Catatan
Menghadiri Konferensi Energi APOGCE, Australia, Oktober 2026 (3)
|
AGAR DUNIA ENERGI INDONESIA MELOMPAT BERSAMA KECERDASAN BUATAN Denny JA : Kolumnis/Akademisi/Konsultan Politik/pendiri
Lingkaran Survei Indonesia (LSI) |
FACEBOOK DENNY JA'S WORLD, 14 Oktober 2026
|
Bayangkan
seorang insinyur muda di Riau. Tengah malam, komputernya memberi peringatan.
Sebuah pompa minyak menunjukkan gejala kerusakan, meskipun mesin itu masih
bekerja. Di
tempat lain, seorang pekerja bersiap memasuki fasilitas produksi. Di rumah,
anaknya mungkin sudah tertidur, tanpa mengetahui bahaya yang terkadang
mengintai pekerjaan ayahnya. Dahulu,
kerusakan sering diketahui setelah produksi berhenti. Kini, kecerdasan buatan
dapat mengenali gejala gangguan lebih awal. Insinyur memeriksa data, lalu
mengusulkan perbaikan. Namun,
bagaimana jika peringatan itu benar, sementara persetujuan perbaikan
terlambat? Mesin sudah membaca masa depan, tetapi organisasi masih terjebak
dalam masa lalu. Kisah
ilustratif ini menyimpan pertanyaan besar bagi industri energi Indonesia. Apa
gunanya teknologi yang mampu berpikir cepat jika manusia membangun organisasi
yang lambat bertindak? -000- AI di Brisbane: Ketika Teknologi Bertemu
Kebiasaan Lama Mengapa
proyek percontohan AI yang berhasil diterapkan secara luas diperkirakan hanya
di bawah 10 persen? Pertanyaan ini mengusik saya ketika mengikuti konferensi
energi di Brisbane. Dalam
panel Driving Transformation and Optimisation through AI and Automation,
angka tersebut muncul sebagai perkiraan panelis, bukan statistik industri
yang telah diverifikasi secara independen. Diskusi
APOGCE 2026 mempertemukan pengalaman Microsoft, praktisi operasi energi
Australia, Shell QGC, dan SLB. Saya menangkap satu kegelisahan bersama:
teknologi maju lebih cepat daripada organisasi. Perusahaan
sering memulai dengan pertanyaan yang keliru: teknologi AI apa yang perlu
dibeli? Padahal pertanyaan mendasarnya: persoalan bisnis apa yang harus
diselesaikan? AI
dapat memprediksi kerusakan, mengoptimalkan produksi, hingga menyimulasikan
investasi. Namun, rekomendasinya kehilangan nilai ketika anggaran, pengadaan,
dan keputusan tetap berjalan sendiri-sendiri. Bayangkan
harga minyak turun ketika proyek pengeboran terlambat. AI membantu
membandingkan perubahan anggaran, penundaan investasi, dan intervensi sumur
berdasarkan konsekuensi ekonomi masing-masing. Bahkan
agentic AI dapat membantu menjalankan rangkaian analisis lintas produksi,
reservoir, keuangan, dan pengadaan. Namun, kewenangan serta
pertanggungjawaban tetap berada pada manusia. Di
Brisbane, saya semakin yakin bahwa tantangan terbesar bukan membuat mesin
menyerupai manusia, melainkan membuat organisasi manusia mampu belajar dari
kecerdasan mesin. -000- Pertama: Ketika Sumur Tua Mendapat Kesempatan
Kedua Indonesia
memiliki banyak lapangan minyak matang. Sebagian minyak masih tersimpan di
bawah tanah, tetapi tekanan reservoir, kondisi sumur, dan usia peralatan
membatasi produksinya. Bagi
insinyur, reservoir menyerupai buku tua dengan banyak halaman hilang. Tekanan,
temperatur, dan kandungan air menjadi petunjuk untuk membaca cerita yang
belum selesai. Machine learning membantu menemukan pola tersembunyi. Digital
twin, representasi digital suatu sistem fisik, memungkinkan insinyur menguji
berbagai skenario sebelum mengambil tindakan nyata. ADNOC
di Abu Dhabi memberikan contoh menarik. Pada Juli 2024, perusahaan melaporkan
peningkatan kapasitas produksi lapangan SARB sebesar 25 persen menjadi
140.000 barel sehari. Peningkatan
tersebut merupakan hasil integrasi teknologi digital, sistem pengendalian,
dan pengelolaan operasi, bukan semata kontribusi algoritma AI. Perbedaan ini
penting untuk menjaga ketepatan kesimpulan. Pada
November 2025, ADNOC bersama SLB dan Cognite memperkenalkan AiPSO, platform
optimasi produksi berbasis AI yang awalnya diterapkan pada delapan lapangan
minyak dan gas. Perusahaan
merencanakan perluasan menuju 25 lapangan pada 2027. Diagnosis dan optimasi
tertentu disebut dapat dipercepat dari hitungan hari menjadi menit. Pelajaran
ADNOC adalah integrasi. Sumur, pompa, fasilitas, dan jaringan produksi harus
dipahami sebagai satu sistem, bukan kumpulan aset yang bekerja terpisah. Saya
membayangkan relevansinya bagi Rokan. Di sana, peluang tambahan produksi
mungkin tersembunyi bukan hanya dalam cadangan minyak, melainkan ribuan
keputusan operasional setiap hari. Rokan
sebenarnya memiliki fondasi melalui pengalaman analitik IODSC sejak era
Chevron. Tantangannya adalah mengembangkan kemampuan tersebut menjadi manfaat
yang semakin luas dan terukur. Barangkali
kesempatan kedua bagi sumur tua tidak selalu dimulai dengan menemukan minyak
baru, tetapi dengan membaca lebih cermat apa yang selama ini diabaikan. -000- Kedua: Mencegah Kerusakan Sebelum Menjadi Tragedi Peluang
berikutnya menyangkut keandalan peralatan. Kompresor yang berhenti mendadak
bukan sekadar kehilangan produksi, tetapi dapat menghadirkan risiko bagi
manusia di sekitarnya. Equinor
memperlihatkan kemungkinan baru. Pada Januari 2026, perusahaan melaporkan
pemantauan lebih dari 700 mesin berputar melalui sekitar 24.000 sensor yang
terhubung. Getaran,
temperatur, dan tekanan dibaca secara berkelanjutan. Algoritma mengenali
penyimpangan, sementara tenaga ahli menentukan apakah peringatan memerlukan
pemeriksaan atau tindakan segera. Equinor
melaporkan nilai sekitar 130 juta dolar Amerika dari berbagai penerapan AI
sepanjang 2025. Sejak 2020, akumulasi nilainya disebut melampaui 330 juta
dolar. Sekitar
120 juta dolar dari akumulasi tersebut berasal dari pemeliharaan prediktif.
Angka ini memperlihatkan bahwa manfaat teknologi dapat dinilai melalui ukuran
ekonomi. Namun,
saya melihat ukuran lain yang sama pentingnya. Berapa banyak gangguan
berbahaya berhasil dicegah? Berapa banyak pekerja terhindar dari penanganan
darurat? Laporan
keuangan menghitung biaya mesin yang berhenti. Namun, tidak ada laporan
keuangan yang sepenuhnya mampu menghitung nilai seorang ayah yang pulang
dengan selamat. Di
sinilah teknologi memperoleh martabat kemanusiaannya. AI bukan hanya membantu
menyelamatkan produksi, tetapi juga mengurangi risiko yang selama ini
diterima sebagai keniscayaan. -000- Ketiga: Menemukan Peluang dalam Lautan Data Peluang
ketiga adalah mempercepat eksplorasi, perencanaan sumur, dan seleksi
investasi. Keputusan tersebut selalu mengandung ketidakpastian karena bumi
tidak pernah membuka seluruh rahasianya. AI
membantu insinyur membandingkan lebih banyak skenario dan mempercepat
interpretasi seismik. Namun, setiap hasil tetap membutuhkan validasi ilmiah,
pengujian lapangan, dan penilaian ekonomi. Equinor
melaporkan peningkatan kapasitas interpretasi seismik hingga sepuluh kali
lipat. Dalam pengembangan Johan Sverdrup fase ketiga, AI membantu menemukan
alternatif penghematan sekitar 12 juta dolar. Indonesia
pun memiliki pengalaman penting. Di Lapangan Attaka, Kalimantan Timur,
Pertamina Hulu Kalimantan Timur bekerja sama dengan SLB mengoptimalkan
pemilihan kandidat intervensi sumur. Attaka
memiliki lebih dari 400 sumur yang menembus lebih dari 200 reservoir.
Banyaknya kemungkinan tindakan membuat seleksi manual membutuhkan waktu dan
tenaga besar. Menurut
studi kasus SLB, analisis berbantuan AI memungkinkan peninjauan kandidat
dilakukan jauh lebih cepat. Penghematan waktu peninjauan mencapai 66 persen,
dengan potensi percepatan keseluruhan proses seleksi hingga 90 persen. Penerapan
awal mengidentifikasi peluang pada 68 interval penyelesaian dalam 40 sumur.
PHKT (PT Pertamina Hulu Kalimantan Timur) juga memperkirakan peningkatan
pengembalian investasi sebesar 17 persen dalam lima tahun. Angka
terakhir masih berupa proyeksi, bukan keuntungan yang sudah terealisasi.
Namun, pengalaman Attaka menunjukkan bahwa AI dapat memperluas kemampuan
manusia menilai peluang ekonomi. Bagi
saya, pengalaman tersebut menyimpan pesan optimistis: revolusi AI Indonesia
tidak harus berangkat dari halaman kosong. Benih kemampuannya sudah tumbuh di
negeri sendiri. Dari
ADNOC, kita belajar integrasi. Dari Equinor, nilai yang terukur. Dari Attaka,
kemampuan domestik. Ketiganya menunjukkan bahwa teknologi harus berakhir pada
tindakan. -000- Indonesia: Ketika Mesin Cepat, tetapi Keputusan
Terlambat Indonesia
menghadapi kesenjangan besar antara kebutuhan minyak dan BBM dengan produksi
minyak mentah domestik. Banyak lapangan pun terus berjuang melawan penurunan
produksi alamiah. PHE
mencanangkan aspirasi 1M29, menuju satu juta barel minyak per hari pada 2029
melalui pengembangan domestik dan pertumbuhan portofolio, termasuk peluang
akuisisi. Target
ambisius tersebut membutuhkan pengeboran, eksplorasi, minyak nonkonvensional,
fasilitas produksi, dan investasi. AI tidak menggantikannya, tetapi dapat
meningkatkan efektivitas serta kecepatan pelaksanaannya. AI
bukan pengganti penemuan cadangan minyak. Ia dapat menjadi pengganda
efektivitas investasi, peningkatan perolehan minyak, keandalan fasilitas, dan
kualitas keputusan yang menentukan hasil produksi. Sebagai
Komisaris Utama PHE, saya memandang persoalan ini melampaui pembelian
teknologi. Tantangannya adalah bagaimana pengetahuan yang tersebar dapat
berubah menjadi tindakan bersama. Bayangkan
AI menemukan gejala kerusakan pompa dalam lima menit. Namun, pelaksanaannya
tertunda berminggu-minggu karena keputusan anggaran, pengadaan, dan
persetujuan belum tersambung. Di
bawah tanah, minyak sulit mengalir karena batuan terlalu rapat. Di atas
tanah, keputusan dapat terhambat karena hubungan antarfungsi terlalu
berlapis. Saya
melihat analogi yang penting: teknologi membantu membuka jalur aliran minyak,
sedangkan kepemimpinan harus membuka jalur keputusan, tanpa mengorbankan keselamatan
dan tata kelola. Dari
perenungan itu, saya mengusulkan tiga langkah yang dapat diuji, bukan sekadar
menjadi semboyan transformasi digital dalam presentasi perusahaan yang segera
terlupakan. Pertama,
jalankan pilot 90 hari untuk satu persoalan produksi dan satu proses
perencanaan bisnis, dengan pemilik keputusan, kondisi awal, serta target
manfaat terukur. Pilot
produksi dapat menguji prediksi kerusakan pompa atau seleksi intervensi
sumur. Pilot perencanaan menguji simulasi harga minyak, anggaran, jadwal
proyek, dan produksi. Setiap
percobaan harus menentukan kapan dilanjutkan, diperbaiki, atau dihentikan.
Dalam 90 hari, yang dicari bukan keajaiban, melainkan bukti awal yang dapat
dipercaya. Kedua,
bangun fondasi data lintas regional yang menghubungkan reservoir, produksi,
biaya, dan pengadaan, disertai standar kualitas serta perlindungan informasi
yang memadai. Data
bukan sekadar arsip masa lalu. Ketika dihubungkan dengan persoalan yang
tepat, data menjadi ingatan organisasi yang membantu manusia mengambil
keputusan lebih baik. Ketiga,
bangun tata kelola yang menghubungkan rekomendasi dengan tindakan, melalui
kewenangan jelas, mekanisme evaluasi, serta pengukuran waktu sejak peringatan
hingga pelaksanaan keputusan. Direksi
bertanggung jawab atas pelaksanaan dan penciptaan nilai. Komisaris mengawasi
arah strategis, keekonomian, keselamatan, serta kecukupan pengendalian risiko
sesuai batas kewenangannya. Saya
ingin mengusulkan sebuah ukuran tambahan: Insight-to-Action Time, yaitu waktu
yang dibutuhkan organisasi untuk mengubah pengetahuan menjadi tindakan. Ukurannya
sederhana. Kapan masalah terdeteksi? Kapan keputusan disetujui? Kapan
tindakan dilaksanakan? Dan bagian mana dari jeda tersebut sebenarnya dapat
diperpendek? Tentu,
tidak semua jeda adalah pemborosan. Validasi teknis, keselamatan, dan
pengendalian risiko membutuhkan waktu. Yang harus dihilangkan adalah
keterlambatan yang tidak menciptakan nilai. Dengan
ukuran ini, kecerdasan organisasi tidak hanya dinilai dari kualitas analisis,
tetapi juga dari kemampuannya bertindak tepat waktu, aman, dan bertanggung
jawab. Sebagai
ilustrasi, tambahan produksi tiga persen pada basis hipotetis 600.000 barel
sehari berarti 18.000 barel tambahan per hari, apabila kenaikan tersebut
benar-benar tercapai. Itu
bukan proyeksi PHE atau janji AI. Angka tersebut sekadar memperlihatkan
betapa perbaikan kecil dapat bermakna besar ketika berlangsung konsisten dan
berkelanjutan. Bagi
aspirasi 1M29, AI dapat menjadi pengganda kemampuan organisasi. Bukan dengan
menggantikan investasi fisik, melainkan membantu setiap investasi
menghasilkan nilai yang lebih optimal. Ukuran
revolusi AI bukan berapa banyak algoritma dibeli, melainkan berapa banyak
keputusan membaik, gangguan dicegah, dan peluang produksi akhirnya terwujud. Kecerdasan
mesin baru benar-benar bernilai ketika memperbesar kecerdasan organisasi.
Inilah perubahan yang layak menjadi warisan kepemimpinan industri energi
Indonesia. -000- Ketika Teknologi Tidak Cukup Menyelamatkan Kita Namun,
saya tidak ingin terjebak dalam optimisme teknologi yang berlebihan. AI
membutuhkan data bermutu, investasi, tenaga ahli, keamanan siber, serta
kedisiplinan organisasi. Algoritma
dapat keliru. Rekomendasi yang terdengar meyakinkan mungkin dibangun di atas
data tidak lengkap. Peringatan palsu pun dapat mengganggu pekerjaan lapangan. Bagaimana
jika persoalan sebenarnya hanyalah kekurangan suku cadang atau prosedur
pemeliharaan yang buruk? Membeli AI tidak otomatis menyelesaikan masalah yang
sederhana. Karena
itu, setiap investasi AI harus dibandingkan dengan solusi alternatif.
Terkadang perbaikan prosedur, pelatihan pekerja, atau otomatisasi biasa
justru lebih ekonomis. Keputusan
berisiko tinggi harus tetap berada dalam pengawasan manusia. Ruang
bereksperimen diperlukan, tetapi keselamatan, integritas data, dan
pertanggungjawaban tidak boleh dipertaruhkan. Transformasi
yang berhasil bukanlah ketika manusia tunduk kepada mesin, melainkan ketika
teknologi memperkuat pengalaman, keterampilan, dan martabat mereka yang
bekerja. Namun,
mempercepat keputusan bukan berarti mengabaikan tata kelola BUMN. Justru di
sinilah tantangan sesungguhnya: bagaimana menjaga keputusan tetap cepat tanpa
kehilangan kehati-hatian. Kuncinya
adalah agile governance, tata kelola yang menetapkan batas risiko dan
tanggung jawab secara jelas, sehingga kecerdasan buatan dapat mempercepat
tindakan tanpa mengorbankan akuntabilitas. -000- Dua Bacaan untuk Memahami Revolusi Ini Laporan
Energy and AI dari International Energy Agency, terbit pada 2025, menunjukkan
hubungan timbal balik kecerdasan buatan dengan sistem energi dunia. AI
dapat meningkatkan efisiensi operasi energi, tetapi pusat data juga
membutuhkan listrik dalam jumlah besar. Revolusi digital ternyata membawa
konsekuensi energinya sendiri. Bacaan
kedua, Competing in the Age of AI karya Marco Iansiti dan Karim R. Lakhani,
menjelaskan bagaimana algoritma dan jaringan mengubah organisasi. Buku
terbitan Harvard Business Review Press tahun 2020 itu mengingatkan bahwa
keunggulan teknologi memerlukan perubahan proses, budaya kerja, dan kemampuan
belajar bersama. Kedua
bacaan itu menguatkan kesan saya dari Brisbane: mesin dapat mempercepat
perhitungan, tetapi kepemimpinan menentukan apakah kecerdasan tersebut
menghasilkan kemajuan manusia. -000- Masa Depan Energi Tidak Hanya Tersembunyi di
Bawah Tanah Pikiran
saya kembali kepada insinyur muda di Riau. Peringatan masih menyala di layar.
Ia tahu ada sesuatu yang harus segera diperiksa sebelum terlambat. Tetapi
keberhasilannya bergantung pada banyak orang: pekerja pemeliharaan, pengelola
anggaran, tim pengadaan, dan pemimpin yang berani memutuskan dengan penuh
tanggung jawab. Di
belakang mereka, ada keluarga yang menunggu kepulangan. Di luar pagar
fasilitas, ada rumah sakit, sekolah, dan jutaan kehidupan yang membutuhkan
energi. Ketika
meninggalkan ruang konferensi di Brisbane, saya membawa satu pertanyaan:
sanggupkah Indonesia membangun organisasi yang kecepatan bertindaknya
mendekati kecerdasan teknologi yang digunakannya? Barangkali
sebagian masa depan energi kita tidak tersembunyi jauh di bawah tanah,
melainkan dalam data lama, pengalaman pekerja, dan keputusan yang terlalu
lama tertunda. Kita
tidak hanya membutuhkan mesin yang lebih pintar. Kita membutuhkan lembaga
yang lebih bijaksana, pemimpin yang lebih tanggap, dan manusia yang semakin
dihargai. Sebab
minyak adalah kekayaan yang diwariskan bumi, tetapi kecerdasan untuk
mengelolanya adalah warisan yang harus kita ciptakan sendiri. ● REFERENSI 1.
International Energy Agency. Energy and AI. Paris: International Energy
Agency, 2025. 2.
Iansiti, Marco, dan Karim R. Lakhani. Competing in the Age of AI: Strategy
and Leadership When Algorithms and Networks Run the World. Boston: Harvard
Business Review Press, 2020. SUMBER
PENDUKUNG 1.
SPE APOGCE 2026. Technical Programme, panel Driving Transformation and
Optimisation through AI and Automation, serta catatan diskusi konferensi. 2.
ADNOC. ADNOC’s Offshore SARB Field Commences AI-Enabled Digital Operations,
30 Juli 2024. 3.
SLB. ADNOC and SLB Launch Transformative AI-Powered Solution to Boost
Upstream Productivity, 3 November 2025. 4.
Equinor. Use of Artificial Intelligence Saved Equinor USD 130 Million in
2025, 7 Januari 2026. 5.
SLB. AI and Automation Accelerates Candidate Selection for Well Intervention
up to 90%, Offshore Indonesia, 31 Januari 2024. 6.
Jurnal IATMI. Data Analytics Applications in Oil and Gas Industry in
Indonesia: Some Implementation in SKK Migas and Pertamina Hulu Rokan (PHR). |
Tidak ada komentar:
Posting Komentar