Pemilihan model kecerdasan artifisial (artificial intelligence/AI) menyatukan tugas, data, ambang mutu, waktu respons, biaya, dan lokasi pemrosesan dalam satu keputusan. Nama model hanya menjadi kandidat awal. Tim tetap perlu menguji contoh pekerjaan sendiri dengan aturan penilaian yang sama. Hasilnya bukan satu pemenang mutlak, melainkan pilihan utama, pilihan cadangan, dan kondisi pemakaiannya.

Model, layanan, dan aplikasi berada pada lapisan berbeda. Model menghasilkan prediksi atau konten, sedangkan layanan menyediakan akses, kuota, keamanan, dan ketentuan data. Aplikasi menambahkan instruksi, pencarian dokumen, hak akses, validasi keluaran, pencatatan, serta pemeriksaan manusia. Model yang unggul dalam uji terpisah masih bisa gagal ketika alur kerja dan datanya berubah.

Kartu abstrak beberapa model AI dikelompokkan menurut tugas teks, gambar, kode, dan penalaran (ilustrasi)

Pekerjaan dan biaya kesalahan menjadi titik awal

Permintaan “memakai AI” perlu diubah menjadi pekerjaan yang bisa diterima atau ditolak. Untuk ringkasan layanan pelanggan, ukuran mutu mencakup kelengkapan kolom, kesalahan format, dan waktu pemrosesan setiap catatan. Untuk pencarian dokumen internal, hasil juga perlu menyertakan sumber yang benar dan menghormati hak akses. Definisi itu memungkinkan tim membandingkan sistem tanpa bergantung pada kesan dari satu demonstrasi.

Biaya kesalahan menentukan urutan seleksi. Untuk ringkasan internal berisiko rendah, biaya dan kecepatan bisa didahulukan setelah mutu minimum terpenuhi. Proses mengenai pasien, pembayaran, kelayakan, atau kepegawaian perlu mendahulukan keterlacakan, persetujuan manusia, dan mekanisme penghentian. Penilaian apakah AI memang sesuai harus selesai sebelum nama model dipilih.

Kondisi tugas Ukuran utama Kandidat awal
Klasifikasi atau ringkasan berjumlah besar Biaya satuan, laju pemrosesan, dan kestabilan format Model cepat atau ringan
Analisis rumit atau pekerjaan kode Ketepatan, penalaran, dan kestabilan tugas panjang Model berkemampuan tinggi
Teks, gambar, audio, atau video dalam satu alur Jenis masukan, bentuk keluaran, dan latensi Model multimodal
Tanya jawab dokumen internal Temu kembali, sumber, hak akses, dan kesegaran dokumen Model dengan sistem temu kembali
Data harus berada di lingkungan tertentu Lokasi pemrosesan, kebutuhan perangkat, dan pembaruan Layanan terkelola, awan privat, atau model mandiri

Tabel tersebut hanya menyaring keluarga kandidat. Satu model bisa masuk ke beberapa baris, sedangkan syarat data bisa menggugurkan pilihan berkemampuan tinggi. Tim kemudian menetapkan ambang lulus untuk setiap ukuran. Kandidat yang gagal pada syarat wajib tidak diteruskan ke perbandingan harga.

Katalog pemasok memberi petunjuk, bukan keputusan akhir

Insinyur menganalisis hasil uji, latensi, dan biaya model AI pada layar kerja (ilustrasi)

Dokumentasi pemasok menunjukkan bahwa keluarga model tidak dibedakan pada satu ukuran. Panduan OpenAI menempatkan sasaran akurasi dan kumpulan evaluasi sebelum optimasi biaya serta latensi. Dokumentasi Gemini membedakan versi stabil dan pratinjau serta menjelaskan sasaran kerja tiap model. Panduan Anthropic membandingkan kemampuan, kecepatan, biaya, dan upaya komputasi menurut kebutuhan aplikasi.

Label pemasok belum menggambarkan kinerja pada data organisasi. Model yang cepat dalam demonstrasi bisa gagal menjaga format ketika masukan tidak lengkap. Status versi perlu dicatat bersama tanggal uji dan pengenal model. Peringkat umum berguna untuk membuat daftar awal, bukan untuk menandatangani hasil penerimaan.

Kumpulan uji berasal dari pekerjaan di Indonesia

Kumpulan uji berasal dari pekerjaan yang benar-benar akan masuk ke sistem. Dokumen berbahasa Indonesia perlu mencakup istilah sektor, singkatan, tabel, salah ketik, masukan tidak lengkap, dan kasus yang ambigu. Data pribadi atau rahasia hanya diproses dalam lingkungan yang telah disetujui organisasi. Jika data asli tidak boleh dipakai, contoh sintetis tetap harus mempertahankan bentuk dan tingkat kesulitan tugas.

Setiap kandidat menerima masukan, instruksi, dokumen pendukung, skema keluaran, dan batas waktu yang sama. Penilai bidang memakai rubrik untuk memisahkan jawaban benar, sebagian benar, tidak didukung, serta gagal mengikuti format. Catatan uji memuat latensi median dan persentil ke-95, biaya per tugas, tingkat kegagalan, serta porsi keluaran yang perlu diperbaiki. Perkiraan bulanan juga memasukkan pengulangan, pemanggilan alat, penyimpanan, dan pemeriksaan manusia.

Jawaban yang lancar belum menjadi bukti bahwa isinya benar. Nama, tanggal, angka, dan sumber tetap diperiksa terhadap dokumen asal. Kasus uji juga perlu mengukur perilaku saat informasi kurang atau saling bertentangan. Sistem berisiko tinggi memerlukan uji penghentian, pengalihan kepada manusia, dan pencatatan alasan keputusan.

Biaya operasi mencakup perubahan versi

Tarif masukan dan keluaran hanya sebagian dari biaya layanan antarmuka pemrograman aplikasi (application programming interface/API). Perhitungan mencakup pemanggilan alat, penyimpanan, lalu lintas data, pemantauan, dukungan, dan waktu pemeriksa. Model mandiri menambah akselerator, listrik, pendinginan, keamanan, pembaruan, serta tenaga operasi. Semua kandidat perlu dibandingkan pada volume, panjang masukan, panjang keluaran, dan sasaran layanan yang sama.

Versi model juga menjadi komponen biaya. Perubahan perilaku bisa memaksa tim memperbarui instruksi, pengurai keluaran, dan kumpulan uji. Sistem yang sehat menyimpan pengenal versi, hasil evaluasi, tanggal persetujuan, dan prosedur kembali ke versi sebelumnya. Pilihan cadangan atau alur manual mengurangi dampak ketika harga, wilayah layanan, atau dukungan model berubah.

Aturan Indonesia belum menetapkan daftar model pilihan

Pemandangan kota dan pusat data pemerintah digital yang melambangkan tata kelola AI (ilustrasi)

Jaringan dokumentasi hukum Kementerian Komunikasi dan Digital (Komdigi) mencatat pedoman khusus AI yang telah berlaku sejak 2023. Surat Edaran Menteri Komunikasi dan Informatika Nomor 9 Tahun 2023 memuat sembilan nilai etika, pengawasan, keterbukaan informasi, serta manajemen risiko dan krisis. Nama kementerian lama tetap dipakai karena menjadi judul resmi dokumen saat ditetapkan. Isinya memberi acuan bagi pelaku usaha dan penyelenggara sistem elektronik publik maupun privat, bukan peringkat model.

Pada 28 Juli 2026, Komdigi menyatakan rancangan Perpres Peta Jalan AI dan Etika AI selesai dibahas lintas kementerian tetapi masih menunggu penetapan Presiden. Pada 13 Agustus 2026, Komdigi kembali menyebut Peta Jalan Nasional Pengembangan AI masih disusun. Kedua keterangan itu tidak boleh dibaca sebagai aturan yang sudah diundangkan. Pemilihan model tetap mengikuti penggunaan, data, risiko, serta aturan sektor terkait.

UU No. 27 Tahun 2022 tentang Pelindungan Data Pribadi mengatur hak subjek data, pemrosesan, kewajiban Pengendali Data Pribadi dan Prosesor Data Pribadi, serta transfer data. Organisasi perlu memetakan apakah instruksi, berkas, catatan sistem, atau keluaran AI memuat data pribadi. Kontrak kemudian diperiksa untuk tujuan pemrosesan, masa simpan, penghapusan, pihak pemroses berikutnya, keamanan, dan perpindahan lintas negara. Kepatuhan pada dokumen etika AI tidak menggantikan kewajiban dalam UU tersebut.

Sampai artikel ini disusun, kami belum menemukan dokumen resmi dari lembaga di Indonesia yang membandingkan mutu, latensi, biaya, dan stabilitas model pada pekerjaan berbahasa Indonesia. Kesenjangan itu membuat hasil uji internal menjadi bukti utama untuk keputusan pengadaan. Catatan tersebut perlu menjelaskan data, versi, rubrik, penilai, biaya, kegagalan, dan tanggal pengujian. Hasil dari pemasok tetap diperlakukan sebagai masukan, bukan hasil penerimaan organisasi.

Pengguna layanan menilai data dan tujuan jawaban

Pengguna memeriksa pengaturan data dan sumber jawaban layanan AI pada laptop (ilustrasi)

Kontrak, rekam kesehatan, dokumen identitas, pekerjaan yang belum dipublikasikan, dan data milik orang lain memerlukan kehati-hatian. Pemeriksaan minimum mencakup tujuan penggunaan data, masa simpan, akses pengelola, penghapusan, dan kemungkinan pemakaian untuk pelatihan. Akun konsumen dan layanan organisasi bisa memiliki kontrol berbeda walau tampilannya serupa. Batas tersebut perlu diketahui sebelum informasi dimasukkan.

Pengguna juga perlu mengetahui model dan status versinya, ketersediaan sumber, serta cara menghapus atau mengekspor percakapan. Jawaban AI bisa membantu menyusun masalah, tetapi keputusan medis, hukum, investasi, dan kepegawaian tetap membutuhkan dokumen asal serta proses profesional. Keluaran yang tampak lengkap masih bisa memuat tanggal, angka, atau nama yang keliru. Informasi terkini perlu diperiksa pada sumber yang bertanggung jawab atas data tersebut.

Enam catatan sebelum sistem diluncurkan

Tim perusahaan menelaah kontrak, hak akses, dan daftar tata kelola layanan AI (ilustrasi)
  1. Batas tugas menjelaskan keluaran, pengguna, keputusan terlarang, pemeriksa, serta kondisi penghentian.
  2. Inventaris data menandai data pribadi, rahasia, terikat kontrak, dan batas lokasi pemrosesannya.
  3. Rencana penerimaan menetapkan kumpulan uji, rubrik mutu, latensi, biaya, format, dan tingkat perbaikan manusia.
  4. Catatan pemasok memuat penggunaan untuk pelatihan, masa simpan, pihak pemroses berikutnya, keamanan, dukungan, dan gangguan layanan.
  5. Kontrol akses membatasi pengelola serta mencatat pengguna, waktu, model, versi, dan kelompok data yang diproses.
  6. Rencana perubahan menetapkan pengujian ulang, pembatalan rilis, pilihan cadangan, penghapusan data, dan jalur kembali ke proses manual.

NIST AI Risk Management Framework menempatkan Govern, Map, Measure, dan Manage sebagai fungsi yang saling terhubung sepanjang siklus hidup AI. Kerangka itu meminta konteks penggunaan dipetakan, sistem diuji sebelum penerapan, dan kinerjanya dipantau selama operasi. Risiko pihak ketiga, prosedur penghentian, peran manusia, dan dokumentasi juga masuk dalam kerangka tersebut. NIST AI RMF bukan peraturan Indonesia, tetapi strukturnya membantu organisasi merapikan bukti dan tanggung jawab.

Hasil seleksi akhirnya berupa catatan evaluasi yang bisa dijalankan ulang. Dokumen itu menyebut model utama, model cadangan, syarat penggunaan, alasan penolakan kandidat, dan pemilik keputusan. Perubahan data, volume, harga, versi, atau jenis kesalahan memicu pengujian ulang. Nama model bukan keputusan permanen.

Pertanyaan umum

Arsitektur abstrak untuk membagi tugas, memantau, dan mengalihkan pekerjaan antarmodel AI (ilustrasi)

Apakah model yang lebih besar selalu lebih baik?
Tidak. Tugas beraturan dengan volume tinggi mungkin lebih mementingkan biaya, kecepatan, dan kestabilan format. Model berkemampuan tinggi baru unggul jika perbedaan mutu pada pekerjaan nyata melampaui tambahan biaya dan latensinya.

Apakah organisasi sebaiknya memilih API, awan privat, atau model mandiri?
Jawabannya bergantung pada lokasi data, waktu respons, volume, perangkat, keahlian operasi, dan anggaran. API mempercepat penerapan, sedangkan lingkungan privat memberi kontrol lebih besar atas lokasi dan operasi. Kontrol tambahan itu disertai tanggung jawab pembaruan, kapasitas, pemantauan, serta pemulihan gangguan.

Kapan model perlu dinilai ulang?
Pengujian diulang ketika versi, harga, data, volume, pola kesalahan, aturan, atau tujuan penggunaan berubah. Jadwal berkala juga diperlukan untuk proses dengan dampak tinggi. Setiap penilaian memakai kumpulan uji tetap ditambah kasus baru dari operasi.