Saat AI Mulai Menjawab Panggilan Darurat: Transformasi Teknologi di Balik Panggilan 119

Pukul 02.40 dini hari, sebuah panggilan masuk ke pusat dispatch. Penelepon berbicara dengan nada terburu-buru, dan ada suara orang lain berteriak di latar belakang. Petugas operator berusaha menenangkan penelepon sambil mencoba menggali informasi alamat. Pada detik keempat puluh dari panggilan tersebut, sebuah baris peringatan muncul di layar operator: Diduga henti jantung, sarankan untuk segera memandu pelaksanaan RJP (Resusitasi Jantung Paru).

Keputusan ini bukan dibuat oleh operator, melainkan oleh sebuah model AI yang mendengarkan panggilan yang sama.

Sistem semacam ini telah beroperasi di beberapa pusat dispatch di Amerika Serikat dan Denmark selama beberapa tahun terakhir. Hal ini sekaligus menunjukkan sisi paling meyakinkan dari masuknya AI ke dalam layanan publik, serta sisi yang paling membutuhkan pengawasan.

Latar Belakang Peristiwa

Kendala yang dihadapi oleh pusat layanan darurat di seluruh dunia serupa: kekurangan tenaga kerja, tingkat turnover yang tinggi, masa pelatihan yang panjang, dan setiap panggilan tidak boleh sampai salah. Pusat dispatch di berbagai county di Amerika Serikat mengalami kekurangan staf yang parah dalam beberapa tahun terakhir, sehingga waktu tunggu panggilan semakin panjang—dalam situasi seperti henti jantung di mana tingkat kelangsungan hidup dihitung dalam hitungan menit, waktu tunggu adalah nyawa.

Oleh karena itu, bidang yang awalnya sangat konservatif ini justru menjadi area adopsi AI yang sangat agresif. Jalur teknologinya secara garis besar dibagi menjadi empat jenis.

Kategori pertama adalah interpretasi real-time selama panggilan. Platform pembelajaran mesin Corti menganalisis panggilan yang sedang berlangsung, mengenali kondisi kritis seperti henti jantung, dan memberikan peringatan kepada operator. Departemen Pemadam Kebakaran Seattle adalah salah satu unit awal yang mengadopsinya.

Kategori kedua adalah penyortiran panggilan non-darurat. Sebagian besar panggilan yang diterima oleh pusat dispatch sebenarnya tidak memerlukan pengerahan segera—seperti keluhan kebisingan, parkir liar, atau pertanyaan prosedur.Aurelian mengotomatiskan area ini secara khusus, sehingga panggilan darurat yang sebenarnya tidak perlu mengantre. Startup asal Seattle ini menyelesaikan pendanaan Seri A senilai 14 juta dolar AS pada Agustus 2025.

Kategori ketiga adalah penulisan ulang seluruh platform penerimaan dan dispatch.Carbyne berfokus pada Next Generation 911 (NG911), sementara Mark43 mengintegrasikan dispatch, pencatatan, seluler, dan analitik ke dalam satu sistem cloud yang sama, ditambah dengan ReportAI untuk pembuatan draf laporan otomatis dan BriefAI untuk merangkum ringkasan tugas. Berdasarkan keterangan resmi, sistem ini telah diadopsi oleh lebih dari 300 instansi.

Kategori keempat adalah integrasi data lintas sistem. Kategori ini adalah yang paling tidak mencolok namun paling krusial: yang dilakukan Peregrine adalah menghubungkan belasan sistem lama kepolisian dan pemadam kebakaran yang sebelumnya tidak saling terhubung, lalu membersihkan dan menyelaraskannya, sehingga petugas jaga dapat memeriksa konteks lengkap di satu tempat. Baru-baru ini, mereka merampungkan pendanaan Seri D senilai 250 juta dolar AS.

Perlu dicatat mengenai kecepatan konsolidasi industri ini. Pada tahun 2025, Axon mengakuisisi Prepared yang juga bergerak di bidang AI 911, dan kemudian mengakuisisi Carbyne dengan valuasi 625 juta dolar AS—bidang ini sedang bergeser dari persaingan sengit startup menuju oligopoli.

Poin Utama

• Peran AI adalah sebagai pendukung, bukan pengambil keputusan: Desain dari semua sistem saat ini adalah "memberikan peringatan kepada operator", di mana keputusan akhir tetap berada di tangan manusia. Garis batas ini harus dipertahankan di area berisiko tinggi.
• Waktu yang dihemat terutama adalah waktu administrasi: Keluhan yang paling sering dilontarkan oleh petugas kepolisian dan pemadam kebakaran adalah masih harus mengetik laporan sebelum jam pulang kerja. Fitur-fitur seperti ReportAI dan BriefAI menyasar langsung titik nyeri ini, alih-alih menggantikan penilaian lini pertama.
• Integrasi data jauh lebih sulit daripada model AI: Peregrine mengadopsi model penerapan di mana teknisi ditempatkan langsung di lokasi klien, karena format data di sektor publik sangat berantakan hingga tidak dapat diproses dari jarak jauh. Tidak ada jalan pintas untuk hal ini.
• Kontroversi yang ada juga nyata: ShotSpotter di bawah SoundThinking telah lama dipertanyakan terkait tingkat alarm palsu dan efektivitas biayanya; kota-kota seperti Chicago bahkan pernah menghentikan atau mengurangi kontrak mereka. Ketika algoritma mulai menentukan arah pengerahan pasukan kepolisian, perdebatan sosial menjadi suatu keharusan.

Analisis Dampak Pasar

Bagi Pengguna di Taiwan: Dampaknya tidak akan terlalu terasa dalam jangka pendek. Sistem 119 dan 110 di Taiwan memiliki arsitektur yang berbeda dari Amerika Serikat, dan juga tidak menggunakan spesifikasi NG911. Hal yang paling mungkin muncul lebih dulu adalah "penyortiran kasus non-darurat" — otomatisasi layanan seperti saluran warga 1999, di mana hambatan teknisnya jauh lebih rendah daripada dispatch darurat, dan risikonya juga lebih kecil.

Bagi Aplikasi Korporat: Efek limpahan dari gelombang teknologi ini patut diperhatikan. Kebutuhan keamanan akses di ruang gawat darurat rumah sakit, stadion besar, dan kampus itu nyata. Deteksi senjata berbasis jalur masuk seperti milik Athena Security, serta pengenalan pelat nomor dan insiden dari Rekor, semuanya merambah ke ranah medis dan komersial. Kasus kekerasan di rumah sakit Taiwan bukanlah hal yang jarang terjadi, sehingga ada kebutuhan nyata di area ini.

Bagi Pengembang: Peluang yang sesungguhnya berada di lapisan integrasi, bukan di lapisan model. Tingkat fragmentasi sistem di sektor publik Taiwan tidak kalah dari Amerika Serikat. Siapa pun yang dapat menghubungkan data yang ada, menyelaraskan semantiknya, dan menyediakan antarmuka pencarian yang baik, maka dialah yang memiliki nilai. hambatannya tinggi, begitu juga dengan tingkat stickiness (retensi)-nya.

Tren Perkembangan Masa Depan

Saya menilai bahwa dalam dua hingga tiga tahun ke depan, perkembangannya akan mengarah ke tiga arah berikut.

Pertama, bergeser dari peringatan dini menuju pembuatan draf. AI tidak hanya memberikan petunjuk "ini mungkin henti jantung", tetapi langsung menulis draf seluruh catatan kasus, di mana manusia hanya perlu melakukan konfirmasi. Tingkat penerimaan terhadap otomatisasi dokumen jauh lebih tinggi daripada otomatisasi keputusan, sehingga akan diadopsi lebih dulu.

Second, regulasi akan menyusul. Regulasi AI Uni Eropa telah memasukkan penggunaan penegakan hukum sebagai kategori berisiko tinggi, dan berbagai negara bagian di AS secara berurutan juga mulai memberlakukan undang-undang untuk mengatur batas waktu penyimpanan data pengenalan pelat nomor kendaraan. Tahap di mana teknologi melaju di depan sementara regulasi mengekor di belakang akan segera berakhir.

Ketiga, akuisisi dan konsolidasi akan terus berlanjut. Serangkaian akuisisi yang dilakukan Axon terhadap Prepared dan Carbyne hanyalah permulaan. Pengadaan di sektor publik lebih menyukai satu jendela tunggal (single window), dan struktur ini akan memaksa para vendor untuk bergabung menjadi platform-platform besar.

Kesimpulan dan Komentar TheAI學院

Dalam proses menulis topik ini, hal yang paling menarik perhatian saya bukanlah seberapa hebat teknologinya, melainkan angka efektivitas dari sistem-system ini hampir semuanya diungkapkan sendiri oleh pihak vendor. Klaim seperti "waktu tanggap berkurang sekian persen dua digit" atau "kejahatan serius turun 45%" seharusnya diverifikasi secara mandiri pada tingkat kebijakan publik, namun saat ini sebagian besar tidak melakukannya. Kontroversi ShotSpotter lahir dari cara seperti ini: bukan karena teknologinya sama sekali tidak berguna, melainkan karena klaim efektivitasnya tidak sebanding dengan biaya investasi dan harga sosial yang harus dibayar.

Komentar: Ketika AI memasuki ranah keamanan publik, pertanyaan yang sebenarnya harus diajukan bukanlah "apakah akurat?", melainkan "siapa yang memverifikasi, berapa lama data disimpan, siapa yang bisa mengaksesnya, dan apakah ada catatan yang ditinggalkan setelah diakses?" — masalah teknis ada solusinya, tetapi masalah tata kelola tidak memiliki jawaban yang baku.

Saran konkret untuk pembaca: Jika Anda berada di sektor publik atau rantai pasokan terkait, hal yang paling layak untuk diinvestasikan saat ini bukanlah terburu-buru menggunakan model AI, melainkan merapikan data yang Anda miliki saat ini — definisi kolom, referensi kode, dan kebijakan penyimpanan. Pengalaman di Amerika Serikat sangat jelas: instansi yang fondasi datanya belum dirapikan dengan baik, proyek AI-nya hampir selalu berakhir tanpa kejelasan. Jika Anda adalah masyarakat umum, hal yang patut diperhatikan adalah regulasi data pribadi ke depannya: begitu pengenalan pelat nomor dan analisis gambar menjadi umum, "berapa lama data disimpan dan siapa yang memiliki hak untuk menyelidiki" akan secara langsung memengaruhi kehidupan sehari-hari kita. Ini adalah tahap di mana kita harus bersuara sebelum sistem tersebut terbentuk sepenuhnya. Untuk mempelajari lebih lanjut tentang alat terkait, silakan lihat kategori Keamanan Publik dan Tanggap Darurat AI di situs kami.

Sumber Data

• Situs Resmi Mark43 (Lini produk, jumlah instansi yang mengadopsi)
• Situs Resmi Peregrine (Posisi platform, model penerapan)
• Situs Resmi SoundThinking (Penjelasan produk seperti ShotSpotter)

Disusun berdasarkan informasi publik, tunduk pada keterangan resmi. Angka efektivitas yang diungkapkan oleh vendor dalam artikel ini belum diverifikasi oleh pihak ketiga yang independen, mohon diperhatikan saat mengutip.