Ringkasan
AI yang berhasil bukan yang paling cerdas, tapi yang paling terintegrasi ke alur kerja manusia yang sudah ada.
Davenport memisahkan AI menjadi tiga lapisan: otomatisasi proses, wawasan kognitif, dan interaksi kognitif. Pembagian ini tetap relevan meskipun model bahasa besar (large language model atau LLM) kini mengaburkan batas antara wawasan kognitif dan interaksi kognitif. Perusahaan Indonesia yang terburu-buru menerapkan chatbot generatif tanpa lebih dulu merapikan data transaksional justru terjebak di lapisan paling dasar: otomatisasi yang rapi, tetapi belum ditopang fondasi data yang memadai. Tanpa fondasi data bersih, model apapun hanya menghasilkan kebisingan yang mahal. Davenport menegaskan bahwa AI bukan sihir, melainkan sistem statistik yang butuh disiplin rekayasa.
Kutipan paling tajam dalam buku muncul di halaman 37: 'The greatest benefits of AI will come not from replacing humans, but from augmenting them.' Terjemahan: Manfaat terbesar AI tidak datang dari menggantikan manusia, melainkan dari memperkuat mereka. Frasa ini jadi anjuran bagi pemimpin yang tergoda narasi penggantian tenaga kerja. Di sektor perbankan Indonesia, misalnya, credit scoring berbasis machine learning justru mempercepat pekerjaan analis manusia, bukan membuangnya. Augmentasi menciptakan siklus umpan balik (feedback loop): model belajar dari keputusan pakar, sementara pakar membangun kepercayaan terhadap model melalui transparansi.
Davenport mengusulkan kerangka AI Capability Maturity Model dengan lima tahap: ad hoc, oportunistik, sistematis, tertransformasi, dan terintegrasi. Mayoritas perusahaan Indonesia — termasuk unicorn — masih mengendap di tahap oportunistik: use case terpilih, proof of concept sukses, tapi tidak berhasil berkembang ke skala yang lebih luas (scale). Alasannya klasik: data silo, ketiadaan MLOps, dan talent gap. Buku ini tidak menawarkan ramuan ajaib, hanya mengingatkan bahwa kematangan AI adalah fungsi dari tata kelola data dan organisasi, bukan versi library TensorFlow terbaru.
Bab tentang risiko etis dan operasional (halaman 142–158) layak dibaca ulang saat regulasi AI Indonesia mulai berbentuk. Davenport membedakan bias data (data bias), ketidaktransparanan model (model opacity), dan kesenjangan akuntabilitas (accountability gap) sebagai tiga risiko sistemik. Ia mencontohkan kasus recruiting tool Amazon yang bias terhadap wanita — gagal karena data pelatihan mencerminkan sejarah rekrutmen laki-laki dominan. Pelajaran untuk fintech lokal: model credit scoring yang dilatih pada data historis pinjaman performing akan keliru menilai permohonan kredit baru dari kelompok demografis yang belum terepresentasi. Fairness bukan fitur tambahan, tapi prasyarat deployment.
Strategi build versus buy mendapat perlakuan realistis. Davenport berargumen bahwa kompetensi inti bisnis (core competency) menentukan pilihan: bank sebaiknya membangun (build) model risiko kredit, tetapi membeli (buy) solusi OCR untuk KYC. Di Indonesia, banyak startup AI menjual solution vertikal yang sebenarnya hanya wrapper API OpenAI. Davenport memperingatkan vendor lock-in dan ketergantungan black box. Dia menyarankan pendekatan portofolio (portfolio approach): beberapa solusi untuk hasil cepat (quick win) dibeli, sementara sejumlah investasi strategis (strategic bet) dibangun sendiri. Pendekatan ini mencegah organisasi terjebak di hype cycle tanpa aset intelektual sendiri.
Kekuatan buku ada pada ketidakpedulian Davenport terhadap buzzword. Ia menolak membahas AGI, singularity, atau skenario sci-fi. Fokusnya: bagaimana manajer mengevaluasi tingkat pengembalian investasi (return on investment atau ROI) proyek AI minggu depan. Contoh konkret: framework Pilot–Pivot–Scale di halaman 89 memaksa tim mendefinisikan metrik sukses sebelum menulis baris kode pertama. Dalam konteks Indonesia, ketika proof of concept (POC) sering dijadikan aksi pencitraan (PR stunt), disiplin ini menghemat miliaran rupiah dana venture dan anggaran BUMN. Buku ini adalah checklist, bukan inspirasi.
Kelemahan utamanya: buku ditulis sebelum transformer mendominasi. Pembahasan deep learning terasa ringan, generative AI tidak ada, dan prompt engineering belum lahir. Rekomendasi struktur tim (team structure) (halaman 112) mengasumsikan data scientist sebagai bintang utama, sedangkan era LLM membutuhkan AI engineer dan domain expert yang memahami cara menyusun serta mengevaluasi prompt (prompt-literate). Davenport sendiri mengakui keterbatasan ini di edisi revisi 2023, tapi edisi 2018 ini tetap beredar di toko buku Indonesia. Pembaca harus menyaring bab teknis dengan konteks 2024.
Kekuatan buku
Kerangka pematangan AI lima tahap dan framework Pilot–Pivot–Scale memberikan manajer alat evaluasi konkret, bukan slogan. Pembahasan risiko etis terstruktur jadi acuan siap pakai untuk compliance dan audit internal. Gaya penulisan analitis, bebas hype, menghormati inteligensi pembaca.
Catatan kritis
Bab teknologi usang pasca-2022: tidak ada transformer, LLM, RAG, atau agentic workflow. Rekomendasi komposisi tim kecenderungan data scientist-centric, kurang relevan untuk era prompt engineering dan AI engineer. Studi kasus berfokus US enterprise, minim konteks pasar emerging market seperti Indonesia.
Untuk siapa
C-level, VP Engineering, dan Product Manager di perusahaan Indonesia yang sedang merancang strategi AI jangka 3–5 tahun dan butuh kerangka governance sebelum membeli GPU atau menandatangani kontrak vendor.




