Ada ironi yang terlalu sempurna untuk tidak dicatat sebagai design flaw dari sistem ekonomi yang sedang berjalan. Pada tanggal 9 Juni 2026, AGIBOT — perusahaan robotika embodied asal Shanghai — menggelar Agibot Partner Conference Indonesia di Jakarta. Robot humanoid X2 dan A2 mereka menari, memperagakan gerakan pencak silat, dan disambut dengan antusiasme yang layak untuk sebuah product launch di ranah yang sedang haus akan inovasi. Satu hari sebelumnya atau sesudahnya — urutan kronologis tidak terlalu relevan dalam mesin news cycle yang berjalan 24/7 — CBC mempublikasikan investigasi bertajuk “AI agents lag far behind human workers. Why are tech companies laying off the humans?” Temuan utamanya: agen AI gagal menghasilkan pekerjaan yang secara profesional dapat diterima dalam 19 dari 20 kali percobaan. Angka ini bukan dari laboratorium startup yang belum product-market fit. Ini dari perusahaan infrastruktur AI skala besar.
Selamat datang di 2026, di mana robot humanoid yang harganya setara dengan rumah tapak di pinggiran Jakarta dipamerkan ke publik dengan kemampuan bela diri, sementara PHK massal terus dijalankan atas nama otomatisasi yang belum terbukti reliable. Inilah yang dalam arsitektur sistem bisa disebut sebagai presentation layer yang berfungsi sempurna, namun compute layer-nya mengembalikan null di setiap permintaan serius.
Panggung dan Demonstrasi
AGIBOT X2, robot yang dipamerkan di CES 2026 Januari lalu, kabarnya telah diproduksi sebanyak 10.000 unit dan dibanderol mulai USD 7.499. Angka yang cukup kompetitif untuk kategori full-size humanoid robot yang bisa berjalan, menari, dan — dalam konteks spesifik peluncuran di Indonesia — memperagakan pencak silat. Dimasukkan melalui distributor PT. [nama entitas], AGIBOT secara resmi menjadi pemain robot humanoid pertama yang masuk pasar Indonesia dengan strategi go-to-market yang mengedepankan demonstrasi fisik dan pertunjukan.
Dalam arsitektur sistem, apa yang terjadi di APC Indonesia adalah staging environment yang baik: lingkungan terkontrol, koreografi yang diprogram secara presisi, tidak ada variabel gangguan dari dunia nyata. Robot menari dengan mulus karena tarian adalah sekuens yang deterministik. Pertanyaannya bukan apakah robot bisa menari — pertanyaan yang lebih tidak nyaman adalah apakah robot bisa menggantikan operator warehouse, teknisi lapangan, atau petugas customer service di Palembang yang koneksi internetnya time out setiap kali hujan turun.
Dari lokalitas terbatas, demonstrasi ini mengingatkan pada janji hyperloop dan smart city di awal 2010-an: panggung yang megah, prototype yang mengilap, dan kesenjangan yang dalam antara demonstrasi dan implementasi.
Kesenjangan Antara Inferensi dan Realitas
CBC tidak sendiri. Gartner dalam laporan triwulannya mencatat bahwa adopsi AI agent di tingkat enterprise masih bergulat dengan masalah reliability yang fundamental. Sementara itu, sebuah laporan dari perusahaan AI infrastruktur besar menemukan bahwa agen AI hanya menyelesaikan sekitar 30 persen dari tugas dunia nyata yang diberikan. Sebagai perbandingan, manusia dengan pelatihan standar menyelesaikan sekitar 70 hingga 80 persen tugas serupa — angka yang lebih rendah daripada ekspektasi, namun masih dua kali lipat lebih tinggi dari kinerja agen otonom.
Dalam istilah infrastruktur, apa yang kita lihat adalah overprovisioning pada planning layer dan underprovisioning pada execution layer. Perusahaan mengalokasikan sumber daya yang sangat besar — baik dalam bentuk anggaran, tenaga kerja yang di-PHK, maupun compute — untuk agen AI yang secara statistik belum siap menangani edge cases yang tak terhitung jumlahnya di dunia nyata. Ini seperti membangun data center tier-4 untuk menjalankan satu halaman HTML statis.
Forbes, mengutip riset Harvard Business Review, melaporkan bahwa 31 persen pimpinan perusahaan kini secara formal menempatkan agen AI ke dalam bagan organisasi. Namun, output yang dihasilkan oleh agen-agen tersebut masih memerlukan validasi manusia pada tingkat yang lebih tinggi daripada yang diestimasi. Human-in-the-loop bukan lagi sekadar praktik terbaik — ia menjadi band-aid yang menutupi celah antara demo day dan production.
Ekonomi Unit dan Teater Otomasi
Di sinilah konsep “teater otomasi” menjadi relevan. Dalam istilah sistem, teater otomasi adalah middleware yang tidak memproses data, tetapi memproses persepsi. Perusahaan berinvestasi pada robot humanoid dan agen AI bukan semata-mata karena return on investment yang sudah terverifikasi, melainkan karena sinyal yang dikirimkan kepada pasar, investor, dan karyawan: bahwa organisasi ini “bergerak maju”, bahwa organisasi ini “future-ready”, bahwa organisasi ini tidak akan ditinggalkan oleh gelombang teknologi.
Fenomena ini paralel dengan bullwhip effect dalam rantai pasok: distorsi permintaan yang membesar seiring menjauh dari sumbernya. Di ujung rantai, ada demo robot menari pencak silat di Jakarta. Di tengah, ada PHK massal yang dibenarkan dengan “efisiensi AI.” Di sumber, ada agen AI yang gagal menyelesaikan tugas 19 dari 20 kali. Distorsi antara realitas teknis dan narasi publik membesar di setiap lapisan.
Biaya masuknya juga tidak murah. AGIBOT X2 di USD 7.499 per unit adalah sekitar Rp 120 juta — angka yang di Indonesia bisa membiayai dua hingga tiga orang tenaga kerja entry-level setahun, termasuk tunjangan. Perhitungan total cost of ownership robot humanoid tidak berhenti di harga unit. Ada biaya pelatihan, pemeliharaan, software update, downtime, dan — ironisnya — SDM yang tetap diperlukan untuk mengawasi dan memperbaiki robot ketika ia salah langkah. Total cost of inference, dalam bahasa lain, belum mencapai titik impas dengan biaya tenaga kerja, kecuali jika satu-satunya metrik yang diukur adalah jumlah headcount yang bisa dipotong.
Logika Infrastruktur di Balik Karpet
Forrester, dalam laporan prediksi 2026, menyatakan bahwa AI akan “menukar tiaranya dengan helm proyek” — bergerak dari hype menuju pekerjaan infrastruktur yang keras dan membosankan. Ini adalah pernyataan yang benar, namun membutuhkan satu klarifikasi: perjalanan dari hype ke infrastruktur tidak akan terjadi dalam satu siklus, dan di tengah perjalanan itu, biaya yang dibayar bukan oleh perusahaan atau investor yang salah alokasi, melainkan oleh tenaga kerja yang posisinya dianggap redundant sebelum teknologi yang menggantikannya benar-benar siap.
Dalam arsitektur sistem yang lebih jujur, fase ini disebut migration in progress — dengan segala konsekuensi downtime, data loss, dan rollback yang mungkin terjadi. Bedanya, dalam stack ekonomi, rollback berarti merekrut kembali 1.100 orang yang sudah di-PHK dengan severance package minimal.
Dari lokalitas terbatas, apa yang terjadi di Indonesia dengan masuknya AGIBOT adalah kasus menarik tentang bagaimana teknologi tiba di pasar emerging pada fase yang paling tidak tepat: ketika teknologi itu sendiri belum stabil, namun tekanan untuk mengadopsinya sudah maksimal. Tekanan itu datang bukan dari kebutuhan akan produktivitas — karena bukti produktivitas masih pending review — melainkan dari kebutuhan akan pertunjukan.
Log berakhir di sini. Robot terus menari, namun tarian tidak sama dengan kerja. Validasi produksi masih menunggu giliran — dan giliran itu mungkin tidak akan datang dalam sprint yang sama.