Untuk memahami perubahan yang dibawa AI, kita perlu melihat perjalanan teknologi sebagai satu rangkaian panjang.

Pada dunia analog, informasi memiliki keterikatan kuat dengan benda fisik. Surat berada pada kertas. Foto berada pada film. Suara tersimpan pada pita magnetik. Dokumen berpindah dari satu orang ke orang lain melalui media fisik. Pemalsuan tentu sudah ada, tetapi melakukan pemalsuan dalam jumlah besar membutuhkan tenaga, waktu, alat, dan biaya.

Digitalisasi mengubah hubungan tersebut. Teks, foto, suara, video, transaksi dan komunikasi direpresentasikan sebagai data. Ketika sebuah foto menjadi file digital, foto tersebut dapat disalin tanpa kehilangan kualitas yang berarti. Ketika surat menjadi dokumen elektronik, satu dokumen dapat dikirim kepada ribuan orang dalam waktu sangat singkat.

Digitalisasi bukan sekadar mengganti kertas dengan layar. Digitalisasi mengubah sifat dasar informasi: informasi menjadi mudah disalin, dicari, diolah, dikorelasikan, dimodifikasi dan disebarkan.

Kemudian datang Internet. Komputer yang sebelumnya bekerja relatif terpisah mulai terhubung dalam jaringan global. Email menggantikan sebagian surat fisik. Situs web menjadi ruang publik baru. Perbankan bergerak ke layanan daring. Komunikasi pribadi berpindah ke aplikasi pesan. Media sosial menghasilkan jejaring hubungan, opini, foto, video, lokasi, dan perilaku dalam skala sangat besar.

Konsekuensinya bagi kejahatan sangat penting. Seorang pelaku tidak lagi harus berada di kota yang sama dengan korban. Bahkan pelaku, korban, server, rekening pembayaran, penyedia layanan komunikasi, dan penyimpanan data dapat berada di beberapa negara berbeda.

UNODC mengingatkan bahwa cybercrime tidak mengenal batas geografis seperti kejahatan konvensional dan, tergantung jenisnya, dapat dilakukan dengan upaya lebih kecil serta kecepatan yang jauh lebih tinggi. (:)

Tahap berikutnya adalah cloud computing. Data dan aplikasi tidak harus berada pada komputer pengguna. Email, dokumen, foto, sistem bisnis, database, bahkan kemampuan komputasi dapat berada pada infrastruktur penyedia layanan yang mungkin tersebar di berbagai pusat data.

Bagi aparat penegak hukum, perubahan ini menimbulkan pertanyaan yang sebelumnya jauh lebih sederhana. Di mana sebenarnya sebuah data berada? Siapa yang

menguasainya? Sistem apa yang menciptakannya? Siapa yang dapat mengubahnya? Dan melalui prosedur apa data tersebut dapat diperoleh secara sah?

Setelah cloud, lahirlah era Big Data. Persoalannya bukan lagi sekadar banyak data, melainkan data yang datang dengan volume besar, kecepatan tinggi, dan bentuk yang 

sangat beragam. Log komputer, transaksi, rekaman jaringan, lokasi, video, pesan, metadata, dan aktivitas pengguna dapat menghasilkan jutaan atau miliaran catatan.

Manusia mempunyai keterbatasan untuk membaca semuanya secara manual. Di sinilah AI

memperoleh peran yang semakin penting.

AI dapat membantu menemukan pola di dalam data besar. Sistem dapat mengelompokkan dokumen, mengenali wajah atau objek, mengidentifikasi anomali transaksi, mengklasifikasikan email, menganalisis teks, memprediksi risiko, atau membantu menemukan hubungan di antara ribuan artefak.

Lalu muncul generative AI.

Jika fase sebelumnya terutama membuat mesin semakin baik dalam membaca dan menganalisis dunia, AI generatif membuat mesin semakin baik dalam menghasilkan representasi baru dari dunia: teks, gambar, suara, video, kode dan bentuk konten digital lainnya.

NIST mendeskripsikan generative AI sebagai kelas model AI yang menghasilkan konten sintetis berdasarkan pola dan karakteristik data masukan atau data yang dipelajarinya; konten tersebut dapat berupa teks, gambar, video, audio maupun bentuk digital lainnya. (NIST Publications)

Perubahan dari analog sampai AI generatif dapat dipahami secara sederhana sebagai perubahan kemampuan:

Analog membuat manusia mencatat.

Digital membuat manusia menyalin dan mengolah.

Internet membuat manusia menghubungkan dan menyebarkan.

Cloud membuat komputasi dan penyimpanan dapat digunakan dari mana saja.

Big Data membuat manusia memiliki data dalam skala yang melampaui kemampuan analisis manual.

AI membantu menemukan pola.

Generative AI membantu menciptakan sesuatu yang sebelumnya memerlukan keterampilan manusia.

Perjalanan inilah yang menjelaskan mengapa perkembangan teknologi mengubah bukan hanya kehidupan sosial dan ekonomi, tetapi juga modus operandi kejahatan, bentuk bukti, serta cara aparat penegak hukum melakukan pemeriksaan. Arah tersebut juga menjadi fondasi buku yang terlampir: hakim dan penegak hukum tidak dipersiapkan menjadi programmer, tetapi dipersiapkan memahami teknologi agar mampu menilai bukti dan klaim teknis secara kritis. 

Istilah AI sering digunakan terlalu luas. Hampir semua sistem komputer yang terlihat “pintar” dapat disebut AI dalam percakapan sehari-hari. Untuk kepentingan hukum dan pembuktian, penggunaan istilah seperti itu perlu lebih disiplin.

OECD mendefinisikan sistem AI sebagai sistem berbasis mesin yang, untuk tujuan eksplisit atau implisit, melakukan inferensi dari masukan yang diterimanya untuk menghasilkan keluaran seperti prediksi, konten, rekomendasi atau keputusan yang dapat mempengaruhi lingkungan fisik maupun virtual. Sistem AI dapat memiliki tingkat otonomi dan kemampuan adaptasi yang berbeda. (OECD AI)

Definisi tersebut berguna untuk hakim dan penegak hukum karena menunjukkan bahwa AI tidak harus berbentuk robot. Sistem rekomendasi, pengenal wajah, analisis transaksi, model bahasa dan sistem prediksi risiko semuanya dapat berada dalam keluarga AI.

Machine learning atau pembelajaran mesin adalah salah satu pendekatan utama dalam AI. Alih-alih seluruh aturan ditulis satu per satu oleh programmer, sistem belajar mengenali pola dari data.

Bayangkan sebuah sistem yang ingin membedakan transaksi normal dan transaksi yang berpotensi fraud. Dalam pendekatan berbasis aturan sederhana, programmer dapat menulis: “Jika transaksi melebihi nilai tertentu, tandai.”

Dalam machine learning, sistem dapat mempelajari ribuan atau jutaan contoh transaksi dan mencoba menemukan kombinasi pola: nilai transaksi, lokasi, waktu, kebiasaan pengguna, perangkat, merchant dan faktor lainnya.

Perbedaan ini sangat penting.

Sistem berbasis aturan menjalankan aturan yang ditulis secara eksplisit. 

Sistem machine learning membangun pola berdasarkan data.

Karena itu, kualitas data menjadi penting. Data yang buruk, tidak representatif atau mengandung bias dapat menghasilkan sistem yang juga bermasalah.

Deep learning adalah bagian dari machine learning yang menggunakan jaringan saraf dengan banyak lapisan untuk belajar pola kompleks. Teknologi ini sangat penting dalam kemajuan pengenalan gambar, pengenalan suara, pemrosesan bahasa dan AI generatif modern.

Namun hakim tidak perlu memahami persamaan matematikanya. Yang lebih penting adalah memahami implikasinya: hasil sebuah model berasal dari proses statistik dan komputasi, bukan dari “pemahaman” seperti pemahaman manusia.

Selanjutnya ada Natural Language Processing atau NLP, yaitu bidang AI yang berkaitan dengan bahasa manusia. Sistem NLP dapat digunakan untuk klasifikasi dokumen, analisis 

teks, penerjemahan, pencarian informasi, ekstraksi entitas, transkripsi, ringkasan, hingga percakapan dengan pengguna.

Computer vision berkaitan dengan kemampuan komputer menganalisis gambar atau video. Contohnya adalah pengenalan objek, OCR, pengenalan wajah, klasifikasi citra, atau pencarian pola visual.

Predictive analytics menggunakan data untuk memperkirakan kemungkinan kejadian atau hasil tertentu. Sistem dapat, misalnya, memperkirakan kemungkinan transaksi fraud, memprioritaskan alert keamanan, atau mendeteksi pola yang berbeda dari kebiasaan sebelumnya.

Kemudian ada Large Language Model atau LLM. Model ini dilatih menggunakan data bahasa dalam skala sangat besar sehingga mampu menghasilkan, melanjutkan, meringkas, menerjemahkan dan mentransformasikan teks.

Hal yang perlu ditekankan adalah: LLM bukan database fakta dan bukan mesin pencari kebenaran. Model bahasa menghasilkan keluaran berdasarkan pola yang dipelajarinya. Karena itu, kalimat yang sangat lancar dan meyakinkan tetap dapat mengandung informasi yang salah.

Lebih luas lagi adalah generative AI. Tidak semua generative AI adalah LLM. Model generatif dapat menghasilkan gambar, audio, video, musik, kode maupun bentuk konten lainnya. NIST melihat risiko generative AI sebagai cukup khas sehingga menerbitkan profil khusus AI RMF untuk membantu organisasi mengidentifikasi dan mengelola risiko pada seluruh siklus hidup penggunaannya. (NIST)

Istilah terakhir yang semakin sering muncul adalah AI agent. Secara sederhana, sebuah agen AI tidak berhenti pada menghasilkan jawaban. Ia dapat diberi tujuan, merencanakan sejumlah langkah, menggunakan alat lain, membaca hasil, lalu menentukan langkah berikutnya.

Perbedaannya dapat digambarkan seperti ini: chatbot menjawab, sedangkan agen dapat bertindak melalui alat yang diberikan kepadanya.

Tetapi kata “agen” jangan menyesatkan pembaca hukum. Istilah tersebut adalah istilah teknis. Kemampuan sebuah sistem menjalankan tindakan secara otomatis tidak dengan sendirinya mengubah mesin menjadi subjek yang memiliki niat, motif dan tanggung jawab seperti manusia.

Di sinilah bahasa teknologi dan bahasa hukum harus dipisahkan dengan disiplin. 

Sebelum ledakan AI generatif, banyak aplikasi AI yang digunakan masyarakat sebenarnya bersifat prediktif atau klasifikatif.

Sistem spam menentukan apakah email kemungkinan spam. Sistem fraud memberikan skor risiko terhadap transaksi.

Sistem keamanan mencoba menentukan apakah aktivitas jaringan normal atau anomali.

Sistem pengenalan gambar menentukan objek apa yang terdapat pada sebuah foto.

Dengan kata lain, sistem menerima sesuatu yang telah ada kemudian mendeteksi, mengklasifikasi, memberi skor atau memprediksi.

AI generatif memperluas fungsi tersebut. Sistem tidak hanya mengatakan “ini adalah foto seseorang”. Ia dapat membuat foto seseorang yang tidak pernah ada. Sistem tidak hanya mengenali suara. Ia dapat mensintesis suara. Sistem tidak hanya menganalisis sebuah email. Ia dapat menulis email. Sistem tidak hanya memeriksa kode. Ia dapat menghasilkan kode.

Perbedaannya tampak kecil pada bahasa sehari-hari, tetapi dampaknya sangat besar bagi pembuktian.

Pada masa lalu, pertanyaan penting sering berbunyi: “Apakah mesin mendeteksi dengan benar?”

Pada era AI generatif, pertanyaannya bertambah:

“Apakah artefak yang sedang kita periksa memang berasal dari peristiwa nyata, atau merupakan hasil sintesis?”

Misalnya, sistem prediktif dapat menilai apakah rekaman suara cocok dengan karakteristik suara seseorang. Sebaliknya, sistem generatif dapat mencoba menciptakan suara baru yang menyerupai orang tersebut.

Sistem computer vision dapat mendeteksi wajah dalam video. Sistem generatif dapat membuat atau mengganti wajah dalam video.

Sistem NLP dapat mencari kata-kata penting dalam dokumen. LLM dapat membuat dokumen baru yang secara bahasa terlihat profesional.

Dengan demikian, AI generatif mengubah hubungan kita dengan bukti digital.

Dulu, pemalsuan digital sering menuntut keahlian khusus. Sekarang sebagian proses kreatif tersebut dapat dilakukan melalui antarmuka sederhana.

Tetapi kita juga perlu menghindari kesimpulan berlebihan. Kemampuan membuat konten sintetis tidak berarti semua konten digital menjadi tidak dapat dipercaya. Dalam pembuktian, solusi bukan menebak dari penampilan, tetapi memeriksa sumber, proses, metadata, integritas, provenance, saksi, log, serta bukti lain yang saling menguatkan.

Prinsip ini akan menjadi sangat penting pada bab-bab selanjutnya. 

Tidak semua kejahatan yang menggunakan komputer memiliki karakter yang sama. Salah satu pembagian yang sangat berguna adalah membedakan cyber-dependent crime dan cyber-enabled crime.

Menurut UNODC, cyber-dependent crime adalah kejahatan yang menargetkan teknologi informasi dan pada dasarnya tidak dapat terjadi tanpa teknologi tersebut. Contohnya mencakup akses ilegal ke sistem, penyebaran malware, gangguan terhadap sistem atau data, dan berbagai serangan terhadap kerahasiaan, integritas serta ketersediaan sistem komputer. (UNODC)

Ransomware terhadap server dapat masuk dalam gambaran ini. Serangan DDoS juga bergantung pada infrastruktur komputasi. Menyusup ke sebuah sistem komputer jelas merupakan perbuatan yang sifatnya lahir dari keberadaan sistem digital.

Sebaliknya, cyber-enabled crime adalah kejahatan yang pada dasarnya dapat terjadi tanpa Internet, tetapi teknologi memperluas skala, jangkauan, kecepatan atau efektivitasnya. Fraud adalah contoh yang sangat jelas. Penipuan sudah ada jauh sebelum komputer, tetapi email, aplikasi pesan, platform sosial, pembayaran digital dan AI dapat membuat penipuan mencapai korban yang jauh lebih banyak. (:)

Pembagian ini sangat penting untuk membaca AI crime. AI tidak selalu menciptakan tindak pidana baru.

Sering kali AI justru bertindak sebagai pengganda kemampuan terhadap kejahatan yang sudah dikenal.

Penipuan tetap penipuan, tetapi AI dapat membantu membuat narasi lebih meyakinkan.

Pemalsuan tetap berkaitan dengan penciptaan atau perubahan sesuatu agar tampak autentik, tetapi AI dapat membuat manipulasi jauh lebih mudah.

Impersonasi dapat diperkuat dengan voice cloning.

Social engineering dapat diperkuat dengan model bahasa.

Manipulasi informasi dapat diperkuat dengan produksi konten skala besar.

Di sisi lain, AI juga dapat meningkatkan kemampuan dalam cyber-dependent crime: membantu menganalisis perangkat lunak, menemukan pola kerentanan, atau mengotomatisasi bagian tertentu dari proses teknis. 

Bagi hakim dan jaksa, pemisahan ini membantu menjaga fokus. Jangan memulai analisis perkara dengan pertanyaan:

“AI apa yang digunakan?” Pertanyaan yang lebih penting adalah:

“Perbuatan apa yang sebenarnya terjadi, teknologi berperan sebagai apa, dan unsur apa yang harus dibuktikan?”

Teknologinya mungkin baru. Struktur penalaran pembuktiannya tetap harus disiplin. 

AI penting dalam kejahatan bukan karena mesin tiba-tiba mempunyai niat kriminal. AI

penting karena teknologi tersebut dapat mengubah ekonomi sebuah kejahatan.

Bayangkan pelaku penipuan yang dahulu harus menulis pesan sendiri kepada setiap calon korban. Bahasa yang buruk, kesalahan tata bahasa atau gaya komunikasi yang tidak sesuai dapat membuat korban curiga.

Generative AI dapat membantu menghasilkan variasi pesan dalam banyak bahasa, menyesuaikan nada komunikasi, memproses informasi tentang calon korban dan menghasilkan konten dalam jumlah besar.

Keuntungan pertama adalah kecepatan. Pekerjaan yang dahulu membutuhkan waktu berjam-jam dapat dipersingkat.

Keuntungan kedua adalah volume. Satu orang dapat memproduksi jauh lebih banyak pesan, gambar atau variasi konten.

Keuntungan ketiga adalah personalisasi. Informasi tentang korban dapat digunakan untuk membuat pesan terasa lebih relevan.

Keuntungan keempat adalah kemampuan bahasa. Hambatan bahasa menjadi lebih kecil.

Keuntungan kelima adalah automasi. Sebagian proses dapat dirangkai menjadi alur yang berjalan dengan sedikit interaksi manusia.

Keuntungan keenam adalah biaya. Kemampuan yang dahulu mungkin membutuhkan tenaga ahli tertentu kini tersedia sebagai layanan atau perangkat lunak.

Dan akhirnya, Internet memberikan skala global.

Europol dalam IOCTA 2026 secara khusus mencatat bahwa perangkat AI generatif semakin digunakan untuk menyesuaikan teknik social engineering, serta membantu mempercepat dan menyamarkan skema fraud daring. Europol juga mengaitkannya dengan infrastruktur lain seperti caller ID spoofing dan SIM farm yang dapat memperbesar skala pesan maupun panggilan. (Europol) 

INTERPOL dalam penilaian ancaman Asia dan Pasifik 2025/2026 juga melaporkan penggunaan AI, model ransomware-as-a-service dan teknik social engineering oleh kelompok kriminal pada skala yang makin terorganisasi. Data tersebut harus dibaca sebagai gambaran ancaman kawasan, bukan sebagai bukti bahwa suatu perkara tertentu pasti menggunakan AI. (Interpol)

Poin terakhir itu penting.

Trend intelligence bukan evidence terhadap terdakwa tertentu.

Laporan Europol dapat memberi konteks bahwa modus tertentu sedang berkembang. Laporan INTERPOL dapat membantu aparat memahami pola ancaman. Tetapi tidak ada laporan global yang dapat menggantikan bukti dalam suatu perkara konkret.

Seorang hakim tidak dapat mengatakan bahwa seseorang melakukan kejahatan dengan AI

hanya karena modus tersebut sedang meningkat.

Perkara tetap harus dibangun melalui bukti perkara itu sendiri. 

Teknologi yang digunakan untuk menyerang hampir selalu dapat pula digunakan untuk bertahan.

Model bahasa yang dapat digunakan untuk menulis phishing juga dapat digunakan membantu analis mengenali pola phishing.

AI yang dapat membantu penjahat menghasilkan variasi malware juga dapat membantu tim keamanan melakukan analisis malware.

Teknik deteksi anomali dapat membantu menemukan perilaku yang berbeda dari baseline normal.

Computer vision dapat digunakan untuk manipulasi visual, tetapi teknik analisis visual juga dapat digunakan dalam proses verifikasi.

Inilah sebabnya AI sebaiknya tidak dibaca sebagai “teknologi jahat” atau “teknologi baik”.

AI adalah kemampuan. Nilai dan dampaknya sangat bergantung pada tujuan, data, desain, batas, operator dan konteks penggunaannya.

Buku “AI dalam Cyber Security” di Library menekankan sifat ganda tersebut. AI dapat meningkatkan kemampuan analisis malware dan deteksi anomali, tetapi sistem AI sendiri juga menghadapi bias, false positive, false negative serta adversarial attack.

Buku yang sama juga mengingatkan risiko over-automation. AI dapat mempercepat triase dan respons, tetapi keputusan berisiko tinggi tetap memerlukan human-in-the-loop.

Bagi penyidik, AI dapat membantu mengelompokkan ribuan dokumen, membuat ringkasan awal, mencari pola, atau menyusun urutan kejadian sementara.

Bagi jaksa, AI dapat membantu pencarian, organisasi dokumen atau penelusuran materi perkara.

Bagi hakim, AI secara konseptual dapat digunakan membantu penelitian hukum, pencarian informasi atau pengelolaan data perkara.

Namun kata kuncinya adalah membantu. 

Kurikulum Pusdiklat Teknis Peradilan Mahkamah Agung sendiri menempatkan penggunaan AI dalam penelitian hukum, analisis data dan manajemen perkara berdampingan dengan kewajiban memahami hallucination, bias, ketidakakuratan, manipulasi keluaran, serta pentingnya independensi, imparsialitas, due process of law dan hak para pihak.

Dengan demikian, posisi yang sehat bukan “percaya kepada AI” dan bukan “menolak AI”. Posisinya adalah:

gunakan AI sebagai alat bantu, tetapi pertahankan manusia sebagai pemegang tanggung jawab. 

Bahasa sehari-hari sering membuat teknologi seolah-olah mempunyai kehendak. “AI memutuskan.”

“AI menyerang.” “AI menipu.”

“AI membuat kesalahan.”

Bahasa seperti itu praktis untuk percakapan, tetapi dapat berbahaya ketika masuk dalam analisis hukum.

Komputer menjalankan proses. Model menghasilkan keluaran. Agen dapat menjalankan tindakan melalui alat yang diberikan kepadanya. Namun dalam investigasi kita harus bertanya lebih jauh:

Siapa merancang sistemnya? Siapa memilih model?

Siapa memberikan data? Siapa menentukan tujuan? Siapa memberikan prompt? Siapa memberikan akses?

Siapa menghubungkan sistem dengan email, rekening, database atau infrastruktur lain?

Siapa menerima hasil? Siapa mengambil manfaat? Siapa mengetahui resikonya? Siapa dapat menghentikannya?

Pertanyaan tersebut membawa kita kembali dari istilah abstrak “AI” kepada rantai manusia, organisasi, sistem dan keputusan yang dapat diperiksa.

Pada sistem sederhana, hubungan tersebut mungkin jelas. Seseorang memasukkan prompt, menerima keluaran, lalu menggunakannya.

Pada sistem otomatis, rantainya dapat lebih kompleks. Model menerima data dari program lain, mengambil keputusan teknis, memanggil API dan menghasilkan tindakan tanpa operator menekan tombol pada setiap langkah.

Namun meningkatnya automasi tidak boleh membuat analisis berhenti pada kalimat “AI

yang melakukannya”.

Sebaliknya, automasi membuat investigasi terhadap desain dan kontrol menjadi semakin penting. 

Dalam konteks forensik dan OSINT, buku CEH Mastery di Library bahkan menekankan pencatatan model, prompt, tool, metode, human approval, bukti, confidence, keterbatasan dan langkah reproduksi agar penggunaan AI dapat diaudit.

Prinsipnya sederhana:

semakin besar otonomi teknologi, semakin penting audit trail-nya.

Kita juga perlu membedakan agency teknis dengan tanggung jawab hukum.

Sebuah AI agent dapat memiliki kemampuan memilih langkah berikut berdasarkan tujuan yang diberikan. Itu adalah arti “agen” dalam arsitektur perangkat lunak. Istilah tersebut tidak boleh secara otomatis diterjemahkan sebagai kehendak, niat atau pertanggungjawaban manusia.

Untuk kepentingan buku ini, pendekatan yang digunakan akan selalu kembali kepada manusia dan organisasi:

Apa tindakan manusia? Apa kontrol yang tersedia?

Apa pengetahuan yang dimiliki? Apa kewenangannya?

Apa yang dilakukan sistem? Apa akibatnya?

Apa buktinya?

Dengan cara ini, teknologi tidak menjadi tirai yang menyembunyikan pertanggungjawaban. 

Lima contoh berikut bukan latihan teknis. Tujuannya adalah memperlihatkan sejak Bab 1 bahwa modus, klaim dan hal yang harus dibuktikan merupakan tiga hal berbeda.

1. Kasus pertama adalah AI-enhanced phishing. Seorang korban menerima email yang menggunakan nama atasannya, gaya bahasa organisasi, dan informasi proyek yang benar. Pesan meminta korban membuka halaman tertentu dan memasukkan kredensial.

Fakta bahwa pesan terlihat sangat meyakinkan tidak membuktikan bahwa AI digunakan. Bisa saja pelaku menulisnya secara manual. Sebaliknya, jika AI memang digunakan, fakta tersebut juga belum menjelaskan siapa pelakunya.

Yang harus dibuktikan pada tahap berikutnya bukan “email ini terasa seperti AI”, melainkan sumber komunikasi, domain, infrastruktur, akun, aktivitas login, perangkat, tindakan korban dan rangkaian kejadian yang relevan.

2. Kasus kedua adalah voice cloning. Seorang staf keuangan menerima telepon yang terdengar seperti direktur perusahaan dan kemudian melakukan transfer.

Dalam situasi ini terdapat setidaknya tiga pertanyaan yang berbeda.

• Apakah suara tersebut autentik?

• Apakah komunikasi tersebut memang berasal dari kanal yang diklaim? 

• Siapa yang berada di balik operasi tersebut?

Ketiga pertanyaan tersebut tidak dapat diselesaikan hanya dengan mendengarkan rekamannya.

3. Kasus ketiga adalah deepfake. Sebuah video menunjukkan seorang individu mengucapkan sesuatu yang merugikan dirinya.

Kesalahan pertama adalah langsung percaya karena video terlihat nyata. Kesalahan kedua adalah langsung menolak karena “sekarang semua video bisa dibuat AI”.

Pendekatan yang benar adalah mempertanyakan provenance: dari mana video berasal, file pertama yang tersedia apa, bagaimana perjalanan file tersebut, apa metadatanya, apakah terjadi kompresi atau penyuntingan, adakah rekaman lain, log perangkat, saksi atau bukti independen yang dapat menguatkan atau membantahnya. 

4. Kasus keempat adalah synthetic identity. Sebuah akun menggunakan foto wajah yang tampak nyata, identitas tertentu, dokumen pendukung dan riwayat interaksi yang terlihat konsisten.

AI dapat membantu menciptakan sebagian elemen tersebut, tetapi masalah pembuktiannya tetap lebih luas daripada mendeteksi gambar AI.

Hakim dan penyidik perlu membedakan antara:

identitas yang ditampilkan, identitas pemegang akun, identitas perangkat, identitas pemilik rekening, dan identitas orang yang sebenarnya mengendalikan aktivitas. Kelima identitas itu belum tentu sama.

5. Kasus kelima adalah manipulasi dokumen dengan AI. Sebuah invoice, surat, kontrak atau bukti percakapan tampil sangat profesional dan secara visual nyaris sempurna.

Di sini kita melihat kembali pelajaran dasar Bab 1:

penampilan bukan asal-usul. Dokumen yang tampak buruk dapat autentik. Dokumen yang tampak sempurna dapat palsu.

Dan dokumen yang sebagian dimodifikasi tidak selalu dapat dikategorikan hanya sebagai “asli” atau “palsu” tanpa memahami bagian mana yang berubah. Karena itu, pertanyaan sentral bukan:

“Apakah AI mampu membuat dokumen seperti ini?”

Kita sudah mengetahui bahwa teknologi modern mampu menghasilkan banyak bentuk konten sintetis. NIST secara eksplisit memasukkan teks, gambar, video, audio dan konten digital lain dalam cakupan generative AI. (NIST Publications)

Pertanyaan yang lebih bernilai adalah:

• Apa yang sebenarnya terjadi?

• Apa yang hanya merupakan klaim?

• Apa yang dapat dibuktikan?

Tiga pertanyaan itu akan berulang sepanjang buku. 

AI memang mengubah wajah kejahatan, tetapi AI tidak menghapus prinsip dasar penalaran hukum.

Teknologi bergerak dari analog, digital, Internet, cloud, Big Data, AI sampai generative AI. Setiap tahap meningkatkan kemampuan manusia menyimpan, memproses, menghubungkan atau menghasilkan informasi. Bersamaan dengan manfaatnya, setiap tahap juga membuka bentuk penyalahgunaan baru.

Perubahan yang paling penting dalam generative AI adalah pergeseran dari mesin yang terutama menganalisis menuju mesin yang juga mampu menghasilkan.

Karena itu, hakim, jaksa dan penegak hukum akan semakin sering menghadapi dunia di mana foto, suara, video, dokumen, identitas dan komunikasi tidak dapat dinilai hanya berdasarkan apa yang tampak di permukaan.

Namun tidak perlu jatuh pada kesimpulan bahwa “tidak ada lagi yang dapat dipercaya”. Justru sebaliknya.

Era AI menuntut standar berpikir yang lebih kuat. Jangan percaya hanya karena terlihat nyata. Jangan menolak hanya karena dapat dipalsukan.

Jangan menyimpulkan pelaku hanya dari satu indikator teknis. Jangan menganggap hasil AI sebagai fakta.

Dan yang paling penting:

mulailah dari peristiwa, telusuri sumbernya, pahami peran teknologinya, kemudian buktikan.

Fondasi inilah yang akan membawa kita ke Bab 2: Peta Cyber Crime Berbasis AI, ketika teknologi yang dibahas dalam Bab 1 mulai terlihat dalam bentuk modus kejahatan yang konkret.