Aan Setianto

AI bisa menghasilkan jawaban semakin cepat, tetapi pengetahuan teknis juga semakin cepat usang. Dalam The Art of Doing Science and Engineering, Richard Hamming mengajarkan sesuatu yang justru semakin relevan di era AI: belajar bukan sekadar mengumpulkan fakta, tetapi membangun pola berpikir. Dari memilih masalah yang penting, memindahkan skill antar bidang, hingga kemampuan menilai jawaban AI, semuanya bermuara pada satu hal: kemampuan berpikir. Karena ketika teknologi terus berubah, fondasi berpikir yang kuat membuat kita tidak perlu selalu memulai dari nol.

AI membuat proses coding semakin cepat. Tetapi apakah perusahaan juga menjadi lebih cepat belajar? Buku Accelerate karya Nicole Forsgren, Jez Humble, dan Gene Kim menunjukkan bahwa kecepatan dan kualitas bukan dua hal yang harus dipertentangkan. Dengan DORA Metrics—Deployment Frequency, Lead Time for Changes, Mean Time to Recovery (MTTR), dan Change Failure Rate—kita bisa melihat bagaimana tim teknologi bergerak, belajar, dan pulih dari kegagalan. Di era AI, bottleneck bahkan mulai bergeser: dari menulis kode menuju validasi, evaluasi, keamanan, observability, dan kualitas keputusan.

AI berubah terlalu cepat. Buku, framework, model, bahkan prompt engineering yang hari ini dianggap penting bisa terasa usang beberapa bulan kemudian. Lalu, apa yang seharusnya kita pelajari agar tidak terus mengejar teknologi? Menariknya, jawabannya justru bukan buku tentang AI. Ada buku tentang riset pelanggan, pengambilan keputusan, budaya open source, engineering, metodologi sains, hingga ketidakpastian yang justru mengajarkan meta-skills yang tetap relevan ketika AI terus berubah. Karena AI hanyalah alat. Cara berpikir adalah aset. Dan aset selalu lebih berharga daripada alat.