Indonesia memperkuat kerja sama riset AI dengan mitra internasional

En bref

• Indonesia makin agresif membangun kerja sama lintas negara untuk mempercepat riset AI dan agenda hilirisasi.
• Skema pendanaan seperti RISPRO Kolaborasi Internasional menjadi jembatan antara universitas, lembaga riset, industri, dan mitra internasional.
• Model kolaborasi 2026 menekankan output yang terukur: publikasi Q1, kekayaan intelektual, prototipe, sampai model rekayasa sosial.
• Kolaborasi Indonesia–Jepang (Kemdiktisaintek–ITB–NEDO–Toyota) menunjukkan pola baru: riset dasar terhubung ke kebutuhan industri dan transisi rendah karbon.
• Keberhasilan pengembangan teknologi bergantung pada tata kelola data, etika, dan kemampuan tim riset mengubah temuan menjadi inovasi yang dipakai publik.

Di tengah persaingan global, kecerdasan buatan bukan lagi sekadar teknologi “keren”, melainkan infrastruktur baru yang menentukan daya saing negara. Indonesia membaca arah itu dengan semakin serius: membangun kerja sama riset lintas sektor dan lintas negara agar pengembangan AI tidak berhenti di laboratorium, melainkan menjadi mesin produktivitas, layanan publik yang lebih cepat, hingga industri yang lebih efisien. Tren ini tampak dari cara kampus, kementerian, dan industri menata strategi kolaborasi: ada skema pendanaan yang makin preskriptif soal luaran, ada konsorsium yang dibangun untuk menjawab kebutuhan industri, dan ada kemitraan internasional yang sejak awal mengikat target bersama. Di lapangan, cerita itu bisa terlihat pada proyek-proyek yang menyambungkan periset, data, dan pengguna akhir—mulai dari kesehatan, transportasi, energi bersih, sampai mitigasi bencana—dengan satu benang merah: Indonesia ingin berperan sebagai produsen solusi, bukan hanya pasar teknologi.

Bayangkan kisah “Naya”, peneliti muda di sebuah pusat riset universitas di Bandung, yang tahun ini menjadi koordinator teknis proyek AI untuk optimasi rantai pasok biomassa. Ia bekerja dengan tim kampus, startup analitik, dan mitra luar negeri yang menyediakan metode evaluasi model serta akses benchmark internasional. Targetnya bukan hanya demo, tetapi prototipe yang bisa diadopsi industri, sekaligus artikel ilmiah bereputasi. Kisah seperti Naya kini makin jamak: ekosistem mulai menguat, tetapi tantangannya juga naik kelas—soal kualitas data, tata kelola, keamanan, hingga pembagian manfaat. Dari sinilah pembahasan mengalir: bagaimana Indonesia menata skema pendanaan, menyusun model kerja sama dengan mitra internasional, dan memastikan inovasi AI benar-benar berdampak.

Indonesia memperkuat kerja sama riset AI: peta kebutuhan, arah kebijakan, dan alasan strategis

Alasan utama Indonesia memperkuat kerja sama riset AI dengan mitra internasional bersifat sangat praktis: banyak persoalan domestik membutuhkan lompatan kapasitas, sementara riset AI menuntut data, komputasi, dan talenta yang tidak murah. Kolaborasi membuat Indonesia bisa mempercepat kurva belajar—mengadopsi praktik terbaik untuk tata kelola data, memperluas akses fasilitas komputasi, serta menguji model pada standar internasional. Namun, kolaborasi yang efektif bukan berarti “impor teknologi”; yang dicari adalah kemampuan menguasai metode dan memproduksi solusi yang relevan dengan konteks lokal, mulai dari bahasa daerah, variasi demografi, hingga geografi kepulauan.

Dalam lanskap 2026, pola kerja sama riset semakin mengarah pada kemitraan yang terhubung dengan agenda pengembangan industri. Kerja sama universitas dengan ratusan kampus luar negeri, serta kemitraan penelitian dengan Australia, Belanda, Prancis, dan Inggris, menggambarkan bahwa Indonesia mengincar pertukaran pengetahuan sekaligus jejaring publikasi dan paten. Artinya, AI tidak diperlakukan sebagai “bidang tunggal”, melainkan kemampuan lintas disiplin: data science untuk kesehatan, computer vision untuk pertanian, natural language processing untuk layanan publik, sampai optimasi untuk logistik.

Agar tidak menjadi jargon, pemerintah dan kampus perlu mengurai kebutuhan yang paling “mendesak”. Misalnya, penguatan AI untuk mitigasi bencana punya urgensi tinggi mengingat risiko gempa, banjir, dan kebakaran hutan. Penggunaan drone dan analitik citra untuk pemantauan bencana adalah contoh yang cepat dirasakan manfaatnya. Diskusi publik tentang sistem pemantauan di Sumatra memperlihatkan bagaimana teknologi dapat mempercepat respons dan memetakan kerusakan secara lebih presisi; konteks seperti ini bisa dijelajahi lebih lanjut melalui liputan drone pemantauan bencana di Sumatra. Dalam kerangka riset AI, kolaborasi internasional membantu pada dua sisi: metode (akurasi segmentasi citra, deteksi anomali) dan tata kelola (bagaimana data citra sensitif disimpan serta dibagikan).

Pilar lain yang sering luput adalah dimensi sosial-ekonomi. AI yang berdampak memerlukan adopsi oleh pengguna—UMKM, pemerintah daerah, rumah sakit, atau pabrik—yang kemampuan investasinya berbeda-beda. Pertumbuhan kelas menengah menjadi indikator perubahan permintaan layanan digital yang lebih cepat dan personal, sekaligus pasar bagi produk berbasis AI. Perspektif ini sejalan dengan pembacaan struktur ekonomi yang bisa ditautkan melalui analisis pertumbuhan kelas menengah. Ketika permintaan meningkat, riset AI tidak cukup menghasilkan paper; ia harus menghasilkan sistem yang dapat dioperasikan, dipelihara, dan dipercaya.

Kerja sama sebagai “mesin standardisasi” dan penjaga kualitas riset

Kolaborasi dengan mitra luar negeri sering kali memperketat disiplin riset. Ada standar dokumentasi, keharusan replikasi eksperimen, audit data, hingga kesepakatan authorship. Untuk Naya dan timnya, misalnya, mitra internasional meminta definisi metrik keberhasilan sejak awal: bukan hanya akurasi model, tetapi juga robustness pada data baru, biaya inferensi, dan dampak operasional pada rantai pasok. Standar seperti ini melatih tim Indonesia agar tidak berhenti pada prototipe rapuh yang hanya berjalan di satu laptop.

Di sisi lain, kerja sama juga menuntut kemampuan negosiasi: data apa yang boleh keluar, bagian mana yang wajib disimpan di Indonesia, serta bagaimana pembagian hak paten. Jika ini diatur baik, kerja sama menjadi kendaraan untuk melahirkan inovasi bersama. Jika diatur buruk, riset bisa berubah menjadi “outsourcing data” tanpa transfer kemampuan. Insight akhirnya jelas: kualitas kerja sama ditentukan oleh desain tata kelola sejak hari pertama, dan itulah fondasi sebelum masuk ke skema pendanaan.

Skema pendanaan RISPRO Kolaborasi Internasional: cara Indonesia mengubah riset AI menjadi luaran terukur

Jika kerja sama adalah kendaraan, maka pendanaan adalah bahan bakarnya—dan Indonesia semakin menyukai pendanaan yang berbasis luaran. Salah satu contoh yang paling jelas adalah RISPRO Kolaborasi Internasional (RISPRO KI) yang dikelola LPDP. Skema ini menempatkan riset dasar strategis dalam kerangka kolaborasi dengan pihak luar negeri, melalui mekanisme seperti joint-call, matching fund, atau co-funding. Dalam konteks AI, RISPRO KI menarik karena menuntut tiga hal sekaligus: kebaruan ilmiah, produktivitas peneliti, dan potensi menuju prototipe/produk atau model rekayasa sosial.

RISPRO KI bukan sekadar hibah yang longgar. Ketua pengusul harus bergelar doktor dan tidak sedang menjalani program akademik lain, serta harus sudah memiliki mitra riset luar negeri yang dibuktikan lewat dokumen kerja sama. Yang paling menantang bagi banyak tim AI adalah prasyarat “jejak publikasi awal”: minimal ada studi pendahuluan berupa tiga artikel ketua peneliti sebagai penulis pertama yang relevan dan terbit minimal di jurnal internasional terindeks Scopus Q2. Bagi ekosistem, aturan ini berfungsi sebagai filter kualitas agar dana besar tidak terserap oleh proyek yang belum siap.

Dari sisi luaran, RISPRO KI mendorong target yang sangat spesifik. Ketua peneliti diharapkan memiliki setidaknya dua artikel sebagai penulis pertama atau corresponding author yang diterima di jurnal Q1, serta minimal satu artikel yang ditulis bersama mitra internasional dan diterima di jurnal Q1. Selain publikasi, luaran lain mencakup kekayaan intelektual terdaftar, prototipe atau produk, serta model rekayasa sosial. Dalam AI, “model rekayasa sosial” bisa berarti rancangan tata kelola penggunaan algoritma di layanan publik, misalnya pedoman audit bias untuk seleksi bantuan sosial atau protokol penggunaan AI di puskesmas.

Bagaimana seleksi dan tata biaya membentuk perilaku riset

Proses seleksi umumnya dua tahap: administrasi lalu substansi. Tahap administrasi memastikan fokus tema dan kelengkapan dokumen sesuai kriteria, sedangkan tahap substansi dinilai oleh minimal tiga reviewer. Kelulusan substansi membutuhkan rekomendasi kolektif—tanpa perbedaan rekomendasi—dengan nilai minimal 75% dari nilai maksimum. Mekanisme ini mendorong pengusul menyiapkan proposal yang “rapi dari awal”: rencana data, rencana eksperimen, rencana publikasi, hingga rencana komersialisasi yang masuk akal.

Dari sisi besaran dana, RISPRO KI memungkinkan pendanaan sampai Rp2 miliar per judul per tahun, atau total hingga Rp6 miliar untuk tiga tahun. Durasi dapat diperpanjang, tetapi logikanya tetap sama: pembuktian progres dan kelayakan. Struktur biaya pun mendisiplinkan. Minimal 95% harus berupa biaya langsung (personil dan non-personil), sementara biaya tidak langsung dibatasi maksimal 5%. Porsi honor tim peneliti dibatasi maksimal 30% dari total. Bagi riset AI, ini menandakan bahwa mayoritas dana diarahkan ke data, komputasi, eksperimen lapangan, pengujian, diseminasi, dan pengurusan paten/sertifikasi—bukan sekadar rapat atau administrasi.

Untuk menjaga kewajaran, perjalanan luar negeri sebagai bagian biaya non-personil dibatasi: maksimal dua kali setahun dengan total alokasi sampai Rp250 juta per tahun. Aturan ini relevan karena kolaborasi internasional memang memerlukan mobilitas, tetapi bukan untuk “wisata konferensi”. Sebaliknya, dana tidak boleh dipakai membeli tanah, kendaraan operasional, atau membangun gedung. Jadi, fokus tetap pada output riset.

Yang menarik, skema seperti RISPRO KI juga “mendidik” ekosistem agar terbiasa dengan standardisasi manajemen proyek. Naya, misalnya, harus memecah proyek AI menjadi paket kerja: kurasi data, pelatihan model, uji lapangan dengan pabrik, dan rencana paten. Setiap paket kerja punya indikator dan risiko. Insight akhirnya: pendanaan yang dirancang tegas dapat mengubah kultur riset dari sekadar “karya ilmiah” menjadi pengembangan yang dapat dipertanggungjawabkan dan direplikasi.

Video dan diskusi publik seputar pendanaan, publikasi, dan kemitraan akademik biasanya membantu tim memahami “praktik tak tertulis”: cara membangun MoU yang tidak hanya formalitas, cara menyepakati pembagian data, dan cara menyiapkan rencana diseminasi agar tidak berhenti pada seminar kampus.

Model kolaborasi Indonesia–Jepang: dari riset kampus ke kebutuhan industri dan agenda rendah karbon

Kerja sama tidak selalu berangkat dari AI murni; sering kali ia tumbuh dari kebutuhan industri yang membutuhkan analitik, otomasi, dan optimasi. Contoh kuat pada awal tahun ini adalah penjajakan kolaborasi yang mempertemukan Kemdiktisaintek, ITB, NEDO Jepang, dan PT Toyota Motor Manufacturing Indonesia. Pertemuan di ruang rapat rektorat—didahului kunjungan ke kawasan inovasi—menggambarkan format kolaborasi generasi baru: pemerintah hadir sebagai orkestrator kebijakan, kampus sebagai pusat pengetahuan, lembaga riset internasional sebagai akselerator teknologi, dan industri sebagai pengguna akhir yang menuntut solusi siap pakai.

Dalam dialog, arah besarnya adalah transisi menuju industri rendah karbon. ITB memaparkan kapasitasnya pada biofuel, Sustainable Aviation Fuel, bioavtur, hingga demo plant J100 serta penguasaan teknologi katalis. Di titik ini, AI masuk bukan sebagai “topik terpisah”, melainkan sebagai penguat: prediksi kualitas bahan baku biomassa, optimasi kondisi reaksi, pemeliharaan prediktif peralatan, hingga peramalan rantai pasok. Untuk industri, kemampuan seperti ini berarti efisiensi energi dan stabilitas produksi. Untuk periset, ini membuka ruang riset yang kaya data dan punya jalur hilirisasi.

Pernyataan para pihak memperlihatkan filosofi yang sama: riset harus menyelesaikan persoalan sosial—energi, lingkungan, dan kesejahteraan. Industri otomotif sendiri menekankan bauran teknologi dekarbonisasi: biofuel, e-fuels, bioetanol generasi lanjut, sampai hidrogen. Dalam bahasa AI, bauran teknologi ini butuh bauran model: model optimasi untuk menentukan kombinasi proses yang paling ekonomis, model prediksi emisi lintas rantai pasok, serta sistem pengambilan keputusan yang transparan agar dapat diaudit regulator.

Dari MoU ke konsorsium: detail yang menentukan keberhasilan

Kesepakatan untuk menindaklanjuti penjajakan melalui peta jalan kolaborasi dan pembentukan konsorsium riset terapan adalah bagian yang paling penting. Banyak kerja sama gagal bukan karena kurang ide, tetapi karena tidak ada mekanisme kerja: siapa pemilik data proses, siapa yang menanggung biaya komputasi, bagaimana prosedur keamanan, dan kapan prototipe dinyatakan siap. Konsorsium memungkinkan pembagian peran: kampus mengerjakan model dan validasi ilmiah, industri menyediakan data proses dan lokasi uji, lembaga internasional memperkuat standar, sedangkan pemerintah memastikan alignment dengan kebijakan.

Dalam praktik, tim seperti Naya perlu menyepakati “kontrak metrik”: misalnya, penurunan konsumsi energi sekian persen, kenaikan yield katalis, atau penurunan downtime mesin. Metrik ini mengikat AI pada realitas, mengurangi risiko proyek berhenti sebagai presentasi. Pada saat bersamaan, kebutuhan publikasi Q1 tetap bisa dikejar melalui desain eksperimen yang rapi dan pelaporan metode yang dapat direplikasi.

Kolaborasi Indonesia–Jepang ini juga menunjukkan bahwa AI bisa menjadi bahasa bersama lintas disiplin. Insinyur proses, ahli katalis, ekonom energi, dan data scientist dapat berkomunikasi lewat model dan simulasi. Insight akhirnya: ketika kebutuhan industri dijadikan kompas, kerja sama riset AI memiliki peluang lebih besar untuk berubah menjadi inovasi yang bertahan, bukan tren sesaat.

Diskusi publik tentang energi bersih, biofuel, dan industri rendah karbon biasanya memuat ruang yang luas untuk AI—mulai dari optimasi produksi hingga pengukuran dampak—dan bisa menjadi inspirasi tema riset yang “siap hilirisasi”.

Tata kelola data, etika, dan keamanan: fondasi kerja sama riset kecerdasan buatan dengan mitra internasional

Kerja sama riset AI sering terdengar seperti urusan teknis—algoritma, GPU, atau dataset. Padahal, fondasi sesungguhnya ada pada tata kelola: siapa berhak mengakses data, bagaimana persetujuan pengguna, bagaimana anonimisasi dilakukan, dan bagaimana model dievaluasi agar tidak menimbulkan diskriminasi. Ketika mitra internasional terlibat, pertanyaan ini makin sensitif karena bersinggungan dengan kedaulatan data, kepatuhan regulasi, dan reputasi institusi. Bagi Indonesia, membangun reputasi sebagai mitra yang “data-ready” dan “ethics-ready” akan memperbesar peluang kolaborasi jangka panjang.

Ambil contoh proyek AI untuk kesehatan masyarakat. Jika sebuah rumah sakit pendidikan berbagi data citra medis untuk melatih model deteksi dini, prosedur de-identification harus ketat. Mitra luar negeri biasanya meminta bukti ethical clearance, protokol audit akses, dan mekanisme pembatasan data. Di sisi Indonesia, lembaga perlu memastikan data tidak digunakan di luar tujuan. Di sinilah peran “model rekayasa sosial” yang sering disebut dalam luaran pendanaan: bukan hanya model matematika, tetapi desain proses kerja, SOP, dan kontrol yang membuat AI aman digunakan.

Contoh nyata: AI, budaya, dan kepercayaan publik

Kepercayaan publik juga dibentuk oleh konteks budaya. Indonesia punya keragaman bahasa dan kebiasaan yang memengaruhi cara orang menilai teknologi. Misalnya, proyek AI untuk pelestarian budaya—pengarsipan naskah kuno atau pengenalan pola motif kain—akan diterima berbeda dibanding AI untuk pengawasan. Karena itu, komunikasi publik tentang tujuan proyek menjadi bagian dari tata kelola. Perspektif hubungan antara program pendanaan dan budaya lokal bisa diperkaya dengan membaca ulasan Dana Indonesiana untuk budaya lokal, karena ia menegaskan bahwa inovasi perlu sensitif pada nilai, bukan hanya efisien.

Di sisi lain, pameran dan ruang budaya juga dapat menjadi tempat edukasi AI yang ramah publik. Ketika teknologi ditampilkan sebagai alat bantu kurasi, restorasi digital, atau terjemahan multi-bahasa, masyarakat melihat manfaat yang konkret. Kegiatan seperti pameran budaya di Jakarta memberi gambaran bagaimana ruang publik dapat menjadi jembatan literasi—lihat misalnya cerita pameran budaya Jakarta. Dalam kerangka kerja sama riset AI, pendekatan ini penting: kolaborasi internasional kerap menuntut “public engagement”, dan Indonesia bisa menjadikannya kekuatan.

Checklist praktik baik untuk proyek kerja sama AI lintas negara

Agar kerja sama tidak tersandung di tengah jalan, tim riset biasanya menyepakati praktik baik yang spesifik. Berikut daftar yang sering dipakai oleh konsorsium yang matang, termasuk yang dibiayai skema kompetitif:

• Data management plan sejak proposal: sumber data, izin, format, masa simpan, dan skema akses.
• Model card dan dataset documentation: menjelaskan batasan, bias potensial, dan konteks penggunaan.
• Perjanjian IP yang jelas: kapan paten diajukan, siapa pemegang hak, bagaimana lisensi untuk industri.
• Audit keamanan: enkripsi, kontrol akses, serta prosedur respons insiden.
• Rencana adopsi: pelatihan operator, biaya operasional, dan mekanisme feedback pengguna.

Untuk Naya, checklist ini bukan formalitas. Ia membantu tim menjawab pertanyaan sulit dari reviewer: “Apakah model akan tetap akurat ketika data pabrik berubah musim?” atau “Apa risiko kebocoran data proses industri?” Ketika jawaban terdokumentasi, kerja sama menjadi lebih tahan guncangan. Insight akhirnya: etika dan keamanan bukan penghambat, melainkan prasyarat agar riset AI lintas negara dapat dipercaya dan berumur panjang.

Dari laboratorium ke pasar: strategi hilirisasi inovasi AI Indonesia lewat kerja sama internasional

Hilirisasi sering dipahami semata sebagai komersialisasi. Dalam riset AI, hilirisasi lebih luas: memindahkan sistem dari prototype ke layanan yang stabil, dapat diaudit, dan punya skema pemeliharaan. Kerja sama internasional dapat mempercepat proses ini melalui akses standard industri, validasi eksternal, dan jaringan pilot project. Namun, agar berhasil, tim Indonesia perlu menguasai “engineering layer” yang sering tidak diajarkan dalam riset murni: MLOps, monitoring model drift, manajemen versi data, serta integrasi dengan sistem legacy.

Di banyak kampus, tantangan terbesar justru pada fase “transisi”: ketika prototipe sudah ada, tetapi belum ada unit yang bertanggung jawab mengoperasikan sistem. Di sinilah kemitraan dengan industri menjadi kunci. Model konsorsium seperti pada penjajakan Indonesia–Jepang menunjukkan pola yang dapat ditiru: kampus memimpin metodologi, industri menyiapkan lokasi uji dan SOP produksi, sementara pemerintah memberi insentif kebijakan agar produk dalam negeri memiliki ruang adopsi. Kombinasi ini membuat AI tidak berhenti pada publikasi, tetapi masuk ke rantai nilai.

Studi kasus hipotetis: “StunSmart” dan AI berdampak

Bayangkan sebuah purwarupa AI untuk prediksi dan pencegahan stunting—sebut saja “StunSmart”—yang dikembangkan lewat FGD lintas pemangku kepentingan. Dalam skenario ini, tim memadukan data antropometri, riwayat kesehatan, kondisi sanitasi, dan pola konsumsi. Mitra internasional dapat membantu dengan metode fairness (agar model tidak bias terhadap wilayah tertentu) dan strategi validasi lintas populasi. Sementara itu, pemerintah daerah memastikan integrasi dengan alur kerja posyandu. Keberhasilan proyek semacam ini bukan hanya akurasi, melainkan apakah rekomendasi model bisa ditindaklanjuti kader kesehatan dan dipahami keluarga.

Contoh tersebut memperlihatkan bahwa pengembangan AI harus memikirkan manusia sebagai pengguna akhir. Bahkan pada proyek industri, prinsipnya sama: operator pabrik perlu dashboard yang jelas, bukan sekadar angka loss function. Pada proyek kebencanaan, petugas lapangan perlu peta prioritas yang bisa dipakai dalam 10 menit pertama, bukan laporan 40 halaman.

Memetakan jalur hilirisasi: dari output RISPRO KI ke produk

Agar lebih konkret, jalur hilirisasi AI sering dibagi menjadi beberapa tahap. Setiap tahap bisa dikaitkan dengan luaran pendanaan seperti publikasi, paten, prototipe, dan model rekayasa sosial:

1. Riset dasar terarah: pembuktian konsep, benchmark, dan publikasi awal.
2. Prototipe teruji: uji pada data nyata, pengukuran robustness, dan dokumentasi model/dataset.
3. Pilot project: implementasi terbatas di industri atau layanan publik, termasuk pelatihan operator.
4. Standarisasi & sertifikasi: pengurusan paten, hak cipta, atau standar yang relevan (termasuk SNI bila diperlukan).
5. Skalabilitas: MLOps, monitoring, pembiayaan operasional, dan rencana ekspansi.

Di setiap tahap, kerja sama dengan mitra internasional bisa memberi nilai tambah yang berbeda: di tahap awal untuk metodologi, di tahap pilot untuk validasi dan standar, dan di tahap skala untuk jejaring pasar serta interoperability. Insight akhirnya: hilirisasi AI bukan “lompatan sekali jadi”, melainkan rangkaian keputusan yang disiplin—dan Indonesia yang menguatkan kerja sama internasional sedang membangun tangga itu, satu anak tangga pada satu waktu.