Proyek NUSA RI-Singapura Bangun Fondasi AI Terpercaya

Apa yang dibangun melalui Proyek NUSA

Proyek NUSA RI-Singapura bangun fondasi AI terpercaya melalui kolaborasi KORIKA dan AI Singapore untuk mempercepat pemanfaatan AI di dunia usaha dengan fondasi yang aman, dapat dipertanggungjawabkan, dan sesuai konteks lokal. Nama NUSA merupakan singkatan dari Network for Unified, Secure AI, menurut laporan EmitenNews pada 24 Oktober 2026.

Bagi bisnis, kabar ini relevan karena proyek tersebut tidak diposisikan sebagai peluncuran satu aplikasi AI. Kolaborasi ini ditujukan untuk menghubungkan strategi AI dengan penerapan di industri dan kehidupan sehari-hari, menurut Indobali News. Pertanyaan utamanya: apakah proses, data, izin akses, dan penanggung jawab sudah siap?

Pada tahap awal, Project NUSA akan berfokus pada pengembangan solusi praktis di Indonesia dan Singapura serta pengukuran manfaat ekonominya, menurut Warta Ekonomi.

Artikel ini membahas pendekatan bertahap: menguji penggunaan nyata sebelum sistem diperluas ke proses yang lebih sensitif.

Dua fondasi Proyek NUSA untuk AI yang dapat dipercaya

Proyek NUSA bertumpu pada Open-Source AI Governance serta Open Data and AI-Ready Knowledge. Feedberry menyebut keduanya sebagai lapisan kepercayaan yang mencakup tata kelola, pengawasan agen AI, akuntabilitas, serta kesiapan data.

Pilar pertama, Open-Source AI Governance, berfokus pada penerapan AI yang aman dan bertanggung jawab. Cakupannya meliputi kontrol akses, pengawasan aktivitas AI agent, serta akuntabilitas penggunaan sistem AI, menurut Indobali News. Kontrol akses menentukan pihak yang dapat melihat data, menjalankan workflow, mengubah instruksi, atau menyetujui tindakan sistem.

Sebagai ilustrasi (kasus rekaan), tim pengadaan memakai AI untuk membaca dokumen permintaan pembelian dan mengelompokkan kebutuhan. AI dapat menandai dokumen tidak lengkap serta menyiapkan ringkasan bagi petugas. Sistem tidak boleh menyetujui vendor, mengubah nilai kontrak, atau mengirim komitmen pembelian tanpa persetujuan pejabat berwenang. Catatan aktivitas perlu menunjukkan data yang dibaca, tindakan yang diusulkan, pihak penyetuju, serta hasil akhirnya.

Pilar kedua, Open Data and AI-Ready Knowledge, bertujuan mengubah data yang secara hukum boleh dibagikan menjadi pengetahuan tepercaya. Menurut Indobali News, fondasi ini dimaksudkan agar AI memahami bahasa, regulasi, dan konteks lokal. Data tersedia belum tentu siap dipakai AI karena dapat berulang, kedaluwarsa, tidak memiliki pemilik jelas, atau mengandung informasi yang tidak semestinya masuk ke sistem.

Contoh praktisnya terlihat pada basis pengetahuan layanan pelanggan. Tim dapat mengumpulkan kebijakan pengembalian barang, panduan produk, dan prosedur eskalasi yang telah ditinjau pemilik konten. Dokumen kemudian diberi versi, tanggal pembaruan, kategori akses, serta penanggung jawab. AI dapat menjawab dari sumber yang disetujui, bukan dari dokumen lama yang tersimpan tanpa pemeriksaan.

Mengapa konteks lokal dan pengujian tidak boleh dilewati

AI yang bekerja baik pada satu kondisi belum tentu aman atau relevan pada kondisi lain. Program Global AI Assurance Pilot yang digagas AI Verify Foundation dan Infocomm Media Development Authority pada Februari 2025 menemukan bahwa risiko GenAI bergantung pada industri, skenario penggunaan, budaya, bahasa, dan lembaga, menurut rilis PR Newswire.

Temuan tersebut relevan bagi perusahaan Indonesia yang menangani istilah lokal, aturan internal, atau dokumen berbahasa Indonesia. Pengujian perlu melibatkan pihak yang memahami proses bisnis, bukan hanya tim teknis. Mereka dapat memeriksa apakah ringkasan AI menghilangkan pengecualian penting, apakah klasifikasi permintaan tepat, serta apakah respons selaras dengan kebijakan berlaku.

Andaikan perusahaan ritel membuat AI untuk membantu agen layanan pelanggan memahami permintaan refund. Tim penguji dapat menyiapkan permintaan normal, bukti tidak lengkap, pelanggan marah, serta kasus yang mengandung data sensitif. Penilaian tidak cukup berhenti pada jawaban yang terdengar lancar. Tim perlu memeriksa apakah AI meminta eskalasi pada kasus tepat, memakai kebijakan versi terbaru, serta menghindari janji yang tidak boleh diberikan kepada pelanggan.

Menurut PR Newswire, Global AI Assurance Pilot melibatkan spesialis AI dan pakar penerapan dari sepuluh industri, termasuk keuangan, kesehatan, SDM, dan layanan publik. Pelibatan pakar domain memperjelas bahwa uji AI harus mengikuti risiko penggunaan, bukan sekadar memastikan sistem mampu menghasilkan jawaban.

Dampak Proyek NUSA bagi implementasi AI di bisnis

Bagi bisnis, Proyek NUSA menekankan bahwa AI lebih siap diperluas ketika akses data, tanggung jawab penggunaan, dan batas keputusan telah jelas. Feedberry menilai kepastian akses data serta tanggung jawab penggunaan AI akan memengaruhi kemampuan perusahaan memperluas integrasi, terutama saat AI terhubung dengan sistem operasional.

Dampaknya menjangkau lebih dari tim data dan pengembang. Integrator sistem perlu memahami aliran data antarformulir, CRM, basis pengetahuan, serta kanal komunikasi. Tim kepatuhan menetapkan batas penggunaan dan akses. Pemilik proses bisnis menentukan keluaran yang cukup aman untuk dijalankan otomatis. Penyedia pelatihan membantu pengguna mengenali keluaran yang perlu dikoreksi atau dieskalasi.

Misalnya, alur kualifikasi prospek dapat dimulai ketika formulir masuk. Sistem mengambil data dasar, AI mengelompokkan kebutuhan awal berdasarkan isi formulir, lalu CRM menyimpan hasilnya dan menyiapkan draf tindak lanjut. Sales tetap meninjau prospek sebelum memberi harga, membuat penawaran, atau menyetujui kontrak. Pembagian ini membedakan otomasi berbasis aturan, bantuan AI untuk memahami informasi, serta keputusan bisnis yang tetap memerlukan otoritas manusia.

Untuk keputusan berisiko tinggi, perusahaan perlu menetapkan pengawasan manusia, batas otomasi, dan penanganan kesalahan secara eksplisit. Perusahaan perlu menyatakan tindakan yang boleh otomatis, tindakan yang wajib menunggu persetujuan, serta pihak yang menangani kesalahan. Tanpa batas tersebut, AI dapat mempercepat proses yang salah.

Mulai dari satu workflow yang bisa diuji

Pembaca tidak perlu memulai dengan proyek besar. Pilih satu workflow berulang yang memiliki pemilik proses, data terbatas, dan risiko terkendali. Tahap awal dapat berupa peringkasan tiket layanan internal atau pengelompokan pertanyaan umum, bukan persetujuan kredit, perubahan data penting, atau keputusan kontraktual.

Buat peta sederhana sebelum menghubungkan AI ke sistem lain. Catat sumber data, alasan penggunaan data, pengguna yang boleh mengaksesnya, keputusan yang dapat dibuat sistem, serta titik persetujuan manusia. Tambahkan daftar kemungkinan kegagalan, seperti salah klasifikasi, kebocoran informasi, sumber pengetahuan kedaluwarsa, atau respons yang melampaui kewenangan sistem.

Lalu uji workflow memakai contoh pekerjaan nyata yang telah disamarkan bila diperlukan. Bandingkan keluaran AI dengan penilaian petugas, dokumentasikan koreksi, lalu perbarui aturan akses atau sumber pengetahuan saat masalah ditemukan. Setelah alur kecil stabil, perusahaan memiliki dasar untuk menilai kelayakan perluasan.

Untuk konteks peluncuran kolaborasinya, pembaca dapat melihat artikel pilar KORIKA dan AI Singapore Meluncurkan Project NUSA di Bali. Setelah pemetaan awal selesai, pilih satu risiko yang paling mungkin terjadi pada workflow tersebut dan jadikan risiko itu sebagai skenario uji pertama.