- Industri robotika saat ini berada pada tahap setara GPT-2.5, dengan model fondasi mulai menunjukkan kapabilitas nyata, tetapi kesenjangan antara hasil laboratorium dan penerapan di lapangan masih besar
- Bahkan proyeksi pasar senilai $38 miliar pada 2035 yang dinaikkan 6 kali lipat oleh Goldman Sachs dalam setahun dinilai Bessemer masih konservatif, dan biaya data robotika saja diperkirakan akan menelan lebih dari $3 miliar untuk seluruh industri dalam 2 tahun ke depan
- Sebanyak 48% pendiri perusahaan robotika AS berasal dari 4 institusi: Stanford, MIT, Berkeley, dan CMU, sehingga konsentrasi talenta diperkirakan akan mempercepat struktur pemenang-mengambil-sebagian-besar pasar
- Median Series A perusahaan robotika pertahanan mencapai $105 juta, dua kali lipat perusahaan non-pertahanan, dan dengan valuasi Anduril sebesar $60 miliar, diprediksi IPO pertama di atas $50 miliar akan muncul dari sektor ini
- Dalam 5 tahun terakhir, hanya ada 42 perusahaan robotika yang menerima investasi lebih dari $30 juta, atau hanya seperdelapan belas dari jumlah perusahaan software, sehingga kondisi saat ini bukan bubble robotika melainkan underinvestment struktural
Permintaan struktural dan prospek pasar robotika
- Permintaan untuk menggantikan tenaga kerja pada pekerjaan fisik yang berulang atau lingkungan kerja berbahaya terus meningkat akibat perubahan demografi di AS, Eropa, Jepang, dan China
- Sejumlah analis memprediksi pasar robotika akan mencapai $38 miliar pada 2035, dan Goldman Sachs menaikkan proyeksi ini 6 kali lipat hanya dalam setahun
- Bessemer menilai proyeksi ini pun masih konservatif, baik dari sisi kecepatan maupun skala
- Partner Bessemer Jeremy Levine mengatakan, "Dalam 10–20 tahun ke depan, akan ada 100.000 kali lebih banyak robot di bumi dibanding saat ini"
- Bessemer menangkap peluang investasi di titik ketika perpindahan talenta, terobosan teknologi, dan angin penopang struktural sama-sama mengalami percepatan, dengan portofolio yang mencakup Waymo, Mind Robotics, Foxglove, Breaker, Noda, Voxel51, DroneDeploy, Auterion, Perceptron, ANYbotics, dan lain-lain
Prediksi 1: Momen ChatGPT untuk robotika semakin dekat, tetapi belum tiba
- Industri robotika berada pada tahap yang setara dengan momen GPT-2.5: model fondasi mulai menunjukkan kapabilitas nyata dan hukum penskalaan mulai muncul, tetapi kesenjangan antara demo riset dan deployment produksi masih besar
- Model π0 dari Physical Intelligence berhasil melipat cucian dengan ketangkasan setingkat manusia
- Makalah EgoScale yang diumumkan pada Februari 2026 membuktikan bahwa performa kebijakan meningkat secara terprediksi seiring skala data pralatih, memberikan bukti kuat pertama bahwa model fondasi robotika mengikuti kurva peningkatan berbasis data yang sama dengan LLM
- Ada dua pertanyaan inti yang belum terjawab
- Berapa banyak data yang dibutuhkan untuk menutup kesenjangan antara performa laboratorium dan reliabilitas 99,9% yang dibutuhkan di produksi
- Akan seperti apa momen ChatGPT untuk robotika saat benar-benar tiba
- Berbeda dengan chatbot, kapabilitasnya tidak bisa dibuktikan hanya lewat kotak teks; buktinya akan berupa robot yang mampu menyelesaikan tugas kompleks di lingkungan asing tanpa campur tangan manusia
- Bidang yang sudah dikomersialisasi: sistem bertujuan khusus di lingkungan terbatas seperti otomasi gudang, bantuan bedah, pengiriman last-mile, dan inspeksi industri sudah menghasilkan pendapatan saat ini
- CEO Perceptron Armen Aghajanyan: "Kunci robotika dunia nyata bukan algoritme kontrol yang lebih baik, melainkan model fondasi yang memahami dunia fisik; kontrol robot hanyalah lapisan tipis di atasnya"
Prediksi 2: Munculnya hukum penskalaan — data mahal, modal menjadi moat, dan world model bisa menjadi jalan pintas
- LLM dapat memanfaatkan ratusan triliun token teks dari internet, tetapi di robotika tidak ada corpus yang setara
- Data manipulasi robot global diperkirakan hanya sekitar 300.000 jam, menciptakan kesenjangan struktural dibanding sekitar 1 miliar jam video internet dan 300 triliun token teks
- Bessemer memperkirakan biaya data robotika untuk seluruh industri akan mencapai lebih dari $3 miliar dalam 2 tahun ke depan
- Termasuk teleoperation, video egosentris, simulasi, dan pengumpulan demonstrasi fisik
- Data robot tidak bisa di-scrape atau dibeli; data harus dibuat langsung untuk tiap tugas dan tiap lingkungan
- CEO Zeromatter Ian Glow: "Teleop saja tidak akan menjadi strategi data yang sukses; kita harus mengambil data dari internet atau simulator melalui reinforcement learning untuk memperoleh skala dan keragaman yang dibutuhkan"
- World model: jaringan saraf yang mempelajari hukum fisika dari video berskala internet
- V-JEPA 2 dari Meta, setelah dilatih dengan lebih dari 1 juta jam video, mencapai tingkat keberhasilan zero-shot pick-and-place 80% pada lengan robot nyata hanya dengan tambahan 62 jam data robot
- Namun, Cosmos dari NVIDIA menggunakan 10.000 GPU H100 selama 3 bulan untuk pelatihan, sehingga world model pun tetap merupakan pendekatan yang padat modal
- Simulasi dan reinforcement learning: transisi sim-to-real bekerja baik untuk locomotion, tetapi dalam manipulation masih menjadi masalah riset yang belum terpecahkan karena persoalan fidelitas pada objek lunak, kain, cairan, dan lainnya
- CEO Voxel51 Brian Moore: "Yang membedakan pemimpin dan omong kosong di physical AI adalah obsesi terhadap kualitas data; data buruk bukan sekadar inefisiensi, melainkan risiko"
Prediksi 3: Konsentrasi talenta akan cepat menentukan pemenang — ini bukan pasar di mana 50 perusahaan akan berhasil
- Di antara perusahaan robotika AS yang didirikan dalam 5 tahun terakhir dan menerima investasi lebih dari $30 juta, 43% pendirinya memiliki gelar PhD
- Di antaranya, 48% berasal dari 4 institusi: Stanford, MIT, Berkeley, dan CMU
- Sebanyak 56% memiliki setidaknya satu co-founder bergelar PhD, dan 43% memiliki pendiri yang datang langsung dari akademia
- Moat talenta menghasilkan efek compounding berurutan: talenta → modal → kemitraan data → hubungan pelanggan → dataset proprietary, sehingga struktur winner-take-most terbentuk lebih cepat dari perkiraan banyak orang
- Di bidang LLM, open source seperti Llama dan Mistral mendemokratisasi akses ke kapabilitas, tetapi di robotika, meski open source seperti LeRobot, Genesis, Isaac Lab berkembang, tetap ada gesekan fisik berupa fakta bahwa "robot tetap dibutuhkan"
- Tim dengan keahlian terdalam dalam sim-to-real, manipulation, locomotion, dan sensor fusion sedang membangun keunggulan yang tidak mudah direplikasi hanya lewat rilis open source
Prediksi 4: Perusahaan full-stack akan menangkap nilai jangka pendek — perusahaan model fondasi murni harus menunggu
- Di LLM, satu endpoint API seperti GPT-4 memungkinkan tim beranggotakan dua orang langsung membangun produk frontier AI, tetapi robotika membutuhkan pengumpulan data per domain, fine-tuning sesuai lingkungan, integrasi hardware, dan infrastruktur operasional
- Moat yang sedang dibangun saat ini lebih banyak berada pada pipeline data proprietary, keahlian domain, infrastruktur deployment, dan hubungan pelanggan yang menciptakan feedback loop, bukan pada arsitektur model
- Turunnya biaya hardware mempercepat dinamika ini
- CEO DroneDeploy Mike Winn: "Robot darat untuk konstruksi turun dari $100.000 menjadi di bawah $15.000 per unit, dan drone docking turun dari $200.000 menjadi di bawah $20.000, sehingga kini telah melewati ambang untuk memperluas deployment"
- Stack terbagi menjadi tiga lapisan
- Lapisan infrastruktur: model fondasi, world model
- Lapisan aplikasi: perusahaan full-stack dengan hardware kustom mereka sendiri (humanoid, sistem industri) + perusahaan full-stack yang menerapkan AI ke platform komersial siap pakai
- Nilai terpusat di lapisan aplikasi karena lapisan infrastruktur masih belum cukup umum untuk secara mandiri mendukung deployment end-to-end
- Ketika model fondasi membaik dan transisi sim-to-real semakin matang, momen API untuk robotika akan datang, tetapi itu adalah cerita setelah 2028; dalam jendela saat ini, integrasi vertikal adalah area yang menciptakan nilai berkelanjutan
- CEO Foxglove Adrian Macneil: "Keunggulan penentu di physical AI bukan kebaruan model, melainkan kualitas infrastruktur data; saat model mulai konvergen, perusahaan dengan data flywheel terkuatlah yang akan menang"
Prediksi 5: Robotika pertahanan akan memimpin IPO pertama di kategori ini yang bernilai lebih dari $50 miliar
- Median Series A perusahaan robotika pertahanan pada 2025 mencapai $105 juta, lebih dari dua kali perusahaan non-pertahanan yang berada di $50 juta, dan kesenjangan ini melebar setiap tahun sejak 2021
- Anduril ditutup pada valuasi $60 miliar pada Maret 2026, sementara Saronic pada bulan yang sama menggalang Series D senilai $1,75 miliar untuk perkapalan otonom
- Siklus pengadaan pertahanan memang panjang, tetapi dapat diprediksi, nilai kontraknya besar, tingkat perpanjangannya tinggi, dan biaya perpindahannya signifikan
- Berbeda dari robotika komersial, pembeli di sektor pertahanan tidak beroperasi berdasarkan ROI, melainkan kalkulasi lain berupa risiko keamanan nasional
- Faktor geopolitik memperkuat hal ini: sekitar 90% robot humanoid yang dijual secara global pada 2025 dibuat di China
- Model AI China rata-rata tertinggal sekitar 7 bulan dari AS, tetapi kesenjangan itu terus menyempit, dan pemerintah AS mulai memperlakukan robotika sebagai kebutuhan esensial keamanan nasional
- Dari sudut pandang dual-use, perusahaan paling defensif membangun platform otonom, sistem persepsi, dan infrastruktur pengambilan keputusan yang dapat diterapkan secara komersial, bukan sekadar sistem senjata tujuan tunggal
- Co-founder Breaker Matthew Buffa: "Perusahaan yang paling menarik bukan memilih pertahanan atau komersial, tetapi membangun sistem yang cukup mumpuni untuk memenuhi kebutuhan pertahanan sekaligus cukup inovatif secara komersial"
Prediksi 6: Tidak ada bubble robotika — justru dana yang masuk ke sektor ini masih belum cukup
- Dalam 5 tahun terakhir, ada 745 perusahaan software yang menerima investasi lebih dari $30 juta, sedangkan robotika hanya 42, atau 18 kali lebih sedikit
- Padahal pasar dasar robotika berukuran 30 kali lebih besar daripada total belanja software global
- Bahkan dengan mempertimbangkan sifat bisnis hardware yang padat modal, kondisi saat ini tetap merupakan underinvestment struktural dibandingkan besarnya peluang
- Sebagian besar analis memperkirakan pertumbuhan industri 50 kali lipat dalam 10 tahun ke depan, tetapi Bessemer menilai ini pun terbatas pada otomatisasi workflow yang sudah ada dan belum memasukkan kategori aktivitas ekonomi baru yang diciptakan robot umum
- Tidak semua perusahaan yang menerima investasi akan berhasil; sebagian valuasi memang terlalu tinggi dan modal akan terkonsentrasi pada segelintir pemimpin
- Namun selektivitas dan kelangkaan adalah dua hal berbeda: tingkat investasi robotika secara keseluruhan masih jauh dari cukup dibanding ukuran peluang dan kecepatan kemajuan kapabilitas
- Sebelum momen ChatGPT tiba dan sebelum konsolidasi talenta selesai, sekarang adalah jendela untuk berinvestasi pada perusahaan inti; jika menunggu bukti titik belok, peluangnya akan terlewat
- CEO Flexion Nikita Rudin: "Lima tahun dari sekarang, sebagian besar robot yang dideploy di seluruh dunia bukan akan dibuat oleh startup yang dikenal hari ini, melainkan oleh perusahaan yang bahkan belum mulai membuat robot saat ini tetapi tahu cara memproduksinya dalam skala besar"
Tantangan yang belum terpecahkan dan perdebatan terbuka
- Kesenjangan reliabilitas: meningkatkan tingkat keberhasilan tugas dari 80% ke 99,9% bukan masalah linear
- Dibutuhkan pendekatan yang secara fundamental berbeda, seperti tactile sensing, force feedback, dan transisi sim-to-real untuk manipulation
- CEO Argus Systems Lisa Yan: "Berdasarkan pengalaman di Waymo, deployment nyata menjadi semakin sulit seiring waktu dan menyingkap masalah kurasi data yang makin terspesialisasi; menutup kesenjangan dari 99% ke 99,9% membutuhkan waktu lebih lama dari perkiraan kebanyakan orang"
- Masalah biaya inferensi: world model dan model vision-language-action besar memiliki biaya eksekusi real-time yang tinggi
- Model teks dapat melayani ribuan pengguna secara bersamaan lewat pemrosesan batch di infrastruktur bersama, tetapi model robotika harus menghasilkan status lingkungan setiap beberapa milidetik untuk tiap robot, sehingga pada praktiknya membutuhkan pipeline GPU khusus
- Biaya inferensi LLM turun sekitar 1.000 kali lipat dalam 3 tahun; apakah robotika akan mengikuti kurva serupa akan menentukan kelayakan komersial pendekatan model fondasi
- Interpretability muncul sebagai lapisan infrastruktur generasi berikutnya
- Hanya pada kuartal pertama 2026, sekitar $6 miliar mengalir ke 6–7 perusahaan world model
- Co-founder Vayu Robotics Mahesh Krishnamurthi: "Seiring industri matang, interpretability akan menjadi elemen yang tidak bisa dikompromikan; model-model ini saat ini masih black box, dan akan muncul gelombang startup yang membangun alat untuk membukanya"
- Open source vs closed: di LLM, open source sangat mempercepat perkembangan ekosistem, tetapi belum jelas apakah dinamika yang sama berlaku di robotika, di mana data fisik dan infrastruktur deployment sama pentingnya dengan arsitektur model
- Open source kemungkinan akan mengkomoditisasi arsitektur model lebih cepat dari perkiraan, tetapi lapisan data dan deployment bisa tetap proprietary untuk waktu yang cukup lama
- Perusahaan yang memahami bagian stack mana yang harus dibuka dan mana yang harus dilindungi akan memperoleh keunggulan strategis
Koeksistensi dua kebenaran
- CEO Cobot Brad Porter: "Momen ChatGPT untuk robotika datang lebih cepat dari yang dipikirkan kebanyakan orang, dan saat itu tiba, waktu produksi (robot nyata, tugas nyata, lingkungan nyata) akan menjadi bottleneck; perusahaan yang mengoptimalkan untuk deployment, bukan demo akan terpisah secara menentukan"
- Co-founder perusahaan robotika stealth Philipp Wu: "Timeline-nya jauh lebih panjang dari perkiraan kebanyakan orang, dan robotika umum masih butuh lebih dari 5 tahun"
- Kedua pandangan ini bukan saling bertentangan, melainkan menjelaskan dimensi yang berbeda: Porter menggambarkan jalur menuju titik belok, sementara Wu menggambarkan seberapa jauhnya titik belok itu sebenarnya
- Implikasi bagi para founder: deploy secara tegas sekarang, tetapi bangun dengan momen general-purpose sebagai horizon
- Titik belok sedang mendekat; talenta sedang berpindah, hardware sedang menjadi komoditas, infrastruktur data sedang dibangun, dan perusahaan-perusahaan yang akan mendefinisikan physical AI selama 10 tahun ke depan sedang didirikan dan didanai sekarang juga
1 komentar
Saya penasaran perusahaan seperti apa yang akan muncul.