Distillation AI Bukan Hanya Masalah Model, tetapi Masalah Akses

Y Combinator CEO Garry Tan baru-baru ini menyampaikan pandangan yang cukup berbeda dari sebagian suara besar di industri AI. Ketika muncul kekhawatiran bahwa lab AI China memakai teknik distillation untuk mengambil pengetahuan dari model frontier, Tan berharap regulator tidak langsung ikut campur.

Bahkan, ia membuka kemungkinan bahwa lab AI open-weight di Amerika juga sebaiknya bisa melakukan hal serupa terhadap model frontier Amerika.

Pernyataan ini terdengar provokatif, terutama karena muncul setelah Anthropic merilis laporan tentang dugaan illicit distillation attacks oleh lab China. Dalam laporan itu, Anthropic menyebut adanya penyamaran identitas, penggunaan kredensial curian, dan cara-cara yang melanggar izin akses.

Namun titik pentingnya bukan sekadar apakah distillation boleh atau tidak. Titik pentingnya adalah batas antara akses sah, kompetisi teknologi, dan kontrol berlebihan atas pengetahuan yang sudah dikeluarkan oleh model.

The Core Update

Distillation dalam konteks AI adalah proses ketika satu model banyak berinteraksi dengan model lain untuk mempelajari pola jawaban, cara bernalar, atau kemampuan tertentu. Teknik ini bukan hal baru dan tidak otomatis ilegal. Banyak lab AI menggunakannya sebagai bagian dari proses pelatihan model baru.

Masalah muncul ketika distillation dilakukan dengan cara yang melanggar akses. Misalnya memakai kredensial curian, menyamarkan identitas, atau menghindari batas penggunaan yang sudah disepakati.

Di sisi lain, Garry Tan tidak sedang mendorong lab AI Amerika untuk mencuri akses. Ia membedakan antara masuk lewat pintu depan dan masuk lewat cara curang.

Pandangan Tan lebih dekat ke pertanyaan ini: jika pelanggan membayar API dan menerima output dari model, sejauh mana pemilik model boleh mengatur apa yang boleh dipelajari pelanggan dari output tersebut?

Ini menjadi rumit karena banyak model frontier sendiri dilatih dari pengetahuan publik dalam skala sangat besar. Banyak pihak di industri kreatif, media, dan pemilik konten pernah mengkritik proses tersebut karena materi berhak cipta ikut digunakan tanpa izin eksplisit.

Dengan kata lain, perdebatan ini bukan hanya tentang keamanan model. Ini juga tentang konsistensi.

Jika frontier lab bisa membangun model dari pengetahuan publik, apakah mereka kemudian boleh menutup rapat kemampuan model itu melalui terms of service yang sangat ketat? Jika semua akses kecerdasan buatan terkunci di beberapa perusahaan besar, apakah pasar masih sehat?

Tan melihat risiko besar jika kemampuan AI frontier akhirnya hanya terkonsentrasi di satu atau sedikit penyedia proprietary. Menurutnya, open-weight model memberi lebih banyak kebebasan dan akses bagi ekosistem.

The Reality Check

Pandangan ini masuk akal, tetapi tetap perlu dibaca dengan hati-hati.

Open-weight AI memang penting. Developer, startup, kampus, dan bisnis kecil membutuhkan pilihan yang tidak selalu bergantung pada satu vendor besar. Jika semua kemampuan inti AI hanya tersedia lewat API tertutup, biaya, kebijakan, dan arah produk bisa berubah kapan saja tanpa banyak ruang tawar.

Namun kebebasan akses juga tidak boleh menjadi alasan untuk mengabaikan keamanan, kontrak, dan penyalahgunaan kredensial.

Ada perbedaan besar antara belajar dari output yang diperoleh secara sah dan mengambil output dengan identitas palsu atau akses curian. Yang pertama adalah debat tentang batas penggunaan dan kompetisi. Yang kedua adalah masalah kepercayaan dan keamanan.

Bagi bisnis, perdebatan ini sering terasa jauh. Tetapi dampaknya nyata.

Jika pasar AI terlalu terkonsentrasi, bisnis akan makin bergantung pada satu penyedia. Harga bisa berubah. Fitur bisa dibatasi. Model bisa diganti. Data policy bisa diperbarui. Workflow yang sudah terlanjur dibangun bisa terdampak.

Sebaliknya, jika ekosistem open-weight makin kuat, bisnis punya lebih banyak opsi. Beberapa workload bisa dijalankan dengan model terbuka. Beberapa proses bisa tetap memakai frontier model. Beberapa automation bisa dipilih berdasarkan biaya, privasi, latency, dan risiko vendor lock-in.

Masalahnya, tidak semua bisnis perlu ikut debat ideologis open versus closed.

Yang lebih penting adalah memahami kebutuhan operasional sendiri.

Apakah AI dipakai untuk menjawab pelanggan? Membantu sales follow-up? Merapikan dokumen? Mengklasifikasi tiket support? Membuat ringkasan meeting? Membantu developer menulis kode? Setiap use case punya toleransi risiko yang berbeda.

Untuk pekerjaan yang dekat dengan data pelanggan, bisnis perlu lebih berhati-hati. Untuk pekerjaan internal yang tidak sensitif, model open-weight bisa sangat masuk akal. Untuk pekerjaan yang butuh reasoning kuat, frontier model mungkin masih lebih efisien.

Jadi pertanyaannya bukan model mana yang paling benar secara ideologi. Pertanyaannya adalah model mana yang paling sesuai untuk alur kerja, data, biaya, dan risiko bisnis.

The Havedev Way

Dari sudut pandang Havedev, perdebatan distillation ini menunjukkan satu hal penting: strategi AI tidak seharusnya dimulai dari nama model.

Banyak bisnis terlalu cepat bertanya, “pakai model apa?” Padahal pertanyaan awal yang lebih sehat adalah, “pekerjaan apa yang ingin dibantu, data apa yang terlibat, dan keputusan apa yang harus tetap dikontrol manusia?”

Untuk bisnis yang baru mulai memakai AI, pendekatan paling aman biasanya sederhana.

Pertama, pisahkan use case berdasarkan sensitivitas data. Jangan perlakukan semua automation sama. Ringkasan artikel publik berbeda dengan analisis data pelanggan. Draft caption berbeda dengan klasifikasi komplain. Chatbot internal berbeda dengan sistem yang menjawab pelanggan secara langsung.

Kedua, hindari ketergantungan penuh pada satu provider sejak awal. Tidak semua sistem harus multi-model dari hari pertama, tetapi desain workflow sebaiknya tidak terlalu menempel pada fitur unik satu vendor jika tidak perlu.

Ketiga, gunakan AI untuk memperjelas proses, bukan menutupi proses yang belum rapi. Kalau status lead, order, support, dan follow-up masih kabur, AI hanya akan mempercepat kebingungan. Model bisa membuat ringkasan, tetapi tidak bisa menggantikan definisi kerja yang belum disepakati.

Keempat, simpan keputusan penting di sisi bisnis. AI boleh membantu membaca pola, memberi saran, atau menyusun draft. Tetapi keputusan soal pelanggan prioritas, refund, kontrak, harga, dan eskalasi tetap harus punya aturan yang jelas.

Kelima, pantau arah ekosistem open-weight. Tidak semua bisnis perlu menjalankan model sendiri, tetapi memahami opsi open-weight membuat strategi teknologi lebih sehat. Ada kasus di mana model terbuka cukup baik, lebih murah, dan lebih mudah dikontrol. Ada juga kasus di mana frontier API tetap pilihan terbaik.

Inilah titik tengah yang sering lebih berguna daripada debat ekstrem.

Model proprietary mendorong batas kemampuan AI. Model open-weight menjaga pilihan tetap tersedia. Bisnis membutuhkan keduanya, tetapi harus tahu kapan memakai masing-masing.

Perdebatan Garry Tan dengan sebagian lab frontier bukan sekadar drama Silicon Valley. Ini adalah sinyal bahwa akses ke kemampuan AI akan menjadi isu bisnis yang besar. Bukan hanya untuk perusahaan teknologi, tetapi juga untuk bisnis yang mulai menggantungkan operasionalnya pada automation dan AI assistant.

Kalau seluruh alur kerja penting hanya bergantung pada satu model tertutup, risiko bisnis ikut terkunci di sana. Kalau semua hal dipindahkan ke model terbuka tanpa evaluasi keamanan, risiko lain muncul.

Jalan yang lebih sehat adalah membangun AI workflow yang sadar konteks: jelas datanya, jelas tujuannya, jelas batas otomatisasinya, dan tidak terkunci lebih dalam dari yang diperlukan.

AI yang baik bukan hanya soal model paling pintar. AI yang baik adalah AI yang membantu bisnis bergerak lebih jelas, lebih cepat, dan tetap punya kontrol.

Dapatkan Audit Teknis Gratis untuk meninjau alur AI, automation, dan workflow digital bisnis Anda sebelum terlalu bergantung pada satu tool atau satu model.

---

Sumber referensi berita: TechCrunch