procedures

Data Security Measures:

Measure	Implementasi	Verification
Encryption	AES-256 at rest, TLS 1.3 in transit	Regular security audits
Access Control	RBAC, MFA for sensitive data access	Access logs review
Anonymization	PII removal atau hashing untuk non-essential use	Data audit
Audit Trails	Complete logs of data access dan processing	Quarterly review
Backup & Recovery	Encrypted backups, tested disaster recovery	Simulated recovery tests
Incident Response	Immediate investigation, notification, remediation	Post-incident review

---

Bias Detection & Mitigation

Bias Assessment Framework:

Jenis Bias	Deteksi	Mitigasi
Training Data Bias	Analyze demographic distribution dalam training data	Use balanced sampling, synthetic data, data augmentation
Algorithmic Bias	Test model performance across demographic groups	Algorithm selection, feature engineering, fairness constraints
Label Bias	Review labels untuk systematic errors	Audit labeling process, retrain with corrected labels
Measurement Bias	Assess if metrics accurately capture true outcomes	Use multiple metrics, domain expert validation
Confirmation Bias	Review untuk hidden assumptions dalam model design	Involve diverse team members dalam development

Fairness Metrics:

Minimum metrics untuk evaluasi fairness dalam setiap AI model:

## Fairness Evaluation Report Template

### Model Information
- Model Name: [Name]
- Use Case: [Description]
- Deployment Date: [Date]
- Owner: [Name]

### Demographic Parity
- Overall accuracy: [%]
- Accuracy by gender: [Male: %, Female: %, Other: %]
- Accuracy by age group: [18-30: %, 31-50: %, 50+: %]
- Disparate impact ratio: [< 0.8 is concerning]

### Equalized Odds
- True Positive Rate by group: [Values]
- False Positive Rate by group: [Values]
- Gap analysis: [Interpretation]

### Calibration
- Predicted probability vs actual outcome by group
- Model confidence is similar across groups: [Yes/No]

### Mitigation Actions
- If bias detected: [List actions taken]
- Monitoring plan: [How bias will be monitored post-deployment]

---

AI Project Review & Approval Process

Before Development:

1. AI Ethics Checklist (Mandatory for all AI projects)

   • Identified potential ethical risks and harms
   • Defined fairness metrics relevant to use case
   • Assessed data availability, quality, and potential biases
   • Determined if human oversight is required
   • Reviewed applicable regulations (UU PDP, GDPR, etc.)
   • Planned client communication strategy

2. Data Protection Impact Assessment (DPIA)

   • Data types identified and documented
   • Data minimization strategies planned
   • Privacy risks assessed and mitigated
   • Retention period and deletion plan defined

During Development:

3. Development Checkpoints (Quarterly)
   • Code review untuk fairness-related changes
   • Data quality assessment
   • Preliminary bias testing
   • Documentation updates

Before Deployment:

4. Pre-Deployment Review (Mandatory)

   • Engineering Review: Code quality, security, performance
   • Ethics Review: Bias audit, explainability assessment, fairness metrics
   • Legal Review: DPIA completion, regulatory compliance, contracts
   • Product Review: Use case alignment, client requirements, documentation

5. Approval Gate

   • Minimum 2 sign-offs: Engineering Lead + Legal/Ethics Lead
   • Documentation of all findings and mitigations
   • Risk assessment dan mitigation plan untuk identified risks

Post-Deployment:

6. Monitoring Plan (Ongoing)
   • Performance metrics dashboard
   • Bias detection monitoring
   • Incident response procedures
   • Regular audit schedule (monthly initially, quarterly after stabilization)

---

Training & Awareness

Aktivitas	Frekuensi	Sasaran	Metode	Pemimpin
AI Ethics Fundamentals	Saat hire	Semua karyawan teknis baru	Online module	Engineering + Legal
AI Bias & Fairness Workshop	1x per tahun	Engineering, Product, Data teams	Interactive workshop	Engineering + Data Science
Responsible AI Practices	2x per tahun	All development teams	Training session	Engineering
Client Communication on AI	As needed	Sales, Client Success	Role-specific training	Product + Legal
Ethical AI Case Studies	Quarterly	Engineering + Product teams	Discussion session	Engineering + Legal
Security & Privacy in AI	1x per tahun	All teams	Online + workshop	IT Security + Legal

---

Acceptable AI Tools & Practices

Recommended Practices:

Use automated testing untuk detect model drift dan bias
Maintain model versioning dan audit trails
Implement confidence thresholds dalam predictions
Provide explainability untuk AI recommendations
Regular user feedback loops untuk improve fairness
Transparent communication dengan klien tentang AI usage
Continuous monitoring untuk performance dan bias

Prohibited Practices:

Fully automated decision making untuk significant impacts
Use AI untuk surveillance atau privacy invasion tanpa clear legal basis
Training models on confidential client data tanpa explicit consent
Deploying models dengan known significant biases
Obscuring how AI makes decisions (black box systems)
Using AI untuk manipulation atau deception
Sharing klien data dengan third-party AI vendors tanpa DPA
Ignoring bias or fairness warnings dari testing

---

Kebijakan Terkait

• Data Protection & Privacy Policy
• Information Security Policy
• Code of Conduct & Ethics
• Vendor Management & Third-Party Technology Policy
• Intellectual Property & IP Rights Policy
• Client Data Protection Agreement (DPA)
• Compliance & Regulatory Framework Policy

---

Kontak

Posisi	Nama/Tim	Email	Phone
Engineering Lead	Engineering Team	engineering@divistant.com	+62-21-XXXX-XXXX
Kepala Legal & Compliance	Legal & Compliance	legal@divistant.com	+62-21-XXXX-XXXX
IT Security Manager	IT Department	it.security@divistant.com	+62-21-XXXX-XXXX
Product Manager	Product Team	product@divistant.com	+62-21-XXXX-XXXX