Analisis Mendalam Nesa: Mengapa AI yang Anda gunakan sehari-hari membutuhkan perlindungan privasi?

本 laporan ini disusun oleh Tiger Research. Kebanyakan orang menggunakan AI setiap hari, tetapi tidak pernah memikirkan ke mana data mengalir. Pertanyaan yang diajukan oleh Nesa adalah: apa yang akan terjadi ketika kita mulai menghadapi kenyataan ini?

Poin Inti

• AI telah menyatu dalam kehidupan sehari-hari, tetapi pengguna sering mengabaikan bagaimana data ditransfer melalui server pusat
• Bahkan pejabat sementara CISA di AS secara tidak sadar membocorkan dokumen rahasia ke ChatGPT
• Nesa merekonstruksi proses ini melalui konversi data sebelum transmisi (EE) dan pembagian lintas node (HSS-EE), memastikan tidak ada pihak tunggal yang dapat melihat data asli
• Sertifikasi akademik (COLM 2025) dan penerapan perusahaan (P&G) memberikan Nesa keunggulan awal
• Apakah pasar yang lebih luas akan memilih AI privasi terdesentralisasi daripada API terpusat yang sudah biasa, ini tetap menjadi pertanyaan utama

1. Apakah data Anda aman?

Sumber: CISA

Januari 2026, Wakil Kepala Badan Keamanan Siber AS, Madhu Gottumukkala, mengunggah dokumen pemerintah yang sensitif ke ChatGPT, hanya untuk merangkum dan mengatur dokumen kontrak terkait.

Kebocoran ini tidak terdeteksi oleh ChatGPT, dan OpenAI juga tidak melaporkannya ke pemerintah. Sebaliknya, terdeteksi oleh sistem keamanan internal lembaga tersebut dan memicu penyelidikan karena pelanggaran protokol keamanan.

Bahkan pejabat keamanan siber tertinggi di AS pun menggunakan AI setiap hari, dan tanpa sengaja mengunggah materi rahasia.

Kita semua tahu bahwa sebagian besar layanan AI menyimpan input pengguna dalam server pusat secara terenkripsi. Tetapi enkripsi ini secara desain dapat dibalik. Dalam keadaan berwenang secara hukum atau darurat, data dapat didekripsi dan diungkapkan, sementara pengguna tidak tahu apa yang terjadi di belakang layar.

2. AI Privasi untuk Penggunaan Sehari-hari: Nesa

AI telah menjadi bagian dari kehidupan sehari-hari—merangkum artikel, menulis kode, menyusun email. Yang benar-benar perlu dikhawatirkan adalah, seperti kasus sebelumnya, bahkan dokumen rahasia dan data pribadi pun diserahkan ke AI tanpa banyak kesadaran risiko dari pengguna.

Masalah utamanya adalah: semua data ini harus melalui server pusat penyedia layanan. Bahkan jika dienkripsi, kunci dekripsi berada di tangan penyedia layanan. Mengapa pengguna harus mempercayai pengaturan ini?

Data yang dimasukkan pengguna bisa terekspos ke pihak ketiga melalui berbagai jalur: pelatihan model, pemeriksaan keamanan, permintaan hukum. Dalam versi perusahaan, administrator organisasi dapat mengakses riwayat obrolan; dalam versi pribadi, data juga bisa diserahkan secara sah.

Karena AI sudah menyatu dalam kehidupan sehari-hari, saatnya untuk secara serius meninjau masalah privasi.

Nesa adalah proyek yang dirancang untuk mengubah struktur ini secara menyeluruh. Ia membangun infrastruktur terdesentralisasi yang memungkinkan inferensi AI tanpa harus mempercayakan data ke server pusat. Input pengguna diproses dalam keadaan terenkripsi, sehingga node tunggal tidak dapat melihat data asli.

3. Bagaimana Nesa menyelesaikan masalah ini

Bayangkan sebuah rumah sakit menggunakan Nesa. Dokter ingin AI menganalisis MRI pasien untuk mendeteksi tumor. Dalam layanan AI konvensional, gambar akan langsung dikirim ke server OpenAI atau Google.

Namun, dengan Nesa, gambar telah selesai dikonversi secara matematis sebelum meninggalkan komputer dokter.

Sebagai ilustrasi sederhana: misalnya masalah asli adalah “3 + 5 = ?”. Jika dikirim langsung, penerima tahu persis apa yang dihitung.

Tapi jika sebelum dikirim, setiap angka dikalikan dua, maka yang dilihat penerima adalah “6 + 10 = ?” dan mereka mengembalikan 16. Anda kemudian membagi dua hasilnya, mendapatkan 8—yang sama persis dengan jawaban dari perhitungan langsung. Pihak penerima menyelesaikan perhitungan tanpa pernah tahu angka asli Anda, yaitu 3 dan 5.

Ini adalah fitur yang dihadirkan oleh enkripsi invariansi (EE) dari Nesa. Data sebelum dikirim mengalami konversi matematis, dan model AI melakukan perhitungan terhadap data yang sudah dikonversi.

Pengguna kemudian menerapkan konversi balik, dan hasilnya sama persis seperti jika menggunakan data asli. Dalam matematika, fitur ini disebut invariansi: baik konversi dulu lalu hitung, maupun hitung dulu lalu konversi, hasil akhirnya tetap sama.

Dalam praktiknya, konversi ini jauh lebih kompleks daripada sekadar perkalian—dirancang khusus sesuai struktur internal model AI. Karena konversi ini selaras sempurna dengan proses internal model, akurasi tetap terjaga.

Kembali ke skenario rumah sakit. Bagi dokter, seluruh proses tetap sama—unggah gambar, terima hasil. Yang berubah adalah: node di tengah jalur tidak dapat melihat MRI asli pasien.

Nesa bahkan lebih jauh lagi. Dengan EE saja, node tidak dapat melihat data asli. Tapi data yang sudah dikonversi tetap tersimpan lengkap di satu server.

HSS-EE (Homomorphic Secret Sharing pada data terenkripsi) membagi data yang sudah dikonversi menjadi beberapa bagian.

Lanjutkan ilustrasi sebelumnya. EE seperti menerapkan aturan perkalian sebelum mengirim soal; HSS-EE seperti memotong soal yang sudah dikonversi menjadi dua bagian—bagian pertama dikirim ke node A, bagian kedua ke node B.

Setiap node hanya bisa menjawab bagiannya sendiri, tidak melihat soal lengkap. Hanya ketika kedua bagian digabungkan, jawaban lengkap bisa diperoleh—dan hanya pengirim asli yang bisa melakukan penggabungan ini.

Singkatnya: EE mengubah data sehingga isi asli tidak bisa dilihat; HSS-EE membagi data yang sudah dikonversi sehingga tidak pernah lengkap di satu tempat. Proteksi privasi ini memperkuat keamanan secara ganda.

4. Apakah perlindungan privasi akan memperlambat performa?

Perlindungan privasi yang lebih kuat biasanya berarti performa lebih lambat—ini adalah hukum tetap di bidang kriptografi. Enkripsi homomorfik penuh (FHE) misalnya, jauh lebih lambat 10.000 hingga 1.000.000 kali dibandingkan perhitungan biasa, sehingga tidak praktis untuk layanan AI real-time.

Nesa menggunakan enkripsi invariansi (EE) yang berbeda. Secara matematis: biaya sebelum dikirim dikali dua, dan setelah diterima dibagi dua, sangat kecil.

Berbeda dengan FHE yang mengubah seluruh masalah ke sistem matematika yang sama sekali berbeda, EE hanya menambahkan lapisan konversi ringan di atas dasar perhitungan yang ada.

Data benchmark:

• EE: Penambahan delay kurang dari 9% pada LLaMA-8B, akurasi tetap sama, lebih dari 99.99%
• HSS-EE: Pada LLaMA-2 7B, waktu inferensi sekitar 700–850 ms per proses

Selain itu, MetaInf— scheduler meta-pembelajaran—lebih mengoptimalkan efisiensi jaringan. Ia menilai ukuran model, spesifikasi GPU, dan fitur input, lalu otomatis memilih metode inferensi tercepat.

MetaInf mencapai tingkat akurasi pilihan 89.8%, dan kecepatan 1.55 kali lipat lebih cepat dari pemilih ML tradisional. Hasil ini dipresentasikan di COLM 2025 dan diakui oleh komunitas akademik.

Data di atas berasal dari lingkungan pengujian terkendali. Tapi yang lebih penting, infrastruktur inferensi Nesa sudah diterapkan di lingkungan perusahaan nyata, membuktikan performa produksi.

5. Siapa yang menggunakannya? Bagaimana caranya?

Ada tiga cara mengakses Nesa.

Pertama adalah Playground. Pengguna bisa langsung memilih dan menguji model melalui web tanpa perlu latar belakang pengembangan. Anda bisa merasakan langsung proses lengkap memasukkan data dan melihat output berbagai model.

Ini adalah cara tercepat memahami bagaimana inferensi AI terdesentralisasi bekerja secara nyata.

Kedua adalah langganan Pro. Biaya $8 per bulan, termasuk akses tak terbatas, 1.000 poin inferensi cepat per bulan, kontrol harga model kustom, dan halaman fitur model.

Paket ini dirancang untuk pengembang individu atau tim kecil yang ingin meng-deploy dan monetisasi model mereka sendiri.

Ketiga adalah Enterprise. Bukan harga tetap terbuka, melainkan kontrak kustom. Mendukung SSO/SAML, pilihan lokasi penyimpanan data, audit log, kontrol akses granular, dan penagihan tahunan.

Harga mulai dari $20 per pengguna per bulan, tetapi syarat dan ketentuan disesuaikan skala. Dirancang untuk organisasi yang ingin mengintegrasikan Nesa ke dalam proses AI internal mereka, menyediakan API dan manajemen organisasi melalui perjanjian terpisah.

Ringkasnya: Playground untuk eksplorasi dan pengalaman, Pro untuk pengembang individu/tim kecil, Enterprise untuk deployment organisasi.

6. Mengapa token diperlukan?

Jaringan terdesentralisasi tidak memiliki pengelola pusat. Server dan verifikasi hasil dijalankan oleh entitas yang tersebar di seluruh dunia. Ini menimbulkan pertanyaan: mengapa orang mau menjalankan GPU mereka terus-menerus untuk memproses inferensi AI orang lain?

Jawabannya adalah insentif ekonomi. Dalam jaringan Nesa, insentif ini adalah token $NES.

Sumber: Nesa

Sistemnya sangat langsung. Ketika pengguna memulai permintaan inferensi AI, mereka harus membayar biaya. Nesa menyebutnya PayForQuery, terdiri dari biaya tetap per transaksi dan biaya variabel sebanding volume data.

Semakin tinggi biayanya, prioritas pemrosesan semakin tinggi—mirip prinsip gas fee di blockchain.

Biaya ini diterima oleh penambang (miner). Untuk bergabung ke jaringan, mereka harus menaruh jaminan sejumlah $NES—sebelum mendapatkan tugas, mereka harus mengamankan token mereka.

Jika penambang mengirim hasil salah atau tidak merespons, jaminan akan dipotong sebagai penalti; jika mereka bekerja dengan benar dan cepat, mereka mendapatkan reward lebih tinggi.

$NES juga berfungsi sebagai alat governance. Pemegang token dapat mengajukan proposal, voting terhadap parameter utama seperti struktur biaya dan reward.

Singkatnya, $NES memiliki tiga fungsi: sebagai alat pembayaran inferensi, jaminan dan reward bagi penambang, serta sebagai alat partisipasi dalam pengelolaan jaringan. Tanpa token, node tidak akan berjalan; tanpa node, AI privasi tidak akan terwujud.

Perlu dicatat, bahwa mekanisme ekonomi token bergantung pada kondisi tertentu:

• Permintaan inferensi harus cukup tinggi agar reward menarik; jika tidak, insentif hilang
• Jika reward tidak menarik, penambang akan keluar; jika cukup, jaringan tetap sehat
• Jumlah penambang yang cukup penting untuk menjaga kualitas jaringan

Ini adalah siklus positif: permintaan mendorong pasokan, pasokan menjaga permintaan. Tapi memulai siklus ini adalah tantangan terbesar.

Pelanggan perusahaan seperti P&G sudah menggunakan jaringan ini di lingkungan produksi—ini sinyal positif. Tapi, seberapa lama keseimbangan nilai token dan reward mining bisa dipertahankan, masih harus diamati.

7. Pentingnya AI Privasi

Nesa berusaha menyelesaikan masalah yang sangat jelas: mengubah struktur di mana data pengguna terpapar ke pihak ketiga saat menggunakan AI.

Dasar teknologinya kokoh dan terpercaya. Teknologi enkripsi inti—enkripsi invariansi (EE) dan HSS-EE—berasal dari riset akademik. Scheduler inferensi MetaInf sudah dipresentasikan di COLM 2025 dan diakui komunitas.

Ini bukan sekadar mengutip makalah. Tim riset merancang protokolnya sendiri dan mengimplementasikannya ke dalam jaringan.

Dalam proyek AI terdesentralisasi, sangat jarang ada yang mampu memverifikasi secara akademik enkripsi yang mereka gunakan dan mengimplementasikannya ke infrastruktur nyata. Perusahaan besar seperti P&G sudah menjalankan inferensi di atas infrastruktur ini—ini sinyal kuat untuk proyek awal.

Namun, tentu ada batasannya:

• Cakupan pasar: Utamanya untuk klien institusional; pengguna umum belum siap membayar untuk privasi
• Pengalaman produk: Playground lebih mirip antarmuka Web3/investasi daripada aplikasi AI sehari-hari
• Verifikasi skala: Pengujian terkendali berbeda dengan ribuan node secara nyata
• Waktu pasar: Permintaan AI privasi nyata, tapi kebutuhan AI privasi terdesentralisasi belum terbukti; perusahaan masih terbiasa API terpusat

Sebagian besar perusahaan masih nyaman menggunakan API terpusat, dan infrastruktur berbasis blockchain masih memiliki hambatan.

Kita hidup di era di mana bahkan pejabat keamanan siber AS mengunggah dokumen rahasia ke AI. Permintaan akan AI privasi sudah ada dan akan terus meningkat.

Nesa memiliki teknologi yang terverifikasi secara akademik dan infrastruktur nyata untuk memenuhi kebutuhan ini. Meski ada keterbatasan, posisinya sudah unggul dari proyek lain.

Ketika pasar AI privasi benar-benar terbuka, Nesa pasti akan menjadi salah satu nama yang paling sering disebut.