Rockwell Automation menerapkan AI generatif pada masalah praktis industri : bagaimana merekam pengetahuan pemeliharaan selama puluhan tahun dan membuatnya segera dapat digunakan oleh teknisi. Di fasilitas manufakturnya di Singapura, Maintenance Copilot bertenaga AI menggabungkan dokumentasi mesin, data manufaktur, dan pengetahuan pemecahan masalah dari para insinyur berpengalaman untuk membantu teknisi mengidentifikasi gangguan dan mengikuti tindakan korektif yang terstruktur.
Dari Pemecahan Masalah Berbasis Manual ke Pemeliharaan Berbantuan Pengetahuan
Pemecahan masalah mesin secara tradisional sering bergantung pada teknisi yang menemukan kode alarm yang tepat dalam manual, menafsirkan kemungkinan penyebab, lalu memutuskan tindakan korektif mana yang harus dicoba terlebih dahulu. Jika dokumentasi tidak memadai, langkah berikutnya biasanya adalah bertanya kepada teknisi berpengalaman yang pernah menangani kegagalan yang sama.
Proses ini menciptakan dua keterbatasan. Pertama, pemecahan masalah dapat memakan waktu cukup lama sementara peralatan tidak dapat digunakan. Kedua, sebagian besar informasi yang paling berguna mungkin hanya ada sebagai "pengetahuan suku" informal yang dimiliki personel berpengalaman.
Maintenance Copilot dari Rockwell mengubah cara mengakses informasi ini. Alih-alih mencari secara manual di ratusan halaman, teknisi dapat menjelaskan gejala mesin dalam bahasa alami dan menerima informasi yang disusun berdasarkan gejala, kemungkinan penyebab, dan tindakan yang direkomendasikan.
Ini merupakan perbedaan penting di lingkungan industri: nilai AI bukan sekadar menghasilkan teks. Nilai praktisnya berasal dari kemampuannya membuat pengetahuan teknik yang sudah ada lebih mudah ditemukan saat keputusan pemeliharaan perlu diambil.
Merekam Pengalaman Teknik Selama Puluhan Tahun
Sistem di Singapura ini menggabungkan pengetahuan pemecahan masalah yang disumbangkan oleh para insinyur Rockwell berpengalaman, termasuk personel dengan pengalaman 20 hingga 30 tahun di lantai produksi.
Pengetahuan tersebut dapat mencakup detail yang sulit ditangkap dalam manual konvensional: gejala mana yang cenderung muncul bersamaan, kegagalan komponen mana yang umum terjadi, apa yang biasanya ditunjukkan oleh alarm tertentu, dan bagaimana masalah serupa diselesaikan di lini produksi lain.
Bagi organisasi pemeliharaan, hal ini menciptakan mekanisme potensial untuk mempertahankan pengetahuan.
Teknisi berpengalaman pada akhirnya pensiun atau beralih ke peran lain. Tanpa metode terstruktur untuk merekam pengalaman mereka, organisasi dapat kehilangan pengetahuan praktis tentang pemecahan masalah meskipun dokumentasi formal tetap tersedia.
Sistem AI tidak dapat menggantikan pengalaman tersebut, tetapi dapat menyediakan antarmuka yang dapat ditelusuri untuk pengetahuan yang telah didokumentasikan dan distrukturkan.
Alur Kerja Pemecahan Masalah yang Lebih Terstruktur
Salah satu aspek sistem yang menarik secara teknis adalah pengorganisasian informasi pemeliharaan ke dalam gejala, penyebab, dan respons.
Struktur ini menyerupai logika yang telah digunakan oleh teknisi pemeliharaan berpengalaman:
- Identifikasi gejala mesin yang dapat diamati.
- Tentukan penyebab yang paling mungkin.
- Periksa peralatan atau sinyal yang relevan.
- Terapkan tindakan korektif yang sesuai.
- Verifikasi apakah mesin telah kembali ke kondisi operasi yang diharapkan.
Asisten AI juga dapat menampilkan komentar dan pengalaman dari teknisi lain serta menghubungkan informasi pemecahan masalah dengan manual mesin yang ada.
Dari perspektif teknik, pendekatan ini lebih berguna daripada memperlakukan model bahasa besar sebagai otoritas diagnostik independen. Model tersebut menjadi antarmuka ke informasi teknis yang terkendali, bukan satu-satunya sumber kebenaran.
Mengurangi Waktu Henti dan Biaya Pemeliharaan
Menurut pelacakan internal Rockwell yang dikutip oleh Microsoft, operasional di Singapura mengurangi waktu henti mesin sebesar 33% setelah menerapkan pendekatan pemeliharaan tersebut. Biaya pemeliharaan dan suku cadang dilaporkan menurun sekitar 25%.
Angka-angka ini harus dipahami sebagai hasil internal yang dilaporkan Rockwell, bukan tolok ukur kinerja universal untuk pemeliharaan berbasis AI.
Namun, mekanisme di balik peningkatan ini dapat dipahami secara teknis. Jika teknisi dapat mengidentifikasi kemungkinan penyebab dengan lebih cepat, siklus pemecahan masalah yang tidak perlu dapat dikurangi. Diagnosis yang lebih cepat juga dapat mengurangi waktu peralatan tidak tersedia dan membantu teknisi menghindari penggantian komponen tanpa bukti yang memadai.
Oleh karena itu, manfaat terbesar mungkin bukan berasal dari model AI itu sendiri, melainkan dari pemendekan jalur antara gejala mesin -> pengetahuan yang relevan -> tindakan teknis.
AI Juga Dapat Mengurangi Waktu Belajar Teknisi
Penerapan lainnya adalah orientasi tenaga kerja.
Rockwell melaporkan bahwa teknisi yang sebelumnya membutuhkan sekitar sembilan bulan untuk menjadi mahir dalam memecahkan masalah ratusan mesin dapat mencapai tingkat tersebut dalam waktu sekitar tiga bulan dengan bantuan AI.
Hal ini mengatasi tantangan umum dalam manufaktur modern: kompleksitas peralatan meningkat, sementara tenaga pemeliharaan berpengalaman tidak selalu tersedia dalam jumlah yang memadai.
Bagi teknisi baru, asisten AI dapat menyediakan akses kontekstual ke dokumentasi mesin dan pengalaman pemecahan masalah yang telah dicatat sebelumnya. Hal ini tidak menghilangkan kebutuhan akan pelatihan langsung, pengetahuan keselamatan listrik, atau kompetensi khusus peralatan. Sebaliknya, AI dapat mengurangi waktu yang dihabiskan hanya untuk mencari informasi.
Perbedaan ini penting. AI dapat mempercepat akses informasi; AI tidak menggantikan keterampilan diagnosis fisik.
Menghubungkan AI dengan Lapisan Data Industri
Implementasi Rockwell menggunakan teknologi Microsoft Azure, termasuk Azure OpenAI Service, Azure AI Search, serta kemampuan keamanan, identitas, dan tata kelola Microsoft.
Arsitektur ini menunjukkan arah penting bagi AI industri: mengintegrasikan model bahasa dengan informasi perusahaan dan operasional, bukan mengoperasikannya sebagai aplikasi obrolan yang terisolasi.
Untuk aplikasi pemeliharaan, data yang berguna dapat berasal dari beberapa sumber:
- Manual instruksi mesin
- Catatan pemeliharaan
- Informasi alarm dan gangguan
- Catatan pemecahan masalah teknisi
- Perangkat lunak manufaktur
- Riwayat peralatan
- Pengamatan di lini produksi
Oleh karena itu, tantangan rekayasa bukan sekadar memilih model AI. Tantangannya adalah membangun sumber data yang andal, kontrol akses, pengambilan informasi, dan tata kelola di sekitar model tersebut.
AI Harus Mendukung Insinyur, Bukan Mengabaikan Kendali Rekayasa
Ada keterbatasan praktis yang tidak boleh diabaikan.
Rekomendasi pemeliharaan yang dihasilkan oleh sistem AI tidak boleh secara otomatis menjadi perintah kendali mesin. Peralatan industri dapat melibatkan bahaya listrik, energi mekanis, bahaya proses, dan fungsi yang diinstrumentasikan untuk keselamatan.
Karena alasan ini, pemecahan masalah dengan bantuan AI paling tepat digunakan sebagai lapisan pendukung keputusan. Teknisi tetap bertanggung jawab untuk memvalidasi kondisi fisik peralatan serta menerapkan prosedur pemeliharaan, lockout/tagout, dan keselamatan yang telah ditetapkan.
Untuk sistem kendali dan keselamatan kritis, pemisahan antara informasi yang dihasilkan AI dan logika kendali deterministik sangatlah penting.
AI dapat membantu menjawab:
"Apa yang harus saya selidiki?"
AI tidak boleh memutuskan sendiri:
"Jalankan tindakan yang kritis terhadap keselamatan ini."
Batasan tersebut akan menjadi penting ketika produsen beralih dari pemeliharaan berbantuan AI menuju operasi yang semakin otonom.
Di Luar Pemeliharaan: Kualitas dan Operasi Prediktif
Pabrik di Singapura menggunakan AI untuk lebih dari sekadar pemeliharaan.
Rockwell juga menjelaskan sistem kualitas multi-agen yang dirancang untuk mendeteksi dan mengatasi cacat produk selama perakitan, bersama dengan kemampuan pemeliharaan prediktif yang ditujukan untuk mengidentifikasi kondisi yang dapat menyebabkan waktu henti peralatan yang tidak direncanakan.
Kombinasi ini menciptakan arsitektur industri yang lebih luas:
Data operasional -> analisis AI -> wawasan teknik -> tindakan manusia atau otomatis -> umpan balik
Hal ini lebih signifikan daripada menerapkan chatbot yang berdiri sendiri. Ini merepresentasikan integrasi AI secara bertahap ke dalam berbagai tahap siklus hidup manufaktur.
Penetapan fasilitas Singapura sebagai lokasi Global Lighthouse oleh World Economic Forum pada Juni 2026 juga menyebutkan peningkatan, termasuk kenaikan 43% dalam jumlah unit per orang-jam, penurunan cacat sebesar 35%, dan pengurangan waktu hingga mencapai kompetensi sebesar 67%.
Hasil ini mencakup berbagai teknologi dan perubahan operasional, sehingga tidak boleh dikaitkan hanya dengan kopilot pemeliharaan.
Pandangan Teknik Saya: Kualitas Data Adalah Fondasi Sebenarnya
Pelajaran terpenting dari proyek ini bukanlah pilihan model GPT.
Untuk AI industri, data teknik yang mendasari biasanya lebih penting daripada antarmuka percakapan. Jika catatan pemeliharaan tidak lengkap, dokumentasi mesin sudah usang, atau pengetahuan pemecahan masalah tidak terstruktur dengan baik, model yang lebih canggih tidak akan secara otomatis menghasilkan keputusan pemeliharaan yang lebih baik.
Oleh karena itu, implementasi yang berhasil memerlukan beberapa fondasi:
- Informasi peralatan dan aset yang akurat
- Catatan kerusakan dan pemeliharaan yang konsisten
- Pengetahuan teknik yang terstruktur
- Kepemilikan informasi yang jelas
- Kontrol keamanan siber yang sesuai
- Akses berbasis peran
- Validasi rekomendasi oleh manusia
- Mekanisme umpan balik untuk memperbaiki informasi yang salah
Dengan kata lain, AI menyingkap kualitas basis pengetahuan industri suatu organisasi. Perusahaan yang telah bertahun-tahun memelihara data peralatan yang bersih dan catatan pemeliharaan yang disiplin kemungkinan besar memiliki fondasi yang lebih kuat untuk mengadopsi AI industri.
Dari Keahlian Individu ke Pengetahuan Organisasi
Nilai yang lebih mendalam dari pendekatan Rockwell adalah upayanya mengubah pengalaman individu teknisi menjadi pengetahuan organisasi.
Teknisi yang sangat berpengalaman mungkin mengenali pola kegagalan dalam hitungan menit karena mereka telah menjumpainya berkali-kali. Teknisi yang lebih baru mungkin memerlukan waktu berjam-jam untuk mencapai kesimpulan yang sama.
Jika pengalaman tersebut dapat didokumentasikan, diindeks, dan disajikan saat dibutuhkan, organisasi menjadi tidak terlalu bergantung pada sejumlah kecil individu.
Hal ini tidak membuat teknisi berpengalaman menjadi kurang penting. Justru, pengetahuan mereka menjadi lebih berharga karena dapat direkam dan digunakan kembali oleh populasi teknisi yang jauh lebih besar.
Dari Satu Pabrik ke Operasi Global
Rockwell berencana memperluas kopilot pemeliharaan ke lokasi manufaktur di Twinsburg, Ohio, serta Polandia dan Meksiko.
Penskalaan aplikasi AI industri dari satu pabrik ke beberapa fasilitas akan menimbulkan tantangan rekayasa tambahan. Mesin, prosedur, bahasa, praktik pemeliharaan, dan kumpulan data historis dapat berbeda antar lokasi.
Oleh karena itu, sistem yang dapat diskalakan secara global memerlukan arsitektur umum sekaligus tetap memungkinkan penggunaan pengetahuan khusus lokasi.
Di sinilah data berbasis cloud, identitas, keamanan, dan layanan AI dapat memberikan keunggulan, asalkan data operasional yang mendasarinya tetap dikelola dengan baik.
Tahap Berikutnya dalam Pemeliharaan Industri
Penerapan di Singapura menggambarkan pergeseran yang lebih luas dalam otomasi industri.
Generasi digitalisasi sebelumnya sangat berfokus pada pengumpulan data mesin. Tahap berikutnya semakin berfokus pada membuat data tersebut berguna bagi orang-orang yang harus mendiagnosis, memelihara, dan mengoperasikan peralatan fisik.
Sistem AI industri yang paling praktis kemungkinan tidak akan berhasil hanya karena mampu menghasilkan jawaban yang meyakinkan. Sistem tersebut akan berhasil ketika mampu menghubungkan kondisi mesin yang sebenarnya dengan informasi rekayasa tepercaya dan alur kerja manusia yang sesuai.
Bagi tim pemeliharaan, hal itu dapat berarti lebih sedikit waktu untuk mencari manual, akses lebih cepat ke prosedur pemecahan masalah yang telah terbukti, dan pendekatan yang lebih konsisten terhadap gangguan yang berulang.
Peluang jangka panjangnya bahkan lebih luas: melestarikan pengetahuan rekayasa, mempercepat pengembangan tenaga kerja, dan menggunakan AI sebagai lapisan informasi tambahan di sekitar sistem PLC, DCS, SCADA, MES, dan pemeliharaan yang sudah ada.
