(Vibiznews-Kolom) AI bukan lagi sekadar alat digitalisasi. Di industri hulu minyak dan gas, teknologi ini mulai mengubah cara perusahaan mengebor sumur, mengoptimalkan produksi, mengelola reservoir, hingga merancang hubungan komersial dengan perusahaan jasa.
Selama satu dekade terakhir, transformasi digital di industri hulu minyak dan gas telah menghasilkan berbagai perbaikan, mulai dari efisiensi operasi, peningkatan keselamatan, hingga kematangan infrastruktur data. Namun, bagi banyak eksekutif industri, pertanyaan yang lebih besar masih belum terjawab, kapan digitalisasi menghasilkan lompatan nilai yang benar-benar signifikan? Menurut McKinsey kecerdasan buatan atau artificial intelligence (AI) mulai memberikan jawaban tersebut. Analisis McKinsey memperkirakan AI berpotensi membuka sekitar US$65 miliar nilai berulang setiap tahun dalam jangka dekat dengan teknologi yang tersedia saat ini, dan dapat mencapai sekitar US$230 miliar ketika teknologi semakin matang dan operasi otonom menjadi lebih umum.
Nilai terbesar bukan tersebar merata, tetapi terkonsentrasi pada sedikit use case
Salah satu temuan paling penting adalah bahwa peluang AI di sektor hulu migas bukanlah permainan “ribuan proyek kecil”. Nilai justru sangat terkonsentrasi. Dari lebih dari 550 use case yang dianalisis McKinsey, sepuluh use case terbesar menghasilkan hampir separuh nilai yang teridentifikasi, 20 use case menyumbang sekitar dua pertiga, sementara 60 use case mencakup sekitar 95 persen nilai tersebut. Artinya, perusahaan tidak perlu menjalankan puluhan atau ratusan eksperimen AI secara bersamaan. Strategi yang lebih masuk akal adalah memilih sejumlah kecil aplikasi dengan nilai ekonomi terbesar, data real-time yang memadai, hubungan yang jelas antara keputusan dan kondisi fisik, serta KPI yang dapat diukur.
Pusat gravitasi AI berada pada aktivitas develop dan produce
Peluang terbesar dalam jangka pendek berada pada tahap develop dan produce. Kedua tahapan tersebut memiliki karakteristik yang sangat cocok untuk penerapan AI seperti nilai ekonomi yang besar, data operasional dengan frekuensi tinggi, sistem fisik yang memberikan umpan balik secara langsung, serta metrik yang jelas seperti cycle time, uptime, recovery, cost per foot, cost per barrel, nonproductive time (NPT), dan efisiensi modal. Tiga domain utama yang menjadi sumber sebagian besar nilai adalah optimasi produksi, aktivitas pengeboran, dan pengelolaan reservoir.
Produksi menjadi salah satu ladang AI paling menarik
Aset produksi menghasilkan data operasional dalam jumlah besar dengan umpan balik fisik yang cepat. Kondisi ini membuatnya sangat ideal bagi AI. Teknologi dapat digunakan untuk mengoptimalkan rod pump, electric submersible pump (ESP), gas lift, waterflood, jaringan produksi, fasilitas permukaan, flow assurance, hingga program kimia. Nilainya dapat diukur melalui peningkatan produksi, berkurangnya well downtime, penurunan kegagalan peralatan, berkurangnya biaya intervensi, serta turunnya intensitas energi. McKinsey memperkirakan peluang peningkatan produksi dapat mencapai US$35 miliar.
Pengeboran adalah area lain dengan potensi perubahan besar.
Pengeboran merupakan salah satu kelompok biaya terbesar dalam aktivitas hulu dan banyak melibatkan perusahaan jasa. AI dapat membantu dalam perencanaan sumur dan pemilihan peralatan, mengurangi waktu tripping dan koneksi, mendeteksi anomali secara real-time, serta memungkinkan otomatisasi closed-loop drilling. Dengan kombinasi tersebut, waktu pengerjaan sumur dapat dipersingkat melalui urutan operasi yang lebih efisien dan pengurangan NPT. Pada akhirnya, perusahaan dapat menurunkan biaya yang dibutuhkan untuk menyelesaikan satu sumur.
Reservoir management dapat berubah dari proses panjang menjadi proses yang jauh lebih cepat
AI juga berpotensi mengubah cara perusahaan memahami reservoir. Teknologi dapat mempercepat interpretasi bawah permukaan, memperbarui model statis dan dinamis, menghasilkan surrogate models untuk mempercepat simulasi, mendukung strategi recovery, serta meningkatkan estimasi cadangan. Dengan kombinasi machine learning, model berbasis fisika, deep-learning surrogate models, generative AI, dan agentic AI, beberapa pekerjaan yang sebelumnya membutuhkan waktu berbulan-bulan atau bertahun-tahun berpotensi dipersingkat menjadi hitungan hari atau minggu. Namun, perubahan tersebut menuntut transformasi besar terhadap pola kerja yang selama ini sangat bergantung pada silo organisasi dan pengalaman individual.
Masalah terbesar mungkin bukan teknologi, tetapi cara perusahaan melakukan scaling
Industri sering melihat persoalan AI sebagai persoalan teknologi yaitu data yang tidak lengkap, sistem lama, konektivitas terbatas, atau model yang belum cukup kuat untuk lingkungan lapangan yang kompleks. Semua persoalan tersebut memang nyata. Namun, McKinsey melihat bahwa tantangan yang lebih fundamental adalah bagaimana AI mengubah keputusan. Nilai terbesar muncul ketika AI memungkinkan keputusan dibuat lebih cepat, lebih konsisten, lebih berkualitas, dan dengan tingkat risiko yang lebih rendah. Karena itu, perusahaan perlu membangun cara kerja baru, bukan sekadar menambahkan perangkat lunak baru.
Budaya organisasi dan pengukuran nilai menjadi faktor penentu
Banyak implementasi AI gagal berkembang bukan karena modelnya buruk, melainkan karena manusia tidak mempercayai rekomendasinya atau tidak mengubah cara kerja mereka. McKinsey juga mencatat bahwa kurang dari 20 persen implementasi AI yang dianalisis secara konsisten melacak nilai yang dihasilkan dan membagikan KPI tersebut kepada organisasi. Tanpa baseline yang jelas dan metode pengukuran yang disepakati, proyek AI mudah berubah menjadi sekadar proyek teknologi tanpa bukti dampak finansial.
AI menciptakan paradoks bagi perusahaan jasa migas
Persoalan yang lebih kompleks muncul pada hubungan antara operator dan oilfield services and equipment companies atau OFSE. AI dapat membuat sumur selesai lebih cepat, mengurangi kegagalan, menurunkan downtime, serta mengurangi kebutuhan intervensi. Bagi operator, ini jelas menghasilkan penghematan. Namun bagi perusahaan jasa, efisiensi yang sama dapat berarti lebih sedikit rig days, jam jasa, tahapan pekerjaan, kegiatan maintenance, atau aktivitas yang selama ini menjadi dasar penagihan. Dengan struktur kontrak tradisional berbasis aktivitas, perusahaan jasa justru dapat kehilangan pendapatan ketika AI bekerja dengan sangat baik.
Model bisnis harus ikut berubah ketika produktivitas meningkat
McKinsey memperkirakan sekitar US$17 miliar pendapatan OFSE saat ini berpotensi terpapar akibat efisiensi berbasis AI, dan angkanya dapat mencapai US$60 miliar pada potensi penuh. Namun, dampak terhadap arus kas lebih kecil karena penurunan aktivitas juga mengurangi biaya variabel seperti tenaga kerja, peralatan, bahan habis pakai, dan logistik. Estimasi McKinsey menunjukkan dampak arus kas sekitar US$7 miliar dalam jangka dekat dan US$24 miliar pada potensi penuh. Di sisi lain, penggunaan AI untuk meningkatkan efisiensi internal OFSE dapat menghasilkan sekitar US$10 miliar saat ini dan hingga US$20 miliar pada potensi penuh.
Karena itu, hubungan operator dan perusahaan jasa perlu bergeser dari activity provider menjadi performance partner
Model kontrak berbasis aktivitas dapat menjadi tidak relevan ketika teknologi mengurangi jumlah aktivitas yang harus dilakukan. Alternatifnya adalah model berbasis hasil, gain sharing, atau performance-based services. Dalam model tersebut, operator dan perusahaan jasa menyepakati baseline, metode pengukuran, serta pembagian manfaat ekonomi yang dihasilkan AI. Contohnya dapat berupa pembayaran berdasarkan keberhasilan mempercepat pengeboran, meningkatkan equipment uptime, menaikkan produksi, atau mengurangi downtime.
Produksi tambahan mungkin menjadi titik temu paling menarik
Tidak semua efisiensi menimbulkan konflik kepentingan. Tambahan produksi menciptakan nilai baru tanpa harus mengurangi pendapatan perusahaan jasa secara langsung. Karena itu, optimasi produksi, artificial lift, dan reservoir management sangat cocok untuk model berbasis kinerja. Jika AI menghasilkan tambahan barel, operator mendapatkan peningkatan pendapatan sementara penyedia teknologi dapat memperoleh bagian dari nilai tambahan tersebut. Model seperti ini jauh lebih mudah menyatukan kepentingan kedua pihak dibandingkan efisiensi yang hanya mengurangi jumlah aktivitas yang dapat ditagihkan.
Dari sisi teknologi, industri membutuhkan infrastruktur menuju otonomi
AI tingkat lanjut membutuhkan lebih dari sekadar database. Industri memerlukan cakupan sensor yang memadai, konektivitas edge, kualitas data, arsitektur time-series, operasi model, keamanan siber, serta tata kelola model yang dapat memengaruhi operasi fisik. Integrasi antara keahlian engineering dan machine learning juga menjadi penting karena model yang hanya mengandalkan data dapat mengalami kesulitan ketika kondisi operasi berubah atau data yang tersedia terbatas. Model berbasis fisika dan deep-learning surrogate models dapat membantu menggabungkan kecepatan komputasi dengan batasan engineering.
Agentic AI membuka tahap berikutnya
Dalam operasi hulu, banyak pekerjaan terdiri atas rangkaian aktivitas: mendiagnosis anomali, memeriksa riwayat peralatan, mengecek ketersediaan suku cadang, hingga menentukan tindakan. Agentic AI dapat membantu mengorkestrasi rangkaian pekerjaan tersebut. Namun, McKinsey menekankan bahwa penerapannya perlu dilakukan dalam bounded workflows, dengan kontrol yang jelas dan persetujuan manusia pada titik-titik yang penting. Dengan demikian, AI bukan langsung menggantikan manusia, tetapi secara bertahap mengambil alih pekerjaan rutin sementara manusia berfokus pada keputusan dengan nilai dan risiko lebih tinggi.
Pertanyaan strategis berikutnya adalah membangun sendiri atau bekerja sama
Tidak semua teknologi perlu dikembangkan secara internal. Untuk aplikasi yang sudah relatif menjadi komoditas, seperti predictive maintenance pada peralatan berputar atau surveillance produksi standar, penyedia teknologi dengan data dari ribuan instalasi dapat memiliki keunggulan dibandingkan upaya internal satu operator. Sebaliknya, untuk area yang menjadi sumber diferensiasi seperti eksplorasi, model reservoir proprietary, atau trading intelligence, perusahaan dapat memilih membangun sendiri atau mengembangkan teknologi bersama mitra dengan perlindungan terhadap intellectual property.
Dari eksperimen menuju portofolio AI
Pesan utama McKinsey bagi industri hulu migas cukup jelas: era pilot project perlu berakhir dan digantikan oleh portofolio AI yang lebih terfokus. Perusahaan perlu memilih beberapa domain dengan nilai terbesar, menentukan siapa yang bertanggung jawab atas adopsi, memastikan kesiapan data dan teknologi, serta mengubah workflow agar AI menjadi bagian dari proses pengambilan keputusan sehari-hari. Gen AI untuk membuat dokumen, membantu coding, atau procurement memang berguna, tetapi nilai terbesar tetap berada pada peningkatan kinerja operasi.
US$230 miliar bukan sekadar angka teknologi, tetapi peluang transformasi industri
Pada akhirnya, potensi US$230 miliar tersebut tidak akan terealisasi hanya dengan membeli platform AI atau memasang model machine learning di lapangan. Nilai tersebut membutuhkan perubahan yang lebih mendasar, strategi yang memilih sedikit use case bernilai tinggi, workflow yang dirancang ulang, tenaga kerja yang mampu bekerja bersama AI, infrastruktur data yang mendukung operasi otonom, serta model komersial yang membuat operator dan perusahaan jasa sama-sama memperoleh manfaat. McKinsey menyimpulkan bahwa perusahaan yang berhasil bukanlah mereka yang memiliki eksperimen AI paling banyak, melainkan mereka yang mampu mengubah AI menjadi bagian inti dari cara perusahaan menciptakan nilai.
Bagi industri migas, ini berarti AI perlahan bergerak dari ruang inovasi menuju ruang ekonomi. Pertanyaannya bukan lagi apakah AI akan digunakan dalam operasi hulu, melainkan siapa yang paling cepat mengubahnya menjadi peningkatan produksi, penurunan biaya, pengurangan risiko, dan cadangan yang lebih bernilai. Ketika teknologi semakin matang dan operasi mulai bergerak menuju otonomi, perusahaan yang mampu menghubungkan AI dengan keputusan operasional dan insentif komersial berpotensi menjadi pihak yang paling besar menikmati “pay zone” baru dalam industri minyak dan gas.
