Machikoba no Techo Juli 2026

Yang tersambung bukanlah kabel. Melainkan penglihatan.

Juli. Musim panas sudah benar-benar tiba di Arita, dan panas menumpuk di dalam pabrik sejak pagi buta. Pada hari hujan kelembapan menambah beban itu, dan udara terasa berat.
Di Kyushu utara musim cumi pedang (Kensaki) sedang berada di puncaknya, dan laut malam bercahaya oleh lampu-lampu perahu nelayan. Di sisi laut itu, pabrik kami terus membuat egi seperti biasanya. Potong, pasang, potong lagi, sesuaikan. Setiap badan egi dicuci satu per satu sebelum dirakit. Dua puluh tujuh tahun sejak kami berdiri, dan justru kerja tangan yang sederhana dan tidak mentereng inilah, yang diulang terus-menerus, yang menjadi setiap butir egi. Kami sungguh berterima kasih atas dukungan Anda yang tiada henti.

Sementara itu, di luar bengkel, hampir tidak ada hari berlalu tanpa mendengar kata “AI”.
Sekitar setahun ini saya menjalankan percobaan saya sendiri dengan berbagai perkakas AI.

Tetapi perubahan yang saya rasakan bukanlah bahwa AI menjadi pintar.
Melainkan bahwa sebuah pabrik kecil kini bisa membangun sendiri, di dalam rumah, sistem yang dulu mau tidak mau harus dipesan dari perusahaan spesialis.

Izinkan saya memaparkan satu contoh.

■ Sebuah pabrik penuh dengan layar penunjuk

Pabrik punya layar penunjuk di mana-mana.
Panel kendali mesin perkakas. Termometer. Higrometer. Sensor CO₂. Meteran daya.

Orang melihatnya lalu menilai:
“Hari ini jalannya agak panas.”
“Angka itu meleset dibanding biasanya.”
“Sudah waktunya diberi ventilasi.”

Memasukkan informasi itu ke dalam komputer dulu adalah pekerjaan berat.
Minta spesifikasi komunikasi dari pembuat mesin. Tarik kabel komunikasi. Pasang PLC. Beli perangkat lunak khusus.
Dengan kata lain, Anda harus lebih dulu tersambung ke mesin itu secara fisik.

Machining center dan mesin frais NC memang menerbitkan spesifikasi API, dan dengan kegigihan yang cukup Anda bisa menarik datanya lewat C++. Tetapi tenaga yang dibutuhkan sangat besar, dan sulit mengumpulkan kegigihan sebanyak itu.

■ Jangan sentuh mesinnya. Cukup pandangi.

Belakangan ini, terbuka satu jalan lain.
Rekam layar penunjuknya dengan webcam.

Bukan kamera industri khusus. Yang kami pakai adalah webcam biasa seharga sekitar 3.000 yen.

Baca angka-angka itu dari videonya, simpan sebagai data, gambarkan grafiknya, dan bunyikan peringatan bila ada yang tidak beres.
Ia mengubah apa yang dulu ditangkap orang dengan matanya menjadi data yang bisa dianalisis terus-menerus.
Dengan kata lain, kami menerapkan DX pada tindakan mengamati itu sendiri.

■ Bangunan pertama, dan tembok yang ditemuinya

Versi pertamanya sangat sederhana: kirim gambar tangkapan ke sebuah AI dan minta ia “membaca angka-angka ini”.
Claude dari Anthropic. Gemini dari Google. Grok dari xAI. Kami mencoba sejumlah layanan.

Di atas itu, asisten koding seperti Claude Code, Codex, Grok Build, dan Cursor membuat pembangunan sistemnya sendiri jauh lebih cepat. Pekerjaan yang dulu memakan waktu berminggu-minggu bagi seorang spesialis kini selesai dalam waktu singkat.

Tetapi begitu purwarupanya berjalan, sebuah masalah muncul ke permukaan. Biayanya terlalu mahal.

Satu panggilan sama sekali tidak mahal. Memantau sepanjang waktu, sepanjang tahun, lain lagi ceritanya. “AI yang sesekali dipakai” dan “AI yang terus dijalankan” menuntut struktur biaya yang sama sekali berbeda.

Sebagai pemilik pabrik kecil, alih-alih terkesan oleh kinerjanya, saya justru mendapati diri saya memikirkan bagaimana caranya memperkecil tagihan bulanan.

■ Menjalankannya secara lokal

Maka percobaan berikutnya adalah menjalankan LLM lokal di atas Raspberry Pi.
PC besar di samping mesin perkakas hanya menghalangi; Raspberry Pi yang muat di telapak tangan duduk di sana dengan nyaman.

Dan jika AI-nya berjalan sepenuhnya di perangkat milik kami sendiri, tidak ada biaya API. Biaya jalannya praktis hanya listrik. Secara teori, mendekati nol.

Kenyataannya tidak sesederhana itu. Sebagian besar LLM yang terkenal tidak mau berjalan — memorinya tidak cukup. Pada akhirnya Qwen-lah yang berjalan paling nyaman, meski ia tetap tidak mau bekerja lewat perkakas praktis seperti ollama dan perlu penyetelan yang lumayan.

■ Pakai AI sesedikit mungkin

Tempat kami akhirnya tiba adalah ini:
OCR menangani keadaan normal. LLM lokal baru bergerak ketika OCR gagal.

OCR yang ringan mengerjakan pekerjaan sehari-hari. AI muncul hanya ketika ada yang tidak normal atau bacaannya meragukan.
Biaya jalannya keluar pada angka yang praktis nol.

Untuk memeras kecepatan dari Raspberry Pi, pendekatan bakunya adalah mematok posisi kamera dan menuliskan mati koordinat yang akan dibaca. Pendekatan itu punya kelemahan. Getaran kecil di pabrik menggeser kamera, koordinat yang dipatok mati tidak lagi sejajar, dan tiba-tiba tidak ada satu pun yang bisa dibaca.

Di sinilah LLM yang memahami konteks kembali membuktikan tempatnya. Karena ia bisa membaca ulang “di mana angka-angka itu berada” dari keseluruhan gambar, pergeseran kecil mudah dikoreksi. Kami memasang koreksi itu ke dalam rutin pembacaan dan menyuruh cron menjalankan kalibrasi berkala. Hasilnya adalah sistem yang terus menyerap pergeseran dengan sendirinya, tanpa ada yang mengawasi.

Bagian yang menarik: sebuah proyek yang bermula dari niat memakai banyak AI justru menjadi paling praktis setelah berkembang ke arah memakai AI sesedikit mungkin.

Ini mirip dengan cara orang bekerja. Pekerjaan rutin ditangani oleh pengalaman dan prosedur. Anda memanggil spesialis hanya ketika terjadi sesuatu yang tak terduga. Pembagian kerja itulah yang ternyata paling efisien.

■ Bukan lewat kabel, melainkan lewat penglihatan

Sambil memikirkan ini, saya teringat bagaimana kita mengisi daya ponsel.
Dulu sudah jelas bahwa Anda mencolokkan kabel. Sekarang pengisian nirkabel ada di mana-mana — Anda meletakkan ponsel di atas alasnya dan ia terisi. Tidak ada sambungan fisik. Energi tetap berpindah.

Proyek ini sedikit banyak seperti itu.
Secara tradisional Anda memasang kabel komunikasi untuk mengeluarkan informasi dari sebuah mesin. Kali ini tidak. Kami tidak menyentuh mesinnya. Tidak ada jalur data. Kami hanya mengamati. Dan tetap saja kami mendapatkan informasi yang kami butuhkan.

Anda bisa menyebutnya perpindahan dari sambungan kabel fisik ke cara memungut informasi tanpa sentuhan, semacam induksi.

Kami tidak menyambung ke mesin itu. Kami mengamatinya.
Yang tersambung bukanlah kabel. Melainkan penglihatan.

Kalau dipikir-pikir, penglihatan bekerja lewat cahaya, dan cahaya juga gelombang elektromagnetik.
Dilihat begitu, mungkin ini memang benar-benar sambungan lewat induksi elektromagnetik, seperti sebuah trafo.

■ Biaya untuk mencoba telah turun

Hal terbesar dari proyek ini bukanlah bahwa AI menjadi pintar. Melainkan bahwa biaya untuk mencoba sesuatu turun secara drastis.

Sistem yang beberapa tahun lalu akan kami pesankan kepada spesialis kini bisa dibangun di dalam sebuah pabrik kecil. Kami tidak punya anggaran perusahaan besar. Kami tidak punya departemen khusus. Tetapi justru karena kami kecil, kami bisa mencoba, gagal, dan memperbaiki dengan cepat.

Saya percaya di situlah letak perubahan sesungguhnya dari era AI.
Bukan bahwa AI mengambil pekerjaan dari manusia. Melainkan bahwa AI sangat memperluas jangkauan apa yang bisa dicoba manusia.

KEYSTONE akan terus mengangkat persoalan-persoalan yang muncul di lantai pabrik — terutama dalam pembuatan egi, tetapi tidak hanya di sana — sembari mengadopsi teknologi baru dengan luwes.

Tradisional namun inovatif.
Dengan kata-kata itu di kepala, kami berniat terus melangkah maju, selangkah demi selangkah.

Terima kasih, seperti biasa, atas dukungan Anda.

with SQUID!!

Juli 2026
KeyStone Corporation
Nobuhide Kanagawa, Direktur Utama