AI Disclosure Assertion: Cara Mesin Mencatat Model yang Dipakai Membuat Konten

Di ruang editorial, disclosure AI biasanya berbentuk kalimat manusia.

“Ilustrasi ini dibuat dengan bantuan AI.”

Bagus.

Pembaca mengerti.

Masalahnya muncul ketika sistem perlu memproses jutaan asset.

Mesin tidak bisa bergantung pada gaya caption masing-masing publisher.

Satu menulis “AI-assisted”.

Satu menulis “generated using artificial intelligence”.

Satu menulis “synthetic media”.

Satu tidak konsisten.

C2PA 2.4 mencoba memberi jalur yang lebih terstruktur melalui assertion baru: `c2pa.ai-disclosure`.

Tujuannya bukan mengganti disclosure manusia.

Tujuannya membuat informasi tentang penggunaan AI dapat direpresentasikan secara machine-readable dalam Content Credential.

Ini penting karena provenance mulai dipakai bukan hanya untuk tampilan badge, tetapi juga untuk workflow compliance, routing, validation, governance, dan potentially policy enforcement di tingkat organisasi.

Namun jangan bayangkan assertion ini seperti form yang selalu menyimpan:

Model: X
Version: Y
Prompt: Z
Human editor: A

Schema aktualnya lebih spesifik dan juga lebih terbatas.

`modelType` adalah Wajib

Dalam C2PA 2.4, `modelType` harus ada di `ai-model-disclosure-map`.

Ini memberi kategori atau type model yang digunakan.

Spesifikasi punya daftar model type values, dan extension mechanism juga memberi ruang perkembangan.

Kenapa modelType wajib?

Karena minimal consumer perlu tahu jenis sistem AI apa yang sedang didisclose.

Machine-readable transparency tidak berguna kalau hanya ada label:

“AI dipakai.”

Type memberi semantics lebih banyak.

Namun type tidak selalu menjawab model komersial persisnya.

Untuk detail itu ada field lain.

`modelName` Opsional

`modelName` adalah human-readable name model.

Misalnya implementer dapat mengisi nama model yang dikenali manusia.

Tetapi field ini opsional.

Jadi jangan mendesain UI dengan asumsi setiap AI Disclosure pasti punya nama model.

Ada workflow yang mungkin hanya mengisi modelType dan identifier.

Ada pula yang tidak punya alasan mengungkap nama komersial tertentu.

Product team perlu graceful handling.

Kalau modelName absent, jangan mengarang.

Tampilkan apa yang benar-benar tersedia.

`modelIdentifier` Bisa Lebih Berguna daripada Nama

Nama model bisa ambigu.

“Model Pro”.
“Image Gen”.
“Internal Model”.

Identifier dapat memberi referensi yang lebih unik, misalnya URI atau package-like identifier.

Spesifikasi memberi contoh Package URL untuk model Hugging Face.

Ini menarik untuk machine interoperability.

System dapat menghubungkan disclosure ke model registry atau inventory internal.

Tetapi identifier juga opsional.

Dan consumer tetap harus memahami scheme yang digunakan.

Identifier bukan magic global ID jika ecosystem menggunakan format berbeda.

Governance organisasi bisa menetapkan convention.

Misalnya semua internal model harus punya URI canonical.

Dengan begitu disclosure lebih machine-actionable.

Apakah Ada `modelVersion`?

Ini detail yang mudah salah tulis.

Dalam AI Disclosure schema C2PA 2.4 saat ini, tidak ada field wajib terpisah bernama `modelVersion`.

Ada `modelIdentifier`.

Identifier dapat mengandung version atau revision tergantung scheme yang digunakan.

Tetapi jangan menulis artikel seolah spec menjamin version field standalone.

Ini contoh penting untuk standard literacy.

Nama feature terdengar besar.

Schema menentukan kenyataannya.

Kalau organisasi butuh version tracking strict, mereka perlu mendesain identifier strategy yang cukup spesifik.

`contentProfile` Membawa Human Oversight

AI Disclosure juga punya optional `contentProfile`.

Saat ini struktur yang didefinisikan fokus pada `humanOversightLevel`.

Tiga nilai:

`fully_autonomous`,
`prompt_guided`,
`human_validated`.

Ini memungkinkan mesin membedakan beberapa pola workflow.

Fully autonomous berarti tidak ada human review setelah model output.

Prompt guided berarti manusia memberi prompt atau configuration, tetapi tidak ada final approval.

Human validated berarti manusia review/approve final output sebelum release.

Buat compliance, ini jauh lebih useful daripada string bebas.

System bisa membuat routing rule.

Contoh:

konten fully autonomous masuk review queue.

konten human validated boleh masuk lane lain.

Tetapi field ini tetap assertion dari claim generator.

Ia bukan sensor yang mengawasi editor secara otomatis.

Workflow yang jujur dan governance yang benar tetap dibutuhkan.

`scientificDomain` untuk Context yang Lebih Sensitif

AI Disclosure juga memungkinkan `scientificDomain`.

Jika digunakan, value mengikuti taxonomy arXiv, seperti `cs.AI` atau domain lain yang sesuai pattern.

Kenapa provenance perlu domain?

Karena content risk bisa berbeda berdasarkan bidang.

Model output untuk dekorasi sosial media tidak sama dengan output untuk domain ilmiah atau teknis.

Machine-readable domain dapat membantu automated routing dan risk decision.

Namun field ini opsional.

Jangan menganggap semua AI-generated content akan punya domain classification.

Dan jangan menyamakan scientificDomain dengan general website category.

Ini vocabulary yang punya definisi tertentu.

Apa yang Tidak Disimpan Assertion Ini?

Prompt lengkap bukan field standard yang wajib.

Temperature bukan field standard yang wajib.

Training dataset bukan field standard yang wajib.

Copyright clearance bukan field standard.

Safety score bukan field standard.

Factual accuracy bukan field standard.

Human reviewer identity juga bukan bagian langsung dari schema humanOversightLevel yang kita bahas.

Beberapa informasi bisa direpresentasikan melalui assertion lain, extension, metadata, atau ecosystem lain.

Tetapi jangan memasukkan expectation yang tidak ada.

AI Disclosure adalah primitive transparency.

Bukan log lengkap seluruh AI pipeline.

Ini justru sehat.

Standard yang terlalu ambisius bisa menjadi unusable.

Claim Generator adalah Pihak yang Menyatakan

Kalimat penting:

AI Disclosure adalah assertion.

Artinya ada actor dalam workflow yang membuat claim.

Machine membaca claim tersebut.

C2PA memberikan mekanisme agar assertion terikat ke Content Credential dan dapat divalidasi dalam framework.

Tetapi jika actor berbohong, cryptography tidak membaca pikirannya.

Misalnya workflow menyatakan `human_validated`.

Validator dapat memeriksa credential dan integrity.

Ia tidak otomatis masuk ke ruang editor dan melihat apakah manusia benar-benar review.

Karena itu policy internal sangat penting.

Siapa boleh menghasilkan disclosure?
Dari source data apa?
Apakah pipeline mengambil model ID langsung dari runtime?
Apakah human validation event dicatat sistem?

Semakin otomatis source assertion, semakin kecil ruang manual mislabeling.

Model Disclosure Sebaiknya Dihasilkan dari Runtime, Bukan Diketik Ulang

Bayangkan editor membuat asset dengan model internal.

Setelah selesai, CMS meminta editor mengisi:

Model name:
Model ID:
Human oversight:

Kalau semuanya manual, human error besar.

Lebih baik pipeline mengambil technical fact otomatis dari generation environment.

Model ID dari runtime.

Job ID dari system.

Human review status dari workflow approval.

Kemudian claim generator membentuk assertion.

Editor hanya menangani keputusan yang memang manusiawi.

Ini membuat disclosure bukan sekadar form compliance.

Ia menjadi byproduct proses produksi.

Buat enterprise, ini jauh lebih scalable.

AI Disclosure dan `digitalSourceType` Bukan Hal yang Sama

Ini akan dibahas lebih jauh pada artikel berikutnya dalam cluster, tetapi distinction-nya penting.

`digitalSourceType` sudah digunakan untuk menjelaskan nature source atau action seperti trained algorithmic media.

AI Disclosure menambah model provenance dan human oversight information.

Keduanya complementary.

Jangan menghapus digitalSourceType lalu menganggap AI Disclosure menggantikannya.

Spesifikasi 2.4 sendiri menjelaskan relationship tersebut.

Dalam beberapa workflow:

digitalSourceType menjawab jenis sumber digital yang terlibat.

AI Disclosure menjawab lebih dalam model apa dan level oversight tertentu.

Layering membuat provenance lebih kaya.

Machine-Readable Bukan Berarti Harus Dipajang Mentah

User tidak perlu melihat JSON atau CBOR.

UI bisa menerjemahkan.

Contoh:

“AI model type: generative image model”
“Model: [nama bila tersedia]”
“Human oversight: final output reviewed”
“Credential signed by: [identity information yang relevan]”

Developer melihat struktur.

User melihat explanation.

Jangan tampilkan istilah `fully_autonomous` tanpa context jika audience umum bisa salah paham.

UX guidance sangat penting.

Transparency gagal kalau data tersedia tetapi tidak bisa dimengerti.

Publisher juga perlu visible disclosure untuk kasus tertentu.

Machine-readable layer dan human-readable layer sebaiknya konsisten.

Jangan sampai caption bilang “human edited” tetapi Content Credential menyatakan fully autonomous.

Conflict seperti itu justru menurunkan trust.

AI Disclosure Bisa Menjadi Input Policy

Buat organisasi, nilai paling menarik mungkin bukan badge.

Policy engine dapat membaca metadata.

Contoh internal:

Jika modelIdentifier tidak masuk approved registry, stop publishing.

Jika humanOversightLevel fully autonomous dan content masuk kategori finansial, require reviewer.

Jika scientificDomain berada di domain sensitif, route ke domain expert.

Jika disclosure missing pada asset yang seharusnya AI-generated, trigger audit.

Ini bukan requirement C2PA.

Ini design pattern yang dimungkinkan oleh machine-readable disclosure.

Standard memberi vocabulary.

Organisasi membuat policy.

Jangan Mengklaim AI Search Akan Memakai Field Ini

Karena GEO.or.id membahas AI optimization, temptation-nya jelas.

“Kalau AI Disclosure lengkap, AI search lebih percaya.”

Belum ada dasar universal untuk claim seperti itu.

C2PA adalah provenance standard.

Jika platform search atau AI tertentu mendokumentasikan penggunaan signal C2PA untuk ranking, citation, atau recommendation, barulah claim platform-specific dapat dibuat.

Sebelum itu, value C2PA tetap kuat pada:

provenance,
audit,
transparency,
interoperability,
governance.

Tidak semua teknologi harus diubah menjadi ranking factor untuk dianggap penting.

Ini mental model yang perlu matang pada 2026.

Disclosure yang Bagus Punya Data Lineage

Kalau organisasi serius, simpan relationship:

asset version,
generation job,
model identifier,
claim generator,
review event,
manifest ID,
publish event.

Kemudian jika ada audit:

Model mana?
Siapa review?
Asset versi berapa?
Credential mana?
Kapan publish?

Jawaban tidak bergantung pada ingatan editor.

AI Disclosure menjadi node dalam provenance system, bukan label terisolasi.

Apa yang Harus Diperiksa Tim Produk?

Sebelum implementasi:

Apakah toolchain sudah support C2PA 2.4?
Apakah AI Disclosure assertion benar-benar didukung?
Dari mana modelType diambil?
Apakah modelIdentifier konsisten?
Bagaimana human review event dibuktikan internal?
Apa yang terjadi jika field optional kosong?
Bagaimana UI menerjemahkan disclosure?
Apakah versioning asset dan manifest jelas?
Apakah disclosure tetap konsisten setelah re-edit?
Apakah validation dilakukan sebelum publish?

Pertanyaan seperti ini lebih penting daripada “badge-nya warna apa”.

Dari Caption ke Infrastruktur

Selama bertahun-tahun, disclosure AI banyak hidup sebagai kalimat editorial.

Itu tetap diperlukan.

Tetapi machine ecosystem butuh representation yang lebih formal.

C2PA 2.4 membawa step penting.

Bukan karena ia mampu mengetahui kebenaran tentang seluruh proses AI secara ajaib.

Justru karena ia menyediakan schema yang cukup spesifik untuk membuat claim tertentu dapat dibaca dan divalidasi dalam provenance framework.

Model type wajib.

Model name dan identifier bisa ditambahkan.

Human oversight bisa dinyatakan.

Scientific domain bisa ditambahkan.

Semua itu membentuk disclosure yang lebih actionable oleh software.

Nilai sebenarnya bukan pada label “AI”.

Nilainya pada interoperability.

Ketika publisher, tool, validator, repository, dan compliance system membaca bahasa yang sama, transparency mulai berpindah dari caption manual menjadi infrastructure.

Dan di situlah AI Disclosure paling menarik:

bukan sebagai badge yang membuat konten terlihat trusted,

tetapi sebagai data provenance yang membuat sistem bisa menjelaskan, memeriksa, dan mengelola penggunaan AI dengan lebih disiplin.