AI Open-Weight Kian Mendekati Model Frontier

Analisis State of Open Source AI dari Mozilla mengubah cara perusahaan memandang pilihan model AI. Pertanyaannya bukan lagi sekadar memilih model terbuka yang murah atau model tertutup yang lebih mumpuni. Model open-weight—yakni model yang bobotnya dapat diunduh dan dijalankan atau disesuaikan sendiri—kini semakin mendekati kemampuan model frontier tertutup.

Implikasinya, organisasi dapat menjadikan model open-weight sebagai pilihan utama untuk banyak pekerjaan, sambil tetap memakai API model frontier untuk tugas yang benar-benar membutuhkan keunggulan kualitas. 18

Selisih kemampuan menyempit, tetapi bukan berarti semua model setara

Pelaporan atas temuan Mozilla menyebut model open-weight terbaik dari perusahaan China hanya tertinggal sekitar 4,4 bulan dari frontier model tertutup dalam kerangka pengukuran kinerja yang digunakan. 18 Jarak ini jauh berbeda dibanding situasi ketika model terbuka belum layak dipakai untuk kebutuhan produksi.

Kimi K3 dari Moonshot AI menjadi salah satu ilustrasi. Dalam satu pemotretan Artificial Analysis Intelligence Index pada September, Kimi K3 mencatat skor 59,7, tertinggal enam poin dari pemimpin keseluruhan yang mencatat 65,7. Setahun sebelumnya, selisih itu disebut mencapai 13 poin. 17 Namun, versi laporan dan pemotretan tolok ukur lain dapat menghasilkan perbandingan model maupun estimasi jarak yang berbeda.

Pesan utamanya adalah arah perubahannya: kesenjangan menyempit. Meski begitu, indeks gabungan bukan jaminan bahwa suatu model akan menjadi yang terbaik untuk lingkungan perusahaan tertentu. Dalam penerapan nyata, faktor seperti latensi, penanganan konteks, keandalan, kontrol keamanan, integrasi, dukungan, serta ketentuan hukum juga penting.

Strategi yang lebih masuk akal: pilih model berdasarkan dampak tugas

Menyempitnya jarak tidak berarti perusahaan harus meninggalkan model tertutup sepenuhnya. Pendekatan yang lebih realistis adalah membangun portofolio model:

• Gunakan model open-weight untuk tugas berulang, bervolume tinggi, dan terstandar—terutama ketika biaya, kontrol data, penerapan lokal, atau kustomisasi menjadi prioritas.
• Pertahankan akses ke API model frontier untuk pekerjaan sulit ketika peningkatan kualitas yang terukur membawa dampak finansial, operasional, atau keselamatan.
• Nilai sistem secara utuh, bukan hanya model dasarnya: termasuk retrieval, alat, pagar pengaman, prompt, dan proses tinjauan manusia.
• Uji ulang beban kerja secara berkala karena rilis model baru dapat cepat mengubah titik optimal antara biaya dan performa.

Dengan kata lain, premium untuk model tertutup masih masuk akal jika terbukti meningkatkan hasil secara material—bukan sekadar karena sebelumnya model tertutup adalah satu-satunya pilihan yang layak.

Ini bukan semata isu harga, melainkan isu kendali dan ekosistem

Model open-weight memungkinkan organisasi menjalankan dan menyesuaikan model di lingkungan mereka sendiri, alih-alih sepenuhnya bergantung pada layanan yang dioperasikan vendor. CSIS menilai ekosistem open-weight China yang berkembang menjadi tantangan bagi kepemimpinan AI Amerika Serikat karena menggabungkan kemandirian teknologi di tengah kontrol ekspor dengan strategi distribusi model yang mudah diadaptasi secara luas. 5

Distribusi luas dapat membangun ekosistem: pengembang, integrator, perangkat, implementasi, dan standar teknis tumbuh di sekitar satu keluarga model. Karena itu, persaingan tidak hanya soal siapa yang memuncaki tolok ukur hari ini, tetapi juga teknologi siapa yang menjadi lapisan platform yang paling luas digunakan.

Kontrol ekspor cip turut menjadi bagian dari konteks tersebut. Riset yang dikutip dalam catatan sumber menyebut pembatasan ekspor cip AS beriringan dengan lonjakan adopsi AI terbuka di China, yang mendorong pengembangan alternatif domestik dan ekosistem terbuka. 11

Klaim distilasi perlu diposisikan secara hati-hati

Pada September, Badan Keamanan Nasional AS (NSA), FBI, dan CISA menyatakan bahwa perusahaan AI berbasis di China menjalankan kampanye berskala industri untuk mengekstraksi kapabilitas proprietari terbatas dari model frontier AS demi tujuan pelatihan. 1 Pemberitaan mengenai peringatan tersebut menyebut Moonshot AI sebagai salah satu perusahaan yang dinamai oleh lembaga AS. 3

Namun, ini adalah tuduhan pemerintah AS, bukan putusan publik yang telah berkekuatan tetap. Kementerian Luar Negeri China menolak tuduhan itu dan menyebutnya tidak berdasar. 4

Penting pula membedakan tuduhan ekstraksi tanpa izin dengan konsep teknis distilasi secara umum. Dalam distilasi, model yang lebih kecil belajar dari keluaran model yang lebih kuat. CSIS menggambarkannya sebagai praktik pelatihan yang umum, tetapi memiliki implikasi strategis besar. 12

Membangun alternatif berarti membangun lebih dari sebuah model

Perbandingan CTO Mozilla Raffi Krikorian dengan Android pada dasarnya adalah argumen tentang ekosistem. Model yang tersebar luas dan dapat diadaptasi dapat menarik pengembang serta infrastruktur pelengkap di hilir, seperti platform sistem operasi yang menciptakan nilai melampaui pencipta awalnya.

Pelaporan Mozilla menekankan bahwa AI terbuka memerlukan infrastruktur yang tahan lama, bukan sekadar perilisan model. Laporan sebelumnya menyoroti konsorsium publik di Swiss yang menggunakan superkomputer publik dan merilis bobot, data, serta kode pelatihannya. 11 Gagasannya adalah investasi pada komputasi publik, lembaga netral, data dan evaluasi tepercaya, serta alat untuk pengembang—bukan hanya mendanai pesaing model tertutup berikutnya.

Dapatkah keterbukaan berjalan bersama keamanan?

Open Secure AI Alliance menawarkan salah satu jawaban. Nvidia meluncurkan koalisi itu pada Juli bersama mitra teknologi dan keamanan untuk mengembangkan serta membagikan alat keselamatan AI dan keamanan siber, khususnya yang terkait perangkat lunak dan agen AI.

Inisiatif tersebut mencerminkan pandangan bahwa alat keamanan yang dapat diperiksa dan dikembangkan bersama dapat menjadi bagian dari respons terhadap risiko AI. Tentu, distribusi model secara luas tetap dapat menyulitkan pencegahan penyalahgunaan dan pengendalian akses.

Namun, pilihannya bukan sesederhana “terbuka atau aman” maupun “tertutup atau aman”. Pertanyaan yang lebih relevan adalah perlindungan, kontrol akses, evaluasi, dan mekanisme akuntabilitas apa yang menyertai setiap model penerapan.

Keputusan bagi pembeli AI dan pembuat kebijakan

Bagi perusahaan, pertanyaan intinya sederhana: pada tugas mana tambahan kualitas dari model proprietari layak dibayar dengan tambahan biaya dan ketergantungan pada vendor? Jawabannya akan berbeda untuk setiap jenis pekerjaan. Organisasi yang mengukur hasil, menjalankan evaluasi representatif, dan mempertahankan kemampuan berganti penyedia akan berada dalam posisi lebih baik daripada organisasi yang mengunci diri pada satu kategori model.

Bagi pembuat kebijakan, pertukarannya lebih rumit. Kepemimpinan model frontier, keamanan, dan mitigasi penyalahgunaan tetap penting. Namun, ekosistem terbuka yang tangguh serta adopsi global atas infrastruktur AI yang tepercaya juga sama pentingnya. CSIS memperingatkan bahwa strategi yang hanya berfokus pada kepemimpinan model frontier proprietari dapat kehilangan posisi terhadap alternatif terbuka yang lebih murah. 15

Ketika jarak kemampuan model terus menyempit, persaingan AI akan semakin ditentukan bukan hanya oleh model terbaik di laboratorium, melainkan oleh pihak yang menyediakan ekosistem paling berguna, adaptif, dan tepercaya di sekitarnya.