AGAR DUNIA ENERGI INDONESIA MELOMPAT BERSAMA KECERDASAN BUATAN

Oleh Denny JA

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 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.

Brisbane, Australia, Oktober 2026

-000-

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).