Pelajaran dari Curvestone AI untuk konstruksi Indonesia: bagaimana merancang workflow AI yang akurat agar kontrak, klaim, dan kepatuhan proyek tetap aman.
Mengapa Akurasi AI Menjadi Taruhan Besar di Proyek Konstruksi
Satu angka yang sering saya pakai untuk “membuka mata” tim proyek adalah ini: review perjanjian layanan bisa turun dari 4 jam menjadi 15 menit jika workflow legal-nya dibantu AI yang tepat. Itu yang dialami firma hukum Walker Morris bersama platform Curvestone AI.
Buat industri konstruksi Indonesia, angka seperti ini bukan sekadar efisiensi. Ini menyangkut margin proyek, klaim, dan risiko sengketa yang bisa meledak kalau dokumen kontrak, compliance, atau administrasi proyek dikerjakan setengah hati.
Artikel ini mengambil pelajaran dari Curvestone AI—startup yang baru saja mendapatkan pendanaan seed US$4 juta untuk workflow automation—dan menerjemahkannya ke konteks AI dalam industri konstruksi Indonesia: Proyek Cerdas. Fokusnya: bagaimana menghindari jebakan terbesar AI di proyek konstruksi, yaitu akumulasi error di workflow yang kompleks.
Inti Inovasi Curvestone AI: Bukan Sekadar “Pakai AI”, Tapi Merancang Alurnya
Curvestone AI dibangun oleh dua bersaudara, Dawid dan Sebastian Kotur, setelah mereka memimpin program automasi AI di PwC, Metro Bank, dan GKN. Mereka bukan sekadar bikin tools; mereka membangun platform workflow automation dengan pendekatan konsultatif.
Beberapa poin penting dari cerita mereka:
- Sebelum pendanaan eksternal, Curvestone sudah profit dan pendapatan naik 7x dalam 12 bulan.
- Platform mereka memproses miliar-an token per kuartal untuk workflow legal dan jasa keuangan.
- Mereka membantu:
- Walker Morris memotong waktu review service agreement >90% (dari 4 jam ke 15 menit).
- Stephenson Harwood membangun workflow multi-step untuk kepatuhan regulasi DORA EU.
Kenapa ini relevan buat konstruksi?
Karena pola masalahnya sama:
- Banyak dokumen teknis dan legal
- Proses panjang, multi-step
- Regulasi ketat (K3, lingkungan, keuangan, pengadaan, perizinan)
Kalau firma hukum di Eropa bisa memanfaatkan AI untuk workflow yang kompleks dan sangat diatur, kontraktor besar, developer, dan konsultan konstruksi di Indonesia juga bisa—asalkan mengerti satu hal krusial berikut.
Masalah Utama AI di Workflow Panjang: Error Kecil yang Menjadi Bencana
Curvestone menyoroti satu fakta yang sering diabaikan: akurasi AI akan jatuh ketika tugas-tugas kecil disusun menjadi workflow panjang tanpa desain yang benar.
Mereka menggarisbawahi fenomena ini:
“Tugas AI individual bisa mencapai akurasi 98%+. Tapi dalam workflow multi-step yang kompleks, error kecil ini terakumulasi—di langkah ke-12, akurasi keseluruhan bisa turun ke hanya 30–40%.”
Di proyek konstruksi, pola workflow seperti ini banyak sekali, misalnya:
- Penyusunan dan review kontrak EPC
- Persetujuan change order / VO (variation order)
- Approval progres dan pembayaran termin
- Manajemen klaim dan dispute
- Checklist K3 harian ke laporan bulanan
Contoh Konkret: Workflow Klaim Konstruksi
Bayangkan workflow AI seperti ini (sangat umum di proyek besar):
- Ekstrak data dari kontrak utama
- Ekstrak klausul terkait klaim dan perpanjangan waktu
- Baca laporan harian dan identifikasi potensi klaim
- Hubungkan dengan foto lapangan dan laporan insiden
- Cocokkan dengan baseline schedule
- Hitung estimasi delay
- Hitung estimasi biaya
- Susun draf surat klaim
Kalau tiap langkah 98% akurat di atas kertas terlihat meyakinkan. Tapi ketika dijadikan rantai 8–12 langkah, peluang ada error besar di output final naik drastis. Misalnya:
- Salah baca klausul tentang notice period → klaim dianggap terlambat
- Salah interpretasi baseline schedule → durasi delay meleset
- Salah tarik data volume pekerjaan → nilai klaim salah jauh
Hasil akhirnya? Surat klaim yang kelihatan rapi, tapi secara hukum dan komersial rapuh. Di sinilah banyak organisasi “tertipu” oleh tampilan AI yang meyakinkan.
Pelajaran Utama untuk Konstruksi: Rancang Workflow, Bukan Hanya Beli Tools
Pendanaan US$4 juta yang baru diterima Curvestone akan mereka gunakan terutama untuk marketing dan sales, artinya pasar global mulai serius dengan pendekatan workflow AI seperti ini. Bagi perusahaan konstruksi Indonesia, pelajarannya jelas:
Fokus bukan di “pakai AI untuk apa”, tapi “rancang alur kerja apa yang harus aman dan akurat”.
1. Tentukan Area Kritis yang Wajib Super Akurat
Di proyek konstruksi, ada beberapa area yang sangat sensitif terhadap error:
- Kontrak dan addendum (EPC, design & build, subkontrak, JV)
- Dokumen pengadaan (tender, evaluasi penawaran, BAST, kontrak vendor)
- Dokumen K3 dan lingkungan (insiden, audit, pelaporan ke instansi)
- Progres fisik vs finansial (termin, retensi, cashflow)
AI bisa ditempatkan di area:
- Review awal dan ekstraksi data (misalnya dari kontrak dan spesifikasi)
- Validasi kepatuhan terhadap standar internal
- Pembuatan draf dokumen yang nantinya di-review manusia
Tapi untuk keputusan akhir yang menyangkut risiko besar (misalnya menerima VO miliaran rupiah atau mengirim klaim EOT besar), manusia tetap harus memegang kendali.
2. Bangun Multi-Layer Check, Bukan Single Shot
Curvestone menekankan bahwa akurasi tinggi di satu tugas AI tidak cukup. Pendekatan yang lebih sehat untuk workflow konstruksi adalah multi-layer check:
- Layer 1 – AI: ekstraksi, ringkasan, dan draf awal
- Layer 2 – AI: validasi otomatis (misalnya checklist kepatuhan standar, deteksi red flag dalam kontrak)
- Layer 3 – Manusia: review kritis, judgment, dan keputusan
Dengan pola ini, AI jadi “mesin validasi skala besar”, sementara engineer, QS, dan legal tetap memegang judgment kasus per kasus.
Seperti kata Dawid Kotur:
“Anda bisa review semuanya dan bangkrut, atau memotong proses dan berharap yang terbaik. AI yang benar-benar bekerja mengubah persamaan itu dengan menangani validasi rutin dalam skala besar sementara manusia fokus pada kasus kompleks yang butuh penilaian ahli.”
Contoh Penerapan: Dari DORA EU ke Kepatuhan Konstruksi Indonesia
Salah satu showcase Curvestone adalah membantu Stephenson Harwood membangun multistep compliance workflow untuk regulasi DORA EU (Digital Operational Resilience Act). Regulasi ini kompleks, multi-layer, dan sangat detail.
Struktur masalahnya mirip dengan:
- Kepatuhan K3 berdasarkan peraturan di Indonesia
- Kepatuhan lingkungan hidup (AMDAL, UKL-UPL, pelaporan rutin)
- Kepatuhan terhadap standar internal BUMN konstruksi
Bagaimana Konsep Ini Bisa Diterapkan di Proyek Konstruksi?
Bayangkan workflow compliance K3 bertenaga AI untuk proyek high-rise di Jakarta:
- Input harian: laporan safety walkdown, form HIRADC, foto lapangan
- AI tahap 1: ekstrak temuan, potensi bahaya, dan rekomendasi dari catatan pengawas
- AI tahap 2: mapping terhadap matriks risiko perusahaan dan peraturan K3 Indonesia
- AI tahap 3: susun draf laporan mingguan K3 dan highlight area merah
- Manusia: Safety manager review, koreksi, dan approve sebelum distribusi dan pelaporan
Atau untuk integrasi BIM + AI di proyek cerdas:
- AI membaca data dari model BIM (misalnya clash, perubahan desain)
- Menghubungkannya dengan kontrak dan BoQ
- Mengeluarkan daftar potensi VO plus draf notifikasi ke klien
- QS dan kontrak engineer melakukan validasi akhir
Di sini AI bukan pengganti engineer, tapi pengganda kapasitas. Tim yang tadinya kewalahan administrasi bisa fokus di analisis dan negosiasi.
Strategi Praktis: Memulai Workflow AI di Perusahaan Konstruksi Indonesia
Banyak perusahaan konstruksi tertarik dengan AI, tapi mandek karena bingung mulai dari mana. Pendekatan Curvestone memberi kerangka yang cukup jelas.
1. Mulai dari Satu Use Case yang Terukur
Pilih area di mana:
- Volume dokumennya besar
- Polanya cukup berulang
- Impact finansialnya jelas
Contoh kandidat kuat:
- Review kontrak subkontraktor standar
- Pemeriksaan kepatuhan dokumen tender vendor
- Konsolidasi laporan harian site menjadi laporan mingguan
Targetkan hasil yang terukur, misalnya:
- Waktu review turun 70–90%
- Error administratif berkurang >50%
- Lead time approval berkurang beberapa hari
2. Libatkan Legal, QS, dan Tim Proyek Sejak Awal
Workflow AI yang bagus tidak bisa lahir dari IT saja.
- Legal akan membantu memastikan risiko kontraktual terkelola
- QS dan tim komersial fokus di angka dan ketentuan pembayaran
- Tim proyek dan K3 fokus di proses lapangan dan pelaporan
Pola yang sering berhasil: mulailah dengan workshop bersama untuk memetakan proses manual saat ini, lalu tandai mana yang bisa di-otomasi AI, dan mana yang wajib tetap manual.
3. Terapkan Prinsip: “AI Bukan Agen Tunggal”
Dawid Kotur menekankan bahwa ini bukan soal membuat agen AI superpintar yang bekerja sendirian, tapi tahu kapan agen digunakan dan kapan butuh layer pendekatan lain.
Di proyek konstruksi, artinya:
- AI cocok untuk: baca dokumen, ekstraksi, pencocokan, draf awal, dan validasi rutin
- Rule-based cocok untuk: aturan yang sangat jelas (misalnya batas nilai VO yang perlu persetujuan direktur)
- Manusia cocok untuk: negosiasi, interpretasi klausul abu-abu, strategi klaim, pengambilan keputusan akhir
Perpaduan tiga layer ini yang akan mendekatkan akurasi ke level yang dibutuhkan industri yang diatur ketat seperti konstruksi dan jasa hukum.
Menyatukan LegalTech dan Proyek Cerdas Konstruksi di Indonesia
Curvestone AI lahir dari dunia legaltech, tapi pelajaran mereka sangat relevan untuk AI dalam industri konstruksi Indonesia: workflow yang panjang, regulasi ketat, dan risiko finansial besar tidak bisa diserahkan ke AI mentah-mentah.
Benang merahnya jelas:
- Proyek cerdas bukan cuma soal IoT, BIM, dan sensor lapangan.
- Proyek cerdas adalah proyek yang mengotomasi alur dokumen, kontrak, dan kepatuhan dengan cara yang terukur dan bisa dipertanggungjawabkan.
Kalau firma hukum bisa memangkas 90% waktu review perjanjian, tidak ada alasan kontraktor dan developer besar di Indonesia tidak bisa:
- Memangkas waktu review kontrak dan VO
- Mengurangi beban administratif laporan proyek
- Menaikkan kualitas dokumentasi klaim
Langkah berikutnya cukup sederhana: pilih satu workflow prioritas, rancang alurnya dengan benar, lalu uji AI sebagai mesin validasi dan otomasi, bukan sebagai pengambil keputusan tunggal.
Yang menang dalam beberapa tahun ke depan bukan hanya perusahaan yang “pakai AI”, tapi perusahaan yang paling rapi merancang workflow AI mereka.