Akhir Era MAU, MRR Kini Juga Tak Bisa Dipercaya?

Halo. Akhir-akhir ini saya menikmati menjalani hidup dengan menulis newsletter.
Saya menulis satu newsletter setiap hari, tetapi kalau terlalu sering diposting itu tidak sesuai dengan kebijakan GN, jadi saya ingin memperkenalkan newsletter yang traffic-nya meledak luar biasa.

Secara pribadi saya merasa isinya benar-benar tidak buruk, dan ini topik yang layak untuk dipikirkan sekali, jadi saya bagikan.
Tentu saja Anda tidak harus berlangganan, dan saya juga senang jika Anda cukup membacanya dengan santai.

Tulisan kali ini membahas sebuah kejadian yang melalui sidang dengar pendapat di Amerika baru-baru ini mengungkap betapa dibesar-besarkannya metrik pengguna aktif dan pendapatan berulang.
Tokoh utamanya tidak lain adalah OpenAI dan Anthropic. Karena itu, di Silicon Valley mulai muncul metrik baru. Ya, karena investasi tetap harus berjalan. Ini juga merupakan metrik yang saya alami sendiri saat bekerja di Gamma. Sederhananya, ini adalah pendapatan/produktivitas per orang, serta nilai seumur hidup selama 1 tahun.

[cafedead]

• Di era AI, ada argumen bahwa ARR mungkin bukan lagi metrik umum yang bisa diandalkan.
• Metrik utama di industri teknologi terus berubah mengikuti zamannya.
  • Era sosial: DAU/MAU
  • Era SaaS: ARR/MRR
  • Era AI: muncul persoalan bahwa ARR lama pun makin berpotensi mendistorsi realitas
• Titik awal tulisan ini adalah ketidaksesuaian angka di Anthropic.
  • Pada Februari 2026, perusahaan menonjolkan ARR sebesar $14 miliar
  • Sebulan kemudian, dalam dokumen yang diajukan ke pengadilan, tertulis “pendapatan kumulatif sejak didirikan melebihi $5 miliar”
  • Perusahaan yang sama, pada waktu yang berdekatan, tetapi makna angkanya sangat berbeda
  • Penulis menafsirkan ini sebagai “sinyal bahwa di era AI, ARR tidak lagi mampu menjelaskan kondisi bisnis yang sebenarnya dengan tepat”
• Ada 3 alasan mengapa ARR goyah dalam AI.
  1. Asumsi SaaS bahwa biaya marjinal nyaris nol menjadi tidak berlaku
     • Dalam AI, setiap panggilan inferensi benar-benar menimbulkan biaya GPU/cloud
     • Semakin banyak digunakan, semakin besar pula biayanya
  2. Perbedaan biaya pokok per pelanggan sangat besar
     • Dengan tarif yang sama, ada pelanggan yang berbiaya rendah dan ada yang berbiaya tinggi
     • Jika hanya melihat ARR, keduanya tampak sebagai “pendapatan bagus” yang sama, padahal profitabilitas nyatanya sangat berbeda
  3. Stabilitas pendapatan berulang lebih lemah
     • Dibanding SaaS, biaya perpindahan lebih rendah sehingga lebih mudah pindah ke model/layanan lain
     • “Recurring” itu sendiri tidak sekuat dulu
• Karena itu, ARR perusahaan AI mungkin menunjukkan “pertumbuhan”, tetapi kurang mampu menunjukkan profitabilitas, keberlanjutan, dan kualitas bisnis.
  • Argumennya, strukturnya mirip dengan masa ketika DAU/MAU menunjukkan minat pengguna, tetapi tidak bisa menunjukkan kesehatan bisnis
• Penulis juga melihat contoh Anthropic dan OpenAI menunjukkan masalah ini.
  • Ada selisih antara ARR yang diumumkan dengan pendapatan kumulatif nyata, kinerja semesteran, dan laju pembakaran kas
  • Artinya, salah tafsir bisa muncul jika angka “annualized” dibaca seolah sama dengan kinerja tahunan yang sebenarnya
• Penulis mengusulkan kandidat metrik generasi berikutnya untuk era AI.
  1. Produktivitas per Dolar yang Dibelanjakan (Productivity per Dollar Spent)
     • Bukan sekadar ARR/jumlah karyawan
     • Efisiensi nyata baru terlihat jika dilihat seperti ARR / (biaya tenaga kerja + biaya AI)
  2. Nilai Tahun Pertama (First Year Value)
     • Alih-alih berasumsi tentang masa depan yang jauh seperti LTV
     • Sudut pandangnya adalah melihat apakah pelanggan memperoleh nilai yang cukup dalam 12 bulan pertama hingga layak memperpanjang
  3. Metrik berbasis unit economics seperti laba kotor per token
     • Yang lebih penting bukan seberapa banyak yang diproses
     • Melainkan seberapa besar yang tersisa sambil memprosesnya
• Pesan utamanya
  • Di era AI, yang perlu dilihat bukan hanya skala pendapatan, tetapi juga struktur laba kotor, profitabilitas per pelanggan, dan nilai yang tersisa pada tahun pertama
  • Intinya, yang harus dibaca bukan sekadar besarnya angka, tetapi struktur di balik angka itu
• Ada juga masalah yang praktis.
  • Untuk benar-benar melihat metrik generasi ketiga ini
  • sistem billing, biaya infrastruktur, dan sistem keuangan harus saling terhubung
  • tetapi kebanyakan perusahaan AI masih kekurangan infrastruktur pengukuran pada level itu

Ringkasan satu baris
Bisnis AI kini makin sulit dijelaskan hanya dengan satu ARR seperti SaaS, dan ke depan metrik yang menunjukkan “berapa banyak yang tersisa dan seberapa lama bisa dipertahankan” akan lebih penting daripada sekadar “berapa banyak yang terjual”

[haebom]

Dirangkum dengan sangat baik. Terima kasih.