Apakah aman menggunakan AI di Pembangkit Listrik Tenaga Nuklir?

Kuncinya terletak pada lapisan penggunaannya. Aplikasi praktis saat ini berfokus pada pemrosesan dokumen, klasifikasi, dan temu kembali informasi (administrative & engineering support), bukan pada kendali unit pembangkit. Keputusan terkait keselamatan tetap berada di tangan manusia; tugas AI adalah merapikan data dan menyajikannya kepada manusia. Garis batas ini harus ditarik dengan jelas agar dapat lolos dari audit industri nuklir.

Mengapa AI industri perlu digabungkan dengan model fisika?

Model yang murni berbasis data dapat menghasilkan saran yang masuk akal secara statistik namun tidak mungkin terjadi secara fisik, seperti parameter operasional yang melanggar keseimbangan massa. Begitu insinyur melihat output seperti itu, mereka tidak akan lagi mempercayai sistem tersebut. Dengan menambahkan batasan fisik, rekomendasi AI setidaknya akan berada dalam cakupan yang layak secara fisika—inilah penentu apakah teknologi tersebut dapat diadopsi, bukan sekadar pemanis teknis.

Apa kesulitan terbesar dalam mengadopsi AI di pabrik petrokimia Taiwan?

Tantangan terbesarnya biasanya bukan pada teknologi, melainkan pada data: apakah data historis dari sistem kontrol telah disimpan dengan lengkap, apakah pelabelannya konsisten, dan apakah data antar-pabrik dapat diintegrasikan. Sebagian besar pabrik tua sudah tersendat di tahap ini. Kami menyarankan untuk melakukan inventarisasi data terlebih dahulu sebelum memilih sistem, jika tidak, sistem yang dibeli tidak akan memiliki data yang cukup untuk diproses.

Reaktor nuklir Taiwan akan segera dipensiunkan, apakah alat-alat ini masih berguna?

Ya, masih berguna. Proyek dekomisioning, manajemen limbah nuklir, dan volume dokumen kepatuhan hukum terkait masih sangat besar. Selain itu, metodologi dari alat-alat ini—mengubah dokumen teknis tak terstruktur dalam jumlah besar menjadi aset yang dapat dicari dan diklasifikasikan secara otomatis—memiliki nilai referensi langsung bagi Taipower, CPC Corporation, dan fasilitas pabrik semikonduktor.

Pembangkit Listrik Tenaga Nuklir Pun Pakai AI: Tiga Jalur Penerapan di Sektor Energi dan PR bagi Taiwan

Lebih dari 70 fasilitas nuklir di Amerika Utara dan Inggris menggunakan AI untuk menyaring laporan kepatuhan, sementara kilang minyak harus menguji prediksi AI lewat uji konservasi massa sebelum diadopsi. Artikel ini mengupas tiga jalur penerapan AI di sektor energi dan utilitas, serta alasan mengapa "keberanian insinyur untuk mengikuti rekomendasi" jauh lebih penting daripada seberapa besar model AI tersebut.

Seorang insinyur proses yang telah bekerja selama dua puluh tahun di kompleks petrokimia Mailiao (Yunlin Liufu) pernah mengatakan kepada saya satu kalimat yang selalu saya ingat: "Sensor di pabrik kami sangat melimpah, tetapi yang benar-benar digunakan untuk mengambil keputusan mungkin hanya beberapa meteran (gauge) itu."

Kalimat ini kemudian diungkapkan dalam bentuk angka oleh sebuah perusahaan rintisan (startup) asal Inggris. Applied Computing menyatakan bahwa saat mengambil keputusan operasional di kilang minyak dan pabrik petrokimia, data yang digunakan kurang dari 8% dari total data yang tersedia.

Lalu, ke mana 92% sisanya? Mengendap di dalam repositori data historis tanpa ada yang sempat melihatnya.

Mengapa Industri Energi Begitu Sulit

Tingkat kesulitan dalam penerapan AI di sektor energi dan utilitas sama sekali tidak berada di level yang sama dengan perusahaan pada umumnya. Ada tiga alasan utama.

Regulasi yang sangat ketat. Setiap dokumen di pembangkit listrik tenaga nuklir dapat diaudit, dan setiap keputusan harus dapat dilacak. Alasan "karena model AI yang bilang begitu" sama sekali tidak bisa diterima.

Konsekuensi kesalahan yang sangat tinggi. Jika platform e-commerce salah merekomendasikan produk, kerugiannya hanya sebatas satu transaksi; namun, jika parameter operasional di kilang minyak salah, akibatnya bisa berupa pemadaman darurat (shutdown) atau insiden keselamatan.

Para insinyur tidak mempercayai kotak hitam (black box). Poin ini adalah yang paling krusial, tetapi paling sedikit dibahas. Ketika Anda menunjukkan kepada seorang insinyur senior sebuah antarmuka yang menampilkan "Saran AI: naikkan suhu sebesar 5 derajat", pertanyaan pertama yang pasti ia ajukan adalah "Mengapa?". Jika sistem tidak dapat menjawabnya, maka sistem tersebut hanyalah pajangan.

Justru karena tingkat kesulitannya yang begitu tinggi, kasus penerapan AI di industri energi sangat layak untuk diamati—karena lolos dari uji di sini sama dengan melewati uji tekanan (stress test) yang paling ketat.

Jalur Pertama: Mulai dari Dokumen, Jangan Sentuh Kontrol

Titik masuk yang paling pragmatis adalah pekerjaan-pekerjaan yang "penting tetapi tidak akan meledak".

Nuclearn adalah representasi dari jalur ini. Fokus mereka adalah otomatisasi dokumen dan alur kerja di pembangkit listrik tenaga nuklir—klasifikasi otomatis serta penyaringan laporan kondisi, pencarian data peralatan dan suku cadang, hingga tanya-jawab pencarian dokumen teknik. Lini produk mereka dibagi berdasarkan departemen aktual: Equipment AI, Parts AI, Engineering AI, Performance Improvement AI, serta sebuah chatbot khusus nuklir bernama AtomAssist.

Tujuannya sangat sederhana: "Pekerjaan lebih cepat, tumpukan tugas lebih sedikit, risiko lebih rendah." Perusahaan ini melayani lebih dari 70 fasilitas nuklir di Amerika Utara dan Inggris, dengan tim pendiri yang berasal dari institusi seperti Pembangkit Listrik Tenaga Nuklir Palo Verde.

Perhatikan apa yang sengaja tidak mereka sentuh: kontrol unit dan keputusan yang berkaitan dengan keselamatan sama sekali tidak disentuh. Semua hasil keluaran AI dikirimkan langsung kepada manusia, dan manusianyaah yang membuat keputusan. Pembatasan diri ini bukan berarti konservatif, melainkan alasan mengapa sistem ini dapat diadopsi.

Pembangkit listrik tenaga nuklir adalah salah satu industri dengan volume dokumen terbanyak di dunia. Setiap anomali harus memicu laporan kondisi, dan setiap dokumen harus diklasifikasikan serta disaring secara manual. Pekerjaan semacam ini—"volume besar, aturan jelas, tetapi menghabiskan banyak waktu insinyur"—merupakan titik manis (sweet spot) bagi AI.

Jalur Kedua: Menggunakan Fisika sebagai Penjaga Gawang

Jalur kedua bersifat jauh lebih teknis sekaligus lebih cerdas.

Produk Orbital dari Applied Computing terdiri dari tiga model yang ditumpuk menjadi satu. Model deret waktu (time series) terhubung ke sistem kontrol dan repositori data historis untuk memprediksi tren dan mendeteksi anomali; model bahasa dilatih menggunakan pengetahuan teknik kimia untuk menginterpretasikan dokumen pabrik dan mengusulkan rekomendasi tindakan.

Lapisan tengahnyalah yang menjadi kunci: Model fisik bertindak sebagai pengawas untuk memastikan hasil prediksi sesuai dengan keseimbangan massa, kekekalan energi, dan kinetika reaksi.

Desain inilah yang secara tepat memecahkan masalah kepercayaan yang telah disebutkan sebelumnya. Model yang murni digerakkan oleh data (data-driven) dapat menghasilkan saran yang tampak masuk akal secara statistik, namun sama sekali tidak masuk akal secara fisik. Jika seorang insinyur melihat keluaran seperti itu bahkan sekali saja, sistem tersebut akan langsung kehilangan kepercayaan di matanya.

Dengan menambahkan batasan fisik (physical constraints), saran dari AI setidaknya akan jatuh dalam rentang yang layak secara fisik, sehingga para insinyur dapat memverifikasi sendiri apakah "saran ini masuk akal atau tidak". Inilah garis pemisah penentu apakah sistem tersebut dapat diadopsi atau tidak.

Berkantor pusat di London dengan model kerja remote-first, perusahaan ini didirikan oleh para alumni Imperial College London. Dan Jeavons—mantan Kepala Proyek AI di Shell—menjabat sebagai presiden perusahaan, yang kini telah menyelesaikan pendanaan tahap awal (seed funding) sebesar 9 juta Poundsterling. Latar belakang praktis dari Shell sendiri sudah menjadi tiket masuk utama di industri ini.

Jalur Ketiga: Memecahkan Masalah "Gagal Bangun"

Jalur ketiga melompat jauh lebih jauh lagi.

Everstar tidak menargetkan operasional pembangkit listrik yang sudah ada, melainkan mengatasi masalah sulitnya membangun pembangkit listrik tenaga nuklir baru. Platform Gordian mereka adalah platform AI untuk pekerjaan nuklir yang mencakup bidang teknik, perizinan regulasi, sertifikasi, dan pelatihan personel; sementara Titan adalah sistem manufaktur berskala besar, di mana perusahaan menetapkan target untuk "membangun 400 GW di Amerika Serikat sebelum tahun 2050."

Enam aspek yang mereka masuki meliputi: teknik dan perizinan regulasi, sertifikasi pemasok, pengembangan tenaga kerja, kontrol kualitas manufaktur, efisiensi konstruksi, serta operasional mandiri pembangkit listrik. Posisi resmi mereka adalah "memindahkan energi nuklir dari atas kertas ke dunia nyata (baja)."

Satu hal yang perlu diperjelas di sini adalah: apa yang dapat dipercepat oleh AI adalah aspek-aspek yang menyita banyak jam kerja seperti penyiapan dokumen, pengambilan data, dan pemeriksaan konsistensi; sementara peninjauan oleh otoritas pengatur itu sendiri tetap memerlukan waktu. Pemahaman yang masuk akal adalah memangkas waktu "menunggu pengajuan berkas", bukan memangkas waktu "peninjauan regulasi".

Namun, keberadaan perusahaan ini sendiri sudah membuktikan satu hal: Keterlambatan sebenarnya dari kebangkitan kembali tenaga nuklir terletak pada aspek eksekusi, bukan pada teknologinya. Masalahnya bukan kita tidak bisa membangun, melainkan alur kerja, rantai pasokan, dan talenta yang terputus.

Sebagai catatan, Overstory juga termasuk dalam kategori besar ini—mereka menggunakan citra satelit untuk menganalisis risiko vegetasi di dekat kabel listrik, melayani enam dari sepuluh perusahaan utilitas teratas di Amerika Utara, serta mengubah anggaran pemangkasan perusahaan listrik dari berbasis "siklus waktu" menjadi berbasis "risiko".

Analisis Dampak Pasar

Bagi Pengguna di Taiwan

Masyarakat umum mungkin tidak akan menggunakan alat-alat ini secara langsung, tetapi dampaknya bersifat tidak langsung namun nyata: pemadaman listrik yang lebih sedikit, tarif listrik yang lebih stabil, dan kecelakaan kerja yang berkurang. Manajemen risiko vegetasi seperti yang dilakukan Overstory adalah topik yang sama persis dengan masalah pohon tumbang yang menyebabkan pemadaman listrik di Taiwan setiap musim angin topan.

Bagi Perusahaan di Taiwan

Bagian inilah yang menjadi inti penting. Industri petrokimia di Taiwan (seperti sistem CPC dan Formosa Plastics), ketenagalistrikan (Taipower), serta fasilitas pabrik semikonduktor, semuanya merupakan skenario tipikal untuk penerapan teknologi jenis ini—peralatan yang sudah tua, data yang melimpah, dan pengetahuan pengalaman yang melekat pada para insinyur senior yang kini tengah memasuki masa pensiun.

Namun, secara jujur harus saya katakan: Sebagian besar pabrik di Taiwan akan terbentur pada masalah data, bukan pada modelnya. Apakah data historis sistem kontrol tersimpan dengan baik? Apakah format penamaan di area pabrik yang berbeda sudah konsisten? Apakah sistem yang berbeda dapat diintegrasikan? Jika tiga pertanyaan ini tidak bisa dijawab, membeli sistem apa pun akan menjadi sia-sia.

Urutan rekomendasi yang disarankan adalah: Lakukan inventarisasi data terlebih dahulu → pilih uji coba otomatisasi dokumen dalam skala kecil → kumpulkan kepercayaan internal → baru kemudian bicarakan tentang optimasi proses. Jangan lakukan sebaliknya.

Bagi Pengembang

Jika Anda sedang mengembangkan AI untuk sektor industri, arsitektur Applied Computing sangat layak untuk ditiru: Jangan hanya membuat prediksi, buatlah prediksi yang dapat diverifikasikan. Jadikan aturan domain fisik atau bisnis sebagai lapisan pembatas (constraint layer), sehingga pengguna dapat memeriksa sendiri apakah keluaran tersebut masuk akal atau tidak. Ini jauh lebih bernilai daripada model AI sebesar apa pun.

Selain itu, "mendalami ceruk vertikal secara mendalam" benar-benar merupakan benteng pertahanan (moat) di industri ini. Nuclearn menekankan bahwa mereka tidak sekadar melapisi antarmuka di atas model bahasa besar (LLM) umum, melainkan merancangnya secara khusus untuk lingkungan nuklir—perbedaan inilah yang menjadi penentu apakah suatu perusahaan bisa mendapatkan kontrak di industri dengan regulasi ketat.

Tren Perkembangan Masa Depan

Pertama, permintaan listrik oleh AI justru akan mendorong adopsi AI di sektor energi. Konvergensi kebutuhan daya pusat data (data center) tengah mengubah tekanan operasional industri tenaga listrik, dan salah satu alat untuk mengatasi tekanan tersebut justru adalah AI. Siklus ini akan berputar semakin cepat. Diskusi terkait di Taiwan dapat merujuk pada Tinjauan Menyeluruh Konsumsi Daya Pusat Data Taiwan.

Kedua, "kemampuan untuk diaudit" (auditability) akan menjadi standar wajib bagi AI industri. Industri dengan regulasi ketat akan menuntut setiap keluaran dari AI dapat dilacak sumber dan dasarnya. Hal ini akan memaksa seluruh pasar AI industri bergerak menuju arah yang dapat dijelaskan (explainable AI).

Ketiga, gelombang pensiun adalah pendorong terbesar. Pensiun massal para insinyur senior di industri manufaktur Taiwan menyebabkan pengetahuan yang terikat di dalam otak manusia tersebut hilang. Urgensi untuk mengubah dokumen teknis menjadi aset yang dapat dicari dan ditanya-jawab akan semakin meningkat dari waktu ke waktu.

Kesimpulan dan Ulasan TheAI學院 (The AI Academy)

Kesan mendalam yang saya peroleh dari bidang ini adalah: Penerapan AI di industri energi pada dasarnya mengajarkan kita "bagaimana membuat manusia bersedia mempercayai AI".

Bukan dengan memperbesar ukuran model, melainkan dengan memperjelas batasan (apa yang dikerjakan AI dan apa yang dikerjakan manusia), membuat keluaran menjadi dapat diverifikasi (melalui batasan fisik dan pelacakan sumber), serta memulai penerapan dari area yang paling minim risiko (dokumen alih-alih kontrol unit).

Ketiga trik ini dapat diterapkan di industri mana pun, hanya saja industri lain belum berada di posisi yang harus terpaksa melakukannya.

Ulasan: Bahkan industri nuklir yang paling diatur secara ketat dan paling konservatif saja sudah menggunakan AI untuk memproses dokumen, sehingga alasan dari industri lain yang mengatakan "kami memiliki keistimewaan sehingga tidak bisa menggunakannya" menjadi semakin tidak masuk akal.

Saran konkret bagi pembaca di Indonesia dan Taiwan: Jika Anda berada di departemen TI atau teknik di sektor proses manufaktur, tenaga listrik, atau industri berat lainnya, lakukan satu hal bulan ini—lakukan inventarisasi di mana dokumen teknis Anda disimpan, berapa banyak jumlahnya, dan apa formatnya. Saya berani bertaruh sebagian besar perusahaan tidak dapat menjawabnya. Dan jawaban atas pertanyaan inilah variabel penentu yang sebenarnya—bukan anggaran—yang akan menentukan apakah Anda dapat mengadopsi AI tiga tahun dari sekarang.

Bacaan lanjutan: Panduan Pemeliharaan Prediktif Berbasis AI membahas versi pengantar dari konteks yang sama; pembangunan perangkat lunak internal perusahaan dapat merujuk pada Panduan Pembangunan Alat Internal AI; temukan lebih banyak alat AI untuk manufaktur dan industri di Daftar Alat (Tools).

Sumber Data

Disusun berdasarkan informasi publik dan berpatokan pada informasi resmi. Artikel ini tidak merupakan saran investasi atau keputusan teknik apa pun; silakan berkonsultasi dengan profesional terkait untuk penerapan aktual.