Pada 19 Oktober 2026, GoTo mengumumkan model bahasa besar (LLM) berukuran 27 miliar parameter di Bali Tech Week. Model ini dirancang untuk bahasa Indonesia dan sejumlah bahasa daerah. Bagi pembaca yang ingin mencobanya, beritanya bukan hanya soal ukuran model: bobot dan kartu model sudah tersedia di Hugging Face, tetapi kebutuhan perangkat kerasnya cukup tinggi. Jadi, apa manfaatnya bagi pengembang Indonesia, dan apa yang perlu diperiksa sebelum memasangnya?

GoTo menyebut peluncuran ini kelanjutan inisiatif model terbuka yang dimulai sejak 2024. Perusahaan mengatakan universitas, startup, bisnis, peneliti, dan lembaga publik dapat menggunakan serta mengadaptasi model tersebut. Pernyataan itu layak dibaca bersama ketentuan lisensi di repositori: kartu model mencantumkan Gemma License, bukan lisensi perangkat lunak bebas yang bisa diasumsikan mengizinkan segala bentuk penggunaan tanpa syarat.

Apa sebenarnya yang diluncurkan?

Model bernama GoTo-AI-Gemma-3-27B-IT memakai arsitektur Gemma 3. Kartu model di Hugging Face mencantumkan GoTo sebagai pemrakarsa, sementara pengembangnya adalah GoTo dan AI Singapore. Huruf “IT” menandai varian instruction-tuned, yaitu model yang disiapkan untuk merespons instruksi dan percakapan. Halaman model mencantumkan bahasa Inggris, Indonesia, Jawa, Sunda, Batak Toba, dan Bali sebagai bahasa yang didukung.

Angka 27 miliar merujuk pada parameter model, bukan jumlah dokumen yang dipakai untuk melatihnya atau jumlah penggunanya. Parameter adalah bobot numerik yang dipelajari selama pelatihan. Ukuran besar membuka kapasitas untuk mempelajari pola kompleks, tetapi tidak otomatis membuat setiap jawaban akurat. Kualitas data, metode pelatihan, rancangan pengujian, dan konteks pertanyaan tetap menentukan hasil.

Kartu model menyebut context length 128 ribu token dan penggunaan tokenizer bawaan Gemma 3. Panjang konteks adalah batas kemampuan memproses rangkaian token dalam satu permintaan menurut spesifikasi model; ini bukan jaminan bahwa model akan mengingat atau merangkum dokumen panjang secara sempurna. Pengembang tetap perlu menguji mutu jawaban pada panjang input yang benar-benar dipakai aplikasi.

Mengapa bahasa lokal jadi fokus?

Percakapan di Indonesia tidak selalu memakai bahasa Indonesia baku. Pengguna bisa berpindah antara bahasa Indonesia, Jawa, dan istilah teknis Inggris dalam satu kalimat. Ejaan informal, singkatan, dan konteks budaya juga memengaruhi makna. Model yang terutama dilatih pada data berbahasa global mungkin kurang tepat ketika menghadapi pola semacam ini. Itu alasan mengapa pengujian bahasa lokal penting; bukan bukti bahwa semua pertanyaan bahasa daerah kini pasti bisa dijawab benar.

Dalam siaran pers, GoTo mengatakan data pelatihannya mencakup teks bahasa Indonesia dari mitra media dan situs sektor publik, serta data bahasa daerah. Untuk bahasa Batak, perusahaan bekerja sama dengan Universitas Sumatera Utara untuk mengumpulkan data yang mencerminkan penggunaan bahasa tersebut saat ini. Kartu model juga menyebut mitra, antara lain beberapa perguruan tinggi dan kelompok media Indonesia. Namun, daftar mitra tidak menjelaskan jumlah data tiap bahasa atau memberi izin otomatis untuk menggunakan ulang semua materi sumber.

Untuk pengembang aplikasi, kemungkinan penggunaan meliputi peringkasan dokumen, pencarian jawaban dari basis pengetahuan, dan bantuan penerjemahan. Ini contoh penerapan yang mungkin, bukan klaim bahwa GoTo sudah menjual produk siap pakai untuk semua kebutuhan tersebut. Sebelum dipakai di layanan publik, model perlu diuji dengan contoh nyata: variasi dialek, bahasa campuran, istilah setempat, serta permintaan yang tidak mempunyai jawaban dalam data.

Apa bukti kinerjanya?

Siaran pers GoTo menyatakan modelnya meraih skor tertinggi pada setiap bahasa daerah yang diuji dibanding model terbuka sejenis di kelasnya. Klaim ini berasal dari perusahaan; pembaca sebaiknya memeriksa model pembanding, dataset, dan metode penilaian sebelum menyimpulkan model tersebut paling baik untuk seluruh bahasa atau seluruh tugas.

Kartu model menerangkan beberapa kerangka evaluasi. IndoMMLU menguji pengetahuan dalam konteks Indonesia, termasuk bahasa, budaya, ilmu sosial, dan STEM pada berbagai tingkat sekolah. SEA-HELM mencakup tugas seperti tanya jawab, sentimen, penerjemahan, peringkasan, dan penalaran. Untuk kepatuhan terhadap instruksi serta percakapan, kartu model menyebut SEA-IFEval dan SEA-MTBench. Pada SEA-HELM, pengujian yang dijelaskan memakai prompt dalam bahasa terkait secara zero-shot dan sampel 100 sampai 1.000 contoh per dataset.

Skor benchmark tetap perlu dibaca sesuai ruang lingkupnya. Nilai bagus pada soal pilihan ganda tidak otomatis berarti aman menjawab pertanyaan medis. Hasil penerjemahan juga tidak selalu mewakili kemampuan menyusun dokumen hukum. Jika hendak memakai model untuk layanan pelanggan berbahasa daerah, buat evaluasi sendiri dengan data yang sudah mendapat izin pemakaian, penilai yang memahami bahasa tersebut, dan metrik yang sesuai dengan kesalahan yang paling merugikan pengguna.

Apakah bisa dijalankan di server sendiri?

Bisa dicoba secara mandiri, tetapi jangan samakan dengan memasang chatbot kecil di VPS biasa. Kartu model menyebut sekitar 54–60 GB VRAM untuk memuat bobot FP16 atau BF16, dengan contoh konfigurasi satu NVIDIA A100 80 GB, dua NVIDIA L40S, atau tiga NVIDIA RTX 4090. Angka itu berasal dari dokumentasi model, bukan hasil pengujian kami. Memori aktual juga dipengaruhi panjang konteks, jumlah pengguna serentak, KV cache, dan perangkat lunak inferensi.

Bagi pengembang yang hanya memiliki CPU atau GPU berkapasitas kecil, menjalankan versi presisi penuh mungkin tidak praktis. Kuantisasi bisa mengurangi kebutuhan memori, tetapi harus dicari varian yang sesuai, diperiksa asalnya, dan diuji dampaknya terhadap kualitas; artikel ini tidak mengklaim konfigurasi kuantisasi tertentu sudah berhasil. Pertimbangkan pula biaya GPU, penyimpanan bobot model, latensi respons, dan waktu pemeliharaan. Keputusan memakai model lokal sebaiknya dibandingkan dengan kebutuhan privasi, biaya operasional, serta kualitas pada kasus penggunaan yang spesifik.

Repositori yang ditautkan dari pengumuman GoTo adalah GoToCompany/gemma3-27b-cpt-gotoai-v3-instruct. Kartu model memang menampilkan contoh kode dengan nama model yang berbeda dari URL halaman tersebut. Karena itu, sebelum menyalin contoh kode, gunakan ID repositori dari halaman model yang benar-benar hendak diunduh dan periksa instruksi serta versi dependensinya. Perbedaan ini tidak boleh diam-diam dianggap sebagai dua URL yang pasti identik.

Lisensi, keamanan, dan privasi: jangan dilewati

Istilah open-source muncul pada siaran pers, sedangkan kartu model menampilkan Gemma License. Bobot yang bisa diakses publik bukan berarti tanpa ketentuan. Periksa teks lisensi resmi sebelum memakai model dalam produk komersial, mendistribusikan bobot hasil modifikasi, atau menempatkannya dalam layanan pihak ketiga. Artikel ini tidak memberikan pendapat hukum tentang apakah suatu penggunaan tertentu diizinkan.

Kartu model juga memperingatkan kemungkinan halusinasi, jawaban yang tidak relevan, dan penalaran yang tidak konsisten. Model telah mendapat penyesuaian keselamatan umum, tetapi pengembang diminta menerapkan langkah keamanan sesuai aplikasinya. Untuk chatbot yang membaca dokumen internal, misalnya, pembatasan akses dan penyaringan data sensitif tetap perlu berada di lapisan aplikasi. Model tidak boleh menjadi satu-satunya pengambil keputusan pada layanan yang berdampak besar tanpa pengawasan manusia.

Jika aplikasi mengirim data pengguna ke penyedia infrastruktur, periksa kebijakan penyimpanan dan pemrosesan datanya. Jika dijalankan sendiri, tanggung jawab keamanan server, pencatatan, pembaruan dependensi, dan penghapusan data tetap ada pada pengelola. Jangan memasukkan NIK, kredensial, atau dokumen rahasia ke demo publik hanya untuk menguji apakah model memahami bahasa Indonesia.

Dampak bagi ekosistem Indonesia

GoTo mengatakan mahasiswa magang dari tujuh universitas ikut bekerja pada persiapan data, pelatihan, dan pengujian model, termasuk proyek teknologi suara dan pengumpulan data Batak. Ini penting karena pengembangan AI lokal tidak selesai dengan merilis bobot model. Dibutuhkan orang yang bisa merawat dataset, menilai kesalahan pada bahasa daerah, menulis dokumentasi, dan mengembangkan aplikasi yang benar-benar membantu pengguna.

Bagi kampus, ketersediaan model memberi bahan untuk membandingkan kemampuan bahasa lokal dan mengembangkan metode evaluasi. Bagi startup, model bisa menjadi titik awal eksperimen tanpa harus melatih LLM besar dari nol. Namun, manfaat praktisnya perlu dibuktikan lewat pengujian independen, kesiapan perangkat keras, kepatuhan lisensi, dan pengukuran biaya. Peluncuran model adalah awal pekerjaan, bukan tanda seluruh hambatan AI berbahasa daerah sudah selesai.

Kesimpulan

GoTo-AI-Gemma-3-27B-IT menarik karena memberi pengembang Indonesia akses ke model 27 miliar parameter yang secara eksplisit menargetkan bahasa lokal. Fakta yang sudah tersedia: pengumuman resminya, halaman bobot dan kartu model, daftar bahasa, metode evaluasi yang dijelaskan, serta estimasi kebutuhan VRAM. Yang belum bisa disimpulkan dari dua sumber tersebut: model ini pasti terbaik untuk semua tugas, dapat dijalankan murah di VPS biasa, atau aman dipakai tanpa pemeriksaan hasil. Jika ingin mencobanya, mulai dari satu kasus penggunaan, pahami lisensinya, lalu ukur kualitas dan biayanya dengan data uji milik sendiri.

Sumber: Siaran pers GoTo, 19 Oktober 2026 · Kartu model dan repositori GoTo di Hugging Face · Gemma Terms of Use.