Disclosure Konten AI: Apa yang Sebaiknya Ditetapkan Organisasi dari Sekarang

Ada dua ekstrem yang sama-sama tidak membantu.

Ekstrem pertama:

“Semua yang disentuh AI harus diberi label.”

Ekstrem kedua:

“Tidak perlu disclosure selama manusia masih klik Publish.”

Dua-duanya terlalu sederhana.

AI sekarang bisa berperan mulai dari spell-check ringan sampai membuat keseluruhan video synthetic dengan wajah, suara, script, dan claim yang tidak pernah direkam manusia.

Menyamakan semua penggunaan tersebut tidak masuk akal.

Yang dibutuhkan organisasi bukan slogan.

Yang dibutuhkan adalah disclosure policy yang berbasis materiality, audience expectation, risk, dan aturan yang memang berlaku pada use case tersebut.

Pertanyaan intinya:

Apakah penggunaan AI mengubah cara orang seharusnya memahami asal, keaslian, atau tanggung jawab atas konten ini?

Kalau iya, disclosure makin penting.

Disclosure bukan pengganti quality control

Kita mulai dari sini.

Kalimat:

“Konten ini dibuat dengan bantuan AI”

tidak memberikan izin untuk publish fakta salah.

Disclosure tidak menghapus tanggung jawab.

Tidak menghapus copyright issue.

Tidak menghapus misleading claim.

Tidak menghapus privacy problem.

Tidak menghapus bias.

Tidak menghapus obligation pada regulated industry.

Jadi policy harus punya dua layer:

Production governance.

Disclosure governance.

Production governance menjawab apakah output layak dibuat dan dipublish.

Disclosure governance menjawab apa yang perlu diketahui audience tentang peran AI.

Jangan pakai disclosure untuk menutupi governance yang buruk.

Buat kategori penggunaan AI

Organisasi bisa mulai dengan lima level.

Level 1: Invisible assistance.

Spell-check.

Grammar suggestion.

Formatting.

Transcription.

Noise reduction.

Basic translation draft yang direview.

Biasanya disclosure publik tidak selalu material, tergantung konteks.

Level 2: Draft assistance.

AI membuat outline.

Ide headline.

Draft paragraf.

Research summary.

Manusia mengedit substansial dan memverifikasi.

Disclosure bisa ditetapkan berdasarkan policy editorial dan konteks.

Level 3: Material generation.

AI menghasilkan sebagian besar copy, visual, audio, atau video yang diterbitkan.

Audience mungkin secara reasonable ingin tahu.

Disclosure lebih kuat.

Level 4: Synthetic representation.

AI membuat manusia, suara, kejadian, testimonial, atau scene yang bisa disangka nyata.

Disclosure harus sangat jelas.

Level 5: Automated interaction/decision.

AI memberikan recommendation, answer, ranking, atau action kepada user.

Ini bukan hanya content disclosure.

System disclosure, limitation, complaint, dan correction path bisa diperlukan.

Klasifikasi seperti ini bukan standar hukum universal.

Ia adalah operating framework.

Organisasi harus menyesuaikan dengan law, industry, platform policy, dan risk.

Permendag 19/2026 membuat isu ini konkret untuk PMSE

Untuk bisnis yang berada dalam scope perdagangan melalui sistem elektronik, Permendag 19 Tahun 2026 perlu dibaca serius.

Regulasi tersebut mengatur penggunaan AI dalam kegiatan PMSE dan, berdasarkan ketentuan Pasal 47, memasukkan kewajiban informasi dan/atau label kepada pengguna dalam kondisi penggunaan AI yang diatur.

Ini menunjukkan disclosure bukan lagi sekadar pilihan editorial untuk sebagian use case commerce.

Tetapi jangan melakukan overgeneralization.

Permendag PMSE bukan aturan yang otomatis berarti “semua artikel AI di seluruh Indonesia wajib dilabeli dengan format yang sama”.

Scope, aktivitas, dan kedudukan pelaku usaha tetap harus dianalisis.

Legal team perlu menentukan application yang spesifik.

Marketing perlu menerjemahkan keputusan tersebut menjadi UX yang jelas.

Disclosure harus terlihat sebelum misunderstanding terjadi

Kalau synthetic image terlihat seperti foto dokumentasi nyata, label di footer tidak cukup membantu.

Kalau chatbot AI terlihat seperti customer service manusia, user perlu tahu saat interaction dimulai.

Kalau recommendation product dipengaruhi AI, disclosure yang relevan harus berada dekat experience.

Kalau video menggunakan synthetic voice dari public figure dengan izin, disclosure harus cukup jelas agar audience tidak mengira itu rekaman asli.

Prinsipnya:

Disclosure harus ditempatkan di titik ketika informasi tersebut memengaruhi interpretasi user.

Bukan disembunyikan di Terms sepanjang 40 halaman.

Jangan membuat label yang terlalu teknis

“Generated using multimodal latent diffusion architecture.”

User tidak butuh itu.

Lebih jelas:

“Gambar ini dibuat menggunakan AI dan tidak merupakan foto kejadian nyata.”

“Respons ini dihasilkan oleh AI dan dapat mengandung kesalahan. Untuk keputusan penting, verifikasi melalui sumber resmi.”

“Rekomendasi produk ini menggunakan sistem AI berdasarkan informasi yang tersedia.”

“Video ini menggunakan suara sintetis dengan persetujuan pihak terkait.”

Specificity mengalahkan jargon.

Disclosure menjelaskan yang material.

Bukan memamerkan tool stack.

Human-reviewed juga jangan misleading

Label:

“AI-generated, human-reviewed.”

Terlihat bagus.

Tapi reviewed apa?

Grammar?

Fact?

Legal?

Medical?

Review oleh intern atau expert?

Untuk high-stakes content, “human-reviewed” terlalu vague.

Lebih baik organization punya internal definition.

Editorial review:
clarity, factual source.

Subject-matter review:
technical accuracy.

Legal review:
regulated claims.

Medical review:
clinical content.

Tidak semua perlu ditulis di public label.

Tetapi kalau organization memakai claim “expert reviewed”, identitas atau qualification reviewer harus bisa dijelaskan.

Jangan menjadikan kata “human” sebagai trust badge kosong.

Disclosure untuk visual perlu perhatian khusus

Generative visual makin realistis.

Masalah utamanya adalah implied evidence.

Foto CEO di konferensi yang sebenarnya synthetic.

Gambar kerusakan produk yang tidak pernah terjadi.

Before-after treatment yang generated.

Foto gedung kantor yang tidak nyata.

Testimonial face yang synthetic.

Ini bukan sekadar creative style.

Visual bisa dipahami sebagai proof.

Policy harus melarang synthetic asset digunakan sebagai documentary evidence kecuali context-nya sangat jelas.

Untuk ilustrasi:

“Ilustrasi dibuat dengan AI.”

Untuk documentary recreation:

“Rekonstruksi visual menggunakan AI. Bukan dokumentasi kejadian asli.”

Untuk product visualization:

“Visualisasi konseptual. Produk final dapat berbeda.”

Disclosure harus mengikuti risk of misunderstanding.

Konten AI dan endorsement

Masalah lain:

AI menulis testimonial seolah-olah customer.

Tidak boleh.

Kalau testimonial berasal dari customer nyata, jangan mengubah makna pengalaman mereka dengan generative rewrite.

Editing grammar mungkin acceptable sesuai policy.

Menciptakan pengalaman baru tidak.

Synthetic influencer juga perlu rule.

Apakah karakter fiktif?

Apakah sponsorship jelas?

Apakah user bisa salah mengira manusia nyata?

Apakah disclosure konsisten di setiap platform?

Marketing perlu standard.

Jangan menunggu viral backlash.

Disclosure dalam chatbot dan AI assistant

User harus tahu siapa yang mereka ajak bicara.

Bot jangan menggunakan nama dan foto manusia real seolah orang tersebut sedang aktif membalas jika sebenarnya automated.

Tulis jelas:

“Asisten AI.”

Kemudian limitation.

Apa yang bisa dilakukan?

Apa yang tidak?

Bagaimana menghubungi manusia?

Bagaimana report error?

Untuk high-risk transaction, human escalation.

Transparency bukan berarti chatbot harus membuka seluruh technical implementation.

User butuh operational truth.

Disclosure policy harus punya exception

Ada konten yang tidak perlu label publik setiap saat.

AI-assisted grammar correction.

Internal brainstorming.

Search query expansion.

Metadata draft yang tidak terlihat user.

Tetapi exception harus ditulis.

Kalau tidak, setiap team membuat interpretasi sendiri.

Contoh matrix:

Use case:
grammar assist.

Public disclosure:
not required by internal policy.

Human review:
yes.

Use case:
AI image illustration.

Disclosure:
required near image or caption.

Use case:
synthetic customer testimonial.

Status:
prohibited.

Use case:
AI shopping recommendation dalam PMSE.

Disclosure:
apply legal/UX requirement after compliance review.

Use case:
internal research summary.

Disclosure public:
not applicable.

Source verification:
required before external claim.

Sekarang policy bisa dipakai sehari-hari.

Simpan provenance walaupun tidak semuanya dipublikasikan

Internal log:

Tool.

Model/version jika known.

Prompt category.

Source.

Editor.

Date.

Asset.

Disclosure status.

Reviewer.

License/rights status.

Tidak perlu menyimpan setiap token untuk semua use case.

Risk-tier.

Untuk high-value public campaign, provenance lebih detail.

Untuk grammar fix, minimal.

NIST Generative AI Profile menempatkan content provenance sebagai salah satu area yang relevan dalam risk management generative AI.

Organisasi bisa mengambil principle tersebut tanpa menganggap satu format log sebagai standar wajib.

Provenance membantu ketika:

Ada complaint.

Ada copyright question.

Ada factual dispute.

Ada regulator query.

Ada asset perlu di-update.

Ada model/tool problem.

Tanpa provenance, team hanya bilang:

“Kayaknya waktu itu pakai AI.”

Tidak cukup.

Disclosure harus konsisten dengan platform

Platform sosial, ad network, marketplace, dan AI provider dapat punya policy sendiri.

Jangan membuat corporate disclosure policy yang lebih rendah dari requirement platform.

Buat hierarchy:

Law/regulation.

Industry obligation.

Platform policy.

Contract.

Corporate standard.

Campaign-specific rule.

Yang paling ketat yang berlaku pada use case menjadi floor.

Policy team tidak harus menghafal semua platform rule.

Assign owner untuk update.

Regulation dan platform policy berubah.

Review quarterly atau event-based.

Apa yang harus ditetapkan organisasi sekarang?

Minimal sepuluh hal.

1. Definisi penggunaan AI material.

2. Kategori penggunaan.

3. Use case yang wajib disclosure.

4. Use case yang dilarang.

5. Wording dasar disclosure.

6. Placement rule.

7. Human review requirement.

8. Provenance record.

9. Complaint/correction path.

10. Owner dan review cadence.

Tambahkan industry-specific section jika perlu.

Health.

Finance.

Legal.

Education.

Children.

Political content.

Employment.

High-impact decision.

Satu policy universal tidak cukup untuk semua consequence.

Disclosure yang baik bukan pengakuan dosa

Sebagian marketer takut label AI menurunkan trust.

Kadang benar jika labelnya vague atau audience merasa dibohongi.

Tetapi disclosure yang clear justru bisa memperkuat expectation management.

“Ada AI di sini, fungsinya ini, batasnya ini.”

Itu lebih mature daripada berpura-pura seluruh process manual.

Yang menurunkan trust biasanya bukan keberadaan AI.

Yang menurunkan trust adalah deception.

Fake human.

Fake testimonial.

Fake evidence.

Undisclosed sponsorship.

Unsupported claim.

Silent correction.

Disclosure policy yang matang mencegah hal-hal tersebut sebelum masuk production.

Tujuan akhirnya bukan membuat semua konten penuh badge.

Tujuannya membuat audience tidak salah memahami asal dan nature informasi yang material.

Kalau AI hanya membantu merapikan koma, mungkin tidak relevan.

Kalau AI membuat dokter sintetis berbicara tentang treatment, sangat relevan.

Kalau AI merekomendasikan produk di commerce flow, relevan.

Kalau AI menulis draft tetapi expert membangun ulang seluruh substansi, context berbeda.

Jadi jangan cari satu kalimat disclosure untuk semua.

Bangun decision rule.

Karena pertanyaan sebenarnya bukan “apakah AI dipakai?”

Pertanyaannya:

“Apakah peran AI cukup material sehingga tanpa disclosure, user berpotensi memahami konten, recommendation, atau interaction ini secara berbeda?”

Kalau jawabannya ya, organisasi seharusnya sudah punya kebijakan sebelum campaign berikutnya dibuat.

Policy juga perlu menjelaskan apa yang terjadi ketika disclosure terlambat.

Misalnya campaign sudah terbit dan tim baru sadar visual synthetic tidak diberi label yang seharusnya. Jangan hanya edit diam-diam.

Nilai materiality.

Tambahkan disclosure.

Catat correction.

Jika distribusi luas atau misunderstanding sudah terjadi, pertimbangkan clarification yang terlihat.

Untuk use case yang diatur secara hukum atau platform policy, escalation ke owner terkait harus otomatis.

Dengan begitu disclosure tidak berhenti sebagai pre-publication checklist. Ia punya incident response.

Organisasi yang mature bukan organisasi yang tidak pernah salah label. Organisasi yang mature tahu cara mendeteksi, mengoreksi, dan belajar supaya kesalahan yang sama tidak menjadi pola.