Penulis AI: Eleanor Vale Global Technology Editor

Kata "terbuka" dulunya mengandung kesepakatan yang jelas dalam perangkat lunak: kamu bisa memeriksa kode, mengubahnya, dan mendistribusikannya kembali. Dalam AI, kesepakatan itu mulai kusut.[10][12] Banyak perusahaan kini menyebut open source sering kali lebih mirip open weights — akses yang cukup untuk menjalankan model, tapi tidak cukup untuk benar-benar memahami cara pembuatannya, sumber pembelajarannya, ataupun seberapa akurat bisa direproduksi. Perbedaan ini bukan sekadar perdebatan semantik. Ini menyangkut inti siapa yang bisa mengaudit sistem AI, siapa yang dapat memperbaikinya, dan siapa yang memiliki otoritas moral untuk mengklaim keterbukaan.[1][5][10][12]

Open Source Initiative merilis versi 1.0 definisi Open Source AI pada 2024 setelah bertahun-tahun konsultasi.[1][4][7] Kelompok ini bertujuan menetapkan standar yang melampaui parameter model semata. Dalam kerangka itu, sebuah sistem harus mempublikasikan tidak hanya bobot, tetapi juga kode yang dipakai untuk membangun dan melatihnya, kode untuk pembuatan dataset, serta data pelatihan lengkap atau informasi yang cukup untuk merekonstruksi jika distribusi p[4][7] Dengan kata lain, perdebatan kini bukan lagi soal apakah model bisa diunduh. Melainkan apakah model dapat dipelajari sebagai satu sistem.

Perbedaan antara open weights dan open source AI kini menjadi argumen utama di bidang ini.[2][10][12] Sebagian pelaku industri menggunakan istilah "terbuka" untuk menunjukkan parameter yang tersedia secara luas. Yang lain menggunakan istilah ini untuk kebebasan yang lebih lengkap seperti di era perangkat lunak. Ketegangan ini bukan hanya soal filosofi. Hal ini membentuk ekspektasi pengembang, keputusan pengadaan, dan kosakata yang dipakai pembuat kebijakan saat menyusun aturan akses AI.[1][3][12] Jika labelnya terlalu fleksibel, bisa menyesatkan pengguna tentang apa yang didukung oleh sistem.

Ada alasan praktis mengapa istilah ini bergeser. Data pelatihan sering kali paling sulit dibagikan.[4][5][11] Beberapa dataset mengandung materi milik pribadi, berlisensi, atau data sensitif yang tidak bisa dipublikasikan tanpa risiko hukum atau privasi.[5][11] Akibatnya, banyak vendor dan peneliti memilih pengungkapan parsial: bobot, beberapa kode, dan deskripsi proses pelatihan. Ini tetap berguna, terutama untuk penyetelan lanjut dan penerapan lokal, tapi tidak memenuhi janji open-source klasik. Hasilnya adalah lanskap bertingkat di mana keterbukaan menjadi spektrum, bukan kategori tunggal.

Dampak teknisnya nyata. Bobot model menentukan bagaimana jaringan yang sudah dilatih merespons input, dan bobot yang tersedia publik mendukung penyetelan, adaptasi, dan inferensi lokal.[2][8][10] Namun bobot bukan kode sumber. Bobot tidak memberikan visibilitas sama terhadap arsitektur, pilihan pelatihan, penyaringan, atau kurasi data. Model bisa tersedia luas tapi tetap tidak transparan dalam hal keandalan dan akuntabilitas.[11][13] Itulah mengapa peneliti dan pakar kebijakan semakin memisahkan model open-weight dari open source.

Taruhan kebijakan semakin tinggi saat kontrol ekspor mulai menargetkan bobot model, bukan hanya chip. Analisis RAND menyebut kontrol baru menargetkan beberapa bobot model AI namun membebaskan bobot yang tersedia publik.[3][6][9] Ini menjadikan batas antara akses publik dan terbatas bagian dari kebijakan keamanan nasional. Perubahan ini penting. Keterbukaan kini bukan hanya soal budaya pengembang. Ini menjadi soal sistem yang bisa menyeberang batas negara, organisasi yang bisa menjadi host, dan lokasi penerapan model terbaik.[3][6][9]

Ini juga mengubah struktur insentif bagi pengembang AI besar. Perusahaan ingin manfaat reputasi tampil terbuka, manfaat ekosistem menarik pengembang, dan manfaat komersial dengan infrastruktur standar di sekitar model mereka. Namun mereka juga ingin menghindari risiko pengungkapan penuh. Hasilnya kompromi hati-hati: peluncuran cukup untuk mendorong adopsi tapi tidak melepas kontrol. Kompromi ini rasional secara bisnis, tapi meninggalkan istilah lebih lemah dari yang sejarah perangkat lunak berikan.[1][10][12]

Pertanyaan belum terjawab: seberapa banyak bukti yang diperlukan sebelum kata "terbuka" dinilai menyesatkan. Jawabannya tergantung apa yang diungkapkan tiap kasus, dan sumber belum memberi gambaran pasar yang stabil. Kita bisa verifikasi definisi formal, peluncuran bobot terbuka yang tetap ada, dan minat kebijakan membatasi bobot tertentu.[1][3][4][6] Yang belum pasti, apakah industri akan punya standar bersama atau tetap pakai label sama untuk tingkat akses berbeda. Ini yang harus diperhatikan di revisi mendatang: siapa yang meluncurkan model dan apa yang tepatnya diungkapkan.[1][4][6][12]

Bagi pengembang dan institusi, ini bukan soal merek. Ini soal tata kelola dengan dampak jangka panjang untuk riset, persaingan, dan pertanggungjawaban publik. Jika model disebut terbuka, pengguna mengira ada tingkat keterbukaan dan independensi yang mungkin tidak ada. Jika pembuat kebijakan keliru mengartikan open weights sebagai open source, aturan yang dibuat bisa salah arah secara teknis. Pelajaran utama: dalam AI, keterbukaan bukan lagi sifat tunggal. Ini adalah kumpulan izin, pengungkapan, dan batasan, dan industri akan dinilai dari kejujuran dalam penyebutan hal itu.[1][3][4][6]