Selama beberapa tahun terakhir, sebagian besar percakapan tentang AI terjadi di dalam layar.
Kita berbicara tentang model yang menulis teks, membaca dokumen, membuat gambar, menganalisis data, menghasilkan kode, atau membantu manusia mengambil keputusan. AI menerima input digital, memprosesnya, lalu menghasilkan output digital.
Tapi ada satu perubahan yang menurut saya jauh lebih besar dari sekadar model yang semakin pintar: AI mulai keluar dari layar.
Ia mulai melihat melalui kamera, mendengar melalui sensor, memahami posisi benda di ruang tiga dimensi, mengendalikan robot, mengatur pergerakan material, dan menguji perubahan proses di dunia virtual sebelum sesuatu disentuh di dunia nyata. Yang paling penting: AI mulai mempunyai kemampuan untuk bertindak kembali ke dunia fisik.
Ini yang sekarang sering disebut Physical AI. Istilahnya memang terdengar baru, tapi bagi dunia industri komponen-komponennya sudah lama ada: sensor, computer vision, robot industri, PLC, edge computing, autonomous mobile robot, digital twin, sampai machine learning. Yang berubah adalah bagaimana semuanya mulai terhubung menjadi satu closed loop — perceive → understand → decide → act → learn.
Physical AI Bukan Sinonim Robot Humanoid
Kalau mengikuti pemberitaan teknologi 2026, mudah sekali menyamakan Physical AI dengan humanoid robot. Robot yang berjalan seperti manusia memang visual yang paling mudah menarik perhatian. Tapi definisinya jauh lebih luas.
Deloitte menggambarkan Physical AI sebagai sistem AI yang mampu memahami dan berinteraksi dengan dunia fisik. Bentuknya bisa berupa robot, tapi juga bisa berupa computer vision, smart spaces, digital twin, sistem sensor berbasis AI, autonomous vehicle, atau closed-loop industrial system.
Artinya, sebuah pabrik tidak harus membeli robot berbentuk manusia untuk mulai menggunakan Physical AI. Contoh yang lebih dekat dengan operasi sehari-hari justru bisa sesederhana: kamera yang mendeteksi defect, sensor yang membaca perubahan vibrasi, model AI yang memahami apakah kondisi tersebut berbahaya, dan sistem yang kemudian menyesuaikan parameter proses atau membuat tindakan operasional berikutnya.
Perbedaannya dengan analytics biasa ada pada kata terakhir: tindakan.
Dashboard memberi tahu kita apa yang terjadi. Analytics membantu kita memahami mengapa. Predictive AI membantu memperkirakan apa yang mungkin terjadi berikutnya. Physical AI mulai membawa intelligence itu kembali ke sistem yang beroperasi di dunia nyata.
Kenapa Physical AI Mendadak Penting di 2026?
Physical AI sebenarnya bukan konsep yang lahir tahun ini. Yang berubah adalah banyak teknologi pendukungnya mulai matang pada waktu yang sama: kamera lebih baik, sensor lebih murah, edge computing semakin kuat, model AI semakin mampu memahami visual dan ruang, infrastruktur robotik menjadi lebih terbuka, dan kemampuan simulasi memungkinkan perusahaan menguji perilaku sistem sebelum menerapkannya pada mesin sungguhan.
Deloitte pada April 2026 menemukan bahwa baru sekitar 5% perusahaan yang disurvei mengatakan Physical AI sudah mentransformasi organisasinya saat ini, tetapi 41% memperkirakan hal itu akan terjadi dalam tiga tahun ke depan. Dalam survei manufaktur Deloitte yang lain pada 2026, sekitar 18% responden sudah menggunakan Physical AI atau closed-loop systems.
Angka itu masih lebih kecil dibanding penggunaan machine learning atau generative AI. Tapi justru di situlah hal menariknya: kita sedang melihat teknologi yang belum menjadi arus utama, tetapi fondasi implementasinya mulai terlihat jelas.
NVIDIA, Siemens, ABB, FANUC, KUKA, Yaskawa, dan berbagai pemain robotics lain sekarang mendorong integrasi AI, simulation, digital twin, dan edge computing langsung ke sistem industri. Pada September 2026, NVIDIA bahkan merilis Isaac ROS 5.0 dengan kemampuan baru untuk membantu pengembangan aplikasi robotik berbasis AI yang harus perceive, reason, dan act di lingkungan dinamis.
Jadi pertanyaan yang relevan bukan lagi "Apakah Physical AI akan datang?" — pertanyaannya adalah: bagian operasi mana yang cukup matang untuk mulai menggunakannya?
Dari IoT ke Physical AI: Ada Satu Rantai yang Tidak Bisa Dilompati
Saya datang dari dunia embedded systems dan IoT. Karena itu saya melihat Physical AI bukan sebagai pengganti IoT, melainkan kelanjutan dari fondasi yang sudah dibangun selama bertahun-tahun.
Secara sederhana, rantainya seperti ini:
Dunia fisik
↓ Sensor & machine data
↓ Connectivity / IoT
↓ Data infrastructure
↓ AI & cognition
↓ Decision
↓ Control / actuation
↓ Kembali ke dunia fisik
Physical AI membutuhkan seluruh rantai ini bekerja dengan baik. Kalau sensornya salah membaca, AI menerima realitas yang salah. Kalau konektivitasnya buruk, sistem kehilangan konteks. Kalau latency terlalu tinggi, keputusan yang benar pun bisa terlambat untuk dieksekusi. Kalau control layer tidak mempunyai batas yang jelas, kesalahan software bisa berubah menjadi konsekuensi fisik.
Ini yang membuat Physical AI berbeda dengan chatbot. Kesalahan chatbot mungkin menghasilkan jawaban yang buruk. Kesalahan Physical AI bisa memindahkan benda ke tempat yang salah, menghentikan proses produksi, merusak komponen, atau menciptakan risiko keselamatan.
Karena itu, semakin dekat AI dengan dunia fisik, engineering discipline justru menjadi semakin penting.
Lima Bentuk Physical AI yang Lebih Relevan untuk Industri daripada Humanoid
Kalau perusahaan industri bertanya kepada saya harus melihat Physical AI dari mana, saya tidak akan mulai dari robot humanoid. Saya akan mulai dari lima area yang lebih dekat dengan kebutuhan operasional.
1. Computer Vision yang Terhubung ke Tindakan
Computer vision sendiri bukan hal baru — pabrik sudah lama menggunakan kamera untuk inspeksi kualitas, membaca barcode, menghitung objek, atau memonitor area.
Physical AI muncul ketika sistem tidak berhenti pada deteksi. Misalnya: kamera menemukan pola defect tertentu, AI mengklasifikasikan tingkat keparahannya, sistem menyesuaikan parameter berikutnya, produk diarahkan ke jalur inspeksi tambahan, dan data defect kembali dipakai untuk memperbaiki proses. Bukan hanya melihat, tapi melihat lalu memengaruhi proses.
2. Autonomous Material Movement
AMR atau autonomous mobile robot adalah contoh yang sangat konkret. Robot tidak hanya mengikuti garis atau rute tetap. Sistem yang lebih maju bisa membaca lingkungan, menghindari hambatan, memahami perubahan layout, memilih jalur, dan berkoordinasi dengan robot lain.
Dalam warehouse atau factory floor yang layout dan prioritasnya terus berubah, kemampuan adaptasi ini sangat bernilai, bukan karena robotnya terlihat futuristik, tapi karena material flow adalah salah satu sumber inefisiensi yang sering tidak terlihat sampai kita mengukurnya.
3. Adaptive Robotics
Robot industri tradisional sangat hebat untuk pekerjaan berulang dalam kondisi yang terkontrol. Masalahnya muncul ketika variasi meningkat: ukuran objek berubah, posisi barang tidak selalu sama, produk berganti, lingkungan berubah.
Physical AI memungkinkan robot semakin mampu memahami variasi tersebut dan menyesuaikan tindakannya. Pada September 2026, Skild AI memperkenalkan model robotik S1 yang dapat mempelajari tugas baru dari satu video demonstrasi melalui in-context learning tanpa task-specific post-training. Teknologi seperti ini masih sangat dini, tapi arahnya jelas: dari robot yang diprogram untuk satu skenario menuju robot yang semakin mampu beradaptasi.
4. Digital Twin untuk Menguji Sebelum Menyentuh Dunia Nyata
Ini menurut saya salah satu bagian Physical AI yang paling menarik untuk industri. Kesalahan di software bisa di-undo. Kesalahan pada mesin produksi jauh lebih mahal.
Digital twin memungkinkan perusahaan membangun representasi virtual dari mesin, line, warehouse, atau bahkan seluruh fasilitas, dan mensimulasikan perubahan terlebih dulu sebelum diterapkan ke shopfloor. Siemens melaporkan implementasi bersama PepsiCo yang menggunakan digital twin untuk memvalidasi perubahan fasilitas sebelum modifikasi fisik dilakukan, dengan peningkatan throughput 20% dan pengurangan CapEx 10–15% dalam initial deployment yang mereka publikasikan.
Saya akan membaca angka vendor seperti ini sebagai contoh potensi, bukan benchmark universal. Tapi prinsip di belakangnya sangat kuat:
semakin mahal konsekuensi perubahan di dunia nyata, semakin berharga kemampuan untuk mengujinya secara virtual.
5. Intelligent Inspection dan Maintenance
Bayangkan robot mobile, drone, kamera tetap, atau perangkat lain yang secara rutin memeriksa area berbahaya — membaca thermal image, mendengarkan acoustic anomaly, melihat kebocoran, mendeteksi gauge, membandingkan kondisi hari ini dengan histori — lalu sistem memutuskan apakah kondisi masih normal, perlu inspeksi manusia, atau harus dibuatkan work order.
Ini bukan humanoid. Tapi sangat mungkin menjadi salah satu bentuk Physical AI dengan ROI paling jelas karena ia menyentuh: keselamatan, reliability, downtime, jam inspeksi manual, dan akses ke lokasi berisiko.
Physical AI Membutuhkan Dunia Virtual Sebelum Dunia Nyata
Ada paradoks menarik. Semakin "physical" AI yang ingin kita bangun, semakin penting dunia virtual.
Karena mengajarkan AI melalui kesalahan langsung di dunia nyata terlalu mahal dan terlalu berisiko. Robot yang sedang belajar tidak boleh menabrak operator seribu kali agar akhirnya tahu bagaimana menghindari manusia. Karena itu simulation dan synthetic data menjadi sangat penting.
Dalam digital twin yang cukup akurat, sistem bisa mengalami ribuan atau jutaan variasi: pencahayaan berubah, posisi objek bergeser, jalur terhalang, mesin berhenti, operator lewat, sensor mengalami noise. Model kemudian diuji di lingkungan virtual sebelum diberi akses ke sistem nyata.
Konsepnya mirip flight simulator. Pilot tidak pertama kali mempelajari kegagalan mesin saat pesawat sungguhan sedang membawa penumpang. Physical AI membutuhkan filosofi yang sama.
Agentic AI dan Physical AI Akan Bertemu
Di artikel sebelumnya tentang Agentic AI, saya menulis tentang pergeseran dari eksperimen menuju ROI terukur. Agentic AI membawa kemampuan AI untuk mengamati, berpikir, memilih tools, menjalankan workflow, dan mengambil tindakan di sistem digital.
Physical AI membawa logika serupa ke lingkungan fisik. Kalau keduanya bertemu, kita mendapatkan sistem yang bukan hanya bisa mengatakan:
"Bearing motor ini kemungkinan mengalami masalah dalam 72 jam."
Tapi juga dapat: (1) membaca data sensor; (2) mengecek histori maintenance; (3) memverifikasi anomali melalui kamera atau sensor lain; (4) mencari slot maintenance; (5) membuat draft work order; (6) menyesuaikan jadwal produksi; (7) mengirim robot inspeksi; (8) meminta approval manusia sebelum tindakan kritis.
Di titik ini batas antara IoT, AI, automation, robotics, dan enterprise software mulai semakin tipis. Yang terbentuk bukan satu produk ajaib, melainkan operating system yang semakin cerdas untuk dunia fisik.
Jangan Memberikan AI Kewenangan Lebih Cepat daripada Kepercayaan
Ada tiga jenis risiko yang berbeda ketika AI mulai bertindak di dunia fisik.
Risiko 1: Model Salah Memahami Dunia
Kamera tertutup debu. Sensor mengalami drift. Objek yang tidak pernah dilihat sebelumnya muncul. Lighting berubah. Model tetap harus membuat keputusan dalam kondisi yang tidak sempurna.
Risiko 2: Keputusan Benar, Eksekusi Salah
AI menyimpulkan tindakan yang tepat. Tapi actuator gagal. Jaringan terlambat. Robot tidak berada pada posisi yang diasumsikan. PLC menjalankan state yang berbeda. Physical system selalu mempunyai realitas yang lebih rumit daripada modelnya.
Risiko 3: Sistem Diberi Hak Terlalu Besar
AI mungkin mampu mengubah parameter mesin. Pertanyaannya: apakah ia boleh? Tidak semua kemampuan harus menjadi kewenangan.
Saya masih percaya framework yang sama seperti pada Agentic AI: observe → recommend → prepare → execute → approve. Tidak semua use case harus sampai ke execute. Untuk keputusan yang memiliki konsekuensi keselamatan atau produksi besar, manusia mungkin tetap harus berada di dalam loop.
Physical AI yang baik bukan sistem yang menghilangkan manusia sebanyak mungkin. Physical AI yang baik adalah sistem yang mendistribusikan keputusan antara manusia dan mesin dengan tepat.
Enam Pertanyaan Sebelum Memulai Physical AI
1. Masalah fisik apa yang paling mahal atau paling berisiko?
Downtime? Defect? Material movement? Inspection? Safety? Energy? Mulai dari outcome, bukan teknologi.
2. Apakah kondisi fisik tersebut sudah bisa dilihat secara digital?
Ada sensor? Kamera? Data mesin? Position tracking? Kalau dunia fisiknya belum terlihat oleh sistem digital, AI belum mempunyai cukup mata dan telinga.
3. Apakah prosesnya cukup konsisten untuk dimodelkan?
Variasi selalu ada. Tapi kita harus memahami boundary kondisi normal dan abnormal sebelum AI bisa membedakannya.
4. Berapa cepat keputusan harus dibuat?
Beberapa keputusan bisa menunggu cloud. Yang lain membutuhkan millisecond-level response di edge. Arsitektur compute harus mengikuti kebutuhan proses, bukan tren.
5. Apa konsekuensi ketika sistem salah?
Kesalahan sortir paket berbeda dengan kesalahan pada sistem keselamatan. Semakin besar konsekuensinya, semakin kuat kebutuhan untuk simulation, redundancy, fail-safe, monitoring, dan human oversight.
6. Bagaimana ROI akan diukur?
Tetapkan metric sejak awal: throughput, downtime, reject rate, cycle time, energy per unit, inspection hours, safety exposure, maintenance cost, utilization. Kalau hasilnya tidak bisa diukur, kita akan sulit membedakan innovation dari entertainment.
Indonesia Tidak Perlu Memulai dari Robot Humanoid
Kita tidak harus menunggu robot humanoid murah dan sempurna untuk mulai masuk ke era Physical AI. Banyak fondasinya bahkan mungkin sudah berada di pabrik hari ini: PLC, SCADA, CCTV, sensor vibrasi, power meter, gateway, robot arm, AGV, ERP, MES, histori maintenance.
Masalahnya sering bukan tidak ada teknologi, tapi semua sistem itu masih berdiri sendiri. Karena itu opportunity Physical AI yang paling realistis mungkin justru bukan membeli sesuatu yang sepenuhnya baru, melainkan menghubungkan intelligence ke physical infrastructure yang sudah ada.
Itulah alasan saya terus melihat IoT sebagai fondasi yang sangat penting: IoT membuat dunia fisik bisa dibaca, AI membuat datanya bisa dipahami, agentic system membantu menentukan tindakan, dan Physical AI menutup lingkarannya kembali ke dunia nyata.
Penutup: AI yang Sebenarnya Mulai Menyentuh Dunia
Generative AI mengubah cara kita berinteraksi dengan informasi. Agentic AI mulai mengubah cara software bekerja. Physical AI berpotensi mengubah sesuatu yang lebih fundamental: cara dunia fisik dioperasikan.
Pabrik, warehouse, tambang, pelabuhan, infrastruktur energi — sistem-sistem ini selama puluhan tahun sudah semakin otomatis. Yang berubah sekarang adalah automation mulai mendapatkan kemampuan untuk melihat konteks, memahami variasi, dan menyesuaikan tindakan.
Kalau saya bisa memberi satu rekomendasi: mulai dari masalah nyata, pastikan dunia fisiknya sudah bisa dilihat melalui data, bangun intelligence di atas fondasi tersebut, dan berikan kewenangan kepada sistem secara bertahap sambil terus mengukur hasilnya.
Karena pada akhirnya, Physical AI yang paling bernilai mungkin bukan robot yang paling mirip manusia — melainkan sistem yang membuat operasi dunia nyata lebih aman, lebih adaptif, dan lebih efektif tanpa kita harus terus-menerus menyadari bahwa AI bekerja di belakangnya.