Model AI Kecil Mulai Menang di Dunia Enterprise, Bukan Sekadar Tren Sesaat

Model AI berukuran raksasa dengan ratusan miliar parameter memang jadi primadona di panggung publik. Tapi di balik layar korporasi, ada pergeseran menarik yang jarang jadi sorotan: model AI kecil dengan sekitar satu miliar parameter justru mulai diperhitungkan serius. Freddy Lécué, seorang praktisi yang membangun model fondasi untuk deteksi fraud di lingkungan enterprise, membagikan tiga pelajaran rekayasa dari pengalamannya. Intinya sederhana namun berdampak luas: untuk kebutuhan bisnis spesifik, model yang lebih kecil bisa lebih unggul ketimbang model besar serba bisa.

Kenapa Model Kecil Tiba-Tiba Dilirik?

Selama beberapa tahun terakhir, narasi industri didominasi oleh siapa yang punya model paling besar. Semakin banyak parameter, semakin dianggap canggih. Padahal dalam praktiknya, perusahaan tidak selalu butuh model yang bisa menulis puisi atau menjawab pertanyaan filsafat. Mereka butuh model yang bisa mendeteksi anomali transaksi, mengenali pola penipuan, atau mengklasifikasi dokumen dengan akurasi tinggi dan biaya operasional yang masuk akal.

Di sinilah model satu miliar parameter menunjukkan gigi. Menurut Lécué, ada tiga pelajaran engineering yang ia dapatkan dari proses membangun model tersebut. Pertama, kualitas data jauh lebih menentukan daripada jumlah parameter. Kedua, arsitektur yang tepat guna lebih berharga daripada arsitektur yang serba besar. Ketiga, evaluasi yang kontekstual dan sesuai domain bisnis menjadi kunci keberhasilan deployment.

Bukan tanpa alasan. Model besar cenderung memakan biaya inferensi yang mahal, latency tinggi, dan sulit di-deploy di lingkungan dengan regulasi ketat seperti perbankan atau asuransi. Sementara model kecil bisa dilatih dengan data spesifik perusahaan, dijalankan di infrastruktur lokal, dan dioptimalkan untuk kebutuhan nyata. Ini bukan soal gengsi teknologi, melainkan soal efisiensi dan relevansi.

Fraud Detection sebagai Studi Kasus Nyata

Deteksi fraud adalah contoh sempurna mengapa model kecil bisa menang. Data transaksi keuangan sangat terstruktur, pola penipuan relatif spesifik, dan kebutuhan akan interpretasi model sangat tinggi. Model besar yang dilatih dengan data internet umum justru berisiko bias dan sulit dijelaskan ke regulator. Sebaliknya, model satu miliar parameter yang dilatih dengan data transaksi internal bisa memberikan akurasi tinggi sekaligus memenuhi tuntutan audit.

Lécué menekankan bahwa dalam membangun model ini, timnya tidak terjebak pada obsesi menambah parameter. Mereka fokus pada rekayasa fitur, pembersihan data, dan validasi silang yang ketat. Hasilnya, model tersebut mampu bersaing dengan model yang jauh lebih besar dalam tugas spesifik deteksi fraud, dengan biaya operasional yang jauh lebih rendah.

Implikasi bagi Ekosistem Enterprise dan Startup Indonesia

Pergeseran ini punya dampak langsung bagi pelaku bisnis di Indonesia. Banyak perusahaan Tanah Air, terutama di sektor keuangan dan e-commerce, masih ragu mengadopsi AI karena khawatir biaya cloud yang membengkak dan kompleksitas integrasi. Model kecil membuka jalan bagi adopsi yang lebih realistis. Startup lokal bisa mengembangkan model AI khusus untuk kebutuhan pasar Indonesia, misalnya deteksi fraud di dompet digital, analisis sentimen bahasa daerah, atau otomatisasi back-office, tanpa harus bergantung pada model raksasa dari luar.

Dalam satu hingga tiga tahun ke depan, kita mungkin akan melihat lebih banyak perusahaan Indonesia yang membangun model AI internal dengan parameter terbatas namun sangat terlatih untuk domain mereka. Ini sejalan dengan tren global menuju AI yang lebih hemat energi dan lebih mudah diaudit. Bukan tidak mungkin, model-model kecil ini justru menjadi tulang punggung transformasi digital di sektor riil.

Menariknya, pelajaran dari Lécué ini juga sejalan dengan kritik terhadap pendekatan tambal-sulam dalam rekayasa software yang sempat disinggung dalam catatan Sam Altman soal era baru rekayasa. Keduanya menekankan pentingnya desain yang tepat sejak awal, bukan sekadar menambah kompleksitas.

Membangun Model AI yang Tepat Guna

Bagi tim engineering yang ingin mengikuti jejak ini, ada beberapa poin praktis yang bisa diambil. Pertama, mulailah dari masalah bisnis yang jelas, bukan dari teknologi. Kedua, investasikan waktu pada kualitas data dan pelabelan. Ketiga, pilih arsitektur yang sesuai dengan sumber daya komputasi yang tersedia. Keempat, bangun pipeline evaluasi yang berkelanjutan, karena model yang baik harus terus dipantau performanya di dunia nyata.

Lécué juga menyiratkan bahwa keberhasilan model kecil tidak lepas dari kolaborasi antara tim data, tim bisnis, dan tim compliance. Di lingkungan enterprise, AI bukan proyek laboratorium, melainkan bagian dari produk yang harus akuntabel. Oleh karena itu, transparansi dan kemampuan menjelaskan keputusan model menjadi nilai tambah yang tidak dimiliki model black-box raksasa.

Modernisasi alur kerja digital berbasis automasi dan model AI yang tepat guna seperti ini terbukti memangkas inefisiensi operasional secara drastis. Jika tim kamu sedang merencanakan arsitektur automasi sistem atau custom software serupa, kamu bisa menjadwalkan sesi konsultasi dan eksplorasi teknis langsung bersama para engineer di Rizallab.

Pada akhirnya, perdebatan tentang model besar versus model kecil bukanlah pertarungan siapa yang paling canggih. Ini soal siapa yang paling cocok dengan kebutuhan. Seperti halnya memilih kendaraan, truk besar tidak selalu jadi pilihan terbaik untuk mengantar paket di gang sempit. Model AI kecil dengan fokus domain yang tajam mungkin justru menjadi kunci bagi perusahaan yang ingin bergerak cepat, hemat, dan tetap patuh regulasi. Dan dari pengalaman Lécué, tampaknya arah angin memang sedang berubah.