Model AI GoTo 27 Miliar Parameter untuk Bahasa Indonesia

Verdict: Model Lokal yang Layak Diperhatikan Serius

GoTo merilis model bahasa besar 27 miliar parameter yang dirancang khusus untuk bahasa Indonesia dan empat bahasa daerah. Model ini gratis untuk dipakai, dipelajari, dan diadaptasi oleh startup, kampus, peneliti, pelaku bisnis, dan institusi publik. Bagi tim yang melayani pengguna Indonesia, model ini menawarkan satu hal yang jarang dimiliki model global: pemahaman konteks lokal sejak awal pelatihan.

Intinya sederhana. Model ini bukan model terbesar, bukan pula model termurah untuk dijalankan. Kekuatannya ada pada fokus bahasa. Bahasa Indonesia, Jawa, Sunda, Bali, dan Batak menjadi bahasa utama dalam pelatihan, bukan sekadar tambahan. Kelemahannya juga jelas. Menjalankan model sebesar ini tetap butuh perangkat keras kelas server, dan ketentuan lisensinya perlu dibaca dengan teliti sebelum dipakai di produk komersial.

Rekomendasi singkatnya begini. Tim yang punya server sendiri dan melayani percakapan berbahasa Indonesia atau bahasa daerah sebaiknya menguji model ini berdampingan dengan model yang sedang dipakai sekarang. Tim tanpa infrastruktur server sebaiknya menunggu versi yang lebih kecil atau memakai model ini lewat penyedia yang sudah menyediakannya sebagai layanan. Keputusan yang tepat bergantung pada beban kerja, bukan pada besarnya angka parameter.

Apa yang Sebenarnya Dirilis GoTo

Model yang dirilis bernama GoTo-AI-Gemma-3-27B-IT. Nama tersebut memberi tiga informasi penting. Angka 27B menunjukkan jumlah parameter, yaitu 27 miliar. Gemma 3 menunjukkan arsitektur dasar dari Google yang dipakai sebagai fondasi. Akhiran IT menandakan model ini sudah melalui penyetelan instruksi, sehingga lebih siap menjawab perintah dibanding model mentah yang belum disetel.

Peluncuran berlangsung di Bali Tech Week di Sanur. Acara tersebut menjadi panggung yang masuk akal, karena pesan GoTo memang tertuju pada ekosistem teknologi Indonesia, bukan pada pasar global secara umum. GoTo menyebut model ini sebagai kelanjutan dari inisiatif model terbuka yang berjalan sejak 2024. Inisiatif tersebut sebelumnya dikenal lewat merek Sahabat-AI, yang dikembangkan bersama Indosat Ooredoo Hutchison.

Parameter adalah angka yang sering disalahpahami. Parameter bisa dibayangkan sebagai kenop-kenop kecil yang diatur selama pelatihan, agar model bisa mengenali pola bahasa. Jumlah yang lebih besar biasanya memberi kapasitas lebih besar untuk menyimpan pola, tetapi tidak otomatis berarti jawaban lebih benar. Kualitas data, proses penyetelan, dan kesesuaian dengan tugas yang dihadapi sama pentingnya dengan jumlah parameter. Penjelasan istilah seperti ini juga dibahas dalam panduan istilah penting dalam vibe coding yang memuat definisi API key, router, MCP, dan skill.

Konteks 128.000 token menjadi spesifikasi kedua yang patut dicatat. Dalam praktik, angka ini berarti model bisa membaca dokumen panjang atau riwayat percakapan panjang dalam satu proses, tanpa harus memotong teks menjadi potongan kecil. Bagi layanan pelanggan, angka ini berguna saat menangani keluhan panjang yang merujuk pada banyak pesan sebelumnya. Bagi tim yang mengolah dokumen, angka ini berguna saat meringkas laporan atau kontrak yang halamannya banyak.

GoTo mengaitkan peluncuran ini dengan Visi Digital Indonesia 2045 dari Kementerian Komunikasi dan Digital. Visi tersebut mendorong Indonesia bergerak dari sekadar pemakai teknologi menjadi pembuat teknologi. Pernyataan semacam ini mudah terdengar seperti slogan, tetapi ada isi konkret di baliknya: bobot model dibuka, dokumentasi tersedia, dan pihak luar bisa menguji sendiri. Keterbukaan seperti itu membuat klaim bisa diverifikasi, bukan sekadar dipercaya.

Bahasa Daerah sebagai Pembeda Utama

Bahasa yang didukung model ini meliputi bahasa Indonesia, Inggris, Jawa, Sunda, Bali, dan Batak Toba. Daftar ini penting karena sebagian besar model global dilatih terutama dengan teks berbahasa Inggris, lalu bahasa besar lain. Bahasa daerah Indonesia sering hanya muncul sebagai porsi kecil dalam data pelatihan model global. Akibatnya, model global bisa memahami bahasa Indonesia formal dengan baik, tetapi goyah saat bertemu singkatan sehari-hari, campuran bahasa, atau tuturan daerah.

GoTo melatih model ini dengan teks berbahasa Indonesia dari mitra media dan situs sektor publik, ditambah data bahasa daerah. Untuk bahasa Batak, GoTo bekerja sama dengan Universitas Sumatera Utara dalam mengumpulkan data yang mencerminkan pemakaian bahasa tersebut saat ini. Pendekatan ini masuk akal. Bahasa daerah hidup dalam percakapan, bukan hanya dalam kamus, sehingga data yang dikumpulkan dari pemakaian nyata memberi hasil yang lebih relevan.

GoTo juga mengklaim model ini meraih skor tertinggi pada setiap bahasa daerah yang diuji, dalam perbandingan dengan model sumber terbuka sejenis di kelasnya. Klaim ini perlu dicatat dengan satu catatan penting. Keterangan peluncuran yang dikutip media belum merinci nama tolok ukur, skor yang diperoleh, maupun daftar model pembanding. Selama rincian tersebut belum dibuka, klaim ini sebaiknya dibaca sebagai hasil pengujian internal, bukan sebagai kesimpulan independen. Tim yang serius sebaiknya menjalankan pengujian sendiri dengan contoh percakapan dari layanan masing-masing.

CEO Grup GoTo, Hans Patuwo, menyampaikan alasan di balik proyek ini dengan lugas: Indonesia perlu mengembangkan teknologi AI sendiri untuk melengkapi pemanfaatan model buatan luar negeri. Pernyataan ini bukan ajakan untuk meninggalkan model global. Model global tetap unggul dalam banyak tugas umum. Pernyataan ini lebih tepat dibaca sebagai ajakan untuk punya pilihan lokal yang kuat, terutama untuk tugas yang sangat bergantung pada bahasa dan konteks Indonesia.

Bagi desainer dan pelaku usaha kecil, dampaknya terasa pada hal praktis. Chatbot toko yang memahami campuran bahasa Indonesia dan Jawa akan terasa lebih natural bagi pelanggan di Yogyakarta atau Solo. Asisten yang memahami Sunda akan lebih membantu usaha di Bandung. Layanan publik yang memahami Bali dan Batak akan lebih mudah dipakai warga setempat. Artikel tentang AI untuk UMKM membahas pola serupa, yaitu teknologi yang memberi hasil saat disesuaikan dengan pasar yang dilayani, bukan saat dipakai mentah-mentah.

Tabel Perbandingan: Model GoTo, Sahabat-AI 70B, dan Model Global

Tabel berikut merangkum perbedaan yang paling menentukan dalam pengambilan keputusan. Angka parameter dan kebutuhan perangkat keras diambil dari dokumentasi model dan laporan media, sementara penilaian kesesuaian dirangkum dari karakter masing-masing model.

Baca juga:

OpenAI Berhenti Latih AI dari Internet: Apa Artinya

Tabel ini memperjelas satu hal. Model GoTo 27B menempati posisi tengah yang disengaja. Model ini lebih kecil dari pendahulunya yang 70 miliar parameter, sehingga lebih mudah dijalankan oleh institusi yang tidak punya pusat data raksasa. Pada saat yang sama, model ini tetap jauh lebih besar dari model kecil yang bisa jalan di laptop biasa. Posisi tengah ini adalah pilihan desain, bukan kekurangan. GoTo sendiri menyebut ukuran 27 miliar parameter sebagai ukuran menengah yang cukup kecil untuk dijalankan di server milik institusi sendiri.

Biaya Nyata Menjalankan Model 27 Miliar Parameter

Angka 54 sampai 60 GB memori GPU pada presisi 16-bit sering dikutip tanpa penjelasan. Artinya, untuk menjalankan model ini dalam kondisi penuh, dibutuhkan kartu grafis server dengan total memori sebesar itu. Satu kartu grafis konsumen kelas atas biasanya hanya punya 16 atau 24 GB, sehingga satu kartu tidak cukup. Solusinya adalah memakai beberapa kartu sekaligus, memakai teknik kuantisasi untuk mengecilkan ukuran model, atau menyewa server GPU dari penyedia cloud.

Kuantisasi layak dibahas karena sering menjadi jalan tengah. Teknik ini mengecilkan angka-angka di dalam model, misalnya dari 16-bit menjadi 8-bit atau 4-bit, sehingga kebutuhan memori turun drastis. Konsekuensinya, jawaban bisa sedikit berubah, terutama pada tugas yang menuntut ketelitian tinggi. Bagi chatbot layanan pelanggan, penurunan kecil sering tidak terasa. Bagi tugas yang melibatkan angka, dokumen hukum, atau perhitungan, penurunan tersebut perlu diuji sebelum dipakai di produksi.

Biaya lain yang sering luput adalah biaya operasional. Server GPU mengonsumsi listrik besar, membutuhkan pendinginan, dan perlu perawatan. Jika model dipakai lewat layanan cloud, biaya berubah menjadi tagihan per jam pemakaian. Perbandingan yang jujur harus menghitung total biaya selama satu bulan pemakaian nyata, bukan hanya biaya sekali pasang. Tim yang hanya butuh model sesekali akan lebih hemat memakai layanan API. Tim yang melayani ribuan percakapan setiap hari bisa lebih hemat menjalankan model sendiri, karena tidak ada biaya per permintaan.

Ada pula biaya yang tidak berbentuk uang, yaitu waktu tim teknis. Menjalankan model sendiri berarti tim harus menangani pembaruan, pemantauan, keamanan, dan penanganan galat. Jika tim belum punya pengalaman mengelola server GPU, kurva belajarnya nyata. Dalam situasi seperti itu, memakai penyedia terkelola atau menunggu integrasi dari platform yang sudah dipakai sering menjadi pilihan yang lebih waras dibanding memaksakan instalasi sendiri.

Lisensi Gemma dan Hal yang Perlu Dicek Sebelum Dipakai

GoTo menyebut model ini sebagai model sumber terbuka. Penyebutan ini perlu dibaca bersama satu detail dari dokumentasi model. Lisensi yang mengatur model ini adalah lisensi Gemma dari Google, bukan lisensi sumber terbuka standar seperti Apache 2.0 atau MIT. Perbedaan ini mungkin terasa akademis bagi penghobi, tetapi menjadi hal pertama yang diperiksa tim hukum di bank, perusahaan telekomunikasi, atau instansi pemerintah yang berencana menanamkan model ke dalam produk.

Lisensi Gemma mengatur hal-hal seperti penggunaan yang dilarang, kewajiban pada turunan model, dan tanggung jawab pengguna. Isi persisnya bisa berubah antar versi, sehingga langkah yang benar adalah membaca teks lisensi pada dokumentasi resmi model sebelum integrasi, bukan mengandalkan ringkasan dari artikel mana pun, termasuk artikel ini. Tim yang ragu sebaiknya meminta penelaahan hukum sebelum model dipakai untuk data pelanggan atau data sensitif.

Dokumentasi model juga mencantumkan GoTo dan AI Singapore sebagai pengembang, dengan tim yang terdiri dari staf GoTo dan puluhan kontributor dari AI Singapore. Fakta ini memberi gambaran tentang skala kolaborasi di balik rilis ini. AI Singapore adalah program nasional yang didukung pemerintah Singapura dan berbasis di National University of Singapore. Kolaborasi lintas negara seperti ini umum dalam riset AI, dan kehadirannya tidak mengurangi nilai lokal dari model, karena data dan fokus bahasa tetap tertuju pada Indonesia.

Aspek keamanan data juga perlu ditempatkan secara proporsional. Menjalankan model di server sendiri berarti teks yang diproses tidak perlu dikirim ke penyedia model pihak ketiga. Keuntungan ini nyata bagi institusi yang menangani data sensitif. Namun, keuntungan ini tidak otomatis membuat sistem menjadi aman. Keamanan tetap bergantung pada konfigurasi server, kontrol akses, pencatatan, dan pengelolaan data di sekeliling model. Artikel tentang agen AI yang bisa login tanpa tahu password membahas sisi lain dari persoalan yang sama, yaitu bahwa cara AI mengakses sistem sama pentingnya dengan model yang dipakai.

Regulasi juga bergerak. Aturan tentang label, transparansi, dan tanggung jawab model AI sedang dibahas di banyak yurisdiksi, dan Indonesia tidak terkecuali. Pembahasan tentang navigasi regulasi model AI memberi gambaran tentang denda, label, dan strategi yang perlu disiapkan tim yang memakai model dalam produk publik. Memakai model lokal tidak membebaskan tim dari kewajiban regulasi tersebut.

Siapa yang Paling Diuntungkan, dan Siapa yang Sebaiknya Menunggu

Universitas dan lembaga riset termasuk pihak yang paling diuntungkan. Model ini memberi bahan ajar dan bahan riset yang bisa dibongkar, diuji, dan dimodifikasi tanpa biaya lisensi per pemakaian. Mahasiswa yang terlibat dalam penyusunan model, yang menurut laporan berasal dari tujuh universitas di Indonesia, menunjukkan bahwa proyek ini memang dirancang dengan jalur partisipasi akademik, bukan sekadar rilis sekali jalan.

Startup yang melayani pasar Indonesia juga punya alasan kuat untuk menguji model ini. Alasan tersebut bukan semata soal nasionalisme teknologi. Alasan tersebut adalah kesesuaian. Startup yang membangun asisten untuk warung, klinik, sekolah, atau layanan daerah akan merasakan perbedaan saat model memahami bahasa pelanggan tanpa perlu banyak contoh tambahan. Penghematan waktu penyetelan dan peningkatan kualitas jawaban bisa menjadi keunggulan yang nyata di pasar yang kompetitif.

Instansi publik punya alasan berbeda, yaitu kendali atas data. Layanan yang memproses dokumen warga atau percakapan layanan publik akan lebih mudah memenuhi kebijakan data saat model berjalan di infrastruktur sendiri. Keuntungan ini hanya terwujud jika instansi tersebut memang punya tim infrastruktur yang mampu mengelola server GPU. Tanpa tim tersebut, keuntungan kendali data bisa tertutup oleh risiko operasional.

Di sisi lain, ada pihak yang sebaiknya menunggu. Freelancer dan tim kecil tanpa server sebaiknya tidak memaksakan instalasi model 27 miliar parameter di perangkat yang tidak memadai. Hasilnya akan lambat, boros, dan mengecewakan. Jalan yang lebih baik adalah memakai model kecil untuk prototipe, lalu menguji model GoTo lewat penyedia terkelola saat tersedia. Model yang bagus tetapi berjalan lambat akan kalah dari model yang lebih kecil tetapi responsif.

Baca juga:

AI Agent: Cara Kerja dan Manfaatnya untuk Desain dan Bisnis

Pengguna perorangan juga sebaiknya menahan ekspektasi. Model ini bukan aplikasi siap pakai dengan tombol unduh dan langsung jalan di laptop. Model ini adalah komponen teknologi yang perlu dirangkai menjadi produk oleh tim teknis. Artikel tentang model AI open-weight Meta yang bisa jalan di Mac memberi gambaran pembanding yang berguna, yaitu bahwa model terbuka yang bisa jalan di perangkat pribadi biasanya berukuran jauh lebih kecil dari 27 miliar parameter.

Kesimpulan dan CTA

Model AI GoTo 27 miliar parameter adalah langkah yang patut diapresiasi, dengan catatan yang jelas. Kekuatannya ada pada fokus bahasa Indonesia dan bahasa daerah, keterbukaan bobot model, dan ukuran menengah yang masih bisa dijalankan institusi tanpa pusat data raksasa. Kelemahannya ada pada kebutuhan perangkat keras yang tetap besar, rincian pengujian yang belum dibuka sepenuhnya, dan lisensi Gemma yang perlu dibaca teliti sebelum dipakai komersial.

Langkah praktis berikutnya bisa dimulai minggu ini. Unduh dokumentasi resmi model dan baca ketentuan lisensinya. Siapkan 50 sampai 100 contoh percakapan nyata dari layanan yang sedang berjalan, termasuk contoh berbahasa daerah dan campuran bahasa. Uji model GoTo berdampingan dengan model yang sedang dipakai, dengan contoh yang sama dan kriteria penilaian yang sama. Catat perbedaan kualitas jawaban, kecepatan, dan biaya. Keputusan memakai atau tidak memakai model ini sebaiknya lahir dari angka pengujian tersebut, bukan dari berita peluncuran.

Jika hasil pengujian menunjukkan keunggulan yang jelas, susun rencana integrasi bertahap, mulai dari satu fitur dengan risiko rendah, misalnya peringkasan atau klasifikasi pesan, sebelum masuk ke percakapan penuh dengan pelanggan. Jika hasil pengujian belum meyakinkan, tidak ada kerugian untuk menunggu. Model terbuka cenderung membaik lewat pembaruan komunitas, dan versi yang lebih kecil atau lebih efisien sering menyusul setelah rilis awal.

Sumber yang dipakai dalam artikel ini: laporan Selular tentang LLM GoTo 27 miliar parameter, laporan Telko tentang rilis LLM GoTo, analisis e27 tentang biaya menjalankan model 27B, dan laporan Tech Coffee House tentang model AI GoTo untuk Indonesia.