GoTo 오픈소스 AI 모델, 모델 규모보다 인도네시아 언어에 우선순위

GoTo는 인도네시아어와 4개 지역 언어를 위한 270억 매개변수 모델을 공개하며, 현지 AI 전략을 더 작고 배포하기 쉬운 시스템으로 전환했다. GoTo 오픈소스 AI 모델은 Bahasa Indonesia, Javanese, Sundanese, Balinese, Batak Toba를 대상으로 한다.

이 언어 범위는 또 한 번의 추상적인 모델 규모 확대보다 더 중요하다. 글로벌 시스템은 인도네시아어로 소통할 수 있지만, 현지 언어에 능통하려면 문화적 참조, 지역 어휘, 화법 수준, 비격식적 표현도 필요하다. GoTo는 집중 학습이 단순한 규모 확대보다 이러한 공백을 더 효과적으로 해소할 수 있다고 보고 있다.

이번 공개는 까다로운 비교 구도도 만든다. GoTo는 더 큰 연구 예산을 보유한 글로벌 모델은 물론 AI Singapore의 SEA-LION, Yellow.ai의 Komodo 같은 지역 프로젝트와도 경쟁해야 한다. 이들의 강점은 현지 데이터가 개발자가 독립적으로 검증할 수 있는 측정 가능한 성능 향상으로 이어지는지에 달려 있다.

GoTo가 공개한 것과 이용 대상

GoTo는 조직이 자체 인프라에서 조정, 평가, 운영할 수 있는 다운로드 가능한 언어 모델을 공개했다.

회사는 2026년 10월 19일 Bali Tech Week에서 이 모델을 발표했다. 공식 발표에 따르면, 이 시스템은 270억 개의 매개변수를 포함하며 2024년에 시작된 작업을 기반으로 한다.

매개변수는 학습 과정에서 습득되는 수치값으로, 모델이 텍스트를 예측하고 생성하는 데 도움을 준다. 매개변수 수가 많으면 더 높은 역량을 지원할 수 있지만, 더 나은 답변이나 더 강한 현지 언어 성능을 보장하지는 않는다.

GoTo는 대학, 스타트업, 기업, 연구자, 공공기관이 이 모델을 사용하고 조정할 수 있다고 밝혔다. 이러한 이용 가능성은 인도네시아 조직이 기반 시스템을 처음부터 학습하지 않고도 출발점을 확보할 수 있게 한다.

이 모델은 Google의 Gemma 3 아키텍처를 사용하며, 인도네시아 문화와 언어에 맞춘 지속 사전학습과 지시 조정을 거쳤다. 지속 사전학습은 개발자가 응답 행동을 다듬기 전에 기존 기반 모델에 추가적인 표적 자료를 노출하는 과정이다.

GoTo의 모델 카드는 5개 인도네시아 언어와 함께 영어를 나열한다. 또한 한 번의 상호작용에서 모델이 고려할 수 있는 텍스트 양을 뜻하는 128,000토큰 컨텍스트 윈도우를 명시한다.

회사는 학습 자료에 미디어 파트너의 인도네시아어 텍스트, 공공 부문 웹사이트, 지역 언어 자료 컬렉션이 포함됐다고 밝혔다. GoTo에 따르면 Universitas Sumatera Utara는 현대 Batak 데이터 수집을 지원했다.

이러한 데이터 출처는 인도네시아 언어 AI가 직면한 실질적인 문제를 보여준다. 가장 유용한 지역 언어 자료가 항상 크고 정제된 공개 데이터세트로 제공되는 것은 아니다. 이를 수집하려면 각 언어가 실제로 사용되는 방식을 이해하는 기관, 원어민, 편집 파트너가 필요하다.

GoTo는 데이터 준비, 학습, 테스트, 음성 수집, Batak 언어 데이터 수집에 7개 대학의 인턴도 참여시켰다. 이는 이 프로젝트를 모델 공개이자 현지 기술 역량 강화 프로그램으로 만든다.

다만 조직은 다운로드 가능한 가중치와 손쉬운 배포를 구분해야 한다. 모델이 공개적으로 이용 가능하더라도 상당한 컴퓨팅, 평가, 안전성 작업이 필요할 수 있다.

모델 카드는 시스템을 BF16 또는 FP16 정밀도로 로드할 때 약 54~60기가바이트의 비디오 메모리를 권장한다. 제안된 구성에는 80기가바이트 Nvidia A100 1개, L40S 카드 2개 또는 RTX 4090 카드 3개가 포함된다.

이러한 요구 사항은 약 140기가바이트의 비디오 메모리를 명시했던 GoTo의 이전 700억 매개변수 Sahabat-AI 공개보다 가볍다. 그러나 여전히 일반적인 사무용 컴퓨터의 범위를 벗어난다.

따라서 즉각적인 변화는 구체적이다. GoTo는 까다로운 언어 작업에 충분한 역량을 유지하면서 인도네시아 모델 전략의 인프라 진입 장벽을 낮췄다.

이 균형은 프로젝트에 더 명확한 배포 논리를 제공한다. 아직 이 모델이 더 큰 호스팅형 대안보다 더 뛰어난 성능을 보인다는 점을 입증하지는 못했다.

인도네시아 언어 AI에 현지 데이터가 필요한 이유

GoTo 오픈소스 AI 모델의 가장 강력한 근거는 디지털 주권만이 아니라 글로벌 시스템이 활용할 수 있는 언어 증거가 불균등하다는 데 있다.

Bahasa Indonesia는 많은 지역 언어와 비교하면 온라인에서 널리 활용된다. 하지만 인도네시아에는 수백 개의 현지 언어가 있으며, 각 언어는 디지털화된 텍스트, 교육 자료, 주석이 달린 학습 데이터의 양이 서로 다르다.

GoTo의 이전 Sahabat-AI 문서는 전국에 700개 이상의 현지 언어가 존재한다고 언급했다. 책임 있는 사용 가이드 역시 기존 대규모 언어 모델이 지역 언어를 충분히 지원하지 못한다고 설명했다.

글로벌 모델은 다국어를 지원하는 것처럼 보일 수 있지만, 격식 있는 인도네시아어 밖에서는 일관되지 않은 성능을 보일 수 있다. 일상적인 문장을 번역할 수는 있어도 문화적 참조, 속어, 존칭 선택, 언어 간 코드 스위칭에는 어려움을 겪을 수 있다.

Javanese는 이러한 어려움을 잘 보여준다. 화자는 사회적 관계와 맥락에 따라 서로 다른 화법 수준을 선택한다. 문법적으로 그럴듯한 응답도 상대에게 맞지 않는 격식을 사용하면 부적절하게 느껴질 수 있다.

Batak Toba는 또 다른 데이터 문제를 드러낸다. 규모가 작은 온라인 코퍼스는 일반 모델이 사전학습 중 최신 어휘와 자연스럽게 발생하는 대화를 접할 기회를 줄인다.

현지 언어 모델은 표적 데이터와 평가를 통해 이 불균형을 바로잡으려 한다. 목표는 단순히 챗봇이 다른 언어로 답하게 만드는 것이 아니다. 시스템이 의미, 맥락, 현지 관습을 인식하는 방식을 개선하는 데 있다.

GoTo는 새 모델이 지역 데이터와 원어민 참여를 포함한 학습 과정을 거쳤기 때문에 5개 인도네시아 언어를 지원한다고 밝혔다. 이제 이 주장은 시연과 선별된 프롬프트뿐 아니라 실제 작업 전반에서 검증될 필요가 있다.

활용 가능성은 소비자용 채팅을 훨씬 넘어선다. 공공기관은 문서 검색, 시민 서비스 인터페이스, 번역 또는 현지 자료 기반 질의응답에 이 모델을 조정할 수 있다.

대학은 언어 보존을 연구하거나 지역 공동체를 위한 교육 도구를 구축할 수 있다. 기업은 고객 지원, 콘텐츠 분류, 판매자 지원, 내부 문서 처리에 맞춰 모델을 조정할 수 있다.

개발자는 산업별 용어에 맞춰 추가 미세 조정도 할 수 있다. 은행, 병원 또는 지방 정부 기관은 일반 웹 코퍼스에 거의 등장하지 않는 어휘가 필요할 수 있다.

조직이 통제하는 인프라에서 모델을 실행하면 일부 데이터 거버넌스 결정도 단순해질 수 있다. 민감한 문서가 제3자 소비자 챗봇으로 자동 전송될 필요는 없다.

이 이점에는 조건이 따른다. 자체 호스팅은 접근 제어, 보존, 모니터링, 보안에 대한 책임을 모델 운영 조직으로 이전한다.

현지 데이터 역시 자체적인 위험을 초래할 수 있다. 미디어, 정부 또는 공동체 출처에서 수집한 데이터세트에는 오래된 언어, 불균등한 지역 대표성, 저작권 보호 자료 또는 사회적 편향이 포함될 수 있다.

GoTo는 여러 인도네시아 대학과 미디어 조직을 협력 기관으로 소개한다. 모델 카드는 University of Indonesia, Gadjah Mada University, IPB University, Bandung Institute of Technology 및 두 곳의 다른 대학을 언급한다.

또한 기여한 미디어 그룹으로 Kompas Gramedia, Republika, Tempo, Hukumonline을 언급한다. 잘 알려진 파트너의 참여는 유용한 맥락을 더하지만, 데이터세트 구성에 대한 상세한 문서화를 대체하지는 못한다.

인도네시아 언어 AI에서는 데이터 양만큼 출처 이력도 중요하다. 개발자는 데이터가 어떤 지역, 공동체, 화법 수준, 기간을 대표하는지 이해해야 한다.

주로 격식 있는 뉴스 텍스트로 학습된 모델은 요약에서는 좋은 성능을 보이면서도 일상 대화를 놓칠 수 있다. 도시 속어가 풍부한 시스템도 농촌 어휘나 문화적으로 특수한 표현을 잘못 처리할 수 있다.

GoTo의 지역 중심 전략은 범용 AI의 실제 약점을 직접 겨냥한다. 남은 질문은 이 개선이 지원되는 모든 언어에 얼마나 고르게 확장되는지다.

GoTo 오픈소스 AI 모델은 규모가 아닌 집중도로 경쟁한다

GoTo는 더 큰 범용 시스템에 맞서 집중된 현지 모델을 선택하며, 특화성을 핵심 경쟁 논리로 내세우고 있다.

주요 경쟁 상대는 글로벌 모델 경로다. 이 접근법에서 조직은 광범위한 기능, 관리형 인프라, 빈번한 업그레이드를 제공하기 때문에 대형 상용 시스템에 의존한다.

이러한 서비스는 배포 작업을 줄이는 경우가 많다. 개발자는 애플리케이션 프로그래밍 인터페이스를 통해 연결하고 자체 GPU, 추론 서버, 모델 버전을 유지할 필요가 없다.

GoTo의 방식은 다른 교환 조건을 제시한다. 조직은 배포와 조정에 대한 통제력을 더 얻지만, 운영, 테스트, 안전성에 대한 더 큰 책임을 수용해야 한다.

270억 매개변수 규모는 GoTo의 이전 700억 매개변수 모델보다 이러한 교환을 더 현실적으로 만든다. 메모리 요구량은 크게 낮아졌지만 여전히 상당하다.

모델의 Gemma 기반은 현지 모델 개발이 모든 계층을 처음부터 구축할 필요는 없다는 점도 보여준다. GoTo는 지속 사전학습, 현지 데이터세트, 지시 조정을 통해 기존 아키텍처를 조정하고 있다.

이 방식은 GoTo가 해결하려는 언어적 격차에 제한된 컴퓨팅 자원을 집중할 수 있게 한다. 동시에 결과 시스템은 기반 모델의 기술적 특성과 라이선스 조건을 물려받는다.

모델은 Gemma 라이선스에 따라 제공된다. “오픈소스”가 AI 산업 전반에서 서로 다른 수준의 접근성을 뜻할 수 있기 때문에 이 구분은 중요하다.

일부 프로젝트는 모델 가중치는 공개하지만 완전한 학습 데이터, 전처리 파이프라인, 또는 학습을 재현하는 데 필요한 모든 구성 요소를 공개하지 않는다. 다른 프로젝트는 코드, 데이터세트, 문서를 포함한 더 광범위한 패키지를 제공한다.

GoTo는 모델 가중치에 접근할 수 있도록 하고 외부 기여를 유도했다. 공개 자료는 모든 학습 입력과 결정에 대한 완전하고 재현 가능한 설명을 제공하지는 않는다.

그렇다고 모델의 실용적 유용성이 사라지는 것은 아니다. 다만 구매자와 개발자는 개방성을 단일한 이분법적 속성으로 보기 전에 정확한 라이선스와 공개 수준을 살펴야 한다는 의미다.

지역 경쟁은 또 다른 시험대가 된다. 2024년에 발표된 Komodo 연구는 인도네시아어, 영어, 11개 지역 언어를 지원하는 70억 매개변수 모델을 설명했다.

Komodo 연구진은 Llama 2 기반 모델에 없던 단어로 모델 어휘를 확장했다. 이들은 인도네시아어와 지역 언어의 토큰화가 개선됐다고 보고했으며, 이는 모델이 현지 단어를 표현하기 위해 사용하는 조각 수를 줄일 수 있다.

AI Singapore의 SEA-LION 프로그램은 더 폭넓은 동남아시아 전략을 따른다. 이 프로그램은 주요 글로벌 데이터세트에서 관심을 덜 받는 언어를 위한 언어 모델과 평가 도구를 개발한다.

GoTo는 이미 새 모델의 개발자로 명시된 AI Singapore와 관계를 맺고 있다. 이러한 관계는 경쟁 구도를 단순한 기업 대 기업 대결이 아니라 협력적인 환경으로 만든다.

더 큰 경쟁은 어떤 기술 경로가 신뢰할 수 있는 지역 성능을 제공할 수 있는지를 둘러싼다. 한 경로는 글로벌 모델을 확장하고 다국어 기능을 추가한다. 다른 경로는 더 작은 시스템을 현지 데이터와 배포 요구에 집중시킨다.

GoTo의 사업적 위치는 한 가지 유용한 자산을 제공한다. 바로 실제 인도네시아 제품 환경에 대한 접근성이다. 이 회사의 광범위한 사업은 모빌리티, 배송, 결제, 가맹점 서비스, 기술 제품에 걸쳐 있다.

이러한 환경은 공식 벤치마크가 실제 언어 사용을 포착하지 못하는 지점을 드러낼 수 있다. 운전자 메시지, 가맹점 요청, 고객 지원 대화, 지역별 표현은 영어 중심의 테스트가 놓치는 문제를 보여줄 수 있다.

그러나 사용 사례에 접근할 수 있다고 해서 모든 상호작용 데이터를 학습에 사용할 권한이 생기는 것은 아니다. 제품 데이터 활용을 확대하려면 개인정보 보호, 동의, 보존, 거버넌스에 대한 명확한 통제가 필요하다.

회사는 270억 파라미터 규모의 로컬 모델이 일반 추론 작업 전반에서 호스팅된 글로벌 서비스를 대체할 것이라고 입증하지 않았다. 그것은 성공을 평가하는 데 가장 신뢰할 만한 기준도 아니다.

더 실용적인 시험은 인도네시아 워크플로에서 운영할 만한 수준의 성능을 보이는지 여부다. 측정 가능한 지역적 이점이 추가 배포 부담을 넘어설 때 집중화의 가치는 커진다.

벤치마크, 하드웨어, 안전성은 여전히 까다로운 시험대다

이번 공개는 신뢰할 만한 기술적 출발점을 제공하지만, 폭넓은 성능 결론을 내리기에는 독립적 근거가 여전히 너무 제한적이다.

GoTo는 IndoMMLU, SEA-HELM, SEA-IFEval, SEA-MTBench로 모델을 평가했다고 밝혔다. 이들 테스트는 인도네시아 지식, 동남아시아 언어 작업, 지시 이행, 다중 턴 대화를 함께 다룬다.

IndoMMLU는 인도네시아 교육 과목과 현지 문화 자료 전반의 지식을 평가한다. 원래의 벤치마크 논문은 선도적인 다국어 모델들이 인도네시아 교육과정의 일부에서 어려움을 겪었다고 밝혔다.

이 결과는 GoTo가 전문화된 학습을 강조하는 이유를 설명하는 데 도움이 된다. 모델은 영어 벤치마크에서 높은 점수를 받을 수 있지만, 인도네시아의 교육 및 문화적 맥락에 의존하는 질문은 놓칠 수 있다.

SEA-HELM은 질의응답, 감성 분석, 유해성 탐지, 번역, 요약, 추론, 언어학적 진단을 통해 범위를 넓힌다. 이는 동남아시아 언어 평가를 중심으로 설계됐다.

GoTo는 테스트에 각 데이터세트당 100~1,000개 사례가 포함된 모국어 프롬프트와 샘플을 사용했다고 밝혔다. 지시 평가를 위해 언어학자와 원어민이 영어로 시작된 자료를 현지화했다.

이는 합리적인 선택이지만, 공개 모델 카드는 이 특정 270억 파라미터 공개 버전에 대한 완전한 결과 표를 눈에 띄게 제시하지 않는다. 대신 독자들을 더 포괄적인 GoTo-AI 리더보드로 안내한다.

이로 인해 검증이 더 까다로워진다. 개발자는 모델을 대안과 비교하기 전에 언어별 결과, 기준선, 프롬프트 템플릿, 통계적 변동, 실패 사례를 확인해야 한다.

종합 점수는 취약한 지역 성능을 가릴 수 있다. 보고가 여러 언어를 하나의 평균으로 합산할 경우, 강력한 Bahasa Indonesia 결과가 저조한 Batak Toba 결과를 상쇄할 수 있다.

벤치마크는 실제 운영 환경으로 이어지지 않는 패턴에 보상을 줄 수도 있다. 모델은 객관식 정답을 고를 수 있지만, 길고 모호한 고객 요청을 처리하지 못할 수 있다.

실제 배포에는 검색 증강, 시스템 프롬프트, 구조화된 출력, 안전 필터, 비즈니스 규칙이 추가된다. 각 계층은 정확도, 지연 시간, 실패 양상을 바꿀 수 있다.

따라서 독립 테스트에는 실제 언어 시나리오가 포함되어야 한다. 검토자는 코드 스위칭, 철자 변형, 지역별 말높임, 현지 지명, 비공식 상거래, 정부 용어를 시험할 수 있다.

원어민은 문법적 정확성 이상을 평가해야 한다. 답변이 문화적으로 적절한지, 번역이 의미를 보존하는지, 모델이 그럴듯한 현지 사실을 지어내는지를 살펴봐야 한다.

GoTo 역시 중요한 한계를 인정한다. 모델 카드는 시스템이 환각을 일으키고, 관련 없는 내용을 생성하며, 일관되지 않은 추론을 보일 수 있다고 설명한다.

또한 개발자에게 자체적인 안전성 미세 조정과 보안 작업을 수행하라고 권고한다. 이 경고는 공공 서비스, 의료, 금융, 교육, 법률 정보에서 특히 중요하다.

오픈 웨이트는 가능한 배포 범위를 넓히지만, 하나의 중앙 제공업체가 안전장치를 관리할 것이라는 가정도 없앤다. 모든 운영자는 구성과 모니터링에 책임을 지게 된다.

하드웨어 역시 또 다른 제약이다. 권장되는 단일 A100 구성은 연구실이나 규모 있는 기업에는 현실적이지만, 소규모 조직에는 접근성이 낮다.

양자화는 더 적은 비트로 모델 가중치를 표현해 메모리 소비를 줄일 수 있다. 그러나 운영자는 이러한 압축이 배포 동기가 된 언어 전반의 정확도를 바꾸는지 테스트해야 한다.

추론 비용은 트래픽, 컨텍스트 길이, 응답 크기, 배치 처리, 하드웨어 활용률에도 좌우된다. 모델이 서버에 올라간다고 해서 지속적인 수요 아래 자동으로 경제성이 확보되는 것은 아니다.

128,000토큰 컨텍스트 창은 긴 문서나 기록 모음을 지원할 수 있다. 그러나 긴 입력은 여전히 메모리와 처리 시간을 소모하며, 관련 세부 사항은 모델이 신뢰성 있게 활용하기 더 어려워질 수 있다.

라이선스도 신중히 검토해야 한다. 개발자는 웨이트를 제품에 통합하기 전에 Gemma 라이선스에 따른 재배포, 수정, 상업적 이용 조건을 확인해야 한다.

이러한 문제들이 이번 공개의 가치를 무효화하는 것은 아니다. 이는 다운로드 가능한 인도네시아어 모델을 신뢰할 수 있는 인프라로 전환하는 데 필요한 작업을 규정한다.

GoTo의 가장 강력한 다음 행보는 투명하고 재현 가능한 평가가 될 것이다. 공개된 언어별 결과와 문서화된 실패 사례는 외부 팀이 회사의 주장을 건설적으로 검증할 수 있게 한다.

GoTo 모델의 중요성을 보여줄 세 가지 신호

도입, 독립 언어 테스트, 운영 근거가 GoTo의 공개가 인프라가 될지 연구 산출물로 남을지를 결정할 것이다.

첫 번째 신호는 다섯 개 인도네시아 언어 전반에 걸친 제3자 평가다. 독립 연구자들은 글로벌 서비스, SEA-LION, Komodo, 그리고 GoTo의 이전 Sahabat-AI 시스템과 모델을 비교해야 한다.

가장 유익한 연구는 언어와 작업별로 결과를 분리할 것이다. 또한 프롬프트, 채점 방법, 하드웨어 설정, 잘못된 출력 사례를 공개해야 한다.

모델이 지역 언어 작업에서 일관된 향상을 제공한다면 GoTo의 전문화 주장은 더 강해진다. 개선이 주로 격식 있는 인도네시아어에서만 나타난다면, 프로젝트의 더 폭넓은 언어 주장은 약화된다.

두 번째 신호는 눈에 보이는 개발자 도입이다. 유용한 근거로는 활성 저장소, 미세 조정 변형, 커뮤니티 이슈 보고서, 대학 프로젝트, 공공기관이나 기업의 애플리케이션 등이 있다.

다운로드 수만으로는 약한 지표에 그친다. 개발자는 모델을 배포하지 않고도 다운로드할 수 있으며, 운영팀은 많은 사용자를 위해 내부 사본 하나만 유지할 수도 있다.

GoTo의 기여 요청은 더 나은 시험을 제공한다. 외부 수정, 새로운 평가 작업, 개선된 문서, 책임감 있게 수집한 언어 데이터는 실제 커뮤니티가 형성되고 있음을 보여줄 수 있다.

모델 카드는 공개 직후 월간 다운로드 수가 소수에 불과했다고 기록했다. 이 초기 수치는 장기적 관심에 대해 거의 말해주지 않으며, 성공 또는 실패 판단의 근거가 되어서는 안 된다.

세 번째 신호는 GoTo 자체의 운영 근거다. 회사는 언어 모델이 고객, 가맹점, 운전자, 내부 팀을 지원할 수 있는 대규모 인도네시아 서비스에 접근할 수 있다.

신뢰할 수 있는 사례 연구는 작업, 기준선, 오류율, 지연 시간, 사람 검토 절차, 안전 통제를 설명해야 한다. 또한 실제로 사용자가 어떤 언어를 선택했는지도 설명해야 한다.

그러한 근거는 모델 설계와 사용자 가치를 연결할 것이다. 현지 학습이 완료율을 높이고, 오해를 줄이며, 지역 언어 화자의 접근성을 확장하는지 보여줄 수 있다.

운영 사용은 270억 파라미터 규모가 실현 가능한 비용 대비 성능 균형을 제공하는지도 드러낼 수 있다. 기술적으로 유능한 모델도 응답 지연이나 인프라 비용이 지나치게 높으면 실패할 수 있다.

독자들은 향후 몇 달 동안 새로운 체크포인트를 주시해야 한다. 웨이트, 모델 카드, 안전성 문서, 리더보드의 업데이트는 GoTo가 이를 지속적인 플랫폼으로 다루고 있음을 나타낼 수 있다.

지역 경쟁사도 지켜봐야 한다. SEA-LION, Komodo 또는 다른 인도네시아 팀의 새 공개는 언어 범위, 효율성, 투명한 평가의 기준선을 높일 수 있다.

정부 도입은 별도로 엄격히 검토할 필요가 있다. 공공 부문 사용은 수요를 입증하겠지만, 개인정보 보호, 조달, 접근성, 편향, 이의 제기 절차에 대한 요구도 강화할 것이다.

GoTo의 오픈소스 AI 모델은 현지 통제형 AI 개발로 향하는 구체적인 전환을 보여준다. 이는 목표 지향적인 인도네시아 학습을 GoTo의 이전 700억 파라미터 모델보다 더 많은 조직이 운영할 수 있는 시스템에 담아냈다.

그 중요성은 파라미터 수만으로 결정되지 않을 것이다. 원어민이 이를 신뢰할 수 있다고 느끼는지, 개발자가 운영 비용을 감당할 수 있는지, 독립적 결과가 그 주장을 뒷받침하는지에 달려 있다.

개발자와 기술 구매자에게 다음 단계는 실용적이다. 실제 인도네시아 워크플로 하나를 선택하고, 사람의 검토를 거친 기준선을 정의한 뒤, 현재 대안과 모델을 비교하라. Bahasa Indonesia, Javanese, Sundanese, Balinese, Batak Toba별로 오류를 따로 추적하라. 그런 다음 다른 이들이 결과를 재현할 수 있도록 충분한 방법론을 공개하라. 지역 언어 모델은 커뮤니티가 그 한계를 검토하고 개선할 수 있을 때에만 가치 있는 인프라가 된다. GoTo는 새로운 토대를 제공했다. 이제 독립 테스트가 그 위에 얼마나 많은 것을 안전하게 구축할 수 있는지 판단해야 한다.