- Ringkasan peta industri MAD 2025: Bubble & Build dalam satu gambar serta penjelasan 25 tema tahun ini
- Pada 2025, pasar AI dan data sedang beralih dari pusat pada chatbot ke sistem agen dengan alat, memori, dan model penalaran, di tengah koeksistensi antara investasi yang terlalu panas dan penerapan nyata
- Melalui 25 tren utama, perubahan di seluruh spektrum—gelembung, infrastruktur, riset, geopolitik, bisnis, infrastruktur, dan aplikasi—dirangkum
- Peta MAD kali ini mengurangi jumlah logo dari lebih dari 2.000 menjadi sekitar 1.150, dan memperbesar porsi hyperscaler serta pemimpin kategori seperti NVIDIA, Databricks, dan OpenAI untuk mencerminkan konsentrasi pasar
- Bagian baru agent stack dan local AI (LLM on-device) ditambahkan, sementara area open source diintegrasikan ke dalam struktur keseluruhan untuk menata ulang alur menjadi data–infrastruktur–AI–agen–aplikasi
- Secara keseluruhan, ini adalah struktur pasar tempat gelembung dan pembangunan nyata (Bubble & Build) berlangsung bersamaan, dengan energi, infrastruktur terdistribusi, dan agentification muncul sebagai poros utama
Ikhtisar dan arah editorial
- MAD Landscape edisi 2025 adalah versi ke-11 sejak 2012, dengan perombakan struktural terbesar
- Jumlah logo dipangkas dari lebih dari 2.000 menjadi sekitar 1.150 untuk meningkatkan keterbacaan, dan lebih banyak ruang dialokasikan untuk hyperscaler dan pemimpin kategori
- Kotak open source dihapus, digantikan dengan penambahan bagian agent stack dan local AI
- Hasilnya adalah struktur berlapis yang sederhana dan jelas dari data ke infrastruktur, ML/AI, agen, lalu aplikasi
- Tersedia dalam PDF resolusi tinggi dan versi interaktif yang dapat ditelusuri - mad.firstmark.com
Makroekonomi dan pasar
- 1. Dinamika gelembung tanpa rem
– Pasar kembali dipenuhi gelembung, tetapi berbeda dari 1999; dana melimpah, valuasi berada di level stratosfer, dan terutama ada "premi AI" yang diterapkan pada agen, frontier AI, dan perusahaan bertumbuh cepat
- Seperti lazimnya dalam pergantian paradigma, belanja modal/biaya operasional dikeluarkan lebih dulu; agar bisa mendarat, permintaan harus terwujud dalam skala besar, tetapi perubahan kebiasaan butuh waktu dan adopsi tidak merata
- Banyak tim bekerja dengan intensitas setara 996, mempercepat laju pengiriman namun juga meningkatkan risiko burnout
- Paradoks 2025 adalah bahwa hype dan fundamental sama-sama naik, dan secara historis dampak buruk dapat datang lebih dulu daripada imbalannya
- Tahun ini terasa penuh ketegangan sekaligus percepatan
- 2. Kerapuhan (Fragility): siklus dan konsentrasi pelanggan
– Di balik angka pertumbuhan besar, banyak dana mengalir ke segelintir pemain
- Beberapa transaksi terlihat bersifat siklikal: OpenAI menandatangani kontrak pembelian GPU skala besar dengan NVIDIA, sementara NVIDIA berkomitmen berinvestasi besar di OpenAI; OpenAI juga meneken kontrak chip bernilai miliaran dolar dengan AMD sambil memegang opsi pembelian saham
- Pola serupa meluas ke seluruh stack, menghubungkan pendanaan industri dan kontrak pasokan menjadi jaringan saling ketergantungan antara model lab, pembuat chip, cloud, dan startup AI, sehingga memunculkan kekhawatiran tentang "round-tripping"
- Konsentrasi pelanggan menurunkan daya tahan guncangan dalam ekosistem AI: sebagian besar belanja melewati segelintir hyperscaler dan frontier lab, dan banyak vendor yang tampak menonjol bergantung pada sedikit pelanggan besar
- 3. Gambaran besar kabur, prospek jangka pendek sangat nyata
– Pendapat terbelah antara apakah kemajuan sedang mandek atau justru kita melewatkan pertumbuhan eksponensial berikutnya; jalur menuju AGI/ASI belum terdefinisi, definisinya sendiri kabur, dan genderang kaum doomer pun mulai mereda
- Sementara itu, horizon jangka pendek hingga menengah sangat konkret: longsoran AI slop di video, teks, dan kode telah datang, bersamaan dengan kekhawatiran yang makin mendesak soal pekerjaan
- Seberapa besar, seberapa cepat, dan untuk siapa perubahan ini terjadi menjadi isu yang sangat mendesak, sementara respons manusia, politik, dan sosial tertinggal dari laju teknologi
- 4. Lab riset vs. perusahaan mapan: neraca berbeda, persaingan sama
– Pertarungan untuk mendominasi AI lebih sengit dari sebelumnya, dan arena bermainnya tidak seimbang
- Big Tech memiliki jaringan distribusi raksasa, portofolio produk besar, serta anggaran yang memungkinkan bundling, menunggu siklus, dan grinding
- Google jelas memulihkan momentumnya pada 2025 lewat serangkaian peluncuran AI besar, sementara Meta memperbesar ambisinya melalui SuperIntelligence Lab; keduanya beroperasi di atas inti pendapatan yang sangat besar dan neraca yang nyaris tak terbatas
- Frontier lab independen membutuhkan terobosan besar untuk membenarkan valuasi mereka
- Nama-nama baru—SSI, Thinking Machines, Reflection—telah bergabung di tier teratas, dan antusiasme terhadap agen/penalaran meningkat meski hambatan penerapan tetap ada
- OpenAI adalah pemimpin yang jelas dan terus menggalang dana perang; Anthropic juga tidak tertinggal, tetapi muncul pertanyaan berapa lama modal bisa bertahan di level seperti ini
- Apa pun hasilnya, pengguna diuntungkan. Perusahaan mapan menawarkan bundel, sementara lab riset melaju dengan kemajuan yang memukau
- 5. IPO dan perusahaan publik: jendelanya (secara selektif) terbuka
– Debut CoreWeave pada Maret memberi pasar apa yang dibutuhkan: IPO infrastruktur AI yang rapi, dan sejak itu diperdagangkan dengan baik
- Palantir menjadi pembanding yang kontroversial, diperdagangkan dengan kelipatan EV/NTM premium (baru-baru ini sekitar 80–90x), dan kemungkinan akan membuat para calon emiten tahap akhir lebih berani
- Berikutnya: Cohere menyatakan IPO bisa terjadi "segera", Dataiku telah memilih bank, Cerebras menarik S-1 setelah pendanaan baru
- Sekitar 10 pemain AI swasta teratas hampir tidak memiliki insentif untuk go public mengingat akses modal dan fleksibilitas strategis mereka;
namun jika Databricks (> $100B swasta) dan frontier lab (OpenAI, Anthropic) pada akhirnya melantai di bursa, IPO bersejarah diperkirakan akan terjadi
- 6. M&A: konsolidasi dan perang talenta
– Para pemain besar mencoba membangun full agent stack tetapi mendapati itu lebih sulit dari perkiraan lalu mulai berbelanja, namun bahkan transaksi yang menjadi sorotan pun terhenti (Adobe–Synthesia, SoftBank–Agility)
- Karena itu, "akuisisi vs. bangun sendiri" bukan pilihan yang otomatis
- Yang berhasil justru sangat presisi seperti bedah: ServiceNow–Moveworks ($2.85B) di area agen enterprise; Salesforce–Informatica (sekitar $8B) untuk memperkuat control plane data
- Infrastruktur data juga sedang bergabung dari dalam: dbt Labs dan Fivetran (seluruhnya saham; ≈$600M ARR) menyatukan pengumpulan dan transformasi di bawah satu atap
- Kisah paling ramai adalah soal talenta dan acqui-hire: Meta bertindak sangat agresif
– Mengambil ~49% Scale AI senilai ~$14–15B untuk membawa Alexandr Wang ke dorongan superintelligence, lalu merekrut peneliti OpenAI setelah menetapkan patokan kompensasi 9 digit, memicu lingkaran setan retensi dengan biaya berapa pun
- Kesimpulannya, 2025 adalah tahun akuisisi presisi, akuisisi tim, dan struktur kreatif
- Di tengah risiko integrasi dan sorotan potensi pelanggaran antimonopoli, transaksi besar yang benar-benar masif tetap jarang
Riset dan Frontier
- 7. Inferensi + RL adalah frontier
– Lompatan terbesar tahun ini bukan transformer yang lebih besar, melainkan melatih model agar memusatkan komputasi pada proses berpikir
- Reinforcement learning untuk inferensi yang dipopulerkan oleh DeepSeek R1 dan model bergaya "o-series"—mengalokasikan token untuk penalaran—mendorong kemajuan dalam matematika, kode, dan perencanaan multi-langkah
- Desain kurikulum, desain reward, dan loop umpan balik penggunaan alat menjadi lebih penting daripada ukuran model mentah
- RL bukan obat mujarab—reward yang buruk tetap mengajarkan kebiasaan buruk—tetapi bila diskalakan dengan benar, ia memberi efek besar pada pra-pelatihan
- Tantangan berikutnya adalah melakukan generalisasi melampaui kode dan matematika ke pekerjaan nyata yang berantakan, tempat "benar" dan "salah" tidak selalu jelas;
di sini, sinyal yang lebih kaya menjadi penting, mulai dari umpan balik manusia pada hasil bisnis hingga benchmark baru seperti GDPVal (penilaian rantai tugas end-to-end)
- 8. Apakah AI sedang melambat? Pandangan berlawanan membuat kita tetap jujur
– Sejumlah peneliti papan atas—termasuk tamu podcast MAD (Sholto Douglas, Julian Schrittwieser, Jerry Tworek)—masih mengatakan ada banyak peluang mudah yang belum dipetik dan kemajuan beberapa tahun ke depan masih terbuka dengan paradigma pra-pelatihan + RL saat ini
- Yang lain menyerukan kehati-hatian: Andrej Karpathy mengatakan "agent masih 10 tahun lagi", Bitter Lesson dari Rich Sutton berargumen bahwa metode umum + compute mengalahkan penyesuaian manual, dan Yann LeCun mendorong world model serta prediksi self-supervised sebagai jalur lain
- Perdebatan seperti ini sehat: lebih sedikit drama leaderboard, lebih banyak pengekangan, red teaming, dan pekerjaan nyata
- 9. Frontier yang bergerak cepat: AI yang melakukan sains kreatif; robotika
– Di laboratorium kita melihat ide seperti "Move 37"—model yang mengusulkan hipotesis dan jalur non-intuitif yang tidak akan lebih dulu dicoba manusia
- AlphaFold 3 bergerak ke interaksi biomolekuler; GNoME memunculkan sekitar 2,2 juta kristal yang mungkin; Cell2Sentence-Scale 27B dari Yale × Google menandai jalur terapi kanker potensial dari data sel tunggal
- Di luar biologi, robotika juga makin cepat:
model fondasi robotika (kebijakan vision-language-action yang dilatih pada dataset gabungan skala besar) meningkatkan transfer antar robot dan tugas,
sementara manipulator mobile mencatat lebih banyak jam dunia nyata dan peralatan laboratorium otonom memperketat loop rancang–bangun–uji
- Bisakah AI menghasilkan terobosan setingkat Nobel atau membuat robot lapangan yang andal menjalankan pekerjaan berguna?
- Keduanya terasa makin dekat setiap kuartal
- 10. Open source (open weight) masih bertahan—melewati tahun yang berat
– Momen R1 dari DeepSeek (dan turunannya yang open weight) menetapkan nada, tetapi Llama 4 tidak memenuhi ekspektasi dan Meta mengisyaratkan sikap yang lebih ketat terhadap rilis permisif
- Mistral sempat goyah lalu mendapatkan kembali momentumnya; Qwen3 diam-diam menjadi platform andalan yang "cukup bagus" di banyak stack
- Di sisi positif, AI2 terus merilis aset nyata (OLMo/OLMo-2, data kelas Dolma), pendanaan Reflection AI menghidupkan kembali narasi "DeepSeek-nya Amerika"
- Perusahaan tetap menginginkan kontrol (Control) dan residensi (Residency); startup tetap menginginkan margin
- Masa depan tampak hibrida: routing ke open source saat memungkinkan, dan lonjak ke frontier saat diperlukan
- Dengan NPU hadir di mana-mana, model kecil akan memainkan peran penting;
stack yang paling sehat akan tetap jamak—open dan closed, cloud dan device, besar dan kecil—tanpa perang ideologis atau vendor lock-in
Geopolitik (Geopolitics)
- 11. Tiongkok sedang merakit stack AI paralel
– Tiongkok sedang membangun jalur end-to-end yang lebih sedikit bergantung pada NVIDIA dan CUDA:
Huawei Ascend 910B/910C berada di bawah lapisan perangkat lunak yang terus tumbuh (CANN, MindSpore),
dengan model mereka sendiri yang disesuaikan untuk data dan kebijakan lokal (DeepSeek, Qwen3, Kimi, ERNIE, dan lain-lain) di atasnya
- Setelah momen DeepSeek, ini menjadi tahun besar bagi model-model Tiongkok, dengan Qwen dan Kimi meluas di produksi,
bukan hanya pada level "cukup bagus" tetapi kompetitif di banyak domain
- Kontrol ekspor memperlambat kemajuan tetapi tidak menghentikannya;
lokalisasi menjadi fitur dalam decoupling teknis: kompatibel, makin mandiri, dan di beberapa area berada di posisi terdepan
- 12. AI berdaulat (Sovereign AI) beralih dari slogan ke pengadaan
– "Membangun model lokal di compute lokal" kini didukung oleh hardware, anggaran, dan pembeli nyata
- Inggris menyalakan Isambard-AI dan menyelesaikan koneksi ke grid
- IndiaAI melampaui 34.000 GPU dan mulai alokasi bersubsidi
- Negara-negara Teluk terus memperluas "pabrik AI" nasional melalui G42 × Cerebras (Condor Galaxy)
- Eropa sedang membina para juara—Mistral kini didukung ASML—sementara OpenAI meluncurkan residensi data EU/Inggris untuk memenuhi tuntutan kedaulatan
- 13. Energi menjadi bottleneck compute yang baru, dan negara-negara menyadarinya
– Bukan GPU, listrik adalah bottleneck baru
- Penentuan lokasi data center kini mengikuti kontrak megawatt, hak air, dan interkoneksi grid
- Pemerintah menarik pabrik AI seperti dulu mereka menarik foundry
- Perkirakan PPA berdaulat dan ko-lokasi nuklir/energi terbarukan (koneksi grid Isambard-AI di Inggris; pilot Google – TVA/Kairos SMR; Microsoft-Helion Fusion PPA)
- Insentif yang mendahulukan daya akan membentuk tempat model dilatih dan wilayah mana yang menang dalam pembangunan AI
- Kontrol ekspor tetap penting, tetapi kilowatt kini menentukan jadwal
Bisnis AI
- 14. Distribusi mengalahkan penemuan (sekali lagi)
– Seluruh generasi startup AI-native tumbuh lebih cepat daripada yang pernah kita lihat
- Produk menjadi viral di media sosial, dan dewan direksi yang terus khawatir sekaligus penasaran soal AI mendorong gelombang uji coba dan eksperimen
- Pertanyaan yang tersisa adalah daya tahan (Durability): apakah ini benar-benar ARR atau pendapatan eksperimental yang akan menguap?
- Pemain lama sering kali punya keunggulan distribusi: asisten yang dibundel dengan iOS/Android, Windows Copilot, Chrome, Salesforce Einstein, dan ServiceNow Now Assist
—tetapi tidak selalu demikian
- Kemitraan dan integrasi dapat mengubah kurva:
- Cursor makin terintegrasi dengan VS Code;
- Supabase menunggangi gelombang Lovable;
- para pemenang yang lebih senyap menyusup ke IDE, CRM, dan dokumen
- Produk menemukan keberhasilan dengan hadir di momen penciptaan (menulis, coding, pengajuan kasus)
- Yang tertanam mengalahkan yang sekadar "lebih baik", dan dapat berkembang mengikuti penggunaan nyata
- 15. Margin dan harga: dari merebut lahan ke mendaratkan pesawat
– Saat penggunaan naik dan pelanggan menginginkan model terbaru yang paling cerdas, biaya melonjak tajam
- Realitas kerasnya: jika Anda bertumpu di atas model frontier milik pihak lain, pertumbuhan bisa membalikkan Anda ke margin kotor negatif
— kisah Windsurf dan Cognition menjadi peringatannya
- Pendanaan VC bisa membiayai perebutan lahan, tetapi tidak bisa selamanya menutup ekonomi unit yang buruk
- Startup AI sedang beradaptasi: menjadikan model yang lebih kecil dan murah sebagai default, menyiapkan kapasitas cadangan untuk lonjakan beban, dan melakukan cache secara agresif
- Pendekatan dominan kini menjadi penetapan harga berdasarkan hasil
— per kasus yang ditutup, per tiket yang diselesaikan, dan sebagainya
— disertai opsi throughput yang dijamin, agar pendapatan mengikuti hasil nyata
- Pemenangnya adalah mereka yang menjalankan prinsip biaya dan penetapan harga yang mengukur nilai nyata secara bersamaan
- 16. AI enterprise: pembangunan lebih lambat daripada demo (tetapi sedang dikomersialkan)
– Implementasi enterprise bergerak lebih lambat daripada demo keren di media sosial
- Pembeli menginginkan tata kelola agen, sitasi, asal-usul sumber, penanganan PII, jejak audit, dan koneksi erat ke sistem enterprise sebelum menerapkan otonomi
- Ada kemajuan nyata dalam mendefinisikan use case dan implementasinya
- Layanan pelanggan AI, AI coding, chatbot internal adalah kemenangan yang jelas
- Banyak strategi spesifik industri atau perusahaan masih membutuhkan kustomisasi, pipeline data, dan pekerjaan kebijakan agar benar-benar muncul
- Kita sudah melewati "tahap Accenture" dan sekarang lengkungannya (arc) mulai terlihat
— dari copilot ke agen yang sempit ke otomasi terkelola
— permintaan makin mantap
- Di tengah permintaan ini, pemain lama punya keunggulan distribusi, meluncurkan "platform agen" di dalam CRM/ERP/ITSM (Salesforce, ServiceNow, Microsoft)
- Guardrail, telemetri, dan persetujuan dibundel dalam satu tempat
- Secara umum, pasar enterprise Global 2000 mulai serius memanas untuk membeli dan menerapkan AI, tetapi belum sampai titik mendidih penuh
Infrastruktur AI
- 17. NVIDIA mendominasi, tetapi diversifikasi itu nyata
– Rak Blackwell GB200 masih menjadi tolok ukur, tetapi pembeli kini juga menambahkan Google TPU, AMD MI350, dan pada jejak tertentu Intel Gaudi 3
- Karena desain skala rak mendorong TCO, pembeli mencampur vendor demi harga/kinerja dan pasokan, serta menjalankan klaster heterogen di bawah scheduler yang lebih cerdas, bukan monokultur satu vendor
- 18. Kebangkitan AI lokal: perangkat, edge dekat, cloud privat
– NPU baru di laptop dan ponsel mendorong pekerjaan nyata ke perangkat: cepat, multimodal, dan pada dasarnya privat
- Jika pekerjaan terlalu besar, beban dialihkan ke "cloud privat" terdekat atau yang dioperasikan vendor (misalnya Apple Private Cloud Compute), bukan endpoint publik umum
- Alat seperti LM Studio dan Ollama menjadikan model lokal klik-untuk-jalankan
- On-device menangani UX cepat dan konteks pribadi; cloud menangani inferensi yang lebih berat dan memori bersama
- Di pabrik, klinik, dan mobil, edge box terdekat melindungi bandwidth, privasi, dan uptime
- Produk terbaik mampu melakukan handoff mulus antara perangkat, edge, dan cloud
- 19. Stack agen menjadi lapisan infrastruktur
– Ada runtime baru di bawah aplikasi: planner dan pemanggilan tool, output terstruktur dan katalog fungsi, memori jangka pendek/panjang (vektor, graf), eksekusi tool dalam sandbox, persetujuan, dan orkestrasi stateful
- Di sekelilingnya ada evaluator untuk tugas, kebijakan/guardrail, pelacakan dan telemetri biaya, dataset/kontrol versi, dan rollback
- Apa yang pada 2024 tampak seperti "App Glue" kini menyerupai tier platform dengan SLA dan jalur pengadaan tersendiri
- 20. Kepatuhan, keamanan, dan red team kini menjadi dasar
– Keamanan dan kepatuhan bukan lagi kotak centang, melainkan harga untuk menjalankan AI di produksi
- Panduan yang diperbarui (misalnya OWASP LLM Top 10, playbook prompt injection) menetapkan standar
- Menunjukkan dari mana data berasal, mencatat prompt/tool/keputusan, menegakkan kebijakan, dan membuktikan ketahanan terhadap jailbreak
- Perusahaan mengharapkan bukti, jejak audit, dan prosedur "break-glass(terbuka)" yang jelas, terhubung ke lapisan seperti penyediaan layanan dan penyimpanan
- Jika tidak bisa dievaluasi, dilacak, dan dikelola, itu bukan infrastruktur
Infrastruktur data
- 21. Akhir sebuah era, awal konsolidasi
– Unbundling "modern data stack" mengarah pada konsolidasi:
- dbt Labs dan Fivetran bergabung
- Platform seperti Databricks terus mencakup waterfront (batch dan streaming, vektor dan graf, feature store, governance) dengan porsi build dan buy yang seimbang
- Kerangka berpikir bergeser dari "warehouse vs lakehouse" menjadi object storage + open table + katalog netral sebagai control plane
- Pemodelan, perpindahan data, feature, dataset evaluasi, lineage, dan kebijakan berpadu dengan AI serving dan runtime agen
- Dalam praktiknya, infrastruktur data dan infrastruktur AI runtuh menjadi satu plane, dan nilai mengalir keluar dari celah di antaranya
- 22. Namun, fondasi data menjadi lebih penting daripada sebelumnya
– Tabel dan katalog yang kokoh, kualitas dan lineage, serta mesin kueri berlatensi rendah telah menjadi prasyarat bagi agen, pencarian, dan CI yang mengutamakan evaluasi, bukan lagi sekadar urusan belakangan
- Pencarian yang ditingkatkan graf dan vektor berpindah dari posting blog menjadi pola nyata
- Observability kini meluas ke prompt, tool, dan biaya
- Kepatuhan kini berada pada plane yang sama dengan kinerja
- Bidang ini sedang mendapatkan energi baru
- Kenaikan analitik real-time ClickHouse (kini juga dengan vektor) menunjukkan permintaan akan kecepatan dalam skala besar
- Stack lokal dan edge tetap memerlukan kontrak yang jelas untuk mendukung memori cloud
- Data tidak menghilang, melainkan naik kelas menjadi domain kontrol AI
Aplikasi dan agen
- 23. Laboratorium besar dan platform naik ke atas stack
– Frontier lab dan pemain lama tidak puas hanya dengan model API
- OpenAI, Anthropic, Google/Gemini terus meluncurkan produk di lapisan aplikasi
- asisten suara, aplikasi desktop, paket tim, email, dokumen, pembuat alur kerja yang terhubung ke CRM, dan lainnya
- Ini memicu risiko platform dan persaingan langsung
- Jika vendor model menguasai surface dan bundel, mereka bisa masuk ke wilayah Anda besok
- OpenAI mendorong ini paling jauh
- merekrut pakar domain (misalnya mantan bankir) untuk mengajarkan alur kerja
- menambahkan rel perdagangan di dalam ChatGPT
- meluncurkan browser yang mengutamakan ChatGPT
— Anthropic memperdalam alur tim/proyek dan meluncurkan Claude Code
- Gemini memperkuat surface konsumen dan Workspace
- Sementara itu, model menyerap porsi besar lapisan "wrapper"
- structured output bawaan, function calling, memory, alat browse/code/vision/voice, otomasi ringan, bahkan perdagangan
- Pengguna mendapatkan kecepatan
— bisa memanfaatkan fitur yang sudah bekerja dengan baik
- Bagi startup, siklus wrapper adalah tipis → tebal → lalu lebih tipis lagi
- UI awal tumbuh menjadi produk nyata (jembatan data, alur kerja, compliance), tetapi platform menarik banyak fungsi ke inti
- 24. Vibe coding adalah hit besar tahun 2025
– Agen coding melompat dari hal baru menjadi kebiasaan sehari-hari
— membaca repositori, menyalakan sandbox, merencanakan perubahan, membuka PR, menjalankan tes, menjelaskan perbedaan
— bahkan demo "video coding" kini menampilkan agen yang memanipulasi UI dari screencast
- Tingkat adopsinya mengejutkan:
- Cursor dan Claude Code sering disebut sebagai salah satu alat developer dengan pertumbuhan tercepat sepanjang masa
- dalam hitungan bulan menunjukkan trajektori ARR sembilan digit
- Craft telah bergeser dari autocomplete ke pengarahan dan review, dan stack meluas menjadi alur kerja end-to-end seperti GitHub Copilot, Sourcegraph Cody, Codeium/Windsurf, Devin, dan lainnya
- Di sisi produk, Vercel v0, Lovable, dan Replit mengubah "Describe, then ship (jelaskan, lalu langsung kirim)" menjadi loop produksi untuk tim kecil
- Tantangannya, terutama bagi developer nonprofesional, adalah stickiness; perilaku kohort awal menunjukkan kebiasaan ini bisa bertahan seperti pencarian untuk coding
- 25. Modalitas mulai bersinar
– Gambar, video, dan suara mencapai level baru: Veo3, Runway, dan Sora memimpin generasi bergaya sinematik
- ElevenLabs dan Synthesia menjadikan pekerjaan suara dan avatar berkualitas tinggi sebagai hal sehari-hari
- agen suara real-time mempertahankan percakapan yang lancar dan menggerakkan alat
- model vision kini menganalisis UI, grafik, dan foto lapangan tanpa template rapuh
- editor video langsung beralih dari klip ke adegan storyboard yang memiliki sumber
- Sementara itu, dari Genie 3 hingga karya baru kelompok Fei-Fei Li, world model bertujuan untuk mengenali dan bertindak dalam lingkungan interaktif
- Ini mengaburkan batas antara software kreatif dan software operasional
- Standarnya bergeser dari "bisakah memberi subtitle?" menjadi "bisakah mengenali, merencanakan, dan bertindak secara andal lintas mode?"
- 2026 akan menjadi tahun besar bagi modalitas
Pemikiran penutup
- Lanskap MAD 2025 adalah peta pasar yang menjalankan dua hal sekaligus: gelembung dan pembangunan
- Untuk mencerminkan kenyataan, logo dikurangi dan bobotnya ditambahkan saat digambar ulang
- Hyperscaler dan pemimpin pure-play menempati edge, agen serta data/control plane bertemu di tengah, dan bukan hanya GPU tetapi juga daya listrik yang menentukan kecepatan
- Alur ceritanya saling berima di seluruh topografi
- sementara open weight mempertahankan elastisitas, tiap lab berekspansi ke aplikasi
- data dan infrastruktur AI telah bergabung
- meski tertinggal dari demo, deployment enterprise sedang berlangsung
- agen coding telah menjadi kebiasaan sehari-hari
- Mulai dari sini, cakrawalanya menjadi lebih luas daripada sekadar satu rilis:
dengan menyesuaikan distribusi, margin, tata kelola, dan konsumsi daya, intelligence menjadi infrastruktur,
dan gelombang berikutnya akan mengarah pada kemajuan majemuk yang memajukan seluruh industri
Belum ada komentar.