Akar AI Ada di Ilmu Kognitif, Bukan Basis Data
Tidak ada peristiwa pasar yang harus direspons pekan ini, tetapi cara memahami arsitektur AI menentukan kualitas keputusan investasi teknologi dan tata kelola risiko korporasi dalam beberapa tahun ke depan.
Ringkasan Eksekutif
Memahami ChatGPT atau model bahasa besar sebagai mesin yang membuka file dari basis data adalah kekeliruan konseptual yang mendasar. Artikel Asia Times ini menegaskan bahwa akar kecerdasan buatan bukan kisah ilmu komputer semata, melainkan ilmu kognitif, yakni studi tentang cara kerja pikiran manusia. Istilah artificial intelligence dicetuskan pada 1956 dalam lokakarya di Dartmouth College, ketika keyakinan dominan saat itu adalah mesin bisa dibuat cerdas asalkan diberi set aturan yang tepat untuk diikuti. Pendekatan berbasis aturan itu justru ditinggalkan oleh arah perkembangan yang menang secara historis. Psikolog Frank Rosenblatt pada 1958 membangun Perceptron, jaringan saraf buatan yang belajar dari contoh ketimbang dari instruksi, dengan arsitektur yang dimodelkan secara longgar dari otak.
Fondasinya berasal dari temuan psikolog Donald Hebb soal koneksi saraf yang menguat ketika sering digunakan, gagasan yang kemudian menyemai machine learning. Pada 1980-an, David Rumelhart, Geoffrey Hinton, dan Ronald Williams merumuskan cara melatih jaringan saraf berlapis banyak, yang kemudian dikenal sebagai deep learning dan mampu menggeneralisasi pelajaran ke contoh baru. Skala komputasi baru menyusul belakangan melalui chip grafis dan arsitektur transformer. Perbedaannya bukan detail teknis, melainkan perbedaan jenis mesin. Sistem berbasis aturan dapat ditelusuri langkah demi langkah; sistem yang belajar dari contoh menghasilkan keluaran secara probabilistik, tidak dapat diprediksi persis seperti kueri basis data, dan tidak memiliki jejak audit yang rapi. Inilah sumber kesulitan nyata dalam tata kelola, kepatuhan, dan manajemen risiko model.
Perusahaan yang memperlakukan AI sebagai proyek pengadaan perangkat lunak biasa akan salah menyusun kontrol internal: mereka menyiapkan uji validasi untuk sistem deterministik, padahal yang dihadapi adalah sistem statistik yang bisa berubah perilaku seiring data dan konteks. Bagi Indonesia, implikasinya terletak pada kesiapan institusi, bukan pada kecepatan adopsi semata. Perbankan, fintech, dan manufaktur yang mengandalkan otomasi pengambilan keputusan perlu membangun kerangka verifikasi yang sesuai dengan sifat probabilistik model. Ada pula dimensi sumber daya manusia yang sering terlewat: keterampilan yang dibutuhkan bukan hanya pemrograman, tetapi juga pemahaman kognitif dan statistik untuk menilai kapan keluaran model layak dipercaya. Pelaku usaha perlu memantau konteks pendanaan, sebab biaya modal masih menjadi penghambat ekspansi teknologi.
Data pasar menunjukkan USD/IDR berada di 17.879, imbal hasil US Treasury tenor 10 tahun di 5,22%, suku bunga acuan Fed di 3,75%, dan indeks volatilitas VIX di 15,41. Artinya, biaya pendanaan global belum murah dan investasi infrastruktur AI di Indonesia harus dihitung dengan asumsi modal yang tidak longgar.
Mengapa Ini Penting
Kesalahan memahami AI sebagai basis data membuat perusahaan salah membangun kontrol internal. Sistem yang belajar dari contoh tidak bisa divalidasi seperti sistem deterministik, sehingga bank, fintech, dan regulator perlu kerangka uji yang berbeda. Yang menang adalah institusi yang menyiapkan tata kelola sejak awal; yang kalah adalah yang baru menyadarinya ketika model sudah dipakai dalam keputusan kredit atau klaim.
Dampak ke Bisnis
- Perbankan dan fintech yang memakai model untuk penilaian kredit atau deteksi fraud menghadapi kebutuhan uji validasi dan dokumentasi risiko model yang berbeda dari sistem berbasis aturan, karena keluaran bersifat probabilistik dan dapat berubah seiring data baru.
- Perusahaan yang membeli solusi AI dari vendor global perlu memperhatikan ketergantungan pada infrastruktur komputasi dan chip di luar negeri, karena kemampuan skala sistem modern bertumpu pada komponen yang tidak diproduksi domestik.
- Dampak yang baru terasa dalam 3-6 bulan ke depan ada di sisi tenaga kerja: kebutuhan bergeser dari operator proses ke peran yang mampu menilai kualitas keluaran model, sehingga program pelatihan ulang menjadi penentu produktivitas, bukan sekadar biaya.
- Sektor pendidikan dan pelatihan vokasi berpotensi menerima permintaan baru untuk kurikulum yang menggabungkan statistik, kognitif, dan keterampilan data, meski artikel ini tidak menyebut besaran permintaan tersebut.
Yang Perlu Dipantau
- Yang perlu dipantau: arah regulasi AI di negara maju, terutama yang menyangkut kewajiban audit model, karena standar itu biasanya merembet ke aturan domestik sektor keuangan Indonesia.
- Risiko yang perlu dicermati: biaya modal yang masih tinggi, tercermin dari imbal hasil US Treasury 10 tahun di 5,22% dan Fed funds di 3,75%, dapat menunda rencana investasi pusat data dan infrastruktur komputasi di dalam negeri.
- Sinyal penting: posisi USD/IDR di 17.879 dan indeks volatilitas VIX di 15,41 menjadi penanda apakah sentimen pasar global masih kondusif bagi belanja modal teknologi, atau justru mengarah ke pengetatan.
- Yang perlu diawasi: pernyataan otoritas dan pelaku industri soal kerangka tata kelola AI di sektor keuangan, karena ini menentukan seberapa cepat adopsi berjalan tanpa menambah risiko operasional.
Konteks Indonesia
Artikel ini tidak menyentuh ekonomi Indonesia secara langsung. Relevansinya terletak pada cara perusahaan dan regulator domestik memahami sifat teknologi AI. Jika sistem AI adalah mesin statistik yang belajar dari contoh, maka kerangka manajemen risiko model di perbankan, fintech, dan asuransi Indonesia perlu disesuaikan, karena kontrol yang dirancang untuk sistem berbasis aturan tidak memadai. Selain itu, kemampuan skala AI modern bergantung pada chip grafis dan arsitektur komputasi yang sebagian besar berasal dari luar negeri, sehingga adopsi di Indonesia tetap terkait dengan rantai pasok teknologi global dan biaya pendanaan internasional. Belanja modal untuk pusat data dan infrastruktur digital domestik akan sensitif terhadap tingkat imbal hasil global dan nilai tukar, yang saat ini tercatat USD/IDR 17.879. Artikel tidak menyediakan data investasi, penyerapan tenaga kerja, maupun angka sektoral Indonesia, sehingga besaran dampaknya belum dapat dikuantifikasi dari sumber ini.
Analisis ini dibuat oleh sistem AI Feedberry berdasarkan sumber berita publik dan tidak merupakan saran investasi atau keputusan bisnis. Selalu verifikasi dengan sumber primer.