Halo teman-teman mahasiswa! Buat kalian yang sering berkecimpung di dunia pemrograman, pengembangan software, atau sekadar hobi bereksperimen dengan kecerdasan buatan, pernahkah terlintas di pikiran kalian apakah model AI yang kita panggil lewat API benar-benar model yang kita bayar? Bayangkan skenario ini: kalian mengetik kode, memanggil API, dan menyertakan parameter model: “claude-fable-5”. Hasilnya keluar dengan mulus, hitungan token akurat, tetapi ketika mengecek kolom model pada objek respons, ternyata tertulis “claude-opus-4-8”. Tidak ada error, tidak ada pengulangan, semuanya berjalan lancar. Namun, kenyataannya sistem di balik layar telah mengalihkan request kalian ke bobot model yang sepenuhnya berbeda.

Fenomena ini bukan sekadar bug, melainkan standar operasional baru yang sedang marak di industri AI. Anthropic, misalnya, pernah mendokumentasikan bahwa request yang masuk ke kategori sensitif dialihkan secara otomatis ke Opus 4.8. Tidak lama setelah itu, Cursor meluncurkan Router, sebuah sistem klasifikasi cerdas yang dilatih dari lebih dari 600.000 live request untuk mendistribusikan query ke model yang dianggap paling pas, menghemat biaya hingga 30–50%. Di lapisan agregasi lain, OpenRouter juga terang-terangan memperingatkan bahwa provider terkadang menyajikan bobot kuantisasi pada harga yang lebih murah tanpa menyertakannya dalam log sistem kalian. Bagi dunia teknik, ini adalah efisiensi tingkat dewa. Namun, bagi dunia hukum, kontrak, dan dunia akademik, ini adalah masalah identitas produk yang sangat abu-abu.

Tiga Wajah Perubahan Identitas Model AI

Identitas sebuah model AI saat ini sedang mengalami pergeseran besar dalam tiga poros independen yang sering kali disamakan oleh orang awam, padahal memiliki implikasi teknis yang jauh berbeda:

  • Substitution (Substitusi): Arsitektur, bobot, dan profil kapabilitas yang berbeda dikerahkan secara diam-diam oleh sebuah classifier. Contohnya seperti kasus Fable 5 yang dialihkan ke Opus 4.8 atau sistem Auto milik Cursor.
  • Degradation (Degradasi): Menggunakan model yang sama, tetapi disajikan pada tingkat presisi yang lebih rendah. OpenRouter memiliki parameter kuantisasi di mana endpoint kuantisasi bisa jadi memberikan performa lebih buruk pada prompt tertentu, meskipun nama model yang tertera di request kalian tetap sama persis.
  • Drift (Pergeseran Senyap): Nama alias yang sama mengarah pada pembaruan bobot secara diam-diam. Di dunia software development, menggunakan alias -latest di production sama saja dengan memelihara unversioned dependency yang sangat berisiko.

Komunitas teknik menganggap ketiga hal ini sebagai masalah reliabilitas semata. Padahal, bagi dunia hukum dan penyusunan kontrak enterprise, ini adalah masalah identitas yang krusial. Ketika kalian berlangganan atau membeli akses API berbasis model tertentu, apa sebenarnya yang kalian dapatkan? Apakah nama modelnya, atau kapabilitas umumnya?

Implikasi Hukum dan Pembuktian Digital di Pengadilan

Masalah ini merembet jauh hingga ke ranah hukum dan pembuktian digital. Dalam dunia hukum, pembuktian elektronik—seperti aturan pembuktian federal di Amerika Serikat atau undang-undang saksi syeikh/elektronik di berbagai yurisdiksi—mensyaratkan bahwa sebuah dokumen elektronik atau output sistem harus dapat diautentikasi dengan menjelaskan proses atau sistem yang memproduksinya.

Coba bayangkan studi kasus hukum di masa depan: Seorang pengacara menggunakan bantuan AI untuk menyusun dokumen brief hukum, lalu terjadi sanksi karena kutipan di dalamnya ternyata fiktif. Pengadilan bertanya, model apa yang menghasilkan teks tersebut? Log dari firma hukum mengatakan mereka memakai fable-5. Sebaliknya, log dari penyedia layanan cloud menyatakan ada classifier yang aktif dan model Opus 4.8 yang menjawab. Rantai kepemilikan data (chain of custody) mendadak putus tepat di tingkat router. Tidak ada yang bisa memastikan secara pasti model mana yang benar-benar memproses data pada detik tersebut.

Solusi Masa Depan: Tanda Tangan Kriptografi dan Identitas Attestable

Menyelesaikan masalah pelik ini tidak cukup hanya dengan merevisi pasal-pasal perjanjian lisensi yang bersifat statis. Industri membutuhkan solusi runtime yang transparan dan dapat dibuktikan secara matematis, yaitu attestable model identity.

Yang kita butuhkan ke depannya adalah sebuah pernyataan tertulis yang ditandatangani secara kriptografi (signed assertion) yang dikembalikan bersama setiap respons API. Pernyataan ini harus mengikat completion dengan serangkaian tuple identitas: identifier model yang benar-benar melayani, hash bobot (weights hash), tingkat presisi, dan hash system-prompt, yang semuanya ditandatangani oleh kunci berbasis hardware attestation (seperti yang sudah didukung oleh platform confidential-computing GPU saat ini). Dengan begitu, pertanyaan seputar keaslian output AI tidak lagi menjadi perdebatan asumsi, melainkan dapat divalidasi langsung melalui sertifikat digital yang valid.

Catatan untuk Mahasiswa: Buat kalian yang sedang merintis proyek skripsi berbasis LLM, startup AI, atau automation tools, mulailah bersikap kritis terhadap infrastruktur yang kalian gunakan. Jangan hanya terpaku pada nama besar sebuah model di atas kertas, tetapi pahami bagaimana pipeline API di balik aplikasi kalian bekerja agar tidak salah langkah dalam mengambil keputusan teknis maupun bisnis!