{"id":861,"date":"2026-08-06T13:52:15","date_gmt":"2026-08-06T06:52:15","guid":{"rendered":"https:\/\/komunitech.com\/blog\/?p=861"},"modified":"2026-08-06T14:20:15","modified_gmt":"2026-08-06T07:20:15","slug":"ai-agent-di-manufaktur-global-bukti-nyata-dari-siemens-bmw-foxconn-bosch-2026","status":"publish","type":"post","link":"https:\/\/komunitech.com\/blog\/enterprise\/ai-agent-di-manufaktur-global-bukti-nyata-dari-siemens-bmw-foxconn-bosch-2026\/","title":{"rendered":"AI Agent di Manufaktur Global: Bukti Nyata dari Siemens, BMW, Foxconn &amp; Bosch (2026)"},"content":{"rendered":"<p><strong>tl;dr:<\/strong> Perusahaan manufaktur global terbesar \u2014 Siemens, BMW, Foxconn, dan Bosch \u2014 sudah membuktikan AI Agent bisa memangkas downtime, mempercepat quality control, dan mengoptimalkan supply chain, dengan bukti dari pernyataan resmi eksekutif dan press release perusahaan. Artikel ini memetakan implementasinya secara konkret, plus insight buat top management manufaktur Indonesia yang lagi mempertimbangkan langkah yang sama \u2014 termasuk tantangan yang perlu disesuaikan ke konteks lokal.<\/p>\n<p>Downtime mesin yang tidak terencana adalah salah satu momok terbesar buat siapa pun yang menjalankan lini produksi. Satu mesin berhenti mendadak bisa berarti target produksi meleset, pengiriman ke klien telat, dan biaya perbaikan darurat yang jauh lebih mahal dibanding maintenance terjadwal. Quality control manual yang mengandalkan mata manusia rentan meleset \u2014 terutama di produk dengan toleransi presisi tinggi.<\/p>\n<p>Perusahaan manufaktur terbesar di dunia sudah bergerak untuk menjawab masalah ini dengan AI Agent \u2014 bukan sebagai eksperimen laboratorium, tapi sebagai bagian dari operasional harian mereka. Artikel ini memetakan apa yang sudah mereka lakukan, dengan sumber resmi yang bisa ditelusuri, plus apa artinya buat perusahaan manufaktur Indonesia yang sedang mempertimbangkan langkah serupa.<\/p>\n<h2>Siemens: AI Agent yang Menulis Kode Otomasi Pabrik<\/h2>\n<p>Pada Oktober 2023, Siemens dan Microsoft mengumumkan kemitraan untuk menghadirkan <strong>Siemens Industrial Copilot<\/strong> \u2014 asisten AI generatif yang dipasang langsung di lingkungan otomasi industri Siemens. Fungsinya: membantu engineer menulis, mengoptimalkan, dan men-debug kode otomasi kompleks yang biasanya butuh waktu berminggu-minggu.<\/p>\n<p>CEO Microsoft, Satya Nadella, menyampaikan dalam pengumuman resmi kemitraan ini:<\/p>\n<blockquote>\n<p>&#8220;With this next generation of AI, we have a unique opportunity to accelerate innovation across the entire industrial sector,&#8221; said Satya Nadella, Chairman and CEO, Microsoft. &#8220;We&#8217;re building on our longstanding collaboration with Siemens and bringing together AI advances across the Microsoft Cloud with Siemens&#8217; industrial domain expertise to empower both frontline and knowledge workers with new, AI-powered tools, starting with Siemens Industrial Copilot.&#8221;<\/p>\n<\/blockquote>\n<p>CEO Siemens AG, Roland Busch, menambahkan konteks soal dampak yang lebih luas:<\/p>\n<blockquote>\n<p>&#8220;Together with Microsoft, our shared vision is to empower customers with the adoption of generative AI,&#8221; says Roland Busch, CEO of Siemens AG. &#8220;This has the potential to revolutionize the way companies design, develop, manufacture, and operate. Making human-machine collaboration more widely available allows engineers to accelerate code development, increase innovation and tackle skilled labor shortages.&#8221;<\/p>\n<\/blockquote>\n<p>Yang menarik dari kutipan Busch: dia secara eksplisit menyebut Industrial Copilot sebagai jawaban atas <em>skilled labor shortages<\/em> \u2014 kelangkaan tenaga kerja terampil. Ini konteks yang sangat relevan buat manufaktur Indonesia, yang menghadapi tantangan serupa dalam mencari talenta teknis berpengalaman.<\/p>\n<p>Secara teknis, Industrial Copilot mengambil data simulasi otomasi dan proses dari platform digital Siemens Xcelerator, lalu memperkuatnya dengan Azure OpenAI Service. Hasilnya: tugas yang sebelumnya makan waktu berminggu-minggu bisa dipangkas jadi hitungan menit. Yang penting dicatat: Siemens menegaskan pelanggan tetap memegang kendali penuh atas data mereka, dan data itu tidak dipakai untuk melatih model AI dasar \u2014 poin krusial buat perusahaan yang sensitif soal kerahasiaan proses produksi.<\/p>\n<h2>BMW: AI yang Menyesuaikan Diri dengan Setiap Mobil yang Berbeda<\/h2>\n<p>Di BMW Group Plant Regensburg, tantangannya spesifik: satu lini perakitan yang sama memproduksi kendaraan mesin pembakaran, plug-in hybrid, dan full-electric secara bergantian \u2014 dengan hampir tidak ada dua mobil yang identik dalam spesifikasi. Setiap 57 detik, satu kendaraan baru keluar dari lini perakitan, dengan sekitar 1.400 kendaraan diproduksi setiap hari.<\/p>\n<p>Inspeksi kualitas manual yang seragam jadi tidak efektif untuk kompleksitas seperti ini. Jawabannya: proyek pilot bernama <strong>GenAI4Q<\/strong>, sistem AI yang menghasilkan katalog inspeksi yang disesuaikan untuk setiap kendaraan spesifik \u2014 bukan checklist generik yang sama untuk semua unit.<\/p>\n<p>Armin Ebner, kepala BMW Group Plant Regensburg, menjelaskan dalam rilis resmi perusahaan:<\/p>\n<blockquote>\n<p>&#8220;The use of artificial intelligence supports the digital transformation of BMW Group production towards an intelligently connected factory \u2014 for example, we are using AI for quality control in vehicle assembly. In this way, we are optimizing our production processes and creating added value for our products and, ultimately, for our customers.&#8221;<\/p>\n<\/blockquote>\n<p>R\u00fcdiger R\u00f6mich, yang bertanggung jawab atas Test Floor and Finish di Regensburg, menambahkan bahwa AI menganalisis data kendaraan (model, varian) sekaligus data produksi real-time untuk masing-masing unit, mengenali pola dan korelasi, lalu secara otomatis menentukan cakupan inspeksi dan mengorganisirnya lewat aplikasi smartphone yang dipakai teknisi lini produksi.<\/p>\n<p>Poin penting dari case BMW: AI tidak menggantikan inspektor manusia \u2014 ia membantu mereka bekerja lebih presisi dengan instruksi yang disesuaikan per unit, bukan checklist satu ukuran untuk semua.<\/p>\n<h2>Foxconn: AI Factory untuk Skala Produksi Global<\/h2>\n<p>Foxconn (Hon Hai Technology Group), sebagai salah satu manufaktur elektronik kontrak terbesar dunia, mengambil pendekatan strategis jangka panjang lewat strategi &#8220;3+3+3&#8221; yang mencakup Smart Manufacturing sebagai salah satu dari tiga platform intelijen utamanya.<\/p>\n<p>Foxconn secara aktif membangun kapabilitas <em>AI Factory<\/em> \u2014 infrastruktur yang memungkinkan deployment agentic AI dan aplikasi physical AI di lini produksinya, termasuk kolaborasi dengan NVIDIA untuk membangun digital twin pabrik dan kolaborasi dengan OpenAI untuk memperkuat kapabilitas AI generatifnya. Digital twin ini dipakai untuk memodelkan ulang proses manufaktur dan manajemen rantai pasok, membuka jalur baru untuk deployment fasilitas canggih secara global sekaligus memperkuat resiliensi korporasi.<\/p>\n<p>Skala Foxconn \u2014 dengan jutaan unit produk elektronik yang diproduksi setiap tahun untuk klien global \u2014 membuat AI Agent bukan pilihan tambahan, melainkan prasyarat untuk mengelola kompleksitas rantai pasok dan fluktuasi permintaan yang konstan.<\/p>\n<h2>Bosch: Investasi Miliaran Euro untuk AI Industrial<\/h2>\n<p>Bosch menempatkan taruhan besar pada AI industrial \u2014 dengan komitmen investasi senilai <strong>\u20ac2,9 miliar<\/strong> pada kecerdasan buatan, menandai pergeseran AI dari sekadar proyek pilot menjadi kapabilitas operasional inti di lini bisnis manufakturnya.<\/p>\n<p>Salah satu implementasi konkretnya: <em>AI Analytics Platform<\/em> yang dipakai untuk mengoptimalkan produksi di pabrik Bosch di Bamberg, Jerman. Bosch juga mengembangkan riset AI industrial yang lebih luas \u2014 menerapkan machine learning dan big data di berbagai lini manufaktur, engineering, supply chain, hingga layanan cerdas berbasis IoT \u2014 dengan fokus khusus pada AI yang aman, robust, dan <em>explainable<\/em> (bisa dijelaskan alasan keputusannya), bukan sekadar model black-box.<\/p>\n<p>Penekanan Bosch pada AI yang <em>explainable<\/em> ini penting dicatat: di industri manufaktur, keputusan AI yang tidak bisa dijelaskan alasannya adalah risiko operasional \u2014 terutama saat menyangkut keputusan yang berdampak pada keselamatan kerja atau kualitas produk.<\/p>\n<h2>Apa yang Bisa Dipelajari dari 4 Perusahaan Ini<\/h2>\n<p>Empat case di atas mewakili empat titik masuk berbeda ke AI Agent di manufaktur \u2014 bukan cuma satu use case yang sama diulang-ulang:<\/p>\n<ul>\n<li><strong>Siemens<\/strong> \u2014 AI membantu <em>engineer<\/em> menulis kode otomasi lebih cepat (produktivitas tenaga teknis).<\/li>\n<li><strong>BMW<\/strong> \u2014 AI mempersonalisasi inspeksi kualitas per unit produk (presisi quality control).<\/li>\n<li><strong>Foxconn<\/strong> \u2014 AI membangun digital twin untuk skala produksi &amp; rantai pasok global (kompleksitas operasional).<\/li>\n<li><strong>Bosch<\/strong> \u2014 AI Analytics Platform untuk optimasi proses produksi harian (efisiensi operasional pabrik).<\/li>\n<\/ul>\n<p>Menurut riset McKinsey soal pemeliharaan berbasis AI generatif, pendekatan predictive maintenance yang matang secara umum dilaporkan bisa memangkas downtime tidak terencana dan menekan biaya pemeliharaan \u2014 meski besaran persisnya sangat bergantung pada kompleksitas mesin, kualitas data sensor, dan tingkat kematangan implementasi di masing-masing pabrik. Angka spesifik dari studi kasus manapun sebaiknya dipakai sebagai gambaran arah, bukan janji hasil yang pasti sama di pabrik lain.<\/p>\n<h2>Bukti dari Manufaktur Indonesia: Studi Akademik di Sumatera Utara<\/h2>\n<p>Case global di atas mungkin terasa jauh dari realita pabrik di Indonesia. Karena itu, penting melihat bukti yang lebih dekat dengan konteks lokal. Sebuah studi akademik yang diterbitkan di <em>JUTEK \u2014 Jurnal Teknologi<\/em> (Universitas Battuta, Januari 2025) meneliti penerapan AI di <strong>tiga perusahaan manufaktur di Sumatera Utara<\/strong> yang sudah mengadopsi teknologi ini.<\/p>\n<p><em>Catatan: Komunitech tidak terlibat dalam studi maupun implementasi di perusahaan-perusahaan tersebut. Kami merujuk penelitian ini murni sebagai contoh terdokumentasi tentang penerapan AI di sektor manufaktur Indonesia \u2014 sebagai gambaran bahwa ini bukan cuma cerita perusahaan global.<\/em><\/p>\n<p>Temuan studi tersebut (berdasarkan wawancara manajer dan engineer, analisis dokumen, serta observasi langsung) menunjukkan hasil konkret:<\/p>\n<ul>\n<li><strong>Downtime mesin turun hingga 25%<\/strong> lewat penerapan predictive maintenance \u2014 mengurangi biaya perbaikan mendadak dan pemeliharaan tidak terencana.<\/li>\n<li><strong>Akurasi deteksi cacat produk mencapai 95%<\/strong> dengan sistem quality control berbasis AI (computer vision).<\/li>\n<li><strong>Kecepatan produksi meningkat sekitar 30%<\/strong> dan biaya operasional turun sekitar 20%.<\/li>\n<\/ul>\n<p>Yang menarik, tantangan yang ditemukan studi ini sama persis dengan yang dihadapi perusahaan global: biaya investasi awal yang tinggi dan kelangkaan tenaga ahli AI. Studi itu bahkan mengutip data World Economic Forum bahwa 54% perusahaan kesulitan merekrut dan mempertahankan talenta AI berkualitas. Artinya, hambatan buat manufaktur Indonesia bukan soal &#8220;teknologinya belum ada di sini&#8221; \u2014 teknologinya sudah terbukti jalan di Sumatera Utara \u2014 melainkan soal strategi adopsi: mulai dari mana, bagaimana melatih tim, dan bagaimana mengukur dampaknya.<\/p>\n<h2>Insight buat Top Management Manufaktur Indonesia<\/h2>\n<p>Empat case global di atas informatif, tapi konteksnya jelas beda dari pabrik di Indonesia. Berikut yang perlu dipertimbangkan top management sebelum mengambil keputusan:<\/p>\n<h3>1. Anda tidak perlu skala Siemens\/Foxconn untuk mulai<\/h3>\n<p>Keempat perusahaan di atas beroperasi di skala global dengan anggaran R&amp;D yang jauh di luar jangkauan mayoritas manufaktur Indonesia. Tapi pelajaran intinya bisa diadaptasi di skala lebih kecil: mulai dari satu use case terfokus \u2014 misalnya deteksi dini kerusakan mesin di satu lini kritis \u2014 bukan langsung membangun &#8220;AI Factory&#8221; penuh.<\/p>\n<h3>2. Kesenjangan talenta teknis adalah masalah yang sama, bukan cuma masalah Indonesia<\/h3>\n<p>Ingat kutipan Roland Busch soal Industrial Copilot yang membantu &#8220;tackle skilled labor shortages&#8221; \u2014 kelangkaan tenaga kerja terampil bukan masalah eksklusif Indonesia. Bahkan Siemens, dengan sumber daya global mereka, secara eksplisit membangun AI untuk mengurangi ketergantungan pada talenta langka. Ini justru argumen kuat: AI Agent bisa jadi <em>equalizer<\/em> buat pabrik Indonesia yang kesulitan merekrut engineer otomasi berpengalaman.<\/p>\n<h3>3. Legacy machinery butuh pendekatan integrasi yang realistis<\/h3>\n<p>Mayoritas pabrik di Indonesia menjalankan mesin dengan usia pakai bertahun-tahun, tidak semuanya dilengkapi sensor IoT modern seperti fasilitas Bosch atau BMW yang dibangun dengan infrastruktur digital dari awal. Langkah pertama yang realistis bukan mengganti seluruh mesin, tapi menambahkan lapisan sensor dan monitoring pada mesin existing \u2014 baru kemudian membangun AI Agent di atas data yang terkumpul.<\/p>\n<h3>4. Explainability bukan fitur opsional<\/h3>\n<p>Penekanan Bosch pada AI yang <em>explainable<\/em> relevan buat konteks manufaktur mana pun, termasuk Indonesia. Kalau AI Agent merekomendasikan penghentian mesin atau menandai unit sebagai cacat, operator dan supervisor perlu tahu <em>alasannya<\/em> \u2014 bukan sekadar menerima output tanpa konteks. Ini juga penting untuk membangun kepercayaan tim produksi terhadap sistem baru.<\/p>\n<h3>5. Mulai dari data yang sudah ada, bukan menunggu sistem sempurna<\/h3>\n<p>Sama seperti pola yang kami temukan di implementasi AI Agent enterprise Indonesia secara umum \u2014 <a href=\"https:\/\/komunitech.com\/blog\/enterprise\/ai-agent-di-skala-enterprise-indonesia-siapa-yang-sudah-bergerak-apa-yang-bisa-dipelajari-2026\/\">bank-bank besar memulai dari data historis yang sudah terkumpul<\/a>, bukan membangun database sempurna dari nol. Prinsip yang sama berlaku di manufaktur: log kerusakan mesin, catatan maintenance, dan data produksi yang sudah ada di spreadsheet atau sistem lama adalah titik awal yang cukup untuk mulai membangun AI Agent sederhana \u2014 persis seperti yang dilakukan tiga perusahaan di studi Sumatera Utara tadi.<\/p>\n<h2>Pertanyaan yang Sering Ditanya<\/h2>\n<h3>Apakah pabrik skala menengah di Indonesia bisa menerapkan AI Agent seperti Siemens atau BMW?<\/h3>\n<p>Konsepnya bisa diadaptasi meski skala dan anggarannya jauh berbeda. Kuncinya bukan meniru skala mereka, tapi mengambil prinsipnya: mulai dari satu use case terfokus (misalnya satu lini produksi kritis), bangun di atas data yang sudah ada, dan ekspansi bertahap setelah use case pertama terbukti berhasil.<\/p>\n<h3>Berapa biaya yang dibutuhkan untuk mulai menerapkan AI Agent di lini produksi?<\/h3>\n<p>Sangat bervariasi tergantung kompleksitas dan seberapa besar infrastruktur sensor yang sudah ada. Untuk use case terfokus seperti deteksi dini kerusakan mesin di satu lini, biayanya jauh lebih terjangkau dibanding membangun sistem menyeluruh di semua lini sekaligus. Diskusi dengan partner implementasi yang memahami kondisi pabrik spesifik Anda akan memberi estimasi yang lebih akurat daripada angka generik.<\/p>\n<h3>Apa risiko utama kalau pabrik saya masih pakai mesin lama tanpa sensor IoT?<\/h3>\n<p>Risiko utamanya bukan &#8220;tidak bisa mulai&#8221;, tapi butuh langkah tambahan: menambahkan sensor monitoring dasar sebelum AI Agent bisa &#8220;melihat&#8221; kondisi mesin secara real-time. Ini investasi awal yang perlu diperhitungkan, tapi bukan penghalang mutlak \u2014 banyak solusi retrofit sensor yang jauh lebih terjangkau dibanding mengganti seluruh mesin produksi.<\/p>\n<h3>Apakah AI Agent di manufaktur akan menggantikan pekerja lini produksi?<\/h3>\n<p>Dari case yang dibahas di atas, polanya konsisten: AI Agent membantu manusia bekerja lebih presisi dan efisien, bukan menggantikan mereka sepenuhnya. Di BMW, AI membantu inspektor manusia dengan instruksi yang disesuaikan per unit. Di Siemens, AI membantu engineer menulis kode lebih cepat \u2014 bukan menggantikan peran mereka. Pola yang sama berlaku di implementasi skala lebih kecil.<\/p>\n<h3>Dari mana sebaiknya pabrik di Indonesia mulai kalau tertarik menerapkan AI Agent?<\/h3>\n<p>Mulai dari pain point yang paling sering terjadi dan datanya sudah ada \u2014 biasanya deteksi dini kerusakan mesin (predictive maintenance) atau quality control di satu lini kritis. Ini titik masuk paling umum karena dampaknya cepat terlihat dan risikonya lebih terukur dibanding langsung menerapkan AI di seluruh lini produksi sekaligus.<\/p>\n<hr>\n<p>Kalau Anda memimpin operasional manufaktur dan ingin mendiskusikan use case AI Agent yang realistis untuk kondisi pabrik Anda \u2014 bukan sekadar teori dari case global \u2014 <strong>tim Komunitech siap membantu memetakannya.<\/strong><\/p>\n<p><strong>Diskusi tanpa komitmen, langsung ke WhatsApp:<\/strong><br \/>\n<a href=\"https:\/\/wa.me\/6282276986536\" target=\"_blank\" rel=\"noopener\">+62 822-7698-6536<\/a><\/p>\n<h2>Referensi<\/h2>\n<ul>\n<li><a href=\"https:\/\/news.microsoft.com\/2023\/10\/31\/siemens-and-microsoft-partner-to-drive-cross-industry-ai-adoption\/\" rel=\"noopener nofollow\" target=\"_blank\">Siemens &amp; Microsoft: Partnership Announcement (Press Release, Okt 2023)<\/a><\/li>\n<li><a href=\"https:\/\/www.press.bmwgroup.com\/global\/article\/detail\/T0449729EN\/artificial-intelligence-as-a-quality-booster\" rel=\"noopener nofollow\" target=\"_blank\">BMW Group: Artificial Intelligence as a Quality Booster (Press Release, Apr 2025)<\/a><\/li>\n<li><a href=\"https:\/\/www.foxconn.com\/en-us\/press-center\/press-releases\/latest-news\/1557\" rel=\"noopener nofollow\" target=\"_blank\">Foxconn: AI Factory &amp; Smart Manufacturing (Press Release)<\/a><\/li>\n<li><a href=\"https:\/\/www.bosch.com\/stories\/ai-in-manufacturing\/\" rel=\"noopener nofollow\" target=\"_blank\">Bosch: Artificial Intelligence in Manufacturing<\/a><\/li>\n<li><a href=\"https:\/\/www.mckinsey.com\/capabilities\/operations\/our-insights\/rewiring-maintenance-with-gen-ai\" rel=\"noopener nofollow\" target=\"_blank\">McKinsey: Rewiring Maintenance with Gen AI<\/a><\/li>\n<li>Simangunsong, H., Simanullang, J., &amp; Wayahdi, M. R. (2025). <em>Analisis Peran AI dalam Meningkatkan Efisiensi dan Inovasi di Industri Manufaktur<\/em>. JUTEK \u2014 Jurnal Teknologi, 1(2), 68\u201373. Universitas Battuta.<\/li>\n<\/ul>\n<p><em>Disclaimer: Data dan kutipan dalam artikel ini bersumber dari press release dan publikasi resmi masing-masing perusahaan per tanggal penerbitan. Angka dan detail implementasi bisa berubah \u2014 rujuk sumber resmi untuk informasi terkini.<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"<p>tl;dr: Perusahaan manufaktur global terbesar \u2014 Siemens, BMW, Foxconn, dan Bosch \u2014 sudah membuktikan AI Agent bisa memangkas downtime, mempercepat quality control, dan mengoptimalkan supply chain, dengan bukti dari pernyataan resmi eksekutif dan press release perusahaan. Artikel ini memetakan implementasinya secara konkret, plus insight buat top management manufaktur Indonesia yang lagi mempertimbangkan langkah yang sama [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":863,"comment_status":"open","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[251],"tags":[],"class_list":["post-861","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-enterprise"],"_links":{"self":[{"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/posts\/861","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/comments?post=861"}],"version-history":[{"count":2,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/posts\/861\/revisions"}],"predecessor-version":[{"id":864,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/posts\/861\/revisions\/864"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/media\/863"}],"wp:attachment":[{"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/media?parent=861"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/categories?post=861"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/komunitech.com\/blog\/wp-json\/wp\/v2\/tags?post=861"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}