Bayangkan Anda harus membayar tiga kali lipat harga tiket pesawat untuk rute yang sama, hanya karena paspor Anda berwarna berbeda. Itulah kira-kira yang terjadi setiap hari pada bahasa Indonesia di dunia kecerdasan buatan. Bukan karena maskapainya rasis, tapi karena sistem tokenisasiāmesin pemecah kata di balik model AIāmemiliki bias struktural yang menguntungkan bahasa Inggris. Akibatnya, untuk menyampaikan informasi yang sama, teks bahasa Indonesia bisa membutuhkan token (unit dasar pemrosesan) jauh lebih banyak dibanding bahasa Inggris. Ini bukan sekadar masalah teknis; ini adalah biaya tersembunyi yang membebani pengguna, pengembang, dan pada akhirnya, ambisi kedaulatan digital Indonesia.
Akar Masalah: Tokenizer yang Lahir dari Korpus Inggris
Large Language Model (LLM) tidak membaca teks seperti manusia. Mereka memecah kalimat menjadi potongan-potongan kecil yang disebut token, menggunakan algoritma kompresi seperti Byte-Pair Encoding. Algoritma ini "dilatih" pada korpus raksasa yang didominasi bahasa Inggris. Akibatnya, tokenizer menjadi sangat efisien untuk bahasa Inggrisāsatu kata sering kali menjadi satu tokenātetapi boros untuk bahasa lain. Penelitian akademik, termasuk studi Petrov, La Malfa, Torr, dan Bibi yang telah melalui tinjauan sejawat, mendokumentasikan disparitas ini. Untuk bahasa-bahasa bersumber daya rendah, kebutuhan token bisa belasan kali lipat lebih banyak. Bahasa Indonesia, meski menggunakan aksara Latin, tidak luput dari inefisiensi ini.
Dampak Nyata: Biaya, Latensi, dan Konteks yang Tergerus
Efeknya tidak abstrak. Tiga dampak langsung terasa di ekosistem digital Indonesia:
1. Biaya Operasional Membengkak: Model komersial berbasis API menagih per token. Jika teks Indonesia membutuhkan 2-3 kali lebih banyak token untuk informasi yang sama, biaya pemrosesan otomatis berlipat. Untuk perusahaan yang mengandalkan AI untuk layanan pelanggan atau analisis data, ini bukan ongkos recehan.
2. Penalti Latensi: Jumlah token berkorelasi langsung dengan waktu inferensi. Semakin banyak token yang harus diproses, semakin lama pula waktu yang dibutuhkan untuk menghasilkan respons. Ini berarti chatbot berbahasa Indonesia terasa lebih lambat dibanding versi Inggrisnya, sebuah pengalaman pengguna yang merugikan.
3. Jendela Konteks Menyusut: Model memiliki batas token per sesi. Satu halaman dokumen berbahasa Indonesia mengonsumsi lebih banyak token untuk informasi yang sama, sehingga secara efektif memperkecil jumlah konteks yang bisa diproses. Ini membatasi kemampuan model untuk memahami percakapan panjang atau dokumen kompleks.
Solusi yang Sedang Berjalan: Sahabat-AI dan Model Lokal
Kabar baiknya, masalah ini tidak diabaikan. Respons paling pragmatis datang bukan dari membangun model dari nolāyang terlalu mahal dan lambatāmelainkan dengan mengambil model open-source global, lalu "mengajarinya" kembali dengan korpus lokal. Ini pendekatan yang diambil oleh proyek SEA-LION (AI Singapore) dan dilokalisasi lebih dalam oleh Indonesia melalui Sahabat-AI. Diluncurkan pada 14 November 2024 oleh Indosat Ooredoo Hutchison dan GoTo, Sahabat-AI adalah ekosistem model bahasa fondasional open-source pertama yang didedikasikan untuk Bahasa Indonesia dan bahasa daerahnya. Model ini di-fine-tune dengan ratusan ribu pasangan instruksi dalam Bahasa Indonesia, Jawa, Sunda, dan Inggris. Hasilnya? Model yang lebih efisien dan akurat secara kultural untuk konteks Indonesia, mengurangi ketimpangan tokenisasi secara signifikan.
Implikasi Lebih Luas: Kedaulatan AI yang Terukur
Upaya seperti Sahabat-AI adalah langkah maju yang nyata. Namun, ini adalah solusi parsial. Ketimpangan tokenisasi adalah gejala dari masalah yang lebih besar: ketergantungan pada infrastruktur dan model asing. Data dari CNAS Sovereign AI Index menunjukkan bahwa bahkan proyek yang mengklaim "berdaulat" pun mayoritas tetap bergantung pada mitra asing. Indonesia, dengan belanja riset yang hanya 0,28% dari PDB (salah satu yang terendah di G20), masih berada di posisi yang rapuh. Kedaulatan AI yang realistis bukanlah kemandirian total, melainkan kemampuan mengelola ketergantungan secara strategis: melindungi data lokal, memastikan residensi data, dan secara bertahap meningkatkan investasi riset dan talenta. Tanpa fondasi ini, narasi "Indonesia Emas 2045" di ranah AI akan tetap menjadi retorika yang berjalan lebih cepat daripada realitas materialnya.