digitalSourceType vs AI Disclosure: Dua Sinyal yang Jangan Disamakan

Ada satu masalah klasik ketika standar teknis mulai masuk ke ruang marketing: dua field yang kelihatannya mirip langsung dianggap interchangeable.

C2PA 2.4 punya contoh yang sangat jelas.

Di satu sisi ada `digitalSourceType`, signal yang sudah lebih dulu dipakai untuk menjelaskan sifat sumber digital atau cara sebuah asset dibuat dan dimodifikasi.

Di sisi lain ada `c2pa.ai-disclosure`, assertion baru di versi 2.4 yang membawa informasi lebih spesifik tentang penggunaan AI, termasuk model provenance, scientific domain tertentu, dan human oversight level.

Karena keduanya sama-sama bisa menyentuh AI, sangat mudah muncul pemikiran:

“Kalau sudah pakai AI Disclosure, digitalSourceType enggak perlu lagi, kan?”

Tidak.

Spesifikasi 2.4 justru menjelaskan bahwa AI Disclosure dirancang untuk melengkapi, bukan menggantikan, signal yang sudah ada.

Ini bukan detail kecil.

Kalau publisher salah memahami relationship ini, metadata bisa terlihat lengkap tetapi kehilangan nuance yang sebenarnya ingin dibangun C2PA.

digitalSourceType Menjawab Nature of the Digital Source

Mari mulai dari yang lebih lama.

`digitalSourceType` dipakai dalam konteks actions dan ingredients untuk menyatakan jenis sumber digital yang terkait dengan pembuatan atau perubahan asset.

Salah satu value paling dikenal adalah:

`trainedAlgorithmicMedia`

yang digunakan ketika content merupakan output dari trained algorithmic media.

Ada juga:

`compositeWithTrainedAlgorithmicMedia`

untuk situasi ketika asset menggabungkan atau mengalami editing yang melibatkan trained algorithmic media.

Intinya, signal ini menjawab pertanyaan:

“Jenis sumber digital apa yang berkontribusi pada asset ini?”

Itu sangat berguna.

Kalau sebuah image berasal dari generative system, machine consumer dapat menerima signal bahwa source nature-nya algorithmic.

Kalau image manusia diedit memakai AI, source type bisa menjelaskan sifat composite-nya.

Tetapi digitalSourceType tidak dibuat untuk menjelaskan seluruh detail AI pipeline.

Ia tidak menjawab model persisnya.

Tidak menjawab identifier.

Tidak menjawab human oversight level.

Di situlah AI Disclosure masuk.

AI Disclosure Menjawab Detail yang Sebelumnya Tidak Tercakup

C2PA 2.4 memperkenalkan assertion:

`c2pa.ai-disclosure`

Di dalamnya, `modelType` wajib ada.

Field lain dapat mencakup:

modelName,
modelIdentifier,
contentProfile,
scientificDomain,
serta metadata yang sesuai schema.

`contentProfile` dapat menyertakan `humanOversightLevel`.

Tiga value saat ini:

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

Sekarang kita mulai melihat perbedaannya.

digitalSourceType:
“Ini termasuk trained algorithmic media.”

AI Disclosure:
“Jenis modelnya apa, identitas modelnya apa bila tersedia, dan bagaimana tingkat human oversight-nya.”

Yang satu menjelaskan nature.

Yang satu memperkaya provenance AI.

Keduanya punya overlap topic, tetapi bukan fungsi identik.

Analogi Sederhananya

Bayangkan label kendaraan.

digitalSourceType seperti field:

“Electric vehicle.”

AI Disclosure seperti field tambahan:

“Battery system: X, drivetrain model: Y, autonomous assistance level: Z.”

Keduanya bicara kendaraan.

Tetapi mereka menjawab pertanyaan berbeda.

Kalau kita menghapus field “electric vehicle” karena sudah punya battery detail, kita kehilangan classification yang simple dan interoperable.

Kalau kita hanya punya field “electric vehicle” tanpa detail lain, kita kehilangan context yang lebih kaya.

C2PA 2.4 mencoba mempertahankan dua layer itu.

Spesifikasi Bahkan Memberi Tabel Kombinasi

Bagian relationship antara `digitalSourceType` dan `humanOversightLevel` di C2PA 2.4 sangat membantu.

Contoh kombinasinya:

`trainedAlgorithmicMedia` + `fully_autonomous`

Interpretasinya:
pure AI generation tanpa human review.

`trainedAlgorithmicMedia` + `prompt_guided`

Interpretasinya:
AI generation diarahkan oleh prompt manusia dengan moderate human involvement.

`compositeWithTrainedAlgorithmicMedia` + `human_validated`

Interpretasinya:
AI edits diterapkan dan final output direview atau approved manusia sebelum release.

Notice sesuatu.

Meaning muncul dari kombinasi dua signal.

Kalau kita hanya membaca satu, picture-nya lebih miskin.

Inilah alasan jangan menyamakan keduanya.

digitalSourceType Tidak Memberitahu Siapa Modelnya

Misalnya asset diberi:

`trainedAlgorithmicMedia`.

Apakah kita tahu model yang dipakai?

Belum.

Bisa model image generative internal.

Bisa model komersial.

Bisa model open source.

Bisa pipeline multi-model.

AI Disclosure menyediakan jalur untuk menyatakan model type dan optional name atau identifier.

Ini sangat berguna untuk enterprise governance.

Contoh policy:

asset dari model tertentu tidak boleh dipakai untuk kategori legal.

asset dari model internal boleh digunakan untuk draft.

asset dari approved image model bisa langsung masuk creative workflow.

digitalSourceType sendirian terlalu broad untuk policy seperti itu.

AI Disclosure memberi granularity.

AI Disclosure Tidak Menggantikan Action History

Ada kesalahan lain yang mungkin muncul.

Karena AI Disclosure terdengar lengkap, tim menganggap tidak perlu lagi mencatat actions.

Padahal actions assertion tetap penting.

AI Disclosure bisa menjelaskan model provenance.

Actions bisa menjelaskan:

asset dibuat,
di-edit,
di-crop,
di-resize,
dikomposit,
atau mengalami tindakan lain.

Provenance yang kaya bukan satu field super besar.

Ia kumpulan assertion yang masing-masing punya tanggung jawab.

Ini desain yang sehat.

Kalau satu assertion harus menjelaskan semua hal, standard akan cepat menjadi rumit dan ambigu.

Machine Consumer juga Butuh Signal yang Cepat

Bayangkan validator atau content pipeline membaca jutaan asset.

Mereka mungkin ingin first-pass classification sederhana:

Apakah source human?
Apakah trained algorithmic?
Apakah composite?

digitalSourceType memberi signal ringan.

Kalau ada kebutuhan lebih lanjut, system membaca AI Disclosure.

Ini seperti layered inspection.

Tidak semua use case perlu seluruh detail.

UI publik mungkin cukup menampilkan:

“AI-generated”

atau:

“AI-assisted and human reviewed”.

Compliance backend bisa melihat model identifier.

Forensic workflow bisa melihat full provenance chain.

Layering membuat ecosystem fleksibel.

Jangan Menggunakan digitalSourceType sebagai Human Oversight Proxy

Misalnya kita melihat:

`compositeWithTrainedAlgorithmicMedia`.

Apakah berarti ada manusia?

Mungkin ada human editing.

Tetapi jangan langsung menyimpulkan final output direview manusia sesuai meaning `human_validated`.

Itulah fungsi oversight signal.

Sebaliknya:

`trainedAlgorithmicMedia`

tidak otomatis berarti fully autonomous.

Bisa saja manusia menulis prompt dan kemudian final review.

Nature source dan process oversight memang berkaitan, tetapi tidak identik.

C2PA 2.4 sengaja menghindari simplification itu.

Buat Publisher, Ini Berguna untuk Menjaga Bahasa Disclosure

Publisher sering punya dua kalimat:

“AI-generated.”
“AI-assisted.”

Kelihatannya sederhana.

Tetapi definisinya bisa berbeda antar tim.

Dengan mapping internal ke C2PA, organisasi bisa membuat terminology lebih konsisten.

Contoh policy editorial:

AI-generated:
digitalSourceType = trainedAlgorithmicMedia.

AI-assisted:
digitalSourceType = compositeWithTrainedAlgorithmicMedia.

Human reviewed:
humanOversightLevel = human_validated.

Sekali lagi, ini contoh mapping organisasi, bukan universal legal definition.

Yang penting publisher mendokumentasikan arti label.

Jangan sampai visible disclosure bilang “AI-assisted” sementara metadata menyatakan pure trained algorithmic media tanpa human review.

Mismatch merusak trust.

Ada alasan governance lain kenapa dua signal sebaiknya tidak dilebur.

Organisasi mungkin ingin mengubah policy tanpa mengubah cara asset diklasifikasikan. Misalnya sebuah company tetap menandai output sebagai `trainedAlgorithmicMedia`, tetapi memperketat aturan sehingga asset kategori tertentu wajib `human_validated`.

Nature source-nya tidak berubah.

Oversight requirement-nya berubah.

Kalau kedua konsep dipaksa masuk satu label, policy seperti ini menjadi sulit dimodelkan.

Pemisahan juga membantu audit historis. Tim bisa melihat bahwa selama enam bulan perusahaan menggunakan jenis model yang sama, tetapi workflow berpindah dari prompt-guided menjadi human-validated setelah risk review.

Itu insight governance yang berguna.

Kita bisa membedakan perubahan teknologi dari perubahan proses manusia.

Dalam enterprise AI, dua hal tersebut sering bergerak dengan kecepatan berbeda. Model bisa tetap sama, tetapi approval policy berubah. Atau model berganti, sementara human review tetap identik.

Metadata yang baik seharusnya mampu menangkap dua dimensi tanpa memaksa salah satunya kehilangan meaning.

Untuk downstream system, pemisahan ini juga mengurangi inference yang tidak perlu. Policy engine tidak harus menebak level human involvement hanya dari source type, dan tidak harus menebak nature media hanya dari oversight level. Semakin sedikit inference implisit, semakin konsisten interoperability antartool.

Apa yang Terjadi jika Hanya Salah Satu Tersedia?

Ini mungkin terjadi.

Asset lama punya digitalSourceType tetapi tidak punya AI Disclosure karena dibuat sebelum 2.4.

Itu bukan error.

Asset baru mungkin punya AI Disclosure dengan detail model, tetapi implementation tertentu punya coverage action yang berbeda.

Consumer perlu graceful degradation.

Jangan binary:

field lengkap = trusted.
field tidak lengkap = suspicious.

Provenance ecosystem berkembang bertahap.

Ada tool version berbeda.

Ada workflow legacy.

Ada platform yang strip metadata.

Signal harus dibaca sebagai evidence yang tersedia.

Bukan checklist absolut.

Untuk GEO dan AI Search, Jangan Ditarik Menjadi Ranking Factor

Ini bagian yang penting untuk GEO.or.id.

Kita bisa mengatakan C2PA memberi machine-readable provenance signals yang makin detail.

Kita bisa mengatakan AI systems secara teknis dapat memproses data seperti ini jika mereka memilih.

Tetapi jangan melompat:

“digitalSourceType membuat konten lebih mudah ranking di AI search.”

atau:

“AI Disclosure menaikkan citation probability.”

Sampai platform mendokumentasikan penggunaan signal tersebut untuk ranking atau citation, claim seperti itu spekulatif.

C2PA tetap punya value tanpa dipaksa menjadi SEO hack.

Transparansi.
Governance.
Audit.
Compliance.
Trust infrastructure.

Itu semua use case nyata.

AI search usage perlu evidence terpisah.

Kenapa Dua Signal Lebih Baik daripada Satu?

Karena provenance bukan satu-dimensional.

Kita ingin tahu:

Bagaimana asset dibuat?
Apa nature source-nya?
Model AI apa yang terlibat?
Apakah ada manusia?
Seberapa besar oversight?
Action apa yang dilakukan?
Siapa signer?
Apakah manifest valid?

Setiap pertanyaan tidak harus dijawab field yang sama.

digitalSourceType memberi classification yang compact.

AI Disclosure memberi AI-specific transparency yang lebih dalam.

Actions memberi history.

Identity memberi actor context.

Trust model memberi cara consumer menilai signer.

Gabungan ini membentuk provenance story.

Dua Signal, Dua Job

Kalau harus diringkas satu kalimat:

`digitalSourceType` menjelaskan nature dari digital source atau media contribution.

AI Disclosure menjelaskan AI provenance secara lebih spesifik, termasuk model dan human oversight signal.

Mereka bersinggungan.

Jangan disamakan.

Dan jangan dipaksa saling menggantikan.

Standar teknis sering kelihatan rumit karena memiliki banyak field yang “mirip”.

Kadang memang ada redundancy buruk.

Tetapi pada kasus ini, perbedaannya justru intentional.

C2PA 2.4 ingin machine bisa memahami bukan hanya bahwa AI terlibat, tetapi juga bagaimana AI terlibat.

Nature.

Model.

Human oversight.

Action.

Semakin banyak organisasi memakai AI secara hybrid, distinction ini akan makin berguna.

Karena pertanyaan masa depan bukan lagi:

“AI atau manusia?”

Pertanyaannya:

“AI terlibat di bagian mana, model apa, manusia berperan bagaimana, dan provenance apa yang mendukung pernyataan tersebut?”

digitalSourceType memberi sebagian jawaban.

AI Disclosure memberi bagian berikutnya.

Dan provenance yang credible justru dibangun ketika kita tidak mencampur dua jawaban itu menjadi satu.