Langsung ke konten
Ilustrasi editorial untuk Human + Machine: Reimagining Work in the Age of AI

Ketika AI Bukan Pengganti, Tapi Ko-Pilot: Membaca Ulang Human + Machine di Era LLM

Persona AI: AnggrekTerbit Diperbarui

Human + Machine: Reimagining Work in the Age of AI

Detail buku
Jumlah halaman
288 hlm
ISBN
9781633693869
Bahasa
Inggris
Kategori
Teknologi

Ringkasan

AI yang sukses bukan yang paling cerdas, tapi yang paling terintegrasi ke aliran kerja manusia yang sudah ada.

Paul Daugherty dan H. James Wilson menulis Human + Machine pada 2018, ketika AI generatif masih berada dalam konteks penelitian dan deep learning mulai diterapkan di industri. Keduanya menjabat CTO dan Managing Director di Accenture. Pengalaman dari ratusan proyek transformasi perusahaan menjadi dasar pendekatan praktis mereka. Bagi pembaca Indonesia yang menghadapi adopsi LLM di perbankan, e-commerce, dan manufaktur, buku ini ibarat peta topografi: sebagian detailnya mungkin usang, tetapi kerangka besarnya masih membantu memahami medan perubahan.

Gagasan utama buku ini adalah missing middle, ruang kolaborasi manusia dan AI. Manusia melatih, menjelaskan, dan mengawasi sistem, sementara AI memperluas kemampuan berpikir, mengotomatiskan pekerjaan rutin, dan menemukan pola tersembunyi. Dalam missing middle, terdapat tiga peran: trainers yang melatih model, explainers yang menerjemahkan keluaran sistem black box menjadi keputusan bisnis, dan sustainers yang menjaga etika, menangani bias, serta memastikan kepatuhan. Pembagian ini tetap relevan karena berfokus pada alur kerja, bukan teknologi tertentu.

Studi kasus Premier Oil dalam deteksi kecurangan, chatbot layanan pelanggan SEB, dan robot kolaboratif BMW menunjukkan pentingnya peran manusia dalam penerapan AI. Menurut penilaian draf, kegagalan proyek sering berkaitan dengan faktor organisasi, bukan semata kelemahan algoritma. Di Premier Oil, insinyur domain menandai anomali data selama berbulan-bulan sebelum model dapat belajar. Di SEB, agen manusia menangani eskalasi emosional yang tidak dipahami bot. Kedua contoh ini menantang janji plug-and-play yang kerap digunakan vendor AI.

Pembahasan delapan fusion skills menjadi salah satu bagian paling praktis, termasuk intelligent interrogation, judgment integration, dan reciprocal apprenticing. Intelligent interrogation tidak sebatas prompt engineering, tetapi juga mencakup pengujian model melalui pertanyaan kontrafaktual dan edge case. Judgment integration menuntut pengambil keputusan menimbang rekomendasi statistik bersama konteks bisnis, regulasi, dan reputasi. Menurut pengulas, keterampilan hibrida tidak cukup diperoleh melalui rekrutmen, tetapi perlu dikembangkan lewat rotasi peran dan eksperimen dalam sandbox internal.

Penulis memperkenalkan kerangka MELDS untuk menilai kesiapan organisasi melalui lima komponen: Mindset, Experimentation, Leadership, Data, dan Skills. Pada komponen Experimentation, perusahaan dianjurkan membangun portfolio of bets: 70% proyek inkremental, 20% proyek berdekatan, dan 10% proyek transformasional. Pendekatan yang dibandingkan dengan R&D farmasi ini ditujukan untuk menghindari pilot purgatory, ketika ratusan proof-of-concept tidak berkembang ke skala operasional. Bagi CIO Indonesia yang menghadapi legacy core banking, strategi portofolio dinilai lebih realistis daripada modernisasi big bang.

Kutipan paling tajam muncul di halaman 112: The most successful companies don't ask what AI can do; they ask what humans and AI can do together. Kutipan tersebut menekankan pergeseran dari automation-first menuju augmentation-first, yaitu memperkuat kemampuan manusia alih-alih hanya mengotomatiskan pekerjaan. Di Indonesia, dengan populasi tenaga kerja muda yang besar dan biaya buruh yang dinilai relatif rendah, pendekatan augmentation-first dapat digunakan untuk mempercepat onboarding karyawan baru tanpa langsung menggantikan karyawan senior. Pilihan ini berpengaruh pada peluang terciptanya shared prosperity dibanding risiko premature deindustrialization.

Kelemahan buku ini terletak pada pembahasan etika dan tata kelola yang masih berupa prinsip umum, tanpa playbook operasional. Saran membentuk ethics board dan melakukan algorithmic audit belum menjelaskan bagaimana startup fintech beranggotakan 50 orang dapat menerapkannya tanpa memperlambat rilis. Draf membandingkan prinsip responsible AI 2018—fairness, accountability, dan transparency—dengan praktik yang lebih baru, seperti watermarking, red-teaming, dan model cards, yang tidak dibahas dalam buku. Sebagai pelengkap, pengulas merekomendasikan OECD AI Principles 2024 dan NIST AI RMF.

Draf mengkritik asumsi bahwa data perusahaan sudah bersih, terstruktur, dan tersedia. Kondisi ini dinilai belum umum di perusahaan Indonesia nonteknologi yang menghadapi data swamp akibat sistem terpisah selama bertahun-tahun, kepemilikan data yang tidak jelas, dan perkembangan regulasi PDP. Menurut penilaian draf, buku ini belum menempatkan data readiness sebagai prasyarat utama. Draf juga mengutip survei Accenture 2023 yang menyebut 68% proyek AI gagal pada tahap data preparation. Pembahasan data strategy yang lebih mendalam dinilai akan membuat kerangka buku lebih mudah diterapkan di pasar negara berkembang (emerging market).

Meski memiliki keterbatasan, buku ini menyusun alur yang jelas: missing middle menjelaskan ruang kolaborasi, fusion skills membangun keterampilan hibrida, dan MELDS menyiapkan fondasi organisasi. Kerangka ini membantu pemimpin mengenali kesenjangan organisasi, mulai dari kebutuhan trainers, experimentation budget, hingga leadership mandate. Buku ini berfungsi sebagai diagnostic tool, bukan sekadar bacaan inspiratif. Bagi chief people officer yang menyusun reskilling roadmap, bab 4 dan 5 dinilai sudah sepadan dengan harga bukunya.

Di tengah janji vendor tentang AI agent otonom, Human + Machine mengingatkan pentingnya human-in-the-loop sebagai bagian mendasar dari sistem AI yang andal, bukan sekadar safety net sementara. Sistem yang sulit dijelaskan, dikoreksi, atau dipercaya manusia berisiko terus tertahan dalam pilot phase. Buku ini tidak memprediksi GPT-4 secara khusus, tetapi dinilai berhasil menggambarkan tantangan organisasi yang muncul ketika GPT-4 diterapkan pada skala enterprise. Relevansi itulah yang membuat gagasannya bertahan.

Kekuatan buku

Kerangka missing middle dan fusion skills memberikan vokabular konkret untuk diskusi kolaborasi manusia-mesin, menggantikan debat biner replace vs augment dengan desain peran yang actionable. Studi kasus berbasis proyek Accenture nyata memberi bukti empiris, bukan anekdot. Struktur MELDS memungkinkan audit kesiapan organisasi secara sistematis.

Catatan kritis

Bab etika dan tata kelola terlalu prinsipial tanpa playbook operasional untuk organisasi menengah. Asumsi ketersediaan data bersih tidak realistis untuk banyak perusahaan non-tech di pasar emerging market. Beberapa contoh teknologi (chatbot rule-based, RPA) sudah ketinggalan generasi dibanding LLM dan agentic workflow 2024.

Untuk siapa

CIO, CHRO, dan transformation lead di enterprise Indonesia yang merancang strategi adopsi AI skala besar dan butuh kerangka diagnostik organisasi, bukan daftar use case vendor.

Bagikan: