Ada momen dalam siklus hidup sebuah inisiatif teknologi nasional di mana jumlah press release dan policy brief yang diterbitkan telah melebihi jumlah baris kode yang di-deploy ke produksi. Dalam istilah arsitektur sistem, fase ini dikenal sebagai overprovisioning ekspektasi — dan Indonesia, pada pertengahan 2026, sedang mengalaminya secara simultan di seluruh lapisan stack pemerintahan.
Draf Peraturan Presiden tentang Peta Jalan Kecerdasan Artifisial Nasional 2026–2029 yang saat ini menunggu tanda tangan Presiden Prabowo Subianto, sebagaimana dilaporkan oleh Reuters pada 22 Juni 2026, menargetkan adopsi AI di seluruh kementerian dan pemerintah daerah mulai tahun ini juga. Target ekonominya spektakuler: AI diproyeksikan mengangkat PDB Indonesia sebesar 12 persen — atau setara 366 miliar dolar AS — pada 2030. Program unggulan seperti makan bergizi gratis senilai 15 miliar dolar AS akan menggunakan AI untuk merancang menu sesuai daerah, memantau kebersihan dapur, memprediksi permintaan pangan, mendeteksi irregulari, dan mengintegrasikan data kesehatan.
Sebagai perbandingan, Banyuwangi baru saja menuntaskan sebuah pilot Digital Public Infrastructure (DPI) yang mereduksi waktu verifikasi penerima bantuan sosial dari 75–200 hari menjadi 1 menit hingga 6 jam. Angka ini — 1 menit — superior, namun hanya di satu kabupaten. Pertanyaannya bukan apakah teknologi itu bekerja, melainkan bagaimana arsitektur scaling-nya dari satu node ke 514 kabupaten/kota dengan keragaman infrastruktur, bandwidth, dan ketersediaan tenaga teknis yang berbeda secara radikal.
Arsitektur Pilot sebagai Produk Tunggal
Dalam tradisi software engineering, pilot project berfungsi sebagai proof of concept — sebuah minimum viable product yang validasi kelayakan teknis di lingkungan terkontrol. Masalah muncul ketika pilot diperlakukan sebagai production-grade blueprint tanpa refactoring arsitektur untuk beban multi-region.
Kasus Banyuwangi adalah contoh klasik. Sistem verifikasi biometrik berbasis data kependudukan dan catatan sipil bekerja sangat baik — karena tensi resource allocation di Banyuwangi tidak sama dengan tensi di node dengan kepadatan penduduk 10 kali lipat, baseline latency jaringan yang lebih tinggi, atau ketersediaan listrik yang asimetris. Dalam istilah infrastruktur, pilot adalah single-node benchmark; produksi nasional adalah distributed system dengan partition tolerance yang tidak bisa dinegosiasikan.
Pola yang sama terlihat di program makan bergizi gratis. AI dirancang untuk merancang menu spesifik daerah — secara teknis, sebuah recommendation engine dengan constraint nutrisi, ketersediaan bahan lokal, dan preferensi kultural. Namun di tingkat implementasi, ribuan dapur tersebar di wilayah dengan supply chain latency yang bervariasi secara liar. Recommendation engine tidak bisa mengkompensasi daging ayam yang tiba tiga jam lebih lambat dari jadwal karena jalan rusak di musim hujan. Machine learning tidak bisa menggantikan cold chain yang tidak pernah di-provision sejak awal.
Surface Area Serangan di Lapisan Regulasi
Salah satu aspek yang paling menarik dari draf Perpres AI adalah kewajiban pelaporan risiko AI oleh badan pemerintah — termasuk penyalahgunaan biometrik, pelanggaran kekayaan intelektual, dan deepfake. Dalam arsitektur sistem, ini setara dengan menambahkan observability layer sebelum deploying the actual workload. Secara konseptual, langkah ini patut diapresiasi. Secara operasional, ia membutuhkan maturity organisasi yang belum terbukti merata di seluruh instansi.
Salesforce, dalam riset IDC yang dirilis Maret 2026, melaporkan bahwa 82 persen organisasi pemerintahan di Amerika Serikat telah mengadopsi AI agent, dan 60 persen pemimpin pemerintah percaya sektor publik lebih maju dari swasta dalam agentic AI. Data ini sering dikutip dalam forum-forum transformasi digital Indonesia sebagai referensi — tanpa konteks bahwa riset tersebut dilakukan di lingkungan dengan baseline infrastruktur dan governance maturity yang sangat berbeda. Mengutip adopsi agentic government di Amerika sebagai justifikasi untuk Perpres AI Indonesia adalah analogi yang setara dengan membandingkan throughput server di availability zone Tier-1 dengan server di edge node yang berbagi backhaul dengan lalu lintas video streaming.
Dalam arsitektur keamanan sistem, surface area serangan sebuah inisiatif AI nasional tidak hanya ditentukan oleh algorithmic bias atau data privacy — tetapi juga oleh ketidakmerataan kemampuan mitigasi di titik ujung (endpoint). Jika satu dinas di provinsi A memiliki tim keamanan siber dan dinas di provinsi B tidak, maka security posture sistem secara keseluruhan ditentukan oleh titik terlemah, bukan titik terkuat. Ini cascading failure yang tertulis dalam arsitektur, bukan sekadar risiko operasional.
Cost of Inference dan Ekonomi Unit Pelayanan Publik
Aspek yang jarang dibahas dalam narasi agentic government adalah proyeksi biaya inference pada skala nasional. Setiap transaksi verifikasi biometrik, setiap rekomendasi menu yang digenerate, setiap deteksi irregulari yang dijalankan oleh model AI — semuanya memiliki cost per unit yang harus dibayar, baik dalam bentuk API call ke cloud provider atau compute di on-premise infrastructure.
Program makan bergizi gratis mencakup puluhan juta penerima. Jika verifikasi biometrik dilakukan setiap kali distribusi — idealnya ya — maka inference cost per bulan bisa mencapai orde yang tidak pernah diperhitungkan dalam budgeting konvensional. Dalam istilah ekonomi infrastruktur, ini adalah variable cost yang melekat pada setiap transaction — tidak bisa di-capex-kan sekali lalu dilupakan. Pemerintah terbiasa dengan model procurement aset fisik (server, storage); model consumption-based di mana biaya membengkak seiring volume pengguna adalah paradigm shift yang belum teruji di sistem pengadaan barang/jasa Indonesia.
Dari lokalitas terbatas, terdapat ironi struktural: semakin sukses program ini secara adopsi — semakin banyak warga yang terverifikasi, semakin banyak menu yang direkomendasikan, semakin banyak dapur yang dipantau — semakin besar operational expenditure yang harus ditanggung. Scaling tidak pernah gratis, dan dalam arsitektur agentic government, biaya scaling tidak lagi berupa beton dan kabel, melainkan floating-point operations per second yang di-meter oleh cloud provider asing.
Middleware yang Belum Terealisasi
Pada GARUDA AI Impact Summit 2026 yang digelar Microsoft Indonesia pada 12 Juni, Plt. Deputi Transformasi Digital Pemerintah Kementerian PANRB Cahyono Tri Birowo menekankan pentingnya Digital Public Infrastructure (DPI) sebagai fondasi sistem. Komite Percepatan Transformasi Digital Pemerintah (KPTDP) telah dibentuk. Sistem perlindungan sosial (Perlinsos) digadang-gadang akan bergeser dari distribusi barang ke targeting individu berbasis biometrik.
Secara arsitektur, DPI adalah middleware layer — lapisan abstraksi antara raw data (kependudukan, kesehatan, pendidikan) dan aplikasi front-end (portal bansos, dashboard verifikasi, sistem monitoring). Middleware yang baik menyembunyikan kompleksitas back-end dari front-end, memungkinkan integrasi vertikal yang mulus. Dalam konteks Indonesia, middleware ini belum ada — yang ada adalah silo-silo data di berbagai kementerian dengan schema yang berbeda, API yang belum distandarisasi, dan governance data yang masih berlandaskan surat edaran dan surat keputusan direktur jenderal.
Analis di Bina Nusantara University mencatat bahwa Indonesia mungkin akan tetap menjadi konsumen produk AI asing. Pernyataan ini, dalam istilah infrastruktur, bukan pernyataan pesimis — melainkan status check yang akurat. Tanpa middleware nasional yang berfungsi sebagai abstraction layer, setiap kementerian akan membeli solusi AI secara independen — dari vendor berbeda, dengan data format berbeda, dan compliance standard yang tidak seragam. Hasilnya bukan agentic government, melainkan fragmentasi agentik dengan 34 instance yang tidak bisa saling berbicara.
Vertical Pod Autoscaling Sosial
Konsep vertical pod autoscaling dalam container orchestration — kemampuan untuk menambah alokasi CPU dan memori ke sebuah pod saat beban meningkat — memiliki analogi sosial yang menarik. Dalam arsitektur pemerintahan, “menambah sumber daya” berarti menambah anggaran, menambah personel, atau menambah kapasitas infrastruktur. Namun pemerintahan tidak bisa autoscale secepat Kubernetes — proses penambahan anggaran butuh siklus APBN tahunan, rekrutmen ASN butuh jadwal seleksi, dan pengadaan infrastruktur butuh lelang yang bisa memakan waktu berbulan-bulan.
Perpres AI 2026-2029 mengakui masalah ini dengan menyertakan insentif fiskal untuk peneliti AI dan akuisisi talenta — sebuah mekanisme scale-out yang lambat namun diakui. Dana sovereign AI disebut akan dikelola oleh Danantara Indonesia, wealth fund anyar yang kapasitas operasionalnya belum teruji. Ini adalah overprovisioning modal di sisi policy dengan underprovisioning kapasitas di sisi eksekusi — sebuah ketidakseimbangan yang, dalam arsitektur sistem, disebut resource contention.
Log berakhir di sini. Server pusat telah menyala, namun health check dari 514 node belum kembali. Distributed system sedang menunggu konfirmasi dari tepi — dan timeout belum diatur.