Perangkat lunak tidak mati, melainkan sedang berevolusi

• Seiring AI membuat pembuatan kode menjadi murah, moat berupa "kami membuat fitur lebih dulu" runtuh, dan perangkat lunak yang hanya menumpuk fitur kini sedang dinilai ulang harganya secara real-time (repriced)
• Kini daya tahan pertahanan tidak lagi datang dari kecepatan membuat fitur, melainkan dari alur kerja berakurasi tinggi, data eksklusif, dan system of record yang mendalam, dan standar untuk diakui sebagai 'perusahaan sungguhan' pun makin tinggi
• Klaim seperti "akhir pekan lalu saya vibe coding CRM dengan Claude" mengabaikan perbedaan antara pembuatan kode dan operasional layanan mission-critical, dan perusahaan membeli kepercayaan (trust), bukan sekadar kode
• Agen tidak menggantikan aplikasi, melainkan ditumpuk di dalam aplikasi vertikal, dan aplikasi yang memiliki model data, izin, serta jejak audit tetap menjadi pihak utama dalam penjualan dan perpanjangan
• Baru-baru ini, $285 miliar lenyap dari kapitalisasi pasar perangkat lunak legacy sehingga narasi kiamat SaaS mencuat, namun pasar AI tetap berbasis pendapatan nyata dengan permintaan yang masih melampaui pasokan

---

Perdebatan gelembung mengajukan pertanyaan yang salah

• Jika dilihat secara keseluruhan, AI bukan gelembung. Permintaan terus melampaui pasokan, dan beberapa perusahaan portofolio bahkan tidak bisa menerima semua pelanggan karena kekurangan komputasi
  • Permintaan ini terkait dengan pendapatan nyata bernilai puluhan miliar dolar, bukan sekadar jumlah pengguna, dan gelembung tidak biasanya muncul dalam bentuk seperti ini
• Namun ada area yang memang patut dicurigai sebagai gelembung, yaitu robotika humanoid tempat modal menumpuk pada valuasi tahap akhir
  • Backflip atau gerakan menari memang sudah terlihat, tetapi belum ada robot yang melakukan pekerjaan yang bernilai secara ekonomi
  • LLM bekerja berkat korpus pelatihan berupa internet terbuka, tetapi robotika tidak memiliki korpus data yang setara,
    sehingga sumber data pelatihannya masih menjadi masalah riset yang belum jelas (dan jadwal riset tidak cocok dengan jadwal venture)
• Artinya, jawaban atas pertanyaan "apakah AI gelembung" berbeda-beda menurut bidangnya, dan bahkan untuk perangkat lunak (SaaS), kita tidak seharusnya langsung menyimpulkan bahwa semuanya "sudah mati", melainkan menilai tiap argumen satu per satu

4 argumen tentang kematian perangkat lunak (diurutkan dari yang terburuk ke yang terbaik)

• #4: Semua orang akan vibe coding perangkat lunaknya sendiri

  • Argumen seperti, "kenapa bayar Salesforce kalau akhir pekan bisa vibe coding CRM sendiri dengan Claude"
  • Membuat codebase dan mengoperasikan layanan mission-critical adalah dua hal yang sama sekali berbeda
    • Jika orang yang melakukan vibe coding keluar, masalah pemeliharaan codebase akan muncul
    • Pembuatan kode tidak menyelesaikan masalah kepatuhan SOC2 dan pengendalian halusinasi (hallucination)
    • Ini juga tidak menyelesaikan integrasi database SQL yang ditulis pada 1998, atau masalah tanggung jawab uptime saat dashboard mati pukul 4 pagi
  • Perusahaan membeli kepercayaan, bukan kode; AI memang memudahkan tercapainya kesetaraan kode, tetapi kesetaraan kepercayaan tetap sulit dicapai

• #3: Agen seperti Claude dan ChatGPT akan melahap aplikasi enterprise

  • Ini argumen yang lebih baik daripada vibe coding, tetapi masih diragukan bisa berjalan pada alur kerja dengan biaya kesalahan yang tinggi
  • Sistem LLM bersifat non-deterministic dan rentan terhadap halusinasi
    • Bug pada perangkat lunak biasa dapat direproduksi, tetapi kegagalan agen mirip pengujian yang tidak stabil: lolos 98% waktu, lalu gagal di momen yang paling krusial
  • Cocok untuk tugas berisiko rendah seperti draf email, ringkasan dokumen, atau copy pemasaran
    • Namun jika agen melewatkan field wajib atau salah mencatat nilai kontrak hingga transaksi enam digit hilang, Anda kembali membutuhkan sistem yang memaksakan aturan
  • Tim yang membangun alur kerja berbasis agen murni pada akhirnya akan menambahkan lagi lapisan validasi, tahap persetujuan, rollback, dan audit log
    • Jika semuanya dijumlahkan, pada akhirnya Anda hanya membangun ulang aplikasi SaaS di sekeliling agen
    • Hasil akhirnya bukan menggantikan aplikasi, melainkan menumpuk agen di dalam aplikasi vertikal
    • Model data, izin, jejak audit, dan hubungan pelanggan tetap dimiliki oleh aplikasi, dan yang dijual, didukung, serta diperpanjang adalah envelope itu sendiri
  • Ini akan menjadi jauh lebih menarik jika reliabilitas model meningkat, tetapi kita belum sampai ke tahap itu

• #2: Hilangnya pricing berbasis seat akan meruntuhkan model SaaS

  • SaaS tradisional terdiri dari tiga lapisan: data, logika bisnis, dan UI; kini lapisan keempat, yaitu lapisan agentic, sedang ditambahkan
    • Jika sebelumnya menjual 50 seat ke manusia, lalu dua agen bisa menyelesaikan pekerjaan tanpa UI, maka muncul persoalan daya penetapan harga
  • Jika agen mengerjakan lebih banyak hal dan pelanggan memperoleh nilai lebih besar, ini bukan masalah eksistensial melainkan masalah pricing dan packaging
    • Vendor yang merancang price to value lewat model token, hasil, atau penggunaan hybrid akan bertahan
    • Vendor yang tetap terobsesi pada harga per seat akan runtuh saat pelanggan mengotomatisasi seat tersebut
  • Pricing murni berbasis hasil sulit diterapkan rapi ke semua kategori, sehingga dalam beberapa tahun ke depan model hybrid (penggunaan + hasil) kemungkinan akan mendominasi (sesuai pernyataan sumber)

• #1: Kode menjadi murah, sehingga moat fitur runtuh

  • Ini adalah argumen yang paling serius
  • Moat SAP, ServiceNow, dan Salesforce selama puluhan tahun adalah tenaga engineering yang terakumulasi
    • Semua fitur, integrasi, dan laporan terserap ke dalam codebase yang sulit dikejar startup, tetapi AI memangkas timeline itu secara dramatis
  • Jika produk Anda murni berada di lapisan alur kerja dan argumen defensifnya adalah "kami membuatnya lebih dulu", maka Anda berada dalam bahaya
    • Business intelligence dan pembuatan konten kreatif saat ini adalah area dengan moat paling dangkal, dan kebetulan LLM sangat pandai dalam pekerjaan tersebut

Jadi, di mana moat sekarang berada

• Tiga elemen pertahanan

  • Alur kerja berakurasi tinggi dengan error budget yang mendekati nol: infrastruktur finansial, layanan kesehatan, kepatuhan regulasi, dan sejenisnya
    • Vibe coding tidak akan tahan terhadap audit HIPAA atau ketidaksesuaian settlement, dan biaya kesalahan itu sendiri menjadi moat
  • Feedback loop data eksklusif: meningkat secara bermakna seiring penggunaan pelanggan dan tidak bisa disalin pesaing hanya dengan foundation model yang sama
    • Aset sesungguhnya adalah data, bukan model
  • System of record yang mendalam: tertanam dalam operasi legacy, memiliki sumber kebenaran, dan menciptakan switching cost yang tinggi
    • Perusahaan semacam ini tidak seharusnya menghindari AI, melainkan mengadopsinya secara agresif, karena lapisan agen justru meningkatkan nilai data

Kondisi stack AI: tempat berinvestasi dan yang tidak

• Kalimat "berinvestasi di AI" kini tidak lebih membedakan daripada kalimat "berinvestasi di perangkat lunak" pada 2012
• Ada empat lapisan, dan tidak semuanya layak mendapat alokasi modal yang sama

• 1. Hardware

  • Komputasi tetap menjadi binding constraint dalam siklus ini
  • Perusahaan seperti Neolabs masih menunggu purchase order yang seharusnya sudah diproses berbulan-bulan lalu
  • Permintaannya nyata, tetapi pasokan tersendat, dan para pemenangnya sebagian besar adalah perusahaan publik atau yang sudah berskala — hasilnya tidak berubah hanya karena ada seed investment

• 2. Model

  • Frontier model adalah bisnis padat modal (capex), bukan bisnis venture biasa
  • Biaya untuk melatihnya dengan benar setara dengan PDB negara kecil, dan OpenAI, Anthropic, serta Google sudah memainkan permainan itu
  • Startup model yang menyerang secara frontal sedang memilih pertarungan yang salah
  • Investasi hanya menarik pada sedikit perusahaan seperti Sciforium yang mengejar bentuk berbeda melalui arsitektur baru, cara training/inference baru, atau framing masalah baru
    • Jika pendekatannya berupa outflanking dari samping sehingga pemain lama hanya bisa menirunya dengan mengkanibal inti bisnisnya sendiri, itu menarik

• 3. Infrastruktur

  • Di sinilah AI dengan menarik mulai mematahkan asumsi SaaS lama
  • SaaS tradisional bersifat read-heavy: satu baris data disimpan lalu dibaca jutaan kali
    • Beban kerja AI membalik itu: pipeline training, memori agen, vector store, dan evaluation harness menjadi write-heavy dan update-heavy, serta bekerja dengan bentuk data yang tidak dirancang untuk sistem legacy
  • Investasi aktif dilakukan pada kedua sisi
    • Lapisan data itu sendiri: PlanetScale, Greybeam — membangun ulang primitive database OLTP dan OLAP agar sesuai dengan bentuk workload ini
    • Lapisan pembangkitan data: Preference Model, Moody Pines, Terac — memasok data bersih, terstruktur, dan berlabel, yang menjadi bottleneck nyata setelah persoalan komputasi teratasi

• 4. Aplikasi

  • Di sinilah sebagian besar modal saat ini masuk, karena ini lapisan tempat nilai benar-benar sampai ke pembeli
  • AI membuka surface area yang sangat besar pada alur kerja yang dulu tidak tersentuh, seperti medical coding, optimasi pengiriman barang, legal review, sales motion, dan operasi klinis
  • Persaingan ketat dan tekanan harga memang ada, tetapi itu justru ciri lapisan dengan permintaan besar
  • Pemenangnya adalah mereka yang menggabungkan AI-native workflow dengan salah satu dari tiga hal: lingkungan berakurasi tinggi, loop data eksklusif, atau system of record yang mendalam

Bagi mereka yang membangun startup di pasar ini

• Hardware dan model pada dasarnya hampir tertutup bagi pendatang baru tanpa keunggulan struktural
• Infrastruktur terbuka lebar jika Anda benar-benar memahami bahwa "workload AI bukanlah workload SaaS yang sekadar ditempeli chatbot"
• Aplikasi adalah area dengan volume terbesar sekaligus baseline yang naik paling cepat

• Rekomendasi untuk tahap seed dan Seri A

  • Berhenti mengklaim bahwa moat Anda adalah "kami meluncur lebih cepat" — itu kini hanya syarat dasar
  • Tunjukkan data yang hanya Anda yang bisa kumpulkan dan tidak bisa didapat siapa pun
  • Tekankan alur kerja yang hanya Anda yang sudah serap sepenuhnya dan tidak bisa dicabut pelanggan sesuka hati
  • Pitch-kan akurasi yang diberikan sistem Anda di lingkungan tempat kesalahan berujung pada kerugian besar
  • Jika Anda hanyalah fitur yang terjepit di antara dua aplikasi besar, sadarilah bahwa Anda berada di dead zone
• Perangkat lunak tidak mati, tetapi perangkat lunak tipe utilitas yang membengkak sedang dinilai ulang harganya secara real-time (repriced), dan menggantikannya adalah pekerjaan yang jauh lebih sulit daripada proyek akhir pekan berbasis model API — baseline untuk menjadi perusahaan sungguhan kini lebih tinggi