Ada ironi yang terlalu akurat untuk sekadar kebetulan: di saat yang sama Cloudflare mengumumkan kebijakan pay-per-crawl — memaksa perusahaan AI membayar penerbit untuk konten yang mereka ambil — Google diam-diam mengubah pengaturan privasi pengguna agar media dari interaksi Search, Google Lens, dan Gemini Live secara default ikut melatih model AI mereka. Dalam arsitektur sistem, ini disebut default allow rule: semua lalu lintas diizinkan sampai secara eksplisit diblokir. Kebalikan dari principle of least privilege yang menjadi fondasi keamanan informasi sejak era mainframe.
Arsitektur Default Allow dalam Tata Kelola Data
Dalam istilah infrastruktur, perbedaan antara opt-in dan opt-out bukanlah perbedaan etika — melainkan perbedaan default routing policy. Opt-in adalah default deny: tidak ada data yang mengalir ke training pipeline kecuali pengguna secara eksplisit mengirim sinyal. Opt-out adalah default allow: semua data secara default masuk ke pipeline, dan pengguna harus menemukan control panel yang terkubur dalam menu pengaturan untuk memotong aliran.
Google, melalui pembaruan Search Services History yang diumumkan via surel pelanggan pada Juni 2026, memindahkan default routing untuk media pengguna — gambar, file, audio, video dari interaksi Search — dari posisi yang sebelumnya tidak digunakan menjadi default allow. TechCrunch melaporkan pada 6 Juli 2026 bahwa perubahan ini memungkinkan Google menyimpan “images, files, and audio and video recordings” untuk meningkatkan model AI mereka. Pengguna secara efektif di-enroll ke dalam program pelatihan AI tanpa explicit consent — bukan dengan membohongi, melainkan dengan mengubah default.
Computerworld mendokumentasikan bahwa pengaturan ini bisa dimatikan dalam waktu sekitar dua puluh detik — selama pengguna tahu di mana mencarinya. Dark pattern klasik: semakin tinggi friction untuk opt-out, semakin rendah opt-out rate. Dalam arsitektur sistem, ini disebut asymmetric cost of action: biaya untuk tidak setuju selalu lebih tinggi daripada biaya untuk setuju, karena ketidaksetujuan memerlukan navigasi, pengetahuan prior, dan eksekusi manual.
Signal-to-Noise Ratio dalam Mekanisme Persetujuan
Pertanyaan yang lebih struktural: mengapa default begitu penting? Dalam riset ekonomi perilaku, default bias telah terdokumentasi dengan baik — tingkat partisipasi program donor organ di negara dengan opt-in (sekitar 15%) versus opt-out (di atas 90%) adalah contoh klasik yang dikutip Johnson dan Goldstein di Science pada 2003. Mekanisme yang sama bekerja di infrastruktur data: ketika persetujuan adalah opt-in, rasio partisipasi rendah; ketika berubah menjadi opt-out, partisipasi melonjak.
Dalam arsitektur sistem, ini analog dengan default signal-to-noise ratio. Google memilih default allow bukan karena lebih adil atau lebih transparan — melainkan karena menghasilkan training data dalam volume yang secara matematis tidak mungkin dicapai dengan opt-in. Dari perspektif resource allocation, default allow adalah bentuk overprovisioning pasokan data: alih-alih membangun pipeline yang meyakinkan pengguna untuk opt-in, lebih mudah membalik default dan mengandalkan friction untuk menekan angka opt-out.
Google berargumen bahwa data yang digunakan telah melalui filter untuk menghapus informasi identitas pribadi, dan tidak akan dikaitkan dengan akun pengguna. Dalam istilah infrastruktur, ini mirip dengan data sanitization layer — sebuah middleware yang dalam klaim berfungsi memisahkan identitas dari konten. Masalahnya, trust in middleware adalah isu arsitektural yang sudah lama tidak terpecahkan: bagaimana pengguna memverifikasi bahwa sanitization layer bekerja seperti yang diklaim? Tidak ada audit log publik, tidak ada third-party verification. Dari perspektif lokalitas terbatas, semua ini terjadi di infrastructure yang sepenuhnya berada di bawah kendali Google — pengguna hanya bisa percaya atau opt-out.
Asymmetric Scaling: Biaya Keberatan dalam Ekonomi Perhatian
Dalam arsitektur sistem, asymmetric scaling adalah kondisi di mana satu sisi biaya tumbuh secara tidak proporsional terhadap sisi lain. Google memperkenalkan dua pengaturan baru — Search Services History dan Personalized Recommendations — dan pemisahan ini membuat surface area pengaturan lebih luas. Pengguna yang ingin opt-out dari pelatihan AI harus: (a) mengetahui bahwa perubahan ini terjadi, (b) menemukan halaman Activity Controls, (c) memahami bahwa Search Services History terpisah dari Web & App Activity, dan (d) mematikan save media di dalamnya.
Computerworld mencatat bahwa sebagian besar pengguna bahkan belum melihat bagian Search Services History muncul di akun mereka pada saat artikel ditulis. Artinya, window of opportunity untuk opt-out sebelum data mulai dikumpulkan bersifat race condition: siapa yang lebih dulu — pengguna menemukan pengaturan, atau sistem mulai menyimpan media?
Dari perspektif cost of inference, Google memindahkan beban inference — beban untuk menentukan apakah data boleh digunakan — dari dirinya sendiri ke pengguna. Dalam model opt-in, Google yang harus membangun mekanisme consent acquisition. Dalam model opt-out, pengguna yang harus membangun defense mechanism. Ini adalah middleware yang dipasang di sisi klien, bukan di sisi server — dan itu membuatnya inheren lebih lemah karena tidak semua klien akan menjalankannya.
Pipeline Training dan Ketidakseimbangan Daya Tawar
Jika kita membaca perubahan ini dalam kerangka pipeline architecture, polanya menjadi lebih jelas. Data pengguna adalah input; model AI adalah output; dan pipeline yang menghubungkan keduanya adalah serangkaian transformasi — dari raw media, ke training set, ke fine-tuned model, ke inference endpoint. Google mengontrol semua stage dalam pipeline ini. Pengguna hanya memiliki akses ke input stage — dan itupun dengan default allow yang mengirim data secara otomatis.
Dalam istilah infrastruktur, ini adalah vertical integration penuh: satu entitas mengontrol data source, processing pipeline, dan inference endpoint. Tidak ada separation of concerns. Tidak ada middleware independen yang memverifikasi bahwa data benar-benar dihapus setelah pelatihan, atau bahwa filter identitas bekerja sesuai spesifikasi.
Persoalan ini menjadi lebih rumit di Indonesia, di mana Undang-Undang Perlindungan Data Pribadi (UU PDP) sudah disahkan tetapi implementasi teknisnya — termasuk mekanisme opt-in yang enforceable untuk training data — masih berada dalam tahap pipeline yang belum sepenuhnya terhubung. Dari lokalitas terbatas, pengguna Indonesia menghadapi asymmetric cost yang lebih tinggi: tidak hanya harus melawan default allow Google, tetapi juga harus menunggu infrastruktur regulasi yang mampu menegakkan default yang berbeda.
Overprovisioning Persetujuan sebagai Strategi Koleksi Data
Klaim bahwa “data ini untuk meningkatkan layanan” mengandung ambiguity arsitektural yang serius. Dalam sistem software, peningkatan layanan bisa berarti apa saja — dari personalisasi rekomendasi hingga pelatihan model baru yang tidak memiliki hubungan langsung dengan layanan yang digunakan pengguna. Google secara eksplisit menyatakan bahwa media yang disimpan digunakan untuk “develop and improve Google services and technologies, including AI models and safety measures.” Scope yang begitu luas membuat consent menjadi hampir tidak berarti — seperti memberikan akses root dengan janji bahwa pengguna hanya akan menjalankan perintah yang “aman.”
Di sinilah letak overprovisioning persetujuan: pengguna tidak memberikan izin untuk satu use case spesifik, melainkan memberikan izin kategoris untuk semua use case yang mungkin muncul di masa depan. Dalam arsitektur infrastruktur, ini jarang diterima — Anda tidak membangun API endpoint yang memberikan akses ke semua data tanpa rate limiting dan scope restriction. Tapi dalam tata kelola data konsumen, praktik ini justru menjadi default.
Logika Infrastruktur di Balik Karpet
Apa yang dilakukan Google bukanlah pelanggaran — setidaknya secara harfiah. Terms of service diperbarui, surel dikirim, control panel disediakan. Semua persyaratan formal untuk legitimate data collection terpenuhi. Yang berubah bukanlah legalitas, melainkan default. Dan perubahan default, dalam arsitektur sistem, memiliki efek yang jauh lebih besar daripada perubahan policy yang diumumkan dengan bendera merah.
Fenomena ini tidak unik pada Google. Meta, Microsoft, dan hampir semua perusahaan infrastruktur AI besar telah bergerak ke arah yang sama: default allow untuk training data, dengan opt-out yang tersedia tetapi tersembunyi. Yang membuat kasus Google menarik adalah timing: di minggu yang sama Cloudflare meluncurkan pay-per-crawl untuk memaksa AI membayar konten publik, Google secara diam-diam mengambil lebih banyak data pribadi dengan mekanisme persetujuan yang bisa diperdebatkan.
Log berakhir di sini. Default tidak pernah netral — ia adalah architectural decision yang menentukan distribusi biaya dan manfaat antara sistem dan pengguna. Dan dalam arsitektur ekstraksi data modern, default sedang dipetakan ulang tanpa banyak orang menyadari bahwa peta telah berubah.