Isyarat nyata MWC 2026: AI-native 6G bersifat operasional, bukan hanya wacana arsitektural
Di MWC 2026, bingkai paling ramai tentang AI-native 6G bukanlah “lebih banyak kecerdasan”, melainkan ritme rekayasa yang berbeda: jaringan yang terus-menerus menjalankan model lifecycle AI di dalam sistem, bukan sekadar memperbaiki model secara berkala lewat siklus-siklus peningkatan yang dilakukan di luar jaringan.
Pesan MWC Ericsson mengaitkan kesiapan 6G dengan pergeseran dari jaringan yang “self-optimize secara real time” menuju jaringan yang beroperasi sebagai sistem cerdas. Artinya, telemetri, inferensi, pelatihan, dan orkestrasi menjadi bagian inti dari operasi jaringan—bukan proyek analitik sidecar yang menyusul.
Perubahan ini penting karena mengubah apa yang harus dibeli, diukur, dan tata kelolanya oleh operator. Upaya optimasi konvensional berfokus pada kapasitas dan cakupan: radio baru, operator seluler baru, kepadatan lokasi yang lebih tinggi, serta kebijakan penjadwalan yang makin baik. Dalam dunia AI-native 6G, kontrol tersebut menjadi keluaran dari AI workflows yang memerlukan model operasi sendiri: pengumpulan data di radio edge, penerapan dan validasi model di beberapa lapisan, serta rollback yang aman ketika perilaku di dunia nyata bergeser.
“Rekayasa” menjadi tak terpisahkan dari “machine learning operations”, kecuali lingkungan runtime-nya kini melekat pada rangkaian RAN/transpor/packet core.
Kerangka waktu Ericsson tentang AI-native 6G juga menambatkan isu ini pada standardisasi dan urutan peluncuran, bukan pada visi masa depan yang kabur. EE Times melaporkan Ericsson menargetkan standardisasi penuh pada 2029, sekaligus menempatkan transisi 5G Standalone sebagai batu pijakan—sehingga pengumuman AI-native 6G saat ini perlu dibaca sebagai roadmap untuk bagaimana siklus pembangunan berikutnya akan mengoperasionalkan manajemen siklus hidup ML.
(Ericsson – Get ready for 6G (MWC 2026); EE Times – At MWC, Ericsson Details AI-Native 6G Timeline)
Pergeseran operasional ini dapat diringkas dalam satu kalimat: AI-native 6G mengubah “optimasi jaringan” menjadi “operasi siklus hidup model jaringan”—secara terus-menerus.
Apa yang dimaksud “operasi siklus hidup model yang berlangsung terus-menerus” di dalam RAN
Untuk menilai penerapan AI-native 6G, operator perlu mengubah slogan menjadi diagram siklus hidup yang dapat dipraktikkan: kumpulkan → beri label/agregasi (bila diperlukan) → latih (di mana komputasi tersedia) → validasi → terapkan → pantau → latih ulang/majukan model—dan melakukannya cukup cepat agar model tetap selaras dengan kondisi radio yang berubah, pola lalu lintas, dan perilaku perangkat.
3GPP sudah menegaskan bahwa AI/ML manajemen di sisi jaringan adalah persoalan siklus hidup, bukan sekadar urusan penerapan. 3GPP mendeskripsikan pekerjaan spesifikasi untuk kerangka kerja manajemen dan orkestrasi AI/ML yang bersifat independen domain, mencakup keseluruhan siklus hidup workflow AI/ML: pelatihan model, validasi, pengujian, emulasi, penerapan, dan eksekusi inferensi.
(3GPP – Engineering intelligence: Shaping AI/ML management for the 5G System; 3GPP – AI/ML for NG-RAN & 5G-Advanced towards 6G)
Dalam konteks telekomunikasi, tahap “kumpulkan” di radio edge bukanlah telemetri yang sederhana. Ini adalah measurement substrate yang memberi makan keputusan segera maupun pembaruan model untuk horizon yang lebih panjang. Implikasi inferensi di tepi adalah: sinyal radio (dan fitur turunan) harus dicapture dengan ketelitian yang cukup untuk prediktif—namun juga harus ditata dengan disiplin agar dapat diaudit dan aman.
Jika model dilatih menggunakan data dari edge, operator perlu mampu menjelaskan: data apa yang digunakan, apa yang berubah antar-versi, dan apakah training pipeline memperkenalkan bias, kebocoran (leakage), atau mode kegagalan yang senyap. Di sinilah “operasional” berarti: bukan hanya akurasi, tetapi akuntabilitas proses.
Karena itu, AI-RAN kian sering dipresentasikan sebagai kombinasi komputasi terdistribusi + analitik terdistribusi + kecerdasan terdistribusi. Misalnya, pesan produk Nokia untuk NWDAF menggambarkan arsitektur yang mengumpulkan data dari fungsi-fungsi jaringan 5G Core dan menjalankan analitik jaringan untuk otomasi closed-loop. Arsitektur ini menargetkan latensi rendah/ultra-rendah pada edge instance, serta instance terpusat untuk pelatihan berkelanjutan model AI/ML melalui model repository.
(Nokia – Nokia AVA NWDAF; Nokia – Nokia AVA NWDAF: analytics at edge and continuous training)
Bagi operator, pertanyaan inti menjadi: di mana siklus hidup dijalankan? Dalam AI-native 6G, tahap siklus hidup terbagi lintas lapisan:
- inferensi edge dekat RAN untuk responsivitas (misalnya keputusan penjadwalan/kontrol),
- pelatihan terpusat atau regional untuk beban komputasi yang lebih berat,
- serta fungsi orkestrasi yang mengoordinasikan versi model, rollout window, dan sinyal pemantauan.
Pengumuman di MWC 2026 kerap menyorot demo komputasi, tetapi pembeda operasionalnya justru terletak pada pemisahan siklus hidup dan kontrak orkestrasi yang memastikan inferensi di edge tetap konsisten dengan masukan pelatihan.
Data pipeline di radio edge: apa yang dikumpulkan (dan mengapa auditabilitas menjadi batasan desain)
Jika AI-native 6G bersifat terus-menerus, maka data pipeline juga pada dasarnya harus terus-menerus. Radio edge berubah menjadi lapisan sensor sekaligus input generator untuk workflow ML. Dibutuhkan tiga sifat pipeline yang tidak selalu dianggap “kelas utama” oleh tim analitik telekomunikasi—dan, yang terpenting, sebagai artefak yang bisa diverifikasi, bukan praktik baik yang hanya diasumsikan:
- Ketertelusuran fitur ke versi model (lineage sebagai indeks kelas utama, bukan sekadar dokumentasi).
Operator perlu tahu pengukuran (dan fitur turunan) apa yang memberi makan versi model tertentu agar regresi dapat dideteksi. Pertanyaan pengadaan bukan “apakah mendukung lineage”, melainkan apakah dapat diproduksi saat diminta: untuk setiap permintaan inferensi, bisakah sistem kelak membuktikan kode/konfigurasi ekstraksi fitur, skema pengukuran, parameter normalisasi, dan hash artefak model yang digunakan?
3GPP membingkai manajemen AI/ML mencakup pelatihan, validasi, pengujian, emulasi, penerapan, dan eksekusi inferensi. Ini menyiratkan sistem harus menjaga ketertelusuran siklus hidup end-to-end—bukan hanya di level model, melainkan juga pada data/feature-contract.
(3GPP – Engineering intelligence: Shaping AI/ML management for the 5G System)
- Akses berbasis peran dan policy gating untuk “konsumen data” (siapa melihat apa, dan kapan).
Arsitektur bergaya NWDAF menempatkan keluaran analitik untuk konsumen yang berwenang serta otomasi closed-loop. Maka, jejak audit (audit trail) harus mencerminkan batas otorisasi—bukan hanya akurasi model. Pemosisian Nokia untuk AVA NWDAF menekankan analitik yang disalurkan kepada konsumen data yang sah, dengan otomasi closed-loop.
Secara praktis, operator perlu meminta pipeline menghasilkan keluaran yang diberlakukan kebijakan (misalnya fitur mentah vs fitur teragregasi, tampilan per layanan, serta dataset yang masa retensinya dibatasi) dan sistem mencatat keputusan kebijakan sebagai bagian dari catatan siklus hidup. Tanpa itu, operator tidak bisa membedakan apakah “model memburuk karena perilaku radio berubah” atau “dataset pelatihan berubah karena kebijakan/akses berubah”.
- Kontrol keamanan yang selaras dengan siklus hidup ML (artefak model bagian dari trust boundary).
Dalam sistem siklus hidup, “keamanan” tidak lagi semata enkripsi lalu lintas dan kontrol akses. Ia mencakup keamanan supply chain untuk artefak model, integrity checks untuk inferensi/runtime, serta mekanisme rollback yang aman ketika model berperilaku tidak terduga pada kondisi radio baru.
Operator perlu mendorong vendor menentukan primitif keamanan yang terlibat pada peralihan siklus hidup: signing/attestation untuk artefak model, integrity checks untuk modul ekstraksi fitur, dan semantik rollback yang menjamin control loop dapat kembali ke kebijakan/konfigurasi yang sudah teruji ketika kepercayaan inferensi runtuh atau distribusi telemetri bergeser.
Di titik ini, risiko vendor lock-in mulai tampak sebagai persoalan operasional, bukan sekadar soal kontraktual. Jika satu-satunya masukan yang layak untuk pipeline pelatihan model adalah toko telemetri/fitur milik vendor secara eksklusif, operator akan “terkunci” ke mekanisme lifecycle vendor itu—bukan hanya ke radio atau versi perangkat lunaknya.
Karena itu, “kerangka evaluasi” yang seharusnya dipakai pada demo bergaya MWC bukan “seberapa akurat model pada demo terkendali”, melainkan “apa data lineage, primitif versioning, kebijakan retensi, dan audit hooks untuk setiap tahap siklus hidup—terutama dalam skenario rollback dan perubahan kebijakan”.
Inferensi + penjadwalan pelatihan lintas RAN dan transpor: pengungkit CapEx/OpEx yang tersembunyi
Peningkatan jaringan konvensional sering kali menjadi cerita kapasitas: efisiensi spektrum lebih tinggi, throughput lebih besar, lebih banyak lokasi, dan penyesuaian dimensi transport. AI-native 6G menambahkan masalah penjadwalan kedua: kapan dan di mana komputasi berjalan (untuk inferensi vs pelatihan), serta bagaimana workloads tersebut berbagi CPU/GPU/akselerator dengan tugas RAN/transpor.
Intel mengaitkan inferensi AI lebih dekat ke network edge untuk mengoptimalkan arus lalu lintas, mengurangi kemacetan, dan memperbaiki kualitas sinyal secara real time—seraya membingkainya sebagai rekayasa ulang ekosistem agar bisa diskalakan tanpa kompleksitas “rip-and-replace”.
(Intel Newsroom – AI + Mobile Networks at MWC 2026)
Liputan roadmap berbasis MWC terkait juga menekankan evolusi 6G memerlukan daya komputasi terdistribusi dan ekosistem kemitraan untuk mempercepat kesiapan penerapan AI-native—bukan upgrade monolitik.
(EE Times – At MWC, Ericsson Details AI-Native 6G Timeline; Ericsson – Ericsson and Intel collaborate… (MWC momentum))
Untuk OpEx, kenyataan operasionalnya meliputi:
- inferensi edge yang dapat meningkatkan biaya menjalankan komputasi terkait RAN secara terus-menerus (seringkali di banyak lokasi),
- pelatihan yang berpotensi menjadi pos anggaran berulang jika model memerlukan penyegaran yang relatif sering,
- serta orkestrasi dan observability sebagai fungsi “production engineering” yang berjalan terus.
Sementara untuk CapEx, penentuan skala bergeser: operator mungkin perlu menambah kepadatan komputasi di lokasi edge lebih cepat daripada rencana awal mereka, bahkan jika radio masih “seadanya” sebagai radio. Pada sebagian strategi penerapan, pelatihan mungkin lebih jarang (dalam batch windows), tetapi dalam visi siklus hidup yang terus-menerus, operator harus merencanakan gerbang validasi yang rutin dan rollout cycles yang aman.
Yang sering absen dalam kebanyakan demo adalah kontrak penjadwalan: kebijakan penempatan (placement policy) yang menjamin kinerja RAN/transpor tetap terjaga meskipun workload ML “sedang sibuk.” Dengan kata lain, inferensi dan pelatihan bukan sekadar layanan tambahan; ia menjadi tetangga yang bersaing untuk komputasi, memory bandwidth, dan jatah latensi.
Pertanyaan penjadwalan yang seharusnya diajukan operator kepada vendor
Di MWC 2026, vendor tentu akan mendemokan “AI yang sedang bekerja”. Namun penjadwalan adalah tempat arsitektur menjadi terukur. Operator perlu meminta jawaban dalam bentuk jaminan tingkat layanan dan kontrol placement/isolation—bukan hanya diagram arsitektur:
- Berapa anggaran latensi inferensi end-to-end (termasuk waktu ekstraksi fitur) dan bagaimana distribusinya (p50/p95/p99) saat beban normal maupun saat terjadi kemacetan?
- Apa mekanisme isolasi komputasi di edge (misalnya cgroup/VM/pemisahan partisi akselerator), dan apa yang terjadi ketika anggaran terlampaui—apakah inferensi ditolak, masuk antrean, atau mengalami degradasi bertahap (graceful degradation)?
- Bagaimana sistem membatasi (throttle) atau mengisolasi workload inferensi ketika beban RAN/transpor melonjak, dan bagaimana tindakan pembatasan itu dicatat sebagai peristiwa siklus hidup?
- Berapa ritme pelatihan (misalnya harian/mingguan/bulanan atau pemicu berbasis peristiwa), metrik telemetri apa yang memicu training run, serta acceptance gates apa yang harus lulus sebelum model dipromosikan?
- Bagaimana lapisan orkestrasi menangani penerapan parsial lintas sel, zona, atau wilayah—dan apakah ada pemicu rollback yang didefinisikan berdasarkan KPI radio (bukan hanya akurasi model yang bersifat generik)?
Tanpa jawaban-jawaban itu, operator tidak sedang membeli jaringan AI-native—melainkan membeli fitur AI yang sekali jadi.
Implikasi CapEx/OpEx bagi operator dan profil risiko vendor lock-in
AI-native 6G mengubah profil risiko pengadaan operator dalam setidaknya tiga cara.
1) Komputasi dibayar dua kali—hingga siklus hidup dioptimalkan
Bahkan bila perangkat keras radio stabil, komputasi inferensi di edge tetap harus tersedia agar model dapat berjalan secara real time. Intel menekankan framing “AI inference running in live mobile networks” pada MWC 2026 yang mengisyaratkan inferensi diharapkan menjadi operasional, bukan sekadar teoritis.
(Intel Newsroom – AI + Mobile Networks: What’s Next at MWC 2026)
2) Kepemilikan pipeline data dapat menjadi lock-in
Jika pengukuran edge yang dipakai untuk pelatihan dan evaluasi hanya tersimpan dalam pipeline milik vendor, operator kehilangan daya ungkit atas portabilitas model dan transparansi evaluasi. Risiko ini makin nyata bila siklus hidup model menjadi safety-critical control loop ketimbang optimasi yang sifatnya best-effort.
3) Keamanan/auditabilitas adalah kebutuhan pengadaan, bukan renungan kepatuhan belakangan
Dalam sistem siklus hidup yang berkelanjutan, auditabilitas harus mencakup:
- lineage data masukan,
- versioning pelatihan,
- keputusan penerapan,
- metrik runtime,
- serta peristiwa rollback.
3GPP secara tepat mengarah pada kelengkapan lifecycle semacam ini lewat framing manajemen AI/ML: bukan hanya menspesifikkan eksekusi inferensi, tetapi mekanisme orkestrasi untuk tahap lifecycle end-to-end.
(3GPP – Engineering intelligence: Shaping AI/ML management for the 5G System)
Lima pemeriksaan evaluasi yang dapat dipakai operator untuk penerapan AI-native 6G (berangkat dari pesan MWC 2026)
Pesan modernisasi operator di MWC 2026 cenderung optimistis; yang kurang adalah operator checklist yang bisa diulang. Dengan berangkat pada bagaimana Ericsson, 3GPP, dan arsitektur NWDAF mendeskripsikan operasi AI-native, operator bisa pressure-test penawaran vendor lewat pemeriksaan berikut:
- Uji kelengkapan siklus hidup:
Pastikan solusi mendukung pelatihan/validasi/pengujian/emulasi/penerapan/eksekusi inferensi—bukan hanya inferensi. (Framing lifecycle 3GPP eksplisit.)
(3GPP – Engineering intelligence: Shaping AI/ML management for the 5G System)
- Kejelasan pemisahan edge vs terpusat:
Minta pembagian data dan komputasi yang konkret antara inferensi edge dan pelatihan berkelanjutan terpusat—sejalan dengan konsep arsitektur edge/central gaya NWDAF.
-
Rencana penjadwalan dan isolasi:
Tuntut detail bagaimana workload inferensi dijadwalkan berdampingan dengan fungsi RAN/transpor, termasuk perilaku throttling/isolation saat beban meningkat. -
Jejak audit model/version:
Tuntut lineage: pengukuran apa, versi model apa, deployment change window apa, dan metrik runtime mana yang berkorespondensi dengan setiap peristiwa lifecycle. -
Peta jalan selaras standardisasi:
Kaitkan pengadaan ke timeline kesiapan AI-native 6G yang dinyatakan vendor. EE Times melaporkan Ericsson menargetkan standardisasi penuh pada 2029, sambil menempatkan transisi 5G Standalone sebagai bagian dari jalur tersebut.
(EE Times – At MWC, Ericsson Details AI-Native 6G Timeline)
Pemeriksaan ini menjaga percakapan tetap berada di realitas rekayasa operasional: pipeline data, kontrak penjadwalan, dan audit hooks.
Contoh kasus dunia nyata: pola arsitektur terbuka dan analitik “edge-to-center” yang makin menjadi operasional
Perdebatan konseptual tentang jaringan AI-native menjadi nyata ketika melihat penerapan dan uji coba yang terdokumentasi. Berikut contoh-contoh konkret dengan hasil dan kronologi.
Kasus 1: Telenet (Belgia) bergerak menuju cloud-native 5G core dengan Google Anthos
Telenet memilih Google Anthos dan Nokia untuk penerapan cloud-native 5G Standalone core, dengan memasukkan langkah modernisasi ke dalam pendekatan yang berorientasi pada public cloud. Walaupun ini bukan “AI-native 6G” secara penuh, relevansi langsungnya adalah ia menetapkan kondisi platform untuk orkestrasi yang lebih kompleks di kemudian hari—cloud-native core sering menjadi execution substrate bagi otomasi closed-loop dan fungsi analitik.
Mengapa ini menjadi jangkar argumen: operasi lifecycle memerlukan orkestrasi yang stabil dan koherensi control plane; penerapan core cloud-native mengurangi gesekan untuk menyisipkan lapisan manajemen analitik/AI.
Kasus 2: Model OREX SAI milik NTT DOCOMO—paket open RAN untuk deployment global
NTT DOCOMO dan NEC berencana membentuk OREX SAI untuk menyediakan paket OREX guna deployment open RAN secara global, dengan timeline yang dimulai sejak 1 April 2024. DOCOMO menekankan fleksibilitas operasional (kebebasan memilih, biaya operasional lebih rendah) serta memposisikan kesiapan open RAN sebagai jalur untuk menyusul laju evolusi teknologi.
(NTT DOCOMO – DOCOMO and NEC to Establish “OREX SAI” Joint Venture (Press Release, Feb 26, 2024))
Mengapa ini menjadi jangkar argumen: AI-native 6G memperketat risiko integrasi lintas vendor. Pendekatan open yang dibungkus dalam paket dapat mengurangi lock-in dan mempercepat integrasi—sehingga operasi lifecycle menjadi lebih adaptif ketika model dan tumpukan komputasi berkembang.
Kasus 3: Nokia AVA NWDAF memposisikan split analitik edge/terpusat untuk otomasi closed-loop dan pelatihan berkelanjutan
AVA NWDAF milik Nokia menjelaskan arsitektur dengan instans edge dan instans terpusat: edge untuk analitik latensi rendah/ultra-rendah dan terpusat untuk use case yang tidak memerlukan persyaratan real time, termasuk pelatihan berkelanjutan melalui models repository. Ini adalah cetak biru “inferensi edge + pelatihan terpusat” yang selaras dengan pemikiran lifecycle AI-native.
(Nokia – Nokia AVA NWDAF; Nokia – Nokia AVA NWDAF: edge/central + model repository)
Mengapa ini menjadi jangkar argumen: ia menawarkan jalur produk yang bernama untuk menerapkan pemisahan lifecycle edge/center—salah satu kebutuhan operasional paling krusial untuk deployment AI-native.
Kasus 4: Ericsson dan Intel memperluas kolaborasi untuk kesiapan komersial AI-native 6G
Rilis pers Ericsson menjelaskan Ericsson dan Intel menyatukan kepemimpinan teknologi untuk mempercepat kesiapan ekosistem untuk deployment AI-native 6G, mencakup konektivitas seluler, teknologi cloud, kemampuan komputasi pada skenario RAN dan packet core berbasis AI, serta keamanan tingkat platform dan kapabilitas jaringan guna memperkuat ecosystem enablement dan waktu ke pasar. Rilis tersebut juga menyoroti bahwa demo MWC 2026 memasukkan beragam demonstrasi di ruang Ericsson dan Intel.
Mengapa ini menjadi jangkar argumen: AI-native 6G menjadi persoalan integrasi sistem lintas RAN/transpor serta lapisan komputasi/keamanan. Kasus ini menandai kemitraan vendor yang secara eksplisit menargetkan dimensi operasional tersebut.
Jangkar kuantitatif: apa yang seharusnya dicantumkan operator sebagai angka, bukan “vibes”
Agar evaluasi tetap berpijak, operator perlu mencatat pernyataan numerik dari roadmap dan aktivitas standar. Tiga jangkar numerik dari sumber di atas sangat berguna.
- Target standardisasi penuh (kerangka Ericsson): 2029
EE Times melaporkan Ericsson menargetkan standardisasi penuh untuk AI-native 6G roadmap pada 2029, terkait dengan jalur transisi 5G Standalone.
(EE Times – At MWC, Ericsson Details AI-Native 6G Timeline)
- Jendela demo MWC 2026: Maret 2026
Ericsson dan Intel menyoroti demo MWC 2026 sebagai bagian dari pesan kesiapan ekosistem; momentum kolaborasi tersebut dikaitkan secara eksplisit dengan waktu event.
(Ericsson – Ericsson and Intel collaborate…)
- Cakupan manajemen AI/ML 3GPP: fase lifecycle yang dijabarkan (pelatihan → validasi → pengujian → emulasi → penerapan → inferensi)
Meski bukan “satu angka”, lifecycle adalah kumpulan tahap yang dapat dikatakan terukur karena disebut sebagai rangkaian fase oleh 3GPP. Operator dapat memetakan ini pada kebutuhan tata kelola model internal.
(3GPP – Engineering intelligence: Shaping AI/ML management for the 5G System)
Jika operator hanya mengejar KPI demo, ekonomi operasional dan profil risikonya akan terlewat. Lifecycle dan target timeline seharusnya diperlakukan sebagai metrik pengadaan: “kapabilitas operasional apa yang sudah ada hari ini”, “kapabilitas apa yang dikunci oleh standardisasi”, dan “kapabilitas apa yang harus dibangun internal untuk menghindari lock-in”.
Ketika vendor menyajikan angka pada demo, operator perlu menuntut basis pengukuran: bagaimana latensi diukur end-to-end, profil trafik apa yang dipakai, seperti apa ekor distribusi (p95/p99), serta kriteria rollback yang berpadanan dengan angka-angka tersebut. Tanpa definisi pengukuran, “jangkar kuantitatif” bisa berubah menjadi materi pemasaran ketimbang batasan rekayasa.
Kesimpulan: Operator harus mengontrakkan lifecycle audit trails—dan mengharapkan konvergensi pelatihan edge/center menguat pada Q4 2026
AI-native 6G bukan sekadar gaya rekayasa; ia adalah model operasi yang berdampak pada CapEx/OpEx, risiko vendor lock-in, serta rancangan keamanan/auditabilitas. Kerangka Ericsson di MWC 2026 menekankan jaringan cerdas yang melakukan optimasi sendiri secara real time, sementara 3GPP mendefinisikan manajemen AI/ML sebagai kapabilitas lifecycle end-to-end.
(Ericsson – Get ready for 6G (MWC 2026); 3GPP – Engineering intelligence: Shaping AI/ML management for the 5G System)
Pemosisian Nokia NWDAF memperjelas split edge/terpusat yang selaras dengan operasi lifecycle berkelanjutan.
Rekomendasi kebijakan (aktor konkret)
3GPP SA5 (pekerjaan spesifikasi manajemen AI/ML) dan arsitek 3GPP WG SA, bekerja bersama tim kebutuhan operator, harus mempublikasikan (atau mempercepat publikasi) explicit testable acceptance criteria untuk auditabilitas siklus hidup model—sekumpulan minimum fields untuk data lineage, asal-usul versi model, keputusan rollout, dan catatan rollback yang wajib diekspos vendor agar bisa diverifikasi operator. Tujuannya adalah membuat kebutuhan tata kelola lifecycle dapat diuji secara rekayasa, bukan bergantung pada interpretasi kontrak.
Rekomendasi ini berakar pada cakupan manajemen lifecycle 3GPP dan framing orkestrasi.
(3GPP – Engineering intelligence: Shaping AI/ML management for the 5G System)
Prakiraan (timeline dengan kuartal)
Pada Q4 2026, operator semestinya mengharapkan deployment AI-native untuk makin berkonvergensi pada dua pola lifecycle praktis—(1) inferensi edge yang terintegrasi dengan RAN control loops di bawah isolasi runtime yang ketat, dan (2) pelatihan terpusat/regional yang berkelanjutan dan dikoordinasikan lewat analitik/model repositories—karena pesan vendor dan konsep arsitektur NWDAF sudah mengarah pada pemisahan tersebut, sementara upaya standardisasi disusun untuk orkestrasi lifecycle.
Operator yang menunda pengontrakan sekarang berisiko menemukan belakangan bahwa runtime “AI-native” mereka bergantung pada data/fitur dan pipeline model yang tidak portabel.
Perubahan yang dapat dieksekusi setelah membaca artikel ini: jangan mengevaluasi AI-native 6G sebagai demo fitur. Evaluasi sebagai sistem produksi dengan lifecycle traceability, di mana penjadwalan komputasi dan auditabilitas dinegosiasikan seperti antarmuka radio—karena pertarungan sesungguhnya akan berada di ranah tersebut.
Referensi
- Ericsson – Get ready for 6G - MWC 2026
- EE Times – At MWC, Ericsson Details AI-Native 6G Timeline
- 3GPP – Engineering intelligence: Shaping AI/ML management for the 5G System
- Nokia – Nokia AVA NWDAF
- Nokia – Telenet Belgium select Google Anthos and Nokia for their cloud-native 5G Standalone Core deployment
- NTT DOCOMO – DOCOMO and NEC to Establish “OREX SAI” Joint Venture (Press Release, Feb 26, 2024)
- Ericsson – Ericsson and Intel collaborate to accelerate the path to commercial AI-native 6G (Press Release)
- Intel Newsroom – AI + Mobile Networks: Intel Showcases What’s Next at MWC 2026