Setelah CCTV Belajar Memahami Gambar: Siapa yang Membayar Tagihan Privasi AI Keamanan Fisik

Seorang teman yang menjadi kepala regu satpam di sebuah gedung perkantoran di Jakarta pernah bilang kepada saya, yang paling ia takutkan bukan ada orang menyusup masuk, melainkan dinding pemantauan enam belas kotak itu. "Menatapnya setengah jam, mata mulai buyar. Ada yang bergerak, kamu juga tak yakin itu manusia atau papan reklame tertiup angin."

Maka cara mereka sangat pragmatis: matikan suara alarm, andalkan patroli.

Lompatan AI pengawasan citra beberapa tahun terakhir pada hakikatnya menyelesaikan masalah ini — membuat mesin melakukan hal yang tak bisa dilakukan manusia dengan baik. Tetapi ketika CCTV berubah dari "merekam untuk arsip" menjadi "memahami dan bereaksi secara aktif", serangkaian masalah yang semula tak ada pun ikut tumbuh.

Latar Belakang Peristiwa

Perubahan di sisi teknologi sangat drastis dalam dua tahun terakhir.

Lumana memakai model pemahaman citra buatan sendiri, VIA-1, memecah fungsinya menjadi empat agen: pemantauan, tanggap, investigasi, dan wawasan; secara resmi mengklaim salah alarm bisa turun hingga 90%, saat ini terpasang di lebih dari 50 ribu kamera dengan klien mencakup Meta, Salesforce, dan McDonald's. Coram AI mengunggulkan pencarian bahasa alami — Anda deskripsikan gambar yang dicari dengan satu kalimat, sistem menariknya keluar dalam hitungan detik, menggantikan cara lama menggulung rekaman dengan fast-forward.

Ambient.ai menempuh jalur visual language model, mengklaim model Pulsar-nya memuat lebih dari 150 ciri ancaman yang telah tervalidasi, serta menyilangkan citra dengan data akses pintu untuk memverifikasi keaslian alarm, mengklaim mampu mengeliminasi 95% lebih salah alarm. HiveWatch tidak menggarap citra itu sendiri, melainkan menyatukan akses pintu, pemantauan, dan sensor yang tersebar menjadi satu pusat komando tunggal; angka resminya salah alarm turun 90% dan insiden tuntas rata-rata dalam 22 detik.

Yang paling menarik perhatian adalah Flock Safety. Perusahaan yang berawal dari pengenalan pelat nomor ini merampungkan pendanaan Seri F sebesar 275 juta dolar AS yang dipimpin a16z pada Maret 2025, dengan valuasi 7,5 miliar dolar AS, dan naik lagi menjadi 8,4 miliar dolar AS pada April 2026. Ia sekaligus perusahaan yang paling keras dikritik kelompok privasi di bidang ini.

Poin Utama Kali Ini

• Dari rekaman pasif menuju pemahaman aktif, ini lompatan terbesar industri keamanan dalam dua dekade.
• Pencarian bahasa alami adalah fitur dengan selisih pengalaman terbesar — menarik rekaman berubah dari menggulung video menjadi penempatan berbasis kata kunci.
• Kunci turunnya salah alarm secara drastis bukan model yang makin kuat, melainkan pengenalan verifikasi silang multisumber (citra + akses pintu).
• Makin kuat kemampuannya, makin tinggi risiko data pribadi. Pengenalan wajah dan akumulasi jejak kendaraan sama-sama merupakan zona sensitif di Indonesia.
• Kontroversi skala pengawasan bukan pada penggunaan sekali pakai, melainkan pada akumulasi jangka panjang — inilah inti kritik terhadap Flock Safety.

Analisis Dampak Pasar

Bagi Pengguna di Indonesia

Pertama harus dijelaskan dengan gamblang: daftar fitur sistem-sistem ini disusun menurut kebutuhan pasar Amerika. Deteksi senjata api, tanggap penyerang aktif di sekolah, berbagi pelat nomor lintas instansi — hal-hal ini di Indonesia bukannya tak terpakai, malah tak boleh dipakai.

Yang benar-benar perlu dievaluasi perusahaan di Indonesia adalah beberapa hal lain: analisis perilaku K3, pencegahan kerugian dan deteksi perilaku anomali, efisiensi penarikan rekaman pascakejadian, serta manajemen terpusat multi-lokasi. Nilai beberapa hal ini sepenuhnya berlaku di Indonesia, dan ROI-nya mudah dihitung.

Tetapi soal pengenalan wajah harus sangat hati-hati. Data wajah di bawah UU PDP tergolong data pribadi yang bersifat khusus, pengumpulannya harus punya tujuan sah yang jelas dan memenuhi kewajiban pemberitahuan. Dalam praktiknya, penggunaan untuk manajemen kehadiran karyawan dan penggunaan untuk mendeteksi orang mencurigakan dari luar memiliki penilaian hukum yang sama sekali berbeda; standar untuk ruang publik dan area terbatas pun berbeda. Saran saya sangat langsung: kecuali ada kebutuhan yang sangat jelas dan evaluasi kepatuhan yang lengkap, tahap pertama jangan dulu aktifkan pengenalan wajah. Nilai analisis perilaku dan deteksi objek sudah cukup besar, tak perlu menginjak garis paling sensitif demi sedikit fitur tambahan.

Bagi Penerapan Perusahaan

Dari sudut pengadaan, posisi keempat perusahaan ini sebenarnya berbeda, dan mencampuradukkannya akan salah membandingkan.

Lumana, Coram AI, dan Ambient.ai adalah pesaing di sisi citra, menangani "apa yang dilihat kamera". Perbedaan ketiganya: pencarian bahasa alami Coram paling intuitif, Ambient menekankan penalaran kausal yang cocok untuk skenario forensik, dan Lumana mengunggulkan pembagian empat agen serta kompatibel dengan kamera yang ada.

HiveWatch justru lapisan yang sama sekali berbeda — ia menangani "setelah alarm masuk, siapa melakukan apa". Jika masalah Anda adalah beragam sistem masing-masing memunculkan alarm dan petugas jaga tak bisa membedakan prioritas, maka yang Anda butuhkan adalah HiveWatch, bukan membeli lagi satu AI citra.

Ada satu biaya yang sering diabaikan: sistem-sistem ini menghasilkan banyak sekali insiden, dan secara teori setiap insiden semestinya punya catatan penanganan. Sebelum penerapan, pikirkan dulu apakah tim keamanan Anda punya tenaga untuk menampung perintah kerja ini. Sistem menurunkan salah alarm dari empat ratus per hari menjadi empat puluh, tetapi empat puluh itu tetap harus ada yang menangani.

Bagi Pengembang

Peluang tim lokal ada pada skenario vertikal dan kepatuhan.

Data pelatihan model vendor internasional tak memuat gang beratap toko di Indonesia, tak ada kesemrawutan parkir motor, tak ada kepadatan arus manusia pasar malam dan pasar tradisional. Model deteksi untuk skenario-skenario ini adalah pekerjaan detail yang tak akan digarap pihak asing.

Bagian kepatuhan lebih berpeluang lagi. Saat perusahaan di Indonesia menerapkan sistem semacam ini, yang paling dibutuhkan justru mekanisme untuk membuktikan "kami sudah menjaga perlindungan data pribadi dengan baik": kontrol otomatis masa retensi data, catatan akses yang dapat diaudit, dan de-identifikasi otomatis atas citra tertentu. Fungsi-fungsi ini biasanya fungsi sekunder pada produk internasional, tetapi di Indonesia bisa menjadi penentu lolos-tidaknya.

Tren Perkembangan Masa Depan

Tren pertama, visual language model akan menjadi standar. Analisis berbasis aturan tradisional gagal begitu menemui situasi yang belum terdefinisi, sedangkan visual language model mampu memahami makna gambar dan konteks sebelum-sesudahnya. Konsekuensinya kebutuhan komputasi tinggi, sehingga perangkat keras edge computing akan ikut ditingkatkan — inilah alasan hampir setiap vendor mendorong host edge buatannya sendiri.

Tren kedua, fusi multisumber. Sulit menilai apakah seseorang seharusnya berada di suatu tempat hanya dari citra; dengan menyilangkan data tap kartu akses, sensor, bahkan data jadwal shift, barulah tingkat salah alarm bisa ditekan. Ini berarti sistem keamanan akan makin menyerupai platform integrasi data, bukan sekadar perangkat lunak kamera.

Tren ketiga, dan menurut saya paling penting, regulasi akan menyusul. Undang-Undang AI Uni Eropa sudah menetapkan pengenalan biometrik jarak jauh secara real-time sebagai aplikasi berisiko tinggi yang pada prinsipnya dilarang, dan kewenangan penegakannya resmi berlaku pada 2 Agustus 2026. Indonesia saat ini belum punya undang-undang khusus, tetapi kerangka UU PDP yang ada beserta tafsir dari otoritas terkait cepat atau lambat akan memberi batasan yang lebih jelas untuk aplikasi semacam ini. Sistem yang diterapkan sekarang sebaiknya menyisakan ruang penyesuaian saat dirancang.

Kesimpulan dan Ulasan TheAI Academy

Pengamatan saya atas bidang ini: kemampuan berlari lebih cepat daripada regulasi, dan perusahaan berdiri tepat di atas celah itu.

Tak ada yang meragukan sisi teknologinya; pencarian bahasa alami, salah alarm turun drastis, integrasi lintas sistem, semuanya kemajuan nyata dan benar-benar menyelesaikan titik masalah sejati industri keamanan. Dinding pemantauan teman saya yang suara alarmnya dimatikan itu justru alasan keberadaan industri ini.

Tetapi valuasi 8,4 miliar dolar AS Flock Safety, sekaligus kritik keras yang ia tanggung, menjelaskan hal lain: harga jalan ini nyata adanya. Inti kontroversi tak pernah pada sah-tidaknya penggunaan sekali pakai, melainkan pada jejak pergerakan yang menumpuk dalam jumlah besar, jangka panjang, dan lintas instansi, yang pada akhirnya akan membentuk sesuatu. Pertanyaan ini tak punya jawaban sederhana, tetapi berpura-pura ia tak ada jelas keliru.

Ulasan: AI keamanan fisik sudah begitu berguna sehingga sayang untuk tidak dipasang, tetapi ia sekaligus tempat perusahaan paling mudah menginjak garis merah data pribadi. Teknologinya layak dibeli, evaluasi kepatuhan jangan dihemat — biaya itu lebih murah daripada perangkat lunaknya, jauh lebih murah daripada denda.

Saran konkret bagi pembaca di Indonesia: jika Anda menangani keamanan perusahaan, tahap pertama fokuskan dulu pada fungsi yang tak menyangkut biometrik — analisis perilaku, deteksi objek, pencarian pascakejadian; nilai ketiganya sudah besar dan risiko hukumnya rendah. Kedua, sebelum penerapan pastikan bersama tim hukum soal tujuan pengumpulan, cara pemberitahuan, dan masa retensi, lalu tuliskan ketiganya ke dalam pengaturan sistem, bukan sekadar ke dokumen kebijakan. Ketiga, jika titik masalah Anda adalah "alarm terlalu banyak tak ada yang menangani", yang harus dicari adalah platform integrasi, bukan membeli lagi satu sistem deteksi. Untuk memahami lebih lanjut alat terkait, lihat kategori AI Privasi dan Keamanan di situs, atau lihat topik audit kepatuhan di Template Prompt AI.

Sumber Data

• Situs resmi Lumana
• Situs resmi Ambient.ai
• Komisi Eropa: Kerangka Penegakan Undang-Undang AI

(Artikel ini disusun berdasarkan informasi publik, mengacu pada pengungkapan resmi; untuk penilaian kepatuhan data pribadi, konsultasikan dengan nasihat hukum profesional.)