Di sebuah ruang kerja sempit di Jurong East, tiga insinyur muda dari Indonesia sedang mempelajari dokumentasi API milik sebuah startup Singapura bernama Grid. Mereka bukan sedang membeli layanan — mereka sedang mencari cara meniru arsitektur sistem deteksi kebocoran pipa berbasis computer vision itu. Dua bulan lalu, tim mereka di Bandung gagal mengembangkan versi serupa dalam waktu tiga bulan. Di Singapura, startup itu sudah dipakai oleh 12 perusahaan utilitas di Asia Tenggara — termasuk PLN dan PAM Jaya lewat mitra resmi.
Siapa yang Benar-Benar Mengendalikan Alur Data?
TechInAsia baru saja merilis daftar '50 Rising Startups in Singapore', dan yang mengejutkan bukan hanya jumlahnya, tapi komposisi teknologinya: 34 dari 50 startup itu membangun solusi berbasis AI yang secara eksplisit mengandalkan integrasi data real-time dari infrastruktur fisik — mulai dari jaringan listrik hingga sistem pengolahan air. Ini bukan lagi soal chatbot atau rekomendasi produk. Ini soal AI yang masuk ke saluran pembuangan, turbin pembangkit, dan sensor tekanan pipa. Yang lebih penting: 27 dari 34 startup ini tidak menjual software saja, tapi juga menyediakan hardware edge-computing custom dan layanan instalasi lapangan — artinya mereka menguasai seluruh rantai nilai, dari sensor hingga keputusan operasional.
Dilansir TechInAsia, sebagian besar startup ini lahir setelah 2020, dan 68% pendiri utamanya memiliki pengalaman kerja di Singtel, Keppel, atau A*STAR — lembaga riset pemerintah yang selama dua dekade terakhir secara sistematis membangun ekosistem talenta AI untuk infrastruktur kritis. Ini bukan kebetulan. Ini adalah hasil dari kebijakan nasional yang mengarahkan R&D ke 'AI for physical systems', bukan hanya 'AI for digital services'.
Baca juga: LG Uplus dan OptAI Uji Token AI untuk Efisiensi Layanan
Bukan Soal Uang, Tapi Soal Akses ke Data Nyata
Kunci keunggulan startup Singapura bukan pada modal ventura — meski rata-rata mereka mengumpulkan USD 8–12 juta dalam putaran Seri A — melainkan pada akses tak terbatas ke data operasional nyata dari instansi pemerintah dan BUMN lokal. Contohnya, startup Veridia bisa melatih model prediksi kegagalan transformator karena mendapat aliran data historis 7 tahun dari SP Group, tanpa batasan API rate limit atau klausul redaksi. Di Indonesia, data serupa masih dikunci dalam sistem SCADA internal PLN dan hanya tersedia dalam format PDF laporan triwulanan.
Ini menjelaskan mengapa banyak perusahaan Indonesia akhirnya menjadi pelanggan, bukan pesaing. Menurut TechInAsia, 19 dari 50 startup itu telah menandatangani kontrak dengan entitas di Indonesia — mulai dari Bank Mandiri (untuk deteksi fraud transaksi real-time) hingga Kementerian PUPR (untuk pemantauan jembatan pintar). Namun, tidak satu pun dari kontrak tersebut mencakup transfer teknologi atau lisensi source code. Semua berbasis SaaS berlangganan tahunan, dengan SLA yang mensyaratkan data tetap disimpan di pusat data Singapura.
Baca juga: Bolttech dan Bold Penguin Bentuk Aliansi Asuransi Global Berbasis AI
Yang jarang dibahas dalam daftar ini adalah biaya implisitnya. Misalnya, ketika sebuah kota di Jawa Barat mengadopsi platform manajemen limbah dari startup CycleAI, mereka tidak hanya membayar USD 150.000/tahun — tapi juga harus mengganti seluruh unit sensor IoT di 47 TPS karena tidak kompatibel dengan standar komunikasi LoRaWAN versi Singapura. Biaya tambahan itu tidak masuk dalam laporan ROI awal, tapi langsung membebani APBD kabupaten.
Perbedaan mendasar antara startup Singapura dan rekan-rekannya di Jakarta atau Bandung bukan pada kemampuan coding, tapi pada struktur akses. Di Singapura, startup boleh menguji algoritma di jalur kereta MRT saat jam non-operasional. Di Jakarta, izin uji coba di halte TransJakarta butuh 11 surat izin lintas SKPD — dan biasanya ditunda sampai masa jabatan pejabat berakhir. Regulasi bukan penghalang teknis; ia adalah filter seleksi alami bagi siapa yang boleh masuk ke dunia AI berbasis infrastruktur nyata.
Daftar TechInAsia memang berguna sebagai peta navigasi teknologi. Tapi lebih dari itu, ia adalah dokumen forensik yang menunjukkan bagaimana ketimpangan infrastruktur data — bukan hanya modal atau talenta — kini menjadi penentu utama siapa yang akan mengatur logika keputusan di kota-kota Asia. Ketika sebuah startup Singapura bisa memprediksi kebocoran pipa di Surabaya dua hari sebelum terjadi, pertanyaannya bukan lagi 'apakah kita bisa menirunya?', tapi.
Apa yang harus kita ubah dulu — regulasi data, desain sistem pemerintahan, atau cara kita mendefinisikan kemandirian teknologi?