Kenapa “Chatbot MBG” Bisa Menghabiskan Triliunan — Dan Apa yang Sebenarnya Dibayar?

Ketika angka Rp1,2 triliun untuk kebutuhan IT program Makan Bergizi Gratis (MBG) viral, reaksi publik hampir seragam: buat apa chatbot/AI selangit?

Perbandingan yang muncul di timeline biasanya begini: “Startup bisa bikin chatbot WhatsApp dalam seminggu. Kok negara butuh triliunan?”

Pertanyaan itu sah. Tapi diagnosisnya sering meleset. Yang disorot publik sebagai “chatbot MBG” sejatinya adalah tumpukan sistem nasional: aplikasi inti, perangkat di ribuan dapur, managed service, keamanan data, dan — belakangan — lapisan AI untuk layanan warga serta pengawasan operasional.

Artikel ini membongkar studi kasusnya: kenapa anggaran AI/digital MBG terlihat “terlalu besar sejak awal”, di mana uang itu secara wajar bisa habis, dan di mana kewaspadaan publik tetap diperlukan.

1. Angka yang jadi pemicu

Berdasarkan penelusuran di portal pengadaan Inaproc yang dikutip Tempo, dua paket BGN pada Oktober 2025 tercatat sekitar Rp1,265 triliun:

• Managed Service Sarana IT dan IoT di 5.000 lokasi — Rp665,4 miliar
• Sistem Informasi Pemenuhan Gizi Nasional (SIPGN) — Rp600 miliar

Kepala BGN Dadan Hindayana kemudian menjelaskan realisasi yang disorot publik dialokasikan terutama untuk pengembangan aplikasi SIPGN (~Rp550 miliar, multi-modul) dan layanan managed service perangkat IoT (~Rp199 miliar). Proyek digarap lewat penunjukan langsung ke Perum Peruri sebagai GovTech, dengan alasan keamanan data gizi yang sensitif.

Di lapangan, lapisan “chatbot” juga sudah muncul: dapur SPPG mulai memakai AI di WhatsApp untuk jawab menu harian, kandungan gizi, jadwal distribusi, dan jalur pengaduan. Itu wajah yang paling terlihat warga — tapi bukan keseluruhan arsitektur yang dibayar negara.

2. Kesalahan bingkai: chatbot ≠ sistem nasional

Chatbot demo founder biasanya terdiri dari prompt + API model, knowledge base sempit, channel WhatsApp/web, dan satu orang yang merawat FAQ. Biayanya bisa puluhan sampai ratusan juta, tergantung volume.

Sistem digital MBG berada di spektrum lain. Program ini menyasar puluhan juta penerima manfaat, dengan puluhan ribu titik dapur (SPPG). Anggaran program induk sendiri berada di skala ratusan triliun rupiah per tahun (pagu 2026 sempat dipangkas dari Rp335 T ke Rp268 T). Dalam konteks itu, lapisan IT/AI bukan “fitur marketing”, melainkan sistem saraf operasional.

Kalau kamu hanya melihat bubble chat di WhatsApp, anggaran triliunan memang terdengar gila.
Kalau kamu melihat SIPGN + IoT di ribuan lokasi + keamanan data nasional + integrasi layanan publik, angkanya mulai bisa dijelaskan — meski tetap wajib diaudit.

3. Lima alasan anggaran bisa membengkak sejak awal

A. Skala deployment, bukan skala prompt. Mengoperasikan sensor/perangkat dan layanan managed di ribuan dapur jauh lebih mahal daripada menyewa GPU untuk menjawab FAQ. Biaya hardware, instalasi, maintenance, spare part, konektivitas, dan SLA nasional cepat menumpuk.

B. Core system dulu, AI belakangan. Sebelum ada chatbot yang “pintar”, negara butuh sistem pencatatan: penerima manfaat, menu, distribusi, stok, aduan, dan audit trail. Modul-modul SIPGN itulah yang biasanya memakan porsi terbesar — AI hanya lapisan di atas data yang sudah bersih.

C. Keamanan dan kepatuhan pemerintah. Data gizi penduduk bukan dataset playground. Ada kebutuhan high-security hosting, sertifikasi, kontrol akses, logging, dan vendor yang bisa dimintai tanggung jawab negara. Biaya “aman secara birokrasi” hampir selalu lebih mahal dari stack startup.

D. Integrasi channel + human escalation. Chatbot publik yang sukses jarang murni otomatis. Harus ada routing ke petugas, SOP pengaduan keracunan/pungli, anonimitas pelapor, dan eskalasi ke pengawasan. Itu biaya proses dan SDM, bukan hanya token LLM.

E. Scope AI yang direncanakan jauh lebih luas dari FAQ. Draf Perpres peta jalan AI (dilaporkan Reuters/Jakarta Post, Juni 2026) menyebut AI akan dipakai di MBG untuk merancang menu per wilayah, memantau kebersihan dapur, memprediksi permintaan pangan, mendeteksi penyimpangan, dan mengintegrasikan data kesehatan untuk peringatan dini. Itu sudah masuk kategori decision-support dan fraud/ops monitoring, bukan sekadar bot tanya-jawab.

4. Lalu, apakah angka besar otomatis justified?

Belum tentu.

Publik benar waspada karena beberapa sinyal tata kelola sempat bermasalah: status vendor yang tidak transparan di tampilan SPSE, metode penunjukan langsung, serta konteks MBG yang sudah dibayangi isu efisiensi, keracunan pangan, dan perombakan kepemimpinan.

Jadi posisi yang sehat bukan “Rp1,2 T pasti korupsi karena chatbot mahal”, atau “Rp1,2 T pasti wajar karena AI masa depan”.

Posisi yang lebih produktif: pisahkan harga infrastruktur nasional dari harga demoware, lalu tuntut breakdown yang bisa diaudit — berapa untuk aplikasi, perangkat, managed service, keamanan, operasional tahunan, dan berapa yang benar-benar LLM/chat.

Tanpa breakdown itu, “AI” mudah jadi kata sakti untuk menjustifikasi belanja besar.

5. Pelajaran buat ecosystem AI Indonesia

Buat founder dan vendor yang ingin masuk govtech/AI publik, kasus MBG mengajarkan empat hal:

1. Jangan jual chatbot; jual outcome operasional. Buyer pemerintah membayar penurunan kebocoran, kecepatan aduan, akurasi distribusi, dan auditabilitas — bukan bubble chat yang lucu.
2. Unit ekonomi-nya per lokasi dan per transaksi, bukan per demo. Harga yang masuk akal di 1 dapur bisa runtuh di 5.000–28.000 dapur jika instalasi, support, dan konektivitas tidak dihitung.
3. Data layer lebih mahal dari model layer. Model bisa diganti. Integrasi master data penerima, dapur, supplier, dan logistik jauh lebih sulit diganti.
4. Narasi efisiensi harus diikat ke metrik. Klaim “AI menghemat biaya” baru kredibel jika ada baseline: berapa aduan terselesaikan otomatis, berapa anomali terdeteksi, berapa kerugian tertahan.

Kesimpulan

Anggaran “chatbot/AI MBG” terlihat gila karena kata chatbot mengecilkan masalah menjadi UI percakapan. Yang sebenarnya dibangun — setidaknya di atas kertas — adalah tulang punggung digital program sosial berskala negara: sistem informasi, perangkat lapangan, keamanan data, dan lapisan AI untuk pengawasan.

Itu menjelaskan kenapa biayanya bisa tembus triliunan sejak awal.

Tapi penjelasan bukan pembenaran kosong. Justru karena skalanya besar, publik berhak menuntut rincian yang lebih tajam: apa yang dibeli, di mana dipasang, siapa yang mengoperasikan, dan metrik sukses apa yang dipakai.

Untuk scene AI Indonesia, MBG adalah studi kasus sempurna: bukan tentang siapa bisa bikin bot paling cepat — tapi siapa bisa mengoperasikan AI di skala publik tanpa kehilangan akal sehat soal biaya, risiko, dan akuntabilitas.