Membaca Rancangan Perpres AI 2026: Arsitektur Aturan Sektoral dan

Dalam artikel ini, AI merujuk pada artificial intelligence, yaitu kecerdasan buatan.

AIGEO | Riset dan analisis, 25 Oktober 2026. Fakta, status regulasi, dan skenario dibedakan dalam pembahasan.

Indonesia menyiapkan dua rancangan Perpres tentang Peta Jalan AI Nasional 2026–2029 dan Etika AI. Pada Oktober 2026 Komdigi juga menyampaikan rencana pedoman sektoral untuk kesehatan, pendidikan dan layanan keuangan. Peluang tata kelola ini besar, tetapi efektivitasnya ditentukan perbedaan kewenangan, kesiapan data, kapasitas audit dan kepastian mekanisme pengawasan.

Pertanyaan utama: bagaimana dua rancangan diterjemahkan ke tindakan nyata?

JDIH Komdigi pada 6 Mei 2026 menjelaskan pembahasan lintas kementerian atas dua rancangan Perpres telah diselesaikan pada tahapan tertentu, sebelum penetapan lebih lanjut. Pada 6 Oktober, Wamenkomdigi Nezar Patria menyatakan rancangan masih dalam proses lintas lembaga dan harmonisasi. Pada 19 Oktober, Komdigi kembali menyebut kedua rancangan sedang dipersiapkan. Dengan demikian, hingga tanggal artikel ini, berita resmi yang diperiksa belum memberikan dasar untuk menyebut semuanya sebagai peraturan final yang sudah berlaku.

Kebijakan yang baik harus menjawab siapa berhak menetapkan standar, siapa mengawasi sektor, dan siapa bertanggung jawab ketika AI merugikan warga. Roadmap dapat mengarahkan pengembangan ekonomi, sedangkan kerangka etika menata perilaku pengembang dan pengguna. Namun setiap sektor memiliki karakter risiko dan hukum berbeda. Menggunakan satu daftar prinsip generik tanpa SOP pelaksanaan akan menghasilkan kepatuhan di atas kertas.

Tiga lapis kebijakan: nasional, sektoral dan operasional

Lapis nasional memuat arah strategis: prioritas riset, talenta, infrastruktur, perlindungan warga dan koordinasi pemerintah. Lapis sektoral menerjemahkan kerangka umum untuk kesehatan, pendidikan, keuangan, pelayanan publik dan industri lain. Lapis operasional menentukan siapa memvalidasi model, bagaimana pengguna mengajukan keberatan, kapan manusia harus menyetujui keputusan, serta apa yang dicatat dalam audit.

Komdigi pada 6 Oktober secara eksplisit menyebut pendekatan aturan penggunaan AI berdasarkan karakter sektor. Tidak semua prinsip perlu dimasukkan dalam peraturan baru. Untuk data pribadi, misalnya, sudah ada UU Nomor 27 Tahun 2022; untuk layanan keuangan terdapat tanggung jawab pengawasan sesuai regulator yang ada. Tantangannya adalah menyelaraskan standar dan menghindari tumpang tindih kewenangan.

Kesehatan: ketepatan rata-rata tidak cukup

AI dapat membantu klasifikasi citra, menata antrean dan mendukung riset klinis. Namun penilaian penyakit memerlukan uji klinis yang sesuai, pengawasan tenaga profesional dan kontrol atas dampak kesalahan. Akurasi agregat 95% misalnya belum cukup menjelaskan tingkat false negative untuk kondisi berbahaya atau performa pada fasilitas daerah dengan alat berbeda.

Pedoman sektor kesehatan sebaiknya mengatur peran alat sebagai pendukung, persyaratan validasi pada populasi yang relevan, pencatatan rekomendasi, persetujuan pasien bila diperlukan, serta mekanisme melaporkan insiden. Institusi medis wajib mengetahui apakah vendor menggunakan data pasien untuk melatih model dan bagaimana data tersebut dilindungi. Regulasi harus membedakan sistem administrasi dari alat yang memengaruhi diagnosis atau terapi.

Pendidikan: perlindungan anak dan integritas pembelajaran

SKB Tujuh Menteri pada Maret 2026 mengenai pemanfaatan teknologi digital dan AI di jalur pendidikan menunjukkan kebijakan ini sudah mempunyai dimensi operasional tersendiri. Implementasi koding dan AI dalam pembelajaran juga memiliki pedoman pendidikan yang terpisah. Tetapi mengajarkan AI kepada siswa tidak sama dengan menyerahkan penilaian akademik atau pengawasan disiplin kepada sistem otomatis.

Pedoman perlu menjaga privasi peserta didik, kualitas materi, kesempatan guru memeriksa, serta kemampuan murid memahami keterbatasan model. Ketika AI merangkum jawaban untuk anak, risiko halusinasi serta konten tak sesuai usia harus ditangani. Indikator keberhasilan yang masuk akal ialah kenaikan literasi dan pembelajaran, bukan jumlah akun chatbot yang dibuat sekolah.

Layanan keuangan: mencegah diskriminasi dan keputusan tak terjelaskan

Perbankan dan fintech dapat menggunakan AI untuk deteksi penipuan, pengelompokan transaksi dan layanan konsumen. Namun model yang menilai risiko kredit atau memilih pelanggan berpotensi menimbulkan bias berdasarkan kualitas data dan kondisi ekonomi. Keputusan otomatis yang memengaruhi hak nasabah memerlukan pengujian, pengawasan, dokumentasi, dan jalur keberatan yang sah.

Regulator sektoral juga harus memastikan vendor cloud, aggregator data dan pihak ketiga mempunyai kewajiban keamanan yang jelas. Model yang tampak baik saat pilot dapat mengalami drift ketika perilaku ekonomi berubah. Dalam sistem finansial, keterlacakan keputusan, ketahanan proses serta privasi sama pentingnya dengan akurasi prediktif.

Pelayanan publik: desain hak keberatan

Pemerintah dapat menggunakan AI untuk mencari aturan, merangkum pengaduan dan menata antrean. Namun pemberian bantuan sosial, layanan kependudukan dan keputusan administratif yang mengubah status warga tidak layak diserahkan sepenuhnya kepada model probabilistik. Hak mendapatkan alasan dan mengoreksi kesalahan harus tetap tersedia.

Sistem pemerintah memerlukan dokumentasi data sumber, log perubahan, mekanisme manual ketika sistem gagal, serta pengujian terhadap dialek dan kualitas layanan lintas daerah. Jika pengguna tak memiliki akses internet stabil, layanan alternatif tetap dibutuhkan. Tata kelola AI yang baik tidak boleh memperlebar kesenjangan administratif antara kota besar dan desa.

Peran industri: kepastian hukum dan beban kepatuhan

Perusahaan membutuhkan aturan yang dapat diprediksi untuk menentukan investasi model, cloud dan aplikasi. Jika klasifikasi risiko terlalu kabur, startup kecil menghadapi biaya hukum besar bahkan pada aplikasi rendah risiko. Sebaliknya, aturan terlalu longgar dapat merugikan konsumen dan menurunkan kepercayaan pasar. Pendekatan berbasis tingkat risiko dapat memadukan kemudahan inovasi dan kewajiban ketat bagi sistem yang memengaruhi hak atau keselamatan.

Pemerintah perlu mempertimbangkan pedoman teknis, masa transisi, pengujian regulatory sandbox yang tepat, serta akses konsultasi bagi usaha kecil. Untuk AI open-source, kewajiban penyedia model, perusahaan yang memasang sistem, dan operator yang mengambil keputusan harus dipisahkan. Satu pihak tidak selalu mengendalikan seluruh rantai nilai.

Masalah tanggung jawab: siapa menanggung kesalahan?

Sistem AI sering terdiri atas model asing, aplikasi lokal, basis data pihak ketiga dan pengguna organisasi. Ketika rekomendasi salah, pihak-pihak bisa saling menyalahkan. Peraturan serta kontrak harus menentukan siapa menguji, siapa mengubah data, siapa menyetujui tindakan dan bagaimana bukti disimpan. Jika model pihak ketiga berubah tanpa pemberitahuan, tanggung jawab pengujian ulang juga perlu diputuskan.

Audit trail yang baik merekam versi model, konfigurasi penting, sumber data, keputusan manusia dan tindakan sistem. Namun catatan itu tidak boleh menyimpan informasi sensitif tanpa batas. Perancangan pemrosesan data harus mempertimbangkan hak subjek data, retensi dan akses auditor.

Risiko fragmentasi antarregulator

Kesehatan, pendidikan, keuangan, telekomunikasi dan pemerintahan memiliki regulator serta kemampuan teknis berbeda. Bila setiap sektor menyusun standar evaluasi yang tidak kompatibel, perusahaan yang beroperasi lintas sektor akan membayar kepatuhan berulang. Di sisi lain, menyatukan seluruhnya dalam satu lembaga baru juga berpotensi menambah birokrasi.

Solusi yang layak dipertimbangkan adalah standar minimum lintas sektor—inventaris AI, pengujian keamanan, dokumentasi sumber data, pelaporan insiden, dan kualitas penjelasan—dengan lampiran khusus sesuai dampak sektoral. Laboratorium pengujian, pelatihan auditor dan prosedur rujukan kasus perlu dibangun bersama agar peraturan bisa dijalankan.

Perpres belum final: apa yang boleh dilakukan industri sekarang?

Perusahaan dapat membuat daftar sistem AI, menetapkan pemilik risiko, meninjau perjanjian cloud, memisahkan data sensitif, menguji akurasi, serta mewajibkan persetujuan manusia untuk tindakan kritis. Semua ini adalah tata kelola yang berguna terlepas dari isi akhir Perpres. Namun perusahaan jangan menyatakan telah ‘bersertifikat Perpres AI’ atau tunduk pada sanksi rancangan yang belum berlaku.

Gunakan siklus evaluasi tiga bulanan agar perubahan aturan nasional maupun sektoral dapat dimasukkan dalam SOP. Ketika naskah final diumumkan, bandingkan definisi, klasifikasi risiko, kewajiban pelaporan, otoritas pengawas dan jadwal transisi dengan draft sebelumnya. Ketepatan status hukum adalah syarat dasar komunikasi kepada investor dan publik.

Rekomendasi desain implementasi 2027–2029

Usulan AIGEO: mulai dengan standar pengadaan dan inventaris AI pemerintah; lanjutkan dengan laboratorium evaluasi independen serta pelatihan auditor; susun jalur pengaduan publik; lalu publikasikan laporan tahunan tentang penggunaan AI dan insiden yang relevan. Tahapan tersebut harus terhubung ke pengembangan talenta serta dukungan inovasi lokal.

Pengukuran keberhasilan hendaknya meliputi kesalahan yang berhasil diperbaiki, waktu banding, biaya layanan, ketersediaan auditor dan produktivitas yang dapat dibuktikan. Jumlah peraturan baru bukan indikator keberhasilan tunggal. Aturan AI yang kredibel adalah aturan yang jelas, proporsional, dapat diuji serta tidak menutup akses inovasi bagi organisasi kecil.

Kesimpulan

Dua rancangan Perpres membuka kesempatan menyusun tata kelola AI nasional yang koheren. Namun kebijakan harus diterjemahkan ke standar dan pengawasan sektoral yang dapat dioperasikan. Bagi Indonesia, persoalan terbesar bukan sekadar memilih istilah etika, melainkan memastikan hak warga, kepastian investasi dan kapasitas negara untuk mengaudit teknologi berjalan bersamaan.

Pengujian kebijakan sebelum penerapan nasional

Sebelum standar diterapkan luas, pemerintah dapat mengujinya pada beberapa tipe layanan: sistem pencarian dokumen publik yang rendah risiko, layanan dukungan keputusan internal yang menengah, dan aplikasi yang menyentuh hak warga sebagai kategori tinggi. Perbandingan semacam ini membantu regulator memahami beban dokumentasi, kemampuan audit, serta kesulitan usaha kecil. Pengalaman pengujian harus dicatat dan dipublikasikan dalam bentuk yang tidak membocorkan data rahasia.

Untuk setiap pilot, tentukan konsekuensi kesalahan, pihak yang bertanggung jawab dan jalur pengaduan. Jika rekomendasi model ditolak petugas, penolakan itu perlu menjadi bahan evaluasi, bukan dianggap kegagalan pekerja. Syarat transparansi juga harus proporsional: penjelasan keputusan kepada warga sangat penting, sementara pembukaan kode atau data yang mengganggu keamanan dapat dilakukan melalui audit terkendali. Ukur waktu koreksi serta biaya kepatuhan agar kebijakan tidak hanya menguntungkan pemain bermodal besar.

Pelaksanaan nasional memerlukan anggaran bagi laboratorium uji, peningkatan keahlian petugas, serta dukungan kepada pemerintah daerah. Tanpa kapasitas ini, kewajiban audit berisiko menjadi daftar cek administratif. Indikator berhasil yang lebih baik adalah penurunan kesalahan berdampak serius, tersedianya hak keberatan yang digunakan warga, kepatuhan privasi yang teruji, dan tumbuhnya perusahaan lokal yang mampu menawarkan sistem tepercaya.

Tabel analisis

Sektor	Risiko utama	Kontrol minimum yang disarankan
Kesehatan	Kesalahan klinis, privasi pasien	Validasi populasi dan tanggung jawab dokter
Pendidikan	Data anak, kualitas belajar	Pengawasan guru dan konten sesuai usia
Keuangan	Bias kredit, fraud, sistemik	Audit model, hak koreksi, keamanan vendor
Pemerintah	Hak administratif warga	Alasan keputusan, banding, manual fallback
Industri umum	Keandalan dan rahasia usaha	Inventaris model, logging, izin minimum

Analisis editorial AIGEO; bukan ketentuan hukum baru atau data statistik resmi kecuali disebutkan secara eksplisit.

AIGeo.ID