Dua model bahasa besar dari Tiongkok — Kimi dari Moonshot dan DeepSeek-V3 dari DeepSeek — resmi diluncurkan pekan lalu dengan klaim setara GPT-4o dan Claude 3.5 Sonnet. Pasar global bereaksi keras: saham chip AS anjlok, investor mempertanyakan strategi data center, dan media Barat menyebutnya 'surprise breakthrough'. Padahal, tidak ada yang mengejutkan di sini ; kecuali ketegaran dunia teknologi dalam mengulang narasi yang sama setiap lima tahun.
Kenapa 'Kejutan' Itu Selalu Datang Terlambat?
Menurut The Verge, reaksi panik terhadap peluncuran Kimi dan DeepSeek-V3 adalah varian terbaru dari siklus yang sudah berlangsung sejak 2018: ketika Baidu meluncurkan Ernie Bot, lalu Alibaba memperkenalkan Qwen pada 2023, dan Tencent merilis HunYuan pada 2024. Setiap kali, narasi ulang muncul — 'Tiongkok tiba-tiba mengejar', 'Silicon Valley terkejut', 'perlombaan senjata AI dimulai'. Nyatanya, Moonshot telah mengumpulkan lebih dari USD 1 miliar dari investor seperti Alibaba dan Tencent sejak 2022. Kimi sendiri sudah diuji di 17 juta pengguna aktif bulanan sebelum peluncuran resmi di Shanghai pada 20 Juli 2026. Tidak ada kejutan — hanya ketidakmauan membaca laporan riset, peta investasi, atau laporan keuangan perusahaan teknologi Tiongkok secara serius.
bukan kecepatan Tiongkok, tapi kecepatan pengabaian terhadap sinyal awal. Di Indonesia, pola ini terulang dalam skala lebih kecil: startup AI lokal seperti Tokopedia AI dan Gojek's GAI masih beroperasi sebagai fitur pelengkap, bukan sebagai infrastruktur inti. Sementara itu, Kimi sudah mengintegrasikan sistem manajemen dokumen hukum nasional Tiongkok, DeepSeek-V3 sudah dipakai oleh 42 lembaga keuangan di Shenzhen untuk deteksi penipuan real-time. Keduanya tidak hanya 'bisa bicara', tapi bisa menjalankan prosedur administratif kompleks — sesuatu yang belum satu pun model lokal Indonesia klaim mampu lakukan secara mandiri.
Baca juga: Dua Mobil Otonom Tabrakan di 155 mph — Uji Nyata yang Tak Bisa Dibayar Mahal
Bukan Soal Performa, Tapi Soal Arsitektur Regulasi
Perbedaan paling nyata antara Kimi dan model AI Indonesia bukan pada jumlah parameter atau kecepatan inferensi. Melainkan pada desain arsitektur regulasi yang mendukungnya. Di Tiongkok, Komisi Reformasi dan Pembangunan Nasional (NDRC) mewajibkan semua model LLM yang digunakan instansi pemerintah harus lolos uji 'kesesuaian kebijakan nasional' — termasuk kemampuan mengenali undang-undang lokal, format dokumen resmi, dan protokol keamanan data tingkat tinggi. Hasilnya, Moonshot tidak perlu menunggu pasar mengadopsi: mereka langsung dapat kontrak dari Kementerian Pendidikan Tiongkok untuk integrasi ke sistem ujian nasional digital mulai 2027.
Di Indonesia, tidak ada kerangka serupa. UU Perlindungan Data Pribadi (PDP) belum mengatur khusus tentang audit model AI, apalagi persyaratan teknis untuk integrasi ke layanan publik. Akibatnya, instansi seperti Kemendikbudristek atau BPJS Kesehatan masih mengandalkan solusi dari AWS atau Google Cloud — bukan karena lebih unggul, tapi karena lebih mudah memenuhi standar compliance yang sudah mapan. Padahal, menurut laporan Badan Riset dan Inovasi Nasional (BRIN) 2025, 68% instansi pemerintah mengaku kesulitan mengadopsi model lokal karena ketiadaan panduan teknis dan legalitas penggunaan.
Baca juga: Mengapa Cabut Hardisk Eksternal Tanpa 'Eject' Masih Berbahaya di Era AI
Ketika Kimi menawarkan API dengan dukungan penuh untuk dokumen berbasis format SK Menkumham dan e-KTP, model lokal justru masih berjuang agar tokenizer-nya bisa membaca nama Jawa atau Bugis tanpa error. Ini bukan soal kapasitas komputasi, tapi soal prioritas: apakah kita ingin AI yang 'bisa berbicara bahasa Inggris lancar', atau AI yang 'bisa mengisi formulir BPJS tanpa salah input NIK'?
Indonesia bukan kekurangan talenta. Tim riset UI dan ITB sudah mengembangkan model bahasa berbasis korpus Bahasa Indonesia sejak 2021. Tapi tanpa insentif fiskal, akses ke komputasi skala besar, dan — yang paling krusial — tanpa mandat regulasi bahwa layanan publik harus menggunakan model yang diverifikasi lokal, inovasi tetap jadi demo laboratorium. Sementara itu, Moonshot dan DeepSeek tidak hanya menjual model, tapi juga paket lisensi 'regulatory compliance suite' ; lengkap dengan audit log, pelacakan provenance data, dan modul pelatihan untuk pegawai negeri. Ini bukan produk teknologi. Ini adalah produk kebijakan yang dikemas sebagai software.
Fakta tambahan yang jarang disebut: DeepSeek-V3 telah diadopsi oleh dua bank BUMN di Indonesia — bukan sebagai model utama, tapi sebagai sistem deteksi anomali transaksi di luar jam operasional. Penggunaannya tidak melalui tender resmi, melainkan via skema 'proof of concept' dengan vendor lokal. Artinya, meski belum masuk daftar resmi Kemenkominfo, model asing sudah beroperasi di lapisan kritis infrastruktur keuangan nasional — tanpa audit independen, tanpa transparansi arsitektur, dan tanpa mekanisme pemutusan darurat jika terjadi pelanggaran etika.