Kenapa Negara Mulai Bayar Model Sendiri, dan Kenapa Sulit

Pada 6 Oktober 2026, Kementerian Ilmu dan Teknologi Informasi Korea Selatan mengumumkan program 4,7 triliun won, setara 3,5 miliar dolar, untuk mengembangkan model AI frontier mulai Maret 2027. Kementerian akan memilih pengembang utama lewat tender kompetitif setelah parlemen menyetujui anggaran 2027 pada Desember, dan pemenang bisa dipilih sedini Februari.

Angka 3,5 miliar dolar itu besar untuk satu negara di luar Amerika Serikat dan Tiongkok. Yang lebih menarik bukan angkanya, tapi bentuk programnya: pemerintah menggabungkan penyertaan modal negara dan pendanaan swasta, lalu memusatkan chip, data, dan talenta pada satu proyek.

Apa arti sovereign AI sebenarnya

Istilah sovereign AI dipakai secara longgar, dan kebingungannya perlu dijelaskan. Ada tiga tingkatan yang sering tercampur.

Program Korea Selatan ada di level ketiga. Level kedua, yaitu memiliki chip dan pusat data sendiri, sudah dimiliki sebagian besar negara maju. Level pertama, yaitu menyimpan data di wilayah sendiri, hampir semua negara sudah punya karena cloud computing memaksa pertanyaan itu muncul sejak 2018.

Yang belum dimiliki hampir semua negara adalah model sendiri. Dan itulah yang paling mahal.

Kenapa program seperti ini muncul sekarang

Alasannya bukan optimismisme teknologi. Ada tiga pemicu nyata.

Pertama, ketergantungan pada penyedia asing. Sebagian besar negara mengakses model frontier melalui API milik tiga atau empat perusahaan Amerika. Ketergantungan itu punya risiko nyata: harga bisa berubah, layanan bisa berubah, dan aturan bisa berubah. Program Korea Selatan secara eksplisit menyebut rencana memusatkan sumber daya pada satu proyek, dan memisahkannya dari inisiatif model fondasi milik negara sendiri.

Kedua, bahasa dan data. Model frontier dilatih dengan data yang didominasi beberapa bahasa. Negara dengan bahasa dan industri spesifik sering mendapat kualitas yang lebih rendah dari model yang dilatih dengan data yang jauh lebih luas darinya.

Ketiga, kedudukan tawar. Negara yang membeli kapasitas AI dari luar tidak punya banyak daya tawar. Negara yang punya model sendiri punya argumen untuk bernegosiasi.

Keunggulan dan kekurangan Korea Selatan

Korea Selatan punya tiga keunggulan yang tidak dimiliki semua negara. Samsung dan SK Hynix adalah dua dari hampir seluruh produksi memori dunia. Domestiknya punya pasar presisi tinggi yang menghasilkan data permintaan. Dan birokrasi negara yang mampu bergerak cepat.

Kekurangan yang sama juga jelas. Program di level ketiga membutuhkan waktu lama, sementara anggaran politik punya tanggal. Tender memilih pengembang pada Februari 2027, dan model dengan kinerja terdepan butuh waktu lebih lama dari itu.

Sejarah singkat program AI nasional

Gelombang pertama program ini terjadi sekitar 2018 sampai 2020, dan hampir semuanya gagal dengan cara yang serupa. Negara mengumumkan program, lalu menemukan bahwa model yang benar-benar layak pakai dilatih oleh industri swasta di tempat lain.

Pelajaran dari gelombang pertama itu konsisten. Program yang berhenti di tingkat riset langsung kehilangan relevansi begitu model frontier tersedia secara komersial dari Amerika Serikat dan Tiongkok. Program yang bertahan adalah yang menetapkan kasus penggunaan spesifik lebih awal, lalu membiarkannya berkembang.

Korea Selatan sekarang tidak mengulangi pola itu. Inisiatifnya dipisahkan dari model fondasi domestiknya sendiri, dan yang dimasukkan itu sinyal bahwa pelajaran itu diserap.

Angka yang harus dibaca dengan hati-hati

Program 4,7 triliun won terlihat besar, tapi perbandingkannya penting. Angka itu setara dengan sekitar 0,4 persen PDB tahunan Korea Selatan. Bandingkan dengan belanja GPU satu perusahaan besar, yang dalam satu tahun bisa mencapai jumlah yang sebanding.

Artinya, program ini besar secara simbolik dan relatif kecil dibandingkan industri yang ingin disasar. Cukup besar untuk dianggap serius, dan cukup kecil sehingga dananya tidak menyelesaikan bagian yang sulit.

Yang belum jelas adalah siapa yang akan dipilih pada Februari 2027. Status program sampai hari ini belum ada pengembang yang diumumkan, dan semua angka tentang model yang dihasilkan masih proyeksi.

Empat hal yang harus benar

Keempat hal ini tidak spesifik Korea Selatan. Program yang lolos juga punya empat hal sama.

Pertama, chip-nya harus benar-benar tersedia. Modal 3,5 miliar dolar akan habis di penyewaan GPU kalau pasok chip tidak terkendali. Negara yang punya pabrik sendiri punya posisi yang sangat berbeda dari yang menyewa.

Kedua, orangnya harus ada. Melatih model frontier butuh beberapa ratus orang yang bisa bekerja pada sistem terdistribusi. Negara dengan ekosistem riset AI aktif punya basis orang tersebut. Negara yang harus mengimpor orang akan sulit sekali, dan di situlah perekrutan jadi mahal.

Ketiga, datanya harus dipakai. Program yang membangun model tapi tidak mengubah cara negara menggunakan AI akan berhenti sebagai proyek simbol.

Keempat, hasilnya harus dipakai. Program yang tidak menghasilkan manfaat nyata di dalam negeri akan dipotong di anggaran berikutnya. Dan anggaran berikutnya selalu lebih kecil dari yang pertama.

Apa yang sudah dicoba sebelumnya

Program model nasional sudah dicoba di beberapa negara, dan kesimpulan yang muncul selalu sama: yang berhasil bukan yang paling besar anggarannya, tapi yang paling cepat memakai hasilnya.

Pengalaman itu menunjukkan tiga hal. Pertama, model yang tidak dipakai di dalam negeri tidak akan dianggap serius. Kedua, waktu lebih menentukan daripada besaran dana. Ketiga, kemitraan dengan laboratorium yang sudah ada lebih cepat daripada membangun semuanya sendiri.

Apa artinya buat pembaca di Indonesia

Indonesia punya posisi yang menarik dalam percakapan ini, dan posisi itu tidak sepenuhnya sama dengan Korea Selatan. Indonesia punya pasar besar, bahasa yang sebagian besar tidak dilayani model frontier, dan ekonomi yang cukup besar untuk punya/kasus penggunaan sendiri.

Tiga implikasi nyata.

Pertama, bahasa adalah lapisan terjemahan. Model frontier dilatih dengan data yang didominasi beberapa bahasa, dan teks dalam bahasa lain sering berkinerja lebih buruk bukan hanya soal pemahaman, tapi soal konsistensi. Untuk aplikasi berbahasa Indonesia, model yang dilatih dengan data Indonesia yang cukup akan lebih murah dijalankan pada jangka panjang, karena lebih sedikit koreksi.

Kedua, CPU dan GPU bukan hal yang sama. Contoh yang jelas: sebagian besar pekerjaan kantoran di Indonesia lebih banyak daripada pekerjaan yang butuh model besar, dan sebagian besar dari itu bisa berjalan di perangkat kecil. Model yang terlalu besar tidak otomatis lebih berguna.

Ketiga, waktu belajar lebih penting daripada memiliki model. Negara yang punya akses ke model frontier sejak 2024 punya kemampuan yang belum tentu dipakai. Yang membedakan negara yang menikmati manfaat dari yang tidak biasanya bukan keberadaan model sendiri, tapi seberapa cepat organisasi lokal mengadopsinya.

Empat hal yang bisa dilakukan sekarang, tanpa menunggu program apa pun:

• Pilih satu kasus penggunaan yang jelas. Program yang tidak punya kasus penggunaan spesifik akan jadi simbol, bukan infrastruktur.
• Bangun evaluasi sendiri. Angka efisiensi yang diklaim vendor tidak bisa diperiksa kalau tidak ada pengukuran internal.
• Hitung biaya token dalam rupiah, bukan dolar. Razio harga lokal menentukan apakah model frontier masuk akal secara ekonomi.
• Latih orang lebih dulu. Talenta yang bisa mengukur dan mengevaluasi lebih sulit dicari daripada GPU.

Analisis: di mana program ini paling mungkin gagal

Baris paling berisiko adalah yang terakhir. Korea Selatan punya chip memori, tetapi GPU untuk pelatihan frontier tetap datang dari luar negeri, dan itu tidak bisa diselesaikan dalam dua tahun. Siklus rilis model sekarang hitungan bulan, sedangkan siklus anggaran negara hitungan tahun. Program yang harus menunggu dua kali siklus anggaran akan selalu tertinggal dari apa yang sudah ada di pasar ketika selesai.

Ada satu hal yang bisa mengurangi risiko itu, dan itu bukan soal teknis: program yang dirancang untuk menghasilkan sesuatu yang berguna dalam delapan belas bulan, bukan dalam empat tahun. Model yang lebih kecil tapi sudah dipakai adalah nilai yang lebih besar daripada model besar yang belum selesai.

Pertanyaan yang lebih besar adalah apakah program seperti ini layak ditiru. Jawabannya bergantung pada satu hal: apakah ada kasus penggunaan yang cukup spesifik dan cukup sering sehingga model sendiri dipakai setiap hari. Tanpa itu, program ini hanya menulis ulang kalimat yang sama dengan anggaran yang lebih besar.