AI open source semakin penting dari sebelumnya, menurut CEO Hugging Face Clem Delangue

Anthropic mencoba mengunci rilis Fable mereka. CEO Hugging Face memperhatikannya — dan dia tidak diam saja. Clem Delangue tampil di podcast Equity milik TechCrunch untuk menjelaskan mengapa AI open source semakin penting dari sebelumnya, dan argumennya memiliki bobot nyata bagi setiap developer yang membangun di Asia saat ini.

Hugging Face telah menjadi lapisan infrastruktur di bawah sebagian besar pengembangan AI dunia. Anggap saja sebagai GitHub untuk AI: platform tempat builder berbagi dan mengunduh model terbuka, dataset, dan segalanya di antaranya. Menurut podcast TechCrunch Equity, kira-kira setengah dari Fortune 500 sekarang menggunakan Hugging Face. Itu bukan lagi proyek open source yang niche — itu infrastruktur kritis. Dan kekhawatiran Delangue sangat jelas: jika segelintir perusahaan kuat berakhir mengendalikan model AI fundamental yang semua orang bergantung padanya, seluruh ekosistem kehilangan sesuatu yang tidak bisa mudah dikembalikan.

Apa yang Terjadi

Pemicu langsung kemunculan Delangue di Equity adalah rilis Fable Anthropic yang terhenti. Meskipun detail lengkap situasi Fable masih terbatas, pola yang lebih luas yang dijelaskan Delangue sudah familiar bagi siapa saja yang mengikuti industri AI dengan cermat: sebuah perusahaan mengembangkan model yang kuat, kemudian memutuskan — karena alasan yang jarang sepenuhnya transparan — untuk membatasi atau menunda akses publik ke model tersebut. Baik pembenaran itu adalah keamanan, keunggulan kompetitif, atau kehati-hatian regulasi, hasilnya sama. Developer yang membangun workflow di sekitar model itu tiba-tiba memiliki kontrol lebih sedikit atas stack mereka sendiri.

Narasi tandingan Delangue dibangun atas pola yang telah dia amati berulang kali di seluruh basis pengguna Hugging Face. Perusahaan memulai perjalanan AI mereka dengan API tertutup frontier — itu adalah jalur tercepat ke prototipe yang berfungsi. Tetapi saat mereka berkembang, ekonomi bergeser secara dramatis. Biaya inferensi bertambah, batas laju menjadi kendala operasional nyata, dan ketidakmampuan untuk fine-tune atau menginspeksi model menciptakan batas atas apa yang benar-benar dapat dicapai. Itulah saat, kata Delangue, ketika tim bermigrasi ke model open source. API tertutup adalah on-ramp yang bagus; itu adalah fondasi jangka panjang yang buruk.

Salah satu poin data yang paling mencolok dari percakapan tersebut: lab Tiongkok sekarang menghasilkan mayoritas model terbuka yang diunduh di Hugging Face. Itu adalah sinyal geopolitik sebanyak sinyal teknis. Pusat gravitasi pengembangan AI terbuka bergeser, dan bergeser menuju Asia.

Mengapa Ini Penting untuk Asia

Bagi developer dan founder di seluruh Asia Tenggara, Asia Timur, dan Asia Selatan, gerakan AI open source bukan hanya menarik secara filosofis — itu secara struktural diperlukan. Ekosistem teknologi Asia beroperasi di bawah serangkaian kendala yang berbeda dari startup Silicon Valley dengan akses mudah ke modal ventura berbasis AS dan saluran penjualan enterprise.

Pertimbangkan ekonominya terlebih dahulu. Startup di Jakarta atau Ho Chi Minh City yang membakar kredit API OpenAI dalam skala besar bekerja dengan margin yang tidak ada dengan cara yang sama untuk rekan AS yang didanai dengan baik. Model open source — digunakan pada infrastruktur lokal atau di wilayah cloud yang hemat biaya — mengubah persamaan itu secara fundamental. Kemampuan untuk menjalankan model yang mampu sesuai syarat Anda sendiri, disesuaikan dengan data Anda sendiri, tanpa biaya per-token yang terus bertambah, adalah pembuka kompetitif yang nyata.

Kemudian ada dimensi bahasa. Model tertutup dominan dioptimalkan untuk bahasa Inggris. Mereka menangani Mandarin dan Jepang dengan cukup baik, mengingat volume data pelatihan yang tersedia. Tetapi Bahasa Indonesia, Thai, Vietnam, Tagalog, Bengali — bahasa-bahasa ini kurang dilayani oleh model frontier tertutup dengan cara yang sangat penting untuk produk yang dibangun untuk pengguna lokal. Model open source dapat di-fine-tune pada dataset bahasa lokal. API tertutup sebagian besar tidak dapat, atau setidaknya tidak dengan cara yang memberikan developer kontrol bermakna atas output.

Fakta bahwa lab Tiongkok memimpin rilis model terbuka di Hugging Face juga patut dibaca dengan hati-hati. Ini menandakan bahwa asumsi primasi teknologi Barat dalam AI sudah ketinggalan zaman. Developer Asia tidak perlu menunggu lab AS untuk merilis model terbuka yang mampu — rantai pasokan untuk AI terbuka semakin regional. Itu adalah keuntungan struktural bagi builder yang memperhatikan.

Dari perspektif platform pengembangan native AI, pergeseran ini penting karena lapisan tooling harus berkembang beriringan dengan lapisan model. Ketika developer pindah dari API tertutup ke model open source yang di-host sendiri, mereka membutuhkan infrastruktur yang menangani kompleksitas pemilihan model, deployment, dan integrasi tanpa menambah minggu overhead engineering.

Apa Artinya Ini untuk Developer

Argumen Delangue memiliki implikasi praktis yang mudah terlewatkan jika Anda fokus pada ideologi open versus tertutup: developer yang belajar bekerja dengan model open sekarang akan memiliki keuntungan keterampilan yang tahan lama saat industri matang.

Bekerja dengan model open lebih menuntut daripada memanggil API. Anda perlu memahami quantization model, optimasi inferensi, perbedaan format prompt di seluruh keluarga model, dan trade-off antara ukuran model dan latensi. Ini bukan tantangan yang tidak dapat diatasi — ekosistem tooling di sekitar model open telah matang secara signifikan — tetapi mereka memerlukan investasi teknis yang nyata.

Inilah yang terlihat seperti investasi itu dalam praktik:

• Pemilihan model: Tidak setiap model open cocok untuk setiap tugas. Model parameter 7B yang di-fine-tune pada kode akan mengungguli model umum 70B pada tugas coding tertentu. Belajar mengevaluasi model terhadap kasus penggunaan aktual Anda — bukan leaderboard benchmark — adalah keterampilan inti.
• Fine-tuning pada data lokal: Leverage nyata dalam model open adalah kemampuan untuk fine-tune. Bagi developer Asia yang membangun produk untuk pasar lokal, ini berarti melatih pada data bahasa lokal, terminologi khusus domain, dan contoh yang relevan secara budaya. Chatbot e-commerce Thai yang di-fine-tune pada percakapan layanan pelanggan Thai aktual akan mengungguli model tertutup off-the-shelf apa pun pada tugas spesifik itu.
• Arsitektur deployment: Menjalankan model open pada skala produksi memerlukan keputusan tentang quantization (GGUF, AWQ, GPTQ), framework serving (vLLM, Ollama, TGI), dan pemilihan hardware. Keputusan ini memiliki implikasi biaya yang signifikan.
• Pola integrasi: Model open perlu terhubung ke sisa stack Anda — database, API, aplikasi frontend. Connector dan pola integrasi yang Anda bangun di sekitar model open sering kali adalah tempat diferensiasi produk nyata berada.

Poin yang lebih luas adalah bahwa AI open source menciptakan leverage bagi developer yang berinvestasi dalam memahaminya. API tertutup mengkommodifikasi lapisan model — semua orang memiliki akses ke GPT-4 atau Claude yang sama. Model open memungkinkan diferensiasi melalui fine-tuning, deployment kustom, dan integrasi mendalam dengan data proprietary. Bagi founder yang membangun di Asia, di mana pengetahuan pasar lokal adalah moat yang nyata, diferensiasi itu penting.

Ada juga argumen manajemen risiko. Kekhawatiran Delangue tentang segelintir perusahaan mengendalikan AI fundamental bukan hipotesis — itu adalah deskripsi dari keadaan pasar model tertutup saat ini. Setiap startup yang telah membangun produk intinya di atas satu API tertutup memiliki risiko ketergantungan yang tidak muncul