Ada sebuah pepatah lama dalam dunia komputasi yang berasal dari komputer mainframe pertama. "Sampah masuk, sampah keluar." Artinya, sebuah mesin hanya dapat bekerja dengan apa yang Anda berikan, dan jika Anda memberinya informasi yang salah, ia akan memberikan jawaban yang salah dengan penuh keyakinan. Prinsip itu tidak pernah lebih penting daripada sekarang, karena kecerdasan buatan mulai muncul dalam alat-alat yang kita gunakan untuk merancang, memasang, dan memeriksa sistem proteksi kebakaran. Teknologinya mengesankan. Namun, data di baliknya menentukan segalanya.

Mengapa kualitas data penting dalam proteksi kebakaran?

Proteksi kebakaran adalah disiplin ilmu yang dibangun berdasarkan ketelitian detail. Seorang profesional desain yang menentukan ukuran sistem sesuai NFPA 13 bekerja berdasarkan pengetahuan yang telah diuji terhadap kebakaran nyata, kegagalan nyata, dan kehilangan nyawa nyata. Ketika kita meminta alat AI untuk membantu pekerjaan itu, kita memintanya untuk menggunakan informasi apa pun yang telah dilatihnya. Jika informasi tersebut terkini, akurat, dan didasarkan pada kode yang sebenarnya kita gunakan, alat tersebut dapat benar-benar membantu. Jika informasi tersebut sudah usang, tidak lengkap, atau diambil dari sudut internet yang tidak terverifikasi, alat tersebut menjadi sumber kesalahan yang diam-diam dan penuh keyakinan. Dan kesalahan yang penuh keyakinan adalah jenis kesalahan yang paling berbahaya dalam aplikasi keselamatan jiwa.

Apa arti kualitas data bagi AI dalam sistem keselamatan jiwa?

Pertimbangkan apa arti sebenarnya dari "kualitas data" di dunia kita. Artinya, edisi standar yang digunakan itu penting. Model yang dilatih menggunakan edisi NFPA 13 yang sudah usang mungkin mengutip aturan jarak atau klasifikasi bahaya yang tidak lagi berlaku. Artinya, sumber data itu penting. Panduan yang diambil dari manual instalasi pabrikan memiliki bobot yang berbeda dibandingkan dengan komentar di forum, namun sistem AI yang tidak dapat membedakannya akan memperlakukan keduanya sebagai sama-sama benar. Artinya, konteks itu penting. Aturan yang benar untuk hunian dengan bahaya ringan bisa salah, bahkan berbahaya, jika diterapkan pada pengaturan penyimpanan yang tidak pernah dimaksudkan untuk dicakupnya. Mesin tidak mengetahui perbedaannya kecuali data tersebut telah mengajarkannya perbedaan tersebut.

Bagaimana NFPA dan NFSA membangun AI berdasarkan sumber-sumber yang berwibawa

Di sinilah industri mulai melakukan sesuatu yang patut diperhatikan. NFPA dan NFSA telah mulai membangun alat AI yang didasarkan pada sumber-sumber otoritatif, bukan pada web terbuka. NFPA menggambarkan asisten CASI-nya, yang diluncurkan di dalam NFPA LiNK, sebagai jawaban yang dapat dipercaya pengguna karena didasarkan pada konten resmi NFPA dan mengembalikan kutipan ke bagian sumber yang diandalkannya (NFPA, 2026). NFSA telah mengambil jalur serupa dengan alat Chat EOD-nya untuk pertanyaan teknik dan desain. Ketika sebuah alat mengambil jawabannya dari kumpulan kode dan standar yang sebenarnya, kualitas input meningkat tajam, dan output menjadi sesuatu yang dapat mulai dikerjakan oleh seorang profesional. Landasan itulah intinya. Itulah perbedaan antara alat yang menebak dan alat yang bernalar dari dokumen yang sama yang akan Anda ambil dari rak. Nilai dari upaya ini bukanlah karena didukung oleh AI. Nilainya adalah bahwa seseorang telah berhati-hati dengan apa yang dimasukkan ke dalamnya.

Masalah halusinasi ketika data kurang memadai

Bandingkan hal itu dengan apa yang terjadi ketika datanya buruk. Sebuah model serbaguna, yang ditanyai tentang masalah perlindungan kebakaran, seringkali akan menghasilkan jawaban yang terdengar berwibawa dan mudah dibaca. Model tersebut mungkin merujuk pada standar tertentu. Model tersebut mungkin menggunakan kosakata yang tepat. Dan mungkin juga salah dalam cara yang hanya dapat dideteksi oleh seorang profesional berpengalaman. Inilah masalah halusinasi, dan ini bukanlah kesalahan yang jarang terjadi. Ini adalah hasil yang dapat diprediksi dari meminta sistem untuk berbicara di luar apa yang dapat didukung oleh datanya. Sistem tersebut tidak berbohong. Sistem tersebut tidak memiliki konsep kebenaran. Sistem tersebut menyusun respons yang masuk akal dari pola-pola, dan ketika pola-pola yang mendasarinya lemah atau cacat, responsnya pun lemah atau cacat, yang dibungkus dengan bahasa yang fasih untuk menyembunyikan kekurangan tersebut. Profesi hukum mempelajari hal ini di depan umum ketika dua pengacara mengajukan berkas pengadilan yang dibangun berdasarkan kasus-kasus yang diciptakan oleh alat AI, dan hakim memberikan sanksi kepada mereka karenanya (Mata v. Avianca). Kutipan yang dibuat-buat itu tampak nyata. Padahal, kutipan tersebut sebenarnya tidak ada.

Akuntabilitas profesional dan standar perawatan

Taruhannya membuat ini lebih dari sekadar rasa ingin tahu teknis. Di bidang kita, kesalahan tidak hanya berhenti di layar. Kesalahan itu menjadi desain yang disetujui, sistem yang dipasang, dan bangunan yang ditempati. Insinyur profesional (PE) yang bertanggung jawab atas gambar tersebut menerima tanggung jawab profesional atasnya, dan tidak ada alat AI yang berbagi tanggung jawab itu. Jika data yang dimasukkan ke dalam alat tersebut buruk, sang profesional tetap bertanggung jawab atas hasilnya. Itu adalah pemikiran yang serius, dan seharusnya membentuk cara kita masing-masing mendekati alat-alat ini. Kita bertanggung jawab atas apa yang kita hasilkan, apa pun yang membantu kita menghasilkannya.

Praktik terbaik dalam menggunakan alat AI di bidang proteksi kebakaran.

Jadi, seperti apa praktik yang baik ketika alat-alat ini hadir? Semuanya dimulai dengan mengetahui dari mana jawaban itu berasal. Alat yang dapat menunjukkan sumbernya, mengutip standar yang sebenarnya, dan mengarahkan Anda ke bagian yang diandalkannya jauh lebih bermanfaat daripada alat yang hanya sekadar menyatakan. Kemudian dilanjutkan dengan verifikasi. Setiap keluaran dari sistem AI harus diperiksa terhadap kode yang mengaturnya dengan cara yang sama seperti Anda memeriksa pekerjaan rekan junior, karena pada dasarnya itulah yang Anda lakukan. Dan itu bergantung pada penilaian, jenis penilaian yang berasal dari pengalaman bertahun-tahun, yang memungkinkan seorang perancang berpengalaman untuk merasakan ketika suatu jawaban terasa salah bahkan sebelum mereka dapat menjelaskan alasannya. Naluri itu bukanlah sesuatu yang dapat digantikan oleh mesin. Itu adalah garis pertahanan terakhir ketika data mengecewakan kita.

Kualitas data menentukan apakah AI dapat melindungi nyawa.

Semua ini bukanlah alasan untuk berpaling dari teknologi. Alat-alat yang didasarkan pada sumber-sumber yang berwibawa sudah menunjukkan apa yang dapat dilakukan oleh data yang cermat, dan alat-alat tersebut akan terus berkembang. Intinya lebih sederhana dan lebih tua dari apa pun. Sebuah alat hanya sebaik apa yang Anda masukkan ke dalamnya. Di sebagian besar bidang, jawaban yang buruk hanyalah ketidaknyamanan. Di bidang kita, hal itu dapat membahayakan orang. Itulah mengapa kualitas data bukanlah masalah sepele bagi profesi kita. Ini adalah masalah yang menentukan apakah alat-alat ini membantu kita melindungi nyawa atau diam-diam merusak standar perawatan yang telah kita bangun selama beberapa dekade.

Mesin akan terus berkembang. Kewajiban kita tetap sama. Komunitas teknik kebakaran telah memberi sinyal ke mana perhatian mereka seharusnya tertuju. Pada SFPE AI in Fire Engineering Summit yang saya hadiri di Berkeley pada tahun 2025, verifikasi dan validasi menonjol sebagai prioritas bersama di antara para profesional di ruangan tersebut. Orang-orang yang menempati bangunan yang kita lindungi mengandalkan pekerjaan yang telah kita periksa sendiri, bukan jawaban yang diberikan mesin kepada kita begitu saja. Ungkapan "sampah masuk, sampah keluar" benar adanya bagi operator mainframe yang menciptakan frasa tersebut. Hal itu tetap benar hingga saat ini, dan biaya melupakannya tidak pernah setinggi ini.

 Referensi

Chat EOD: Dikembangkan oleh industri, untuk industri. https://nfsa.org/2025/11/06/chat-eod-developed-by-the-industry-for-the-industry/

NFPA meluncurkan NFPA LiNK 3.0, memajukan transformasi digital dalam keselamatan kebakaran dan jiwa. https://www.nfpa.org/about-nfpa/press-room/news-releases/2026/nfpa-unveils-nfpa-link-3-0-advancing-digital-transformation-in-fire-and-life-safety

Pelajaran Praktis dari Kesalahan AI Pengacara dalam Kasus Mata v. Avianca. https://www.acc.com/resource-library/practical-lessons-attorney-ai-missteps-mata-v-avianca

Refleksi dari KTT AI dalam Rekayasa Kebakaran 2025. https://www.sfpe.org/blogs/amanda-tarbet/2025/08/01/2025-ai-in-fire-engineering-summ