Jalur Masa Depan AI: Mengapa Skala Besar Belum Tentu Lebih Baik?

CAMBRIDGE, (20 Maret 2026)

Siapa yang sebenarnya diuntungkan oleh perkembangan Kecerdasan Buatan? Pertanyaan mendasar ini menjadi topik utama dalam konferensi yang digelar di Massachusetts Institute of Technology (MIT) pada hari Rabu. Mengutip laporan dari MIT News, jurnalis Karen Hao dan akademisi Paola Ricaurte memaparkan kritik tajam terhadap trajektori pengembangan AI saat ini yang dianggap terlalu terobsesi dengan skala besar.

Melansir data dari Karen Hao, penulis buku "Empire of AI" (2025), ia menyerukan perubahan haluan dalam pengembangan teknologi ini. Hao menekankan perlunya menjauh dari peningkatan skala penggunaan data, Data Center, dan model yang dikembangkan di bawah rubrik Artificial General Intelligence (AGI). Menurutnya, skala masif tersebut seringkali tidak diperlukan untuk merealisasikan manfaat nyata bagi masyarakat.

Kritik Terhadap Model Skala Masif

Hao, yang pernah berkarir di The Wall Street Journal dan MIT Technology Review, menguraikan ukuran Dataset yang kini digunakan oleh perusahaan teknologi raksasa untuk melatih Large Language Model (LLM). Ia menyoroti adanya trade-off yang signifikan, seperti konsumsi energi yang masif, emisi dari hyper-scale Data Center, serta konsumsi air yang luar biasa besar untuk sistem pendinginan.

Selain dampak lingkungan, Hao mencatat beban manusia dalam ekosistem ini. Ia menyoroti para pekerja ekonomi gig di seluruh dunia yang harus memasukkan data secara manual untuk melatih model-model raksasa tersebut dengan upah yang seringkali tidak sepadan.

Sebagai perbandingan, Hao menawarkan jalur alternatif melalui contoh AlphaFold. Alat pemenang Hadiah Nobel yang digunakan untuk mengidentifikasi struktur protein ini mewakili konsep model AI kecil yang spesifik tugas. "Model ini dilatih pada Dataset yang dikurasi secara ketat hanya untuk masalah yang dihadapi. Tidak perlu supercomputing cepat karena Dataset-nya kecil, modelnya kecil, namun tetap memberikan manfaat luar biasa," ujar Hao.

AI Berbasis Kebutuhan Komunitas

Senada dengan Hao, Paola Ricaurte, profesor dari Tecnologico de Monterrey, Meksiko, menekankan pentingnya pendekatan AI yang didorong oleh tujuan (purpose-driven). Ia menyatakan bahwa tidak ada gunanya memiliki teknologi yang tidak merespons kebutuhan komunitas yang akan menggunakannya.

Ricaurte, yang juga merupakan pakar di UNESCO dan Global Partnership for AI, mendorong audiens untuk menjadi partisipan proaktif. Ia berpendapat bahwa teknologi akan bekerja paling baik ketika kebutuhan mendesak warga sehari-hari terpenuhi, bukan sekadar mengikuti tren industri global.

Dampak bagi Indonesia

Diskusi mengenai arah pengembangan AI ini memiliki relevansi tinggi bagi lanskap teknologi di Indonesia:

1. Efisiensi Biaya Komputasi: Bagi startup lokal, membangun model hyper-scale membutuhkan biaya GPU dan Cloud Computing yang sangat mahal (bisa mencapai miliaran hingga triliun Rupiah). Fokus pada model kecil yang spesifik (seperti untuk analisis pertanian atau logistik lokal) jauh lebih masuk akal secara ekonomi.
2. Kedaulatan Data & Bahasa: Alih-alih bergantung pada LLM global, Indonesia dapat mengembangkan model spesifik menggunakan Dataset Bahasa Indonesia dan bahasa daerah yang dikurasi dengan baik, mirip dengan pendekatan AlphaFold.
3. Etika Pekerja Data: Indonesia merupakan salah satu penyedia tenaga kerja terbesar untuk anotasi data dan moderasi konten. Regulasi yang lebih ketat diperlukan untuk melindungi pekerja lokal dari eksploitasi dalam rantai pasok global Generative AI.
4. Keberlanjutan Energi: Rencana pembangunan Data Center besar di Indonesia harus mempertimbangkan pasokan energi hijau agar tidak membebani target emisi nasional, mengingat tingginya konsumsi listrik infrastruktur AI.

---

Artikel ini akan diperbarui seiring tersedianya informasi baru. Join Komunitas Rekayasa AI di Discord untuk diskusi lebih lanjut.