Apa Itu Generative AI?
Generative AI adalah jenis kecerdasan buatan yang mempelajari pola dalam data untuk menghasilkan konten baru. Konten tersebut dapat berupa teks, gambar, audio, video, kode, desain, maupun bentuk data lain yang sesuai dengan kemampuan model.
Dalam bahasa Indonesia, Generative AI disebut AI generatif. Pengguna biasanya memberikan prompt atau input, lalu sistem menghitung output berdasarkan pola yang terbentuk selama pelatihan dan konteks yang tersedia saat digunakan.
NIST menjelaskan Generative AI sebagai kelas model yang meniru struktur dan karakteristik data input untuk menghasilkan konten sintetis turunan. Definisi ini penting karena AI generatif tidak mengambil satu jawaban jadi dari penyimpanan. Sistem membangun output baru melalui proses komputasi pada model.
- Generative AI menghasilkan konten baru berdasarkan pola yang dipelajari dari data.
- Tidak semua AI generatif merupakan LLM; model generatif juga dapat menghasilkan gambar, audio, video, dan bentuk data lain.
- Output yang lancar atau realistis belum tentu benar, aman, maupun sesuai kebutuhan.
- Generative AI membuat konten, sedangkan Agentic AI menggunakan model dan tools untuk menjalankan tindakan menuju tujuan.
Perbedaan Generative AI dan AI Tradisional
Perbedaan utamanya terletak pada jenis output yang menjadi tujuan sistem. AI prediktif atau diskriminatif biasanya mengklasifikasikan, memberi skor, atau memperkirakan nilai. Generative AI membentuk konten baru yang memiliki karakteristik serupa dengan pola pada data pelatihan.
| Pendekatan | Tujuan utama | Contoh output |
|---|---|---|
| AI berbasis aturan | Menjalankan aturan yang telah ditentukan | Keputusan if–then |
| Predictive AI | Memperkirakan hasil atau nilai | Prediksi permintaan dan skor risiko |
| Discriminative AI | Membedakan kelas atau kategori | Spam atau bukan spam |
| Generative AI | Membentuk konten baru | Teks, gambar, audio, video, dan kode |
Satu aplikasi dapat menggabungkan beberapa pendekatan. Platform layanan pelanggan, misalnya, dapat memakai model klasifikasi untuk mengenali jenis keluhan, model generatif untuk menyusun draf jawaban, dan aturan bisnis untuk menentukan apakah respons perlu diperiksa manusia.
Istilah “tradisional” juga bukan berarti teknologi tersebut sudah tidak berguna. Untuk prediksi angka, klasifikasi yang stabil, atau keputusan dengan aturan jelas, model yang lebih sederhana dapat lebih murah, mudah diuji, dan mudah dijelaskan.
Bagaimana Cara Kerja AI Generatif?
AI generatif bekerja melalui dua fase utama: membentuk model dari data saat training dan menghasilkan output baru saat inference. Detailnya berbeda antara model teks, gambar, audio, dan video, tetapi alur dasarnya dapat dipahami melalui lima tahap.
1. Mengumpulkan dan menyiapkan data
Data dapat berupa dokumen, gambar, rekaman suara, video, kode, atau gabungan beberapa format. Data perlu dipilih, dibersihkan, dan diubah menjadi representasi yang dapat diproses model.
Kualitas data memengaruhi kemampuan sekaligus risiko model. Data yang tidak relevan, tidak seimbang, berisi informasi sensitif, atau memiliki masalah izin penggunaan dapat menimbulkan masalah pada output dan proses penerapannya.
2. Melatih model untuk mengenali pola
Model mempelajari hubungan statistik dalam data. Model bahasa dapat mempelajari pola hubungan antartoken, sedangkan model gambar dapat mempelajari struktur visual seperti bentuk, warna, tekstur, dan komposisi.
Training dilakukan dengan menyesuaikan parameter agar kesalahan prediksi berkurang. Proses ini tidak berarti model menyimpan seluruh pemahaman seperti manusia. Perilakunya muncul dari parameter matematis yang dibentuk melalui data, tujuan pelatihan, dan metode optimasi.
3. Menerima prompt dan konteks
Saat digunakan, model menerima prompt berupa teks, gambar, audio, file, atau input lain yang didukung aplikasi. Instruksi, contoh, data tambahan, riwayat percakapan, dan batas sistem dapat menjadi konteks untuk menghasilkan respons.
Prompt bukan sumber kebenaran otomatis. Instruksi yang jelas membantu mengarahkan format dan tujuan, tetapi tidak menghapus keterbatasan data atau model.
4. Menghasilkan output melalui inference
Model menghitung elemen output secara bertahap berdasarkan input dan pola yang telah dipelajari. Model bahasa memperkirakan token berikutnya, sedangkan model difusi umumnya membentuk gambar dengan mengurangi noise melalui beberapa langkah.
Proses tersebut memiliki unsur probabilistik. Input yang sama dapat menghasilkan output berbeda karena pengaturan model, konteks, atau proses sampling yang digunakan aplikasi.
5. Memeriksa dan menyajikan hasil
Aplikasi dapat menambahkan filter keamanan, pencarian sumber, aturan format, atau pemeriksaan lain sebelum output ditampilkan. Setelah itu, pengguna tetap perlu menilai akurasi, relevansi, izin penggunaan, serta dampak hasilnya.
Penjelasan training dan inference secara lebih umum tersedia dalam artikel cara kerja AI dari input hingga output. Microsoft juga memberikan gambaran resmi cara kerja AI generatif, termasuk hubungan data, jaringan saraf, prompt, dan proses menghasilkan konten.
Teknologi yang Digunakan Generative AI
Generative AI bukan nama satu algoritma atau satu produk. Istilah ini mencakup beberapa keluarga model yang cocok untuk bentuk data dan kebutuhan berbeda.
Large Language Model
Large Language Model atau LLM memproses dan menghasilkan bahasa dalam bentuk token. LLM digunakan pada aplikasi percakapan, peringkasan, penerjemahan, pencarian berbasis bahasa, dan pembuatan kode.
LLM merupakan salah satu bentuk Generative AI, bukan keseluruhan Generative AI. Aplikasi percakapan juga dapat menggabungkan LLM dengan pencarian, database, tools, filter, dan aturan produk.
Pembahasan khusus mengenai definisi, training, kemampuan, dan batasnya tersedia pada artikel apa itu Large Language Model. Mekanisme token hingga evaluasinya dijelaskan dalam pillar cara kerja Generative AI dan LLM.
Diffusion model
Diffusion model banyak digunakan untuk menghasilkan gambar dan dapat diterapkan pada audio maupun video. Secara sederhana, model mempelajari cara membentuk data dengan membalik proses penambahan noise.
Generative Adversarial Network
Generative Adversarial Network atau GAN memakai dua jaringan yang dilatih dalam proses kompetitif. Generator membuat output, sedangkan discriminator menilai seberapa mirip output tersebut dengan data yang menjadi acuan pelatihan.
Model multimodal
Model multimodal dapat memproses atau menghasilkan lebih dari satu jenis data, seperti teks dan gambar. Kemampuan multimodal memperluas format interaksi, tetapi tidak otomatis membuat model memiliki kecerdasan umum. Sistemnya tetap memiliki batas input, tujuan, dan akses.
Hubungan AI generatif dengan machine learning dan deep learning dapat dipahami melalui artikel perbedaan AI, machine learning, dan deep learning.
Contoh Penggunaan Generative AI
Generative AI cocok untuk pekerjaan yang membutuhkan pembuatan, transformasi, eksplorasi, atau penyusunan ulang konten. Hasilnya paling berguna ketika tujuan dan proses review ditentukan sejak awal.
| Bentuk output | Contoh penggunaan |
|---|---|
| Teks | Menyusun draf, meringkas dokumen, membuat variasi pesan, dan menjelaskan konsep |
| Gambar | Membuat ilustrasi konsep, eksplorasi visual, dan variasi desain |
| Audio | Menghasilkan suara sintetis, efek suara, atau musik |
| Video | Membuat adegan, animasi, atau variasi materi visual |
| Kode | Menyusun contoh fungsi, dokumentasi, dan membantu menemukan kesalahan |
| Data sintetis | Membuat data uji dengan batas dan validasi tertentu |
Dalam pekerjaan sehari-hari, penggunaan yang realistis antara lain:
- Membuat kerangka awal sebelum penulis mengembangkan argumen.
- Merangkum dokumen panjang sebagai titik masuk untuk pemeriksaan manual.
- Mengubah gaya atau format konten tanpa mengubah tujuan utamanya.
- Menghasilkan beberapa alternatif ide untuk dibandingkan.
- Membantu tim memahami struktur data atau potongan kode.
- Menyiapkan respons awal yang kemudian diperiksa pihak bertanggung jawab.
Generative AI tidak selalu tepat untuk setiap kebutuhan. Keputusan hukum, medis, keuangan, keamanan, atau informasi faktual penting tidak boleh diserahkan pada output yang belum diverifikasi.
Manfaat dan Risiko AI Generatif
Manfaat Generative AI berasal dari kemampuannya mempercepat proses eksplorasi dan produksi awal, bukan dari jaminan bahwa setiap hasil sudah siap digunakan. Sistem ini dapat membantu mengubah format, memperluas alternatif, dan menyediakan antarmuka bahasa untuk mengakses kemampuan komputasi.
Manfaat yang umum meliputi:
- Mempercepat pembuatan draf dan prototipe.
- Membantu eksplorasi beberapa alternatif.
- Menyederhanakan informasi kompleks.
- Memperluas akses melalui input bahasa alami.
- Membantu personalisasi format atau penjelasan.
Risikonya perlu dinilai berdasarkan konteks penggunaan:
- Hallucination: model dapat menghasilkan informasi yang terlihat masuk akal tetapi tidak didukung fakta.
- Bias: pola yang tidak seimbang dalam data dapat muncul kembali pada output.
- Privasi: prompt dan file dapat berisi informasi pribadi atau rahasia.
- Hak dan atribusi: data pelatihan serta output dapat menimbulkan pertanyaan mengenai izin, kepemilikan, atau penggunaan kembali.
- Konten sintetis menyesatkan: gambar, suara, atau video dapat digunakan untuk manipulasi dan penipuan.
- Keamanan: prompt, integrasi, atau output kode dapat membuka risiko apabila dipercaya tanpa pemeriksaan.
- Ketergantungan: penggunaan tanpa penilaian dapat menurunkan kualitas keputusan dan kemampuan memeriksa informasi.
NIST Generative AI Profile menempatkan pengelolaan risiko sepanjang siklus hidup AI, bukan hanya pada tahap ketika output sudah muncul. Ini mencakup tata kelola, pemetaan konteks, pengukuran, serta tindakan untuk mengelola risiko.
Perbedaan Generative AI, Narrow AI, dan Agentic AI
Generative AI menjelaskan kemampuan menghasilkan konten, Narrow AI menjelaskan luas kemampuan, sedangkan Agentic AI menjelaskan cara sistem bertindak menuju tujuan. Karena dimensinya berbeda, satu aplikasi dapat termasuk ketiganya sekaligus.
Model bahasa dapat menghasilkan draf email sehingga bersifat generatif. Kemampuannya tetap dibatasi oleh model dan konteks sehingga termasuk Narrow AI. Ketika model ditempatkan di dalam sistem yang dapat memilih tools, mengirim email, memeriksa balasan, dan menyesuaikan langkah, sistem tersebut mulai memiliki karakter agentic.
Perbedaannya dapat diringkas sebagai berikut:
- Generative AI: membuat atau mengubah konten.
- Narrow AI: bekerja dalam tugas atau domain terbatas.
- Agentic AI: merencanakan serta menjalankan tindakan dengan tingkat otonomi tertentu.
Pembahasan lanjutan tersedia dalam artikel cara kerja Agentic AI dan perbedaannya dengan AI tradisional.
Pertanyaan Umum tentang Generative AI
Apa yang dimaksud dengan Generative AI?
Generative AI adalah AI yang menghasilkan konten baru berdasarkan pola dari data pelatihan dan input pengguna. Outputnya dapat berupa teks, gambar, audio, video, kode, atau data sintetis.
Apa contoh Generative AI?
Contohnya adalah model atau aplikasi yang menghasilkan teks, membuat gambar dari prompt, menyusun musik, membuat video, atau membantu menghasilkan kode. Nama produk dapat berubah, sehingga kemampuan dan kebijakan penggunaannya perlu diperiksa pada dokumentasi masing-masing.
Apakah Generative AI sama dengan ChatGPT?
Tidak. ChatGPT merupakan salah satu aplikasi yang menggunakan model generatif. Generative AI adalah kategori teknologi yang lebih luas dan mencakup berbagai model serta format output.
Apakah semua Generative AI menggunakan LLM?
Tidak. LLM digunakan untuk bahasa, tetapi AI generatif juga mencakup diffusion model, GAN, dan keluarga model lain untuk gambar, audio, video, atau data.
Mengapa Generative AI dapat memberikan jawaban salah?
Model menghasilkan output berdasarkan pola dan probabilitas, bukan melalui jaminan bahwa setiap pernyataan sudah diverifikasi. Data terbatas, konteks kurang, prompt ambigu, dan keterbatasan model dapat menghasilkan jawaban keliru. Penjelasan lebih lengkap tersedia pada artikel mengapa LLM mengalami hallucination.
Apakah hasil Generative AI boleh langsung digunakan?
Tidak selalu. Hasil perlu diperiksa berdasarkan akurasi, privasi, keamanan, hak penggunaan, standar organisasi, dan dampak jika terjadi kesalahan.
Kesimpulan
Generative AI adalah teknologi yang mempelajari pola dalam data untuk menghasilkan teks, gambar, audio, video, kode, dan bentuk konten baru lainnya. Sistem bekerja melalui training, pemrosesan prompt, inference, dan penyajian output yang dapat dilengkapi kontrol tambahan.
Nilainya bukan pada kemampuan menggantikan seluruh proses manusia, tetapi pada kemampuannya membantu eksplorasi, transformasi, dan pembuatan draf dengan lebih cepat. Hasil yang terlihat meyakinkan tetap perlu diuji karena kualitas, kebenaran, keamanan, dan kesesuaiannya ditentukan oleh konteks penggunaan.
