Mozilla menerbitkan State of Open Source AI pertamanya berdasarkan analisis dan survei lebih dari 950 developer. Menurut laporan itu, selisih performa model terbuka dengan sistem proprietary teratas menyempit menjadi sekitar 3 persen dan biaya turun hingga 50 kali dalam tiga tahun. Namun 79 persen responden memakai model terbuka sementara hanya 51 persen telah men-deploy-nya, menunjukkan masalah utama bergeser dari kemampuan model menuju tooling, support, lisensi, data, evaluasi, dan agentic harness.
Angka laporan perlu dibaca sebagai sinyal, bukan hukum universal
Mozilla menyatakan model terbuka menjalankan sekitar sepertiga penggunaan AI di dunia nyata tetapi menangkap sekitar 4 persen pendapatan. Laporan juga menyebut gap performa dengan sistem proprietary teratas tinggal 3 persen dan biaya turun hingga 50 kali. Angka agregat ini membantu melihat arah, tetapi tidak otomatis berlaku untuk setiap bahasa, modality, hardware, atau tugas perusahaan.
Sebelum memakai angka tersebut untuk business case, baca metodologi, definisi open model, benchmark, sampel responden, dan periode pengukuran. Model yang unggul pada satu eval dapat gagal pada tool use, long context, safety, atau bahasa Indonesia. Biaya inference juga bergantung pada utilization, quantization, engineering, observability, serta orang yang menjaga platform.
- Bedakan open weights, open source, dan source-available.
- Bandingkan workload sendiri, bukan skor rata-rata.
- Hitung biaya infra dan tim, bukan harga token saja.
- Periksa lisensi sebelum produksi.
Kesenjangan penggunaan dan produksi menunjukkan masalah tooling
Sebanyak 79 persen developer dalam survei disebut memakai model terbuka, tetapi 51 persen sudah menjalankannya di produksi. Untuk model tertutup, angka deployment yang disebut Mozilla mencapai 63 persen. Selisih itu tidak semata-mata membuktikan kualitas model; organisasi membutuhkan serving, autoscaling, update, evaluation, access control, incident response, dan support yang matang.
Tim kecil sebaiknya menghindari membangun seluruh stack dari nol. Gunakan komponen yang dapat diganti, format model standar, registry versi, observability, serta deployment reproducible. Mulai pada satu use case dengan batas latency dan kualitas. Jika biaya operasi atau kompetensi on-call lebih tinggi daripada manfaat kontrol, layanan terkelola tetap dapat menjadi pilihan rasional. Openness adalah opsi arsitektur, bukan kewajiban ideologis.
Lisensi dan ownership semakin penting
Mozilla mencatat licensing terms dan ownership sebagai prioritas pembeli. Label terbuka tidak cukup; lisensi dapat membatasi penggunaan komersial, jumlah pengguna, derivative, atau distribusi. Dataset serta tokenizer mungkin memiliki status berbeda dari weight. Legal review perlu memetakan semua komponen, termasuk adapter, evaluasi, prompt, dan output yang disimpan.
Ownership memberi kemampuan menjalankan model di lokasi sendiri, mengontrol update, serta memindahkan provider. Namun ia juga memindahkan tanggung jawab patch, abuse monitoring, data governance, dan compliance. Buat exit plan sebelum memilih stack: bagaimana mengekspor data, mengganti model, mengulang evaluasi, dan menghentikan versi lama tanpa merusak aplikasi.
- Simpan inventaris model, versi, lisensi, dan sumber.
- Pisahkan data sensitif dari telemetry publik.
- Dokumentasikan modifikasi serta provenance.
- Uji migrasi sebelum kontrak atau arsitektur terkunci.
Agentic harness dapat lebih menentukan daripada model
Laporan menyoroti agentic harness: lapisan yang mengatur apa yang dapat dilihat, diingat, dan dilakukan model. Perubahan memory, retrieval, tool schema, permission, serta confirmation dapat memberi dampak lebih besar daripada mengganti model. Karena itu evaluasi model sendirian tidak membuktikan keamanan atau kegunaan sistem agentic yang utuh.
Mozilla menyebut pengguna dapat menyetujui permintaan agent hingga 93 persen, sebuah indikasi consent fatigue. Dialog izin yang terlalu sering mengubah persetujuan menjadi kebiasaan klik. Terapkan least privilege, izin berbasis tugas, preview tindakan, batas nominal, dan konfirmasi ulang hanya pada risiko tinggi. Log keputusan harus menjelaskan tool, input, output, serta actor tanpa menyimpan rahasia berlebihan.
- Evaluasi end-to-end dengan tool nyata.
- Gunakan read-only sebagai default.
- Pisahkan izin melihat dan mengubah.
- Sediakan revoke, timeout, dan audit trail.
Kerangka adopsi untuk organisasi Indonesia
Pilih use case yang memiliki data jelas, dampak terukur, dan jalur human review. Bandingkan setidaknya satu model terbuka dan satu layanan tertutup memakai dataset lokal berbahasa Indonesia. Ukur kualitas, latency, biaya, data residency, failure mode, serta waktu operasi. Jangan memasukkan data pelanggan ke model atau benchmark tanpa dasar hukum dan kontrol akses.
TenFourSeven menyarankan keputusan bertahap: eksperimen reproducible, pilot terbatas, red-team, lalu produksi dengan owner. Catat alasan memilih model serta harness agar dapat ditinjau ketika versi baru muncul. Open source AI dapat meningkatkan kontrol dan kedaulatan teknologi, tetapi hanya bila ecosystem deployment, governance, dan pendanaan dipelihara. Weight yang dapat diunduh bukan sistem produksi yang siap pakai.
Laporan Mozilla menunjukkan kompetisi AI terbuka tidak lagi hanya soal mengejar benchmark. Tantangan berikutnya adalah membuat deployment, lisensi, data, evaluasi, dan agentic harness cukup matang untuk produksi. Angka survei memberi arah, bukan jaminan bagi setiap organisasi. Uji workload lokal, hitung total biaya, audit permission, dan pertahankan exit plan. Model terbuka memberi peluang ownership; tanpa investasi pada infrastruktur dan governance, peluang itu dapat berhenti sebagai eksperimen yang tidak pernah menjadi layanan tepercaya.