Di Era AI, Bahasa Adalah Infrastruktur, Bukan Kode
Di era teknologi sebelumnya, kata-kata menjelaskan sistem. Sekarang kata-kata telah menjadi sistem itu sendiri. Hal itu seharusnya mengubah siapa yang duduk di meja perundingan saat mesin-mesin dibangun.
Selama kita membangun mesin, kata-kata hanya menjelaskan mesin tersebut. Itu telah berubah. Lompatan teknologi saat ini bertumpu pada bahasa itu sendiri. Kecerdasan buatan, dan model bahasa besar di balik AI generatif, dibangun sepenuhnya berdasarkan kata-kata, tanpa pemahaman inheren tentang konteks atau emosi. Apa yang "diketahui" oleh sebuah model berasal dari data yang digunakan untuk melatihnya, dan data tersebut membawa stereotip dan bias kita, semuanya terkode dalam bahasa. Beri input "optimalisasi tenaga kerja" dan ia akan membaca efisiensi; beri input "pemutusan hubungan kerja karyawan" dan ia akan membaca kerugian. Faktanya identik. Hanya kata-katanya yang berubah. Kata-kata tidak lagi menggambarkan sistem. Kata-kata adalah sistem itu sendiri.
Sebelumnya, sistem terbaik dimenangkan berdasarkan skala dan kecepatan, dengan keyakinan bahwa semakin banyak daya komputasi berarti hasil yang lebih baik. LLM (Language Language Models) mematahkan aturan itu. Kinerjanya bergantung pada ketepatan linguistik, bukan volume. Dan bahasa tidak pernah netral. Pergeseran semantik kecil mengubah cara model membingkai masalah dan apa yang direkomendasikannya. "Keterlibatan konsumen" dan "pengawasan perilaku" dapat menggambarkan aktivitas yang sama pada fakta yang identik, namun yang satu mengundang investasi dan yang lainnya tuntutan hukum. Bagaimana informasi dibingkai sekarang menentukan seberapa baik mesin bernalar. Kata-kata telah menjadi istilah operasinya.
Ini bukan tentang individu yang membujuk chatbot untuk memberikan jawaban yang lebih baik. Masalahnya lebih dalam. Melatih model adalah pekerjaan institusional. Informasi diklasifikasikan dan diberi label, dan pilihan-pilihan tersebut menjadi dasar bagi mesin untuk membaca dunia. Label yang diberikan organisasi, aman atau berisiko, dapat dipercaya atau berbahaya, produktif atau boros, mengeras menjadi kumpulan data, antarmuka, dan alur kerja. Label-label ini mengajarkan mesin apa yang harus diperhatikan, apa yang harus diabaikan, bagaimana membaca perilaku manusia, dan apa yang harus dihasilkan secara default. Pengaruh masa depan para pemimpin teknologi akan bergantung pada seberapa baik mereka membentuk sistem semantik ini, bukan hanya pada pengetahuan teknis semata.
Sudah saatnya organisasi memikirkan kembali di mana komunikasi seharusnya berada. Selama lima puluh tahun, komunikasi diperlakukan sebagai pekerjaan hilir, suara yang diberikan kepada ide-ide yang sudah diselesaikan di balik pintu tertutup. Tugasnya adalah sebagai fasad: untuk mempercantik presentasi, untuk menambahkan sentuhan akhir setelah strategi selesai. AI meruntuhkan tatanan itu. Komunikasi tidak lagi bersifat simbolis; ia bersifat infrastruktur. Semantik tidak lagi hanya membentuk persepsi manusia; ia mengatur bagaimana mesin menafsirkan. Taksonomi yang ceroboh dapat mendistorsi keluaran model, dan melalui itu, pemahaman orang tentang apa yang benar. Klasifikasi yang secara etis lemah dapat menormalisasi kerugian, kemudian meningkatkannya. Saat AI memasuki bidang perekrutan, perawatan kesehatan, keuangan, pemerintahan, dan pendidikan, pilihan kata-kata ini berhenti menjadi kosmetik. Kata-kata tersebut mulai membawa konsekuensi material, terkadang mengubah hidup.
Di sini, makna berlapis-lapis di berbagai bahasa, kasta, kelas, wilayah, dan ragam bahasa, bersifat relasional dan situasional daripada literal, di mana kalimat yang sama berubah tergantung pada siapa yang mengucapkannya kepada siapa. Namun, sebagian besar AI dilatih pada data yang datar dan didominasi bahasa Inggris yang tidak dapat menampung tekstur tersebut. Bahayanya bukan hanya pengucilan tetapi juga standardisasi interpretasi yang diam-diam yang menganggap satu versi realitas sebagai satu-satunya. Sistem yang tidak dapat membaca nuansa sosial akan memperbesar kesalahan pembacaan menjadi jutaan keputusan. Ini bukan berarti komputasi tidak lagi penting. Model masih membutuhkan daya, data, dan rekayasa kelas satu, dan India membutuhkan jauh lebih banyak dari ketiganya. Tetapi kemampuan yang menentukan sedang bermigrasi. Ketika semua orang dapat membeli komputasi yang sebanding dan melisensikan model yang sebanding, pembedanya bukan lagi siapa yang memproses bahasa paling cepat, tetapi siapa yang memahaminya paling dalam: etika, politik, dan muatan budayanya.
Pada akhirnya, pergeseran ini bersifat filosofis. Penilaian manusia tidak pernah hanya didasarkan pada logika semata; penilaian tersebut bergantung pada konteks, ingatan, metafora, etika, dan budaya, kemampuan yang sulit diukur secara kuantitatif. Melalui bahasa, mesin kini memasuki wilayah manusia tersebut. Masa depan tata kelola AI akan lebih bergantung pada siapa yang cukup memahami bahasa untuk mengaturnya daripada siapa yang memiliki model paling canggih.
Jadi, pekerjaan praktisnya jelas. Semua harus memperlakukan pelabelan dan klasifikasi data sebagai masalah tata kelola, bukan tugas teknis di belakang layar. Para pemimpin teknologi harus membawa ahli bahasa, ahli etika, dan komunikator ke ruangan tempat model dirancang, bukan memanggil mereka setelahnya untuk menjelaskan hasilnya. Dan Indonesia harus berinvestasi dalam data yang dibangun dalam bahasa dan register sendiri, daripada meminjam pandangan dunia yang dikodekan dalam bahasa orang lain. Orang-orang ini bukanlah tambahan yang lemah bagi rekayasa. Mereka adalah penopang utama. Terlalu lama, lembaga-lembaga memperlakukan kata-kata sebagai lapisan di atas teknologi, berguna untuk menjelaskannya, menjualnya, dan mempertahankannya. Hierarki itu sedang berbalik. Di era AI, kata-kata adalah arsitektur yang digunakan mesin untuk memahami dunia. Dan siapa pun yang membentuk kata-kata tersebut sudah membangun mesinnya.
