Ada ironi yang terlalu rapi untuk sebuah sistem darurat: perusahaan yang membuat TASER kini juga mengoperasikan mesin yang menjawab panggilan 911 di New Orleans. Produk itu bernama Axon 911, dan dalam arsitektur sistem, fungsinya sederhana — menjadi middleware antara warga yang panik dan operator manusia yang jumlahnya tidak pernah cukup.
Arsitektur Antrian Tunggal
Sebelum mesin ikut campur, Orleans Parish Communications District (OPCD) beroperasi seperti antrian FIFO klasik: panggilan dijawab sesuai urutan kedatangan, dan ketika semua operator sibuk, penelepon menunggu di queue sambil mendengar nada sela. Direktur eksekutifnya, Karl Fasold, menggambarkan tekanan itu dengan jujur — panggilan menumpuk, operator bekerja back-to-back, dan tingkat stres naik di kedua sisi kabel. Dalam istilah infrastruktur, ini adalah sistem yang di-overprovision secara manual: kapasitas ditentukan oleh jumlah kursi dan gaji, bukan oleh metrik utilization.
Masalahnya adalah pola lalu lintas. Panggilan kecelakaan kendaraan melonjak saat jam sibuk pagi dan sore, dan tidak ada kota yang mampu staffing untuk surge semacam itu. “Mustahil, secara fiskal maupun praktis,” kata Fasold. Dalam arsitektur sistem, ini adalah kasus vertical pod autoscaling pada sumber daya yang tidak bisa di-scale: manusia tidak bisa di-spawn dalam hitungan detik, tidak bisa di-containerize, dan tidak bisa di-replicate tanpa biaya pensiun.
Middleware dengan Radius Dua Ratus Meter
OPCD bekerja sama dengan Carbyne sejak 2022; sistem yang sama kini di-brand sebagai Axon 911, produk dari perusahaan yang juga membuat TASER. Mesin yang mereka pasang bekerja seperti load balancer dengan satu aturan routing yang sederhana: jika penelepon berada dalam radius 200 meter dari lokasi kecelakaan yang sudah tercatat, panggilan itu ditangani mesin, bukan manusia.
Logikanya adalah deduplikasi — sebagian besar panggilan kecelakaan berasal dari saksi yang melihat hal yang sama dari sudut yang berbeda. Mesin bertanya apakah penelepon menelepon tentang kecelakaan di lokasi tertentu; jika jawabannya bukan “YA”, panggilan dikembalikan ke queue manusia. Dari setiap 20 panggilan kecelakaan, 15 sampai 18 ditangani mesin. Angka itu, dalam istilah sistem, adalah hit ratio yang membuat tim SRE mana pun tersenyum — sebelum menyadari bahwa objek yang di-serve adalah orang yang baru saja menabrakkan mobilnya.
Lokalitas Terbatas dan Fonem yang Tidak Terlatih
Bagian yang paling menarik dari proyek ini bukanlah akurasinya, melainkan proses pelatihannya. Selama tiga bulan, OPCD memberi makan sistem dengan rekaman panggilan 911 asli, dan di sinilah lokalitas terbatas mulai terlihat. Aksen New Orleans berbeda dari kebanyakan tempat, dan sistem harus belajar mengucapkan dan memahami nama jalan seperti “Tchoupitoulas” — satu kata yang, bagi model bahasa, adalah ujian tokenization dan, bagi penduduk setempat, sekadar nama jalan biasa.
Ini adalah pelajaran tentang distribusi data yang tidak pernah tercatat rapi di buku machine learning: dialek bukanlah noise, melainkan signal yang hilang ketika model dilatih di tempat lain. Di ruang operasional yang terbatas — katakanlah, pusat panggilan darurat di kota mana pun di Indonesia — pertanyaannya bukan apakah mesin bisa menjawab panggilan, melainkan apakah mesin bisa memahami nama kampung, aksen pasar, dan kepanikan yang mengubah vokal seseorang. Nomor darurat nasional 112 sudah menyatukan jalurnya; bahasa yang melewatinya tidak pernah seragam.
Inversi Prioritas yang Dilembagakan
Klaim paling berani datang dari hipotesis Fasold sendiri. Jika lima penelepon melapor tentang kecelakaan ringan dan semuanya ditangani mesin, maka panggilan tentang serangan jantung yang masuk berikutnya akan langsung disambungkan ke operator manusia — tanpa antre. Dalam ilmu sistem operasi, ini disebut priority inversion: proses berprioritas rendah menunda proses berprioritas tinggi. Di New Orleans, inversi itu justru diatasi oleh mesin yang menyortir antrian berdasarkan urgensi, bukan urutan kedatangan.
Konsekuensinya halus namun penting: mesin tidak hanya menghemat waktu operator, tetapi mengubah definisi keadilan dalam antrian. Dari sudut pandang fairness klasik, FIFO adalah demokrasi murni — siapa datang duluan, dilayani duluan. Dari sudut pandang triage, FIFO adalah pembunuh diam-diam, karena serangan jantung tidak punya kesabaran untuk menunggu giliran. Sistem ini memilih triage, dan dengan pilihan itu, ia melembagakan penilaian nilai: panggilan mana yang lebih layak dilayani lebih dulu. Keputusan yang dulu diambil manusia di bawah tekanan, kini diambil mesin di bawah kontrak $600.000 per tahun.
Biaya Inferensi dan Akuntabilitas yang Terdistribusi
Tidak ada yang meragukan niat baik proyek ini, tetapi cost of inference di sini bukan soal token. Fasold mengklaim tidak ada false positive maupun false negative dalam tiga bulan pertama, dan staf mendapat tambahan satu jam produktivitas per hari. Namun profesor bisnis Tulane, Rob Lalka, mengingatkan sesuatu yang lebih mendasar: “Jika salah satu kasus saja terlewat — jika salah sekali — nyawa seseorang dipertaruhkan.” Dalam sistem yang menjalankan triage untuk infrastruktur kritis, satu false negative bukanlah metrik, melainkan insiden yang mengakhiri karier dan, kadang, mengakhiri hal lain.
Pertanyaan akuntabilitas pun menjadi kabur: ketika panggilan salah di-routing, siapa yang bertanggung jawab — kota yang membeli sistem, perusahaan yang membuat TASER, atau model yang tidak pernah diwawancarai? Dalam arsitektur tradisional, jawabannya sederhana: operator yang memegang headset. Dalam arsitektur baru, kesalahan tersebar di antara lapisan middleware, dan setiap lapisan punya pengacara masing-masing.
Log ditutup. Mesin menata antrian, manusia menata sisanya, dan kota membayar agar keduanya tidak pernah saling bertemu. Di ruang operasional yang terbatas, urutan bukanlah keadilan — melainkan hasil kompilasi dari kebijakan yang tidak pernah ditulis.