Semua Hal tentang Viral Loop yang Kita Pelajari (dan Lupakan) di Era Web 2.0

• Viral Loop adalah mekanisme pertumbuhan yang dirancang di dalam produk itu sendiri, yang membentuk struktur akuisisi pengguna yang bisa diukur dan dioptimalkan melalui fitur undangan, berbagi, dan rekomendasi
• Pada masa kejayaan Web 2.0, banyak produk yang menghasilkan puluhan juta pengguna dengan memanfaatkan viral loop, tetapi setelah beralih ke era mobile, banyak pengetahuan praktis ini menghilang
• Jika fitur undangan, berbagi, dan rekomendasi dirancang di dalam produk, lalu viral factor diukur pada tingkat sesi dan kohort, maka kita bisa melacak secara matematis sampai sejauh mana pengguna gratis dapat diperbanyak
  • Jika di atas 1.0, pertumbuhan akan terakselerasi dengan sendirinya; jika di bawah 1.0, pada akhirnya pertumbuhan akan melambat
• Ada produk kategori 1 yang bergantung pada loop berbagi yang sederhana namun kuat, dan produk kategori 2 yang menambahkan beberapa loop berbagi di atas fitur yang dalam dan retensi yang tinggi; pola pertumbuhan dan batas keduanya sangat berbeda
• Karena peralihan ke mobile, pembatasan platform, hilangnya efek kebaruan, kejenuhan pasar, dan faktor lain, struktur yang membuat viral factor melampaui 1 pada sesi pertama kini hampir mustahil; yang penting saat ini adalah struktur di mana semakin tinggi retensi, semakin besar cumulative viral factor dari seluruh sesi
• Shitposting, ragebaiting, dan klip video yang populer di sosial media bersama alat generatif AI cenderung lebih mirip lonjakan sesaat, tetapi bila digabungkan dengan loop “buat lalu bagikan” yang dirancang di dalam produk, semuanya dapat berkontribusi pada perluasan basis pengguna jangka panjang

---

Masa Keemasan Viral Loop di Era Web 2.0

• Pada periode Web 2.0 sekitar 2005–2010, jejaring sosial, platform UGC, alat kolaborasi, dan aplikasi messenger secara sistematis merancang viral loop untuk membangun basis pengguna dari jutaan hingga ratusan juta orang
  • Struktur yang membuat pengguna mendatangkan pengguna lain dioptimalkan secara teknis lewat undangan email, impor buku alamat, dan tautan berbagi konten
  • Ini adalah masa ketika orang mengejar “pertumbuhan yang dirancang secara rekayasa” dengan melacak viral factor berbasis rumus dan A/B testing
  • Facebook, LinkedIn, YouTube, Spotify, dan Pinterest tumbuh dengan cara ini
• Para pendiri dan tim produk viral yang sukses pada masa ini kemudian berpindah menjadi eksekutif perusahaan tech besar atau VC, sehingga pengetahuan membangun viral loop praktis ikut hilang
• Setelah transisi ke mobile, cara lama tidak lagi efektif, sehingga sebagian besar pengetahuan dan know-how itu menipis di lapangan praktik
• Namun, matematika dan pola pikir yang sama masih bisa diterapkan apa adanya pada Product-Led Growth, rekomendasi marketplace, dan flow berbagi generative AI saat ini

Struktur Dasar Melihat Viral Factor Secara Matematis

• Viral yang dibahas di sini bukan sekadar satu tweet yang meledak, melainkan loop struktural di mana undangan, tagging, berbagi tautan, dan program referral yang tertanam di dalam produk secara terus-menerus menghasilkan pengguna baru
• Ciri loop ini adalah bisa diukur, bisa ditingkatkan lewat perubahan produk, dan memiliki struktur matematika yang sama untuk berbagai bentuk seperti undangan, berbagi konten, dan referral, dengan konsep rasio bernama viral factor di pusatnya
• Viral factor adalah rasio yang menggunakan “kohort pengguna yang mendaftar pada periode tertentu” sebagai penyebut, dan jumlah pengguna baru yang dihasilkan oleh pengguna dalam kohort tersebut melalui undangan dan berbagi seiring waktu sebagai pembilang
  • Contoh: jika 100 orang yang mendaftar 3 bulan lalu kemudian membawa 50 orang, maka viral factor pada titik itu adalah 0,5
  • Jika 100 pengguna membawa 150 pengguna, dan 150 itu membawa 225 pengguna, maka viral factor-nya 1,5
  • Jika 1 atau lebih, loop akan terus meluas; jika di bawah 1, pada akhirnya akan berhenti

Loop Berbagi Konten dan Desain Data

• Contoh viral loop yang representatif adalah ketika pengguna membuat sesuatu dengan AI, filter, atau tool lalu membagikannya lewat tautan, dan sebagian orang yang melihatnya ikut mendaftar untuk membuat hal serupa
  • Filter Instagram, tulisan blog, dan tool pembuat video AI masa kini termasuk pola yang sama
• Untuk mengukurnya, tautan berbagi harus dilacak dengan URL yang menyertakan sharer_id
  • Contoh: berbagi dalam bentuk product.com/vid/[video_id]?sharer_id=[user_id], lalu menyimpan sharer_id pada row pengguna yang mendaftar melalui tautan tersebut
• Setelah itu, ambil daftar id dari kohort tertentu, lalu hitung berapa kali mereka muncul sebagai sharer_id milik pengguna lain untuk menghitung viral factor
  • Pengguna dengan sharer_id kosong dianggap sebagai “pengguna Gen 1/onramp” dan dikeluarkan dari perhitungan; melihat rasio Gen N terhadap Gen N+1 lebih stabil
• Setelah viral factor dihitung, pertanyaannya secara alami bergeser ke “bagaimana menaikkan angka ini, dan apakah bisa melewati 1?”
  • Menambahkan flow yang meminta undangan saat onboarding, tautan undangan yang mudah disalin, memperbaiki UI berbagi
• Jika perhitungan berbasis sharer_id sudah dimungkinkan, metrik ini bisa dipatok di dashboard dan perubahan diamati lewat A/B testing
  • Variabel eksperimennya bisa berupa rasio pengguna yang memakai fitur berbagi, jumlah berbagi, dan conversion rate pendaftaran di pihak penerima, dan kombinasi ini bekerja seperti semacam “cookbook viral factor”
• Dengan kata lain, viral factor berlaku secara umum bukan hanya untuk loop undangan (invite), tetapi juga untuk berbagi, kolaborasi, referral, yaitu semua struktur di mana pengguna lama menghasilkan pengguna baru

Rumus “Jumlah Undangan × Conversion Rate” dan Batasannya

• Rumus “viral factor = jumlah undangan × conversion rate” yang banyak dikenal di internet memang intuitif, tetapi memiliki keterbatasan karena hanya berlaku untuk loop berbasis undangan
  • Dalam praktiknya ada banyak jenis loop seperti berbagi konten, undangan kolaborasi, dan kode referral
• Yang sebenarnya ingin diketahui adalah rasio antara dua kohort pengguna, jadi definisi berbasis kohort lebih mendekati esensinya
• Jika terlalu terpaku pada jumlah undangan × conversion rate, arahnya menjadi mendorong pengguna mengirim email undangan ke sebanyak mungkin teman, yakni desain yang nyaris seperti spam, dan ini meningkatkan kelelahan pengguna
  • Jejaring sosial lama seperti Bebo, Tagged, Hi5, dan MySpace dulu memakai fitur impor kontak Hotmail dan Yahoo Mail untuk membuat pengguna mengirim lebih dari 200 email undangan, sehingga viral factor naik secara artifisial
  • Cara ini memicu lebih banyak pengiriman ke alamat yang tidak valid → conversion rate turun → penyedia email menandainya sebagai spam; metode ini efektif sekitar 10 tahun, tetapi akhirnya era loop undangan email pun berakhir

Metrik Inti Produk Viral dan Syarat PMF

• Untuk membedakan produk yang tetap bertahan setelah lonjakan viral sesaat, metrik retensi, pembentukan kebiasaan, network effect, dan monetisasi berikut berguna sebagai tolok ukur
  • Apakah kurva retensi kohort mendatar pada tingkat tertentu (persentase pengguna yang tetap bertahan)
  • Apakah actives/registered > 25%, yaitu apakah pengguna aktif nyata cukup banyak dibanding jumlah pendaftar
  • Apakah kurva power user membentuk “senyum (smile)”, yaitu ada lapisan pengguna yang menempel kuat di inti
• Selain itu, metrik berikut juga valid untuk membedakan bisnis yang berkelanjutan
  • viral factor > 0,5 (cukup untuk memperkuat channel lain)
  • DAU/MAU > 50% (apakah kebiasaan penggunaan harian sudah terbentuk)
  • Apakah partisipasi meningkat pada jaringan yang lebih lama di tingkat pasar atau logo account (network effect)
  • Apakah D1/D7/D30 melampaui 60/30/15 (daya lekat awal dan frekuensi penggunaan)
  • Apakah pendapatan dan aktivitas per pengguna meningkat seiring waktu (apakah mulai dipakai lebih dalam)
  • Pada skala yang berarti, apakah lebih dari 60% berasal dari organic alih-alih pemasaran berbayar
• Banyak aplikasi viral di era Web 2.0 dan platform Facebook memiliki viral factor awal yang sangat tinggi dan word-of-mouth yang kuat, tetapi menghilang setelah lonjakan awal karena retensinya tidak menopang
  • Viral loop memang bisa dipakai untuk terus memperoleh kembali pengguna yang sudah pergi, tetapi tanpa product-market fit dan struktur penggunaan yang sticky, itu tidak akan menjadi bisnis yang sukses

Dua Jenis Produk Viral: Kategori 1 dan 2

• Produk viral umumnya terbagi ke dalam dua kategori
  • Kategori 1: aplikasi sederhana yang fokus pada satu tindakan, dengan hasil yang sangat mudah dibagikan; aplikasi super sederhana semacam ini mencakup Instagram awal, YouTube, serta berbagai aplikasi kuis dan anonim
  • Kategori 2: produk yang lebih kompleks dengan fitur mendalam dan retensi kuat, serta dilengkapi berbagai fitur berbagi dan kolaborasi (Figma, Slack, Facebook awal, dll.)
• Kategori 1 mudah menciptakan pertumbuhan eksplosif dan pola “meledak dalam semalam” berkat alur yang pendek dan konversi tinggi, tetapi juga membawa masalah churn setelah lonjakan dan retensi kumulatif yang rendah
• Kategori 2 membutuhkan waktu lebih lama untuk dibangun dan pertumbuhan awalnya cenderung landai, tetapi karena pengguna yang didapat tidak mudah pergi, produk seperti ini punya struktur yang memungkinkan akumulasi viral factor kumulatif selama banyak sesi
• Saat ini, banyak alat pembuat konten AI mengikuti pola kategori 1 (buat sederhana → bagikan), sehingga memiliki kekuatan (pertumbuhan cepat) dan kelemahan (masalah retensi setelah lonjakan) yang mirip dengan layanan filter foto dan video di masa lalu

Struktur bertahap dan rumus loop pembuatan konten sederhana

• Loop pembuatan dan berbagi konten sederhana biasanya melalui tahap-tahap berikut
  • Melihat hasil buatan seseorang secara online →
  • Menonton atau menikmati hasil tersebut →
  • Mengklik tautan pada hasil itu untuk masuk ke alat pembuatnya →
  • Mencoba memakai alat itu sendiri untuk membuat sesuatu →
  • Membagikan hasil yang dibuat ke sosial media, messenger, dan sebagainya →
  • Lebih banyak orang melihatnya dan mengulangi proses yang sama
• Di setiap tahap ada metrik funnel seperti rasio tontonan, CTR, rasio pembuatan, rasio berbagi, dan jumlah orang yang terekspos; jika hasil perkalian semua nilai ini lalu dikalikan dengan “rata-rata berapa orang yang melihat setiap kali dibagikan (X)” melebihi 1, loop akan tumbuh secara eksplosif
• Sebagai contoh, jika digunakan angka berikut, maka 0.5(ditonton) * 0.1(klik) * 0.2(membuat) * 0.5(membagikan) * X harus melebihi 1 agar virality terjadi
  • Karena hasil perkalian empat komponen pertama adalah 0.005, maka agar loop mencapai 1 atau lebih, setiap satu kali dibagikan harus dilihat oleh lebih dari 200 orang
  • Karena angkanya sangat sensitif, perubahan kecil pada UI atau konten bisa memberi dampak besar pada keseluruhan loop
• Jika dilihat dari viral factor (v), total tingkat amplifikasi pengguna yang dihitung sebagai penjumlahan geometrik dari akuisisi per generasi mengikuti struktur 1/(1-v)
  • Ketika viral factor kecil, dalam data nyata sering kali peningkatannya terkubur oleh noise dan sulit dibedakan secara kasatmata
  • Contoh: jika ada 100 pengguna masuk per hari dan viral factor 0.1, amplifikasi akhirnya hanya 1,11x, atau tambahan sekitar 11 orang
  • Jika v=0.5, maka 1/(1-0.5)=2, artinya di atas 100 pengguna yang didatangkan lewat iklan berbayar, viralitas menambahkan 100 pengguna lagi
• Artinya, struktur ini menghasilkan efek amplifikasi pengguna sebesar 2x saat v=0.5, 4x saat v=0.75, dan 10x saat v=0.9
  • Arus masuk 100 pengguna yang sama akan berubah menjadi 200 pengguna akhir (2x), 400 pengguna (4x), atau 1000 pengguna (10x), yakni amplifikasi yang benar-benar terasa dan sangat membantu mengimbangi biaya marketing berbayar
• Karena itu, dalam perancangan nyata, targetnya bukan sekadar “lumayan kalau ada sedikit viralitas”, melainkan harus membangun struktur yang bisa mendorongnya ke 0.5 atau lebih

Mengapa performa viral menurun seiring waktu

• Viral loop cenderung bergerak ke arah penurunan performa secara alami seiring waktu
  • Efek kebaruan (novelty) memudar, pasar makin jenuh, dan pembatasan dari platform makin kuat
• Saat bentuk konten atau alat baru muncul, orang cenderung lebih mau melihat, mengklik, dan mencobanya, tetapi ketika format berbagi yang sama makin umum, pola yang berulang adalah semua metrik itu turun secara keseluruhan
  • Misalnya, pada awal masa berbagi gambar AI, foto dengan enam jari pun dianggap baru dan banyak dibagikan, tetapi sekarang dibutuhkan tingkat kejutan yang jauh lebih tinggi
• Semakin pasar jenuh, semakin banyak nama di daftar teman teratas yang ingin diundang ternyata sudah menjadi pengguna atau memang tidak tertarik, sehingga jumlah undangan efektif menurun
  • Selain itu, pengguna yang masuk di tahap akhir cenderung late adopter dan lebih lemah dalam word of mouth, sehingga viral factor secara keseluruhan turun
  • Dalam contoh undangan lewat buku alamat email, dulu pengiriman ke lebih dari 200 kontak bisa menghasilkan open rate dan click-through rate yang tinggi, tetapi setelah basis pengguna mencapai puluhan juta, jumlah kontaknya sendiri menurun, dan open/click rate ikut turun
• Semua viral loop berjalan di atas platform dasar (email, Facebook, TikTok, dll.)
  • Jika konten dengan watermark atau tautan yang berlebihan makin banyak, platform bisa menerapkan kebijakan untuk menekannya
  • Artinya, jika platform mulai tidak menyukai konten ber-watermark atau bertautan, atau mulai meluncurkan fitur pesaing, maka conversion rate pada tahap tertentu bisa jatuh tajam dan seluruh loop bisa runtuh

Batasan aplikasi hyper-simple dan network effect

• Aplikasi yang hyper-simple dan hyper-viral memiliki struktur produk yang tersusun dari sedikit layar dan beberapa elemen UI saja, dan struktur itu sendiri berpotensi menghasilkan retensi yang sangat dalam bila konten dan jaringan sudah cukup besar
  • YouTube dan Instagram adalah contoh dengan UI inti yang sangat sederhana dan jaringan konten yang sangat besar; terlihat seperti aplikasi kecil, tetapi mampu memberi rasa keterlibatan yang nyaris tanpa akhir
• Produk seperti ini, meski menambah banyak fitur seiring waktu, tetap bisa terus menampilkan hal baru tanpa habis berkat jumlah konten dan network effect
• Sebaliknya, aplikasi yang hanya punya trik viral tanpa akumulasi konten, graph, atau kebiasaan akan terus mengulang pola di mana hampir tidak ada basis pengguna yang tersisa setelah lonjakan awal lewat

Batasan teknik viral sosial modern (shitposting, dll.)

• “Viral” dalam konteks sosial belakangan ini berarti campuran dari berbagai taktik seperti ragebait (memancing kemarahan), shitposting, video peluncuran yang keren, klip TikTok, billboard, viral lewat influencer, dan pendiri yang menjadi influencer
• Teknik-teknik ini memang bagus untuk menciptakan lonjakan trafik sekali pakai, tetapi
  • ada keterbatasan karena pendekatan ini jauh dari struktur yang mampu menjaga rasio jumlah pengguna baru / DAU sambil terus berkembang secara eksponensial seiring DAU membesar
  • jika format yang sama diulang setiap bulan atau minggu, efeknya cenderung terus melemah karena inersia dan kelelahan audiens
• Meski begitu, trafik yang masuk lewat taktik semacam ini masih tetap berguna karena, jika dipadukan dengan loop “buat lalu bagikan” di dalam produk, lonjakan sesaat itu bisa berubah menjadi benih pertumbuhan yang dapat diulang

Berakhirnya viral Web 2.0 dan peralihan ke mobile

• Pada masa kejayaan Web 2.0, banyak contoh yang mencapai “dari nol ke jutaan pengguna” dengan memanfaatkan undangan email, impor buku alamat, dan aplikasi Facebook
  • Facebook, LinkedIn, YouTube, Spotify, Pinterest, dan banyak layanan lain tumbuh di atas fondasi ini
  • Layanan seperti BirthdayAlar (email pengingat ulang tahun) dan Plaxo (permintaan pembaruan kontak) menjalankan loop undangan dengan alasan membantu menjaga ulang tahun dan kontak teman tetap mutakhir, dan mekanisme ini kemudian berlanjut menuju lahirnya jejaring sosial
• Seiring waktu, pengguna makin terbiasa dengan pola ini, penyedia email memperkuat filter spam, dan yang paling menentukan, pusat dunia berpindah dari email ke mobile, sehingga struktur yang sama makin sulit direproduksi
• Di mobile, akses ke kontak memang memungkinkan, tetapi karena UX-nya mengharuskan memilih nomor satu per satu untuk diundang, sulit melakukan undangan massal dalam skala 200 orang seperti di email
  • Ada juga upaya menggunakan server seperti Twilio untuk mengirim SMS atas nama pengguna, tetapi ini memunculkan isu spam SMS serta risiko regulasi dan denda, sehingga tidak berkelanjutan
• Hasilnya, era aplikasi hyper-simple dan hyper-viral yang bisa “melewati viral factor 1 pada sesi pertama” pada dasarnya telah berakhir, dan saat ini viral factor di kisaran 0.2~0.3 adalah kondisi yang lebih umum

Strategi viral modern yang berpusat pada retensi: channel mix dan akumulasi lintas sesi

• Pertumbuhan aplikasi saat ini dapat diringkas sebagai kombinasi dua elemen besar, bukan dorongan undangan yang berlebihan
  • 1. beberapa top funnel (SEO, sosial, PR, iklan berbayar, referral, dll.)
  • 2. viral factor yang terakumulasi sepanjang seluruh sesi berkat retention yang kuat
• Pertama, dibutuhkan struktur yang secara konsisten mengalirkan pengguna baru dari berbagai channel seperti pemasaran berbayar, referral, word of mouth, SEO, media, SNS, dan lainnya
  • Dalam kasus Uber, sekitar setengah perjalanan pertama berasal dari pemasaran berbayar, 10~20% dari referral, dan sisanya dari word of mouth, SEO, dan lain-lain
• Kedua, jika produk memiliki retention kuat yang menghasilkan banyak sesi pengguna,
  • maka dari tiap sesi bisa didorong sedikit demi sedikit share, undangan, dan referral untuk membentuk total viral factor yang merupakan penjumlahan viral factor per sesi
• Alih-alih “jumlah undangan × conversion rate”, ini harus dilihat sebagai deret tak hingga berbentuk viral factor sesi 1 + viral factor sesi 2 + …
  • Rumus sederhana jumlah undangan × conversion rate secara implisit mengasumsikan bahwa semua viral terjadi hanya pada sesi pertama, padahal dalam kenyataannya pengguna memiliki puluhan hingga ratusan sesi dan dapat sedikit demi sedikit melakukan share atau undangan di setiap sesi
  • Karena itu, sudut pandang yang lebih mendekati realitas adalah melihatnya sebagai nilai penjumlahan viral factor tiap sesi di seluruh rentang kurva retention

Pembagian peran viral antara onboarding dan sesi-sesi berikutnya

• Secara empiris, setengah dari total viral factor berasal dari sesi pertama, dan setengah sisanya tercipta di sesi-sesi berikutnya
  • Pada sesi pertama, pengguna berada dalam mode “setup” seperti menyiapkan workspace, mengundang teman atau rekan kerja, sehingga fitur undangan bisa secara alami ditempatkan di depan
  • Pada sesi kedua dan seterusnya, pengguna sudah berada dalam mode mengharapkan value, sehingga untuk menarik mereka ke viral flow, fungsinya harus berguna secara kontekstual
• Dalam produk nyata, berbagai jenis viral loop hidup berdampingan, dan masing-masing loop bekerja pada waktu serta konteks yang berbeda
  • Contoh Dropbox: berbagi folder, fitur undangan, program referral, dan viral loop dari aplikasi Dropbox lainnya masing-masing berkontribusi dalam bentuk berbeda
  • Contoh Uber: selain referral credit di dalam aplikasi, pengalaman naik bersama teman, berbagi ETA, dan eksposur berbasis fitur di dunia nyata juga berfungsi sebagai loop yang mendorong pengguna baru
• Kinerja tiap loop berbeda-beda, tetapi secara keseluruhan terbentuk struktur di mana pengguna menarik orang lain masuk ke produk dengan berbagai cara selama banyak sesi
• Semakin tinggi retention, semakin besar peluang pengguna terekspos ke banyak loop, sehingga menjadi fondasi untuk meningkatkan viral factor dalam jangka panjang tanpa memakai UI yang terasa spammy

Hubungan retention dan viral yang spammy

• Produk dengan jumlah sesi banyak dan retention tinggi dapat membentuk total viral factor yang besar meski hanya sedikit mendorong share atau undangan di tiap sesi, sehingga strukturnya tidak terlalu perlu bergantung pada undangan paksa yang spammy
  • Sebaliknya, produk dengan retention rendah yang rata-rata hanya memiliki 2~3 sesi harus memeras semua viral di dalam rentang itu, sehingga cenderung meminta undangan secara keras, mencolok, dan nyaris seperti spam
• Facebook pada masa awal adalah contoh produk yang, dibanding jejaring sosial pesaing, bisa memperoleh viral jangka panjang hanya dengan fitur undangan email yang ditempatkan diam-diam di rail kanan, berkat retention yang tinggi
  • Sebaliknya, jejaring sosial pesaing yang bergantung pada undangan spammy akhirnya kalah dari Facebook karena retention yang rendah dan kelelahan pengguna
• Dalam jangka panjang, pihak dengan produk ber-retention tinggi + loop yang tidak terlalu spammy akan unggul baik dari sisi pengalaman pengguna maupun pertumbuhan

Nilai viral factor di bawah 1 dan “kecepatan”

• Di lingkungan nyata, viral factor jarang melebihi 1, dan sering stabil di kisaran 0.2~0.3
• Meski begitu, jika v=0.2, maka ketika 1000 orang dibawa masuk lewat channel berbayar atau channel lain, itu setara dengan mendapat tambahan 200 orang secara gratis, sehingga efek diskon CAC cukup berarti
• Dalam viral, konsep kecepatan (speed) juga penting
  • Aplikasi sosial dengan frekuensi penggunaan tinggi mengalami share dan undangan berkali-kali setiap hari, sehingga dengan viral factor yang sama pun laju pertumbuhannya lebih cepat
  • Sebaliknya, tool yang dipakai di background seperti penyimpanan file atau backup mungkin hanya memakai fitur rekomendasi sekitar sekali sebulan, sehingga meski viral kumulatifnya besar, laju pertumbuhannya bisa lambat
• Untuk produk consumer dan prosumer yang menargetkan skala ratusan juta pengguna dalam jangka panjang, dibutuhkan struktur di mana skala yang sulit dicapai hanya dengan pemasaran berbayar diisi oleh “channel gratis/berbiaya rendah” seperti viral, SEO, dan optimasi store

Viral loop dan spike top funnel di era AI

• Singkatnya, shitposting, rage baiting, video peluncuran sinematik, billboard, sponsor influencer, dan sejenisnya lebih dekat ke alat pembuat spike di top funnel daripada loop yang bisa diulang
  • Namun, hal-hal itu sendiri bukan struktur yang secara jangka panjang menaikkan rasio pengguna baru terhadap DAU, dan reproduksibilitas serta daya tahannya tidak setinggi viral loop yang dirancang di dalam produk
• Banyak tool AI generatif generasi saat ini berada pada posisi mengubah sebagian perhatian sesaat itu menjadi pertumbuhan struktural di dalam produk dengan menyediakan loop “membuat sesuatu → membagikannya” bagi pengguna yang masuk lewat spike tersebut
• Karena hasil generatif AI sangat cocok dengan format yang bekerja baik di platform sosial modern seperti video pendek dan embedded clip, daya sebar dari content sharing loop pun tampak tinggi
• Dengan kata lain, teori viral klasik (viral factor berbasis cohort, retention, penjumlahan banyak loop, channel mix) masih tetap berlaku, dan
  pada akhirnya, kombinasi beragam spike top funnel + viral loop terstruktur di dalam produk + retention tinggi adalah struktur inti yang menciptakan pertumbuhan berkelanjutan bahkan di era AI