AI Masuk ke dalam Alur Kerja Industri
Kecerdasan buatan semakin diposisikan sebagai teknologi operasional, bukan sekadar inisiatif digital yang berdiri sendiri. Di lingkungan industri , nilainya semakin terlihat ketika AI menghubungkan perangkat lunak, sistem kontrol, data produksi, dan keputusan manusia yang sudah ada.
Tantangannya bukan selalu kekurangan teknologi. Banyak produsen dan organisasi logistik telah mengoperasikan berbagai aplikasi, mesin, dan platform data. Masalah yang lebih besar adalah pekerjaan manual yang diperlukan untuk memindahkan informasi dan keputusan di antara sistem-sistem tersebut.
Temuan terbaru yang dikutip oleh Ace Workflow menunjukkan bahwa 26% jam kerja perusahaan yang terdokumentasi, dan hingga 44% di bidang keuangan, berpotensi dipulihkan melalui otomasi yang ditargetkan. Meskipun angka-angka ini tidak secara khusus merujuk pada manufaktur, temuan tersebut menyoroti masalah yang lebih luas dan sering dihadapi oleh insinyur industri: ketidakefisienan proses kerap terjadi pada antarmuka antarsistem.
Hambatan Sebenarnya Sering Kali Berada di Antara Sistem
Otomasi industri secara tradisional berfokus pada otomasi mesin individual, sel produksi, dan proses kontrol. AI modern memperkenalkan lapisan optimasi yang berbeda dengan menangani keputusan dan pertukaran informasi di sekitar sistem-sistem tersebut.
Suatu lini produksi mungkin sudah memiliki PLC, platform DCS, perangkat lunak MES, historian, sistem pergudangan, dan aplikasi perusahaan. Setiap sistem dapat menjalankan fungsinya secara efektif, sementara alur kerja secara keseluruhan tetap bergantung pada spreadsheet, persetujuan manual, entri data berulang, atau intervensi operator.
Dari perspektif rekayasa, ini merupakan perbedaan penting. Mengotomatiskan tugas terisolasi lainnya tidak serta-merta meningkatkan keseluruhan proses. Nilai yang lebih besar dapat diperoleh dengan menghubungkan infrastruktur otomasi yang sudah ada agar informasi berpindah antarsistem dengan lebih sedikit intervensi manual.
AI sebagai Lapisan Intelijen untuk Otomasi
Di sinilah AI dapat melengkapi otomasi industri konvensional.
Otomasi tradisional umumnya dirancang berdasarkan kondisi, urutan, dan logika kontrol yang telah ditentukan. AI dapat menambahkan lapisan pendukung keputusan yang mampu menafsirkan kondisi operasional yang berubah, mengidentifikasi pola, dan memprioritaskan pengecualian.
Adie Taylor dari Arvato menggambarkan pendekatan ini sebagai penggunaan AI sebagai lapisan intelijen yang memungkinkan otomasi merespons variabilitas dunia nyata, sekaligus memungkinkan manusia berfokus pada pengecualian.
Konsep ini sangat relevan bagi logistik dan manufaktur. Sistem otomasi sangat efektif ketika kondisi operasional tetap berada dalam batas yang telah diprogram. AI berpotensi membantu menafsirkan situasi yang lebih sulit direpresentasikan hanya melalui aturan tetap.
Oleh karena itu, tujuan rekayasa bukanlah mengganti kontrol deterministik dengan AI. Arsitektur yang lebih praktis adalah mempertahankan kontrol deterministik untuk fungsi yang kritis terhadap keselamatan dan sensitif terhadap waktu, sembari menggunakan AI untuk analisis, prediksi, optimasi, dan dukungan keputusan tingkat tinggi.
Area AI Industri Dapat Memberikan Nilai Praktis
Beberapa penerapan telah muncul sebagai area yang realistis untuk penerapan AI industri.
Pemeliharaan prediktif dapat menggabungkan data historis peralatan, pengukuran getaran, nilai suhu, alarm, dan kondisi operasi untuk mengidentifikasi pola yang terkait dengan kerusakan yang mulai berkembang.
Visi komputer dapat mendukung inspeksi, identifikasi cacat, manajemen inventaris, dan pemantauan proses ketika informasi visual sulit diproses secara manual dalam skala besar.
Robotika cerdas dapat memungkinkan peralatan otomatis merespons aliran material, kondisi gudang, dan kebutuhan produksi yang berubah dengan lebih efektif.
Optimasi waktu nyata dapat menggunakan data operasional untuk mengidentifikasi kendala dan merekomendasikan penyesuaian pada produksi, logistik, atau alokasi sumber daya.
Faktor yang sama-sama mendasari semuanya adalah data. AI tidak dapat mengatasi informasi yang tidak terstruktur dengan baik, sinyal yang hilang, atau sumber data yang tidak terkendali. Oleh karena itu, organisasi industri perlu memperlakukan instrumentasi, konektivitas, kualitas data, dan integrasi sistem sebagai bagian dari penerapan AI, bukan sebagai persoalan teknis yang terpisah.
Infrastruktur Lama Tidak Boleh Diabaikan
Salah satu poin praktis yang muncul dari agenda konferensi tingkat tinggi di London adalah pentingnya mengintegrasikan AI dengan infrastruktur yang sudah ada.
Fasilitas industri jarang memiliki kesempatan untuk mengganti setiap PLC, pengontrol, sensor, sistem SCADA, atau platform DCS hanya untuk memperkenalkan kapabilitas AI baru. Siklus hidup peralatan yang panjang berarti lapisan digital modern harus hidup berdampingan dengan sistem yang mungkin telah dipasang bertahun-tahun lalu.
Hal ini menciptakan kebutuhan rekayasa untuk integrasi yang terkendali.
Gateway protokol, historian, API, komputasi edge, jaringan industri, dan platform data dapat menyediakan antarmuka antara sistem otomasi yang sudah ada dan aplikasi analitik yang lebih baru. Arsitekturnya juga harus mempertimbangkan keamanan siber, latensi, kepemilikan data, dan ketersediaan sistem.
Menurut saya, ini merupakan salah satu pertimbangan praktis terpenting dalam AI industri. Solusi yang unggul sering kali adalah solusi yang terintegrasi dengan basis otomasi terpasang tanpa mengganggu fungsi kontrol yang telah terbukti secara tidak perlu.
Keahlian Manusia Tetap Menjadi Bagian dari Arsitektur Kontrol
AI industri tidak seharusnya dievaluasi hanya berdasarkan jumlah tugas yang dapat diotomatiskannya.
Operator, insinyur pemeliharaan, dan spesialis proses memiliki pengetahuan kontekstual yang sulit sepenuhnya dikodekan ke dalam perangkat lunak. Mereka memahami kondisi operasi abnormal, perilaku peralatan, dan kendala produksi yang mungkin tidak terlihat jelas dalam kumpulan data historis.
AI dapat mengurangi analisis berulang dan menyoroti anomali, tetapi intervensi manusia tetap penting ketika keputusan melibatkan kondisi yang tidak biasa, pertimbangan keselamatan, atau tujuan operasional yang saling bertentangan.
Hal ini mengarah pada model ketika AI menangani pemrosesan informasi bervolume tinggi, sementara insinyur tetap memiliki kewenangan atas keputusan operasional yang telah ditentukan. Pendekatan ini juga dapat mempermudah adopsi AI karena memperkenalkan otomasi secara bertahap, bukan menuntut peralihan langsung ke operasi otonom.
Tata Kelola Harus Berkembang Seiring Penerapan
Perluasan AI di seluruh operasi industri juga menciptakan kebutuhan tata kelola.
Perusahaan perlu memahami data apa yang digunakan sistem AI, bagaimana rekomendasi dihasilkan, siapa yang bertanggung jawab untuk menindaklanjutinya, dan apa yang terjadi ketika sistem menghasilkan hasil yang keliru.
Di lingkungan industri, tata kelola harus melampaui pertimbangan TI konvensional. Keselamatan fungsional, keamanan siber, kontrol akses, manajemen perubahan, keterlacakan, dan akuntabilitas operasional semuanya dapat menjadi relevan, bergantung pada seberapa dekat AI berinteraksi dengan sistem produksi.
Partisipasi Schneider Electric dalam diskusi AI dan Otomasi Industri mencerminkan tantangan yang lebih luas ini. Strategi AI tidak dapat tetap terisolasi di dalam departemen teknologi ketika penerapannya memengaruhi manajemen energi, sistem otomasi, dan proses operasional.
AI LIVE London Berfokus pada Penerapan Praktis
AI LIVE: The London Summit 2026 akan berlangsung pada 20-21 Oktober di Olympia London, mempertemukan lebih dari 2.000 eksekutif serta menghadirkan lebih dari 50 pembicara ahli, empat lokakarya eksekutif, dan demonstrasi teknis langsung.
Panel fireside AI dan Otomasi Industri pada 20 Oktober sangat relevan bagi produsen, operator logistik, dan tim teknik yang sedang mengevaluasi penerapan AI secara praktis.
Tema acara yang lebih luas, Teknologi + Tujuan Manusia, juga mencerminkan arah yang bermanfaat bagi diskusi AI industri. Pertanyaannya semakin tidak lagi sekadar apakah AI dapat menjalankan tugas tertentu, melainkan di mana AI harus diperkenalkan, bagaimana AI harus berinteraksi dengan otomasi yang sudah ada, dan tanggung jawab apa yang harus tetap berada pada manusia.
Peluang AI Industri Adalah Integrasi, Bukan Penggantian
Tahap berikutnya dari otomasi industri kemungkinan tidak akan ditentukan hanya dengan menambahkan AI ke mesin.
Peluang yang lebih signifikan terletak pada menghubungkan informasi, keputusan, dan sistem otomasi yang sudah ada ke dalam arsitektur operasional yang lebih responsif. AI dapat menganalisis volume besar data industri, mengidentifikasi pola, dan mendukung keputusan, sementara PLC, platform DCS, dan sistem keselamatan terus menjalankan fungsi kontrol deterministik.
Bagi insinyur industri, hal ini berarti adopsi AI harus dimulai dari masalah operasional yang didefinisikan dengan jelas, bukan dari demonstrasi teknologi. Identifikasi serah-terima manual, tentukan data yang diperlukan, tetapkan batas keputusan, lalu tentukan di mana AI dapat memberikan nilai yang terukur.
Pendekatan tersebut menjadikan AI industri tidak terlalu berfokus pada penggantian otomasi yang sudah ada, melainkan pada perluasan kemampuan yang dapat dicapai oleh infrastruktur otomasi yang telah mapan.
