- Kebangkitan AI berbasis LLM dan workflow agen sedang membongkar logika ekonomi SaaS secara fundamental, sementara penurunan tajam biaya intelligence sedang membentuk ulang arus nilai di pasar teknologi enterprise
- Keunggulan biaya layanan AI saja tidak cukup untuk membangun moat yang berkelanjutan, dan startup yang bergantung pada infrastruktur LLM menghadapi masalah dispatcher taksi — struktur yang berdiri di atas margin pinjaman
- Sesuai Jevons Paradox, total belanja AI akan meledak, tetapi nilainya tidak akan kembali ke semua peserta pasar yang ada, dan akan disertai restrukturisasi besar pada rantai nilai
- Perusahaan yang menang di Vertical AI bukanlah penyedia layanan eksternal, melainkan perusahaan yang membangun sistem yang tertanam sangat dalam di operasi pelanggan — gravitasi data, efek jaringan, dan platform lock-in menjadi kunci
- Menggunakan strategi harga rendah sebagai wedge yang disengaja untuk mengamankan positioning pasar, lalu beralih menjadi platform intelligence majemuk, adalah satu-satunya strategi yang berkelanjutan
Pergeseran struktural: dari SaaS ke era agen AI
- Pasar teknologi enterprise sedang mengalami transformasi struktural yang sebanding dengan perpindahan dari on-premise ke cloud
- Selama sekitar 20 tahun, model SaaS menciptakan kapitalisasi pasar bernilai triliunan dolar dengan menjadikan pendapatan berulang, lisensi berbasis seat, dan keterlibatan pengguna sebagai proksi nilai
- Kebangkitan AI berbasis LLM dan workflow agen sedang membongkar logika ekonomi SaaS ini
- Pendorong utamanya adalah penurunan tajam biaya intelligence — biaya untuk tingkat intelligence yang sama turun dengan cepat
- Namun, karena kompleksitas inferensi meningkat, total pengeluaran token terus naik meski harga token per unit turun
- Dengan persaingan sengit antar lab bermodal besar seperti OpenAI, Google, dan Anthropic, serta peningkatan efisiensi hardware dan software, tren ini diperkirakan tidak akan melambat
Tekanan deflasi pada layanan AI
- Ketika agen menggantikan layanan manual tradisional, yang terjadi bukan menangkap pengeluaran yang sama secara utuh, melainkan komoditisasi layanan tersebut
- Layanan yang beberapa tahun lalu bernilai US$100.000 pada akhirnya akan bernilai hanya sebagian kecil dari itu
- AI yang murah menciptakan tekanan deflasi berkelanjutan pada produk Vertical AI
- Fungsi seperti ekstraksi data dari dokumen, menangani panggilan telepon masuk, atau menyusun draft laporan kepatuhan mungkin saat ini menjadi wedge yang sangat baik karena infrastruktur dan know-how masih langka serta tingkat adopsi masih rendah, tetapi segera akan menjadi table stakes
- Di tiap kategori sudah ada banyak startup yang tumbuh dan bermodal kuat, sehingga margin berlebih pada akhirnya akan hilang karena kompetisi
- Pada saat itu, startup yang gagal membangun moat akan tersingkir
Layanan AI vs. software: paradigma penyampaian layanan
- Ketika biaya marjinal intelligence mendekati nol, proposisi nilai utama teknologi enterprise bergeser dari alat bantu kerja menjadi penyampaian hasil yang menggantikan kerja
- Vertical AI dapat menangani lebih banyak workflow end-to-end dibanding Vertical SaaS saja, sehingga nilai bagi pelanggan dan willingness to pay meningkat tajam, dan memungkinkan akses ke anggaran yang jauh lebih besar
- Namun, terdapat ketidaksetujuan terhadap pandangan arus utama saat ini bahwa delivery layanan — relasi pelanggan yang mirip vendor eksternal, bukan platform internal — akan menjadi paradigma dominan software AI
TAM yang membesar tidak akan mengangkat semua startup
- Meski penurunan tajam biaya intelligence memperluas TAM layanan AI secara signifikan, perluasan peluang ini tidak otomatis jatuh ke titik yang sama dalam rantai nilai
- Kasus spreadsheet dan industri akuntansi: setelah Microsoft Excel diperkenalkan pada 1987, jumlah bookkeeper dan akuntan administrasi turun dari sekitar 2 juta menjadi 1,5 juta, tetapi jumlah akuntan profesional dan auditor naik dari sekitar 1,3 juta menjadi 1,5 juta, sementara analis manajemen dan manajer keuangan naik dari sekitar 600 ribu menjadi 1,5 juta (mengutip riset Morgan Stanley)
- Spreadsheet tidak hanya mengotomatisasi pembukuan, tetapi memindahkan nilai ke tingkat kurva keterampilan yang lebih tinggi — dari kerja berulang ke analisis tingkat lanjut
- Kasus Uber dan ride-hailing: bukan hanya redistribusi dalam rantai nilai, tetapi juga penghapusan seluruh lapisan perantara
- Pasar taksi global tumbuh dari sekitar US$69 miliar pada 2019 menjadi sekitar US$271 miliar pada 2024, sementara pasar taksi tradisional sebelum Uber berada di kisaran US$30–50 miliar
- Total belanja untuk “memanggil kendaraan dan pergi ke suatu tempat” tumbuh sekitar 5–8 kali lipat dalam 15 tahun, sementara harga per perjalanan turun sekitar setengahnya (lalu naik lagi 10–20% setelah era subsidi VC)
- Secara historis, pendapatan mengalir ke pemilik (operator sekaligus pemilik, pemilik medali NYC, dll.), broker (agensi taksi, dispatcher, garasi), dan sopir yang dipekerjakan
- Sebagian besar pemangku kepentingan ini terdistrupsi, dan pendapatan agensi diserap oleh Uber dan Lyft
- Harga medali NYC jatuh dari puncak sekitar US$1 juta pada 2013 menjadi di bawah US$100 ribu saat ini (dengan sedikit tanda pemulihan karena intervensi pemerintah)
Jevons Paradox dan AI enterprise
- Jevons Paradox yang sama kini sedang terjadi di AI enterprise
- Dengan kualitas model, konteks, dan kompleksitas inferensi dianggap tetap, biaya per unit intelligence turun tajam
- Biaya inferensi setara GPT-3.5 turun lebih dari 280 kali lipat antara November 2022 dan Oktober 2024
- Pada 2023, membaca dan mengklasifikasikan semua email masuk perusahaan menengah dengan LLM masih terasa mahal, tetapi kini dengan sekitar US$0,40 per sejuta token biayanya nyaris dapat diabaikan
- Dengan alat coding AI, saat ini 41% kode dibuat oleh AI atau dengan bantuan AI — semakin menurunkan hambatan masuk
- Total belanja AI meningkat eksplosif: pendapatan AI enterprise tumbuh dari US$1,7 miliar pada 2023 menjadi US$37 miliar pada 2025, atau naik 22 kali dalam 2 tahun
- Belanja AI global diproyeksikan melampaui US$2,5 triliun pada 2026 (IDC)
- Gartner memajukan prediksinya dua tahun lebih cepat untuk saat ketika AI akan mengambil sepertiga dari total pengeluaran TI
- Pertanyaan intinya bukan apakah pie-nya membesar, melainkan siapa yang bisa memakannya
Masalah dispatcher taksi
- Ada argumen populer bahwa AI Services ("Service-as-Software") adalah model bisnis pemenang
- Foundation Capital membingkai ini sebagai peluang US$4,6 triliun: anggaran TI hanya 1–2% dari PDB, sedangkan tenaga kerja dan layanan tradisional menyumbang lebih dari 15%
- Logikanya, jika AI dapat melakukan pekerjaan akuntan, paralegal, atau analis kepatuhan, maka harga bisa ditetapkan berdasarkan fully-loaded cost karyawan tersebut
- Namun, hanya dengan menyediakan produk analog saja tidak cukup untuk menangkap anggaran tersebut dalam jangka panjang
- Layanan pada dasarnya mudah terkomoditisasi
- Sebagian besar startup yang tumbuh dengan mendistribusikan alternatif AI tidak memiliki IP (LLM) yang memungkinkan arbitrase ekonomi ini — yang memilikinya adalah lab
- Orkestrasi workflow dasar, RAG, dan fine-tuning spesifik domain bukan moat yang berkelanjutan
- Penerapan masalah dispatcher taksi pada AI: sebelum Uber, agensi dispatch taksi menangkap margin dengan mencocokkan perjalanan — mereka punya sedikit pertahanan karena agregasi supply (kepadatan sopir lokal) dan demand (brand awareness lokal)
- Namun, ketika muncul platform yang mencocokkan supply dan demand secara lebih efisien, mengeksternalisasi kepemilikan kendaraan untuk memperluas supply secara drastis, dan menawarkan biaya lebih murah ke pengguna, daya saing dispatcher pun lenyap
- Dispatcher kalah bukan karena take rate Uber
- Uber mengambil rata-rata sekitar 30% dari pendapatan sopir, tidak jauh berbeda dari total 30–50% yang dulu diekstrak oleh agensi taksi tradisional, penyewa medali, dan dispatcher secara gabungan
- Moat Uber bukan karena mengambil lebih sedikit, melainkan karena menyatukan semua fungsi perantara — dispatch, pembayaran, matching, reputasi — ke dalam satu platform yang memiliki jaringannya
- Jika nilai utama perusahaan AI Service adalah “kami menyampaikan layanan ini lebih murah dengan LLM”, maka itu adalah dispatcher yang duduk di atas margin milik orang lain
- Kurva biaya ini dikendalikan oleh model lab, hyperscaler, pembuat chip, dan produsen energi
- Ketika model menjadi lebih murah, atau pesaing terhubung ke API model yang sama dan menurunkan harga lebih jauh, keunggulan biaya akan menuju nol
- Saat ini ada sekitar 35 ribu aplikasi AI wrapper di seluruh dunia, dengan intensitas persaingan yang jauh lebih tinggi dibanding era teknologi sebelumnya
- Kemampuan menyampaikan layanan secara murah dan kemampuan mempertahankan margin dari layanan itu adalah dua hal yang berbeda — pertanyaan utama saat ini adalah siapa yang secara berkelanjutan dapat menangkap surplus konsumen dari runtuhnya biaya intelligence
Embeddedness dan daya tahan
- Perusahaan yang menangkap dan mempertahankan surplus adalah yang membangun pertahanan di luar kurva biaya
- Sumber pertahanan historis dalam teknologi enterprise: keahlian domain, kecepatan dan eksekusi, kemitraan dan hubungan integrasi, gravitasi data, brand dan trust, platform lock-in
- Pada tahap awal, keahlian domain dan kecepatan/eksekusi menjadi keunggulan utama, tetapi melemah dengan cepat
- Kemitraan dan hubungan integrasi tetap berkelanjutan, namun relevansinya berkurang pada skala besar
- Moat paling penting pada tahap pertumbuhan adalah usage dan data loop
- Pada skala besar, bisnis Vertical AI yang dapat dipertahankan memerlukan setidaknya satu atau lebih moat dari gravitasi data, brand dan trust, serta platform lock-in
- Sumbu paling penting untuk mengevaluasi bisnis Vertical AI bukan “layanan vs. software”, melainkan “internal vs. eksternal”
- “Internal” tidak harus berarti UI SaaS tradisional yang dibuka pelanggan setiap hari — konsensus lama industri bahwa nilai harus berkorelasi dengan intensitas penggunaan keyboard sudah tidak lagi berlaku
- Pertanyaan kuncinya: apakah perusahaan AI tertanam dalam operasi pelanggan dengan cara yang secara struktural sulit untuk dicabut?
- Apakah ia memegang data proprietary yang dihasilkan pelanggan? Apakah ia menghubungkan pelanggan ke counterparties, vendor, atau ekosistem sedemikian rupa sehingga rekonfigurasi terasa menyakitkan? Apakah ia terintegrasi ke workflow yang berdekatan sehingga penghapusannya menyebabkan gangguan berantai?
- “Eksternal”: mirip vendor layanan tradisional — pelanggan memanggilnya saat perlu, tetapi bisa pindah ke penyedia lain minggu depan jika ada penawaran yang lebih baik
- Solusi eksternal memang dapat memberikan nilai nyata dan tumbuh cepat ketika selisih biaya besar dan adopsi masih dini, tetapi karena berdiri di atas margin pinjaman, mereka terekspos pada dinamika kompetisi yang sama dari startup AI Services lain, incumbent SaaS bermodal besar, bahkan pembelinya sendiri
Kerangka empat kuadran: matriks evaluasi Vertical AI
- Lanskap Vertical AI dapat dipetakan dengan dua sumbu: internal vs. eksternal (seberapa dalam produk tertanam dalam operasi pelanggan) dan wedge vs. platform (cakupan dan kedalaman produk)
- Durable (kanan atas): platform AI internal — System of Intelligence & Action dengan jalur jelas menuju moat majemuk, berevolusi dari wedge awal menjadi platform multi-produk. Contoh representatif: Abridge dan EvenUp
- Rare (kiri atas): platform eksternal — ACV tinggi yang bercorak konsultasi, sering kali melakukan dogfooding pada produk AI internal. Karena konsentrasi pelanggan tinggi dan embeddedness terbatas, kategori ini rapuh
- Commodity Risk (kiri bawah): produk wedge eksternal — berpotensi tumbuh sangat cepat pada tahap awal, tetapi menghadapi risiko eksistensial karena bersaing dengan margin AI pinjaman
- Precarious (kanan bawah): wedge internal — berpotensi tumbuh cepat di awal dan berkembang menjadi platform yang defensible, tetapi menghadapi risiko wedge ditiru oleh incumbent yang memimpin di AI
- Ada dua jalur transisi yang bernilai: eksternal→internal (memperdalam embeddedness) dan wedge→platform (membangun keluasan produk)
- Wedge→platform adalah model yang sudah teruji untuk membangun Vertical Software yang berkelanjutan
- Beberapa startup memulai dari wedge AI Services yang eksternal dan sangat scalable, lalu mencoba kedua transisi sekaligus
Vertical AI: benteng melawan komoditisasi
- Kekuatan Vertical AI berasal dari fakta bahwa dinamika unik tiap industri menyediakan lahan subur untuk membangun solusi terdiferensiasi yang tertanam sangat dalam pada pelanggan
- Perusahaan Vertical SaaS terbaik (Veeva, Procore, Toast, ServiceTitan, dll.) menang bukan karena lebih murah, tetapi karena menjadi system of record yang lebih tepat mencerminkan kebutuhan spesifik penggunanya
- Memang Salesforce atau NetSuite bisa dikustomisasi dengan biaya konsultasi jutaan dolar, tetapi itu tak perlu jika sudah ada sistem yang dibuat sejak awal untuk Anda
- Mereka mengakumulasi data industri dan first-party yang proprietary (data uji klinis, data biaya pekerjaan, data pendapatan restoran), sehingga produk membaik semakin sering digunakan
- Mereka menghubungkan ekosistem vertikal yang terfragmentasi dan khas industri (perusahaan farmasi–situs klinis, kontraktor utama–subkontraktor, restoran–jaringan pengiriman) untuk membangun moat efek jaringan
- Wedge bisa saja berupa layanan yang disampaikan lebih murah, tetapi moat-nya adalah sistem yang dibangun di atas wedge itu — memanfaatkan positioning internal untuk mengembangkan data proprietary, efek jaringan, platform multi-produk, dan “otak” industri, sehingga menjadi infrastruktur yang diandalkan, bukan sekadar vendor
- Jika gagal melakukan lompatan ini dan tetap menjadi penyedia layanan AI eksternal yang bersaing di harga, nasibnya akan seperti dispatcher taksi — menyaksikan pasar tumbuh 500% sementara margin mendekati nol
Pemenang merangkul komoditisasi
- Insight seorang founder dalam roundtable Vertical Collective: “Banyak orang memandang race to the bottom sebagai hal buruk, tetapi kami melihatnya sebaliknya — kuncinya adalah menciptakan nilai baru”
- Jika hanya bersaing di biaya, itu bisa fatal, tetapi sebagai wedge yang disengaja untuk memperoleh positioning guna membangun moat yang dijelaskan di atas, strategi ini justru sangat kuat
- Beberapa startup Vertical AI seharusnya secara sengaja merangkul dan mempercepat race to the bottom yang muncul dari komoditisasi AI Services
- Menarik banyak pelanggan dengan harga yang sangat rendah sehingga pemain tradisional tidak bisa mengimbanginya
- Mengkanibal peluang pendapatan “hasil” per pelanggan, tetapi sebagai gantinya memperoleh pertumbuhan cepat, kepercayaan industri, dan hak untuk melayani pelanggan dengan cara lain
- Melemahkan posisi pemimpin pasar yang tidak dapat bersaing, menciptakan vakum kompetitif, dan merebut pole position untuk ekspansi
- Strategi ini adalah variasi dari strategi “Nuking Pricing Power”: mengembangkan dan mendukung versi murah (atau gratis) dari komplementer untuk mendorong adopsi cepat dan melemahkan pricing power komplementer tersebut
- Sederhananya: jika produk akan terkomoditisasi, lebih baik Anda sendiri yang mengomoditisasi pasar itu untuk merebutnya
Hipotesis nilai (Value Hypothesis)
- Setiap pergeseran paradigma teknologi enterprise selalu dibarengi perebutan lahan dan restrukturisasi
- Cloud computing melahirkan ribuan startup SaaS antara 2005–2015, tetapi sebagian besar kemudian diserap, diakuisisi, merger, atau hilang, dan hanya sedikit yang lulus menjadi platform tahan lama yang mendefinisikan kategori
- Pola yang sama diperkirakan terjadi pada Vertical AI, tetapi dengan peluang pasar lebih besar, pertumbuhan lebih cepat, model monetisasi lebih kreatif, efisiensi modal awal lebih tinggi — dan karena itu, tingkat persaingannya pun belum pernah terjadi sebelumnya
- Jebakan bagi founder AI Services adalah mengira wedge yang scalable sebagai bisnis yang defensible
- Perusahaan yang akan bertahan adalah yang memanfaatkan jendela saat ini — ketika selisih biaya besar, adopsi masih dini, dan incumbent bergerak lambat — untuk menanamkan diri sangat dalam ke operasi pelanggan, sehingga berpindah bukan sekadar merepotkan tetapi secara struktural menyakitkan
- Ini bukan ide baru, melainkan penemuan ulang dari ide tertua dalam software enterprise
- Yang baru hanya ada di permukaan: perusahaan SaaS dapat tertanam dalam beberapa workflow dan menangkap data dari layar interaksi pengguna, tetapi platform AI-native dapat tertanam di semua workflow, menangkap data dari setiap interaksi terlepas ada atau tidaknya manusia, dan membangun intelligence majemuk yang memperbaiki produk setiap kali dijalankan
- Belum pernah ada peluang sebesar ini untuk membangun “load-bearing infrastructure”, dan godaan untuk puas menjadi “vendor yang lebih murah” juga sama besarnya
- “Value Hypothesis” dari Andy Rachleff: hipotesis startup tentang apa, untuk siapa, dan bagaimana hampir selalu “tidak sepenuhnya benar” pada percobaan pertama — founder harus menemukan bukan orang yang bilang tertarik, tetapi pelanggan yang benar-benar mendesak membutuhkan produk tersebut
- Pelanggan selalu tertarik pada layanan yang lebih murah, tetapi yang benar-benar mereka inginkan dan bersedia bayar untuk dipertahankan adalah sistem yang memahami bisnis mereka lebih baik daripada mereka sendiri — yang mengakumulasi pengetahuan institusional, menghubungkan mereka ke ekosistem, dan membuat nilai internalnya meningkat di setiap interaksi
Catatan
- Jika AI membuat pekerja manusia lebih efisien, maka model SaaS berbasis seat yang dipopulerkan Salesforce tidak lagi berlaku — semakin baik produknya, justru pengeluaran pelanggan menurun
- Jika tujuan agen otonom adalah menyusun kontrak, menyelesaikan tiket dukungan pelanggan, atau merekonsiliasi ledger keuangan tanpa intervensi manusia yang berarti, maka “screen time” menjadi tidak bermakna
- Dalam paradigma baru ini, efisiensi dapat didefinisikan sebagai ketiadaan screen time
- UI itu sendiri juga mulai bisa digantikan: “lapisan keputusan” dari data, action, dan record tetap penting, tetapi kita sedang masuk ke dunia di mana tidak ada dua pelanggan yang memiliki UI yang sama
- Interface yang dibuat otomatis oleh platform secara unik untuk tiap pengguna (“inception software”)
- Pendekatan agen melalui MCP atau “Bring Your-Own UI” (BYOUI) lewat aplikasi kustom yang dihasilkan LLM
Belum ada komentar.