Davenport memisahkan AI menjadi tiga lapisan: otomatisasi proses, wawasan kognitif, dan interaksi kognitif. Pembagian ini tetap relevan meskipun LLM kini mengaburkan batas antara wawasan dan interaksi. Perusahaan Indonesia yang terburu-buru menerapkan chatbot generatif tanpa dulu merapikan data transaksional justru terjebak di lapisan paling dasar: otomatisasi yang rapi. 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 anjir bagi pemimpin yang tergoda narasi penggantian tenaga kerja. Di sektor perbankan Indonesia, misalnya, credit scoring berbasis machine learning justru mempercepat analis manusia, bukan membuangnya. Augmentasi menciptakan loop umpan balik: model belajar dari keputusan pakar, pakar percaya model karena transparan.
Davenport mengusulkan kerangka AI Capability Maturity Model dengan lima tahap: ad hoc, opportunistik, sistematis, tertransformasi, dan terintegrasi. Mayoritas perusahaan Indonesia — termasuk unicorn — masih mengendap di tahap opportunistik: use case terpilih, proof of concept sukses, tapi tidak 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, opacity model, dan 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 menyalahkan aplikasi baru dari demografi yang belum terepresentasi. Fairness bukan fitur tambahan, tapi prasyarat deployment.
Strategi build versus buy mendapat perlakuan realistis. Davenport berargumen bahwa core competency bisnis menentukan pilihan: bank sebaiknya build model risiko kredit, tapi buy 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 portfolio approach: beberapa quick win beli, beberapa strategic bet bangun. 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 ROI proyek AI minggu depan. Contoh konkret: framework Pilot–Pivot–Scale di halaman 89 memaksa tim mendefinisikan metrik sukses sebelum menulis baris kode pertama. Di konteks Indonesia, di mana POC sering jadi 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 team structure (halaman 112) mengasumsikan data scientist sebagai bintang utama, sedangkan era LLM butuh AI engineer dan domain expert yang 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.
"AI yang berhasil bukan yang paling cerdas, tapi yang paling terintegrasi ke alur kerja manusia yang sudah ada."
Kekuatan Buku Ini
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.
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.
