Nelson Chu, Pendiri dan CEO ARCOS Labs – Seri Wawancara

Nelson Chu, Pendiri dan CEO ARCOS Labs, adalah seorang wirausahawan berulang dan eksekutif teknologi dengan latar belakang yang mencakup infrastruktur keuangan, investasi, dan platform digital. Sebelum mendirikan ARCOS Labs, ia menghabiskan delapan tahun sebagai Pendiri dan CEO Percent, di mana ia membangun platform teknologi yang dirancang untuk memodernisasi pasar kredit swasta, dan kini menjabat sebagai Ketua Dewan. Pada awal kariernya, Chu ikut mendirikan MySupport, sebuah platform daring yang menghubungkan lansia dan penyandang disabilitas dengan pekerja pendukung yang kemudian diakuisisi oleh RISE Services, serta mendirikan firma penasihat strategis Lumenary. Ia juga pernah menjadi penasihat dan investor bagi perusahaan-perusahaan termasuk BlockFi dan Recharge Capital, sambil memulai kariernya di layanan keuangan dengan peran di BlackRock, Bank of America, dan Merrill Lynch.

ARCOS Labs, singkatan dari Applied Research in Creative Output Synthesis, mengembangkan infrastruktur yang dirancang untuk membantu AI beroperasi secara bertanggung jawab seiring model generatif semakin banyak berinteraksi dengan karya berhak cipta, karakter, dan kemiripan manusia. Perusahaan ini berfokus pada intelijen IP forensik dan manajemen hak, dengan teknologi yang bertujuan mengidentifikasi dan mengukur bagaimana aset kreatif direproduksi oleh AI, melacak penggunaannya, serta mendukung kerangka kerja lisensi dan penegakan. Platform unggulannya, VN, dirancang untuk memberikan pencipta, studio, agensi bakat, dan pemegang hak visibilitas serta kontrol yang lebih besar atas bagaimana sistem AI menggunakan kekayaan intelektual mereka, sementara ARCOS juga berada di balik Lightbar, inisiatif crowdsourced untuk menyelidiki model pelatihan AI. Perusahaan ini secara publik muncul dari mode stealth pada Agustus 2026 dengan tujuan yang lebih luas membangun infrastruktur kepercayaan dan hak yang diperlukan agar pencipta dan sistem AI dapat hidup berdampingan secara skala besar.

Anda menghabiskan delapan tahun membangun Percent di sekitar infrastruktur yang dibutuhkan untuk membawa efisiensi dan transparansi ke pasar kredit swasta yang terfragmentasi. Pelajaran apa dari membangun infrastruktur keuangan semacam itu yang kini Anda terapkan di ARCOS Labs saat menangani masalah yang sangat berbeda tentang kekayaan intelektual dan manajemen hak di era AI generatif?

Banyak hal yang dapat diterapkan kembali. Ketika kami memulai Percent, kredit swasta terfragmentasi dan tidak transparan. Setiap kesepakatan dijelaskan secara berbeda, sehingga tidak ada yang dapat dibandingkan atau dipatok dengan keyakinan. Pelajaran pertama adalah bahwa standardisasi harus ada sebelum pasar terbentuk. Kami menghabiskan tahun‑tahunnya pada infrastruktur yang tidak glamor yang memungkinkan sebuah kesepakatan dijelaskan dan diverifikasi dengan cara yang sama setiap kali, dan transaksi yang efisien baru muncul setelah itu. Kekayaan intelektual di era AI generatif memiliki masalah yang sama. Tidak ada catatan standar tentang apa sebuah aset dan siapa pemiliknya, apalagi bagaimana model‑model ini menggunakannya. Sampai catatan tersebut ada, segala hal di hilir tetap bersifat ad hoc, baik itu penegakan maupun lisensi.

Pelajaran kedua adalah bahwa kepercayaan dibangun atas verifikasi. Investor dalam kredit swasta tidak pernah mempercayai kata‑kata penerbit tentang kinerja sebuah kesepakatan. Mereka menginginkan data yang dapat mereka periksa sendiri. Pemegang hak berada dalam posisi yang sama dengan perusahaan AI saat ini. Jaminan tentang batasan (guardrails) memiliki bobot yang sangat kecil. Bukti yang dapat direproduksi secara independenlah yang mengubah percakapan.

Pelajaran ketiga berkaitan dengan insentif. Pasar yang terfragmentasi dan bersifat “ayam dan telur” hanya berhasil ketika masing‑masing pihak yakin solusi menguntungkan mereka. Dengan Percent, kami menyaksikan upaya menyelesaikan masalah untuk satu sisi atau sisi lainnya, dan itu tidak pernah bertahan. Dalam manajemen IP dan hak, insentif saat ini sangat tidak selaras. Perusahaan model ingin tumbuh, menyediakan alat berharga bagi pelanggan mereka, dan kadang menciptakan konten yang melanggar hak sebagai taktik pemasaran, dengan Sora dan ByteDance sebagai contoh terbaru. Sementara itu, pemegang hak berusaha mengikuti perubahan yang bahkan belum dapat mereka antisipasi, sambil tetap relevan di era di mana produksi konten menjadi jauh lebih mudah. Infrastruktur yang menang di pasar seperti itu adalah yang dapat dipercaya oleh kedua belah pihak, yang biasanya berarti yang bukan merupakan peserta dalam transaksi itu sendiri.

Garis besar yang lebih luas juga familiar. Kredit swasta menjadi kelas aset utama setelah infrastruktur untuk mengukurnya ada, dan saya percaya IP berada di awal transisi yang sama.

Apa yang meyakinkan Anda bahwa melindungi karya kreatif dari AI generatif memerlukan lapisan infrastruktur teknis baru, bukan sekadar hukum hak cipta yang lebih baik, kebijakan moderasi konten, atau watermark?

Secara fundamental, model‑model tersebut adalah solusi teknologi sehingga jika Anda ingin melindungi kreativitas dari model‑model itu, solusi teknis diperlukan. Hukum hak cipta tetap samar, fakta yang terlihat dalam kasus seperti Cox, Anthropic, serta apa yang terjadi di Jerman dengan GEMA. Konsep penggunaan wajar (fair use) masih menjadi pertanyaan terbuka dan belum diputuskan, dan pengadilan, sebagaimana mestinya, akan memerlukan waktu lama untuk memutuskan. Moderasi konten bergantung pada model untuk memoderasi dirinya sendiri, yang menuntut banyak dari mereka dan hampir tidak mungkin mengingat apa yang telah kami amati. Watermarking adalah ide yang menjanjikan, tetapi juga bergantung pada orang yang mengawasi diri mereka sendiri dan dapat dengan mudah dihapus. Dengan semua itu, kami menyadari satu‑satunya cara nyata untuk mengatasinya adalah melakukannya sendiri dan memberikan jawaban dengan teknologi untuk masalah yang sangat nyata dan signifikan ini.

VN dirancang untuk mengukur seberapa dekat konten yang dihasilkan AI menyerupai karakter yang dilindungi, karya kreatif, dan kemiripan manusia. Pada tingkat teknis, bagaimana sistem menentukan kapan sebuah output beralih dari sekadar mirip menjadi sesuatu yang harus menjadi perhatian pemegang hak?

Pada akhirnya kami menyerahkan keputusan kepada pengguna. Peran kami adalah menentukan seberapa statistik kemiripan output, memastikan kami menangkap setiap pose dan kemungkinan, kemudian membandingkannya dengan karakter yang dilindungi, karya kreatif, atau kemiripan manusia. Beberapa pengguna memiliki ambang batas di bawahnya mereka tidak dapat mempublikasikan karya tersebut. Perusahaan besar cenderung lebih ketat karena semua konten yang dihasilkan harus menjadi milik mereka. Pengguna prosumer, yang bereksperimen untuk bersenang‑senang, mungkin menerima ambang batas yang lebih tinggi dan mengizinkan lebih banyak variasi.

Saat melakukan pengujian forensik untuk studio, agensi bakat, atau klien serupa, kami menyediakan analisis eksposur:

• Model mana yang menghasilkan konten paling akurat
• Model mana yang dapat menghasilkan konten tersebut sama sekali
• Model mana yang dapat menempatkannya dalam situasi bermasalah

Pada akhirnya, tugas kami adalah melakukan analisis dan menyediakan hasilnya, tetapi cara klien menggunakannya sepenuhnya keputusan mereka.

Pengujian Anda terhadap Seedance 2.5 menemukan perlindungan yang jauh lebih kuat di sekitar karakter yang dapat dikenali dibandingkan dengan properti intelektual yang kurang menonjol. Apa yang dapat disimpulkan dari perbedaan itu tentang cara perusahaan AI saat ini membangun perlindungan hak cipta mereka, dan mengapa IP ekor panjang khususnya sulit dilindungi?

Setiap perusahaan AI berbeda, dan masing‑masing memperhatikan isu ini dengan tingkat yang bervariasi. Ketika Seedance 2.0 dirilis awal tahun ini, ByteDance dengan cepat menyadari masalah yang mereka ciptakan bagi diri mereka sendiri akibat reaksi balik dan mulai meningkatkan perlindungannya. Beberapa model terkenal dan populer tampak acuh, baik karena pilihan atau kelalaian, namun menghormati kekayaan intelektual tidak akan pernah dianggap sebagai kesalahan; mereka hanya belum sampai pada kesimpulan yang sama.

Melindungi ekor panjang sulit karena cara kerja teknologi:

Pemeriksaan tingkat prompt: Memeriksa prompt input untuk konten yang melanggar, memungkinkan model memutuskan apakah akan melanjutkan. Sayangnya, bahkan saat memeriksa prompt, banyak cara untuk mengelak tetap ada. Mereka dapat merumuskan sedikit berbeda, dapat mendeskripsikan karakter tanpa menyebutkan namanya, atau menggunakan typo. Prompt dapat dengan mudah melewati detektor, dan model juga dapat berhalusinasi menghasilkan output yang berbeda dari prompt pengguna dan mungkin menyertakan karakter yang melanggar.

Pemeriksaan analisis output: Memindai setiap output terhadap basis data karakter yang dikenal. Karakter yang dapat dikenali memicu sensitivitas lebih tinggi, sementara karakter ekor panjang mungkin tidak terdeteksi karena tidak ada dalam basis data, sehingga penegakan yang komprehensif memang menantang.

Kecepatan juga penting. Untuk model generasi gambar, memeriksa satu gambar relatif cepat. Namun, generasi video memerlukan pemindaian banyak frame, yang dapat secara signifikan memperlambat output dan memengaruhi pengalaman pengguna.

Menyeimbangkan kekhawatiran ini bersifat halus, namun beberapa model telah berupaya menyelesaikannya. Pada akhirnya, hal itu tergantung pada apakah sebuah model bersedia dan tertarik untuk menghormati kekayaan intelektual.

Sebuah model dapat menolak permintaan langsung untuk menghasilkan karakter berhak cipta namun tetap mereproduksi karakter tersebut ketika diberikan deskripsi yang cukup detail. Bagaimana pengujian keamanan AI harus berkembang melampaui tingkat penolakan prompt sederhana untuk mengidentifikasi jenis reproduksi tidak langsung ini?

Ini adalah masalah yang jelas. Ketika sebuah model dapat mereproduksi karakter dari deskripsi yang detail atau bahkan sangat sederhana, itu menunjukkan bahwa karakter tersebut tertanam dalam data pelatihan secara mendalam. Hal itu menimbulkan pertanyaan terpisah tentang bagaimana data tersebut dikumpulkan, dan hal itu sedang dibawa ke pengadilan saat ini.

Pengujian keamanan harus melampaui pemeriksaan prompt dan berkembang menjadi analisis output sebenarnya. Model menghasilkan gambar melalui difusi, secara bertahap membangun visi hasil. Karena proses ini dan cara mereka dilatih, mereka dapat secara tidak sengaja mereproduksi karakter berhak cipta, baik di latar depan maupun latar belakang, dan kadang tanpa diminta. Satu‑satunya cara andal untuk menangkap hal ini adalah menguji model secara langsung dan mengukur apa yang sebenarnya dihasilkan.

Deteksi kemiripan secara tak terhindarkan menimbulkan pertanyaan tentang positif palsu. Bagaimana Anda membedakan antara pengaruh kreatif yang sah, kemiripan kebetulan, dan reproduksi yang secara statistik signifikan cukup untuk diteliti oleh studio atau pemegang hak?

Pekerjaan ini akan membutuhkan penyempurnaan terus‑menerus. Kemiripan visual paling akurat yang dapat dikenali manusia seketika harus menjadi titik awal, dan itulah yang dapat dilakukan dengan baik saat ini. Begitu Anda masuk ke kreasi sintetis atau pertanyaan tentang gaya, menjadi jauh lebih sulit untuk dibuktikan dan jauh lebih sulit untuk ditegakkan.

Ambil contoh Superman. Jika sebuah model menciptakan Superman generik dengan mata Christopher Reeve, dagu Henry Cavill, tulang pipi aktor lain, dan sebagainya, fitur‑fitur tersebut menghasilkan Superman yang sangat sulit untuk direkayasa balik dan dipetakan kembali ke asalnya.

Dua hal menjaga positif palsu tetap terkendali. Pertama, kami tidak pernah mengandalkan satu angka kemiripan secara terpisah. Hasil diukur standar sehingga kemiripan umum dapat dipisahkan dari reproduksi sebenarnya, dan setiap tes dapat direproduksi: input yang sama dalam kondisi yang sama menghasilkan angka yang sama. Kedua, analisis tersebut memetakan pada pertanyaan hukum yang sebenarnya harus dijawab oleh pemegang hak. Untuk karakter dan karya kreatif, pertanyaannya adalah kemiripan substansial. Untuk merek dan kemiripan, itu adalah kemungkinan kebingungan, artinya apakah penonton biasa akan disesatkan untuk mengira output tersebut adalah hal yang asli. Tugas kami adalah menempatkan angka yang dapat dipertahankan dan dapat diulang di balik pertanyaan‑pertanyaan itu. Apakah sesuatu mencapai tingkat penyelidikan selalu menjadi keputusan pemegang hak.

Model generatif berubah dengan cepat dan dapat berperilaku sangat berbeda setelah pembaruan. Bagaimana pemegang hak dapat terus mengevaluasi ratusan model dan mungkin ribuan aset yang dilindungi tanpa proses pemantauan menjadi terlalu mahal atau secara teknis tidak dapat dikelola?

Hal itu hampir tidak mungkin, itulah mengapa pemegang IP tertinggal dan hampir tidak dapat mengikuti model terbaru dari AS dan Asia.

Secara realistis, mereka membutuhkan seseorang di pihak mereka yang dapat mengikuti kecepatan dan memperjuangkan kepentingan mereka. Itulah mengapa kami memulai. Kami melihat bahwa studio‑studio ini membutuhkan perusahaan teknologi yang dapat menandingi kecepatan model generasi ini, dan tidak ada pihak lain yang bersedia melakukannya.

Separuh jawaban lainnya adalah pencatatan. Sebuah model dapat berperilaku sangat berbeda setelah pembaruan, sehingga skor yang tidak terikat pada titik waktu tertentu tidak berguna. Setiap hasil yang kami hasilkan mencatat model mana yang diuji, kapan diuji, aset yang dilindungi apa yang diuji, dan berapa nilai yang dihasilkan. Itu mengubah pemantauan dari masalah selalu‑hidup yang tidak mungkin menjadi masalah yang dapat dikelola: ketika model diperbarui, Anda menguji kembali dan membandingkan dengan catatan alih‑alih memulai dari awal.

Deteksi hanya menyelesaikan sebagian masalah. Setelah sebuah sistem mengidentifikasi bahwa model AI dapat mereproduksi karakter atau kemiripan yang dilindungi, apa yang seharusnya terjadi selanjutnya, dan mekanisme teknis apa yang pada akhirnya dapat memungkinkan pencipta menentukan apakah IP mereka dapat diblokir, dilisensikan, atau digunakan dengan kondisi tertentu?

Ada dimensi hukum dan teknis. Secara hukum, pemegang IP memutuskan langkah selanjutnya. Mereka dapat menggunakan bukti yang kami berikan sebagai dasar untuk gugatan, atau memanfaatkannya dalam negosiasi dengan pengembang model. Pilihan berada di tangan mereka.

Secara teknis, pemegang hak harus dapat memberi persetujuan, dan memilih, model‑model tertentu yang mungkin menghasilkan produk atau IP mereka. Mereka harus mengendalikan output, mencegah skenario bebas‑lepas. Daripada dipaksa ke dalam batasan yang ketat, mereka harus dapat memonetisasi setiap generasi dengan ketentuan yang telah ditetapkan. Ini mencerminkan praktik di industri lain, sehingga seharusnya berlaku di sini juga.

Apakah infrastruktur yang sama yang digunakan untuk mendeteksi penggunaan AI yang tidak sah pada akhirnya dapat memungkinkan pasar lisensi yang sah, di mana sistem AI dapat secara programatik menentukan siapa pemilik aset, izin apa yang tersedia, dan bagaimana kompensasi harus mengalir kembali ke pemegang hak?

Jika infrastruktur dapat menentukan apakah output yang dihasilkan AI menyerupai sebuah IP, maka infrastruktur tersebut juga seharusnya yang pada akhirnya menyelesaikan lisensi. Ia dapat mengidentifikasi IP dalam output yang dihasilkan, siapa pemegang haknya, apakah mereka harus diberi kredit, dan pada akhirnya mengalirkan kompensasi melalui sistem tersebut. Teknologinya pada dasarnya sama. Ini adalah mesin fidelitas yang menghasilkan bukti statistik yang dapat diverifikasi dan direproduksi. Jika sebuah output melewati ambang batas di mana penonton dapat secara wajar mengira itu adalah hal yang asli, pemegang hak berhak atas kompensasi.

Satu syaratnya adalah pihak yang menjalankan lapisan itu harus tetap netral. Ia tidak boleh menghasilkan konten sendiri, dan tidak boleh memihak dalam kesepakatan individu mana pun. Tugasnya adalah memberikan kedua belah pihak catatan terpercaya yang sama dan membiarkan mereka bertransaksi secara langsung. Netralitas inilah yang menjadi alasan mengapa pemegang hak bersedia mendaftarkan katalog mereka di dalamnya sejak awal.

Seiring video yang dihasilkan AI mendekati kualitas dan konsistensi yang dibutuhkan untuk produksi profesional, bagaimana menurut Anda hubungan antara perusahaan AI dan Hollywood pada akhirnya akan terlihat? Apakah Anda memperkirakan manajemen hak akan menjadi lapisan verifikasi eksternal di sekitar model, atau sesuatu yang pada akhirnya harus tertanam langsung ke dalam model itu sendiri?

Ini adalah dunia menarik yang kita masuki karena perusahaan AI telah membuat produksi konten jauh lebih murah daripada sebelumnya. Akibatnya, kita dapat mengharapkan proliferasi konten, ada yang baik, ada yang buruk, ada yang berselera, ada yang tidak. Hollywood secara tradisional melihat dirinya sebagai penentu selera, menciptakan karya yang dicintai orang dan membuat orang jatuh cinta. AI kini menawarkan alat paling kuat bagi para pendongeng.

Pada bagian kedua pertanyaan, saya rasa jawabannya jujur adalah keduanya, secara berurutan. Pemeriksaan penegakan kemungkinan akan dipindahkan ke dalam model seiring waktu, karena itulah tempat paling murah dan cepat untuk dijalankan. Namun lapisan referensi, yaitu catatan apa yang ada, siapa pemiliknya, dan dengan syarat apa dapat digunakan, harus tetap independen, begitu pula verifikasinya. Perusahaan model tidak dapat menilai outputnya sendiri, dan pemegang hak tidak akan menyerahkan katalog mereka kepada perusahaan yang bisnisnya menghasilkan turunan dari katalog tersebut. Ini mirip dengan pasar keuangan, di mana perusahaan menjalankan kepatuhan secara internal namun tetap harus menjawab kepada auditor eksternal.

Manajemen hak akan terwujud ketika Hollywood dan perusahaan AI bersatu untuk memutuskan cara mereka ingin hidup berdampingan. Pada akhirnya, tujuan mereka sama, yaitu menciptakan konten baru yang disukai orang. Hanya saja harus dilakukan dengan cara yang tepat.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut sebaiknya mengunjungi ARCOS Labs.