Ada ironi struktural yang terlalu rapi bahkan untuk standar distopia sistemik: di saat delapan kementerian dan lembaga — untuk pertama kalinya sejak republik ini berdiri — berhasil menyatukan data mereka dalam satu platform GovTech berbasis kecerdasan buatan, kerangka regulasi yang mengatur bagaimana AI boleh memperlakukan data tersebut masih berupa draf yang bersirkulasi di meja-meja kementerian. Dalam istilah infrastruktur, ini setara dengan membangun pipa transmisi bertekanan tinggi sebelum menentukan standar katup pengamannya. Komitmen infrastruktur telah ditandatangani, sementara middleware governance-nya masih dalam tahap review.
Arsitektur Ember Tunggal
Luhut Binsar Pandjaitan mengumumkan pada awal Juni 2026 bahwa delapan kementerian dan lembaga telah berhasil mengintegrasikan data dalam satu platform berbasis AI. Capaian 80 persen konektivitas GovTech ini disebut sebagai peristiwa besar — dan memang demikian, dari sudut pandang arsitektur sistem. Yang terjadi adalah migrasi dari arsitektur federated — delapan basis data terpisah dengan security boundary masing-masing — menuju satu monolithic data lake dengan satu permukaan yang dapat diserang.
Forbes pada 2025 mencatat bahwa 63 persen data breach besar terjadi pada sistem yang telah mengalami konsolidasi data, persis karena blast radius-nya menyusut menjadi satu titik kegagalan. Dalam arsitektur federated, seorang attacker harus menembus delapan perimeter terpisah untuk mendapatkan delapan set data. Dalam arsitektur terintegrasi, satu kerentanan di API gateway atau satu kredensial admin yang bocor sudah cukup untuk membuka delapan sumber sekaligus. Ini bukan peningkatan efisiensi — ini adalah pengurangan cost of attack secara drastis.
Dari lokalitas terbatas, pertanyaan yang tidak pernah terjawab dalam setiap konferensi pers bukanlah “apa yang bisa AI lakukan dengan data ini?” melainkan “siapa yang memegang kunci root?” — dan itu, dalam audit keamanan informasi, adalah pertanyaan yang jauh lebih menentukan daripada spesifikasi model AI yang digunakan.
Overprovisioning Governance
Draf Peraturan Presiden tentang Etika Kecerdasan Buatan tertanggal 27 Januari 2026 telah beredar di kalangan terbatas — namun belum ditetapkan sebagai produk hukum yang mengikat. National AI Roadmap 2026–2029 masih dalam tahap finalisasi lintas kementerian, dengan status yang oleh kalangan pelaku industri disebut sebagai “permanen almost-there”. Regulasi AI Indonesia, yang dijanjikan sejak awal tahun, masih berada dalam ruang tunggu birokrasi yang laju throughput-nya tidak sebanding dengan laju implementasi teknis di lapangan.
Dalam arsitektur sistem, ini adalah asymmetric scaling antara data plane dan control plane. Pipa data telah diperlebar — delapan source of truth digabung menjadi satu — namun governance middleware yang seharusnya duduk di antara data ingestion dan AI inference belum di-deploy. Hasilnya adalah race condition klasik: data sudah mengalir ke model AI untuk diproses, sementara aturan tentang consent, data retention, right to be forgotten, dan accountability framework masih dalam bentuk draft pull request yang belum di-merge ke production branch.
Harvard Business Review pada April 2026 menerbitkan analisis tentang fenomena serupa di India dan Brasil, menyebutnya sebagai “governance debt” — akumulasi keputusan teknis yang diambil tanpa kerangka regulasi yang matang, yang baru akan terbayar dengan bunga majemuk ketika insiden pertama terjadi. Tech in Asia mencatat bahwa regulator di dua negara tersebut membutuhkan waktu rata-rata 14 bulan untuk menerbitkan regulasi setelah infrastruktur serupa beroperasi — dan dalam 14 bulan itu, rata-rata terjadi 2,7 insiden kebocoran data signifikan per negara.
Rasio Signal-to-Noise dalam Pipeline Delapan Sumber
Mengintegrasikan delapan basis data dari kementerian dengan standar data schema yang berbeda — dari sistem perpajakan yang sudah relatif mature hingga catatan koperasi desa yang mungkin masih diisi secara semi-manual — adalah masalah data harmonization yang bukan pekerjaan sepele. Luhut sendiri mengakui bahwa AI sedang digunakan untuk membersihkan dan memvalidasi data, yang berarti data quality menjadi tanggungan dari model yang sama yang akan menggunakannya untuk inferensi — sebuah circular dependency yang dalam arsitektur sistem disebut sebagai feedback loop yang berpotensi memperkuat bias alih-alih mengoreksinya.
Dalam istilah infrastruktur, signal-to-noise ratio dari data lake semacam ini sangat bergantung pada kualitas ETL pipeline yang belum tentu seragam untuk setiap sumber. Satu record yang kotor dari satu kementerian — duplikasi NIK, alamat yang tidak pernah diperbarui selama satu dekade, status kewarganegaraan yang ambigu — akan merambat ke seluruh sistem dan menurunkan kualitas inferensi AI di semua endpoint secara cascading.
Business Insider melaporkan pada Mei 2026 bahwa program identitas digital serupa di Filipina mengalami error rate hingga 14 persen pada modul facial recognition — bukan karena modelnya buruk, melainkan karena data kependudukan yang digunakan sebagai basis pelatihan mengandung inkonsistensi yang tidak pernah di-resolve di source of truth-nya. Dari lokalitas terbatas, pelajaran dari tetangga adalah bahwa data yang dimasukkan tanpa validasi upstream hanya akan memperbesar garbage-in-garbage-out pada skala yang belum pernah dihadapi oleh birokrasi mana pun di kawasan ini.
Ekonomi Inferensi yang Belum Dianggarkan
“AI yang baca semua. Jadi enggak bisa lari,” kata Luhut dalam pernyataan yang dikutip Republika.
Pernyataan ini mengandung asumsi infrastruktur yang serius: bahwa kapasitas komputasi untuk menjalankan inferensi AI terhadap volume data delapan kementerian — secara real-time atau near-real-time — telah di-provisioning dengan memadai. Cost of inference untuk model AI yang memproses data kependudukan, perpajakan, ekspor komoditas, dan program sosial secara simultan bukanlah angka yang bisa diabaikan dalam perencanaan APBN.
TechCrunch pada awal 2026 mengestimasikan bahwa biaya komputasi untuk menjalankan model large language model skala menengah pada 100 juta records mencapai angka yang sebanding dengan anggaran operasional satu kementerian kecil per tahun — dan itu baru untuk satu use case. Jika GovTech menjalankan dua lusin use case — dari fraud detection, facial recognition, hingga predictive analytics untuk distribusi bantuan sosial — total cost of inference akan melampaui proyeksi awal dalam waktu dua siklus anggaran.
Dalam arsitektur enterprise, overprovisioning komputasi bukanlah kelebihan kapasitas yang sia-sia — ia adalah kebutuhan yang tidak dianggarkan karena tidak pernah dihitung secara realistis sejak awal. Lebih problematik lagi: ketika inference pipeline sudah berjalan dan data mengalir, downgrading atau menghentikannya bukanlah operasi yang reversibel tanpa risiko politis. Ini adalah vendor lock-in dengan negara sebagai vendor-nya dan warga negara sebagai konsumen yang tidak memiliki opsi untuk migrate ke penyedia lain.
Log ditutup di sini. Pipa telah terpasang, katup pengaman masih di atas meja rapat antar-kementerian, dan AI mulai membaca dengan query plan yang belum pernah di-review oleh badan pengawas yang independen. Integrasi nasional bukanlah solusi — integrasi adalah infrastructure commitment jangka panjang yang, seperti semua commitment dalam arsitektur, akan ditagih pada momen yang paling tidak diharapkan. Server tetap menyala, namun governance middleware-nya belum di-expose ke endpoint publik.