Physical AI di Pabrik: Edge, Tata Kelola, dan Risiko Keamanan

Sebuah bearing signature alias pola getaran bantalan pada kompresor industri bisa menjadi sinyal awal kegagalan yang hanya terlihat dalam hitungan milidetik. Namun sinyal itu baru berguna bila model AI yang mengolahnya berada di edge, tepat di dekat mesin. Mengirim sinyal tersebut ke cloud menciptakan perjalanan bolak-balik yang terlalu lama untuk peralatan berkategori safety-critical. Persoalan inilah yang menjadi inti diskusi panel pada Industrial AI Summit 2026 yang menghadirkan Gaspard Duthilleul dari Galyos, Sanjay Mahato dari Amazon Web Services, Ian Clark dari InfluxData, dan Tauseef Ahmed dari Grayhawk Consulting Group.

Panel tersebut membahas kerangka keputusan yang praktis: di mana kecerdasan sebaiknya dijalankan, apa yang harus dibuktikan sistem otonom sebelum bertindak, dan mengapa physical AI memunculkan risiko keamanan siber baru. Bagi tim pemeliharaan dan keandalan aset, pembahasannya bukan soal teknologi yang paling canggih, melainkan soal menempatkan komputasi pada lapisan yang tepat agar keputusan bisa dipertanggungjawabkan.

Membagi Kecerdasan: Edge, Cloud, dan Lapisan Hibrida

Prinsip pembagiannya cukup jelas. Keputusan yang menyangkut keselamatan, deteksi cacat kualitas, dan apa pun yang menuntut respons di bawah satu detik harus berjalan di edge. Sebaliknya, pengenalan pola lintas pabrik, pelatihan model dari data kegagalan yang dikumpulkan bersama, serta analisis konsumsi energi yang butuh visibilitas banyak lokasi, lebih tepat dijalankan di cloud. Panelis menyebut pola ini sebagai physical AI yang bertindak secara lokal namun belajar secara global.

Siemens Energy menerapkan kerangka tiga lapis tersebut pada operasi manufakturnya. Perusahaan menggunakan AWS IoT SiteWise Edge untuk menjalankan pemantauan kondisi dan optimasi energi secara lokal di setiap pabrik. Ketika pola bantalan menandakan kegagalan yang mendekat, model di edge bertindak dalam milidetik tanpa perlu bolak-balik ke cloud. Dalam konteks ini, keterlambatan 200 milidetik bisa menjadi pembeda antara penghentian mesin yang aman dan insiden keselamatan, cacat kualitas, atau terhentinya lini produksi.

Menarik untuk dicatat, Siemens Energy menghubungkan 10 jenis protokol berbeda ke lapisan edge tersebut, termasuk Modbus, OPC UA, dan protokol warisan Siemens S7. Bagi tim instrumentasi dan otomasi di Indonesia, ini pengingat bahwa arsitektur edge yang baik harus mampu berbicara dengan peralatan lama dan baru sekaligus, bukan hanya dengan sensor modern.

Cloud kemudian menangani hal-hal yang tidak bisa dilihat satu pabrik sendirian. Dengan menggabungkan data kegagalan dari beberapa pabrik, model predictive maintenance dapat dilatih untuk mengenali pola yang tidak tampak di level satu fasilitas. Tolok ukur konsumsi energi lintas lokasi juga membuka peluang optimasi yang tidak akan ditemukan bila setiap pabrik bekerja sendiri.

Ada pula lapisan hibrida yang menggabungkan keduanya. Alur kerja agentic mendeteksi anomali di edge, lalu menelusuri catatan pemeliharaan, manual peralatan, dan inventaris suku cadang di cloud untuk menyusun work order dan permintaan suku cadang, sebelum mengembalikan aksi tersebut ke edge untuk dieksekusi. Pertimbangan biaya memperkuat arsitektur ini: mengumpulkan telemetri mentah secara lokal selama lima hari hingga satu bulan dan hanya mengirim subset yang relevan ke cloud dapat menekan biaya penyimpanan menjadi sepersepuluh dibandingkan bila seluruh data dialirkan ke cloud.

Satu syarat yang tidak bisa ditawar: perangkat edge harus tetap berfungsi saat jaringan terputus. Meteran air atau lengan robot tidak boleh berhenti mengambil keputusan hanya karena konektivitas hilang.

Tata Kelola Otonomi Berbasis Risiko

Konsekuensi sistem AI yang sekadar merekomendasikan inspeksi kepada teknisi berbeda jauh dari sistem AI yang mengubah parameter proses kritis secara mandiri. Karena itu tata kelola harus disesuaikan dengan tingkat konsekuensinya. Panelis menyebut pendekatan ini sebagai otonomi berbasis risiko, dengan empat pemeriksaan keyakinan yang harus dilewati sebelum aksi otonom diizinkan berjalan.

Pemeriksaan pertama menuntut infrastruktur tersendiri. Sebuah unified namespace dan ontologi tag berfungsi menangkap pergeseran penamaan, ketidaksesuaian jam, dan perubahan skema, misalnya tipe data yang bergeser dari integer ke float, sebelum input yang rusak mencapai model AI. Pengujian balik terhadap pola historis menambah lapisan verifikasi kedua: ketika sensor atau sumber data baru diaktifkan, keluarannya dibandingkan dengan ontologi yang ada untuk mendeteksi ketidaksesuaian sebelum menyebar ke pelatihan model.

Perlu ditegaskan, schema drift alias perubahan struktur atau tipe data telemetri tanpa pemberitahuan menyebabkan degradasi model yang senyap. Sering kali kondisi ini tidak terdeteksi sampai prediksi mulai gagal. Perlindungan data pun menuntut perhatian pada tiga kondisi berbeda, sementara tingkat otonomi meningkat melalui empat tahap.

Setiap tahap mensyaratkan explainability. Bila sebuah sistem AI memutuskan mematikan kompresor pukul dua pagi, tim operasi harus bisa menelusuri alasan dan data yang memicu keputusan itu. Jalur eskalasi memastikan bahwa di atas ambang risiko tertentu, AI menyerahkan penilaian kepada operator manusia. Batas domain mencegah model yang dilatih untuk satu fasilitas menerapkan perilaku belajarnya ke fasilitas lain yang peralatan, proses, dan pengetahuan operasinya berbeda.

Risiko Keamanan Siber dan Kendala Fisik di Edge

Robot fisik di lantai produksi yang berinteraksi dengan warehouse management system sekaligus MES melintasi batas keamanan yang justru dirancang dijaga terpisah oleh model ISA 95. Serangan model poisoning dan prompt engineering di edge dapat merambat ke atas melalui seluruh hierarki, hingga mencapai sistem yang oleh arsitektur keamanan lama dianggap terisolasi.

Seorang penyerang yang meracuni model di perangkat edge dapat memengaruhi keputusan yang menjalar melalui lapisan alur kerja agentic ke cloud, memengaruhi work order dan penjadwalan pemeliharaan di banyak lokasi. Menangkal ancaman ini menuntut penggabungan disiplin keamanan IT dan OT. Security operations center mulai memakai AI untuk memperbesar skala deteksi dan respons ancaman secara otonom.

Perangkat keras edge menambah kendala fisik tersendiri. Keterbatasan memori membatasi ukuran model, dan inferensi yang intensif komputasi menghasilkan panas yang sulit dibuang di lingkungan pabrik, berbeda dengan pusat data ber-AC. Waktu inferensi meningkat 30 milidetik pada bulan-bulan musim panas akibat thermal throttling prosesor edge. Bagi aplikasi keselamatan yang bergantung pada respons di bawah satu detik, degradasi sebesar itu terukur dan berarti.

Relevansi untuk Indonesia

Pola pikir ini relevan bagi pabrik, tambang, dan fasilitas migas di Indonesia yang mulai memasang sensor getaran, termografi, dan pemantauan arus motor. Banyak lokasi operasi berada di area dengan konektivitas tidak stabil, sehingga kemampuan edge untuk tetap mengambil keputusan saat jaringan terputus menjadi syarat mutlak, bukan fitur tambahan.

Suhu lingkungan tropis juga membuat kendala termal pada perangkat edge perlu diperhitungkan sejak tahap desain panel kontrol. Selain itu, banyak pabrik masih mengoperasikan peralatan dengan protokol warisan, sehingga kemampuan edge untuk menjembatani Modbus, OPC UA, dan protokol lama menjadi penentu apakah proyek percontohan bisa berlanjut ke skala penuh.

Untuk langkah awal, panelis menyarankan agar manufaktur memulai dari proyek terbatas dengan lingkup, kriteria keberhasilan, dan aksi yang diizinkan yang jelas. Setelah arsitektur terbukti andal di satu lokasi, pola penerapan, aturan tata kelola, dan kontrol keamanannya dapat direplikasi ke fasilitas lain tanpa harus membangun ulang dari nol. Bagi tim keandalan aset, urutan itu masuk akal: buktikan dulu pada satu kompresor atau satu lini, ukur manfaatnya, baru perluas.