DeepSeek Murah, OpenAI Marah: Cara AI Dicuri Lewat Distillation

Ada cara mengambil kemampuan model AI tanpa pernah menyentuh model itu. Cara itu punya nama resmi, dipakai secara sah oleh industri, dan aturannya jelas. Ia juga yang dipakai penyerang saat OpenCode diretas pada Oktober 2026. Hanya saja versi yang versinya dibayar orang lain.

Namanya distilasi. Kalau seseorang punya akses ke output model besar, dia bisa membuat ribuan pertanyaan lalu mengumpulkan jawabannya. Setelah itu dia melatih model yang lebih kecil supaya menirunya. Kemampuannya pindah dari model besar ke model kecil, dan bobot aslinya tidak pernah ikut pindah.

Artikel ini menjelaskan bagaimana mekanismenya bekerja dan kenapa cara ini berubah menjadi masalah dalam dua tahun terakhir. Bagian akhir artikel ini membahas batas antara distilasi yang sah dan pencurian. Ini penjelasan yang tidak akan basi, karena teknik dan aturannya masih berlaku sementara industri di dalamnya sudah berganti beberapa kali.

Mekanismenya: Apa Sebenarnya yang Disalin

Distilasi bukan satu teknik. Distilasi adalah keluarga teknik dengan satu ide yang sama, yaitu memindahkan informasi dari model besar ke model kecil lewat contoh.

Bayangkan versi paling sederhananya. Kamu punya model besar dan model kecil. Kamu beri model besar seribu pertanyaan beserta jawabannya. Lalu kamu kasih seribu pasangan itu ke model kecil untuk dilatih. Model kecil tidak pernah melihat bagian dalam model besar. Yang dipindah adalah perilakunya, lewat contoh-contoh itu.

Mekanisme yang lebih halus berlaku di model bahasa modern. Model besar masa kini tidak langsung menjawab. Dia menuliskan langkah-langkah berpikirnya lebih dulu, lalu menyusun jawaban dari langkah itu. Jejak berpikir itu jauh lebih informatif daripada jawaban akhir, karena menunjukkan jalannya. Mengumpulkan jejak berpikir inilah yang membuat distilasi model reasoning terasa seperti lompatan besar pada 2025.

Ada satu hal penting yang sering terlewat. Distilasi bukan salinan. Yang dipindah sebenarnya adalah distribusi, bukan setiap jawaban. Model besar punya cara khas mengurutkan jawaban saat tidak yakin. Model kecil yang dilatih dari ribuan contoh itu akan mengadopsi pola yang sama. Yang hilang adalah bagian-bagian halus yang membuat model besar lebih tajam. Dan bagian halus itu justru yang paling mahal untuk ditiru.

Dari Eksperimen 2015 ke Gelombang 2025

Istilah distilasi masuk ke literatur resmi pada 2015, lewat makalah Geoffrey Hinton, Oriol Vinyals, dan Jeff Dean. Situasinya waktu itu sederhana. Model besar ada, tapi jalan lambat dan mahal, sehingga tidak bisa dipakai di mana-mexcept server besar.

Pertanyaan yang mereka jawab: bagaimana memindahkan pengetahuan ke model kecil yang bisa jalan di laptop. Eksperimennya berhasil. Konsep yang mereka perkenalkan waktu itu jadi dasar seluruh literatur distilasi modern. Model kecil dilatih dari output model besar, ditambah data aslinya.

Yang berubah pada 2025 adalah urutan dan skalanya. DeepSeek-V3 dirilis pada akhir Desember 2024, dan klaim soal biaya latihan sekitar 5,6 juta dolar Amerika jadi viral. Angka itu perlu dibaca dengan hati-hati. Angka itu mencakup satu tahap akhir saja, dan tidak termasuk biaya penelitian dan eksperimen sebelumnya. Arahnya tetap jelas, dan model yang jauh lebih murah mulai menghasilkan kualitas yang tidak jauh berbeda.

Lalu DeepSeek-R1 dirilis pada 20 Januari 2025, dan itu titik baliknya. R1-Zero menunjukkan lompatan AIME 2024 dari 15,6 persen ke 71,0 persen. Itu setara dengan model o1 dari OpenAI, dan 86,7 persen dengan voting majority. R1 sendiri mencapai 79,8 persen di AIME 2024 dan 97,3 persen di MATH-500.

Yang paling penting justru bukan angka model besarnya, tapi enam model kecil turunan yang ikut dirilis bersamaan. R1-Distill-Qwen-7B mencapai 55,5 persen di AIME 2024, melampaui QwQ-32B-Preview yang jauh lebih besar. R1-Distill-Qwen-32B mencapai 72,6 persen di AIME 2024, 94,3 persen di MATH-500, dan 57,2 persen di LiveCodeBench.

Angka-angka ini diambil dari makalah DeepSeek-R1. Jadi ini klaim penulisnya sendiri, bukan hasil pihak ketiga yang sudah diverifikasi ulang. Yang bisa diuji orang lain justru model turunannya, karena bobotnyareleased untuk umum.

Distilasi Sah dan Distilasi Ilegal: Garis yang Lebih Tipis dari yang Kira

Ini bagian yang paling sering disalahpahami, dan sumber kebingungannya hampir selalu sama. Banyak orang mengira distilasi itu selalu tidak sah.

Tidak. Distilasi adalah praktik industri yang diakui. Bukti paling jelas datang dari DeepSeek sendiri. R1 dirilis di bawah lisensi MIT. Catatan rilisnya menyatakan secara eksplisit bahwa output API-nya boleh dipakai untuk fine-tuning dan distilasi. Jadi ketika model itu dipakai dan rantai distilasi dibangun di atasnya, itu sah secara lisensi.

Yang tidak sah adalah distilasi yang memakai kapasitas atau tagihan orang lain. Garis hukumnya cukup jelas. Memakai API sesuai ketentuan lisensi dan ketentuan layanan-nya sah. Memakai API dengan cara yang melanggar ketentuan layanan, atau memakai kredensial curian, tidak sah. Kasus DeepSeek pada Januari 2025 dan OpenCode pada Oktober 2026 adalah varian yang sama.

Dua baris pertama adalah industri yang sehat. Model yang bisa ditiru dengan murah membuat model yang lebih besar bisa dijual di tempat yang lebih luas. Baris ketiga dan keempat adalah masalah, dan keduanya berakhir di tempat yang sama, yaitu tagihan orang yang tidak tahu.

Analisis: Kenapa Distilasi Jadi Senjata Pilihan

Ada alasan teknis dan alasan ekonomi, dan keduanya berarah sama.

Secara teknis, distilasi adalah cara paling murah untuk menyalin kemampuan. Bandingkan dengan tiga alternatif. Menjalankan model besar itu mahal per detik. Melatih model dari nol butuh GPU yang tidak semua orang punya, plus data dan waktu berminggu-minggu. Mengambil output model besar dalam jumlah banyak hanya butuh koneksi API dan skrip sederhana. Dan karena yang dibutuhkan adalah output, bukan akses internal, satu kunci API sudah cukup untuk membuka semuanya.

Baris ketiga dan keempat punya biaya yang hampir sama bagi penyerang, tapi konsekuensinya berbeda. Yang ketiga dibayar sah oleh yang memakai. Yang keempat dibayar orang lain tanpa diketahui.

Secara ekonomi, ada hitungan yang membuat ini menarik. Rasio biaya antara menjalankan model frontier dan melatih sendiri berbeda beberapa orde besaran. Distilasi mengubah biaya marginal menyalin kemampuan dari tagihan latihan besar menjadi biaya API yang linear dan kecil.

Ada insentif ketiga yang jarang disebut. Distilasi membuat model sulit dilacak. Model hasil distilasi punya bobot sendiri, arsitektur sendiri, dan checkpoint sendiri. Ia bukan salinan, dan jejak teknisnya berbeda dari aslinya. Model seperti itu lebih sulit dikaitkan kembali ke sumbernya.

Efek bersihnya adalah tekanan ke arah bawah. Model besar yang mudah ditiru jadi sulit dibenarkan secara ekonomi untuk tugas ringan. Ini terlihat di model open-weight yang ukurannya terus turun sementara kemampuannya naik.

Tapi ada sisi yang sering dilewati. Distilasi bukan cuma cara mencuri. Ia juga cara memindahkan kemampuan yang mahal ke tempat yang tidak punya resource. OpenAI sendiri menjual model kecil yang dilatih lewat distilasi. Itu cara mereka memenuhi permintaan yang tidak layak dilayani model frontier. Konten yang sama bisa jadi alat riset atau alat curang, tergantung siapa yang memakainya dan dengan izin apa.

Apa yang Bisa Kamu Pelajari dari Ini

Kalau kamu bukan orang yang menulis kebijakan AI, ada tiga hal praktis yang bisa diambil dari memahami distilasi.

Pertama, kamu bisa membedakan dua jenis pengumuman yang sering disamakan. Rilis model turunan dengan lisensi terbuka adalah kontribusi, dan itulah yang membuat ekosistem AI tumbuh. Pengakuan distilasi tanpa izin adalah pengakuan pencurian, dan itulah yang membuat perdebatan iniheated.

Kedua, kalau kamu memakai API berbayar, distilasi output-nya kemungkinan besar sudah berada di ketentuan layanan yang kamu tanda tangani. Jangan lewati membacanya. Dan jangan pernah mendistribusikan output mentah ke dataset publik tanpa mengecek dulu, karena itulah yang paling sering membuat masalah.

Ketiga, dan ini yang paling praktis. Kunci API adalah aset, bukan credential teknis yang biasa. Setiap kali kamu menempelkannya ke sebuah tool, kamu menaruh uang di rumah orang lain. Insiden OpenCode pada Oktober 2026 adalah bukti bahwa ini bukan ketakutan berlebihan. Perusahaan menyatakan kebocoran itu menimpa 1,4 persen pengguna Konsol, dan kunci yang tersimpan di ruang kerja mungkin sudah terekspos. Matematikanya sederhana. Siapa pun yang memegang kunci itu bisa membuat tagihan. Ratusan panggilan sekaligus, dan tidak ada yang sadar sampai tagihan datang.

Yang Belum Bisa Dijawab

Beberapa pertanyaan masih terbuka, dan lebih baik jujur soal itu daripada mengarang jawaban.

Yang paling penting, tidak ada angka publik yang bisa dipakai untuk mengukur berapa banyak model yang dilatih dengan cara begini. Dalam memo ke komite DPR AS pada Februari 2026, OpenAI menyebut mayoritas aktivitas distilasi yang mereka lihat berasal dari China. Itu klaim satu pihak yang belum bisa diaudit publik, dan memang tidak ada cara independen untuk mengukurnya.

Memo itu juga menyebut metode yang makin bluntly. Akses lewat router pihak ketiga untuk menyembunyikan sumber aslinya, dan kode yang ditulis untuk mengambil output secara terprogram. Yang diketahui adalah arahnya, bukan skalanya.

Lalu ada pertanyaan yang belum ada jawabannya. Apakah model hasil distilasi benar-benar sepadan dengan aslinya untuk hal-hal yang penting. Untuk benchmark dan tugas terstruktur, angka-angkanya hampir identik. Untuk hal yang halus seperti mengarang fakta atau membaca konteks, tidak ada ukuran publik yang bisa dipercaya.

Ada satu hal yang belum dibahas dan relevan buat orang yang membangun produk dengan AI. Model yang kamu pakai hari ini bisa hilang besok. Untuk model open-weight, kamu bisa mengunduh bobotnya dan menyimpannya di tempat yang kamu kendalikan. Untuk model proprietary, kamu tidak bisa. Kode kamu tetap ada, tapi kemampuan yang memanggilnya bisa berubah, ditutup, atau dihargai ulang sewaktu-waktu. Itu bukan ketakutan, itu status quo industri. Yang baru adalah seberapa murah cara ini, dan seberapa banyak industri yang diam-diam berjalan di atasnya