- Semakin terfragmentasi dan rumit operasional suatu industri, justru semakin optimal industri itu menjadi pasar bagi sistem AI vertikal untuk membangun pertahanan yang kuat, namun kebanyakan pendiri dan investor mengabaikan hal ini
- Otomatisasi tugas tunggal yang rapi mudah ditiru, tetapi workflow yang terjalin dengan regulasi, integrasi legacy, dan penanganan pengecualian membentuk struktur yang sulit dikejar oleh pesaing, pelanggan, maupun lab AI
- Jika ukuran pasar dihitung ulang berdasarkan biaya layanan dan tenaga kerja, bukan anggaran software, pasar vertikal yang tampak kecil ternyata merupakan area belanja yang sangat besar
- Saat produk beralih dari tahap membantu pekerjaan ke tahap menggantikan pekerjaan itu sendiri, area yang bisa dimonetisasi dalam pelanggan yang sama dapat meluas puluhan kali lipat
- Dalam 5 tahun ke depan, akan ditentukan pendekatan mana yang menang di tiap industri: platform vertikal yang dirancang untuk tujuan spesifik, penambahan AI ke SoR yang sudah ada, atau pembangunan AI in-house
Mengapa pasar ini tersembunyi
- Dua karakteristik yang menyembunyikan pasar AI vertikal terbaik sekaligus berfungsi sebagai pertahanan pasar tersebut
- Karakteristik pertama adalah workflow grit: lingkungan kerja kompleks yang dipenuhi penanganan pengecualian, integrasi legacy, persetujuan manusia, kepatuhan, dan mode kegagalan berbiaya tinggi
- Tugas yang rapi dan terdefinisi baik memang mudah dibangun, didemokan, dan dijual, tetapi saat intelligence menjadi portabel, tugas itu akan terkomoditisasi
- Pekerjaan yang sempit, berisiko rendah, dan mudah disisipkan ke sistem yang ada bisa ditiru fiturnya oleh pesaing, dibuat sendiri oleh pelanggan, atau bahkan dirilis langsung oleh frontier lab
- Workflow dengan grit tinggi memblokir tiga ancaman sekaligus: lab tidak ingin menangani kompleksitas operasional, pelanggan tidak punya kapabilitas teknis, dan pesaing tidak bisa mengambil jalan pintas
- Agar AI bisa dipakai dalam workflow dengan grit tinggi, dibutuhkan lebih dari sekadar akses model: menstrukturkan data tak terstruktur, mengintegrasikan sistem legacy, merancang loop persetujuan, mendefinisikan tingkat kesalahan yang dapat diterima, serta membangun kepercayaan di lingkungan dengan biaya kesalahan tinggi
- Pekerjaan ini diam-diam terakumulasi dan membentuk peta operasional workflow yang proprietari yang tidak bisa ditiru pendatang baru hanya dengan membeli model yang sama
- Di awal imbalannya tampak kecil, tetapi pekerjaan operasional yang sulit ini memberi hak untuk meluas ke workflow yang berdekatan dan kategori anggaran yang lebih besar
Contoh nyata: pinjaman mobil, klaim kesehatan, logistik kargo
- Salient: membangun agen suara AI yang menelepon peminjam kredit mobil yang menunggak. Beroperasi di bawah regulasi FDCPA, TCPA, dan Reg F, dalam lingkungan di mana satu pelanggaran saja bisa memicu tindakan regulator
- AI harus menavigasi aturan negara bagian dan federal yang saling tumpang tindih, melakukan negosiasi pembayaran secara real time, mematuhi batas frekuensi panggilan, dan mengarahkan ke agen manusia bila perlu
- Biaya panggilan penagihan manusia berada di kisaran $4~$12, sedangkan biaya panggilan AI hanya sebagian kecilnya
- Charta Health: mengotomatisasi review chart pra-klaim yang melintasi aturan perusahaan asuransi, kode CPT, dan pola penolakan yang berbeda menurut spesialisasi dan wilayah
- Di logistik kargo, HappyRobot, Pallet, dan Augment membangun agen AI yang menangani panggilan suara tanpa akhir, email, dan pembaruan portal yang diperlukan untuk koordinasi antara operator, pengirim, dan gudang
- “Menelepon sopir truk untuk mengecek status muatan” mungkin tidak terlihat seperti skala venture, tetapi setiap muatan melibatkan puluhan titik kontak manual, dan industri logistik menghabiskan lebih dari $1 triliun per tahun untuk biaya operasional nonfisik
Karakteristik kedua: struktur pasar
- Struktur pasar yang terfragmentasi di ribuan operator, dengan DNA teknis pembeli yang rendah
- Vendor AI horizontal membutuhkan pelanggan bernilai tinggi yang terkonsentrasi agar economics distribusinya masuk akal, tetapi ketika pendapatan tersebar di ribuan usaha kecil dan menengah yang masing-masing menjalankan sistem berbeda dan data tak terstruktur, pemain generik tidak bisa membenarkan upaya GTM mereka
- Operator properti, perusahaan layanan lapangan, dan klinik rehabilitasi rawat jalan tidak memiliki kapabilitas teknis untuk membangun AI production secara internal, dan memandang teknologi sebagai sesuatu yang dibeli, bukan dimiliki
- Fragmentasi menciptakan ruang untuk membangun, dan rendahnya kecenderungan membangun sendiri memperbesarnya, memberi waktu untuk mengakumulasi konteks operasional secara majemuk lebih dulu daripada pihak lain
Contoh: pasar pajak dan akuntansi AS
- Pasar pajak dan akuntansi AS adalah industri bernilai $145 miliar, dengan long tail sekitar 46.000 firma CPA, dan 86% di antaranya memiliki kurang dari 10 karyawan
- Pada saat yang sama, pasar ini juga mencakup Big Four dan firma nasional besar
- Blue J: platform riset pajak berbasis AI yang mendapatkan traction di kedua ujung pasar. Kini melayani lebih dari 2.800 organisasi, dengan penggunaan tumbuh lebih dari 700% YoY
- Struktur long tail membuat pasar ini tidak menarik bagi pemain generik, sementara workflow grit berupa hukum pajak yang tumpang tindih, pola fakta yang ambigu, dan jawaban yang diberikan ahli dengan mempertaruhkan reputasi mereka menciptakan titik masuk yang berkelanjutan bahkan di lingkungan pembeli yang sulit
Penguatan pertahanan yang bersifat majemuk
- Kompleksitas operasional menciptakan switching costs: jika dicabut, perusahaan harus merekrut ulang tenaga kerja, membangun ulang proses, dan melepaskan konteks workflow yang telah terakumulasi selama bertahun-tahun
- Fragmentasi tidak berkurang seiring waktu, dan pembeli juga tidak tiba-tiba memperoleh DNA engineering
- Saat OpenAI atau Anthropic menyadari keberadaan pasar ini, konteks operasional dan fondasi distribusi milik sistem vertikal biasanya sudah terakumulasi secara majemuk selama bertahun-tahun
TAM Goldilocks
- Alasan sebagian besar pasar AI vertikal tersembunyi adalah karena ukuran pasar diukur secara keliru
- Pendekatan standar melihat belanja software dalam kategori itu sebagai TAM, tetapi di industri yang terfragmentasi dan rumit secara operasional, anggaran software biasanya kecil
- Ukuran yang benar adalah berapa besar industri membelanjakan uang untuk pekerjaan itu sendiri: biaya tenaga kerja yang mengerjakan tugas tersebut, penyedia outsourcing, agensi, kontraktor, dan anggaran layanan serta tenaga kerja
- Redefinisi ini juga menjelaskan mengapa pesaing paling berbahaya mengabaikan pasar tersebut: jika melihat “AI untuk leasing properti” dari anggaran software, pasar itu tampak niche sehingga tidak ada alasan bagi frontier lab untuk mengerahkan sumber daya
- Jika dilihat dari anggaran tenaga kerja dan layanan, pasar itu sangat besar, tetapi saat hal itu menjadi jelas, sistem vertikal biasanya sudah terakumulasi selama bertahun-tahun
- Syarat TAM Goldilocks: cukup besar untuk menghasilkan outcome venture, tetapi tersamarkan oleh permukaan software yang sederhana, terabaikan karena kompleksitas operasional, dan dapat meluas drastis setelah posisi sistem terbentuk
Transisi dari membantu ke menggantikan
- Ekspansi terjadi saat produk beralih dari membantu pekerjaan menjadi melakukan pekerjaan tersebut
- Contoh perusahaan manajemen properti: mengeluarkan $30.000 per tahun untuk software leasing, dan $300.000 untuk staf leasing
- Ketika produk mulai melakukan pekerjaan itu sendiri, yang dijual bukan lagi ke pos $30K, melainkan ke pos $300K
- Jika meluas ke seluruh workflow dan operasi, produk bisa mengakses total anggaran operasional lebih dari $1 juta
- Dalam perusahaan dan pelanggan yang sama, area yang bisa dimonetisasi meluas 30 kali lipat
Contoh: EliseAI
- EliseAI: platform manajemen properti AI yang memulai dari pasar proptech yang terbatas
- Pada awalnya dimulai sebagai solusi otomatisasi leasing dengan SKU tunggal di kisaran ~$50K ACV
- Saat produk berkembang dari membantu menjadi menggantikan pekerjaan leasing, ia meluas ke maintenance, penagihan, dan tur berpemandu AI, mencakup seluruh siklus hidup penyewa
- Kini melayani 1 dari 8 apartemen di AS, dan manajer serta operator properti membelanjakan lebih dari jutaan dolar untuk platform tersebut
- Perusahaan ini juga masuk ke healthcare, menargetkan $600 miliar biaya administrasi tahunan dengan playbook yang sama
- Bukan TAM yang tumbuh bersama produk, melainkan produk yang mengungkap seberapa besar TAM itu sejak awal
Apa yang terjadi jika sampai lebih dulu
- Di pasar seperti ini, perusahaan AI vertikal yang mencapai posisi sistem bukan hanya membangun bisnis besar, tetapi juga akan mendefinisikan cara seluruh industri beroperasi selama dekade berikutnya
- Anthropic dan OpenAI memang menjadi ancaman nyata di application layer, tetapi mereka juga harus menangani prioritas yang saling bertentangan
- Mereka harus terus berinvestasi pada kemajuan model frontier, dan memaksimalkan pendapatan berbasis token menciptakan konflik kepentingan dengan pelanggan akhir seiring meningkatnya adopsi agen
- Di atas itu semua, mereka juga harus membangun aplikasi kustom berkualitas tinggi untuk puluhan vertikal berbeda secara bersamaan
- Di sebagian besar pasar, AI vertikal yang dirancang untuk tujuan spesifik diperkirakan akan mengungguli lab lewat fokus yang murni
- Lima tahun ke depan akan menentukan pendekatan mana yang menang di tiap pasar: platform tujuan spesifik yang memperluas wedge AI menjadi sistem vertikal, SoR (System of Record) lama yang mempertahankan posisi pasarnya dengan menambahkan AI yang “cukup baik”, atau AI in-house yang dibangun di atas Anthropic/OpenAI
- Strategi intinya: pilih titik masuk yang tajam dan rumit secara operasional di pasar yang tampak terlalu kecil, lalu perluas ke seluruh workflow untuk mendapatkan otoritas, gantikan tenaga kerja, dan jadilah sistem yang tanpanya pelanggan tidak bisa beroperasi
- “Model menang di demo, wedge menang di pilot, sistem menang di pasar”
Belum ada komentar.