AVEVA: AI Industri Masuk Fase Baru, Automasi Fisik Makin Nyata

Telset.id – AVEVA menyatakan AI industri kini memasuki fase baru yang ditandai dengan otomasi tugas-tugas kompleks di lingkungan fisik, seiring kemajuan foundation models, physical AI, dan agentic AI. Chief Technologist AVEVA, Arti Garg, menegaskan bahwa fase ini menuntut pendekatan governance AI yang mengutamakan keamanan, efisiensi, serta keselamatan dan pengawasan manusia.

Perubahan ini menjadi penting karena AI industri tidak beroperasi di ruang digital semata, melainkan berinteraksi langsung dengan sistem fisik. Keputusan yang tidak terduga dalam lingkungan seperti ini dapat berdampak pada keselamatan, keandalan, dan infrastruktur kritis. AVEVA sendiri telah mengerjakan AI industri selama lebih dari 20 tahun, namun lonjakan adopsi dalam dua tahun terakhir disebut mencapai hampir 78% di sektor industri.

Menurut Garg, tantangan utama bukan sekadar mengadopsi teknologi, melainkan bagaimana memanfaatkannya tanpa mengorbankan keselamatan dan keandalan operasi. “Bagaimana kita memanfaatkan teknologi ini sambil menjaga keselamatan, sambil menjaga operasi yang andal, sambil tetap mampu memenuhi janji dari kemampuan baru?” ujar Garg dalam wawancara Business Lab MIT Technology Review.

Data dan Robot Jadi Fondasi Otomasi Industri

AVEVA menekankan bahwa fondasi utama untuk transisi ini adalah data. Sistem industri umumnya menyimpan informasi di telemetri, log layanan, dokumen rekayasa, dan berbagai sumber terpisah. Teknologi baru seperti graph database dan AI dapat menghubungkan serta mengorelasikan data tersebut lebih cepat, sehingga operator mendapat dukungan real-time saat mendiagnosis masalah.

Garg mencontohkan operator yang sebelumnya harus meneliti manual keterkaitan antar komponen informasi, kini dapat menggunakan perangkat seperti iPad dengan AI untuk mengambil dan mengorelasikan data secara cepat. Robot bertenaga AI dapat melangkah lebih jauh dengan mengumpulkan data di lingkungan berbahaya tanpa memerlukan pekerja masuk ke area tersebut. Inisiatif data center berskala besar seperti yang dilakukan Crusoe di Jayton menunjukkan bagaimana infrastruktur komputasi turut mendorong kapabilitas AI industri.

Namun, otonomi yang lebih besar juga menuntut pendekatan governance baru. Kerangka responsible AI AVEVA menekankan tiga mandat: aman, efisien termasuk efisiensi lingkungan, serta menjaga keselamatan dan pengawasan manusia di atas segalanya. Garg berargumen AI harus memperkuat, bukan menggantikan manusia dalam loop keputusan kritis, dengan guardrails yang menentukan di mana sistem otomatis boleh bertindak dan di mana supervisor manusia tetap bertanggung jawab.

Risiko Fisik dan Peluang Efisiensi

Garg menjelaskan bahwa risiko terbesar AI di lingkungan industri adalah interaksi dengan sistem fisik nyata yang sering beroperasi di lingkungan berbahaya dan memiliki implikasi keselamatan manusia. AVEVA selama ini cenderung memilih model yang paling sesuai dan memahami perilakunya, seperti model deteksi anomali proprietary yang bekerja di banyak lingkungan operasional.

Namun, AI generasi baru secara desain sulit dipahami perilakunya, tidak sepenuhnya dapat dijelaskan seperti model statistik sebelumnya, dan perilakunya dapat berubah seiring pembelajaran. Meski demikian, Garg melihat peluang besar: kemampuan model reasoning dan agentic untuk belajar lebih cepat, bahkan mentransfer pengalaman dari satu situs ke situs lain. Hal ini relevan karena hampir setengah tenaga kerja industri akan pensiun dalam lima tahun ke depan, sehingga ada risiko kehilangan banyak keahlian.

Dalam konteks keberlanjutan, AVEVA bekerja sama dengan Idaho National Laboratory dalam proyek AI grid resilience. Tantangan grid listrik semakin kompleks seiring meningkatnya pembangkit energi terbarukan intermiten seperti solar atap terdistribusi. AI dinilai krusial untuk mengelola grid masa depan, membantu operator memahami kondisi sistem, mengidentifikasi anomali lebih awal, dan melakukan remediasi.

Di sisi lain, Garg menyoroti belum adanya metode yang disepakati untuk mengukur dampak lingkungan AI. Ia memimpin IEEE P7100 Standards Working Group yang diluncurkan lebih dari dua tahun lalu untuk mengembangkan metodologi standar pengukuran dampak lingkungan AI, mencakup konsumsi listrik dan energi, penggunaan sumber daya, konsumsi air, dan karbon. Prinsipnya, semakin tepat ukuran model untuk aplikasi yang tepat, semakin efisien AI yang dijalankan, dengan efek samping positif berupa perilaku model yang lebih terprediksi.

Untuk keseimbangan antara closed loop automation dan human in the loop accountability, AVEVA menyebut masih terus mempelajarinya. Salah satu solusi yang dikembangkan bersama sejumlah pelanggan mampu menyerap data operasional dan simulasi sistem untuk memberikan rekomendasi set point. Ada minat untuk beralih dari rekomendasi menjadi otomasi yang menyesuaikan set point secara otomatis, dan pilot di dunia nyata telah berhasil. Namun, perubahan set point pada peralatan industri menimbulkan kekhawatiran, sehingga guardrails seperti batas band operasi atau pembatasan area otomasi tetap diperlukan.

Garg juga menyoroti perubahan lanskap tenaga kerja dan kebutuhan pelatihan. Pengalaman SCG Chemicals, perusahaan petrokimia di Thailand, menjadi contoh. Mereka membangun reliability platform berbasis AI dengan fondasi data yang benar, menggabungkan data operasional dan data rekayasa, lalu menambahkan kemampuan AVEVA Predictive Analytics untuk mendeteksi anomali lebih awal. Hasilnya, downtime tak terencana berubah menjadi downtime terencana, dengan target reliabilitas pabrik sekitar 99% dan ROI awal hampir 9x. Kisah transformasi industri semacam ini sejalan dengan bagaimana sektor lain, termasuk industri kreatif, menyiapkan proyek jangka panjang seperti The Witcher: Legacy untuk 2027.

Bagi pemimpin industri yang masih ragu, Garg menilai pendekatan wait and see memiliki konsekuensi. Sektor industri memiliki kalkulasi berbeda karena risikonya tinggi, sehingga sebagian memilih menjadi fast follower. Namun, risiko menginfusikan sistem yang tidak selalu berperilaku prediktabel ke sistem fisik mungkin tidak banyak diselesaikan sektor lain. Karena itu, minat untuk mencoba teknologi ini meningkat, dengan pendekatan pengujian di lingkungan yang lebih tersandbox dan aman.

Untuk jangka panjang, Garg memperkirakan dalam 18 bulan ke depan akan semakin banyak orang dengan keahlian domain mendalam mengadopsi teknik AI assisted coding untuk membangun aplikasi yang sebelumnya sulit diwujudkan. Ia juga melihat physical embodiment AI seperti robot dan drone akan mengubah cara kerja di pabrik, sistem tenaga, dan lokasi pertambangan, membuat operasi lebih efisien, lebih aman bagi manusia, dan lebih produktif. Garg mengingatkan bahwa hambatan terbesar adopsi AI bukan pada teknologi atau data, melainkan pada kesediaan mengubah proses bisnis agar selaras dengan kekuatan dan keterbatasan teknologi ini.