AI lokal untuk pekerjaan jaringan sehari-hari
AI lokal kampus adalah sistem kecerdasan buatan yang berjalan di server internal institusi, sehingga dapat membantu operasi jaringan tanpa memindahkan data sensitif ke layanan cloud. Bagi perguruan tinggi, pendekatan ini menawarkan jalan yang masuk akal untuk mempercepat kerja teknis sekaligus mempertahankan kendali atas informasi jaringan. Direktorat Teknologi Informasi Universitas Brawijaya bekerja sama dengan Indonesia Research and Education Network mengembangkan LLMNetOps, sebuah AI co-pilot yang membantu administrator mengelola perangkat jaringan melalui perintah bahasa sehari-hari. Inisiatif ini dibahas dalam lokakarya Large Language Model for Network Operations bertema pemanfaatan AI generatif lokal untuk manajemen jaringan, yang berlangsung di Malang pada 6–7 November 2026. Sebanyak 40 peserta dari 24 institusi mengikuti kegiatan tersebut. Bukan sekadar demonstrasi teknologi, gagasan utamanya ialah membuat dukungan AI lebih dekat dengan kebutuhan operasional kampus.
Efisiensi yang terasa bagi pengelola dan pengguna
Alasan pengembangan LLMNetOps cukup konkret: tim teknis kerap menghadapi keterbatasan tenaga, jumlah perangkat yang besar, dan perbedaan kemampuan administrator ant institusi. Dalam kondisi itu, waktu yang dihemat saat menganalisis gangguan dapat membantu jaringan pulih lebih cepat—manfaat yang pada akhirnya dirasakan mahasiswa, dosen, dan staf yang mengandalkan layanan digital kampus. Sistem ini dirancang untuk menganalisis log, menelusuri gangguan, menyusun laporan, dan membuat dokumentasi. Menggunakan bahasa sehari-hari juga berpotensi menurunkan hambatan bagi administrator yang tidak selalu ingin mengawali setiap tugas dengan perintah teknis rumit. Namun, AI sebaiknya diposisikan sebagai co-pilot, bukan pengganti penilaian manusia: hasil analisis tetap perlu diperiksa sebelum tindakan diterapkan pada infrastruktur penting.
Keamanan data harus menjadi bagian dari desain
Nilai paling penting dari pemrosesan lokal bukan sekadar bahwa AI berada di server kampus, melainkan berkurangnya kebutuhan mengirim konfigurasi dan log jaringan ke penyedia layanan eksternal. Informasi tersebut bisa mengungkap susunan sistem dan pola operasional, sehingga perlindungannya harus menjadi syarat dasar, bukan tambahan belakangan. UB dan IDREN menyatakan LLMNetOps dirancang agar data jaringan tetap berada di lingkungan institusi. Pilihan ini menjawab kekhawatiran atas keamanan data dan privasi ketika layanan AI berbasis cloud digunakan. Meski demikian, lokasi pemrosesan saja tidak otomatis menjamin keamanan: institusi tetap perlu mengatur akses, memperbarui sistem, dan memastikan praktik pencatatan serta penyimpanan data berjalan dengan benar. Kebutuhan itu makin mendesak di tengah ancaman digital, termasuk risiko kebocoran dan penyalahgunaan data melalui spyware. AI dapat mendukung keamanan siber, tetapi tata kelola yang disiplin tetap menentukan hasilnya.
Dari lokakarya menuju penerapan yang bertanggung jawab
Lokakarya dua hari tersebut menggabungkan materi dengan praktik: peserta mempelajari pembangunan dan aktivasi AI lokal, lalu mengikuti simulasi penanganan gangguan serta penggunaan AI untuk keamanan siber dan operasi jaringan. Peserta juga memperoleh panduan teknis dan akses ke repositori sumber terbuka LLMNetOps, yang membuka peluang untuk menguji sistem sesuai kebutuhan masing-masing institusi. Langkah berikutnya adalah pendampingan daring yang disiapkan UB dan IDREN untuk membantu implementasi dan memperluas kolaborasi. Arah ini tepat, sebab perangkat lunak saja tidak cukup; pengelola perlu memahami batas sistem, memeriksa rekomendasi AI, dan menjaga prosedur keamanan. Pada akhirnya, AI lokal baru layak disebut kemajuan jika membuat jaringan lebih andal tanpa mengorbankan kendali institusi atas datanya. Dengan penerapan bertahap dan pengawasan manusia, kerja sama ini dapat menjadi contoh berguna bagi pengelolaan jaringan kampus.
