Bayangkan ini: Anda duduk di ruang rapat kantor fintech Jakarta. CEO baru saja menyebut 'multi-modal RAG pipeline' sambil menunjuk grafik pertumbuhan pengguna. Di sebelah Anda, dua rekan mengangguk mantap—padahal satu belum pernah baca paper tentang retrieval-augmented generation, dan satunya lagi yakin RAG itu singkatan dari 'Real-time Analytics Gateway'. Di sudut lain, seorang investor asing tersenyum kecil. Ia tahu persis apa yang sedang terjadi: bukan soal teknologi, tapi soal siapa yang bisa berbicara dalam bahasa yang sama—dan siapa yang hanya pura-pura mengerti.
Apa yang Hilang dari Glosarium AI yang Beredar?
Glosarium AI bukan soal menghafal definisi. Yang hilang dari kebanyakan daftar istilah adalah konteks kekuasaan: siapa yang memperkenalkan istilah itu, kapan ia mulai dipakai secara strategis, dan bagaimana ia digunakan untuk membatasi akses ke diskusi teknis. TechCrunch AI baru-baru ini merilis versi terbarunya—yang disebut 'The only AI glossary you'll need this year'—dan memang unik karena tidak hanya mendefinisikan 'LLM' atau 'fine-tuning', tapi juga menyertakan catatan kecil tentang asal-usul kata seperti 'hallucination' (istilah yang pertama kali muncul dalam laporan Google Research 2021, bukan dalam dokumen internal OpenAI) dan 'stochastic parrot' (frasa kritis dari peneliti Emily Bender dkk. Tahun 2021 yang masih jarang masuk presentasi pitch deck startup Indonesia).
Dilansir TechCrunch AI, glosarium ini sengaja dibuat tanpa hierarki—tidak ada 'tingkat dasar' atau 'tingkat lanjut'. Semua istilah ditempatkan setara, karena dalam praktik bisnis nyata, seorang chief marketing officer justru lebih sering menggunakan 'zero-shot prompting' daripada seorang data engineer yang bekerja dengan on-premise inference server. Ini mengungkap sesuatu yang tak terucap: literasi AI di Indonesia saat ini bukan soal kedalaman teknis, tapi soal kelenturan bahasa—kemampuan beralih antara bahasa teknis, bahasa bisnis, dan bahasa regulasi dalam satu kalimat.
Baca juga: Stability AI Kumpulkan $76 Juta, Total Pendanaan Capai $232 Juta
Mengapa 'Prompt Engineering' Masih Jadi Kata Kunci di Jakarta, Bukan di Palo Alto?
Di Silicon Valley, istilah 'prompt engineering' sudah mulai ditinggalkan—digantikan oleh 'system design for LLM applications' atau 'orchestration layer development'. Tapi di Jakarta, istilah ini masih menjadi headline di pelatihan UMKM digital, webinar Kemenkominfo, dan bahkan modul pelatihan guru SMK. Mengapa? Karena 'prompt engineering' adalah pintu masuk paling rendah—tidak butuh infrastruktur, tidak butuh GPU, cukup laptop dan akses internet. Menurut data Kementerian Komunikasi dan Informatika (2023), 68% peserta pelatihan AI tingkat dasar di 12 kota besar memilih modul 'membuat prompt efektif' sebagai prioritas utama, jauh di atas 'memahami transformer architecture' (12%) atau 'mengatur fine-tuning lokal' (7%).
Ini bukan soal ketertinggalan teknologi. Ini soal prioritas aplikasi. Di negara dengan 54 juta UMKM dan 72% usaha mikro masih beroperasi tanpa sistem manajemen digital, kemampuan membuat prompt yang bisa menghasilkan laporan keuangan otomatis atau draft surat izin usaha justru lebih bernilai daripada memahami backpropagation. Glosarium yang baik harus mencerminkan realitas itu—bukan hanya menjelaskan apa itu 'few-shot learning', tapi juga menunjukkan contoh konkret bagaimana sebuah warung kopi di Yogyakarta menggunakan template few-shot untuk menghasilkan caption Instagram yang konsisten selama tiga bulan berturut-turut.
Baca juga: HP Mati Total Meski Baterai 100%: Fenomena yang Makin Sering di Indonesia
Yang jarang dibahas dalam glosarium standar adalah 'istilah yang mati'. Misalnya 'AI-native', yang sempat booming di 2022 tetapi kini nyaris tidak muncul dalam pitch deck startup Indonesia pasca-2023. Atau 'AGI-readiness', frasa yang banyak dipakai perusahaan konsultan global untuk menawarkan audit strategis—tapi tidak pernah muncul dalam roadmap Kemenristekdikti atau BPPT. Perbedaan ini bukan soal bahasa, tapi soal ekosistem: di mana suatu istilah lahir, di mana ia dipakai, dan di mana ia sengaja dihilangkan dari percakapan publik.
Sebuah glosarium AI yang relevan untuk Indonesia juga harus menyertakan istilah lokal yang telah berevolusi makna—seperti 'digitalisasi' yang kini sering dipakai sebagai padanan 'migrasi ke cloud', atau 'transformasi' yang dalam konteks BUMN sering berarti 'penggantian vendor legacy system', bukan perubahan proses bisnis. Tanpa catatan semacam ini, glosarium hanya menjadi alat penerjemahan—bukan alat pemberdayaan.
Di akhir rapat fintech tadi, CEO akhirnya membuka slide berjudul 'Our RAG Strategy'. Ia tidak menjelaskan arsitektur retrieval, tapi langsung menunjukkan tiga contoh kasus: jawaban otomatis untuk komplain nasabah berbasis SOP internal, rekomendasi produk berdasarkan riwayat transaksi plus regulasi OJK terbaru, dan deteksi anomali klaim asuransi dengan cross-reference ke database BPJS Kesehatan. Baru setelah itu, ia menyebut: 'Kita pakai model lokal, fine-tuned di atas Qwen2, bukan Llama 3—karena dokumentasi regulasi kita belum semua dalam bahasa Inggris.' Itu bukan teknis. Itu politik bahasa.
Jadi, pertanyaannya bukan apakah Anda bisa mendefinisikan 'tokenization', tapi apakah Anda bisa mengenali kapan istilah itu dipakai untuk memperjelas—dan kapan justru dipakai untuk mengaburkan? Dan jika Anda diminta membuat glosarium AI untuk tim Anda minggu depan, istilah mana yang akan Anda masukkan—dan mana yang sengaja Anda tinggalkan?