Benlong 
AI Agen dalam Manufaktur: Bagaimana Agen AI Mengubah Lantai Pabrik
Waktunya pukul 2:40 pagi, dan seorang pemasok telah mengirim email yang memberitahukan bahwa satu batch gulungan tembaga akan dikirim dengan keterlambatan dua hari. Di sebagian besar pabrik manufaktur, pesan ini hanya akan tertahan di kotak masuk sampai perencana tiba di pabrik pada pukul delapan. Namun, pada saat itu, pekerja shift malam yang sudah memulai pekerjaan produksi dengan menggunakan gulungan tersebut akan menyadari bahwa lini produksi akan berhenti beroperasi pada siang hari, memaksa seseorang untuk menyelesaikan penjadwalan ulang proses secara manual untuk hari itu.
Mari kita bayangkan malam alternatif. Sebuah agen perangkat lunak membaca email yang masuk, memeriksa pesanan mana yang bergantung pada gulungan yang terlambat, serta persediaan apa yang masih ada di stok, dan membuat garis waktu operasi baru yang dapat diikuti pabrik tanpa gulungan tersebut. Agen tersebut memeriksa ketersediaan peralatan melalui data MES, mengidentifikasi dua pesanan yang akan terlambat, dan mengirim pesan kepada perencana yang merinci garis waktu yang baru direncanakan.
Skenario kedua inilah yang dimaksud orang ketika berbicara tentang AI agentik dalam manufaktur. Ini memang bukan hanya tentang dashboard pintar, tetapi tentang kemampuan AI agentik dalam merencanakan semua tindakan yang diperlukan, memanfaatkan alat perangkat lunak pabrik, dan menyelesaikan proses produksi secara mandiri.
Konsep AI agentik dengan cepat beralih dari ide menarik menjadi bagian dari peta jalan pemasok. Misalnya, pada musim semi 2026, IBM menerbitkan panduan yang menunjukkan bahwa manajemen kualitas otonom, penjadwalan dinamis, dan optimasi proses end-to-end harus menjadi aplikasi utama teknologi AI agentik. Pada bulan Maret tahun yang sama, Siemens menyatakan bahwa sistem AI industri mulai menjadi agentik; mereka juga memperkenalkan agen pengatur yang mengawasi agen khusus yang bertindak dengan bantuan program Industrial Copilot mereka. Pada bulan itu, Microsoft bahkan menyebut 2026 sebagai titik balik untuk AI, di mana tata kelola serta kemampuan pembalikan akan menjadi faktor kunci keberhasilan implementasi AI.
Panduan ini akan memberikan informasi tentang apa itu AI agentik, di mana teknologi ini sudah digunakan, dan bagaimana mengimplementasikannya tanpa menciptakan risiko baru. Selain itu, kami akan membimbing Anda melalui contoh penggunaannya dalam proses pengujian pemutus sirkuit.
Jawaban singkat: AI agentik dalam manufaktur digambarkan sebagai sistem AI yang mampu bekerja untuk mencapai target yang ditetapkan melalui perencanaan tindakan yang diperlukan, mengambil informasi dari sistem data seperti MES, ERP, dan perangkat lunak pemeliharaan, serta melakukan tindakan dengan keterlibatan manusia yang minimal. Aplikasi utama teknologi AI agentik manufaktur meliputi investigasi kualitas, penjadwalan dinamis, koordinasi pemeliharaan, dan penjadwalan ulang rantai pasokan. Di unit produksi yang paling efektif, agen beroperasi di bawah batas otoritas yang jelas: logika keselamatan berada di PLC, sedangkan tindakan berisiko tinggi memerlukan persetujuan manusia.
Apa Itu Agentic AI dalam Manufaktur?
Mayoritas pabrik sudah menggunakan bentuk “kecerdasan” sebelumnya. PLC menghitung operasi logika dengan frekuensi sangat tinggi—setiap detik, aktivitas ini dilakukan ribuan kali. Sistem penglihatan menghilangkan produk cacat. Model prediktif menunjukkan bahwa bantalan mengalami degradasi. Pertanyaannya adalah: Apa yang baru di sini?
Yang sebenarnya berbeda adalah penutupan loop dalam pertanyaan ini. Model prediktif memberikan beberapa informasi sementara sistem agentic mampu bertindak berdasarkan informasi tersebut. Menurut Siemens, sistem agentic mewakili AI yang memanfaatkan beberapa sumber data dan alat untuk memberikan solusi dan menyelesaikan masalah multi-langkah tanpa seseorang harus melakukan setiap klik. IBM menggambarkannya dalam konteks aktivitas lantai produksi. Sistem agentic mampu mengubah pengaturan mesin ketika mereka melihat cacat, bukan hanya melaporkannya.
Pada kenyataannya, Agen AI dalam manufaktur dapat diperlakukan sebagai program komputer yang melakukan tiga fungsi: memiliki tujuan (mempertahankan target output pada jalur 3 dan menangani alarm kualitas), memiliki akses tertentu ke alat (membaca MES, membuat perintah kerja untuk pemeliharaan peralatan, mengetahui tingkat stok pemasok), dan dipandu oleh aturan yang mengatur tindakan mereka.
Agen AI vs AI Tradisional vs Otomasi
Istilah-istilah ini sering tercampur, jadi berikut perbandingannya di lantai produksi yang khas.
| Teknologi | Apa yang dilakukannya | Contoh pabrik | Siapa yang bertindak berdasarkan hasil |
|---|---|---|---|
| Otomasi berbasis aturan (PLC, robot) | Menjalankan logika tetap persis seperti yang diprogram | Stasiun press-fit menolak bagian ketika gaya melebihi batasnya | Mesin, dalam aturan tetap |
| AI prediktif / analitis | Menemukan pola dan memprediksi hasil | Model memprediksi kegagalan spindle dalam sepuluh hari | Seseorang membaca peringatan dan memutuskan |
| AI copilot generatif | Menjawab pertanyaan dan membuat konten atas permintaan | Seorang insinyur meminta kode PLC atau penjelasan kesalahan dalam bahasa sederhana | Seseorang, setelah setiap permintaan |
| AI Agenetik | Merencanakan dan melaksanakan pekerjaan multi-langkah menuju tujuan menggunakan alat | Agen melihat prediksi kegagalan, menemukan jendela beban rendah, memesan teknisi dan memesan suku cadang | Agen, dalam batas yang disetujui; orang menyetujui langkah berisiko lebih tinggi |
Perhatikan bahwa agentic AI tidak menggantikan ketiga yang lain. Ia berada di atas mereka. PLC masih menjalankan mesin. Model prediktif masih menghasilkan perkiraan. Agen adalah lapisan yang mengubah sinyal tersebut menjadi tindakan.
Bagaimana Agen AI Bekerja di Lantai Pabrik
Hingga empat algoritma utama diatur untuk menjalankan inti sebagian besar agen industri:
Persepsi informasi waktu nyata dan historis yang dikumpulkan dari status mesin yang diamati di SCADA atau PLC, hasil uji operasional yang disimpan di MES atau pesanan ERP, dan pembaruan permintaan pembelian melalui portal pemasok atau email.
Penalaran. Menggunakan model bahasa plus aturan domain untuk memahami situasi dan menyusun rencana, misalnya, “hasil trip sedang bergeser; pertama periksa apakah satu fixture uji bertanggung jawab.”
Aktivasi. Panggil alat: jalankan kueri, buat perintah kerja, perbarui jadwal, dan kirim pesan. Setiap panggilan yang dibuat memiliki log.
Pembelajaran. Lihat hasilnya dan bandingkan dengan yang diharapkan; kemudian, sesuaikan keputusan berikutnya.
Kehilangan agen satu-ukuran-untuk-semua jarang terjadi pada pabrik besar. Mereka mengadopsi beberapa agen khusus dengan seorang pengatur yang bertanggung jawab. Inilah yang dimaksud Siemens: Industrial Copilots adalah antarmuka percakapan, sedangkan agen pengatur memilih agen ahli mana yang menyelesaikan bagian pekerjaan tertentu. IBM menyebut model yang sama sebagai sistem multi-agen yang bekerja lintas alur kerja daripada terjebak dalam tugas terisolasi.
Apa yang Dikatakan IBM, Siemens, dan Microsoft
Ketiga perusahaan mendekati subjek dari perspektif yang berbeda; ini membantu karena berarti mereka semua mencakup berbagai aspek strategi, perangkat lunak industri, dan infrastruktur cloud.
IBM melihat AI agen sebagai proses pengambilan keputusan yang berkelanjutan yang mengevaluasi biaya, kualitas, dan pengiriman secara bersamaan. Tinjauan perusahaan tahun 2026 menyajikan delapan sektor aplikasi mulai dari kualitas dan penjadwalan hingga penjualan dan rantai pasokan, dan menambahkan prediksi Gartner bahwa pada tahun 2028 AI agen akan digunakan dalam 33 persen aplikasi perangkat lunak perusahaan dibandingkan kurang dari 1 persen pada tahun 2024.
Siemens fokus pada rantai nilai industri, termasuk desain, perencanaan, rekayasa, operasi, dan pelayanan. Saat mempromosikan AI agen di Automate 2025, CEO Rainer Brehm menyebut teknologi ini sebagai langkah “melampaui paradigma tanya-jawab,” menuju sistem yang mampu menyelesaikan alur kerja. Perusahaan mengklaim memberikan peningkatan produktivitas hingga 50 persen, dan memastikan pelanggan mengendalikan tugas yang diserahkan kepada agen.
Microsoft fokus pada orkestrasi dan kepercayaan. Artikel yang diterbitkan pada Maret 2026 menggambarkan tiga pergeseran—sistem, data, dan pekerjaan—dengan alat yang memungkinkan pengguna bekerja dengan asisten digantikan oleh agen yang melakukan tugas. Menurut perusahaan, setelah kecerdasan buatan berkembang dari memberikan rekomendasi menjadi mengeksekusi tugas, muncul kebutuhan untuk pengelolaan model, kontrol akses, data, OT, dan penjelasan keputusan.
Kasus Penggunaan AI Agen dalam Manufaktur
Di sinilah percakapan menjadi praktis. Berikut adalah kasus penggunaan AI agen dalam manufaktur yang paling sering muncul dalam materi vendor dan penerapan awal, dengan jenis pekerjaan yang sebenarnya dilakukan agen dalam masing-masing kasus.
Manajemen Kualitas Otonom
Karena informasi sudah tersedia, kualitas adalah keadaan awal dalam kasus ini. Berbagai kamera inspeksi, bangku uji, atau pengukur semuanya menghasilkan angka dan sebagian besar waktu angka ini hanya dilihat sekali.
Berbeda dengan sistem lain, agen kualitas terus-menerus memantau data. Ini berarti bahwa begitu agen memperhatikan adanya anomali dalam data (seperti peningkatan tingkat cacat, mendekati batas, atau kumpulan kegagalan pada shift tertentu), agen tidak hanya mencatat anomali tersebut. Agen menyelidiki pertanyaan seperti stasiun produksi atau perlengkapan mana yang menghasilkan hasil tersebut.
Sebagai contoh, IBM hadir dengan domain elektronik: begitu sistem mendeteksi cacat berulang saat penyolderan, sistem memiliki kapasitas untuk mengoreksi suhu dan waktu pada peralatan atau meluncurkan pengujian terarah pada semua papan yang baru disolder.
Dalam kasus produk yang kritis terhadap keselamatan, biasanya fungsi agen terbatas pada penyelidikan sementara setiap perubahan proses harus disetujui oleh insinyur berlisensi.
Penjadwalan Produksi Dinamis
Begitu jadwal produksi dibuat, jadwal tersebut mulai menjadi usang. Hal ini bisa disebabkan oleh kerusakan mesin, pesanan mendesak, atau masalah pengiriman. Ini berarti pekerja harus terus-menerus menjadwalkan ulang semuanya di spreadsheet mereka terutama selama hari kerja.
Agen penjadwalan terus menjadwalkan ulang pesanan menggunakan informasi langsung tentang status pesanan, mesin, ketersediaan tenaga kerja, dan ketersediaan material. IBM memberikan contoh di mana di pabrik mobil produksi dihentikan karena keterlambatan pengiriman komponen kunci. Namun, alih-alih mematikan produksi, agen penjadwalan dapat dengan mudah mengatur ulang proses produksi, memesan kendaraan yang tidak memerlukan pengiriman terlebih dahulu untuk diproduksi, dan menyeimbangkan beban kerja antara pekerja lini.
Pendekatan ini dapat diterapkan sama pada sebagian besar proses manufaktur. Bahkan produsen pemutus kecil yang membuat beberapa model berbeda dapat memperoleh manfaat dari pengurangan jumlah pergantian yang diperlukan.
Orkestrasi Pemeliharaan Prediktif
Pemeliharaan prediktif telah ada sejak lama, tetapi tantangannya selalu adalah apa yang terjadi setelah prediksi. Seseorang harus mengambil peringatan, memeriksa jadwal waktu, mencari teknisi, memesan suku cadang yang dibutuhkan, dan bernegosiasi tentang waktu henti dengan produksi.
Pekerjaan ini ditangani oleh agen. IBM menggambarkan agen sebagai pihak yang mampu menjadwalkan pekerjaan selama waktu henti produksi yang diperkirakan, memesan suku cadang pengganti, menugaskan teknisi, dan sementara mengubah beban dengan mesin lain. Pendekatan yang sama telah diadopsi dalam proyek Senseye Maintenance Copilot dari Siemens. Menurut Siemens, klien pilot mengurangi waktu yang dihabiskan untuk aktivitas pemeliharaan reaktif rata-rata sebesar 25%.
Koordinasi Rantai Pasokan dan Inventaris
Microsoft percaya bahwa AI rantai pasokan awal hanya menghasilkan laporan dan dasbor, setelah itu terserah pada orang untuk mengambil tindakan berdasarkan wawasan yang diterima. Tahap berikutnya adalah memiliki AI yang memiliki kemampuan untuk bertindak dengan berkoordinasi dengan pemasok, memicu pengadaan ulang atau penjadwalan ulang, dan mengelola potensi masalah logistik.
IBM merujuk pada risetnya sendiri yang, dilakukan bekerja sama dengan Oracle dan Accelalpha, menunjukkan bahwa 62% eksekutif rantai pasokan mengklaim bahwa agen AI meningkatkan kecepatan tindakan. Sementara itu, 76% kepala rantai pasokan mengharapkan agen yang mampu menyelesaikan tugas rutin dengan kecepatan yang lebih baik daripada manusia untuk membantu mencapai efisiensi yang lebih baik dalam proses operasional.
Untuk pabrik tertentu, versi praktisnya adalah agen memahami bahwa salah satu pemasok terlambat, menentukan pesanan mana yang akan terdampak dan menyarankan pemasok atau material lain untuk pesanan yang dimaksud. Ini adalah narasi pukul 2:40 pagi yang telah dijelaskan sebelumnya.
Optimasi Proses End-to-End
Dalam inisiatif peningkatan proses konvensional, optimasi terjadi hanya di satu stasiun. Dimungkinkan untuk mempertimbangkan setiap parameter proses sambil membuat kompromi antara kecepatan, biaya, dan kualitas proses.
Hal ini ditunjukkan oleh sebuah kasus dengan barang konsumen IBM. Agen menemukan bahwa penurunan kecepatan proses akan menyebabkan penurunan signifikan pada tingkat cacat sehingga menurunkan biaya keseluruhan produksi. Perubahan tersebut segera diterapkan dan terus dioptimalkan dalam proses. Seorang insinyur berpengalaman mungkin telah sampai pada kesimpulan yang sama, meskipun setelah berbulan-bulan analisis data, bukan hanya dalam beberapa hari.
Optimasi Energi dan Sumber Daya
Fasilitas industri berat memiliki kemampuan untuk mengontrol pergeseran beban fleksibel, memungkinkan penghematan biaya. Penggunaan agen dalam produksi baja dan kimia memungkinkan proses yang intensif energi terjadi saat harga listrik paling rendah tanpa mengorbankan hasil.
Produsen perangkat listrik memiliki contoh beban fleksibel mereka sendiri dalam bentuk pengujian burn-in komponen listrik. Contoh yang baik adalah Jalur produksi MCB pintar IoT, di mana pengujian penuaan dilakukan selama beberapa hari dalam kondisi beban.
Rekayasa, Pemrograman PLC, dan Pengembangan Produk
Beberapa teknologi agen paling maju dapat ditemukan dalam rekayasa daripada di lantai produksi. Engineering Copilot Siemens untuk TIA Portal memungkinkan insinyur otomasi mengembangkan kode PLC dari instruksi sederhana, sementara dalam NX CAD, fungsi Design Copilot-nya. Siemens melaporkan bahwa di thyssenkrupp Automation Engineering, para insinyur mencatat peningkatan kualitas kode dan pengembangan yang lebih cepat.
IBM mewakili agen yang membagi tugas rekayasa yang rumit menjadi bagian-bagian lebih kecil, mengembangkan varian desain, dan mengontrol simulasi, seringkali dalam digital twin, jauh sebelum objek fisik muncul. Siklus produksi yang lebih pendek berarti commissioning yang lebih cepat untuk setiap konsumen otomasi.
Dukungan Operasi Garis Depan
Microsoft percaya bahwa tim garis depan yang menggunakan copilots multimodal akan secara mandiri menyelesaikan lebih banyak masalah dan berpikir bahwa proses yang melibatkan manusia dan AI ini pada akhirnya akan berubah menjadi agen operasional. Operations Copilot dari Siemens mengikuti prinsip serupa, karena operator dan teknisi menggunakan data mesin untuk mendapatkan panduan pemecahan masalah dalam bahasa yang mudah dipahami.
Untuk fasilitas yang mengalami pergantian staf yang tinggi – kejadian umum di banyak pasar ekspor yang sedang berkembang – ini mungkin cara tercepat untuk mendapatkan manfaat, karena memungkinkan setiap karyawan baru mendapatkan manfaat dari keahlian teknisi senior.
Aplikasi AI Agen dalam Manufaktur Sekilas
Tabel di bawah ini merangkum aplikasi utama AI agen dalam manufaktur, sistem yang biasanya terhubung dengan setiap agen, dan di mana manusia biasanya tetap terlibat.
| Kasus penggunaan | Apa yang dilakukan agen | Sistem yang terhubung | Titik pemeriksaan manusia tipikal |
|---|---|---|---|
| Manajemen kualitas | Mendeteksi tren, melacak penyebab utama, memicu inspeksi tambahan | MES, test bench, vision, SPC | Insinyur menyetujui setiap perubahan proses |
| Penjadwalan produksi | Mengurutkan ulang pekerjaan saat pesanan, mesin, atau bahan berubah | ERP, MES, perangkat lunak perencanaan | Perencana menyetujui perubahan yang memindahkan tanggal pengiriman |
| Orkestrasi pemeliharaan | Memesan pekerjaan di jendela beban rendah, memesan suku cadang, menugaskan teknisi | CMMS, pemantauan kondisi, MES | Supervisor mengonfirmasi jendela waktu henti |
| Koordinasi rantai pasokan | Merespons keterlambatan pemasok, menyesuaikan pesanan dan rencana | ERP, portal pemasok, email | Pembeli menyetujui pemasok baru atau pengeluaran tambahan |
| Optimasi proses | Menyesuaikan kecepatan dan setpoint dalam rentang yang disetujui | MES, historian, antarmuka mesin yang disetujui | Pemilik proses menetapkan rentang yang diizinkan |
| Manajemen energi | Memindahkan beban fleksibel ke periode yang lebih murah | Meter energi, MES, data tarif | Manajer fasilitas menetapkan batas |
| Rekayasa | Menghasilkan kode PLC, varian desain, dan simulasi | TIA Portal, CAD, PLM, alat simulasi | Insinyur meninjau dan menguji semua kode |
| Dukungan garis depan | Menjawab pertanyaan operator, memandu pencarian kesalahan | Manual, MES, data mesin | Operator memutuskan apa yang harus dilakukan |
AI Agen dalam Manufaktur Diskrit
Operasi proses industri seperti kilang dan pabrik kimia telah lama menggunakan teknologi kontrol proses canggih. Sebaliknya, kemunculan teknologi AI otonom telah membuka bidang untuk manufaktur diskrit, karena pabrik manufaktur diskrit menghadapi berbagai asimetri yang tidak dapat ditangani secara efektif oleh sistem konvensional.
Pertimbangkan sebuah pabrik yang memproduksi perangkat listrik – pemutus sirkuit, starter, atau perangkat pengukur. Unit produksi beroperasi dengan puluhan versi perangkat listrik dengan banyak opsi dan modifikasi yang masing-masing dapat menyebabkan banyak kesalahan produksi. Setiap kali produksi dialihkan dari satu operasi ke operasi lain, ada kemungkinan lebih tinggi menggunakan rencana produksi yang salah. Pelacakan bagian produksi dalam kasus ini rumit dan dibentuk oleh banyak variabel, menghadirkan peluang luar biasa untuk agen “pemecah” cerdas yang menggunakan teknologi canggih.
Efisiensi yang ditunjukkan oleh produsen teratas yang bekerja dengan berbagai produk membuktikan hal ini. Rockwell Automation Singapore memproduksi lebih dari 1.000 produk yang beragam, sebagian besar mengalami banyak perubahan selama tahun tersebut karena penerapan lebih dari 50 teknologi digital dan AI, salah satunya adalah AI untuk kontrol kualitas. Siemens Amberg dan Eaton Changzhou menceritakan kisah serupa, dan kami membahas bagaimana mereka sampai di sana dalam panduan kami tentang contoh pabrik mercusuar dari Schneider, Siemens dan Eaton.
Contoh: Bagaimana Agen AI Dapat Merespons Masalah Kualitas pada Jalur Pengujian MCB
Ini adalah contoh bagaimana AI berbasis agen dapat beroperasi dengan data pengujian. Ini tidak menyatakan operasi sistem AI agentik yang sebenarnya yang telah digunakan oleh Benlong.
Bayangkan pemutus sirkuit C16 berkecepatan tinggi Jalur pengujian otomatis MCB yang berjalan. Setiap perangkat melewati pengujian pada trip instan (magnetik) pada level 5-10× In, kalibrasi termal pada 1,13× dan 1,45× In, dan resistansi kontak. Jalur ini memproduksi 1.800-2.400 unit per jam, dan untuk setiap unit hasilnya muncul bersama dengan nomor seri dan cap waktu, serta mengirim data ke MES yang terhubung melalui OPC UA atau Modbus TCP.
Dalam lebih dari dua shift, hasil trip magnetik untuk satu batch mulai mendekati batas toleransi. Namun setiap MCB beroperasi normal. Sistem tradisional tidak melihat masalah karena semuanya tampak dalam keadaan baik.
AI kontrol kualitas agentik, yang memiliki akses ke data yang sama, akan membaca tren dengan cara berbeda. Oleh karena itu, ia dapat melakukan hal berikut:
Membandingkan batch dengan hasil historis dari rating serupa untuk memastikan bahwa pergeseran itu nyata dan bukan hanya variasi normal.
Mengidentifikasi apakah shift terkait dengan proses perakitan, seperti stasiun, perlengkapan, atau pergantian operator, atau jika ini terkait dengan lot bahan hulu (seperti gulungan kawat koil baru atau pemasok yoke).
Memeriksa data yang diperoleh dari stasiun pengujian untuk memeriksa apakah terjadi kesalahan pengukuran, misalnya, menilai peningkatan resistansi kontak pada perlengkapan pengujian.
Menyiapkan rekomendasi: meningkatkan sampling lot yang terdampak dan melakukan pengukuran perlengkapan.
Memberitahu insinyur tentang masalah tersebut, sehingga mereka dapat menyetujui tindakan yang akan diambil.
Setelah insinyur memberikan persetujuannya, MES membuat tugas inspeksi dan penahanan. Agen kemudian mulai memantau unit berikutnya untuk melihat apakah pergeseran berhenti, mendokumentasikan semuanya untuk inspeksi di masa depan.
Ada beberapa hal yang tidak boleh dilakukan agen. Secara khusus, agen tidak boleh meningkatkan batas operasi trip atau mengabaikan persyaratan keselamatan atau mengubah parameter kalibrasi apa pun secara mandiri. Semua tanggung jawab untuk keputusan lulus/gagal ada pada peralatan pengujian yang mumpuni. Peran agen adalah menemukan masalah dan memperbaiki waktu respons orang yang bertanggung jawab.
Bagaimana Produsen Menggunakan Agen AI dalam Produksi Saat Ini?
Seseorang mungkin bertanya-tanya seberapa autentik semua informasi ini. Jawaban jujur untuk pertanyaan ini dapat ditemukan dengan menyatakan bahwa banyak dari informasi ini masih terkait dengan tahap kopilot, yang berarti sistem AI bekerja sama dengan manusia, sehingga membuat proses pembuatan agen otonom menjadi bertahap. Fakta-fakta yang dapat diakses harus disebutkan:
Siemens mengklaim bahwa Industrial Copilots mereka memberikan hasil yang baik baik di fasilitas produksi maupun untuk pelanggannya. Salah satu pabriknya (pabrik motor di Bad Neustadt) menggunakan Insights Hub Production Copilot untuk memproses data dan menerjemahkannya menjadi informasi yang dapat ditindaklanjuti. Selain itu, Siemens berencana meluncurkan platform yang memungkinkan berbagai sistem (baik miliknya sendiri maupun pihak ketiga) bekerja secara sinergis.
Siemens Digital Industries Software telah mengembangkan aplikasi Microsoft Teams untuk digunakan dalam sistem Teamcenter PLM guna memproses laporan suara yang dibuat dalam berbagai bahasa dan meneruskannya kepada para ahli yang relevan.
Körber memutuskan untuk memigrasikan sistem PAS-X MES-nya ke Microsoft Azure untuk mengintegrasikan data MES, ERP, dan rantai pasokan bagi karyawannya.
Pabrik Rockwell Automation yang berlokasi di Singapura telah dianugerahi gelar Global Lighthouse pada Juni 2026. Pabrik tersebut menerapkan banyak sistem AI dan telah mengurangi waktu yang dibutuhkan untuk pelatihan karyawan baru sebesar 67%.
Pabrik Siemens di Nanjing dirancang secara virtual dan menjalankan lebih dari 50 operasi yang didorong oleh AI dengan waktu pengambilan pesanan 78% lebih singkat.
Forum Ekonomi Dunia mengumumkan pada Juni 2026, bahwa jumlah Global Lighthouses telah mencapai 238 dan sekarang mereka mengubah AI menjadi kemampuan operasional utama.
Cara Menerapkan Agen AI di Pabrik Manufaktur
Sebagian besar proyek AI pabrik yang gagal disebabkan oleh alasan selain kekurangan algoritma. Kegagalan dapat dikaitkan dengan data berkualitas buruk dan tidak adanya penanggung jawab yang ditunjuk untuk proyek tersebut. Menurut Microsoft, Anda harus mengingat “aturan praktis” yang ditetapkan oleh KPMG, yang menjelaskan alasan keberhasilan proyek – 10 persen disebabkan oleh algoritma, 20 persen disebabkan oleh teknologi dan data, dan 70 persen terkait dengan orang dan proses.
Berikut adalah urutan praktis untuk cara menerapkan agen AI di pabrik manufaktur, yang ditulis untuk pabrik berukuran menengah daripada korporasi global.
Langkah 1: Mulai Dengan Satu Siklus Keputusan, Bukan “Strategi AI”
Pilih satu keputusan umum yang saat ini dihadapi seseorang dan memiliki hasil yang dapat diukur. Misalnya, Anda dapat melihat bagaimana bereaksi terhadap fluktuasi kualitas di lini perakitan, bagaimana mengatur ulang pekerjaan setelah mesin berhenti, atau bagaimana mengelola pemeliharaan pada titik kemacetan. Namun, keputusan yang buruk bisa berupa apa saja yang terkait dengan aktivitas keselamatan atau yang terjadi hanya dua kali dalam setahun.
Tuliskan keputusan tersebut dalam satu kalimat, sebutkan siapa yang bertanggung jawab atas hasilnya (siapa pemiliknya sekarang), dan jelaskan apa arti “lebih baik” dalam angka.
Langkah 2: Perbaiki Fondasi Data Terlebih Dahulu
Efektivitas mesin bergantung pada data yang dapat diaksesnya. Sebelum Anda membeli platform AI apa pun, perhatikan hal-hal berikut:
Apakah hasil disimpan sebagai catatan digital, per unit atau batch, dengan cap waktu?
Apakah setiap hasil dapat diidentifikasi dengan nomor mesin, lokasi, lot material, dan resepnya?
Apakah data tersedia dan berada di luar mesin, seperti melalui OPC UA, Modbus TCP, SQL, atau REST API?
Apakah MES atau basis data pusat mampu menyimpan cukup banyak catatan untuk mengungkap pola?
IBM menyatakan bahwa integrasi data dan sistem warisan merupakan hambatan pertama yang dihadapi AI agen, menyarankan perusahaan untuk mengidentifikasi sumber data bernilai tertinggi terlebih dahulu daripada mencoba mengintegrasikan semua data sekaligus. Artikel kami tentang otomasi terintegrasi sepenuhnya menjelaskan bagaimana lapisan PLC, HMI, MES, dan ERP saling terkait.
Langkah 3: Tentukan Tingkat Otonomi Sebelum Anda Mulai Beroperasi
Ini adalah langkah yang paling sering dilewati oleh tim, dan ini adalah langkah yang menjaga mereka dari masalah. Tentukan sebelumnya seberapa banyak agen dapat melakukan sendiri untuk setiap jenis tindakan.
| Tingkat | Apa yang dapat dilakukan agen | Contoh |
|---|---|---|
| 0 – Mengamati | Memantau data dan melaporkan temuan; tidak mengambil tindakan | Ringkasan harian tren kualitas di setiap lini |
| 1 – Merekomendasikan | Mengusulkan tindakan dengan bukti; seseorang memutuskan dan bertindak | Menyarankan pemeriksaan fixture saat hasil trip mulai menyimpang |
| 2 – Bertindak dengan persetujuan | Mempersiapkan tindakan dan melaksanakannya setelah disetujui oleh seseorang | Membuat tugas inspeksi MES setelah insinyur mengklik setuju |
| 3 – Bertindak dalam batasan | Bertindak sendiri dalam batas yang telah disetujui sebelumnya dan melaporkan setelahnya | Mengurutkan ulang pekerjaan dalam satu shift ketika tidak ada perubahan tanggal pengiriman |
Sebagian besar pabrik harus memulai pada Level 0 atau 1 dan naik hanya setelah agen memiliki rekam jejak. Fungsi terkait keselamatan tetap di luar jangkauan agen pada setiap level.
Langkah 4: Berikan Agen Alat, Bukan Kontrol Mentah
Sangat penting bagi agen untuk beroperasi menggunakan antarmuka terkontrol yang sama yang digunakan oleh manusia, misalnya, perintah kerja sistem pemeliharaan, penahanan MES, dan pembaruan alat perencanaan. Agen tidak boleh berinteraksi langsung dengan memori PLC, memodifikasi logika keselamatan, atau mengubah resep yang disetujui.
Mulailah dengan izin baca saja dan kemudian tambahkan izin tulis untuk setiap alat dengan batasan dan log spesifiknya.
Langkah 5: Bangun Pengawasan, Jejak Audit, dan Pemulihan
Menurut Microsoft, ada empat kemampuan kepercayaan yang harus ada bagi produsen saat AI mulai bekerja: tata kelola model, kontrol data dan akses, keamanan OT dan endpoint, serta kemampuan untuk menjelaskan, membatasi, dan membalikkan keputusan. Prinsip yang sama diungkapkan oleh IBM yang merekomendasikan untuk memiliki batasan yang jelas untuk keputusan yang dibuat, melibatkan manusia dalam proses, dan memastikan setiap tindakan yang didorong AI dicatat.
Dengan kata lain, setiap tindakan yang diambil harus dapat dipertanggungjawabkan melalui pencatatan data yang digunakan dan informasi alasan yang diberikan untuk keputusan yang dibuat. Selain itu, setiap tindakan harus dapat dibalik atau sudah disetujui sebelumnya.
Langkah 6: Uji dalam Mode Bayangan atau Digital Twin Terlebih Dahulu
Sebaiknya uji agen pada operasi tanpa menyentuh peralatan. Agen melihat segala sesuatu yang terjadi, membuat keputusan, dan mengeluarkan saran, tetapi tidak ada yang terjadi. Bandingkan saran tersebut dengan tindakan yang diambil oleh insinyur Anda dan fokus pada poin-poin yang tidak konsisten.
Jika Anda memiliki model simulasi dari lini produksi, gunakan juga. Panduan kami tentang digital twins untuk lini produksi menjelaskan bagaimana Siemens, Schneider Electric, dan ABB menggunakan simulasi dan commissioning virtual, serta bagaimana pabrik yang lebih kecil dapat memulai dengan satu lini saja.
Langkah 7: Ukur, Kemudian Skala
Dari awal, catat beberapa angka: waktu yang dibutuhkan dari peringatan hingga tindakan diambil, tingkat scrap dan rework, downtime yang tidak direncanakan, kepatuhan terhadap jadwal, dan persentase rekomendasi yang diikuti oleh pengguna. Setelah siklus pertama terbukti efektif, gunakan kembali model data, kerangka izin, dan pencatatan dari siklus sebelumnya.
Microsoft merujuk pada temuan dari penelitian MIT dan McKinsey yang menekankan bahwa organisasi dengan model tata kelola yang menonjol dan data terpadu dapat mencapai hasil transformasi hingga empat kali lebih banyak dan dalam waktu yang dua kali lebih singkat dibandingkan perusahaan yang tidak memiliki kerangka data dan tata kelola. Yang dapat diskalakan adalah fondasi, bukan pilot individu.
Praktik Terbaik dan Kesalahan Umum
- Identifikasi masalah yang sering dikeluhkan orang. Agen dapat menyelesaikan tantangan tersebut setiap kali agen menemukan masalah yang ada.
Tetapkan pemilik untuk setiap agen.
Dokumentasikan segala sesuatu mulai dari penolakan saran; itulah yang ingin Anda pelajari.
Jangan kembangkan agen di lingkungan yang tidak pasti. Jika proses berperilaku tidak menentu, agen hanya akan mempelajari penyimpangan.
Agen tidak boleh diberikan akses tulis ke logika PLC atau sistem keselamatan.
Sebelum memulai proyek pilot, tentukan siapa yang akan bertanggung jawab atas pemeliharaan agen setelah tim proyek menghentikan keterlibatannya.
Tantangan yang Harus Direncanakan
IBM menyatakan secara tegas bahwa AI agentik memerlukan upaya untuk diimplementasikan. Tantangan yang diuraikan penting untuk dievaluasi dalam konteks situasi Anda sendiri:
Integrasi Data: tingkat teknologi saat ini membuat integrasi data dan berbagai sumber yang tidak kompatibel menjadi tidak efisien.
Tata Kelola: tidak jelas kapan sistem diizinkan bertindak secara mandiri dan kapan intervensi manusia diperlukan.
Biaya: teknologi memiliki biaya implementasi yang tinggi tetapi pendekatan bertahap menghilangkan risiko.
Skalabilitas: agen yang dibuat untuk tugas tertentu tidak dapat direplikasi; pendekatan kami mengurangi tantangan ini.
Keamanan: integrasi sejumlah besar sistem menciptakan kondisi untuk lebih banyak serangan yang memerlukan langkah pengendalian yang efektif.
Keterampilan: orang beralih dari menjalankan tugas mereka menjadi mengelola sistem yang memerlukan pelatihan khusus.
Agen AI, PLC, MES, dan Pabrik Pintar
Salah satu kekhawatiran paling umum yang kami dengar dari insinyur otomasi adalah sederhana: “Apakah benda ini akan mulai menulis ke PLC saya?” Jawaban singkatnya adalah seharusnya tidak. Untuk melihat alasannya, ada baiknya melihat di mana agen berada dalam tumpukan otomasi.
Di Mana AI Agentik Berada dalam Tumpukan Otomasi
| Lapisan | Apa yang dilakukannya | Peran agen AI |
|---|---|---|
| PLC dan perangkat lapangan | Kontrol waktu nyata deterministik, interlock, dan fungsi keselamatan | Membaca data saja; tidak ada kontrol langsung atas gerakan atau keselamatan |
| SCADA / HMI | Visualisasi, alarm, dan perintah operator | Menjelaskan alarm dan membimbing operator melalui pencarian kesalahan |
| MES | Pesanan, resep, catatan kualitas, dan keterlacakan | Permukaan kerja utama: tugas inspeksi, penahanan, pesanan kerja |
| ERP / rantai pasokan | Permintaan, pembelian, inventaris, dan keuangan | Merencanakan ulang pesanan, menandai risiko pemasok, mengusulkan pembelian |
| Lapisan agen dan orkestrasi | Mengkoordinasikan agen spesialis, menegakkan izin, mencatat tindakan | Berada di atas MES dan ERP, di luar loop kontrol waktu nyata |
PLC dimaksudkan untuk mengontrol segala sesuatu yang terjadi dalam hitungan milidetik yang sering memastikan keselamatan orang dan mesin. Aktivitas agen bergantung pada keputusan yang diambil dalam hitungan menit/jam dan shift yang berarti semua proses produksi utama sudah selesai. Pembagian ini membantu pabrik dalam memastikan keselamatan karena AI hanya digunakan saat paling dibutuhkan oleh manusia.
Itulah mengapa penting untuk memperhatikan kualitas koneksi MES. Jalur produksi yang mengirimkan hasil tes, alarm, dan pembaruan ke MES melalui protokol terbuka adalah yang paling aman. Jalur otomatis yang tertutup ke HMI efektif, tetapi tingkat keselamatannya rata-rata.
Digital Twin dan AI Agentik: Simulasikan Terlebih Dahulu, Kemudian Bertindak
Digital twin dan sistem AI keduanya memberikan jawaban untuk pertanyaan yang berbeda:
Digital twin bertanggung jawab untuk memahami dan merepresentasikan kondisi mesin, bangunan, atau fasilitas produksi. Pekerjaan digital twin dapat dirangkum dalam pertanyaan, “apa yang akan terjadi jika kita membuat perubahan?”
Di sisi lain, AI agen adalah sistem yang mengorganisasi pekerjaan berdasarkan informasi dan sumber daya yang tersedia, di mana informasi yang digunakan berasal dari tujuan yang harus dicapai dan alat lain yang telah diotorisasi untuk digunakan. AI agen menjawab pertanyaan, “apa langkah selanjutnya dan apakah itu bisa dilakukan?”
Kedua pendekatan ini membentuk siklus yang aman. Agen mengusulkan perubahan seperti perubahan urutan pekerjaan yang dilakukan atau waktu siklus baru. Pekerjaan digital twin cerdas adalah menguji apakah perubahan yang diusulkan layak diterapkan dalam kenyataan. Hanya ketika digital twin membuktikan bahwa hasil operasi baru sesuai dengan persyaratan dalam hal hasil positif dan kepatuhan terhadap batas yang ditetapkan, perubahan tersebut diimplementasikan baik dalam sistem atau dikirim ke seseorang untuk persetujuan.
IBM menunjukkan pendekatan ini dalam menciptakan produk di mana pekerjaan dilakukan oleh agen yang mengoordinasikan pekerjaan digital twin sebelum meluncurkan proyek untuk produksi. Microsoft menyebutkan ide ini pada tingkat perusahaan sambil menyatakan bahwa pabrik harus dipersiapkan untuk era agen AI jika mereka mengandalkan konsep digital twin dan digital thread dalam perencanaan dan realisasi proses produksi mereka. Jika pabrik Anda baru memulai, artikel kami tentang pelajaran digital twin dari produsen listrik terkemuka adalah tempat yang baik untuk memulai, dengan hasil nyata dari Siemens Erlangen, Schneider Electric Wuxi, dan ABB RobotStudio.
Dari Pabrik Lighthouse ke Pabrik Sehari-hari
Pabrik yang paling tidak dapat diakses sepanjang rute adalah WEF Global Lighthouses, dan tidak ada satupun yang dikelola hanya oleh AI. Ini adalah fasilitas di mana orang memantau sistem yang semakin mandiri. Bahkan pabrik tanpa cahaya yang terkenal seperti FANUC dan ASE masih bergantung pada manusia untuk pemeliharaan dan anomali, seperti yang akan dicatat melalui contoh pabrik gelap nyata.
Produsen berukuran menengah di sektor peralatan listrik harus mengambil pendekatan praktis berikut: menghilangkan hambatan, menguji setiap produk dalam proses, menghubungkan setiap pabrik dengan MES, menambahkan digital twin untuk tujuan perencanaan, dan merekrut agen untuk menganalisis informasi agar proses pengambilan keputusan menjadi lebih cepat.
Kesimpulan: Agen AI adalah Perubahan Alur Kerja, Bukan Pembelian Perangkat Lunak
IBM, Siemens, dan Microsoft semua sepakat mengenai arah Kecerdasan Buatan di pabrik. Menurut mereka, AI berkembang di pabrik dari sekadar alat yang merespons pertanyaan menjadi agen yang membantu dalam perencanaan dan pelaksanaan tugas terkait manajemen operasi dalam manajemen kualitas, penjadwalan, pemeliharaan, dan tugas rantai pasokan. Siemens menyatakan bahwa mereka bekerja menuju otomatisasi seluruh proses otomatisasi. Microsoft menyatakan bahwa tahun 2026 akan menjadi tahun teknologi bergerak dari fase pilot ke implementasi skala besar. IBM membayangkan pabrik di mana penyesuaian rutin dilakukan menuju tujuan tanpa instruksi konstan dari operator.
Perusahaan-perusahaan tersebut juga sepakat tentang prasyarat penggunaan AI di pabrik. Agen otomatisasi memerlukan informasi yang baik dan terhubung. Mereka membutuhkan parameter yang jelas di mana mereka akan bertindak. Mereka membutuhkan orang yang bertanggung jawab atas hasil dan dapat mencabut solusi jika perlu. Mereka juga membutuhkan mesin yang memiliki kemampuan untuk mengukur segala sesuatu dan mengirimkan informasi dalam format yang benar.
Tindakan utama yang harus diambil perusahaan manufaktur bukanlah pembelian platform AI tetapi memastikan bahwa setiap stasiun kerja dan setiap proses menghasilkan data yang dapat digunakan untuk tujuan agen. Jika ini tercapai, beralih ke agen AI akan jauh lebih mudah.
Pertanyaan yang Sering Diajukan
Apa itu agentic AI dalam manufaktur?
Agentic AI dalam manufaktur berarti kecerdasan buatan yang mencapai beberapa tujuan dalam produksi dengan membuat rencana, mengekstrak informasi dari sistem seperti MES, ERP, dan perangkat lunak pemeliharaan, serta mengambil tindakan yang sesuai melalui sistem ini, misalnya, dengan membuat tugas inspeksi atau mengatur ulang urutan pekerjaan. Agentic AI berbeda dari dasbor dan chatbot dalam arti bahwa ia mengambil tindakan sampai tugas terpenuhi tetapi hanya di bawah kondisi dan aturan yang ditetapkan oleh manusia.
Apakah agentic AI digunakan untuk otomasi?
Ya, tetapi pada tingkat yang berbeda dari otomasi tradisional. PLC dan robotika masih menangani kontrol mesin waktu nyata dan fungsi keselamatan. Agentic AI mengotomatisasi keputusan dan koordinasi terkait hal ini, misalnya, merespons tren kualitas, mengimplementasikan ulang jadwal setelah mesin berhenti, dan mengatur pemeliharaan. Siemens menyebutnya sebagai mengotomatisasi proses otomasi itu sendiri dengan agen AI yang menjalankan alur kerja lengkap dalam desain, rekayasa, operasi, dan layanan.
AI mana yang terbaik untuk industri manufaktur?
Tidak ada solusi AI tunggal yang dapat dinobatkan sebagai AI terbaik untuk produksi. Sementara visi mesin sangat cocok untuk proses inspeksi, model prediktif sesuai untuk pemeliharaan, AI generatif copilot membantu insinyur dan operator dalam menemukan informasi yang diperlukan, agentic AI sangat cocok untuk tugas berlapis seperti investigasi kualitas, penjadwalan, dan koordinasi rantai pasokan. Beberapa solusi yang paling umum adalah Siemens Industrial Copilot, IBM WatsonX Orchestrate, dan Microsoft Azure AI. Pilihan solusi AI ideal tergantung pada kualitas data yang tersedia, sistem PLC dan MES yang sudah digunakan, dan tugas yang harus dioptimalkan.
Bagaimana agentic AI berbeda dari otomasi?
Otomasi konvensional beroperasi sesuai aturan yang telah ditentukan: ketika suatu nilai melewati ambang batas, mesin menolak bagian tersebut. Agentic AI berorientasi pada tujuan. Berbeda dengan otomasi tradisional, ia mengevaluasi situasi, menentukan rencana tindakan, memanfaatkan alat, dan beradaptasi dengan kondisi yang berubah. Fasilitas produksi yang dibangun dengan baik dapat menggunakan keduanya: PLC akan mempertahankan fungsi keselamatan dan kontrol, sementara agen AI akan bekerja pada MES dan ERP.
Bagaimana kecerdasan buatan (AI) digunakan dalam manufaktur?
Perusahaan menerapkan penggunaan kecerdasan buatan untuk inspeksi kualitas berbasis visi, pemeliharaan prediktif, penjadwalan produksi, optimasi energi, dan perencanaan rantai pasokan. Forum Ekonomi Dunia memberikan penghargaan kepada situs terkemuka seperti pabrik Rockwell Automation di Singapura dan situs fabrikasi Siemens di Nanjing atas penggunaan produk yang dilengkapi dengan lebih dari 50 solusi AI. Tren ini kini menjadi jelas seiring waktu, bergerak dari pilot AI terisolasi ke agen yang memimpin upaya lintas sistem pada tahun 2026.
Referensi
- IBM – Bagaimana agentic AI dalam manufaktur mendorong transformasi (April 2026) – definisi, delapan area kasus penggunaan, statistik rantai pasokan dan tantangan implementasi.
- Blog Siemens – Masa depan AI Industri adalah agentik (Maret 2026) – model persepsi-penalaran-tindakan-pembelajaran, agen pengatur dan model dasar industri.
- Siemens – Siemens memperkenalkan agen AI untuk otomasi industri (Mei 2025) – agen Industrial Copilot di seluruh rantai nilai, target produktivitas dan hasil pelanggan.
- Microsoft – Manufaktur pada titik balik 2026 (Maret 2026) – tiga pergeseran, kemampuan kepercayaan dan tata kelola, serta aturan 10-20-70.
- Forum Ekonomi Dunia – Situs Mercusuar Global Baru menunjukkan bagaimana AI mengubah manufaktur (Juni 2026) – total jaringan 238 situs dan hasil untuk kohort baru.
- Rockwell Automation – Situs Singapura dinobatkan sebagai Mercusuar Global (Juni 2026) – kontrol kualitas berbasis AI dan pemeliharaan prediktif di pabrik dengan variasi tinggi.
Membangun Jalur Perakitan atau Pengujian yang Siap AI?
Agen AI hanya dapat bertindak berdasarkan data yang dihasilkan peralatan Anda. Jika Anda membuat MCB, MCCB, RCCB, kontaktor atau meter energi dan menginginkan jalur yang menguji setiap unit, mengaitkan setiap hasil dengan nomor seri dan mengirimkannya ke MES Anda melalui OPC UA atau Modbus TCP, kirimkan sampel produk, target output dan deskripsi singkat proses Anda saat ini. Insinyur kami akan mengusulkan konsep jalur yang memberikan keterlacakan penuh hari ini dan mempersiapkan Anda untuk kualitas berbasis AI di masa depan.
