Cara mengetahui apakah sebuah proyek benar-benar memiliki AI

Catatan: Dokumen ini adalah terjemahan otomatis dari versi asli bahasa Inggris.

Cara mengetahui apakah sebuah proyek benar-benar memiliki AI

Anda sedang melihat sebuah proyek kripto yang mengklaim menggunakan AI. Situs webnya menuliskan "AI-powered". Pitch deck-nya menyebut jaringan saraf. Nama tokennya mengandung "AI". Tetapi bagaimana Anda tahu apakah ada AI component yang nyata dan berfungsi di balik klaim tersebut, atau apakah "AI" hanyalah label pemasaran?

Inilah pertanyaan sentral yang menjadi alasan DecAIHub dibangun. Perbedaan antara AI asli dan AI-washing tidak terlihat dari permukaan. Tim pemasaran tahu bahwa "AI" adalah salah satu kata kunci paling kuat di dunia kripto, dan banyak proyek menggunakannya terlepas dari apa yang sebenarnya dilakukan teknologinya. Inovasi nyata berdampingan dengan klaim kosong, dan tanpa metode terstruktur, membedakan keduanya membutuhkan riset independen berjam-jam untuk setiap proyek. Panduan ini memberi Anda perangkat praktis yang berguna baik bagi pendatang baru yang ingin menghindari hype maupun peserta berpengalaman yang membutuhkan kerangka penyaringan cepat.

Singkatnya: periksa kolom AI component untuk melihat kespesifikannya, lihat ai_score untuk vonis terkuantifikasi, tinjau tier bukti, bandingkan klaim dengan artefak yang dapat diverifikasi, terapkan uji lima pertanyaan, dan waspadai tanda bahaya yang mengindikasikan AI-washing.

Uji lima pertanyaan

Sebelum menyelami tinjauan kartu secara penuh, jalankan diagnostik cepat. Setiap pertanyaan menyasar lapisan verifikasi AI tertentu.

#	Pertanyaan	Jawaban kuat	Jawaban lemah
1	Apa persisnya yang dilakukan AI?	Menyebutkan jenis model, tugas, dan mekanisme	"Kami menggunakan AI untuk mengoptimalkan segalanya"
2	Di mana saya bisa melihatnya bekerja?	Demo langsung, API publik, keluaran terekam	"Segera hadir" atau beta privat tanpa artefak
3	Di mana kode atau modelnya?	Repo publik dengan kode pelatihan/inferensi, model card	Repo kosong, fork dari tutorial, tidak ada yang publik
4	Bagaimana Anda mengukur kualitas?	Benchmark, dataset, versi, dan tanggal disebutkan	"Akurasi terbaik di industri" atau tanpa metrik
5	Apa yang terjadi jika AI dihapus?	"Produk tidak dapat berfungsi tanpanya"	"Tetap berfungsi, hanya kurang pintar"

Pertanyaan 1-2 menguji kespesifikan dan keberadaan: dapatkah proyek mendeskripsikan dan mendemonstrasikan AI-nya? Pertanyaan 3-4 menguji keterverifikasian dan ketelitian: dapatkah pihak luar memeriksa buktinya? Pertanyaan 5 menguji sentralitas: apakah AI esensial secara arsitektural atau hanya kosmetik?

Proyek dengan jawaban kuat untuk kelima pertanyaan kemungkinan besar memiliki ai_score yang tinggi. Tiga jawaban lemah atau lebih menuntut penelaahan yang cermat.

Panduan verifikasi langkah demi langkah

Langkah 1: Periksa kolom AI component

Kolom AI component dalam Project Passport menggambarkan teknologi AI spesifik di dalam proyek. Ini adalah indikator substansi yang paling cepat.

Nilai konkret seperti inference engine for LLM routing atau AI agent platform (workflows/tools/KB) memberi tahu Anda apa yang sebenarnya dilakukan AI. Nilai khusus menandakan kesenjangan: positioning only berarti AI muncul dalam pemasaran tetapi tidak ada komponen berfungsi yang terkonfirmasi; none atau unknown berarti tidak ada AI yang terdeteksi dari sumber yang tersedia. Ini bukan vonis permanen; nilai-nilai tersebut mencerminkan bukti yang tersedia pada saat peninjauan. Lihat Mengapa ketiadaan bukti bukan berarti ketiadaan teknologi.

Langkah 2: Periksa ai_score

ai_score (0-3) mengkuantifikasi seberapa banyak bukti terverifikasi yang ada untuk klaim AI sebuah proyek. Ia adalah bagian dari metrik DecAI Fit, dihitung sebagai min(3, AI_0 + AI_1 + AI_2 + AI_3 + AI_4) — lima flag biner dengan batas atas 3.

ai_score	Arti
0	Tidak ada kehadiran AI yang terverifikasi. DecAI Fit dipaksa menjadi nol.
1	Ada deklarasi niat di Tier-1, tetapi belum ada AI berfungsi yang terverifikasi.
2	Bukti parsial: AI dideskripsikan dan sebagian artefak atau demo ada.
3	Bukti kuat: kode publik, benchmark, dokumentasi arsitektur, demo berfungsi.

Jika ai_score = 0, klaim AI tersebut saat ini belum terbuktikan. Ini bukan tuduhan terhadap proyek, tetapi tidak ada sumber Tier-1 yang mengonfirmasi klaim tersebut.

Langkah 3: Cari bukti Tier-1

Bukti Tier-1 terdiri dari artefak yang paling dekat dengan realitas aktual proyek:

Repositori kode publik dengan kode terkait AI: definisi model, skrip pelatihan, alur inferensi, bukan sekadar README.
Dokumentasi teknis yang menjelaskan arsitektur model, alur data, atau desain sistem dengan versi dan tanggal.
Artefak model seperti bobot yang dipublikasikan, model card, atau entri di Hugging Face.
Benchmark dengan metodologi, baseline perbandingan, spesifikasi dataset, dan informasi versi.
Demo berfungsi di mana AI component menghasilkan keluaran yang dapat diamati dan diuji.

Tier-2 (deskripsi agregator, wawancara) memberikan konteks yang berguna tetapi tidak boleh menjadi satu-satunya dasar untuk mengonfirmasi AI. Tier-3 (unggahan influencer, artikel PR, rumor) berbobot minimal.

Langkah 4: Periksa silang klaim dengan artefak

Bandingkan apa yang dikatakan proyek dengan apa yang dapat diverifikasi secara independen. Proyek yang mengklaim "jaringan saraf proprietary untuk prediksi real-time" seharusnya memiliki kode, dokumentasi, atau setidaknya demo yang mendemonstrasikan kemampuan itu. Ketika bahasa pemasarannya ambisius tetapi artefak yang dapat diverifikasi tipis, kesenjangan itu sendiri adalah sebuah sinyal.

Tanda bahaya yang umum

Pola-pola tertentu mengindikasikan bahwa klaim AI mungkin tidak nyata. Tidak satu pun dari ini merupakan tuduhan terhadap proyek dengan sendirinya, tetapi masing-masing menuntut penyelidikan lebih dalam.

AI hanya di pemasaran. "AI" ada di nama dan pitch deck, tetapi tidak ada arsitektur, nama model, atau alur data yang dijelaskan di mana pun. Ini adalah bentuk AI-washing yang paling umum.
Repositori kosong atau tidak berkaitan. Tautan GitHub ada tetapi tidak berisi kode terkait AI, tidak ada rilis, atau kodenya tidak berkaitan dengan komponen yang diklaim.
Metrik tanpa metodologi. Klaim seperti "akurasi 99%" tanpa menyebutkan benchmark, dataset, metode evaluasi, atau versi.
API wrapper murni. Seluruh "AI"-nya hanyalah panggilan ke API pihak ketiga tanpa logika proprietary, fine-tuning, atau pemrosesan spesifik domain di atasnya.
Branding AI pasca-peluncuran. "AI" ditambahkan ke nama proyek setelah token diluncurkan, tanpa perubahan teknis yang menyertainya.
Tanpa pemversian atau lini masa. Klaim terkait AI tidak memiliki tanggal, nomor versi, atau riwayat pengembangan yang dapat ditelusuri.
Bukti sirkular. Proyek mengutip materi pemasarannya sendiri sebagai bukti, atau merujuk artikel yang hanya mengulang siaran pers proyek tersebut.
Roadmap abadi. Fitur AI selalu "segera hadir" tanpa tonggak yang terealisasi atau artefak publik meski proyek sudah ada berbulan-bulan.
Kompleksitas yang tidak sepadan. Proyek mengklaim kemampuan canggih (inferensi terverifikasi, federated learning) tetapi tim dan basis kodenya tidak sepadan dengan kompleksitas itu.

Tanda positif yang umum

Proyek AI asli memiliki karakteristik yang mudah dikenali. Semakin banyak karakteristik ini yang ditunjukkan sebuah proyek, semakin besar kemungkinan klaim AI-nya substantif.

Klaim spesifik dan dapat diuji. Proyek menyebutkan arsitektur model, pendekatan pelatihan, dan sumber data dengan detail yang cukup bagi peninjau teknis untuk mengevaluasinya.
Kode aktif dan relevan. Repositori publik dengan kode pelatihan atau inferensi model, riwayat commit yang bermakna, pengujian, dan aktivitas terkini.
Metrik yang dapat direproduksi. Hasil kinerja mencantumkan nama benchmark, dataset, metodologi, versi, dan tanggal.
Dokumentasi arsitektur. Dokumen teknis mencakup desain sistem, alur data, dan kepengarangan berversi yang berkembang seiring waktu.
Demo yang berfungsi dan dapat diuji. Aplikasi langsung atau API publik yang menghasilkan keluaran AI yang dapat diuji siapa pun secara independen.
Tim dengan latar belakang AI/ML yang dapat diverifikasi. Makalah terpublikasi, kontribusi open-source, atau riwayat profesional yang dapat diverifikasi.
Model card atau data sheet. Proyek mengikuti praktik mapan dalam mendokumentasikan model: tujuan penggunaan, keterbatasan, data pelatihan, hasil evaluasi.

Pola di dunia nyata

Untuk membangun intuisi, pertimbangkan arketipe yang kontras berikut. Tidak ada proyek spesifik yang disebutkan; tujuannya adalah mengenali perbedaan struktural.

Pola A: AI asli dengan bukti kuat. Repositori aktif dengan kode pelatihan model, skrip evaluasi, dan alur inferensi yang terdokumentasi. Benchmark dipublikasikan beserta metodologinya. Demo langsung yang menghasilkan keluaran AI yang dapat diamati. ai_score-nya 3.

Pola B: AI tahap awal dengan bukti parsial. Dokumen resmi menjelaskan apa yang akan dilakukan AI, dengan roadmap yang memuat tonggak AI. Prototipe ada tetapi tidak dapat diakses publik. Belum ada benchmark. ai_score-nya 1-2. Ini bukan AI-washing; ini proyek tahap awal yang buktinya belum terwujud.

Pola C: AI-washing tanpa substansi. "AI" menonjol dalam branding. Pitch deck menyebut "jaringan saraf proprietary". Tidak ada dokumentasi teknis di luar pemasaran. Tidak ada repo, demo, benchmark, atau artefak model. ai_score-nya 0.

Pola D: API wrapper yang disajikan sebagai AI proprietary. AI component sepenuhnya terdiri dari panggilan ke penyedia pihak ketiga. Tanpa fine-tuning, tanpa alur kustom, tanpa pemrosesan spesifik domain. Ini bukan tuduhan terhadap proyek, tetapi menyebutnya "AI proprietary" salah menggambarkan realitas teknisnya. Lihat Otomatisasi vs AI component yang nyata.

Bagaimana DecAIHub menyelesaikan ini

DecAIHub ada karena menjawab pertanyaan "apakah AI ini nyata?" seharusnya tidak membutuhkan riset independen berjam-jam untuk setiap proyek. Platform ini menggunakan kerangka terstruktur untuk memisahkan AI nyata dari AI-washing.

DecAI Fit

DecAI Fit adalah indeks komposit (0-6) yang mengukur seberapa baik sebuah proyek selaras dengan prinsip Decentralized AI. Ia menggabungkan empat dimensi: AI reality, Onchain necessity, Token necessity, dan Bukti.

Aturan kritisnya: jika ai_score = 0, maka DecAI Fit = 0 terlepas dari dimensi lainnya. Tanpa AI terverifikasi, proyek tidak memenuhi ambang klasifikasi Decentralized AI. Satu aturan ini menghapus bentuk AI-washing yang paling umum dari sistem penilaian.

Flag AI reality (AI_0 hingga AI_4)

AI reality dibangun dari lima flag biner, masing-masing menangkap lapisan verifikasi yang semakin dalam:

Flag	Apa yang diperiksa	Contoh bukti
AI_0	Deklarasi niat AI di Tier-1	Roadmap atau dokumen resmi yang menyebut rencana AI
AI_1	Deskripsi tentang apa yang dilakukan AI	Dokumen teknis yang menjelaskan fungsi model
AI_2	Demo atau contoh yang berfungsi	Demo publik, API langsung, keluaran terekam
AI_3	Metrik dan benchmark	Skor F1 terpublikasi pada dataset bernama dengan versi
AI_4	Arsitektur dan versi model	Diagram arsitektur, model card, riwayat versi

Kelima flag bernilai 1 berarti bukti AI nyata yang kuat dan berlapis. Hanya AI_0 = 1 berarti niat yang dideklarasikan tanpa ada apa pun yang dapat diverifikasi.

Sistem bukti Tier-1, Tier-2, Tier-3

Setiap klaim dalam kartu proyek dilandaskan pada sumber yang terklasifikasi:

Tier-1 (bukti): kode, kontrak, dokumentasi resmi, audit, fakta on-chain. Bobot tertinggi.
Tier-2 (konteks): deskripsi agregator, katalog ekosistem, dasbor analitik, wawancara. Berguna untuk pemeriksaan silang, tidak cukup sebagai bukti tunggal.
Tier-3 (derau): unggahan influencer, artikel PR, rumor, klaim tanpa sumber. Jika hanya ada sumber Tier-3, DecAI Fit dibatasi maksimum 2.

Hierarki ini memastikan bahwa materi pemasaran saja tidak dapat menaikkan penilaian sebuah proyek.

Deteksi AI-washing

DecAIHub tidak menempelkan label yang menuduh atau membenarkan pada proyek. Sebaliknya, ia mengukur kesenjangan antara klaim dan bukti. Ketika klaim pemasaran jauh melampaui artefak yang dapat diverifikasi, kesenjangan ini terlihat di kartu: use case AI yang berani berdampingan dengan positioning only atau ai_score = 0 adalah sinyal yang terukur dan objektif. Pembaca menarik kesimpulannya sendiri.

Daftar periksa verifikasi cepat

Pemeriksaan	Di mana melihatnya	Apa yang diharapkan
Kespesifikan AI component	Kolom AI component	Mekanisme konkret, bukan kata kunci kosong
Skor AI	ai_score dalam DecAI Fit	Di atas 0 untuk AI terverifikasi apa pun
Tier bukti	Tabel bukti	Artefak Tier-1 untuk klaim yang kuat
Keberadaan kode	Repositori tertaut	Kode terkait AI dengan riwayat commit
Kualitas metrik	Dokumentasi, benchmark	Metodologi, dataset, versi, tanggal
Ketersediaan demo	Tautan produk, API publik	Keluaran AI yang dapat diamati
Keahlian AI tim	Bagian tim, makalah terpublikasi	Latar belakang ML/AI yang dapat diverifikasi
Pemversian	Dokumentasi, changelog	Tanggal, nomor versi, riwayat

Apa yang tidak dibuktikan oleh verifikasi semata

Bahkan verifikasi yang menyeluruh punya batas:

ai_score yang tinggi tidak berarti AI-nya bagus. Itu berarti artefak yang dapat diverifikasi ada. Kualitas adalah pertanyaan terpisah.
ai_score yang tinggi tidak berarti proyek akan sukses. Keunggulan teknologi dan kelayakan adalah dimensi yang berbeda.
ai_score yang rendah bukan tuduhan terhadap proyek. Sebagian proyek memiliki teknologi nyata tetapi dokumentasinya buruk atau model pengembangannya tertutup.
Verifikasi mencerminkan satu titik waktu. Penilaian diberi tanggal (Last verified) dan diperbarui ketika bukti baru muncul.
Verifikasi AI tidak menilai model bisnis, kualitas tim, atau kecocokan pasar. Hal-hal itu relevan tetapi berada di luar cakupan penilaian AI reality.

Pertanyaan yang sering diajukan

Seberapa cepat saya bisa memverifikasi apakah sebuah proyek kripto punya AI nyata?

Pemeriksaan dasar memakan waktu kurang dari lima menit menggunakan kartu proyek di DecAIHub. Lihat kolom AI component, ai_score, dan tier bukti. Jika AI component bertuliskan positioning only dan ai_score = 0, Anda sudah memiliki sinyal yang kuat. Pemeriksaan lebih dalam dengan uji lima pertanyaan dan tinjauan repositori memakan waktu 15-30 menit.

Bagaimana jika sebuah proyek punya kode AI di GitHub tetapi tidak ada produk yang berfungsi?

Kode adalah sinyal positif, tetapi butuh konteks. Apakah dipelihara secara aktif? Apakah berkaitan dengan produk yang diklaim? Repositori berisi skrip pelatihan yang tidak diperbarui selama dua tahun, atau yang tampak tidak berkaitan dengan fungsionalitas yang dinyatakan proyek, adalah bukti yang lebih lemah dibanding basis kode aktif dan terdokumentasi baik dengan CI/CD dan commit terkini.

Apakah keberadaan demo membuktikan AI-nya nyata?

Demo adalah bukti kuat (ia menyalakan flag AI_2), tetapi tidak definitif. Bisa saja ia menggunakan API pihak ketiga di balik layar atau hanya memamerkan prototipe yang sempit. Verifikasi terkuat menggabungkan demo dengan kode, dokumentasi, dan metrik: beberapa lapisan independen yang menceritakan kisah yang konsisten.

Bisakah sebuah proyek meraih skor DecAI Fit yang baik tanpa kode open-source?

Ya. Kode open-source adalah bukti Tier-1 yang terkuat, tetapi bukan satu-satunya jenis. Sebuah proyek dapat mencapai ai_score yang berarti melalui dokumentasi teknis yang rinci, benchmark terpublikasi, demo berfungsi, dan artefak model. Namun, tanpa bukti Tier-1 sama sekali, batas tata kelola membatasi skor maksimumnya.

Apa bentuk AI-washing yang paling umum di kripto?

Pola yang paling umum adalah AI hanya di pemasaran: "AI" ada di nama dan materi, tetapi tanpa deskripsi teknis, kode, demo, atau metrik. Yang kedua paling umum adalah API wrapper: memanggil penyedia AI pihak ketiga dan menyajikannya sebagai teknologi proprietary tanpa fine-tuning atau logika spesifik domain.

Mungkinkah sebuah proyek memiliki AI nyata tetapi DecAI Fit-nya rendah?

Ya. DecAI Fit mengukur bukti yang dapat diverifikasi, bukan keadaan teknologi yang sebenarnya di balik pintu tertutup. Proyek dengan AI canggih yang tidak mempublikasikan apa pun akan menerima skor rendah karena tidak ada yang dapat diverifikasi. DecAI Fit memang dirancang untuk menghargai transparansi. Ketika proyek semacam itu kemudian mempublikasikan artefak, skornya diperbarui.

Lihat juga

Referensi eksternal

Stanford HAI — Artificial Intelligence Index Report — data tahunan tentang keadaan riset AI dan adopsi industri.
OECD AI Policy Observatory — kerangka dan definisi tata kelola AI internasional.
MIT Technology Review — AI topic — pemberitaan yang mudah diakses tentang kemajuan dan tren AI.
Hugging Face — Model Cards — standar dokumentasi untuk mempublikasikan informasi model dan hasil evaluasi.
Papers With Code — benchmark, dataset, dan hasil state-of-the-art di berbagai tugas AI.