Cara Menyusun Strategi Produk AI

 (thevccorner.com)
60 poin oleh GN⁺ 2025-09-09 | 3 komentar | Bagikan ke WhatsApp
  • Miqdad Jaffer, Product Lead di OpenAI, merangkum strategi produk AI dalam kerangka 4 tahap
  • Produk AI bukan sekadar menambahkan fitur; tanpa desain strategis, ia berada dalam lingkungan yang sulit untuk bertahan
  • Karena struktur biaya, kompetisi yang makin ketat, dan ekspektasi investor, dibutuhkan model ekonomi yang sama sekali berbeda dari SaaS
  • Perusahaan yang sukses membangun diferensiasi di atas tiga moat akumulatif utama: data, distribusi, dan kepercayaan
  • Untuk itu, ia mengajukan kerangka 4D (direction, differentiation, design, deployment) dan 2P (pricing, positioning)
  • Pada akhirnya, keberhasilan atau kegagalan startup AI bergantung bukan pada teknologinya, melainkan pada apakah mereka menjalankan strategi yang mengintegrasikan ekonomi, daya tahan, dan kepercayaan
  • Di setiap gelombang perkembangan teknologi, selalu ada dua tipe pendiri
    • Pendiri yang tumbuh dengan menunggangi hype, lalu runtuh karena tertindih beban biaya
    • Pendiri yang mengubah gelombang yang sama menjadi moat berkelanjutan dan mendominasi pasar selama lebih dari 10 tahun
  • AI juga bukan pengecualian, bahkan harga dari kesalahan strategis jauh lebih besar dan lebih cepat
  • Di SaaS atau mobile, terlambat mengejar masih memungkinkan untuk bertahan, tetapi AI adalah pasar yang tidak memaafkan ketiadaan strategi
    • Chegg: terlambat merespons AI, nilai perusahaan turun 90%, dan ketika para pelajar beralih ke ChatGPT, respons yang menyusul belakangan membuatnya membayar harga yang mahal di pasar
    • Jasper: sempat menjadi perusahaan AI writing terdepan dengan pendanaan $125M dan valuasi $1.2B, tetapi mengalami eksodus pengguna, pemotongan harga, dan kehilangan kepemimpinan pasar karena tidak memiliki moat yang nyata serta ketidakcocokan antara model harga ala SaaS dan biaya inferensi yang melonjak
    • Duolingo: mengintegrasikan AI dengan cara yang memaksa dan ekstraktif, bukan berpusat pada pengalaman pengguna; meluncurkan tutor AI dan melakukan pengurangan tenaga kerja, yang berujung pada ratusan ribu pengguna pergi dan kehilangan 300.000 pengikut, sehingga reputasinya terpukul
  • Contoh-contoh ini bukan sekadar kesalahan sesaat, melainkan menunjukkan betapa berbahayanya menempelkan AI belakangan atau mengabaikan keekonomian
  • Banyak perusahaan merilis AI sebagai tambahan belakangan atau sekadar fitur, lalu runtuh karena mengabaikan keekonomian dan gagal membangun diferensiasi
  • Pasar tidak memberi kesempatan kedua, dan respons yang terlambat berujung pada kerugian yang tidak bisa dipulihkan
  • Strategi “nanti saja” dalam lingkungan AI berubah menjadi risiko fatal seketika

  • Di AI, waktu terkompresi

    • Siklus adopsi: memendek dari hitungan tahun menjadi per kuartal
    • Kecepatan komoditisasi: terjadi dalam hitungan minggu, bukan bulan, sehingga keunggulan berbasis fitur cepat kehilangan arti
    • Investor, pengguna, dan pasar menghukum keraguan dengan keras, dan dampaknya langsung terlihat pada valuasi, tingkat adopsi, dan reputasi
  • Bagian berikutnya mengarah ke AI Product Strategy 101, yang memberi para pendiri fondasi strategis untuk tidak sekadar bertahan, tetapi mendominasi pasar
  • Ringkasnya, dalam AI, strategi adalah faktor penentu keberhasilan atau kegagalan, dan fitur saja tidak cukup untuk sukses

Ilusi bahwa “cukup tambahkan AI”

  • Saat ini, hampir semua halaman pertama pitch deck memuat frasa “AI-powered” untuk menarik perhatian investor dan pelanggan, tetapi itu tidak menjamin kredibilitas yang nyata
  • AI itu sendiri bukan moat, karena siapa pun bisa mengakses model seperti GPT-4o, Claude, Llama, dan Mistral, sehingga hambatan masuk praktis mendekati nol
  • Struktur yang sekadar memanggil OpenAI API lalu menambahkan UI di atasnya bukanlah perusahaan, melainkan demo mahal yang bisa disalin dalam semalam
  • Pembeda utama antara pemenang dan pecundang adalah apakah Anda punya jawaban atas pertanyaan: bagaimana Anda akan tetap berbeda ketika pesaing besok bisa mengakses model yang sama?
  • Jika jawabannya hanya “kami akan membuatnya lebih cepat,” maka Anda pada dasarnya sudah kalah dalam permainan

Mengapa AI menghancurkan pendiri yang tidak punya strategi

  • AI begitu keras karena, tidak seperti SaaS, biaya, kompetisi, dan lingkungan investasi menekan pendiri dengan jauh lebih cepat dan langsung
    • 1. Struktur biaya: setelah dibangun, SaaS memiliki biaya marginal per pengguna yang mendekati nol, tetapi AI menimbulkan biaya token, GPU, dan hosting pada setiap kueri, generasi, dan inferensi, sehingga tanpa strategi, biaya naik lebih cepat daripada pendapatan
    • 2. Komoditisasi instan: fitur SaaS butuh waktu bertahun-tahun untuk ditiru, sedangkan AI dapat memunculkan klon hanya dalam beberapa minggu; satu-satunya pertahanan adalah moat seperti data, kepercayaan, dan distribusi
    • 3. Hype dan kompetisi: ketika fitur AI baru muncul, ratusan klon bermunculan di Product Hunt, dan sebagian di antaranya menggerus pasar perusahaan yang tidak punya strategi
    • 4. Investor yang lebih matang: pada 2021, menulis “AI” di pitch deck saja sudah bisa menarik investasi, tetapi pada 2025, VC akan bertanya tentang strategi pertahanan setelah GPT-5 dirilis dan rencana pengendalian biaya inferensi; tanpa jawaban, investasi tidak akan terjadi
  • Karena itu, inti AI bukan membuat demo yang tampak keren, melainkan merancang sistem dengan AI sebagai pusatnya
    • Cara menjaga profitabilitas saat penggunaan meningkat 10x
    • Strategi mempertahankan pelanggan saat model menjadi lebih murah dan lebih kuat
    • Cara mengubah kanal distribusi menjadi efek compounding
    • Cara membangun kepercayaan di tengah halusinasi dan isu privasi
  • Perbedaan inilah yang memisahkan perusahaan yang mati dan perusahaan yang mendominasi pasar
  • Yang menang bukan pendiri yang sekadar menempelkan AI, melainkan yang merancangnya sebagai strategi dengan struktur ekspansi, pertahanan, dan compounding
  • Secara khusus, pasar AI memperlebar jarak antara pemenang dan pecundang lebih cepat daripada gelombang teknologi mana pun
    • Saat biaya meledak, waktu toleransi untuk memperbaikinya hanya beberapa bulan, bukan tahun
    • Saat komoditisasi terjadi, waktu toleransi untuk merespons hanya beberapa minggu, bukan kuartal
  • Kesimpulannya, strategi produk AI bukan pilihan, melainkan satu-satunya perangkat bertahan hidup yang membedakan pertumbuhan supercepat dari kehancuran

Ekonomi AI: unit economics baru bagi startup

  • Rumus dasar SaaS dulu sederhana
    • Bangun produk sekali
    • Dapatkan pengguna
    • Biaya marginal per pengguna nyaris nol
    • Dan saat pelanggan baru bertambah, laba meningkat secara eksponensial
  • Berkat struktur ini, perusahaan SaaS mampu menjaga margin tinggi 70~80%, dan model langganan $29 per bulan saja bisa melahirkan perusahaan raksasa bernilai miliaran dolar
  • Namun, AI tidak mengikuti aturan SaaS
  • Dalam AI, biaya marginal secara keras kepala tetap nyata, dan ketika jumlah pengguna, kueri, serta inferensi meningkat, biayanya ikut naik

  • Mengapa biaya marginal bekerja berbeda di AI dan SaaS

    • Setiap kueri dalam AI adalah permintaan yang menimbulkan biaya
      • Contoh: satu kueri ChatGPT dapat menelan biaya dari beberapa sen hingga puluhan sen, tergantung modelnya
      • Jika diskalakan ke jutaan pengguna, mengoperasikan tier gratis saja bisa menghabiskan jutaan dolar per bulan
    • Di SaaS, biaya menurun seiring skala, tetapi di AI, jika efisiensi tidak dimasukkan ke desain produk, penskalaan justru mendorong kenaikan biaya
    • Kenyataan pahitnya, biaya inferensi adalah tagihan AWS baru, dan seperti startup awal yang runtuh karena biaya cloud, startup AI saat ini mengalami perdarahan akibat biaya token yang tak terkendali

  • Studi kasus: Perplexity vs Midjourney vs ChatGPT

    • Perplexity: alih-alih mengirim setiap kueri langsung ke GPT, mereka memperkenalkan lapisan hybrid search+LLM untuk memangkas penggunaan token secara drastis
      • Hasilnya, mereka sekaligus meraih penghematan biaya, respons lebih cepat, dan peningkatan UX melalui penambahan sitasi
    • Midjourney: berhasil membangun penyebaran komunitas berbasis Discord, tetapi di balik itu ada masalah lonjakan biaya GPU
      • Karena setiap gambar menimbulkan biaya komputasi yang besar, pengguna gratis tidak berkelanjutan, sehingga mereka sejak awal memperkenalkan paket berbayar yang agresif
    • ChatGPT: meraih 100 juta pengguna dalam 2 bulan, tetapi nyaris melampaui anggaran komputasi OpenAI
      • Paket “ChatGPT Plus” ($20/bulan) diperkenalkan bukan sekadar untuk monetisasi, melainkan sebagai mekanisme penahan biaya
  • Pola yang jelas adalah bahwa pendiri yang bertahan sampai tahap skala telah merancang unit economics sejak awal

Jebakan tersembunyi biaya token dan ketergantungan pada API

  • Banyak startup AI tahap awal hanyalah wrapper API sederhana yang 100% bergantung pada foundation model seperti OpenAI dan Anthropic
  • Pada level prototipe ini masih bisa diterima, tetapi ketika ingin tumbuh menjadi perusahaan nyata, struktur ini menyimpan risiko struktural yang fatal
    • 1. Tidak bisa mengendalikan harga: jika OpenAI menaikkan harga API, itu langsung berujung pada runtuhnya margin
    • 2. Tidak bisa mengendalikan performa: jika terjadi latency atau downtime pada model, seluruh layanan bisa lumpuh
    • 3. Tidak bisa mengendalikan diferensiasi: jika semua orang bisa memakai API yang sama, pesaing dapat menyalin seluruh produk hanya dalam semalam akhir pekan
  • Karena itu, produk AI yang berorientasi API-first pada akhirnya akan cepat lenyap, dan ini pada dasarnya sama dengan mengira demo sebagai sebuah perusahaan

Cara memodelkan biaya saat penggunaan naik 10x

  • Dengan eksperimen asumsi sederhana, kita bisa melihat jebakan struktur biaya pada layanan AI

  • Skenario dasar

    • Tarif: mengenakan $29 per pengguna per bulan
    • Penggunaan rata-rata: 500 kueri per bulan
    • Biaya per kueri: $0.002
    • Biaya inferensi per pengguna: $1.00 per bulan
    • Margin kotor: sekitar 97%, terlihat sangat sehat

  • Saat skala diperbesar

    • Jumlah pengguna: 1.000 → 100.000
    • Jumlah kueri: 500 ribu → 50 juta/bulan
    • Biaya: $100K/bulan → $10M/tahun
    • Pada titik ini, biaya inferensi menjadi begitu dominan hingga bahkan tagihan cloud AWS terlihat kecil

  • Jebakan dan langkah antisipasi

    • Pada skala kecil (1.000 pengguna), margin terlihat baik, tetapi pada skala besar (100.000 pengguna), margin runtuh dengan cepat
    • Strategi untuk mencegahnya:
      • Batching dan caching yang cerdas: output yang sama tidak dibuat ulang berulang kali
      • Routing model: tugas sederhana memakai model murah, hanya tugas kompleks yang memakai model berperforma tinggi
      • Membangun infrastruktur sendiri: melatih model kecil yang dioptimalkan untuk domain tertentu agar bisa beroperasi lebih murah

Matematika sebenarnya dari profitabilitas AI

  • Saat ini, sebagian besar startup AI secara praktik belum benar-benar menghasilkan laba
  • Dari luar tampak seperti sedang bertumbuh, tetapi kenyataannya mereka mensubsidi adopsi pengguna dengan dana VC sambil mengabaikan keekonomian bisnis

  • Tiga strategi diferensiasi para pemenang

    • 1. Perancangan harga yang strategis
      • Tier gratis hanya berfungsi sebagai umpan
      • Segera perkenalkan paket berbayar, lalu selaraskan biaya dan pendapatan dengan skema harga berbasis penggunaan
      • Contoh: Midjourney menghentikan pembuatan gambar gratis karena struktur biaya matematisnya sudah tidak bertahan
    • 2. Memasukkan kurva biaya ke dalam desain produk
      • Perplexity: struktur search+LLM untuk mengurangi penggunaan token → menjadikan penghematan biaya sebagai Moat
      • Grammarly: fine-tuning bertahap untuk menurunkan biaya koreksi seiring waktu
      • Canva: menempatkan fitur AI sebagai elemen pendukung, bukan inti, untuk meminimalkan beban biaya
    • 3. Diversifikasi ketergantungan
      • Menyebarkan routing ke beberapa penyedia model (OpenAI, Anthropic, Cohere, Mistral)
      • Jika memungkinkan, melatih model khusus domain sendiri untuk operasi berbiaya rendah
      • Ketika skala membesar, beralih ke kepemilikan infrastruktur untuk mendapatkan kendali atas biaya

  • Jika mengabaikan unit economics

    • Pertumbuhan disamakan dengan kesuksesan, padahal makin besar skala justru menciptakan kerugian yang makin besar
    • Pada akhirnya margin berubah negatif dan kesabaran investor pun habis

  • Jika unit economics dirancang sejak awal

    • Saat penggunaan meningkat, biaya justru turun lewat caching, routing, dan efisiensi infrastruktur
    • Pesaing tidak akan mampu mengikuti persaingan harga karena struktur biayanya
    • Pertumbuhan bukan lagi sekadar hype, melainkan Moat nyata yang terus terakumulasi (compound)
  • Inilah perbedaan kunci antara perusahaan yang tidak lebih dari demo dan perusahaan yang mendefinisikan satu dekade

Kerangka kerja 4D untuk strategi produk AI: The 4D Framework for AI Product Strategy

  • Alasan perusahaan AI gagal bukan karena kekurangan ide, melainkan karena tidak punya strategi
  • Secara spesifik, masalahnya adalah strategi yang tidak mampu bertahan menghadapi ekspansi, komoditisasi, dan tekanan biaya
  • Penulis, melalui pengalaman membangun, memperbesar, dan exit perusahaan AI secara langsung serta mengamati banyak kisah sukses dan gagal para founder, merancang kerangka kerja 4D untuk menguji setiap keputusan produk
  • Ini ibarat peta bertahan hidup, dan menjalankan perusahaan tanpa lensa ini sama dengan mengelola bisnis dengan mata tertutup
  • Dokumen ini memperkenalkan kerangka kerja 4D versi dasar, sementara dalam proses cohort dibahas versi yang lebih mendalam beserta contoh konkret

  • Empat elemen dalam kerangka kerja 4D

    • 1. Direction (arah) → memilih Moat yang terus terakumulasi (compound) seiring waktu
    • 2. Differentiation (diferensiasi) → strategi pertahanan agar tetap bertahan ketika fitur menjadi terkomoditisasi
    • 3. Design (desain) → membangun arsitektur produk yang menyeimbangkan adopsi pengguna dan efisiensi biaya
    • 4. Deployment (deployment) → sistem operasional yang bisa diskalakan tanpa merusak laporan laba rugi (P&L)

1. Arah: memilih moat yang benar-benar terakumulasi (compound)

  • Fitur AI bersifat sementara, tetapi moat bersifat permanen
  • Menambahkan wrapper tipis di atas GPT-5 adalah sesuatu yang besok pun bisa langsung ditiru siapa saja, tetapi pasar tidak memberi imbalan untuk pendekatan seperti ini
  • Yang dinilai pasar adalah apakah sebuah produk memiliki struktur yang makin kuat seiring bertambahnya pengguna
  • Karena itu, Direction adalah persoalan founder secara sengaja memilih moat majemuk yang terakumulasi (compounding moat) mana yang akan difokuskan dan dipertahankan

  • (a) Moat data: Data Moat

    • Dalam AI, moat yang paling berkelanjutan dan defensif adalah data eksklusif
    • Jika setiap kali produk digunakan Anda bisa mengakumulasi data yang unik dan terstruktur, itu menjadi aset yang tidak bisa ditiru atau dibeli pesaing
    • Contoh: Duolingo
      • Alih-alih sekadar menambahkan fitur AI, Duolingo melakukan fine-tuning model secara presisi dengan memanfaatkan data pembelajaran siswa yang dikumpulkan selama bertahun-tahun (tingkat kesulitan per soal, efek koreksi, tren belajar menurut wilayah dan demografi)
      • Dataset ini adalah aset yang tidak mungkin dikejar oleh pesaing baru seberapa besar pun modal yang mereka gelontorkan
    • Moat data menciptakan efek flywheel yang makin kuat seiring waktu
      • Pengguna baru → lebih banyak data → model yang lebih pintar, lebih murah, dan lebih personal → pengalaman pengguna yang lebih baik → lebih banyak pengguna

  • (b) Moat distribusi: Distribution Moat

    • Distribusi secara tradisional selalu menjadi elemen bisnis yang penting, tetapi dalam AI bisa dibilang itu adalah segalanya
    • Contoh: Notion
      • Karena sudah tertanam dalam workflow puluhan juta pengguna, ketika menambahkan fitur AI terjadi adopsi instan tanpa biaya pemasaran tambahan
    • Contoh: Canva
      • Canva tidak mengemas pembuatan gambar AI sebagai fitur terpisah, melainkan mengintegrasikannya secara alami ke dalam proses desain untuk memperkuat pengalaman pengguna
    • Tanpa moat distribusi, startup pada akhirnya tidak punya pilihan selain menghadapi persaingan yang terfragmentasi dengan model umum seperti ChatGPT dan Gemini

  • (c) Moat kepercayaan: Trust Moat

    • Moat yang paling diremehkan namun penting dalam AI adalah kepercayaan
    • Pengguna tidak hanya menginginkan AI yang kuat, tetapi juga AI yang dapat diprediksi, aman, dan bisa dipercaya
    • Contoh: Anthropic
      • Anthropic tidak sekadar bersaing lewat skala model, melainkan mendapatkan pelanggan enterprise lewat positioning sebagai perusahaan yang terobsesi pada keamanan dan alignment
    • Contoh: kontrak enterprise OpenAI
      • Banyak perusahaan sebenarnya bisa membangun model sendiri atau membeli alternatif yang lebih murah, tetapi tetap memilih OpenAI dengan membayar jutaan dolar karena governance, compliance, dan reliabilitas
    • Kepercayaan memang lama dibangun, tetapi setelah terbentuk ia menjadi moat yang jauh lebih kuat daripada fitur
      • Satu halusinasi (hallucination) atau insiden keamanan saja bisa meruntuhkan kepercayaan, tetapi stabilitas yang konsisten menciptakan efek lock-in yang kuat

  • Kesimpulan

    • Jika founder tidak secara eksplisit memilih arah (Direction), pasar yang akan memilihkannya
    • Namun arah yang dipilih pasar hampir selalu adalah komoditisasi (commoditization), dan itulah penyebab kematian startup

2. Diferensiasi (Differentiation): bertahan hidup di tengah komoditisasi (Commoditization)

  • Realitas pahitnya adalah, jika produk hanya sekadar “melakukan X dengan AI”, pada akhirnya ia akan dimakan oleh perusahaan foundation model seperti OpenAI
  • Perusahaan-perusahaan ini sedang memperluas fitur secara horizontal dengan kecepatan luar biasa di seluruh area dokumen, spreadsheet, email, gambar, dan audio
  • Karena itu, diferensiasi bukan sekadar “kami menambahkan AI”, melainkan membangun pertahanan terhadap komoditisasi yang tak terelakkan
  • Pertanyaan intinya adalah: Jika OpenAI atau Anthropic menawarkan fungsi yang sama secara gratis atau dalam bundle, mengapa pelanggan tetap harus memilih kita?

  • Pertanyaan yang harus diajukan kepada diri sendiri

    • Apakah produk kita menyelesaikan mode kegagalan tertentu dari foundation model lebih baik daripada siapa pun?
    • Ketika model umum terlalu lambat, terlalu mahal, atau terlalu generik sehingga berlebihan untuk kebutuhan tertentu, apakah kita menawarkan alternatif yang lebih cepat, lebih murah, dan lebih spesialis?
    • Apakah workflow, UX, dan integrasi kita membuat pelanggan tetap menggunakan produk kita meskipun mereka mendapatkan fitur tiruan di tempat lain?

  • Studi kasus

    • Perplexity AI
      • LLM apa pun bisa menjawab pertanyaan, tetapi Perplexity membedakan diri lewat workflow berbasis sumber, sitasi, dan pencarian
      • Ini bukan sekadar fitur, melainkan wedge positioning sebagai “pencarian AI yang tepercaya”
    • Runway AI
      • Alih-alih mengejar pembuatan video umum, Runway berfokus secara mendalam pada segmen pelanggan spesifik yaitu creator, editor, dan pembuat film
      • Pembeda utamanya bukan “menghasilkan video”, melainkan identitas sebagai “alat produksi kelas profesional”
  • Diferensiasi bukan sekadar menambahkan lebih banyak fitur
  • Ini berarti menguasai kasus penggunaan tertentu sebagai default pasar, sehingga walau perusahaan lain bisa menirunya secara teknis, pelanggan tidak meninggalkan kita

3. Desain: menyeimbangkan adopsi (Adoption) dan efisiensi biaya (Cost Efficiency)

  • Kuburan (graveyard) tempat sebagian besar startup AI tumbang justru ada pada tahap desain
  • Banyak perusahaan membuat “demo wow” yang sempat viral di Twitter selama seminggu, tetapi adopsi berkelanjutan tidak pernah terjadi dan ekonomi unitnya runtuh karena biaya inferensi meledak
  • Desain yang baik dalam AI berarti menyeimbangkan adopsi pengguna (User Adoption) dan struktur biaya yang berkelanjutan (Cost Structure)

  • Prinsip adopsi: Adoption Principles

    • Hilangkan friksi: jangan memaksa pengguna melakukan prompt engineering; perilaku alami mereka harus diterjemahkan menjadi output AI
      • Contoh: Grammarly tidak meminta pengguna mengetik “Rewrite this in a formal tone”, melainkan menyediakannya lewat satu tombol
    • Temui pengguna di tempat mereka sudah bekerja: seperti Notion, Canva, dan Figma, AI harus disisipkan ke workflow yang sudah ada agar tingkat adopsi bisa 10x lebih tinggi
    • Minimum Viable Intelligence: alih-alih menargetkan level AGI sejak awal, fokuslah untuk menyelesaikan satu masalah secara tuntas
      • Contoh: Perplexity tumbuh dengan berfokus pada “AI + jawaban tepercaya”, bukan mencoba menyelesaikan semua masalah

  • Prinsip efisiensi biaya: Cost Efficiency Principles

    • Model routing: jangan kirim semua query ke GPT-5; gunakan model murah untuk 80% tugas, dan model berperforma tinggi hanya untuk sisanya
    • Caching: jika 1.000 orang menanyakan hal yang sama, jangan membayar 1.000 kali; hemat biaya melalui caching
    • Optimasi prompt: karena setiap token menimbulkan biaya, perlu merancang prompt yang ringkas dan efisien
    • Batching: jika memungkinkan, gabungkan beberapa request ke dalam satu panggilan inferensi

  • Mengapa ini penting

    • Founder yang menang adalah mereka yang merancang struktur di mana biaya per pengguna menurun saat jumlah pengguna bertambah
    • Sisanya pada akhirnya hanya akan menjadi perusahaan level demo yang membakar uang lalu kolaps saat mencoba scale

4. Deployment: melakukan ekspansi tanpa ledakan biaya

  • Ekspansi adalah bos terakhir bagi startup AI
  • Di tahap ini, perusahaan akan melompat menjadi unicorn, atau justru runtuh karena beban biaya
  • Paradoks AI adalah, ia bisa tumbuh lebih cepat daripada teknologi mana pun, tetapi pada saat yang sama juga memiliki risiko terbesar bahwa biaya akan melampaui pendapatan dan memburuk
  • Karena itu, inti Deployment adalah membangun sistem yang tetap melindungi laporan laba rugi (P&L) sambil melakukan ekspansi

  • Strategi harga: Pricing Strategy

    • Sejak awal, beralih ke model harga berbasis penggunaan atau model harga hibrida
    • Hubungkan biaya yang dibayar pelanggan secara langsung dengan nilai yang mereka rasakan
    • Jangan menjanjikan fitur AI tanpa batas, karena itu akan langsung berujung pada runtuhnya margin

  • Strategi infrastruktur: Infrastructure Strategy

    • Gunakan pendekatan multi-model agar tidak bergantung pada satu penyedia saja
      • Lakukan routing secara cerdas di antara OpenAI, Anthropic, Mistral, dan model open source
      • Manfaatkan persaingan antarpenyedia untuk memperoleh syarat yang lebih menguntungkan
    • Saat skala membesar, latih model yang terspesialisasi untuk domain tertentu agar mendapatkan performa yang lebih cepat dan lebih murah daripada API umum
    • Bangun sistem evaluasi (eval system) untuk memantau masalah kualitas, akurasi, latensi, dan halusinasi dalam skala besar

  • Strategi tim: Team Strategy

    • Jangan hanya merekrut engineer ML; Anda juga harus mendapatkan product engineer yang memahami trade-off antara UX, kecepatan, dan biaya GPU
    • Talenta yang paling berharga mungkin adalah orang yang bisa berkata “NO” pada demo bom biaya yang terlihat memukau di panggung tetapi sebenarnya menghancurkan margin

Lensa 4D untuk founder: The Founder’s 4D Lens

  • Setiap keputusan yang diambil founder AI harus selalu melewati lensa 4D ini
    • 1. Direction: Apakah kita sedang membangun moat yang defensible, atau hanya membuat wrapper lain?
    • 2. Differentiation: Jika OpenAI merilis fitur yang sama besok, apakah ini masih tetap berarti?
    • 3. Design: Apakah ekonomi unit membaik saat pengguna baru bertambah, atau justru memburuk?
    • 4. Deployment: Apakah kita bisa tumbuh 10x tanpa runtuhnya margin?
  • Jika satu saja dari empat pertanyaan ini tidak bisa dijawab “ya”, maka yang sedang Anda bangun sekarang bukanlah perusahaan (company), melainkan sekadar fitur (feature)
  • Fitur pada akhirnya akan mati, tetapi perusahaan yang punya strategi akan bertahan lama

2P: harga dan positioning produk AI : Pricing and Positioning AI Products

  • Banyak founder memperlakukan penetapan harga sebagai hal yang dipikirkan belakangan, sambil berkata, “nanti kita putuskan setelah menemukan PMF”
  • Itu mungkin bisa dilakukan di SaaS, tetapi fatal dalam AI
  • Dalam AI, harga bukan sekadar model pendapatan, melainkan strategi inti untuk mengendalikan biaya, membentuk perilaku pengguna, dan membangun moat

  • Mengapa harga harus dilihat sebagai tuas strategis

    • Dalam SaaS, pada awalnya perusahaan bisa menetapkan harga rendah dan menanggung biaya AWS, lalu menutupinya saat skala bertambah
    • Tetapi dalam AI, biaya marjinal tetap ada sampai akhir
      • Setiap kueri menimbulkan biaya token, GPU, latensi, dan inferensi
      • Karena itu, harga adalah strategi bertahan hidup secara ekonomi

  • Empat elemen yang dikendalikan harga

    • Pemilihan segmen pelanggan: pengguna ringan vs enterprise bernilai tinggi
    • Pola penggunaan: hemat kueri vs penyalahgunaan berlebihan
    • Waktu mencapai titik impas: bulan ke-1 setelah peluncuran vs 3 tahun kemudian
    • Sinyal pasar: premium vs utilitas umum, untuk profesional vs untuk konsumen

4 arketipe penetapan harga AI (Archetypes)

  • 1. Harga berbasis penggunaan (token, kueri, compute) : Usage-Based Pricing (Tokens, Queries, Compute)

    • Cara kerjanya: pelanggan ditagih langsung sesuai jumlah token, kueri, atau menit GPU yang digunakan
    • Cocok untuk: API, produk infrastruktur, dan alat enterprise ketika konsumsi bisa diprediksi dan terhubung langsung dengan nilai bisnis
    • Contoh:
      • OpenAI API — ditagih per 1.000 token, dengan tarif per model yang dipublikasikan secara transparan
      • ElevenLabs — ditagih berdasarkan menit audio yang dihasilkan
    • Kelebihan: biaya dan pendapatan selaras secara transparan, sehingga mudah membangun kepercayaan tanpa harus mensubsidi pengguna berat
    • Kekurangan: pengguna dapat merasakan kecemasan terhadap meteran biaya (meter anxiety) sehingga ragu untuk bereksperimen atau memperluas adopsi, dan di pasar konsumen model ini bisa tampak kurang mudah diakses

  • 2. Harga berbasis hasil (bayar untuk hasil) : Outcome-Based Pricing (Pay for Results, Not Usage)

    • Cara kerjanya: penagihan dilakukan bukan berdasarkan token atau menit, melainkan berdasarkan hasil nyata (misalnya lead generation, deteksi fraud, konversi, dan sebagainya)
    • Cocok untuk: produk enterprise yang hasilnya bisa dimonetisasi sebagai KPI (sales, marketing, deteksi fraud, compliance)
    • Contoh:
      • Platform AI untuk sales — ditagih per meeting yang valid
      • Sistem deteksi fraud — ditagih per kasus fraud yang berhasil diblokir
    • Kelebihan: pelanggan hanya membayar saat ada nilai → memungkinkan positioning premium dengan pesan “Anda harus sukses agar kami juga sukses”
    • Kekurangan: sulit diterapkan pada aplikasi konsumen atau kreatif yang hasilnya ambigu, dan perusahaan AI harus menanggung risikonya sehingga kompleksitas operasional meningkat

  • 3. Harga berbasis kursi (per pengguna/per bulan) : Seat-Based Pricing (Per User, Per Month)

    • Cara kerjanya: model SaaS tradisional, dengan biaya tetap bulanan/tahunan per pengguna
    • Cocok untuk: produk AI yang terintegrasi secara mendalam ke workflow kolaborasi tim dan produktivitas
    • Contoh:
      • Jasper AI (awal) — mengadopsi model SaaS berbasis kursi
      • Notion AI — memasukkan fitur AI ke dalam paket SaaS yang ada
    • Kelebihan: familier dan dapat diprediksi bagi pembeli enterprise, serta memberi sinyal stabil kepada investor sebagai “enterprise SaaS + AI”
    • Kekurangan: jika variasi penggunaan besar, pengguna tertentu bisa memakai secara berlebihan sehingga perusahaan menanggung biayanya dan terjadi ketidakselarasan pendapatan-biaya

  • 4. Harga hibrida (campuran penggunaan + langganan) : Hybrid Pricing (Mix of Usage + Subscription)

    • Cara kerjanya: menggabungkan biaya langganan dasar dengan penagihan atau batas tambahan berdasarkan penggunaan
    • Cocok untuk: pasar konsumen dan prosumer atau produk dengan variasi penggunaan yang besar, sehingga bisa melayani beragam segmen
    • Contoh:
      • MidJourney — langganan bulanan $10~$60, dengan batas menit GPU
      • ChatGPT Plus — biaya tetap $20/bulan, sedangkan kontrak enterprise menggunakan harga berbasis penggunaan
    • Kelebihan: memenuhi psikologi langganan sekaligus menyediakan mekanisme pencegah penyalahgunaan, dan bisa diskalakan dari pengguna individu hingga perusahaan besar
    • Kekurangan: kompleksitas meningkat → kebingungan soal paket harga, dan jika penetapan batas gagal, ada risiko kehilangan pendapatan atau menimbulkan ketidakpuasan pelanggan

Studi kasus: sukses, gagal, dan runtuh

  • 1. OpenAI API → keberhasilan model berbasis penggunaan

    • Harga per token yang jelas terhubung langsung dengan jumlah komputasi
    • Struktur yang transparan, dapat diskalakan, dan ramah enterprise
    • Positioning: “Kami adalah rel bagi AI”
    • Hasil: memperoleh model pendapatan yang dapat diprediksi di mana biaya dan pendapatan tumbuh bersama
      • Meski tidak diadopsi di pasar konsumen, tetap berhasil meraih posisi dominan di infrastruktur

  • 2. MidJourney → monetisasi hibrida dengan guardrail

    • Tingkatan langganan bulanan $10~$60, dengan batas atas per menit GPU
    • Saat biaya GPU melonjak, uji coba gratis langsung dihentikan
    • Positioning: “Kreasi yang dapat diakses siapa saja, tetapi penggunaan berbayar”
    • Hasil: adopsi konsumen yang meledak sekaligus berhasil mengendalikan biaya

  • 3. Jasper → monetisasi berbasis seat tanpa guardrail

    • Mengadopsi struktur harga yang terlihat seperti SaaS sebesar $59~$499 per bulan per seat
    • Masalah: penggunaan inferensi melonjak, tetapi model harga tidak selaras dengan biaya
    • Masalah yang lebih besar: dengan kemunculan ChatGPT, diferensiasinya lenyap
    • Kegagalan positioning: sempat menawarkan narasi “SaaS dengan AI terintegrasi”, tetapi tanpa moat, pada akhirnya hanya menjadi lapisan tengah
    • Hasil: dari ARR tahunan $125M menjadi stagnasi pertumbuhan dan valuasi yang runtuh

Playbook pendiri: cara memilih penetapan harga dan positioning

Pertanyaan inti yang harus diajukan kepada diri sendiri:

  • 1. Apa moat kita? (data, distribusi, kepercayaan)
    • Penetapan harga harus memperkuat moat ini
    • Berpusat pada data → cocok dengan monetisasi berbasis penggunaan (selaras dengan positioning infrastruktur)
    • Berpusat pada kepercayaan → cocok dengan monetisasi berbasis hasil (“pelanggan harus sukses agar kami sukses”)
    • Berpusat pada distribusi → cocok dengan monetisasi hibrida (raih adopsi konsumen dulu, lalu monetisasi pengguna pro)
  • 2. Perilaku seperti apa yang ingin kita dorong?
    • Adopsi ringan → harga tetap (flat pricing)
    • Penggunaan efisien → monetisasi berbasis penggunaan
    • Pengguna dengan ROI tinggi → monetisasi berbasis hasil
  • 3. Narasi seperti apa yang sedang kita sampaikan ke pasar?
    • Infrastruktur → berbasis penggunaan
    • Mitra → berbasis hasil
    • SaaS → berbasis seat
    • Demokratizer → model hibrida

Kesalahan positioning yang dilakukan para pendiri AI: Positioning Mistakes AI Founders Make

  • Banyak pendiri terobsesi pada model, fitur, dan infrastruktur, tetapi medan tempur sebenarnya adalah positioning
  • Positioning adalah soal bagaimana pasar memersepsikan produk, yaitu narasi yang tertinggal di benak pelanggan
  • Di pasar AI, tempat teknologi bisa menjadi komoditas dalam semalam, narasi mungkin menjadi satu-satunya keunggulan yang berkelanjutan
  • Namun, sebagian besar pendiri salah memahaminya atau mengabaikannya

  • 1. Meniru SaaS

    • Banyak startup AI dengan malas meniru positioning SaaS:
      • “harga per seat”
      • “alat workflow enterprise SaaS”
      • “Salesforce dengan AI”
    • Masalahnya: Anda tidak sedang membangun SaaS
      • SaaS = biaya marjinal 0, semakin besar skala semakin menguntungkan
      • AI = setiap inferensi menimbulkan biaya nyata
    • Alternatif: posisikan diri sebagai AI-native, dan cerminkan dalam harga serta pesan bahwa Anda memahami ekonomi khas AI, bukan SaaS

  • 2. Menyembunyikan biaya

    • Tidak ada yang lebih menghancurkan kepercayaan selain biaya tak terduga
    • Banyak pendiri mencoba menyembunyikan biaya lewat langganan tetap atau penggunaan tak terbatas, tetapi hasilnya:
      • penyalahgunaan oleh pengguna → biaya GPU meledak
      • saat harga diubah, ketidakpercayaan menyebar
    • Masalah positioning: dibungkus sebagai “AI tak terbatas yang ajaib”, tetapi realitas bisnis sebenarnya tidak mampu menopangnya
    • Alternatif: transparansi adalah kepercayaan
      • OpenAI: mengungkap harga per token dengan jelas → positioning infrastruktur yang dapat diprediksi
      • MidJourney: menetapkan batas menit GPU → dipersepsikan sebagai alat premium, bukan mainan

  • 3. Sinyal yang membingungkan

    • Masalah yang halus tetapi fatal adalah ketidakselarasan antara narasi dan model harga
      • Berbasis penggunaan tetapi dipasarkan untuk konsumen → pengguna mengharapkan “aplikasi yang seru”, tetapi malah menerima “tagihan AWS”
      • Langganan tetap tetapi biaya inferensi meledak → investor kecewa melihat margin runtuh
    • Alternatif: selaraskan harga dengan narasi
      • Berbasis penggunaan → positioning infrastruktur/rel
      • Berbasis langganan → produk konsumen·prosumer (batas yang jelas)
      • Berbasis hasil → mitra ROI

  • 4. Tidak punya narasi

    • Kesalahan paling sunyi namun fatal adalah tidak memiliki narasi
    • Harga dan fitur saja tidak cukup; investor, media, dan pengguna membutuhkan sebuah cerita yang bisa mereka ulang dalam satu kalimat
    • Contoh:
      • “Kami adalah AWS untuk legal AI” → langsung memberi kesan kredibel
      • “Kami adalah Canva untuk video AI” → narasi konsumen yang jelas dan viral
      • “Kami bukan alat, melainkan mitra pertumbuhan — kami mengenakan biaya berdasarkan hasil” → kepercayaan yang berpusat pada hasil
    • Alternatif: sebelum membuat pitch deck, tulis narasinya terlebih dahulu
      • tetapkan “kategori mental” tempat kita berada (infrastruktur, alat, mitra, demokratizer)
      • lalu rancang agar strategi harga, packaging, dan GTM mengalir dari sana

Kesalahan yang Membunuh Startup AI

  • Kebenaran pahitnya, sebagian besar startup AI tidak mati karena persaingan, melainkan runtuh karena titik buta strategis mereka sendiri
  • Mereka membakar jutaan dolar dan kehilangan seluruh pasar atau kolaps karena biaya, bukan karena teknologinya tidak bekerja, tetapi karena strateginya tidak ada atau salah

  • 1. Mengejar fitur vs membangun moat

    • Pendiri sering kali ingin memamerkan fitur yang mencolok: “AI kami menulis blog, membuat gambar, merangkum PDF”
    • Masalahnya, fitur bisa ditiru, tetapi moat tidak bisa ditiru
    • Pendiri yang bertahan bukanlah mereka yang bertanya “Apa yang bisa dilakukan AI hari ini?”, melainkan mereka yang bertanya “Apa aset akumulatif yang bisa dipertahankan yang diberikan AI?”

  • 2. Terlalu percaya pada API dan runtuhnya margin

    • Banyak startup AI tahap awal hanya membungkus model seperti OpenAI atau Anthropic
    • Ini berguna pada tahap prototipe, tetapi mematikan saat skala membesar
    • Kasus nyata: aplikasi asisten AI buatan seorang pendiri mendapatkan 50 ribu pengguna dalam 3 bulan
      • Namun tagihan API OpenAI mencapai $120,000 per bulan, sementara pendapatan di bawah $10K
      • Margin runtuh dalam semalam, investor pergi, dan startup pun lenyap dalam 6 bulan

  • 3. Penetapan harga yang salah

    • Jebakan umum bagi pendiri SaaS adalah menawarkan fitur AI sebagai fitur tambahan gratis di paket yang sudah ada
    • Saat masih 100 pengguna, ini tidak masalah, tetapi ketika skala naik ke 10 ribu pengguna, pemakaian meningkat secara eksponensial sementara pendapatan tetap sama
    • Contoh: seorang pendiri B2B memasukkan fitur pelaporan AI dalam lisensi $99/bulan, tetapi
      • 20% penggunaan beralih menjadi kueri AI, sehingga memunculkan biaya ribuan dolar per pelanggan
      • Mereka terpaksa buru-buru mengubah struktur harga, dan ini memicu krisis churn yang serius

  • 4. Mengabaikan sistem evaluasi dan kepercayaan

    • Dalam SaaS, produk bisa dirilis cepat lalu diperbaiki, tetapi dalam AI, satu kali halusinasi (hallucination) saja bisa menghancurkan kepercayaan selamanya
    • Kasus nyata: tool onboarding AI milik pendiri fintech menghasilkan rekomendasi regulasi palsu lalu mengirimkannya ke pelanggan → kepercayaan hilang, kontrak dibatalkan
    • Aplikasi AI konsumen lain dirilis tanpa sistem evaluasi, lalu tweet yang menyingkap bias membuat adopsinya runtuh dalam semalam
    • Sistem evaluasi (Evals) bukan pilihan, melainkan keharusan sebagai QA, jaring pengaman, dan moat kepercayaan

  • 5. Ilusi bahwa “skala akan menyelesaikan keekonomian”

    • Ilusi paling fatal adalah keyakinan bahwa “margin sekarang tipis, tetapi kalau skalanya membesar, biayanya akan menyesuaikan”
    • Dalam SaaS, margin membaik seiring skala, tetapi dalam AI justru biayanya makin memburuk saat skala membesar
    • Contoh: seorang pendiri yang mendapat investasi $20M mendorong pertumbuhan lewat penggunaan gratis, tetapi
      • pada 100 ribu pengguna, biaya komputasi bulanan mencapai lebih dari $1M
      • saat mencapai 200 ribu pengguna, perusahaan bangkrut
  • Kesamaannya, mereka semua berpikir, “nanti saja kita selesaikan”
  • Tetapi pasar AI tidak memberi ruang untuk kemewahan seperti itu

Kerangka sederhana untuk menghindari kesalahan

  • Peringatan saja tidak cukup → dibutuhkan playbook untuk mengurangi tiap risiko

  • 1. Mengejar fitur → membangun moat

    • Pertanyaan: apa yang terakumulasi (compound) ketika jumlah pengguna baru bertambah?
    • Bangun: loop data eksklusif, lock-in workflow yang kuat, kepercayaan merek
    • Kerangka: hubungkan setiap ide fitur dengan moat data, distribusi, atau kepercayaan; jika tidak terkait, keluarkan dari prioritas

  • 2. Terlalu percaya pada API → strategi API

    • Di awal, mulailah cepat dengan API, tetapi dalam jangka panjang beralih ke infrastruktur hybrid
    • Gunakan multi-model routing: 80% ditangani model murah, hanya edge case yang memakai LLM
    • Manfaatkan data exhaust yang muncul selama penggunaan untuk fine-tuning model kecil berbiaya rendah
    • Pasang trigger: “Jika biaya API melebihi 20% dari pendapatan, mulai investasi pada infrastruktur sendiri”

  • 3. Fitur tambahan gratis → penetapan harga yang selaras

    • Penetapan harga harus selalu terhubung dengan pemakaian atau nilai yang diberikan
    • Jika dimasukkan ke bundel SaaS, wajib tetapkan batas pemakaian
    • Lacak “biaya AI per pengguna” setiap minggu → jika melebihi 30% dari harga paket, itu tanda bahaya
    • Bangun narasi sejak awal: “AI adalah fitur premium yang punya biaya nyata” → kejujuran berujung pada kepercayaan

  • 4. Mengabaikan evaluasi → moat kepercayaan

    • Sebelum scaling, bangun pipeline evaluasi untuk mengukur akurasi, bias, dan latensi
    • Tetapkan ambang batas: “Jika akurasi di bawah 90%, jangan dirilis”
    • Komunikasikan kepercayaan: publikasikan metrik reliabilitas, dan gunakan positioning keamanan seperti Anthropic
    • Edukasi tim: AI QA bukan pilihan, tetapi keharusan

  • 5. Ilusi “skala adalah solusi” → disiplin scaling

    • Sebelum peluncuran, wajib hitung biaya model pada skala 10x dan 100x
    • Stress test: jika P&L runtuh saat pengguna naik 10x, berarti PMF belum tercapai
    • Hanya scale hal-hal yang berkontribusi pada perbaikan margin (caching, infrastruktur, routing)
    • Karena scaling memperbesar kesalahan, unit economics harus dibenahi lebih dulu

Playbook Pendiri: Cara Membuat Strategi AI Dapat Dieksekusi

  • Banyak diskusi tentang strategi AI terdengar mengesankan, tetapi kurang memiliki panduan eksekusi yang benar-benar bisa diterapkan
  • Para pendiri sering mengangguk saat mendengar panel atau podcast, tetapi pada akhirnya tetap bingung apa yang harus diubah ketika berhadapan dengan roadmap
  • Playbook ini bukan teori, melainkan memberikan lima langkah eksekusi yang bisa langsung digunakan sekarang juga
  • Inilah disiplin yang membedakan demo sederhana dari bisnis yang nyata

  • 1. Cara stress test unit economics AI

    • Kesalahan umum: model keuangan hanya disesuaikan dengan skala saat ini (misalnya 1.000 pengguna) → runtuh saat ekspansi jangka panjang
    • Berbeda dari SaaS, pada AI biaya ikut naik saat jumlah pengguna bertambah → ekonomi bisnis bisa memburuk seiring skala membesar
    • Solusi: bangun model stress test sebelum peluncuran
      • Perkirakan rata-rata jumlah kueri bulanan per pengguna
      • Kalikan dengan biaya per kueri (token, GPU, latensi) untuk menghitung total biaya
      • Bandingkan dengan pendapatan per pengguna
    • Lakukan simulasi ekspansi 10x dan 100x → sebagian besar startup tumbang di tahap ini
    • Tetapkan patokan: jika biaya melebihi 20% dari pendapatan itu berisiko, 40~50% berarti bencana → terapkan lebih awal desain caching, batching, dan model routing

  • 2. Cara menulis PRD AI yang mencerminkan biaya dan adopsi

    • PRD tradisional sering hanya berupa daftar keinginan fitur → untuk AI, PRD harus mencerminkan struktur biaya dan keberlanjutan adopsi
    • Dua bagian yang harus ditambahkan ke setiap PRD AI:
      • 1. Analisis biaya: hitung biaya operasional fitur per pengguna per bulan, dan cek apakah bisa dikurangi dengan model murah atau caching
      • 2. Analisis adopsi: nilai apakah fitur hanya memicu rasa penasaran sesaat, atau benar-benar tertanam dalam workflow harian
    • Jika tidak bisa menjawabnya, jangan setujui fiturnya → AI bukan SaaS, dan setiap keputusan membawa trade-off ekonomi dan strategis

  • 3. Cara memeriksa diferensiasi terhadap komoditisasi

    • Mimpi buruk pendiri: setelah produk dirilis, dua bulan kemudian OpenAI atau Anthropic memberi fitur yang sama secara gratis di ChatGPT
    • Solusi: tes tekanan diferensiasi (OpenAI Test) → “Jika OpenAI merilis fitur yang sama besok, apakah kita masih bisa tetap ada?”
    • Lakukan audit diferensiasi setiap kuartal
      • Identifikasi apa yang tidak bisa dilakukan foundation model, dan di mana kita unggul
      • Periksa area tempat LLM umum gagal (data industri, compliance, keahlian domain)
      • Tinjau elemen sticky seperti integrasi, UX, dan sinyal kepercayaan
    • Jika tidak ada titik pertahanan, segera pivot ke pembangunan data, workflow lock-in, dan brand kepercayaan

  • 4. Menyajikan strategi AI kepada investor

    • Kenyataannya: investor kini tidak lagi terkesan hanya dengan “AI-powered X for Y”
    • Empat pertanyaan yang diajukan investor:
      • 1. Apa moat kita? (Apakah salah satu dari data, distribusi, atau kepercayaan terus terakumulasi seiring skala?)
      • 2. Bagaimana unit economics kita saat skala tumbuh 10x?
      • 3. Bagaimana kita bertahan dari komoditisasi? Jika GPT merilis fungsi yang sama besok, apakah kita sanggup bertahan?
      • 4. Apa positioning story kita? (Misalnya AWS untuk legal AI, Canva untuk AI video, partner berbasis performa, dan sebagainya)
    • Sajikan juga model harga sebagai bagian dari ceritanya:
      • “Harga berbasis penggunaan menyelaraskan biaya dan nilai, sehingga margin membaik seiring skala bertumbuh” → ini bukan sekadar harga, melainkan positioning

  • 5. Cara merekrut pemimpin produk AI

    • Kepemimpinan produk AI pada dasarnya berbeda dari PM SaaS
    • Harus mampu menghubungkan tiga dunia sekaligus:
      • Strategi produk: pemikiran tentang moat, loop adopsi, dan positioning
      • Ekonomi: pemodelan biaya token, trade-off GPU, dan strategi caching
      • Cara berpikir AI: memahami perilaku model, titik kegagalan, dan desain sistem evaluasi
    • Talenta terbaik sering kali bertipe hybrid (engineer yang pernah meluncurkan produk, PM yang pernah mengelola proyek infrastruktur)
    • Mereka harus bisa membahas strategi harga dengan CEO, sambil juga mampu debugging pipeline evaluasi bersama engineer
    • Rekrutmen yang salah:
      • PM yang melihat AI sebagai “sekadar fitur” → kebocoran biaya
      • Engineer yang hanya terobsesi pada performa model dan mengabaikan adopsi serta biaya → menghasilkan demo yang tidak dipakai siapa pun
    • Rekrutmen yang benar: talenta yang melihat AI sebagai sistem yang merangkai teknologi, bisnis, dan psikologi pengguna

  • Ringkasan: disiplin untuk beralih ke eksekusi

    • Cegah keruntuhan saat ekspansi skala dengan stress test unit economics
    • Masukkan analisis biaya dan adopsi ke dalam PRD agar ekonomi bisnis tercermin sejak awal
    • Siapkan diri menghadapi komoditisasi lewat audit diferensiasi kuartalan
    • Tawarkan strategi, bukan fitur, kepada investor
    • Rekrut kepemimpinan yang mencakup produk, infrastruktur, dan ekonomi sekaligus
  • Pendiri yang menang bukanlah mereka yang memiliki fitur paling mencolok, melainkan mereka yang memiliki disiplin untuk menjalankan perusahaan seperti sebuah sistem

Mengapa sekarang menjadi momen penentu bagi para pendiri

  • Di setiap generasi teknologi selalu ada pemenang dan pecundang — internet, SaaS, dan mobile pun demikian
  • Namun, AI bukan sekadar gelombang berikutnya (next wave) → ini adalah gelombang perubahan yang paling cepat, paling keras, dan paling tak kenal ampun
  • Pasar sudah ramai
    • Setiap minggu ratusan aplikasi “berbasis AI” dirilis
    • Investor kewalahan oleh begitu banyak pitch deck
    • Pelanggan bingung karena terlalu banyak pilihan
    • Fitur menjadi komoditas hanya dalam hitungan minggu
    • API tiap bulan makin murah, makin cepat, dan makin mudah diakses
  • Ironisnya, meski pasar ramai, strategi yang sungguh matang justru langka
  • Sebagian besar pendiri:
    • sibuk membuat demo
    • bergantung pada wrapping API
    • mengabaikan ekonomi bisnis
    • salah menetapkan harga fitur
    • berharap “skala akan menyelesaikan masalah”
  • Tetapi AI menghabiskan uang akibat strategi yang salah lebih cepat daripada gelombang teknologi mana pun
    • Dalam SaaS, unit economics yang salah masih bisa ditahan selama bertahun-tahun
    • Dalam AI, bahkan satu bulan biaya inferensi yang lepas kendali bisa cukup untuk menenggelamkan bisnis
    • Dalam SaaS, Anda masih bisa bertahan dengan fitur
    • Dalam AI, komoditisasi membuat “fitur unik” menjadi tak berarti dalam semalam
  • Pendiri yang menguasai strategi produk AI sekarang akan menguasai 10 tahun ke depan
  • Mereka akan:
    • membangun moat, bukan mengejar fitur
    • mengubah harga menjadi positioning, bukan menyembunyikan biaya
    • memakai ekonomi bisnis yang sudah di-stress test, bukan model penuh harapan
    • mendapatkan kepercayaan lewat sistem evaluasi (evals), bukan mempertaruhkan kepercayaan pengguna
    • memperlakukan AI sebagai sistem, bukan sekadar mainan
  • Kesenjangan antara pemenang dan pecundang akan melebar lebih cepat dari sebelumnya
    • Sekali celah itu terbuka, ia tidak akan menyempit lagi

  • Kesimpulan

    • Inilah saatnya untuk benar-benar menguasai strategi
    • Pendiri yang mempelajari strategi di momen ini akan lama diingat pasar, sedangkan yang tidak akan dilupakan
    • Hanya ada satu pertanyaan: Anda akan menjadi yang mana?

Bacaan terkait

3 komentar

 
hybridego 2025-09-11

Tulisan yang sangat bagus.
 
namojo 2025-09-10

Tulisan yang sangat saya rekomendasikan~!

Bahkan jika AI dibangun dengan model open source, biaya marginalnya tetap terus meningkat, seperti sihir
 
sh102201 2025-09-09

Tulisan yang bagus.