AI Semakin Mendalam dalam Otomasi Industri
Kecerdasan buatan tidak lagi hanya dibahas sebagai kemampuan perangkat lunak yang berada di atas operasi industri . AI semakin menjadi bagian dari arsitektur otomasi itu sendiri, memengaruhi cara mesin dipantau, keputusan dibuat, dan sistem produksi merespons perubahan kondisi.
Perubahan ini akan menjadi topik utama di AI LIVE: The London Summit, yang berlangsung di Olympia London pada 20-21 Oktober 2026. Acara ini diperkirakan akan mempertemukan lebih dari 2.000 pemimpin bisnis dan teknologi dengan tema "Teknologi + Tujuan Kemanusiaan."
Namun, dari perspektif otomasi industri, pertanyaan yang lebih menarik bukanlah apakah AI akan memasuki pabrik dan gudang. Pertanyaannya adalah bagaimana para insinyur akan mengintegrasikan AI dengan sistem kontrol yang sudah ada tanpa mengorbankan determinisme, keselamatan, ketersediaan, atau kemudahan pemeliharaan.
Mengapa Otomasi Industri Membutuhkan Strategi AI yang Berbeda
Lingkungan industri beroperasi dengan batasan yang sangat berbeda dari lingkungan TI perusahaan konvensional. Lini produksi tidak dapat begitu saja menoleransi pembaruan perangkat lunak yang tidak terduga, sumber data yang tidak tersedia, atau algoritma yang menghasilkan respons tidak pasti pada saat yang keliru.
Karena itu, AI tidak seharusnya secara otomatis menggantikan logika PLC, strategi kontrol DCS, sistem keselamatan, atau arsitektur otomasi yang telah mapan. Dalam banyak aplikasi, pendekatan yang lebih praktis adalah menempatkan AI di atas lapisan kontrol deterministik.
AI dapat menganalisis volume data operasional yang besar, mengidentifikasi pola abnormal, merekomendasikan penyesuaian, dan mendukung optimasi tingkat tinggi. Sementara itu, sistem kontrol konvensional dapat terus menjalankan fungsi yang kritis terhadap waktu dan terkait keselamatan dalam batas-batas rekayasa yang telah ditetapkan.
Pemisahan ini dapat menjadi salah satu prinsip arsitektur terpenting dalam penerapan AI industri.
Pemeliharaan Prediktif Menjadi Semakin Praktis
Pemeliharaan prediktif merupakan salah satu aplikasi industri AI yang paling jelas karena pabrik modern telah menghasilkan data peralatan dalam jumlah besar.
Getaran, suhu, tekanan, arus, variabel proses, riwayat alarm, dan catatan pemeliharaan dapat memberikan informasi berguna tentang kondisi peralatan. Model AI dapat menganalisis hubungan di antara kumpulan data tersebut yang mungkin sulit diidentifikasi melalui pemantauan konvensional berbasis ambang batas.
Namun, nilainya bukan berasal dari kemampuan memprediksi setiap kegagalan secara sempurna. Tujuan yang lebih realistis adalah mengidentifikasi perubahan perilaku peralatan cukup dini agar tim pemeliharaan dapat menyelidiki kondisi yang mendasarinya.
Bagi insinyur industri, perbedaan ini penting. Sistem pemeliharaan prediktif yang berguna harus menghasilkan informasi yang dapat ditindaklanjuti, bukan sekadar membuat dasbor lain yang penuh alarm.
Robotika dan Visi Komputer Menambahkan Lapisan Kecerdasan Lain
Robotika industri juga bergerak menuju pengoperasian yang lebih adaptif. Robot tradisional biasanya menjalankan rangkaian gerakan yang telah ditentukan dengan kesadaran terbatas terhadap perubahan di sekitarnya.
Visi komputer berbasis AI dapat memberikan informasi tambahan tentang objek, posisi, cacat, pekerja, dan perubahan kondisi produksi. Hal ini memungkinkan sistem robot menangani variasi yang lebih besar tanpa harus memprogram setiap kemungkinan situasi secara eksplisit.
Dalam bidang logistik, prinsip yang sama dapat mendukung penyortiran otomatis, pergerakan di gudang, identifikasi inventaris, dan penanganan pengecualian.
Tantangan rekayasanya adalah mengintegrasikan kemampuan ini dengan PLC, pengendali robot, jaringan industri, sistem keselamatan, dan platform pengawasan yang sudah ada. AI mungkin menyediakan kecerdasan, tetapi arsitektur otomasi di sekitarnya tetap menentukan apakah kecerdasan tersebut dapat diterapkan dengan aman dan konsisten.
AI Harus Menjadi Lapisan Kecerdasan, Bukan Sistem Terisolasi Lain
Salah satu gagasan paling bermanfaat yang muncul dari pembahasan tentang AI industri adalah konsep AI sebagai lapisan kecerdasan.
Alih-alih membuat aplikasi independen lainnya, AI dapat menggunakan informasi dari sistem otomasi dan perusahaan yang sudah ada, menganalisis kondisi operasional, serta memberikan rekomendasi atau keputusan yang dioptimalkan kepada proses tingkat lebih tinggi.
Arsitektur ini dapat menghubungkan data mesin, informasi MES, sistem gudang, catatan pemeliharaan, kondisi rantai pasok, dan tujuan bisnis.
Namun, integrasi harus dirancang dengan cermat. Jaringan industri pada awalnya tidak dibangun untuk mendukung perpindahan data tanpa batas antara setiap sistem operasional dan perusahaan. Oleh karena itu, keamanan siber, segmentasi jaringan, kualitas data, latensi, kontrol akses, dan kepemilikan sistem tetap menjadi pertimbangan rekayasa yang mendasar.
Otomasi Lama Akan Tetap Menjadi Tantangan Rekayasa Utama
Sebagian besar infrastruktur industri dipasang jauh sebelum teknologi AI saat ini tersedia. Banyak fasilitas masih mengoperasikan PLC, platform DCS, drive, I/O jarak jauh, historian, dan sistem komunikasi yang tetap efektif secara teknis meskipun sudah berusia lama.
Mengganti sistem-sistem tersebut semata-mata untuk memperkenalkan AI jarang akan layak secara ekonomi.
Strategi yang lebih realistis adalah integrasi bertahap. Pengendali yang ada dapat terus menjalankan kontrol deterministik, sementara gateway, historian, komputer edge, PC industri, atau middleware menyediakan akses ke data operasional untuk aplikasi AI.
Pendekatan ini memungkinkan perusahaan memperkenalkan kemampuan baru tanpa mengganggu infrastruktur produksi yang telah terbukti secara tidak perlu.
Optimasi Waktu Nyata Membutuhkan Lebih dari Sekadar Model AI
Optimasi waktu nyata adalah area lain yang menuntut ekspektasi tetap realistis.
Model AI mungkin mengidentifikasi titik operasi yang menarik secara ekonomi, tetapi rekomendasi tersebut tetap harus mematuhi batasan proses, batas kemampuan peralatan, perilaku loop kontrol, persyaratan keselamatan, dan prioritas produksi.
Karena itu, AI industri harus beroperasi dalam batas-batas yang ditetapkan dengan jelas.
Arsitektur yang paling efektif mungkin melibatkan AI yang merekomendasikan target operasi, sementara sistem kontrol konvensional menentukan cara mencapai target tersebut. Hal ini mempertahankan keunggulan kedua teknologi: AI menangani pengenalan pola dan optimasi yang kompleks, sedangkan otomasi yang telah mapan menangani eksekusi deterministik.
Peran Manusia Berubah, Bukan Menghilang
Anggapan bahwa AI akan begitu saja menghapus peran manusia dari operasi industri mengabaikan kompleksitas pabrik yang sebenarnya.
Insinyur berpengalaman memahami perilaku peralatan, interaksi proses, riwayat pemeliharaan, dan kondisi operasi abnormal yang mungkin tidak terdapat dalam kumpulan data terstruktur. AI dapat mengidentifikasi pola, tetapi insinyur tetap perlu menentukan apakah pola tersebut menunjukkan masalah proses yang nyata atau kondisi operasi yang tidak biasa tetapi masih dapat diterima.
Hal ini membuat keahlian manusia sangat penting selama penerapan AI.
Menurut saya, sistem AI industri yang paling kuat tidak akan berusaha menghilangkan penilaian rekayasa. Sebaliknya, sistem tersebut akan mengurangi analisis berulang dan memungkinkan insinyur berkonsentrasi pada pengecualian, optimasi, pemecahan masalah, dan keputusan yang bernilai lebih tinggi.
Makna AI LIVE: London bagi Otomasi Industri
Sesi AI dan Otomasi Industri di AI LIVE: The London Summit menjadi forum yang bermanfaat untuk mengkaji transisi ini dari perspektif bisnis dan rekayasa yang praktis.
Para pembicara, termasuk Julia Peyre, Head of AI Strategy and Innovation di Schneider Electric, dan Adie Taylor, Head of Solution Design and Logistics Engineering di Arvato, diperkirakan akan membahas bagaimana AI dapat memengaruhi operasi manufaktur, logistik, dan rantai pasok.
Pembahasan ini sangat relevan karena penerapan AI industri yang berhasil bukan sekadar latihan memilih teknologi. Penerapan tersebut membutuhkan koordinasi antara rekayasa otomasi, TI, operasi, keamanan siber, manajemen data, pemeliharaan, dan kepemimpinan bisnis.
Keunggulan Kompetitif yang Sebenarnya Akan Datang dari Integrasi
Karena itu, perusahaan industri sebaiknya melihat melampaui demonstrasi AI dan berfokus pada hasil operasional yang terukur.
Berkurangnya waktu henti yang tidak direncanakan, meningkatnya pemanfaatan aset, kinerja energi yang lebih baik, throughput yang lebih tinggi, berkurangnya cacat kualitas, dan operasi logistik yang lebih responsif merupakan indikator nilai AI yang lebih kuat daripada jumlah model yang diterapkan.
AI LIVE: London menyoroti transisi penting dalam lanskap teknologi industri. AI bergerak dari tahap eksperimen menuju penerapan operasional, tetapi keberhasilan jangka panjangnya akan bergantung pada seberapa baik AI bekerja dengan sistem otomasi yang sudah menjalankan pabrik dan rantai pasok.
Perusahaan industri yang memperoleh manfaat terbesar dari AI mungkin bukan perusahaan yang menerapkan aplikasi AI dalam jumlah paling banyak. Perusahaan tersebut mungkin justru yang paling cerdas dalam mengintegrasikan AI dengan kontrol deterministik, keahlian rekayasa, data operasional, dan infrastruktur industri yang sudah ada.
