15.000 Aksi per Jam: Mengapa AI Telekom pada 2026 Bertumpu pada Otomasi RAN, Bukan Klaim Bombastis

15.000 Aksi per Jam: Mengapa AI Telekom pada 2026 Bertumpu pada Otomasi RAN, Bukan Klaim Bombastis

Dalam industri telekom, kisah AI paling meyakinkan pada 2026 bukanlah visi besar di panggung keynote. Yang benar-benar menentukan adalah ketika jaringan aktif mampu memperbaiki gangguan cukup cepat sehingga pelanggan tidak pernah menyadarinya, dan operator tidak perlu mengirim engineer ke lapangan. Nokia menyebut jaringan komersial stc mengeksekusi 15.000 tindakan korektif otonom per jam pada 2025, disertai penurunan gangguan sel sebesar 60% dan kenaikan peak throughput sebesar 10%. Angka-angka seperti inilah yang masuk akal bagi komite keuangan, karena mengarah pada berkurangnya kunjungan teknisi ke lokasi, lebih sedikit sel yang kualitasnya menurun, dan pemanfaatan spektrum yang lebih baik pada jam sibuk. (nokia.com)

Inilah pergeseran nyata yang sedang terjadi ketika operator memasuki fase 5G-Advanced. Anggaran AI kini bergerak ke closed-loop automation: sistem yang mendeteksi kondisi jaringan, memutuskan tindakan, mengeksekusinya, lalu memverifikasi hasilnya tanpa menunggu intervensi manual. Dalam praktiknya, ini berarti penyesuaian parameter RAN, kontrol energi, orkestrasi beban kerja, dan triase maintenance di dalam lingkungan OSS yang sudah ada — bukan klaim luas tentang “self-healing network” yang minim bukti operasional. Pembaruan pasar GSMA Intelligence pada Januari 2026 menyebut deployment penghematan biaya masih mencakup porsi terbesar dari implementasi AI operator, meski sebagian deployment yang lebih baru mulai membidik pendapatan. (gsmaintelligence.com)

Artikel ini menelaah fase AI telekom yang lebih sempit namun lebih operasional: area di mana operator mulai memperoleh hasil infrastruktur yang terukur dalam optimasi jaringan, predictive maintenance, penurunan churn yang terkait dengan pengalaman jaringan, serta efisiensi rollout 5G-Advanced. Pertanyaan intinya sederhana sekaligus keras: use case AI mana yang tetap bertahan ketika berhadapan dengan stack OSS/BSS aktif, RAN multi-vendor, dan target margin operasional?

Ke mana belanja bergerak

Industri ini telah bertahun-tahun membicarakan jaringan otonom. Kini, bukti yang bisa diukur menunjukkan sesuatu yang lebih selektif: AI mendapat pendanaan di area yang mampu memangkas OpEx, melindungi KPI jaringan, atau mempercepat ekspansi 5G dengan sentuhan manusia yang lebih sedikit. GSMA Foundry merangkum posisi sektor ini pada 2025 dengan mencatat bahwa 65% operator telah mengadopsi strategi AI dan 41% masih berada pada tahap awal deployment. Ini membantu menjelaskan mengapa anggaran terkonsentrasi pada kumpulan use case yang lebih kecil dengan bukti yang lebih jelas. (gsma.com)

Pergeseran ini bersifat ekonomi, bukan ideologis. Dalam jaringan seluler, RAN, atau Radio Access Network, sering menyumbang lebih dari 80% penggunaan energi, menurut pernyataan Ericsson pada Maret 2024 terkait kerja samanya dengan Chunghwa Telecom. Jika bagian jaringan yang paling boros daya dan mahal ini dapat diatur dengan AI agar tidur, aktif kembali, atau melakukan konfigurasi ulang secara lebih cerdas, maka business case-nya langsung terlihat. (ericsson.com)

Karena itu, operator semakin memperlakukan AI di telekom sebagai tiga kelas investasi yang terpisah: closed-loop RAN automation untuk kapasitas, cakupan, dan energi; predictive maintenance yang mengurangi kunjungan ke site, meningkatkan kesiapan perbaikan, atau mendeteksi aset yang menurun performanya sebelum terjadi outage; serta analitik retensi pelanggan hanya ketika data masukan berkaitan erat dengan pengalaman jaringan. Janji yang lebih luas tentang self-healing end-to-end masih muncul dalam roadmap, tetapi bukti publik atas imbal hasil dalam skala besar masih jauh lebih tipis.

Bagi operator yang menyusun business case 2026, penyaring paling bersih juga yang paling berat: danai proyek AI yang berada di dalam loop operasional yang sudah ada, mengubah satu pos biaya dalam dua belas bulan, dan dapat diukur terhadap KPI jaringan — bukan hanya akurasi model. Selain itu, proyek semacam itu berisiko berubah menjadi proyek integrasi yang menyamar sebagai inovasi.

Otomasi RAN sedang unggul

Closed-loop automation telah menjadi kisah AI paling kredibel di telekom karena menghubungkan data, keputusan, dan tindakan dengan kendala jaringan yang paling mahal: spektrum, energi, dan operasi lapangan. Closed loop bukan sekadar analitik. Ini adalah sistem kendali di mana software memantau kondisi secara real time, merekomendasikan atau mengeksekusi perubahan, lalu memeriksa apakah hasil yang diinginkan benar-benar tercapai. Dalam operasi RAN, ini bisa berarti menyesuaikan tilt, daya, status sleep, pengaturan handover, atau parameter kemacetan dengan kecepatan mesin.

Kasus stc menonjol tepat karena alasan itu. Dalam solution brief Nokia 2026, jaringan aktif operator tersebut ditampilkan bukan sebagai lingkungan lab, melainkan sebagai jaringan komersial tempat MantaRay AutoPilot menjalankan 15.000 tindakan korektif otonom per jam, memangkas gangguan sel sebesar 60%, dan meningkatkan peak throughput sebesar 10%. Nokia juga menyebut trafik selama Haji pada 2024 tumbuh 40%, sementara sistem otomasi beradaptasi dalam interval pembelajaran 15 menit. Ini adalah angka-angka infrastruktur: outage, throughput, beban trafik, dan tindakan korektif — bukan vanity metrics. (nokia.com)

MasOrange memberi sinyal kedua, meski bukti yang tersedia masih berasal dari pengumuman deployment yang dikeluarkan vendor dan karenanya perlu dibaca dengan kewaspadaan tertentu. Ericsson pada Desember 2025 menyebut MasOrange mengimplementasikan Intelligent Automation Platform miliknya, termasuk SMO, atau Service Management and Orchestration, serta kombinasi rApps untuk optimasi RAN otomatis dan efisiensi energi di jaringan komersial. Detail terpenting di sini bukan bahasa siaran pers, melainkan arsitekturnya. Operator semakin banyak menggunakan SMO dan rApps, aplikasi radio khusus yang dirancang untuk berjalan di atas lapisan manajemen bergaya O-RAN, karena pendekatan ini memungkinkan logika otomasi terhubung ke alur kerja operasional tanpa harus mengganti seluruh stack OSS. Data performa publik langsung dari MasOrange masih terbatas, tetapi pola deployment ini sejalan dengan dorongan yang lebih luas menuju otomasi modular, alih-alih perombakan total end-to-end. (ericsson.com)

Kolaborasi AT&T dengan Ericsson menambah lapisan bukti lain. Ericsson menyatakan program modernisasi jaringan operator tersebut, yang terkait dengan investasi infrastruktur sebesar USD 14 miliar, menghasilkan kenaikan efisiensi energi jaringan tahunan hingga 20% sambil menangani hampir dua kali lipat trafik jaringan melalui Open RAN, Cloud RAN, perubahan software, dan rApps berbasis AI. Karena ini merupakan vendor case study, bukan pelaporan regulator, klaim tersebut tidak seharusnya dibaca sebagai laporan penghematan yang telah diaudit. Namun, ini tetap menjadi salah satu contoh publik yang lebih jelas tentang AI yang dilebur ke dalam program infrastruktur yang lebih besar, bukan dijual sebagai keajaiban yang berdiri sendiri. (ericsson.com) (about.att.com)

Dengan demikian, use case terkuat pada 2026 bukanlah “AI-RAN” sebagai slogan. Melainkan otomasi RAN yang terikat pada control plane yang jelas, serangkaian keputusan frekuensi tinggi yang sempit, dan jalur rollback. Jika sebuah organisasi tidak dapat menjelaskan parameter jaringan mana yang akan disesuaikan, seberapa sering, oleh policy engine yang mana, dan melalui antarmuka OSS yang mana, maka proyek itu belum siap di-deploy.

Energi menawarkan ROI paling jelas

Jika ada satu area yang sudah memiliki cukup bukti untuk membentuk keputusan di tingkat dewan, area itu adalah manajemen energi berbantuan AI. Operator tidak memerlukan narasi keberlanjutan yang abstrak untuk membenarkannya. Listrik adalah biaya operasional langsung, dan densifikasi 5G meningkatkan tekanan pada daya site, pendinginan, dan efisiensi radio bahkan sebelum 5G-Advanced menambah kompleksitas baru.

Kerja Telefónica dalam optimasi energi menunjukkan argumen itu sejak awal. Pada 2022, operator tersebut menyebut pengujian Radio Deep Sleep Mode milik Ericsson dalam deployment 5G di Madrid menunjukkan optimasi konsumsi energi jaringan antara 8% hingga 26%. Konsepnya sederhana: selama periode trafik rendah, software dapat mematikan sebagian perangkat radio, carrier, sektor, atau sel, lalu mengaktifkannya kembali ketika permintaan meningkat. AI dan machine learning meningkatkan ketepatan waktunya sehingga jaringan dapat menghemat energi tanpa secara nyata menurunkan pengalaman pelanggan. (telefonica.com)

Chunghwa Telecom melaporkan hasil yang bahkan lebih kuat. Ericsson pada Maret 2024 menyebut solusi Service Continuity berbasis AI miliknya menghasilkan penghematan energi hingga 34% di jaringan Chunghwa dengan memprediksi beban dan mengotomatisasi tindakan energi seperti deep sleep mode. Sekali lagi, ini adalah bukti yang disediakan vendor, tetapi tetap bermakna secara operasional karena menghubungkan keluaran AI langsung ke satu pos biaya jaringan. (ericsson.com)

Uji coba Vodafone UK pada 2025 memberi gambaran ke mana kelas use case ini bergerak selama rollout 5G-Advanced. Ericsson menyebut uji coba tersebut menggabungkan 5G Deep Sleep, orkestrasi 4G Cell Sleep Mode, dan Radio Power Efficiency Heatmap untuk memprediksi dan mengoptimalkan konsumsi energi, dengan deep sleep menghemat hingga 70% konsumsi energi pada jam-jam trafik rendah untuk radio dalam skenario yang diuji. Istilah “uji coba” penting di sini: ini adalah bukti kapabilitas, belum menjadi bukti penghematan komersial dalam skala penuh di seluruh jejak nasional. Namun, ini menjelaskan mengapa operator terus mendanai aplikasi energi lebih dulu dibanding gagasan AI yang lebih mencolok. Data masukannya melimpah, himpunan tindakannya jelas, dan model payback-nya lebih mudah dipertahankan. (ericsson.com)

Pelajaran praktisnya adalah memperlakukan otomasi energi sebagai persoalan urutan eksekusi, bukan proyek sains. Mulailah dari kontrol sleep dan wake yang berisiko rendah di site dengan pola trafik turun yang bisa diprediksi, lalu hubungkan ke guardrail seperti dropped-call rate, accessibility, dan ambang kemacetan. Pemenangnya bukan operator dengan model AI terbanyak. Pemenangnya adalah operator yang mampu membuktikan penghematan kilowatt-hour tanpa harus mengirim engineer untuk membereskan dampak keputusan kebijakan yang buruk.

Maintenance harus mengurangi dispatch

Predictive maintenance telah dipasarkan di telekom selama bertahun-tahun, sering kali terlalu longgar. Pada 2026, pembeda yang berguna adalah antara sistem yang menghasilkan alert menarik dan sistem yang benar-benar mengurangi pekerjaan lapangan, meningkatkan kualitas perbaikan, atau mencegah penurunan layanan. Kelompok kedua inilah yang akhirnya mulai menunjukkan bukti.

O2 Telefónica Germany memberikan salah satu contoh publik paling jelas pada Juni 2024. Operator tersebut menyebut software analisis cerdasnya membantu menghindari lebih dari 10.000 perjalanan teknisi dalam dua belas bulan dan menghemat sekitar 1 juta kilometer perjalanan. Sistem ini menarik informasi dari database jaringan, mengidentifikasi kemungkinan gangguan di lokasi, memberi tahu teknisi perangkat keras dan pengetahuan apa yang mereka perlukan sebelum berangkat, dan semakin mampu mendeteksi gangguan lebih awal sebagai bagian dari predictive maintenance. Ini bukan AI yang glamor. Ini adalah optimasi dispatch yang terhubung ke prediksi maintenance, dengan implikasi yang sangat jelas terhadap pemanfaatan tenaga kerja dan waktu pemulihan site. (telefonica.de)

Case study TM Forum milik operator tersebut menambahkan kerangka operasional yang lebih luas: Telefónica Germany menggambarkan upaya ini sebagai pergeseran dari maintenance reaktif menuju operasi prediktif dengan closed-loop control, meningkatkan mean time to repair, atau MTTR, serta ketersediaan jaringan. Detail publik mengenai besaran pasti perbaikan MTTR memang masih terbatas, tetapi arahnya konsisten dengan hasil pengurangan dispatch di atas. (info.tmforum.org)

Kasus Türk Telekom dari GSMA Foundry memberi contoh konkret lain. Menurut ringkasan case study Januari 2026, sistem AI dan computer vision yang diterapkan di 200 site awal menurunkan waktu inspeksi manual harian dari 14 jam menjadi 15 menit, atau penurunan 98%, sekaligus meningkatkan akurasi inventaris dan memberi masukan visual maupun operasional bagi model predictive maintenance. Karena halaman sumbernya tidak sepenuhnya dapat diakses melalui open fetch dalam lingkungan ini, praktisi sebaiknya memperlakukan ini sebagai ringkasan kasus GSMA, bukan dokumen primer yang sepenuhnya dapat diperiksa. Meski demikian, kasus ini tetap penting karena menghubungkan predictive maintenance dengan satu bottleneck operasional yang masih sering diabaikan operator: visibilitas ruang site. (gsma.com)

Predictive maintenance seharusnya tidak didanai hanya berdasarkan janji “menemukan anomali”. Pendanaan layak diberikan ketika teknologi itu secara terukur mengubah ekonomi perbaikan: lebih sedikit kunjungan teknisi ke lapangan, tingkat first-time fix yang lebih baik, MTTR yang lebih singkat, atau lebih sedikit waktu outage tak terencana. Jika AI untuk maintenance tidak mengubah logika dispatch atau persiapan suku cadang, besar kemungkinan ia masih sekadar pilot analitik.

Churn hanya berarti jika bertumpu pada data jaringan

Penurunan churn layak masuk dalam pembahasan ini, tetapi hanya dalam bentuk yang sempit. Terlalu banyak narasi AI telekom masih memperlakukan churn sebagai persoalan otomasi pemasaran, padahal di pasar seluler yang matang, churn kerap merupakan masalah kualitas layanan yang dibungkus dalam konteks komersial. Operator yang benar-benar mendapatkan nilai di sini bukan sekadar memprediksi siapa yang mungkin pergi; mereka memisahkan pelanggan yang ketidakpuasannya bisa diselesaikan dengan sebuah penawaran dari pelanggan yang masalahnya berakar pada performa radio, gangguan berulang, atau kemacetan lokal yang kronis.

Bukti publik di area ini lebih tipis dibanding optimasi RAN atau maintenance, dan justru itu yang mengungkap banyak hal. Case study TM Forum tentang transformasi OSS Taiwan Mobile melaporkan churn pelanggan turun 30% setelah operator tersebut menggabungkan analitik AI, otomasi layanan, dan modernisasi OSS. Namun, kasus itu berasal dari 2020, sebelum siklus investasi 5G-Advanced saat ini, dan hasilnya menggabungkan beberapa intervensi sekaligus alih-alih mengisolasi berapa porsi perbaikan churn yang secara spesifik berasal dari insight AI berbasis jaringan. Ini menunjukkan bahwa data operasi dapat memengaruhi retensi, tetapi belum memberikan tolok ukur kontemporer yang bersih bagi operator di Eropa atau Amerika Utara yang sedang mengelola portofolio 5G multi-merek. (inform.tmforum.org)

Pengungkapan operator yang lebih baru justru informatif dengan cara berbeda. Pembaruan strategi Orange pada Maret 2026 menyatakan target perbaikan churn hingga 3 poin di negara-negara Eropa pada 2028, didukung asisten digital berbasis AI, mekanisme loyalitas, dan program pengalaman pelanggan yang lebih luas. Itu adalah target yang bermakna di level dewan, tetapi tetap merupakan ambisi strategis, bukan bukti yang dapat diatribusikan secara langsung. Ini juga menyoroti persoalan pelaporan yang umum: begitu inisiatif churn mencampur AI contact center, pengelolaan penawaran, layanan digital, dan perbaikan kualitas jaringan, rantai kausalnya menjadi kabur. Investor mungkin menerima tujuan agregatnya; operator yang sedang mengalokasikan anggaran AI seharusnya tidak. (orange.com)

Bagi praktisi, garis pembeda yang sesungguhnya adalah apakah analitik churn menggabungkan BSS dan OSS pada tingkat keputusan, bukan sekadar pada tingkat dashboard. BSS, atau Business Support Systems, memuat profil pelanggan, masa berlangganan, billing, tarif, perangkat, dan riwayat penawaran. OSS, atau Operations Support Systems, memuat alarm, topologi, performance counter, riwayat tiket, catatan penurunan layanan, dan data quality-of-experience menurut sel, klaster, atau geografi. Model yang dibangun terutama dari masa berlangganan, ARPU, dan respons promosi biasanya hanya akan mengoptimalkan diskon. Model yang juga melihat kegagalan handover berulang, sesi yang terputus, SINR rendah yang kronis, paparan outage di lingkungan sekitar, atau tiket perbaikan yang belum terselesaikan dapat mengidentifikasi kasus ketika intervensi yang tepat bukan kredit retensi, melainkan perbaikan jaringan. Pembedaan ini penting karena menyelamatkan pelanggan dengan diskon sambil membiarkan masalah radio tetap ada hanya memindahkan biaya dari churn ke erosi margin.

Bagi operator yang mengendalikan anggaran jaringan sekaligus anggaran komersial, penurunan churn seharusnya dibangun di atas kohort kualitas layanan, bukan propensity score yang generik. Pisahkan pelanggan setidaknya ke dalam tiga kelompok: mereka yang paling tepat ditangani lewat penawaran, mereka yang memerlukan intervensi layanan, dan mereka yang berada di zona cakupan atau kapasitas yang secara struktural lemah sehingga belanja retensi seharusnya bergantung pada rencana remediasi yang memiliki tenggat jelas. Dalam banyak kasus, tindakan retensi terbaik bukan diskon. Melainkan perbaikan RAN, penambahan kapasitas, atau dispatch maintenance yang diarahkan ke klaster penyebab keluhan.

5G-Advanced menaikkan standar

Kedatangan 5G-Advanced membuat AI menjadi kurang opsional sekaligus kurang romantis. Ketika operator memperkenalkan konfigurasi carrier yang lebih padat, manajemen daya yang lebih dinamis, optimasi uplink, dan fitur RAN yang makin ditentukan oleh software, jumlah keputusan meningkat lebih cepat daripada jumlah personel atau waktu engineering. Ini mengubah uji ROI. Pertanyaannya bukan lagi apakah AI dapat menghasilkan insight, melainkan apakah AI dapat menyerap volume keputusan operasional berlatensi rendah yang terus bertambah dengan biaya yang cukup rendah untuk menjaga ekonomi 5G tetap sehat.

Itulah sebabnya belanja operator yang serius kini mengelompok di sekitar AI sebagai peningkatan control layer, bukan arsitektur moonshot. Pengumuman AI-RAN Nokia pada Maret 2025 bersama KDDI, SoftBank, T-Mobile US dan mitra lain membingkai inisiatif itu di sekitar tujuan praktis, termasuk menurunkan biaya terkait jaringan 5G dan konsumsi daya melalui otomasi. Intinya bukan pada branding konsorsium. Intinya adalah bahwa bahkan bahasa publik dari operator besar dan pemasok kini berakar pada biaya, daya, dan otomasi operasional, bukan lagi pada janji lama tentang jaringan sepenuhnya otonom yang hadir sekaligus. (nokia.com)

Gesekannya bersifat operasional, bukan konseptual. Dalam jaringan aktif, counter dapat bergeser setelah upgrade software, topologi berubah selama modernisasi, vendor membuka antarmuka manajemen yang berbeda-beda, dan setiap tindakan otomatis harus lolos kebijakan change control serta guardrail dampak pelanggan. Sebuah model yang tampak impresif dalam uji coba terkontrol bisa menjadi tidak menarik secara ekonomi begitu integrasi OSS, observability, logika rollback, dan pengujian lintas vendor ditambahkan. Itulah sebabnya closed loop yang sempit berkembang lebih cepat daripada klaim luas soal deteksi anomali dan “self-healing”. Yang pertama dapat diikat pada himpunan tindakan yang terbatas dan delta KPI yang terukur; yang kedua sering runtuh menjadi penanganan pengecualian yang mahal.

Hasil yang paling mungkin dalam 18 bulan ke depan bukanlah lompatan dramatis menuju otonomi umum, melainkan jurang yang semakin lebar antara operator yang mampu mengoperasionalkan loop kecil dengan baik dan operator yang terus membeli narasi AI yang terlalu luas. Menjelang akhir 2027, deployment tier-one yang paling kuat kemungkinan akan menunjukkan otomasi rutin dalam manajemen energi, optimasi parameter, dan triase maintenance di jaringan komersial, dengan adopsi yang diukur dari pergerakan KPI yang berulang dan dampak OpEx — bukan dari jumlah demo. Self-healing yang digeneralisasi kemungkinan masih akan lebih banyak hadir dalam domain yang dibatasi: pustaka gangguan yang terbatas, lingkungan vendor tertentu, atau kelas layanan yang didefinisikan dengan ketat. Ini bukan kekecewaan. Inilah biasanya rupa industrialisasi ketika hype digantikan oleh ekonomi infrastruktur.

Di bawah 5G-Advanced, setiap proposal jaringan berbasis AI seharusnya menghadapi uji alokasi modal yang sama seperti fitur infrastruktur lain, dengan pelaporan wajib mengenai pergerakan KPI, biaya integrasi OSS/BSS, desain rollback, kepemilikan operasional, dan dampak OpEx dalam dua belas bulan. Jika sebuah proposal tidak dapat menjelaskan loop keputusan, domain target, jalur override manusia, dan unit economics-nya, proposal itu tidak seharusnya lolos pengadaan. Dukung sistem yang menjaga sel tetap aktif, teknisi tetap di jalan sesedikit mungkin, dan ekonomi 5G tetap terkendali.