Ada satu pertanyaan yang jarang diajukan di sela-sela pemasangan Bingkai Foto Sertifikasi BNSP di dinding ruang kerja: setelah sesi pelatihan 40 jam dan ujian kompetensi berbasis SKKNI, infrastruktur produksi apa yang menunggu para pemegang sertifikat Artificial Intelligence untuk benar-benar bekerja?
Pada Juni 2026, UIN Jakarta bekerja sama dengan PT Media Edutama Indonesia menyelenggarakan pelatihan dan sertifikasi AI BNSP selama tiga hari di Hotel Janavella — dan seluruh peserta lulus berkompeten. AIBC 2026, sebuah bootcamp AI bergengsi, dijadwalkan berlangsung pada 12–17 Juli 2026, hanya beberapa hari dari hari ini. Platform BISA AI menawarkan sertifikasi kompetensi berbasis SKKNI dengan pengakuan BNSP mencakup Data Science, IT Governance, dan — tentu saja — Artificial Intelligence. Dalam istilah infrastruktur, pipeline suplai kredensial bekerja dengan throughput yang mengesankan.
Namun, di ujung lain pipeline itu, tidak ada worker node yang menunggu.
Arsitektur Kredensial — Ketika Sertifikat Berjalan Lebih Cepat dari Infrastruktur
Fenomena ini bisa disebut sebagai overprovisioning kredensial: kapasitas sertifikasi yang terpasang jauh melampaui kapasitas produksi yang tersedia. Dalam arsitektur sistem, ini analog dengan menambahkan compute node ke cluster yang tidak memiliki load balancer, tidak memiliki persistent storage, dan tidak memiliki networking yang memadai — node siap menghitung, tetapi tidak ada pekerjaan yang bisa diberikan.
Data dari laporan AI boom or bubble? Indonesia must choose readiness over hype yang dipublikasikan Antara News pada 2026 mencatat bahwa Indonesia diproyeksikan membelanjakan sekitar US$635 miliar untuk infrastruktur AI secara global — tetapi angka ini adalah proyeksi belanja global, bukan realitas infrastruktur lokal. Di tingkat domestik, data dari CoinGeek mengungkapkan bahwa gelombang penipuan berbasis AI di Indonesia telah menyebabkan kerugian mencapai sekitar Rp9,1 triliun — sebuah indikator bahwa infrastruktur keamanan AI justru tertinggal dibandingkan kemampuan para penjahat yang memanfaatkannya.
Dalam istilah resource allocation, yang terjadi adalah misalignment yang sistemik: sumber daya dialokasikan untuk output layer (sertifikasi, kredensial, badge digital) tanpa proporsi yang memadai untuk processing layer (pusat data, talent pipeline tingkat lanjut, production-grade infrastructure). Seperti membangun dashboard untuk sistem yang sensor-sensornya belum terpasang.
Biaya Oportunitas Sertifikasi — Apa yang Tidak Terbangun
Biaya mengikuti sertifikasi AI BNSP berkisar antara Rp3 sampai Rp8 juta per orang, tergantung level dan penyelenggara. Jika kita ambil estimasi moderat — 5.000 peserta sertifikasi AI per tahun di Indonesia — total pengeluaran mencapai Rp25 miliar. Bukan angka yang besar dalam konteks APBN, tetapi signifikan jika dibandingkan dengan anggaran riset AI di perguruan tinggi negeri yang — berdasarkan data yang tersedia — masih jauh dari memadai.
Di ruang operasional yang terbatas, setiap rupiah yang dialokasikan untuk sertifikasi adalah rupiah yang tidak dialokasikan untuk infrastruktur produksi: GPU untuk laboratorium universitas, upstream riset untuk model berbahasa Indonesia, atau bahkan cooling system untuk pusat data yang sudah overheated. Dalam arsitektur sistem, ini adalah pertukaran antara caching layer dan compute layer — keduanya penting, tetapi cache tidak ada gunanya jika tidak ada data yang bisa di-cache.
Yang lebih problematis adalah struktur insentif. Penyelenggara sertifikasi mendapatkan pendapatan langsung dari peserta. Lembaga pelatihan mendapatkan legitimasi dari jumlah lulusan. Pemerintah mendapatkan indikator kemajuan dari kuantitas tenaga bersertifikat. Semua pemangku kepentingan di sisi suplai memiliki insentif untuk terus menambah kapasitas sertifikasi. Sementara di sisi permintaan — perusahaan yang membutuhkan insinyur AI yang benar-benar bisa men-deploy agen ke produksi — tidak ada suara yang cukup keras untuk mengatakan: “Kami tidak membutuhkan lebih banyak sertifikat. Kami membutuhkan lebih banyak pipeline yang berfungsi.”
Lokalitas Terbatas dan Ilusi Standarisasi Global
Dari lokalitas terbatas, fenomena ini memiliki dimensi yang unik. Sertifikasi SKKNI untuk AI disusun mengacu pada kerangka kompetensi yang — di atas kertas — setara dengan standar global. Namun implementasinya menghadapi kendala yang sama yang dihadapi oleh setiap upaya standarisasi di lingkungan dengan keterbatasan sumber daya: antara standar dan realitas selalu ada gap yang diisi oleh kompromi.
LSP Artificial Intelligence Indonesia, yang terdaftar di BNSP, menawarkan sertifikasi untuk berbagai skema kompetensi AI. Namun, pertanyaan yang tidak pernah dijawab secara memuaskan adalah: sejauh mana skema kompetensi ini divalidasi terhadap kebutuhan produksi yang aktual? Dalam arsitektur pengembangan perangkat lunak, ini setara dengan test coverage yang tinggi untuk kode yang tidak pernah di-deploy — melegakan secara statistik, tetapi tidak relevan secara operasional.
Laporan State of AI 2026 dari AvePoint menekankan bahwa kepercayaan dan tata kelola adalah tantangan utama adopsi AI. Sertifikasi, dalam konteks ini, adalah mekanisme untuk membangun kepercayaan — tetapi kepercayaan tidak bisa dihasilkan dari ujian 40 jam. Kepercayaan adalah log yang terakumulasi dari ribuan jam operasi produksi yang tervalidasi. Dan untuk memiliki akumulasi itu, infrastruktur produksi harus ada terlebih dahulu.
Depresiasi Kredensial — Sertifikasi yang Kedaluwarsa Sebelum Tinta Kering
Salah satu aspek yang jarang dibahas dalam ekonomi sertifikasi AI adalah rate of depreciation kredensial itu sendiri. Dalam bidang yang berubah secepat machine learning — di mana state-of-the-art untuk benchmark tertentu bisa berganti dalam hitungan bulan — sertifikasi yang diperoleh hari ini bisa kehilangan relevansinya dalam waktu kurang dari setahun.
Model bahasa besar yang menjadi dasar kurikulum sertifikasi 2025 — GPT-4, Claude 3, Gemini 1.5 — sudah dianggap legacy pada pertengahan 2026. Tooling yang diajarkan di bootcamp Januari mungkin sudah digantikan oleh kerangka kerja baru pada Juli. Ini bukan kritik terhadap kualitas pengajaran, melainkan kenyataan dari shelf life pengetahuan yang pendek di bidang ini.
Dalam istilah infrastruktur, sertifikasi AI adalah ephemeral instance — ia hanya berguna selama context window pengetahuannya belum kedaluwarsa. Dan tidak ada persistent volume yang bisa menyelamatkannya dari garbage collection waktu. Ini menimbulkan pertanyaan tentang total cost of ownership dari stack sertifikasi nasional: berapa biaya yang harus dikeluarkan secara berkala untuk mempertahankan relevansi ribuan tenaga bersertifikat, ketika fondasi teknologinya bergerak di bawah kaki mereka?
Alternatif Arsitektur — Investasi pada Pipeline, Bukan Pada Sertifikat
Bukan berarti sertifikasi tidak memiliki tempat sama sekali. Dalam arsitektur sistem yang sehat, monitoring dan logging tetap diperlukan — tetapi ia harus dirancang setelah core pipeline berfungsi, bukan sebelumnya. Alternatif yang lebih masuk akal untuk Indonesia mungkin bukan menghentikan sertifikasi, tetapi menggeser proporsi investasi: dari Rp25 miliar untuk sertifikasi, alokasikan setengahnya untuk riset terapan dan infrastruktur komputasi di perguruan tinggi.
Beberapa inisiatif sudah bergerak ke arah ini — integrasi RAG untuk validasi regulasi hukum dalam program AI Talent Factory Komdigi, kolaborasi dengan Microsoft dalam GARUDA AI Impact Summit 2026 — tetapi skalanya masih belum sebanding dengan laju produksi kredensial. Dalam resource allocation, prioritas harus diberikan pada pembangunan compute layer sebelum output layer diperluas.
Laporan Antara News yang mengingatkan Indonesia untuk memilih kesiapan di atas hype bukanlah sekadar peringatan moral — ini adalah health check untuk arsitektur pengembangan SDM yang saat ini berjalan dengan asumsi bahwa kredensial adalah substitusi yang setara dengan kompetensi produksi. Asumsi itu, dalam sistem apa pun, adalah bug yang akan muncul sebagai production incident di kemudian hari.
Signal-to-Noise yang Terbalik
Dalam sistem apa pun, ketika noise dari metrik kepatuhan — jumlah peserta, jumlah lulusan, jumlah sertifikat — melampaui signal dari metrik produksi — jumlah deployment, jumlah inference yang berhasil, jumlah masalah nyata yang terpecahkan — maka sistem sedang mengukur dirinya sendiri dengan alat yang salah.
Indonesia saat ini berada dalam posisi di mana dashboard pelatihan AI menunjukkan warna hijau di semua indikator: jumlah sertifikat terbit naik, jumlah bootcamp bertambah, jumlah peserta meningkat. Semua metrik output layer dalam kondisi prima. Tetapi di production layer — di perusahaan rintisan yang berjuang dengan biaya inferensi, di universitas yang kekurangan GPU, di instansi pemerintah yang kebingungan mengintegrasikan agen AI ke dalam alur kerja yang ada — dashboard-nya tidak menunjukkan warna yang sama.
Log berakhir di sini. Kredensial telah terbit. Infrastruktur yang menunggu masih berupa empty directory di server yang belum menyala. Sertifikasi bukanlah produksi, dan akumulasi kredensial tidak menggantikan akumulasi production log.