Teknologi kecerdasan buatan (AI) berkembang pesat dalam beberapa tahun terakhir, termasuk layanan penerjemahan multibahasa yang mampu menerjemahkan puluhan hingga ratusan bahasa secara instan. Namun, di Indonesia, pengguna masih kerap mengeluhkan hasil terjemahan AI untuk Bahasa Indonesia yang terasa janggal, kaku, atau bahkan meleset dari konteks.
Persoalan ini dinilai bukan semata-mata terkait kemampuan teknologi, melainkan juga karakter linguistik dan budaya Bahasa Indonesia yang tidak selalu mudah ditangkap oleh model AI multibahasa yang bersifat umum. Sejumlah tantangan dalam struktur bahasa, ragam pemakaian, hingga konteks budaya membuat terjemahan yang dihasilkan dapat berbeda dari maksud penutur.
Salah satu penyebab utamanya adalah cara sebagian besar AI multibahasa dikembangkan. Model semacam ini dirancang untuk mencakup sebanyak mungkin bahasa dalam satu sistem. Pendekatan tersebut efisien, tetapi berkonsekuensi pada kedalaman pemahaman tiap bahasa, terutama bahasa di luar kelompok yang dominan digunakan dalam pelatihan seperti Inggris, Spanyol, atau Mandarin.
Dalam konteks ini, Bahasa Indonesia kerap berada pada posisi “cukup didukung” tanpa menjadi prioritas utama. Dampaknya, AI dapat menerjemahkan secara literal, tetapi kurang memahami makna, konteks, dan nuansa yang penting bagi pembaca lokal.
Tantangan berikutnya datang dari struktur Bahasa Indonesia itu sendiri. Meski terlihat sederhana, praktiknya bisa kompleks. Bahasa Indonesia dikenal fleksibel dalam susunan kalimat: subjek sering dihilangkan, urutan kata dapat berubah tanpa menghilangkan makna, dan banyak informasi disampaikan secara implisit. Kalimat seperti “Sudah dikirim kemarin” mudah dipahami manusia karena konteks yang tidak tertulis biasanya tersirat. Bagi AI, kalimat semacam itu bisa ambigu karena tidak menyebutkan secara eksplisit apa yang dikirim, siapa pengirimnya, dan kepada siapa ditujukan.
Selain itu, imbuhan dalam Bahasa Indonesia sangat menentukan makna. Perbedaan kata seperti makan, dimakan, memakan, termakan, dan kemakan dapat mengubah arti keseluruhan kalimat. Pada terjemahan dokumen bisnis, hukum, atau pemerintahan, kesalahan kecil terkait imbuhan dapat berdampak serius.
Masalah lain muncul karena Bahasa Indonesia tidak hanya dipakai dalam bentuk formal dan baku. Dalam komunikasi digital, ragam semi formal atau kasual justru lebih dominan. Ungkapan seperti “Mohon ditindaklanjuti ya”, “Kayaknya belum masuk deh”, atau “Ini masih on progress” umum digunakan. Namun, AI multibahasa sering menerjemahkannya terlalu kaku atau terlalu harfiah sehingga terdengar tidak alami. Dalam komunikasi bisnis atau layanan pelanggan, gaya bahasa yang terasa tidak natural dapat memengaruhi kepercayaan audiens.
Bahasa Indonesia modern juga kaya akan singkatan, serapan bahasa Inggris, istilah teknis, serta penggunaan bahasa campuran (code-mixing). Kalimat seperti “Mohon follow up issue ini sebelum meeting besok” lazim di lingkungan kerja. Namun, AI multibahasa dapat kesulitan menentukan bagian mana yang perlu diterjemahkan dan mana yang sebaiknya dipertahankan. Jika seluruhnya diterjemahkan, hasilnya bisa terdengar aneh; jika dibiarkan begitu saja, maknanya berpotensi tidak konsisten.
Di luar aspek linguistik, konteks budaya turut memengaruhi kualitas terjemahan. Bahasa Indonesia banyak menggunakan ungkapan tidak langsung, eufemisme, dan pilihan kata yang mencerminkan kesopanan. Frasa seperti “Perlu dipertimbangkan kembali” kerap dimaksudkan sebagai penolakan halus, sedangkan “Kami akan pelajari dulu” tidak selalu berarti persetujuan. AI multibahasa yang tidak memahami budaya komunikasi Indonesia cenderung menerjemahkan secara netral, padahal makna yang tersirat bisa lebih kompleks. Dalam dokumen resmi, kekeliruan membaca konteks budaya berisiko menimbulkan salah paham.
Bagi pengguna individu, hasil terjemahan yang kurang pas mungkin hanya menimbulkan gangguan. Namun bagi organisasi, dampaknya dapat lebih besar. Terjemahan yang tidak akurat dapat memicu kesalahan pemahaman dalam dokumen internal, pesan publik yang tidak sesuai konteks, materi edukasi yang membingungkan, hingga citra merek yang terasa “tidak lokal”. Di sektor pemerintahan, pendidikan, keuangan, dan teknologi, kualitas terjemahan berkaitan dengan kejelasan, kepatuhan, dan kepercayaan publik.
Karena itu, sejumlah organisasi mulai mempertimbangkan pendekatan yang lebih lokal dan kontekstual untuk penerjemahan Bahasa Indonesia. Pendekatan ini umumnya mencakup pelatihan model dengan data Bahasa Indonesia yang lebih kaya, pemahaman ragam formal dan non-formal, penyesuaian istilah industri, serta kemampuan menjaga tone sesuai kebutuhan audiens. Alih-alih berusaha mencakup semua bahasa sekaligus, model yang dioptimalkan untuk satu bahasa diharapkan menghasilkan terjemahan yang lebih natural, konsisten, dan relevan.
Dalam artikel ini juga disebutkan salah satu solusi yang mengusung pendekatan lokal, yakni Netray Translate. Layanan tersebut digambarkan dirancang untuk menjawab keterbatasan AI multibahasa generik melalui optimalisasi model untuk Bahasa Indonesia, penyesuaian konteks industri, hasil terjemahan yang lebih natural, serta dukungan bagi organisasi yang memproses konten dalam jumlah besar.
Secara umum, AI multibahasa dinilai telah membuka banyak kemungkinan dalam dunia penerjemahan. Namun, tidak semua bahasa dapat diperlakukan dengan pendekatan yang sama. Dengan struktur, ragam pemakaian, dan konteks budaya yang khas, Bahasa Indonesia membutuhkan perhatian khusus agar terjemahan benar-benar akurat dan relevan. Kegagalan AI multibahasa memahami Bahasa Indonesia tidak selalu mencerminkan teknologi yang buruk, melainkan menunjukkan perlunya pendekatan yang lebih lokal dan kontekstual.
