Bayangkan sebuah kota di Jawa Timur yang tiba-tiba mengalami lonjakan permintaan air bersih selama tiga minggu berturut-turut — bukan karena kemarau, tapi karena arus migrasi pekerja konstruksi dari proyek infrastruktur baru. Pemerintah daerah kesulitan merespons: stok tangki air tak tersedia, kapasitas PDAM belum diperbarui, dan sistem peringatan dini masih mengandalkan laporan manual dari kelurahan. Di Shanghai, sebuah model AI sudah bisa memproyeksikan tekanan pada jaringan air, listrik, dan transportasi publik dua bulan sebelumnya — hanya dari pola pergerakan kendaraan, transaksi e-wallet, dan distribusi konten media sosial.
Apa yang Dibaca Model Ini Selain Cuaca dan Lalu Lintas?
Model peramalan kota yang diluncurkan startup Tiongkok ini tidak berfokus pada meteorologi atau kepadatan jalan semata. Ia dilatih pada lebih dari 20.000 kategori data multimodal yang dikumpulkan secara terintegrasi di Zhangjiang AI Innovation Town — kawasan eksperimen teknologi di Shanghai yang menjadi laboratorium hidup bagi pemerintah kota dan perusahaan rintisan. Data itu mencakup rekaman sensor IoT di lampu jalan dan saluran drainase, riwayat pengisian ulang kartu transportasi umum, frekuensi pencarian kata kunci seperti 'sewa kos', 'bengkel motor', atau 'toko bahan bangunan' di platform lokal, hingga distribusi waktu unggah foto di aplikasi media sosial berbasis lokasi.
Dilansir TechInAsia, pendekatan ini menandai pergeseran dari sistem perencanaan kota berbasis survei silang tahunan ke model responsif harian. Tidak semua kategori data berasal dari sumber resmi: sekitar 38% berasal dari aktivitas warga yang direkam secara pasif melalui aplikasi komersial — sebuah praktik yang menimbulkan pertanyaan etis soal konsensus implisit dan batas privasi dalam nama efisiensi kota pintar.
Baca juga: Serangan Oracle Bonzo: $9 Juta Raib dari Protokol Pinjam-Hutang Hedera
Zhangjiang tidak hanya Lokasi Pelatihan, Tapi Laboratorium Kebijakan Nyata
Zhangjiang AI Innovation Town bukan pusat riset biasa. Di sana, setiap algoritma harus melewati uji coba operasional nyata: model peramalan banjir diuji saat musim hujan 2023, lalu disandingkan dengan prediksi manual Badan Meteorologi Tiongkok; sistem optimasi rute bus diuji bersama operator kota Shanghai selama enam bulan penuh sebelum adopsi skala luas. Hasilnya? Waktu tunggu penumpang turun rata-rata 14%, dan konsumsi bahan bakar armada berkurang 9% — angka yang diverifikasi oleh laporan internal Komite Perencanaan Kota Shanghai, bukan klaim vendor.
Yang membuat Zhangjiang unik adalah kebijakan 'data sharing wajib untuk inovasi': perusahaan yang menggunakan infrastruktur kota — mulai dari tower BTS hingga kabel fiber optik bawah tanah — wajib menyumbangkan sampel anonim dari data operasional mereka ke repositori terpusat. Ini bukan open data biasa, tapi juga ekosistem data terkendali dengan aturan ketat soal anotasi, retensi, dan pembatasan akses berbasis peran. Di Indonesia, skema serupa belum ada ; bahkan integrasi data antar-Dinas PU, Kesehatan, dan Kependudukan masih terkendala regulasi dan kapasitas teknis.
Baca juga: Siapa Penguasa Modal di Singapura? Peta Startup AI yang Menguras Dana Global
Tantangan terbesar bukan pada akurasi teknis, melainkan pada desain kelembagaan. Di Zhangjiang, tim lintas-disiplin — ahli urban planning, insinyur data, dan pegawai birokrasi tingkat kabupaten — ditempatkan dalam satu ruang kerja fisik selama 18 bulan penuh. Mereka tidak hanya mengembangkan model, tapi juga menulis panduan operasional untuk petugas lapangan: bagaimana membaca dashboard peramalan, kapan harus mengaktifkan protokol darurat, dan apa batas kewenangan pengambilan keputusan otomatis versus manusia. Ini adalah level kolaborasi yang belum terbayangkan di banyak kota Indonesia, di mana kepala dinas masih mengandalkan Excel dan rapat mingguan untuk koordinasi.
Di tengah antusiasme terhadap kota pintar, model Zhangjiang justru mengingatkan bahwa teknologi bukan pengganti tata kelola — ia adalah penguat. Ketika data dari 20.000 kategori bisa dibaca, artinya pemerintah harus siap menjawab pertanyaan yang lebih sulit: siapa yang bertanggung jawab jika prediksi salah? Bagaimana memastikan warga bukan objek analisis, tapi subjek kebijakan? Dan apakah kota kita sudah punya mekanisme audit algoritmik yang bisa diakses warga — bukan hanya auditor internal?
Pertanyaannya bukan lagi apakah kita mampu membangun model seperti Zhangjiang. Tapi: apakah kita siap membangun sistem kepercayaan yang membuat model itu layak dipercaya?