- Industri robotika saat ini berada pada tahap setara GPT-2.5, dengan model fondasi mulai menunjukkan kapabilitas nyata, tetapi kesenjangan antara hasil laboratorium dan deployment di lapangan masih besar
- Proyeksi pasar senilai $38 miliar pada 2035 yang bahkan telah dinaikkan Goldman Sachs sebesar 6x dalam setahun dinilai Bessemer masih konservatif, dan biaya data robotika saja diperkirakan akan menghabiskan lebih dari $3 miliar untuk seluruh industri dalam 2 tahun ke depan
- Sebanyak 48% pendiri perusahaan robotika AS berasal dari empat institusi: Stanford, MIT, Berkeley, dan CMU, sehingga konsentrasi talenta diperkirakan akan mempercepat struktur pasar winner-takes-all
- Median Series A perusahaan robotika pertahanan mencapai $105 juta, dua kali lipat dibanding perusahaan non-pertahanan, dan dengan valuasi Anduril sebesar $60 miliar diprediksi IPO pertama di atas $50 miliar akan lahir dari sektor ini
- Dalam 5 tahun terakhir, hanya ada 42 perusahaan robotika yang menerima investasi lebih dari $30 juta, atau hanya seperdelapan belas dari 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 repetitif atau lingkungan kerja berbahaya terus meningkat akibat perubahan demografi di AS, Eropa, Jepang, dan Tiongkok
- Sejumlah analis memprediksi pasar robotika akan mencapai $38 miliar pada 2035, dan Goldman Sachs merevisi naik proyeksi ini sebesar 6x hanya dalam setahun
- Bessemer menilai bahkan proyeksi tersebut masih konservatif baik dari sisi kecepatan maupun skala
- Jeremy Levine, partner di Bessemer, mengatakan, “Dalam 10–20 tahun ke depan akan ada 100.000 kali lebih banyak robot di Bumi dibanding sekarang”
- Bessemer menangkap peluang investasi pada momen ketika pergerakan talenta, terobosan teknologi, dan tailwind struktural sama-sama mengalami akselerasi, dengan portofolio yang mencakup Waymo, Mind Robotics, Foxglove, Breaker, Noda, Voxel51, DroneDeploy, Auterion, Perceptron, ANYbotics, dan lainnya
Prediksi 1: Momen ChatGPT untuk robotika semakin dekat, tetapi belum tiba
- Industri robotika berada pada tahap yang setara dengan momen GPT-2.5, ketika model fondasi mulai menunjukkan kemampuan nyata dan scaling law mulai terlihat, tetapi kesenjangan antara demo riset dan deployment produksi masih besar
- Model π0 dari Physical Intelligence berhasil melipat cucian dengan kelincahan setara manusia
- Makalah EgoScale yang diumumkan pada Februari 2026 membuktikan bahwa performa policy meningkat secara terprediksi seiring skala data pretraining, menjadi bukti kuat pertama bahwa model fondasi robotika mengikuti kurva peningkatan berbasis data yang sama seperti LLM
- Masih ada dua pertanyaan kunci yang belum terjawab
- Berapa banyak data yang dibutuhkan untuk menutup kesenjangan antara performa lab dan reliabilitas 99,9% yang dibutuhkan produksi
- Akan seperti apa momen ChatGPT untuk robotika saat benar-benar tiba
- Tidak seperti chatbot yang bisa membuktikan kapabilitasnya lewat kotak teks, bukti itu akan datang dari robot yang menyelesaikan tugas kompleks di lingkungan asing tanpa campur tangan manusia
- Area yang sudah dikomersialkan: otomasi gudang, bantuan bedah, pengiriman last-mile, inspeksi industri, dan sistem khusus tujuan di lingkungan terbatas yang sudah menghasilkan pendapatan
- CEO Perceptron Armen Aghajanyan: “Inti 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 scaling law — data mahal, modal menjadi moat, dan world model bisa menjadi jalan pintas
- LLM bisa memanfaatkan ratusan triliun token teks dari internet, tetapi di robotika tidak ada korpus setara
- Data manipulasi robot global diperkirakan hanya sekitar 300.000 jam, dibanding sekitar 1 miliar jam video internet dan 300 triliun token teks, sehingga ada kesenjangan struktural yang besar
- Bessemer memperkirakan biaya data robotika untuk seluruh industri dalam 2 tahun ke depan akan melampaui $3 miliar
- Termasuk teleoperation, video egosentris, simulasi, dan pengumpulan demonstrasi fisik
- Data robot tidak bisa di-scrape atau dibeli begitu saja, tetapi harus dibuat langsung untuk tiap tugas dan lingkungan
- CEO Zeromatter Ian Glow: “Teleop saja tidak akan cukup untuk menjadi strategi data yang sukses; kita harus mengambil data dari internet atau simulator lewat reinforcement learning untuk mendapatkan 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 membutuhkan 10.000 GPU H100 selama 3 bulan untuk pelatihan, sehingga world model juga merupakan pendekatan yang padat modal
- Simulasi dan reinforcement learning: transisi sim-to-real bekerja baik untuk locomotion, tetapi untuk manipulation masih menjadi masalah riset yang belum terselesaikan karena isu fidelitas pada objek lunak, kain, dan cairan
- CEO Voxel51 Brian Moore: “Yang membedakan pemimpin dan omong kosong dalam physical AI adalah obsesi pada 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 sukses
- Dari 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 Stanford, MIT, Berkeley, dan CMU
- Sebanyak 56% memiliki setidaknya satu co-founder bergelar PhD, dan 43% memiliki pendiri yang berasal langsung dari akademia
- Moat talenta menghasilkan efek compounding dalam urutan talenta → modal → kemitraan data → relasi pelanggan → dataset proprietari, sehingga struktur winner-takes-all terbentuk lebih cepat daripada dugaan kebanyakan orang
- Di LLM, open source seperti Llama dan Mistral mendemokratisasi akses kapabilitas, tetapi di robotika meski open source seperti LeRobot, Genesis, Isaac Lab berkembang, masih ada friksi fisik karena “tetap butuh robot”
- Tim dengan keahlian paling dalam di 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 dalam jangka pendek — perusahaan model fondasi murni harus menunggu
- Di LLM, tim beranggotakan dua orang bisa langsung membangun produk frontier AI dari satu endpoint API seperti GPT-4, tetapi robotika membutuhkan pengumpulan data spesifik domain, fine-tuning sesuai lingkungan, integrasi hardware, dan infrastruktur operasional
- Moat yang sedang dibangun saat ini lebih banyak berada pada pipeline data proprietari, keahlian domain, infrastruktur deployment, dan relasi pelanggan yang menciptakan feedback loop daripada pada arsitektur model itu sendiri
- Turunnya biaya hardware mempercepat dinamika ini
- CEO DroneDeploy Mike Winn: “Robot darat untuk sektor konstruksi turun dari $100.000 menjadi di bawah $15.000 per unit, dan docking drone dari $200.000 menjadi di bawah $20.000, sehingga deployment skala besar kini melewati titik ambang”
- Stack terbagi menjadi tiga layer
- Layer infrastruktur: model fondasi, world model
- Layer aplikasi: perusahaan full-stack dengan hardware kustom (humanoid, sistem industri) + perusahaan full-stack yang menerapkan AI pada platform komersial siap pakai
- Nilai terkonsentrasi di layer aplikasi karena layer infrastruktur masih belum cukup general-purpose untuk mendukung deployment end-to-end secara mandiri
- Saat model fondasi membaik dan transisi sim-to-real makin matang, momen API untuk robotika akan datang, tetapi itu baru cerita setelah 2028; pada jendela saat ini, integrasi vertikal adalah area yang menciptakan nilai berkelanjutan
- CEO Foxglove Adrian Macneil: “Keunggulan penentu dalam physical AI bukan kebaruan model, melainkan kualitas infrastruktur data; ketika model makin konvergen, perusahaan dengan data flywheel terkuat yang akan menang”
Prediksi 5: Robotika pertahanan akan memimpin IPO pertama di kategori ini yang bernilai di atas $50 miliar
- Median Series A perusahaan robotika pertahanan pada 2025 mencapai $105 juta, lebih dari dua kali lipat dibanding $50 juta pada perusahaan non-pertahanan, dan kesenjangan ini melebar setiap tahun sejak 2021
- Anduril menutup pendanaan pada Maret 2026 dengan valuasi $60 miliar, sementara Saronic pada bulan yang sama menggalang Series D senilai $1,75 miliar untuk kapal otonom
- Siklus pengadaan pertahanan memang panjang, tetapi dapat diprediksi, nilai kontraknya besar, tingkat pembaruannya tinggi, dan switching cost-nya signifikan
- Berbeda dengan robotika komersial, pembeli pertahanan beroperasi dengan kalkulasi berbeda: bukan ROI, melainkan risiko keamanan nasional
- Faktor geopolitik memperkuat tren ini: sekitar 90% robot humanoid yang terjual secara global pada 2025 dibuat di Tiongkok
- Model AI Tiongkok rata-rata tertinggal sekitar 7 bulan dari AS, tetapi kesenjangan itu terus menyempit, dan pemerintah AS mulai memperlakukan robotika sebagai kebutuhan penting bagi keamanan nasional
- Dari sisi dual-use, perusahaan paling defensif tidak membangun sistem senjata satu tujuan, melainkan platform otonom, sistem persepsi, dan infrastruktur pengambilan keputusan yang juga bisa diterapkan secara komersial
- Co-founder Breaker Matthew Buffa: “Perusahaan yang paling menarik bukan yang memilih antara pertahanan atau komersial, melainkan yang membangun sistem yang cukup mumpuni untuk memenuhi kebutuhan pertahanan sekaligus cukup inovatif untuk pasar komersial”
Prediksi 6: Tidak ada bubble robotika — justru pendanaan ke sektor ini masih belum cukup
- Dalam 5 tahun terakhir, ada 745 perusahaan software yang menerima investasi lebih dari $30 juta, sementara robotika hanya 42, atau 18 kali lebih sedikit
- Padahal pasar dasar robotika skalanya 30 kali lebih besar daripada belanja software global
- Bahkan dengan mempertimbangkan sifat bisnis hardware yang padat modal, kondisi saat ini tetap merupakan underinvestment struktural dibanding peluang yang ada
- Sebagian besar analis memperkirakan pertumbuhan industri 50x dalam 10 tahun ke depan, tetapi Bessemer menilai ini pun hanya terbatas pada otomasi workflow yang sudah ada dan belum mencerminkan kategori aktivitas ekonomi baru yang akan diciptakan robot serbaguna
- Tidak semua perusahaan yang didanai akan sukses, sebagian valuasi memang terlalu tinggi, dan modal akan terkonsentrasi pada segelintir pemimpin
- Namun selektivitas dan kelangkaan adalah dua hal berbeda; secara keseluruhan level investasi robotika masih jauh dari cukup dibanding besarnya peluang dan cepatnya perkembangan kapabilitas
- Sebelum momen ChatGPT tiba dan sebelum konsolidasi talenta selesai, sekarang adalah jendela untuk berinvestasi pada perusahaan kunci; menunggu bukti titik belok justru berarti kehilangan peluang
- CEO Flexion Nikita Rudin: “Lima tahun dari sekarang, sebagian besar robot yang deployed di seluruh dunia tidak 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 terselesaikan dan perdebatan terbuka
- Kesenjangan reliabilitas: meningkatkan tingkat keberhasilan tugas dari 80% ke 99,9% bukan masalah linear
- Diperlukan pendekatan yang secara fundamental berbeda, seperti tactile sensing, force feedback, dan transisi sim-to-real untuk manipulation
- CEO Argus Systems Lisa Yan: “Dari pengalaman di Waymo, deployment nyata justru makin sulit seiring waktu dan mengungkap masalah kurasi data yang makin spesifik; menutup kesenjangan dari 99% ke 99,9% akan memakan waktu lebih lama daripada dugaan kebanyakan orang”
- Masalah biaya inferensi: world model dan model vision-language-action berukuran besar mahal untuk dijalankan secara real-time
- Model teks bisa diproses batch di infrastruktur bersama untuk ribuan pengguna simultan, tetapi model robotika harus menghasilkan status lingkungan setiap beberapa milidetik untuk tiap robot, sehingga pada praktiknya butuh pipeline GPU khusus
- Biaya inferensi LLM turun sekitar 1.000x dalam 3 tahun; apakah robotika akan mengikuti kurva serupa akan menentukan kelayakan komersial pendekatan model fondasi
- Interpretability mulai muncul sebagai layer infrastruktur generasi berikutnya
- Hanya pada kuartal 1 2026, sekitar $6 miliar mengalir ke 6–7 perusahaan world model
- Co-founder Vayu Robotics Mahesh Krishnamurthi: “Semakin industri ini matang, interpretability akan menjadi elemen yang tak bisa ditawar; saat ini model-model tersebut masih berupa black box, dan akan muncul gelombang startup yang membuat 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 mengomoditisasi arsitektur model lebih cepat dari perkiraan, tetapi layer data dan deployment bisa tetap eksklusif 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 daripada yang dipikirkan kebanyakan orang, dan ketika itu terjadi, waktu produksi (robot nyata, tugas nyata, lingkungan nyata) akan menjadi bottleneck; perusahaan yang mengoptimalkan untuk deployment, bukan demo, akan terpisah secara tegas”
- Co-founder perusahaan robotika stealth Philipp Wu: “Timeline-nya jauh lebih lama daripada perkiraan kebanyakan orang; robotika serbaguna 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 jauh titik belok itu sebenarnya
- Implikasi bagi founder: deploy secara tegas sekarang, tetapi bangun dengan momen general-purpose sebagai horizon
- Titik belok itu 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.