—·
Investasi Uber hingga US$1,25 miliar pada Rivian mengubah “otonomi end-to-end” menjadi soal sistem operasi dan pembuktian kepatuhan—bukan sekadar persepsi teknis.
Pada 19 Maret 2026, Uber mengumumkan akan berinvestasi hingga US$1,25 miliar pada Rivian untuk membantu peluncuran bisnis robotaxi berskala. Uber menargetkan penempatan awal dimulai di San Francisco dan Miami pada 2028, dengan ekspansi ke 25 kota pada 2031. (apnews.com) Pengumuman itu juga menyebut Uber mengantisipasi pembelian 10.000 Rivian R2 robotaxi yang sepenuhnya otonom, dengan opsi membeli hingga 40.000 lagi pada 2030. Selain itu, Uber menyatakan investasi awal US$300 juta telah dikomitkan, dengan syarat persetujuan regulasi. (apnews.com)
Angka-angka tersebut tidak seperti rencana uji coba teknologi. Itu adalah angka perencanaan armada—angka yang langsung memaksa pertanyaan tentang kebutuhan staf, penanganan insiden, dokumentasi, dan “bukti operasional” yang bisa dipertanggungjawabkan.
Implikasinya terasa halus, tetapi menentukan: istilah “otonomi” berhenti menjadi semacam perlombaan persepsi atau perlombaan rencana, dan berubah menjadi disiplin operasi sekaligus tata kelola (governance). Ketika sebuah demo beralih menjadi operasi armada robotaxi, mode kegagalan yang paling sering menentukan bukanlah hal yang memukau. Biasanya itu adalah kegagalan alur kerja: telemetri yang tidak lengkap, workflows triase insiden yang tidak jelas, celah pada log bantuan jarak jauh, atau bukti kepatuhan yang tidak bisa direkonstruksi setelah kejadian.
Inilah uji tekanan yang terselip dalam taruhan Uber. Rivian menyediakan platform fisiknya; klaim otonomi “end-to-end” bergantung pada loop yang berkelanjutan antara observabilitas armada dan proses keselamatan. Dalam penjelasan Uber tentang pendekatannya, perusahaan menekankan supply-state machine yang menyerap telemetri dan sinyal dari armada AV, serta lapisan orkestrasi yang menyiapkan tindakan atau intervensi manusia—ditambah platform remote assistance yang didukung agent console agar operator memahami dan melakukan intervensi. (investor.uber.com)
Sistem mengemudi otonom sering dibicarakan seolah kinerjanya adalah satu garis kurva: akurasi meningkat, sistem makin aman, lalu armada bisa diskalakan. Tetapi penerapan armada mengacaukan narasi itu, sebab “apa yang terjadi” pada kondisi batas jarang bisa dijawab oleh satu output model.
Pertanyaannya bergeser menjadi: bukti apa yang tersedia untuk menafsirkan kondisi batas tersebut, dan seberapa cepat manusia dapat melakukan intervensi secara aman ketika otonomi menurun kualitasnya?
Uraian Uber tentang arsitektur operasi armadanya secara langsung mengarah ke pergeseran itu. Dalam penjelasan Uber Autonomous Solutions, supply-state machine terus menyerap telemetri mentah dan sinyal dari armada AV untuk menentukan status presisi setiap kendaraan, lalu lapisan orkestrasi yang cerdas menyiapkan kemungkinan tindakan atau intervensi manusia. (investor.uber.com) Uber juga menyatakan perusahaan merancang platform remote assistance yang dibangun di atas kapabilitas dukungan end-to-end, serta didukung agent console khusus yang memberi operator semua yang diperlukan untuk memahami status AV dan mengambil tindakan. (investor.uber.com)
Bahasa—telemetry ingestion, supply-state, orkestrasi, konteks operator berbasis console—memetakan kendala operasional yang kini sedang dipelajari pasar untuk dikuantifikasi. Operasi armada robotaxi membutuhkan lapisan observabilitas yang bukan hanya diagnostik, melainkan pendukung keputusan. Secara praktis, itu berarti:
Tata kelola operasional berubah menjadi “sistem bayangan” yang harus dirancang dengan keseriusan yang sama seperti tumpukan otonomi itu sendiri. AI memang bisa “end-to-end” dalam arti mengemudi—tetapi tetap gagal dalam arti governance bila organisasi tidak bisa merekonstruksi keputusan dan intervensi secara andal.
Saat armada diskalakan, bukti kepatuhan keselamatan tidak lagi berupa artefak sekali jadi. Ia menjadi arus berkelanjutan: harus mampu menjawab dengan cepat dan konsisten pertanyaan seperti “bagaimana status operational design domain”, “peringatan apa yang muncul”, “apa yang ditampilkan kepada operator”, “aksi apa yang diambil”, dan “langkah penanggulangan apa yang diikuti”.
Di Amerika Serikat, regulator dan penyelidik semakin menyoroti bukan hanya hasil tabrakan, tetapi juga kelengkapan dan kualitas informasi yang disediakan kepada otoritas pengawasan. Contoh konkret adalah consent order NHTSA terkait Cruise setelah insiden tabrakan pejalan kaki. NHTSA menyatakan dua laporan gagal mengungkap detail pascakejadian dari insiden 2 Oktober 2023, ketika kendaraan Cruise yang dilengkapi ADS beroperasi tanpa pengemudi dan menyeret seorang pejalan kaki, serta NHTSA menemukan kelalaian setelah menonton video yang diminta dari Cruise. (nhtsa.gov) NHTSA juga menyatakan Cruise akan membayar denda US$1,5 juta terkait kegagalan kepatuhan tersebut, dan mewajibkan rencana tindakan korektif terkait cara perusahaan meningkatkan kepatuhan terhadap general order untuk kecelakaan yang melibatkan sistem mengemudi otomatis. (apnews.com)
Pelajaran utama untuk operasi robotaxi bukan “jangan ceroboh”. Intinya: workflows triase insiden dan remote assistance logging harus dirancang untuk menghasilkan bukti berstandar kepatuhan sejak awal—bukan hasil rekonstruksi darurat. Bahkan jika model otonomi secara statistik kuat, tumpukan governance tetap bisa menjadi faktor pembatas—terutama ketika armada harus merespons cepat, mendokumentasikan dengan jelas, dan berkoordinasi dengan otoritas eksternal.
Ekonomi penempatan robotaxi sering dibingkai oleh biaya perangkat keras, komputasi, atau lisensi per mil. Namun struktur biaya yang mulai terlihat menunjukkan pusat gravitasi lain: jejak operasional yang dibutuhkan untuk menangani kasus-kasus tepi—diukur bukan terutama lewat “seberapa akurat modelnya”, melainkan lewat berapa banyak jam operator yang terkuras per 1.000 mil otonomi sambil mempertahankan jejak audit.
Perhatikan lingkungan pelaporan publik California untuk pengujian kendaraan otonom dan disengagement. Ini memberi lensa tentang seberapa besar keterlibatan manusia dalam program pengujian. Departemen Kendaraan Bermotor California (DMV) memelihara repositori laporan disengagement tahunan dan menjelaskan bahwa produsen yang menguji di Autonomous Vehicle Tester atau AVT Driverless Program wajib mengajukan laporan tahunan mengenai seberapa sering kendaraan disengage dari mode otonom, termasuk alasan seperti kegagalan teknologi atau situasi ketika pengemudi/pengendali uji harus mengambil alih kendali manual. (dmv.ca.gov)
Ini penting untuk pemodelan biaya armada karena laporan disengagement pada dasarnya adalah proksi untuk upaya pemulihan operasional: bahkan bila disengagement ditangani dengan aman, ia memicu prosedur manusia—pemulihan kendaraan, peninjauan insiden, dan dokumentasi—yang mirip (dan sering kali skalanya sejalan) dengan kerja remote ops robotaxi. Dengan kata lain, frekuensi disengagement bukanlah metrik akhir; ia adalah indikator utama seberapa sering organisasi harus berpindah dari otomatisasi ke proses yang dikelola manusia.
Data California kedua menegaskan variasi operasional yang harus dikelola perusahaan saat men-deploy sistem dengan konfigurasi berbeda. Berdasarkan pelaporan TechCrunch yang mengacu pada data terkait DMV, miles pengujian kendaraan otonom California turun menjadi 4,5 juta pada 2024, turun 50% dari tahun sebelumnya, dan merujuk pada laporan disengagement tahunan yang dirilis bersama data tersebut. (techcrunch.com) Inti operasionalnya bukan sekadar “uji coba melambat”. Ini menyangkut batasan proses dan beban governance yang bisa mengerem throughput: lebih sedikit miles pengujian berarti lebih sedikit kesempatan untuk merapikan penanganan kasus tepi melalui iterasi, yang pada gilirannya dapat menaikkan proporsi peristiwa yang sarat operator dalam miles yang tersisa. Kesiapan operasional karenanya tidak linear—penurunan pengujian dapat menaikkan biaya unit pembelajaran dan jaminan operasional.
Titik data ketiga menggeser fokus dari “seberapa sering otonomi disengage” ke “seberapa sering otonomi membutuhkan intervensi manusia pada penerapan tertentu”. Analisis Consumer Watchdog yang mengutip data DMV California menyatakan mitra robotaxi Uber, Nuro, mencatat kurang dari 160.000 mil pengujian di jalan-jalan California pada 2025, dan tidak mampu menempuh 700 mil tanpa intervensi manusia. (consumerwatchdog.org) Sumber utamanya adalah data DMV; analisis tersebut merupakan interpretasi sekunder, sehingga perusahaan sebaiknya memvalidasi internal. Namun dari sisi bisnis, pengukuran ini jelas: bila intervensi manusia menjadi peristiwa yang menentukan, maka kebutuhan staf, desain shift, dan biaya eskalasi cenderung berkembang selaras dengan tingkat intervensi—bukan dengan pemasaran perangkat lunak. Ekonomi yang relevan untuk “otonomi end-to-end” pada akhirnya bergantung pada apakah remote assistance jarang dan cepat terselesaikan, atau cukup sering sehingga beban kerja operator dan pengumpulan bukti menjadi faktor pembatas.
Cruise memberikan studi kasus tata kelola dan operasi yang tidak biasa karena menghubungkan peristiwa tabrakan dengan hasil pelaporan dan kepatuhan. Setelah Cruise menghentikan operasi tanpa pengemudi di seluruh negeri menyusul temuan regulator California, NHTSA kemudian menutup penyelidikan awal atas robotaksi Cruise tanpa tindakan lanjutan, sambil menggambarkan bagaimana NHTSA membuka evaluasi awal pada Oktober 2023 untuk menentukan apakah Cruise ADS telah menunjukkan kehati-hatian yang memadai terhadap pejalan kaki setelah dua laporan tabrakan yang melibatkan pejalan kaki. (apnews.com) NHTSA juga menganalisis 2.759 laporan yang diidentifikasi Cruise terkait tabrakan, termasuk 1.113 laporan “pedestrian conflict”, dan merujuk pada lima insiden tabrakan antara kendaraan Cruise dan pejalan kaki dengan tiga cedera. (apnews.com)
Namun pelajaran governance semakin mengerucut melalui consent order yang menyoroti kelengkapan pelaporan. NHTSA menyatakan laporan Cruise gagal mengungkap sepenuhnya detail pascakejadian tabrakan 2 Oktober 2023, dan NHTSA menemukan kelalaian setelah meninjau video yang diminta dari Cruise. (nhtsa.gov) Insiden yang sama berujung pada denda US$1,5 juta dan kewajiban menyampaikan rencana tindakan korektif untuk meningkatkan kepatuhan pada kewajiban pelaporan kecelakaan. (apnews.com)
Bagi armada otonomi end-to-end, pengingatnya tegas: remote assistance logging bukan hanya tentang pembelajaran internal. Ia juga tentang kepercayaan eksternal. Workflows triase insiden yang gagal menangkap parameter yang tepat—atau menangkapnya tetapi tidak bisa diterjemahkan menjadi bukti yang bisa dilaporkan—menimbulkan risiko orde kedua: keterlambatan operasional, eskalasi regulator, dan hilangnya izin untuk beroperasi.
Jika Cruise menggambarkan kegagalan governance setelah peristiwa, Waymo menunjukkan kematangan governance sebagai praktik proaktif. Pada November 2025, Waymo mengumumkan telah menyelesaikan audit independen pihak ketiga terhadap program remote assistance (yang disebut Fleet Response) dan program safety case. (waymo.com)
Waymo menyatakan Fleet Response memungkinkan Waymo Driver menghubungi agen manusia untuk informasi tambahan agar konteks situasi dapat dipahami dalam kondisi menantang atau tidak umum. (waymo.com)
Poin yang lebih dalam bukan sekadar “Waymo punya remote assistance”, melainkan cara perusahaan memperlakukan remote assistance dan safety case sebagai sistem yang menghasilkan bukti (evidence). Audit pihak ketiga terhadap program seperti Fleet Response biasanya menarget dua pertanyaan operasional yang tidak dapat dijawab secara serampangan oleh tim remote ops: (1) apakah pemicu keputusan untuk menghubungi manusia didefinisikan secara konsisten, dan (2) apakah catatan yang dihasilkan pada momen human-in-the-loop cukup untuk merekonstruksi dan menguji safety case terhadap hasil di dunia nyata. Bila kontrol itu ada, “remote assistance” menjadi variabel yang bisa dikendalikan dalam performa keselamatan—bukan tindakan diskresioner saat menghadapi pengecualian.
Secara terpisah, Waymo juga mengaitkan pendekatan dokumentasi keselamatannya dengan bukti operasional dan pembandingan dampak. Halaman Safety Impact menjelaskan perusahaan membandingkan catatan tabrakan dan jarak tempuh kendaraan di area operasional seperti Phoenix, San Francisco, Los Angeles, dan Austin untuk menghitung benchmark dan dampak keselamatan. (waymo.com) Walaupun ini bukan log remote assistance itu sendiri, narasi keselamatan yang berorientasi bukti semacam ini sulit dipertahankan tanpa penangkapan data internal dan workflow governance yang kuat.
Relevansi operasional terhadap uji tekanan Uber ala Rivian sangat langsung: pada skala armada, remote assistance logging dan workflows triase insiden menyediakan bahan baku untuk safety case. Jika perusahaan tidak mampu menghasilkan bukti yang dibutuhkan oleh kajian pihak ketiga, perusahaan mungkin bisa beroperasi secara legal—tetapi tidak bisa diskalakan dengan percaya diri, apalagi saat ekspansi kota menambah variasi operasional.
Dalam banyak narasi penerapan, remote assistance muncul sebagai rencana cadangan: langkah manusia ketika otonomi menemui sesuatu yang sulit. Dalam realitas armada, remote assistance berubah menjadi workflow terstruktur: ada pemicu yang jelas, antarmuka operator, aturan eskalasi, serta log. Jika workflow itu kurang dirancang, ia berubah menjadi kebocoran biaya sekaligus risiko kepatuhan.
Pernyataan Uber tentang platform remote assistance dan agent console karenanya bukan detail sampingan. Itu adalah pengakuan bahwa otonomi end-to-end secara operasional mencakup sistem human-in-the-loop. (investor.uber.com) Ekonomi operasi armada robotaxi bergantung pada seberapa sering bantuan diminta, seberapa cepat operator dapat melakukan triase, serta seberapa konsisten tindakan mereka dicatat dalam format yang berguna untuk iterasi rekayasa dan sekaligus untuk bukti kepatuhan keselamatan.
Setidaknya ada empat kemacetan tata kelola dalam alur operasional:
Hambatan-hambatan ini sebagian besar bersifat organisasional dan masalah governance data—meski AI dipakai untuk mempercepat sebagian proses.
Jadwal Uber—penempatan awal di San Francisco dan Miami pada 2028, lalu ekspansi ke 25 kota pada 2031—memberi horizon praktis untuk penskalaan operasional. (apnews.com) Namun intinya bukan untuk memprediksi apakah robotaxi akan berhasil. Intinya: ekspansi lintas banyak kota menjadi pemaksa untuk konsistensi operasional dalam kondisi yang terlihat regulator.
Setiap kota baru memperluas keragaman operational design domain: geometri jalan, pola lalu lintas, rezim cuaca, dan profil insiden setempat. Yang lebih penting untuk remote ops, ekspansi ini melipatgandakan jumlah “konteks operasional” yang harus dikenali operator dengan cepat—yang berarti waktu triase dan kelengkapan bukti tidak boleh berubah secara liar menurut pasar.
Penekanan desain Uber pada telemetry ingestion, supply-state modeling, orkestrasi untuk tindakan atau intervensi manusia, dan platform remote assistance menunjukkan perusahaan sudah memikirkan kerangka seperti itu. (investor.uber.com) Tetap, uji tekanan ekonomi menjadi terukur ketika governance diterjemahkan menjadi unit economics.
Dalam praktiknya, investor dan regulator akan ingin melihat KPI operasional yang menghubungkan skala kota dengan beban remote ops, misalnya: waktu operator per kejadian remote assistance, tingkat eskalasi berdasarkan kategori insiden, rata-rata waktu dari deteksi kondisi batas hingga aksi manusia, dan proporsi intervensi yang menghasilkan log lengkap dan siap audit pada percobaan pertama (sebelum rekonstruksi bukti apa pun). Jika KPI ini bergerak naik seiring pertambahan kota, “otonomi” mungkin terlihat lebih baik di metrik lab—tetapi lebih buruk pada biaya yang dikeluarkan per jam kendaraan yang aktif.
Jika armada tidak mampu menjaga konsistensi triase insiden dan remote assistance logging pada skala, perbaikan marginal pada model otonomi tidak otomatis berubah menjadi produktivitas tingkat armada. Paradox yang diekspos investasi Uber pada Rivian justru itu: “otonomi end-to-end” hanya benar-benar end-to-end ketika rantai bukti operasional juga end-to-end.
Investasi Uber sebesar US$1,25 miliar pada Rivian bukan sekadar taruhan pada kendaraan dan perangkat lunak otonomi; ia juga taruhan pada sistem operasional yang dibutuhkan untuk menjalankan armada robotaxi dengan bukti kepatuhan keselamatan yang tertanam dalam workflow harian. (apnews.com)
Pelajaran industri dari kegagalan pelaporan Cruise—hingga berujung consent order dan rencana tindakan korektif—menunjukkan bahwa breakdown governance bisa menjadi mode kegagalan dominan, meskipun perbaikan teknis tersedia. (nhtsa.gov)
Sisi tandingnya datang dari audit pihak ketiga independen Waymo terhadap program remote assistance dan safety case: disiplin bukti bisa diperlakukan sebagai atribut kualitas produk, bukan pikiran belakangan. (waymo.com)
Departemen Transportasi AS—melalui NHTSA—seharusnya mewajibkan standarisasi remote assistance logging fields dan dokumentasi incident triage workflow sebagai bagian dari mekanisme pengawasan ADS, dengan skema bukti yang jelas yang harus diisi operator secara real time. Rekomendasi ini sejalan dengan penekanan NHTSA pada pelaporan kecelakaan yang akurat dan transparan serta kebutuhan keselamatan dan transparansi sejak awal. (nhtsa.gov) Standardisasi tidak menggantikan rekayasa otonomi perusahaan; standardisasi justru menghapus ambiguitas pada lapisan governance yang saat ini sering memicu rekonstruksi mahal setelah insiden.
Pada Kuartal 4 2027, operator robotaxi yang melakukan penskalaan menuju layanan multi-kota diharapkan mampu menunjukkan—melalui kontrol internal dan kesiapan audit pihak ketiga—bahwa remote assistance logging dan incident triage workflow menghasilkan bukti keselamatan berstandar kepatuhan dalam “paket bukti” yang terstandar (misalnya dalam hitungan jam, bukan minggu). Alasan jadwal ini masuk akal adalah karena penempatan Uber direncanakan dimulai pada 2028 dan ekspansi pada 2031—artinya kesiapan bukti operasional menjadi syarat pengunci untuk izin penskalaan dan keyakinan asuransi jauh sebelum armada mencapai target kota tersebut. (apnews.com)
Industri cenderung merayakan peningkatan model. Namun “moat” kompetitif berikutnya akan bersifat operasional: kemampuan menjalankan armada di mana setiap intervensi—dicatat, di-triage, dan dibuktikan—membentuk umpan balik yang andal antara tumpukan otonomi dan governance itu sendiri.