Produsen Mencapai ROI AI—Sekarang Saatnya Meningkatkan Dampak yang Lebih Besar
AI menghasilkan ROI di bidang manufaktur, namun meningkatkannya masih menjadi tantangan. Tanpa fondasi data dan jaringan yang lebih kuat, kemajuan akan terhenti.
Oleh Nic Leszczynski, Insinyur Solusi Utama, UKI, di Riverbed Technology
Dari pabrik hingga rantai pasokan, kecerdasan buatan (AI) telah memberikan keuntungan yang terukur di seluruh proses produksi. Tanyakan saja kepada 87% pemimpin sektor yang mengatakan pada Survei Global Riverbed 2025 bahwa ROI dari Artificial Intelligence for IT Operations (AIOps) telah memenuhi atau melampaui ekspektasi mereka.
Namun tantangannya adalah meningkatkan keuntungan tersebut di seluruh perusahaan. Saat ini, hanya 12% dari inisiatif AI yang sepenuhnya diterapkan di sektor manufaktur, dan hanya 37% organisasi di sektor ini yang merasa siap sepenuhnya untuk mengoperasionalkan AI dalam skala besar. Kesenjangan struktural ini menggambarkan AI sebagai pekerjaan yang sedang berjalan:terealisasi sebagian, namun belum dapat mencapai penyelesaian.
Dengan berjalannya Industri 4.0, kita tidak perlu membuktikan bahwa AI membuahkan hasil – data sudah menunjukkan hal tersebut. Meskipun teknologi ini terbukti efektif dalam pengujian terkontrol, sebagian besar produsen kesulitan untuk meningkatkan manfaat tersebut di lingkungan mereka yang kompleks dan nyata. Hal ini kemungkinan akan terus terjadi sampai fondasi digital yang tepat sudah ada.
Mengapa pengoptimalan AI terhambat di bidang manufaktur
Menurut Deloitte, ‘manufaktur cerdas’ – yang memanfaatkan AI untuk mendorong hal-hal seperti pemeliharaan prediktif, jaminan kualitas, optimalisasi rantai pasokan, dan pemantauan efisiensi energi – telah memungkinkan peningkatan output produksi sebesar 10% – 20% dan kapasitas terbuka sebesar 10% – 15%. Oleh karena itu, potensi bersihnya sangat besar, namun luasnya dampak yang mungkin terjadi membuat penskalaan AI menjadi rumit.
Hal ini karena lingkungan manufaktur cerdas bergantung pada aliran data yang andal dan aman antara semua perangkat, mesin, fasilitas, dan jaringan logistik. Model AI harus menyerap, menafsirkan, dan bertindak terhadap keterikatan telemetri ini secara real-time – sering kali di seluruh sistem lama, perangkat edge, dan platform cloud. Pengambil keputusan juga harus dapat melihat dan menganalisis informasi ini.
Saluran data yang berbelit-belit atau mengalami hambatan menimbulkan tekanan operasional, sementara visibilitas yang terbatas terhadap perilaku sistem membuat pengoptimalan dan penskalaan menjadi jauh lebih sulit. Tekanan untuk mengatasi masalah ini pada tingkat infrastruktur semakin meningkat.
Kesenjangan kesiapan data yang muncul
Keunggulan kinerja AI tidak dapat disangkal. Namun karena serangkaian masalah struktural, skalabilitas manfaat ini masih sulit dipahami. Sebelum teknologi ini dapat diterapkan di seluruh perusahaan, produsen harus membangun infrastruktur yang memadai untuk mendukungnya. Temuan penelitian baru menggambarkan upaya kesiapan AI ini secara lebih rinci:
– 91% produsen mengatakan pergerakan data AI sangat penting untuk strategi mereka.
– 96% mengutip kinerja dan keandalan jaringan sebagai pertimbangan utama.
– Hampir setengahnya (47% ) kurang yakin terhadap keakuratan dan kelengkapan datanya.
Secara keseluruhan, angka-angka ini membuktikan masih banyak kemajuan yang harus dicapai. Jika lebih dari sembilan persepuluh pemimpin memandang pergerakan data dan kinerja jaringan sebagai hal yang penting, maka integrasi AI bergantung pada infrastruktur yang dibangun untuk memindahkan data dengan cepat dan andal. Namun pada saat yang sama, hampir satu dari setiap dua organisasi tidak sepenuhnya mempercayai data yang dipindahkan. Kedua komponen tersebut harus dibenahi agar tidak terjadi investasi yang kontra-produktif.
Meskipun produsen memahami dengan jelas apa yang dibutuhkan AI untuk berkembang, banyak perusahaan yang masih beroperasi dengan fondasi digital yang belum cukup kuat dan fleksibel untuk mengakomodasi AI dalam skala besar. Selain itu, fragmentasi yang disebabkan oleh berbagai alat observasi dan menjadi jelas mengapa sistem yang mendukung operasi produksi tidak dapat melampaui inisiatif pembuktian konsep.
Membangun fondasi untuk mengoperasionalkan AI
Pada tingkat organisasi, keberhasilan AI akan ditentukan oleh kualitas data, kecepatan pergerakannya, dan transparansi yang dimiliki tim dalam sistem yang menjalankannya. Jadi, sebelum berinvestasi dalam penerapan skala penuh, produsen harus:
– Perlakukan kinerja jaringan dan aliran data sebagai prioritas strategis
Sistem AI manufaktur harus beroperasi di seluruh lingkungan produksi terdistribusi dan rantai pasokan yang saling terhubung, semuanya didorong oleh data real-time bervolume tinggi. Akibatnya, kinerja jaringan tidak lagi dapat dianggap sebagai latar belakang masalah TI.
Karena peralihan dari model percontohan ke model operasi memerlukan kepemimpinan dan koordinasi yang disengaja, organisasi memerlukan konsistensi dalam cara data mereka ditangkap dan dipindahkan. Kerangka kerja seperti OpenTelemetry membantu mencapai keselarasan strategis dengan menstandardisasi telemetri di seluruh jaringan yang kompleks – menciptakan tulang punggung data yang stabil dan berfungsi tinggi yang dibutuhkan AI untuk berintegrasi di seluruh perusahaan.
– Memperkuat kualitas dan kepercayaan data
Model AI hanya akan efektif jika data yang digunakannya. Dan di bidang manufaktur, tempat data dihasilkan dan disalurkan ke berbagai sumber aktif, inkonsistensi atau ketidakakuratan menimbulkan risiko dan membahayakan integritas.
– Mengurangi penyebaran alat dan titik buta sehingga pemimpin dapat melihat kesenjangan kinerja
Karena organisasi biasanya menjalankan 13 alat observabilitas dari sembilan vendor, fragmentasi masih menjadi hambatan utama dalam penskalaan AI. Meskipun masing-masing alat ini dapat memecahkan tantangan tertentu, tumpang tindihnya secara kolektif menciptakan duplikasi dan membatasi visibilitas – sehingga sulit untuk memahami bagaimana sistem berinteraksi dalam beban kerja berbasis AI.
Ketegangan arsitektural inilah yang menyebabkan 95% produsen melakukan proses konsolidasi alat. Dalam konteks ini, mengintegrasikan tumpukan teknologi ke dalam platform observasi terpadu memberi organisasi manufaktur global akses terhadap wawasan berbasis data dan dapat ditindaklanjuti untuk meningkatkan produktivitas dan kinerja. Kejelasan forensik seperti inilah yang memberdayakan organisasi untuk menskalakan AI dengan percaya diri dan tanpa hambatan.
Membuat potensi AI menjadi kenyataan operasional
Secara ambisius, 85% perusahaan manufaktur berharap sudah siap dengan AI pada tahun 2028. Namun jika hanya 37% yang merasa siap sepenuhnya saat ini, kelangsungan jangka waktu tersebut akan ditentukan oleh seberapa cepat organisasi dapat menutup kesenjangan kesiapan tersebut.
Selama beberapa tahun ke depan, AI akan semakin tertanam dibandingkan sekarang – dengan pengaruhnya terhadap lini produksi, rantai pasokan, dan proses pengambilan keputusan hanya akan menambah tekanan ekstra pada kemanjuran telemetri dan kemampuan observasi.
Saat ini sangat jelas terlihat bahwa perusahaan manufaktur yang berinvestasi pada data dengan ketelitian penuh dan visibilitas full-stack – sembari mengadaptasi prinsip-prinsip strategis mereka untuk mengantisipasi tuntutan baru Industri 4.0 – akan berada pada posisi terbaik untuk mengubah keberhasilan uji coba AI mereka menjadi keuntungan operasional dan komersial yang berkelanjutan.
Nic Leszczynski adalah Insinyur Solusi Utama, UKI, di Riverbed Technology.
