Open source selalu didasarkan pada pertukaran sederhana namun kuat: Anda boleh menggunakan, mempelajari, memodifikasi, dan membagikan kode, tetapi\nAnda harus menghormati lisensinya. Kesepakatan tersebut melahirkan Linux, Kubernetes, PostgreSQL, Python, tak terhitung pustaka keamanan,\ndan infrastruktur di balik sebagian besar internet modern.
\nAI generatif memberikan tekanan pada kesepakatan itu.
\nModel AI besar dilatih dengan sejumlah besar teks, gambar, audio, video, dan kode sumber. Sebagian besar\nmateri tersebut tersedia secara publik oleh orang-orang yang ingin berbagi, berkolaborasi, mendokumentasikan, mengajar, atau menerbitkan. Ketersediaan publik, bagaimanapun, tidak sama dengan izin untuk setiap penggunaan komersial yang mungkin. Sebuah repositori di internet tidak\nsecara otomatis berarti pengabaian hak cipta. Lisensi open source bukan undangan untuk mengabaikan atribusi, copyleft,\npemberitahuan, kewajiban berbagi sumber, atau batasan-batasan dalam lisensi dependensi.
\nInilah dilema utamanya: Perusahaan AI sering berargumen bahwa pelatihan adalah analisis, pembelajaran, atau penggunaan wajar (fair use). Banyak kreator dan pemelihara open source berargumen bahwa pelatihan model melibatkan penyalinan karya yang dilindungi dalam skala industri, sering kali tanpa\nizin, kompensasi, atribusi, atau cara praktis untuk memilih keluar.
\nKode open source mudah dikumpulkan. Ia terstruktur, dapat dicari, memiliki versi, dan dihosting di repositori publik. Ia juga\nberisi komentar, pengujian, diskusi isu, contoh, riwayat komit, dokumentasi, dan file konfigurasi.
\nBagi pembuat model AI, ini adalah materi pelatihan yang sangat berharga. Bagi pemelihara, hal ini menimbulkan beberapa risiko.
\nIni bukan hanya soal apakah suatu model dapat menghasilkan salinan sempurna dari sebuah fungsi. Itu memang terjadi lebih terlihat di\nalat pembuat kode AI tahap awal, di mana prompt kadang dapat mereproduksi kode yang dikenali. Seiring produk berkembang, penyedia menjadi\nlebih berhati-hati terhadap filter, pemeriksaan kemiripan, dan kontrol output. Tapi menghindari peniruan verbatim saja tidak\nmenyelesaikan masalah dasarnya. Proses pelatihan bisa saja bergantung pada kode yang ketentuan lisensinya tidak pernah diteruskan.
\nDengan kata lain, masalah hak cipta tidak hilang hanya karena buktinya menjadi lebih sulit dideteksi dalam\noutput.
\nHal ini sangat penting untuk lisensi resiprokal seperti GPL dan AGPL. Lisensi ini bukan sekadar surat izin.\nMereka memberikan kebebasan luas, tetapi juga mewajibkan karya turunan atau perangkat lunak yang didistribusikan di bawah kondisi terkait untuk tetap menjaga kebebasan tersebut. Jika sebuah model dilatih dengan kode GPL lalu menghasilkan kode yang secara substansial didasarkan pada input GPL itu, pengguna mungkin tanpa sadar memasukkan kewajiban GPL ke dalam proyek mereka sendiri. Jika proyek itu closed source, proprietary, atau didistribusikan dengan lisensi yang tidak kompatibel, hasilnya bisa berupa pelanggaran lisensi.
\nMasalah praktisnya adalah pengguna biasanya tidak tahu. Asisten AI tidak berkata: \"saran ini diambil\ndari kode berlisensi GPL\", \"pola ini berasal dari proyek AGPL\", atau \"output ini mirip dengan kode berlisensi Apache dan\nmembutuhkan pelestarian pemberitahuan\". Konteks lisensi ada dalam data pelatihan, tetapi hilang dari jawabannya.\nIni memutus rantai kepatuhan yang sangat bergantung pada lisensi open source.
\nPengembang belajar dari open source sepanjang waktu. Kita membaca kode, memahami pola, lalu menulis implementasi sendiri. Itu\nnormal dan sehat. Open source sangat bergantung pada proses belajar seperti ini.
\nPelatihan AI berbeda dalam skala, otomasi, dan dampak pasar. Seorang pengembang manusia membaca sebuah proyek tidak biasanya\nmenyalin jutaan repositori ke dalam pipeline pelatihan, mengompresi pola statistik mereka ke dalam model komersial, dan\nmenjual akses ke generasi kode sebagai produk. Modelnya mungkin tidak menyimpan file seperti database, tetapi nilai bisnis tetap\nberasal dari ekstraksi pola dari karya orang lain.
\nInilah sebabnya diskusi ini sangat rumit. Jika setiap tindakan machine learning dari kode publik memerlukan izin individu, banyak sistem AI tidak praktis untuk dilatih. Jika tidak ada izin yang diperlukan, hak ekonomi dan moral para kreator melemah. Kedua ekstrem itu menimbulkan masalah.
\nLanskap hukum tidak seragam. Negara-negara masih berupaya menyesuaikan AI ke dalam sistem hak cipta yang tidak dirancang untuk\npelatihan model skala besar.
\nUE memiliki kerangka yang lebih eksplisit. Petunjuk tentang Hak Cipta di Pasar Tunggal Digital\nmemuat pengecualian penambangan teks dan data. Pasal 3 meliputi organisasi riset dan institusi warisan budaya.\nPasal 4 mengizinkan penambangan teks dan data secara lebih umum, termasuk untuk komersial, tetapi pemegang hak dapat menahan hak mereka,\nmisalnya melalui sarana yang dapat dibaca mesin.
\nAI Act UE menambahkan lapisan lain untuk\nmodel AI tujuan umum. Penyedia memiliki kewajiban transparansi dan terkait hak cipta, termasuk kebijakan untuk mematuhi\nhukum hak cipta UE dan ringkasan konten pelatihan. Ini tidak memberi jawaban penuh apakah suatu run pelatihan tertentu sah, tetapi mendorong UE ke model di mana penyedia AI harus lebih banyak mendokumentasi dan pemegang hak mendapat alat yang lebih jelas untuk keberatan.
\nKelemahannya adalah penegakan praktis. Mekanisme opt-out terfragmentasi. robots.txt dirancang untuk web crawler, bukan\nuntuk reservasi hak cipta yang lebih bernuansa di seluruh repositori sumber, registri paket, mirror, dataset, dan fork. Seorang pemelihara open source kecil bisa saja punya hak hukum untuk menahan penggunaan, tetapi tidak realistis untuk mengaudit apakah model frontier menghormatinya.
AS tidak memiliki pengecualian hak cipta khusus AI untuk pelatihan. Perdebatan banyak berputar pada fair use,\nlitigasi, kesepakatan lisensi, dan kerugian pasar. Kantor Hak Cipta AS telah mempelajari\nAI dan hak cipta melalui banyak laporan, termasuk replika digital, hak cipta atas hasil AI, dan pelatihan AI generatif.\nPanduan fair use-nya menekankan bahwa fair use sangat kontekstual dan\ntergantung pada tujuan, banyaknya yang digunakan, dan dampak pasarnya.
\nHal ini membuat AS lebih fleksibel namun kurang dapat diprediksi. Perusahaan AI dapat berargumen bahwa pelatihan itu\ntransformasional. Pemegang hak dapat berargumen bahwa penyalinan massal adalah komersial, menggantikan pasar lisensi,\ndan merusak nilai karya mereka. Pengadilan masih membentuk batasannya.
\nUntuk open source, pendekatan AS menciptakan ketidakpastian. Sebuah perusahaan bisa yakin pelatihan model di atas repositori publik adalah fair use, sementara pemelihara merasa perusahaan mengabaikan ketentuan lisensi. Sampai pengadilan atau legislasi memberi jawaban yang lebih jelas, hasil nyatanya adalah ketimpangan: perusahaan besar bisa menanggung risiko hukum, sedangkan pemelihara individu sering tidak bisa.
\nInggris berada di antara dua posisi tadi. Pemerintah telah berkonsultasi soal kerangka hak cipta dan AI yang menggabungkan pengecualian penambangan teks dan data, reservasi hak, perizinan, dan transparansi yang lebih kuat. Konsultasi resmi mengakui bahwa hukum Inggris saat ini diperdebatkan dan bahwa baik kreator maupun pengembang AI kekurangan kepastian.
\nIni upaya mencari jalan tengah: memperbolehkan pelatihan AI skala besar di mana hak tidak ditahan, namun memberi pemegang hak lebih banyak kendali dan visibilitas lebih baik. Apakah itu bisa jalan atau tidak tergantung detail teknisnya. Sebuah opt-out yang hanya bisa digunakan penerbit besar bukan solusi adil untuk pengembang independen, musisi, penulis, dan proyek open source kecil.
\nJepang sering digambarkan lebih permisif untuk analisis informasi dan machine learning, meskipun detailnya masih\nharus diterjemahkan secara hukum dan kebijakan. Badan Urusan Kebudayaan Jepang telah menerbitkan pemahaman umum tentang AI\ndan hak cipta, menegaskan bahwa topik ini tetap sangat bernuansa hukum.
\nSingapura juga memiliki pengecualian analisis data komputasi yang relatif luas. Tujuan kebijakan adalah mendukung inovasi dan\npengembangan AI, namun komprominya sudah dikenal: izin pelatihan yang lebih lebar dapat melemahkan posisi negosiasi pemegang hak kecuali diimbangi transparansi, pasar lisensi, atau perlindungan lain.
\nPerdebatan open source adalah bagian dari konflik yang lebih luas soal identitas digital dan kerja kreatif.
\nAktor memperjuangkan haknya melawan sistem AI yang meniru wajah, gerak tubuh, dan penampilan mereka. Pengisi suara dan penyanyi berjuang melawan duplikasi suara yang mampu menciptakan penampilan baru tanpa persetujuan. Penulis dan jurnalis melawan model yang dilatih dari buku, artikel, dan arsip. Seniman visual melawan generator gambar yang bisa meniru gaya mereka atau membanjiri pasar dengan karya turunan.
\nPolanya mirip di tiap kasus:
\nBagi aktor dan penyanyi, isu bukan hanya hak cipta. Ini juga tentang hak pribadi, hak publisitas, hukum ketenagakerjaan,\nhukum kontrak, perlindungan konsumen, dan persetujuan. Suara bisa jadi suatu penampilan, karakteristik biometrik, merek, dan identitas pribadi sekaligus. Wajah bisa menjadi aset artistik, tetapi juga adalah si manusia itu sendiri.
\nPengembang open source mungkin tidak merasa dirinya sebagai performer, tapi ekonominya sebanding. Karya mereka menjadi\nmateri pelatihan untuk sistem yang bisa menyaingi mereka, mengurangi atribusi, dan mengalihkan nilai dari banyak kreator kecil ke segelintir penyedia model besar.
\nSalah satu argumen terlemah dalam perdebatan AI adalah: akses publik sama dengan kebebasan penggunaan penuh. Web tidak pernah bekerja seperti itu. Sebuah postingan blog bersifat publik, tetapi tidak bebas diterbitkan ulang sebagai buku. Sebuah foto bersifat publik, tetapi tidak bebas digunakan dalam iklan. Sebuah repositori GitHub bersifat publik, tetapi tetap tunduk pada hak cipta dan syarat lisensi.
\nLisensi open source dibangun di atas perbedaan ini. Mereka memberikan izin luas, namun tetap dengan syarat. MIT, Apache, BSD, GPL, AGPL, MPL, dan lisensi lain membuat pilihan berbeda soal atribusi, hak paten, distribusi sumber, penggunaan jaringan, dan karya turunan. Menganggap semua kode publik sebagai bahan mentah mengabaikan pilihan-pilihan itu.
\nIni berbahaya karena keragaman lisensi bukan kebetulan. Di situlah pemelihara menyatakan niat.
\nTidak ada solusi sederhana, tapi beberapa prinsip berikut dapat membuat ekosistem lebih sehat.
\nPenyedia AI sebaiknya mempublikasikan ringkasan bermakna tentang sumber data pelatihan. Bukan berarti harus membeberkan\nsetiap file satu per satu, tetapi klaim lebar seperti \"dilatih dengan data publik\" tidaklah cukup. Pengembang, seniman, penerbit, dan\npengguna perlu tahu materi seperti apa yang dipakai dan dengan dasar hukum apa.
\nJika hukum bergantung pada mekanisme opt-out, itu harus distandarkan, mudah diakses, dan bisa ditegakkan. Proyek kecil tidak boleh memerlukan departemen hukum hanya untuk berkata \"jangan latih AI dengan ini\". Repositori, registri paket, situs web, dan platform konten butuh mekanisme jelas yang memang dihormati crawler AI.
\nAsisten kode sebaiknya membantu pengguna memahami risiko lisensi. Jika kode hasil generasi mirip dengan kode open source\nyang dikenal, alat harus memperingatkan pengguna dan menampilkan lisensi terkait. Menyembunyikan persoalan kemiripan bisa mengurangi risiko gugatan dalam jangka pendek, namun meningkatkan risiko ketidakpatuhan untuk pengembang dan perusahaan di hilir.
\nBeberapa penggunaan pelatihan memang harus berlisensi. Ini bisa berupa lisensi langsung, lisensi kolektif, marketplace dataset, atau skema bagi hasil. Detilnya akan berbeda untuk kode sumber, musik, film, jurnalistik, dan seni visual, tapi prinsipnya sama: jika produk AI komersial bergantung pada karya manusia berkualitas tinggi, orang yang menciptakan karya itu jangan sampai tak kelihatan.
\nDuplikasi digital suara, wajah, dan penampilan harus memerlukan persetujuan. Labelling saja tidak cukup jika suara atau wajah palsu bisa dipakai menipu, melecehkan, menipu secara finansial, atau menggantikan seseorang secara komersial. Dalam area ini, hak cipta hanyalah sebagian dari jawaban.
\nSituasi hukum memang belum jelas, namun pemelihara tetap punya opsi praktis.
\nSemua ini tidak sepenuhnya menyelesaikan masalah. Namun setidaknya mengurangi risiko sembari hukum dan praktik industri mengejar perkembangan.
\nBahaya terbesar bukanlah bahwa AI belajar dari open source. Justru, belajar dari open source adalah salah satu alasan ekosistem perangkat lunak bekerja.
\nBahaya utamanya adalah bila AI mengubah kolaborasi terbuka menjadi ekstraksi satu arah. Ketika pemelihara menyumbang kode, dokumentasi,\nlaporan bug, contoh, dan ilmu komunitas, sementara nilai komersialnya ditangkap pihak lain tanpa atribusi,\nkepatuhan lisensi, atau dukungan untuk commons, kontrak sosial pun melemah.
\nOpen source bergantung pada kepercayaan. Perusahaan AI butuh open source, namun mereka juga berisiko merusak ekosistem yang mereka andalkan. Menghormati lisensi, mempublikasikan transparansi data bermakna, mendukung pemelihara, serta membangun mekanisme opt-out dan lisensi bukan posisi anti-AI. Itu adalah posisi pro keberlanjutan.
\nAI bisa jadi alat berguna untuk pengembang, seniman, penulis, penyanyi, aktor, dan perusahaan. Tapi kegunaan tidak\nmenghapus hak milik, persetujuan, atau kredit. Jika masyarakat ingin sistem AI dilatih di atas karya jutaan manusia, harus ada kepastian bahwa orang-orang itu tetap punya kendali atas karya ciptaannya.
\nKeputusan itu tidak boleh hanya diserahkan pada perusahaan yang sudah menyalin datanya.
","frontmatter":{"date":"July 06, 2026","slug":"ai-open-source-and-intellectual-property","title":"AI, Open Source, dan Kekayaan Intelektual","description":"Bagaimana pelatihan AI menantang open source, hak cipta, lisensi, dan pertarungan yang lebih luas atas karya kreatif, suara, wajah, dan identitas digital.","author":"Sascha Pfeiffer","featuredImage":null}}},"pageContext":{"slug":"ai-open-source-and-intellectual-property","lang":"id","langPathPrefix":"/id"}},"staticQueryHashes":["2149092236","3128451518","3192060438"]}