Telset.id – Adopsi AI dalam pemeliharaan pabrik (predictive maintenance) menghadapi hambatan serius yang tidak terduga. Riset terbaru menunjukkan sekitar 78% dari seluruh hambatan yang dilaporkan terkait dengan tenaga kerja, bukan teknologi. Kesenjangan antara kecepatan akses AI dan kemampuan menggunakannya secara konsisten kini menjadi kendala utama transformasi industri.
Parker Burke, President of Fluke Corporation, mengungkapkan bahwa komitmen industri terhadap AI memang nyata, namun tingkat konversinya tidak sesuai proyeksi. “Akses terhadap AI bergerak lebih cepat daripada kemampuan untuk menggunakannya secara konsisten. Kesenjangan itulah yang kini menjadi kendala,” ujarnya dalam artikel yang dipublikasikan TechRadar Pro.
Gelombang Pertama Membuktikan Alat, Bukan Modelnya
Riset menunjukkan adopsi predictive maintenance meningkat lebih dari dua kali lipat dari tahun ke tahun, sementara reactive maintenance tetap stagnan. Proactive maintenance juga kehilangan posisi dari tahun ke tahun. Kombinasi ini menjadi poin penting: metode baru mulai masuk ke pabrik, tetapi belum sepenuhnya menggantikan metode lama.
Kondisi ini tidak bisa dibaca sebagai kegagalan. Pabrik bergerak karena alasan praktis, dan uji coba awal memberikan bukti yang berguna bagi tim. Sebuah model dapat bekerja dengan baik pada aset yang dikenal dengan tim yang fokus di sekitarnya. Ujian yang lebih sulit muncul ketika model tersebut harus mendukung keputusan di berbagai shift, lokasi, dan tingkat pengalaman yang beragam.
Di sinilah gelombang pertama memperlihatkan masalah berikutnya. Teknologi dapat bergerak cepat masuk ke anggaran. Namun kebiasaan kerja, kepercayaan, hak pengambilan keputusan, dan keyakinan lini depan membutuhkan waktu lebih lama untuk berubah.
Data anggaran mengonfirmasi bahwa para pemimpin industri tidak meninggalkan AI; mereka menjadi lebih selektif tentang di mana AI harus membuktikan diri. Investasi bergeser dari AI eksploratif menuju prioritas operasional, termasuk keamanan siber, manajemen data, Generative AI, dan Industrial AI.
Baca Juga:
Pergeseran ini mencerminkan pandangan yang lebih praktis tentang kematangan digital. Para pemimpin berusaha membuat AI bekerja di tempat di mana biaya keterlambatan, waktu henti, dan data yang buruk terlihat dengan cepat. Hal ini juga mengubah ekspektasi seputar Industry 5.0. Seiring teknologi industri bergerak dari model berbasis otomasi Industry 4.0 menuju pendekatan human-in-the-loop, para pemimpin tampak mengkalibrasi ulang garis waktu, dengan 40% kini memperkirakan perjalanan satu hingga empat tahun.
Kapasitas Serap Organisasi Jadi Penentu
Angka 78% hambatan tenaga kerja mudah disalahartikan sebagai cerita kekurangan tenaga kerja – soal headcount, perekrutan, atau pipeline. Namun kenyataannya, bisnis menghadapi kurangnya keahlian, kekurangan pengetahuan, kesenjangan keterampilan terampil, dan defisit kapasitas tenaga kerja yang lebih luas. Secara bersama-sama, empat kategori tersebut menggambarkan sesuatu yang lebih sulit diperbaiki daripada sekadar masalah rekrutmen. Mereka menggambarkan kapasitas organisasi untuk menyerap cara kerja yang berbeda.
Pola yang konsisten terdengar dari pelanggan: alat sudah tersedia, tetapi tim di sekitarnya masih tertinggal. Para peneliti Cohen dan Levinthal memberi nama kapasitas tersebut: absorptive capacity. Dalam bahasa sederhana, ini adalah seberapa cepat bisnis dapat mengenali pengetahuan baru yang berguna, menyerapnya ke dalam organisasi, dan mengubahnya menjadi output praktis.
Dalam konteks pemeliharaan, output tersebut adalah keputusan yang dibuat dalam kondisi operasi nyata – oleh supervisor shift malam yang mempertimbangkan apakah anomali saat ini memerlukan intervensi, apakah bisa menunggu hingga penghentian terjadwal berikutnya, atau apakah risikonya sudah melewati batas. Sebuah model dapat menandai anomali, tetapi tidak dapat membuat keputusan tersebut.
Tuntutan AI terhadap tenaga kerja lebih sulit dilatih daripada sekadar kemahiran alat. Laporan AI Skills for the UK Workforce dari Pemerintah Inggris mengidentifikasi kesenjangan ini secara konkret untuk manufaktur tingkat lanjut. Di luar keterampilan aplikasi teknis seperti melatih model AI atau mengintegrasikan analitik real-time, laporan tersebut menunjuk pada kemampuan menafsirkan output AI, mengadaptasi alur kerja berdasarkan wawasan baru, dan mengomunikasikan perubahan kepada tim lini depan. Kompetensi kunci inilah yang menentukan apakah sebuah peringatan mengubah perilaku atau justru diabaikan.
Itulah sebabnya masalah tenaga kerja tidak bisa diletakkan di samping program teknologi sebagai alur kerja HR terpisah. Ini adalah bagian dari sistem yang menentukan apakah investasi berubah menjadi eksekusi yang lebih baik. Jadwal Industry 5.0 akan ditentukan oleh kapabilitas di lantai pabrik.
Konsekuensi komersial terlihat dari jeda antara belanja dan hasil. Adopsi predictive meningkat, lebih banyak modal dialokasikan, namun baseline reactive belum bergerak. Banyak pabrik menjalankan dua mode operasi sekaligus – berinvestasi untuk eksekusi berbasis data sambil tetap kehilangan waktu karena firefighting yang seharusnya bisa dihindari.
Pembagian itu memiliki biaya. Riset True Cost of Downtime Siemens 2024 menempatkan kerugian downtime tak terencana bagi 500 perusahaan terbesar dunia pada US$1,4 triliun per tahun – 11% dari total pendapatan mereka. Angka tersebut mencerminkan apa yang terjadi ketika pergeseran dari reaktif ke prediktif tidak selesai. Investasi sudah ada, tetapi eksekusi harian belum sepenuhnya mengikuti. Ketika kesenjangan itu berlanjut, ROI belanja teknologi datang lambat dan tidak merata. Garis waktu memanjang. Keyakinan terhadap pengiriman melemah.
Di Mana Keuntungan Dihasilkan
Disiplin yang diterapkan pada alat dan platform kini perlu diterapkan pada manusia dan rutinitas di sekitarnya. Bagi banyak organisasi, di situlah keuntungan tertinggal di atas meja. Para pemimpin harus mulai dari bagian operasi di mana kapabilitas paling rapuh.
Aset mana yang masih bergantung pada satu atau dua teknisi berpengalaman untuk menafsirkan apa yang terjadi? Riwayat kerja mana yang terlalu tipis untuk mendukung diagnosis berikutnya? Peringatan mana yang memicu tindakan percaya diri, dan mana yang tertunda sampai orang yang tepat masuk shift? Pertanyaan-pertanyaan itu mengungkap apakah predictive maintenance telah menjadi bagian dari eksekusi atau masih berada di atas kebiasaan reaktif.
Tangkap pengetahuan yang masih hidup di kepala orang sebelum pengetahuan itu keluar dari pintu. Buat riwayat kerja cukup lengkap untuk membantu teknisi berikutnya. Latih operator dan tim pemeliharaan untuk memahami apa yang dikatakan peringatan prediktif, bukti apa yang mendukung tindakan, dan kapan harus eskalasi. Bentuk alur kerja sehingga bertindak berdasarkan wawasan menjadi jalur normal, bukan upaya khusus.
Connected reliability mendukung eksekusi itu ketika tetap dekat dengan pekerjaan – menghubungkan data aset, riwayat pemeliharaan, dan penilaian lini depan sehingga tim dapat membuat keputusan yang berulang di berbagai shift dan lokasi. Riset mendukung hal ini: hampir separuh responden berencana memajukan inisiatif connected reliability dalam 12 bulan ke depan, memperlakukan keandalan sebagai jembatan praktis antara kebutuhan operasional jangka pendek dan ambisi jangka panjang.
Seruan bagi para pemimpin manufaktur sudah jelas: audit kapabilitas dengan keseriusan yang sama seperti belanja teknologi. Jangan berhenti pada bertanya AI apa yang telah diterapkan. Tanyakan siapa yang dapat bertindak berdasarkan AI tersebut, di mana keputusan melambat, pengetahuan apa yang tidak terdokumentasi, dan alur kerja mana yang masih menarik tim kembali ke pekerjaan reaktif.
Artikel ini merupakan bagian dari TechRadar Pro Perspectives, kanal yang menampilkan pemikiran terbaik di industri teknologi saat ini. Pandangan yang diungkapkan adalah milik penulis dan tidak selalu mencerminkan TechRadarPro atau Future plc.
[CONTENT_END]
Komentar
Belum ada komentar.