🧠Domain-Specific LLM: Senjata Baru Bisnis yang Ngerti Jargon Industrimu Sendiri

Ringkasan Cepat

• Secara global, pasar LLM (large language model, mesin AI di balik chatbot seperti ChatGPT) yang dilatih khusus untuk satu industri diproyeksikan tumbuh lebih dari 38% per tahun (CAGR, ukuran standar seberapa cepat suatu pasar membesar) dari 2025 sampai 2033 — jauh lebih cepat dari model serbaguna yang hari ini masih menguasai sekitar separuh pendapatan pasar LLM enterprise. Pergeseran ini baru dimulai, bukan sudah matang.

• Ada paradoks yang jarang masuk headline di Indonesia: 92% pekerja kantoran sudah pakai AI tiap hari, tapi cuma 19% perusahaan yang dianggap benar-benar siap secara sistem dan keamanan data (Cisco AI Readiness Index 2025). Artinya sebagian besar pemakaian AI di kantor itu jalan sendiri, tanpa pengawasan perusahaan.

• Model generik gampang "berhalusinasi" — menjawab dengan percaya diri tapi isinya ngarang — begitu diminta hal yang sangat spesifik. Beberapa pengacara di Amerika Serikat sudah didenda sampai ratusan juta rupiah karena mengutip kasus hukum fiktif buatan ChatGPT.

• Indonesia sebenarnya sudah mulai membangun fondasinya sendiri: Sahabat-AI (Indosat-GoTo), KemenkeuGPT milik Kementerian Keuangan, sampai AI kesehatan yang paham istilah "masuk angin" — bukti bahwa AI yang mengerti bahasa industri bukan cuma proyek negara maju.

• OJK sudah merilis pedoman tata kelola AI perbankan sejak April 2025, dan pemerintah menargetkan Perpres AI nasional terbit awal 2026. Bisnis yang masih asal pakai akun ChatGPT gratisan untuk data sensitif akan makin ketinggalan dari sisi kepatuhan, bukan cuma dari sisi teknologi.

Paradoks yang Tak Masuk Headline

Headline AI yang beredar selama ini biasanya soal rilis model baru, atau debat apakah ini bubble. Yang jarang dibahas: di Indonesia, pemakaian AI di tempat kerja sudah jauh di depan kesiapan institusinya.

Riset Indonesia AI Report 2025 mencatat 69% responden memakai chatbot AI lebih dari tiga kali dalam seminggu terakhir, dengan ChatGPT dipakai 85% dari pengguna AI, Meta AI 72%, dan Google Gemini 65%. Data ketenagakerjaan terpisah menyebut 92–94% knowledge worker Indonesia sudah memakai AI, separuhnya setiap hari, dan 89% merasa AI meningkatkan kualitas kerja mereka.

Masalahnya, Cisco AI Readiness Index 2025 menemukan hanya 19% perusahaan di Indonesia yang dinilai punya fondasi memadai — infrastruktur jaringan terintegrasi, data yang tidak tersebar, dan standar keamanan yang mendukung otomasi berbasis AI. Sisanya, 81%, belum siap. Jadi yang terjadi bukan "perusahaan belum pakai AI", tapi karyawan sudah pakai AI diam-diam lewat akun pribadi, sementara perusahaan belum punya kendali atas data apa yang masuk ke server AI mana. Inilah titik berangkat kenapa pilihan tools AI jadi soal strategis, bukan sekadar ikut tren chatbot.

Kenapa Chatbot Pintar Bisa "Ngarang" Soal yang Penting

Model generik seperti ChatGPT, Gemini, atau Claude dilatih dari miliaran halaman teks umum di internet — artikel, forum, buku, kode. Itu membuatnya lancar untuk hal-hal umum: menulis email, meringkas rapat, brainstorming ide. Tapi begitu diminta jawaban yang sangat spesifik dan taruhannya tinggi — pasal hukum yang tepat, dosis obat, interpretasi laporan keuangan — model ini tetap menjawab dengan nada percaya diri, meski kontennya bisa sepenuhnya dikarang. Fenomena ini disebut halusinasi AI.

Contoh paling konkret datang dari ruang sidang Amerika Serikat, bukan Indonesia — tapi pola risikonya sama di mana pun model yang dipakai sama. Pada 2023, dua pengacara New York didenda US$5.000 setelah mengajukan berkas berisi enam kasus fiktif hasil ChatGPT dalam gugatan melawan maskapai Avianca. Di California tahun yang sama, pengacara Amir Mostafavi didenda US$10.000 (sekitar Rp166 juta) karena 21 dari 23 kutipan kasus di berkas bandingnya ternyata palsu. Yang terbaru, September 2025, pengacara di New Mexico, Stephen Aarons, didenda US$5.000 (sekitar Rp82,5 juta) karena gagal memverifikasi ringkasan persidangan yang dibuat ChatGPT.

Ketiganya memakai model generik untuk tugas yang seharusnya butuh pemahaman mendalam soal basis data hukum spesifik — bukan pengetahuan umum. Ini pola yang sama persis yang mengintai bisnis di sektor hukum, kesehatan, dan keuangan di Indonesia kalau mengandalkan chatbot umum untuk hal-hal berisiko tinggi.

Apa Bedanya LLM yang "Khatam" Industri

Domain-specific LLM adalah model yang dilatih ulang — prosesnya disebut fine-tuning — menggunakan kumpulan dokumen, istilah, dan konteks dari satu industri tertentu, sampai model itu lebih "hapal" jargon dan pola pikir sektor itu dibanding model umum yang hanya baca internet secara acak. Contoh globalnya sudah ada sejak 2023: BloombergGPT untuk analisis keuangan, FinGPT untuk riset investasi.

Indonesia punya versi sendiri, dan ini yang belum banyak dibahas. KemenkeuGPT, dikembangkan tim riset bersama Kementerian Keuangan, dilatih khusus di atas data dan regulasi keuangan pemerintah Indonesia — supaya paham struktur anggaran dan istilah birokrasi yang model generik sering salah tafsir. Di sektor hukum, ada LexIndoLLM, model ringan berbasis Llama 3.2 yang dilatih bertahap di atas 393 regulasi daerah Kabupaten Kutai Kartanegara periode 2020–2025 — proyek riset yang menunjukkan domain LLM tidak harus raksasa untuk berguna. Hukumonline, pemain lama di data hukum, punya Allex yang dilatih dari puluhan ribu regulasi dan putusan pengadilan yang mereka kurasi selama bertahun-tahun, sementara startup legal tech Klaussa punya fitur agentic yang bisa membaca puluhan kontrak sekaligus dan menarik data penting dalam hitungan menit — proses yang dulu makan waktu berhari-hari.

Di kesehatan, Nexmedis mengembangkan HealthGPT yang dirancang mengenali istilah kesehatan sehari-hari dalam Bahasa Indonesia — termasuk istilah seperti "masuk angin" — sekaligus konteks penyakit endemik di daerah tertentu. Ini contoh bagus kenapa domain-specific bukan cuma soal industri, tapi juga soal bahasa dan budaya lokal yang model global sering salah baca.

Semua ini bisa berdiri sendiri atau dibangun di atas fondasi yang lebih besar: Sahabat-AI, LLM open-source (bisa dipakai dan dimodifikasi siapa saja secara gratis) hasil kolaborasi Indosat dan GoTo yang diluncurkan November 2024, dirancang khusus memahami Bahasa Indonesia plus bahasa daerah seperti Jawa, Sunda, Bali, dan Batak. Model ini mulai dari ukuran 8–9 miliar parameter (parameter adalah "sambungan" di dalam otak digital model — makin banyak, makin kompleks pemahamannya), lalu berkembang ke versi 70 miliar parameter, dan sudah dipakai untuk kebutuhan e-commerce, fintech, hingga transportasi.

Dari Kantor OJK ke Meja Hukum: Siapa yang Sudah Bergerak

Regulator sektor paling berisiko tinggi sudah bergerak lebih dulu. Pada 29 April 2025, OJK merilis Panduan Tata Kelola Kecerdasan Artifisial Perbankan Indonesia, berisi tiga prinsip utama: akuntabilitas, pengawasan manusia (human oversight — keputusan akhir tetap di tangan orang, bukan sepenuhnya diserahkan ke mesin), dan keandalan. Panduan ini mewajibkan siklus hidup AI enam tahap — inisiasi, perancangan, pembangunan model, pengujian, implementasi, hingga evaluasi dan audit berkala — dengan rujukan ke praktik terbaik internasional seperti AI Act Uni Eropa dan pedoman Basel Committee.

Sektor hukum bergerak lebih organik lewat pasar: adopsi legal tech di Indonesia naik 150% dalam tiga tahun terakhir, didorong kebutuhan mempercepat proses yang dulu manual — meninjau kontrak, mencari preseden, menyusun draf perjanjian. Yang menarik, pergerakan ini terjadi bukan karena model generik gagal total, tapi karena firma hukum dan rumah sakit butuh jaminan bahwa jawaban AI bisa dilacak sumbernya ke dokumen resmi — sesuatu yang model umum tidak otomatis bisa berikan.

RAG atau Fine-Tuning? Jangan Buru-Buru Bangun Model Sendiri

Di sinilah bagian yang sering diabaikan: tidak semua bisnis perlu membangun atau membeli LLM khusus dari nol. Ada dua jalur teknis, dan memilih yang salah bisa membuang anggaran percuma.

Fine-tuning — melatih ulang model dengan data industri sampai "mendarah daging" — cocok untuk kebutuhan yang stabil dan butuh akurasi konsisten, tapi biaya pelatihan awalnya nyata. Fine-tuning model open-source kecil seperti Llama 3.1 8B bisa semurah US$0,48–0,50 per satu juta token (token adalah satuan hitung teks yang diproses AI, kira-kira setara beberapa suku kata) lewat penyedia seperti Together AI. Tapi kalau pakai model komersial besar seperti GPT-4o, biayanya melonjak ke US$25 per satu juta token — untuk dataset latihan 1.000 contoh saja, itu sekitar US$12,5 hanya di tahap pelatihan, belum termasuk biaya pakai sehari-hari.

Alternatifnya, RAG (retrieval-augmented generation — cara kerja AI "mencari dulu" di database dokumen khusus sebelum menjawab, tanpa perlu melatih ulang model dari nol) jauh lebih murah untuk mulai, dan lebih mudah diperbarui kalau regulasi atau data berubah. Kebanyakan pakar enterprise menyarankan mulai dari RAG dulu, baru menambah fine-tuning kalau konsistensi output atau biaya per permintaan benar-benar menuntutnya.

Tapi domain-specific LLM bukan jaminan bebas risiko. Riset menunjukkan model yang dilatih sempit pada data satu domain justru rawan terlalu "terpaku" pada pola dan bias dalam data latihannya, membatasi kemampuan generalisasi — dan mekanisme koreksi diri AI terbukti jauh lebih lemah di bidang spesialis seperti keuangan dan sains dibanding di topik umum. Jadi pergeseran ke domain-specific LLM bukan soal "lebih aman secara otomatis", tapi soal memindahkan jenis risikonya — dari risiko ngarang total, ke risiko bias sempit yang butuh pengujian dan audit berkala, persis seperti yang diwajibkan OJK pada bank.

Taruhannya Bukan Cuma Efisiensi — Data Pribadi dan Nasib Pekerjaan

Ada dua taruhan lain yang sering terlewat kalau diskusinya cuma soal "AI mana yang lebih pintar".

Pertama, soal data. Setiap kali karyawan menempel dokumen kontrak, data pasien, atau laporan keuangan ke chatbot generik, data itu keluar dari lingkungan aman perusahaan dan diproses di server eksternal. Di bawah UU Pelindungan Data Pribadi (PDP), perusahaan sebagai pemroses data tetap bertanggung jawab kalau terjadi kebocoran — sanksinya mulai dari peringatan tertulis, penghentian pemrosesan data, penghapusan data, sampai denda administrasi. Memakai layanan AI asing tidak otomatis melanggar UU PDP, tapi perusahaan tetap wajib memastikan jalur pengiriman datanya sesuai aturan — sesuatu yang lebih mudah dikontrol kalau memakai tools berbasis domain yang dikonfigurasi khusus (termasuk opsi yang bisa dijalankan di infrastruktur sendiri) dibanding akun ChatGPT personal yang dipakai diam-diam.

Kedua, soal tenaga kerja. Direktur Kebijakan Publik CELIOS, Media Wahyudi Askar, memperingatkan potensi pengangguran naik di atas 5% secara nasional kalau tenaga kerja Indonesia tidak menyesuaikan diri dengan kebutuhan industri yang berubah akibat otomatisasi. Ekonom INDEF, Tauhid Ahmad, punya nuansa berbeda: ia memproyeksikan tingkat pengangguran nasional tetap terjaga di bawah 4,76% sampai 2030, tapi jenis pekerjaan yang tergantikan AI akan membuat pengangguran "berpindah bentuk" — muncul kategori pekerjaan baru yang menganggur sementara kategori lain justru kekurangan orang. Terpisah, paparan risiko otomatisasi di Indonesia tercatat 14,1%, menempatkan Indonesia di posisi menengah ASEAN — bukan yang tertinggi, tapi juga bukan yang aman. Sebanyak 42.000 pekerja di Indonesia terdampak PHK sepanjang 2025, meski faktor pendorongnya bercampur antara efisiensi berbasis AI, suku bunga tinggi, dan tekanan geopolitik — bukan AI semata.

Yang membuat ini relevan buat keputusan bisnis: pemerintah sendiri sedang bersiap. Draf Perpres AI nasional sudah rampung dan ditargetkan terbit awal 2026, mencakup 10 sektor prioritas termasuk ekonomi-keuangan dan kesehatan, hasil proses yang melibatkan 55 kementerian/lembaga dan sekitar 500 peserta dari berbagai sektor. Bisnis yang menunggu regulasi "memaksa" baru bergerak akan selalu telat satu langkah dibanding yang mulai mengevaluasi tools AI-nya sekarang.

Apa Artinya Buat Kamu

Kalau kamu masih karyawan dan ingin mulai usaha

Jangan mulai dengan ambisi membangun LLM sendiri dari nol — itu jalur paling mahal dan paling lambat untuk validasi ide. Mulai dengan RAG sederhana di atas model yang sudah ada, diisi dokumen dan istilah industri yang kamu kuasai lebih baik daripada AI generik mana pun. Keunggulanmu bukan modelnya, tapi kurasinya — tahu dokumen mana yang benar, istilah mana yang sering disalahpahami orang luar industri.

Satu peringatan jujur: kalau rencana bisnismu memanfaatkan pengetahuan domain dari tempat kerja sekarang, pastikan dokumen atau data yang kamu pakai bukan milik perusahaan dan tidak melanggar kontrak kerja atau kerahasiaan. Risiko hukumnya nyata, bukan cuma risiko reputasi.

Kalau kamu sudah punya bisnis

Audit dulu, baru belanja. Petakan mana proses yang "berisiko tinggi" — kontrak hukum, klaim kesehatan, rekomendasi investasi — versus yang "berisiko rendah" seperti draf konten marketing. Untuk yang berisiko tinggi, pertimbangkan vendor domain-specific atau RAG dengan dokumen internal yang sumbernya bisa dilacak; untuk yang berisiko rendah, chatbot generik masih cukup memadai dan jauh lebih murah.

Yang lebih penting dari pilihan modelnya: tetapkan kebijakan tertulis soal data apa yang boleh dan tidak boleh dimasukkan ke AI eksternal, lalu sosialisasikan ke semua karyawan — karena sangat mungkin mereka sudah memakai AI tanpa kebijakan itu hari ini. Siapkan juga anggaran bertahap: mulai dari opsi murah seperti fine-tuning model open-source skala kecil, baru naik ke paket enterprise kalau volume pemakaian memang membenarkan biayanya.

Kalau kamu pekerja di sektor yang rawan tergantikan

Dengan paparan risiko otomatisasi 14,1% dan pola pengangguran yang "berpindah bentuk" menurut INDEF, strategi paling realistis bukan menolak AI, tapi bergerak ke peran yang sulit digantikan AI generik maupun domain-specific sekaligus: orang yang bisa memverifikasi, mengkurasi, dan menjadi jembatan antara output AI dengan keputusan nyata. Keahlian domain yang spesifik dan terus diperbarui — bukan yang statis — adalah aset yang justru makin berharga di era ini, bukan makin usang.

Yang Perlu Dipantau

• Penandatanganan dan isi final Perpres AI nasional, ditargetkan terbit awal 2026, terutama aturan turunan untuk sektor ekonomi-keuangan dan kesehatan.

• Perkembangan Sahabat-AI versi 70 miliar parameter dan perluasan adopsinya ke sektor di luar e-commerce dan fintech.

• Kebijakan tata kelola AI lanjutan dari OJK untuk sektor non-bank seperti asuransi, pasar modal, dan fintech lending.

• Data ketenagakerjaan resmi dari BPS dan Kemnaker soal tren PHK 2026, untuk mengecek apakah proyeksi CELIOS dan INDEF soal pergeseran jenis pekerjaan mulai terkonfirmasi.

• Studi lanjutan lembaga riset seperti CELIOS dan INDEF soal dampak otomatisasi tenaga kerja sektor formal versus informal.

Penutup

Pertanyaan yang sebenarnya perlu dijawab bisnis sekarang bukan "apakah kita sudah pakai AI" — hampir pasti jawabannya ya, entah resmi atau diam-diam lewat akun pribadi karyawan. Pertanyaan yang lebih jujur adalah: AI yang dipakai itu benar-benar mengerti bisnismu, atau cuma menebak dengan nada percaya diri? Bedanya bisa setipis denda ratusan juta rupiah di meja hijau, atau setebal kebocoran data yang baru ketahuan setelah terlambat.

Sumber

• Cisco (via Liputan6, Mediaindonesia) — Survei Cisco AI Readiness Index 2025: 81% Perusahaan Indonesia Belum Siap Adopsi AI

• Index.dev — 50+ Mind Blowing LLM Enterprise Adoption Statistics in 2026

• GMInsights — Enterprise LLM Market Size & Share, Growth Analysis 2034

• OJK (via LK2 FHUI, Green Network Asia) — Panduan Tata Kelola Kecerdasan Artifisial Perbankan Indonesia, April 2025

• GoTo Company / Tempo — Peluncuran Sahabat-AI, LLM Open-Source Berbahasa Indonesia

• eHealth.co.id — Inovasi RME dan HealthGPT Nexmedis

• Justisio, Legalplus — Top AI Riset Hukum Indonesia dan Legal Tech Berbasis Digital

• arXiv — KemenkeuGPT: Leveraging a Large Language Model on Indonesia's Government Financial Data

• arXiv / ResearchGate — LexIndoLLM: Large Language Model untuk Konsultasi Regulasi Daerah

• Kompas Tekno, Kumparan — Pengacara Didenda Ratusan Juta gara-gara Kutipan Palsu ChatGPT

• Wartaekonomi, Adartha — Risiko Kebocoran Data Perusahaan Pakai ChatGPT dan UU PDP

• Antara, Detik Finance, IDN Research Institute — Dampak AI terhadap Tenaga Kerja Indonesia (CELIOS, INDEF)

• Kompas Tekno, Bisnis Indonesia — Pemerintah Targetkan Perpres AI Nasional Terbit Awal 2026

• Costgoat, PricePerToken — Panduan Biaya Fine-Tuning LLM 2026

</markdown>