Siapa yang Akan Menentukan Harga Kecerdasan?

• AI mengubah kecerdasan (intelligence) menjadi sumber daya yang diberi harga, dan kini semua lapisan pasar bersaing untuk menentukan siapa yang akan mengendalikan harga tersebut
• AI lab ingin penggunaan mengalir melalui mereka, aplikasi ingin membuktikan bahwa mereka dapat mengalokasikan kecerdasan lebih baik daripada lab, dan negara ingin kecerdasan menjadi cukup murah hingga setara dengan infrastruktur nasional
• Biaya kecerdasan bukan lagi sekadar input dalam perangkat lunak, melainkan berfungsi sebagai sumbu (axis) yang membentuk ulang perusahaan, pasar, dan geopolitik
• Alasan investasi AI berbeda dari investasi perangkat lunak adalah karena ada lebih banyak variabel, variabel-variabel itu terhubung (coupled) secara tidak merata, dan tiap variabel terurai lagi menjadi subvariabel yang bergerak menurut kurvanya sendiri
• Ini adalah analisis atas sistem yang persamaannya ditulis ulang setiap jam, dan jika salah satu variabel bergerak cukup jauh, makna variabel lain ikut berubah dalam rangkaian restrukturisasi yang terus berlangsung

---

Mengapa investasi AI berbeda dari investasi perangkat lunak

• Dalam perangkat lunak, pencocokan pola memang sulit, tetapi tetap berhasil; biaya distribusi (distribution cost) menentukan efisiensi akuisisi pelanggan, dan biaya perpindahan (switching cost) menentukan retensi serta ekspansi
  • CAC payback, NDR, magic number, Rule of 40 semuanya hanyalah hasil turunan dari dua kekuatan ini
• AI meruntuhkan itu karena tiga alasan
  • Ada lebih banyak variabel dalam sistem
  • Variabel-variabelnya terhubung secara tidak merata
  • Masing-masing variabel terurai menjadi subvariabel yang bergerak menurut kurvanya sendiri
• Jika satu saja dari capability, cost, latency, deployment, regulation, talent bergerak, makna yang lain ikut berubah; ketika satu batasan terpecahkan, batasan penting berikutnya juga berubah

Apa yang diubah oleh tiap variabel

• Variabel yang sudah akrab dibahas adalah capability, cost, latency
• Variabel yang lebih sulit adalah unlocks yang muncul dari riset dan produk; sifat serta kedalamannya sulit dimodelkan sebelumnya, dan kecepatan kedatangannya terus meningkat
• Batasan yang dalam perangkat lunak diperlakukan sebagai nilai tetap kini menjadi pilihan strategis di AI: geopolitics, deployment, talent

• Capability

  • Terurai menjadi reasoning, context, multimodality, tool use, planning, memory, controllability, dan masing-masing bergerak keras di kurvanya sendiri
    • context telah berkembang dari 4 ribu token menjadi lebih dari 1 juta token hanya dalam 3 tahun
    • reasoning berevolusi dari trik prompting menjadi kelas model tersendiri
  • Capability telah menyerap infrastruktur seperti retrieval pipelines, output parsers, prompt scaffolds, yang sebelumnya merupakan prostetik (prosthetics) untuk menutupi kelemahan model
  • Model yang hanya bisa memuat prompt dan model yang bisa memuat codebase atau riwayat pelanggan adalah dua produk yang berbeda; peningkatan performa tidak mengangkat semua aplikasi secara merata, melainkan memindahkan bottleneck

• Cost

  • Penurunan biaya bukan sekadar memperbaiki margin, tetapi mengubah siapa yang bisa bersaing
    • Workflow yang dulu membutuhkan frontier API kini berpindah ke model open-weight murah, model spesialis hasil fine-tuning, atau stack yang dirutekan, sehingga produk premium turun menjadi commodity feature
  • DeepSeek menunjukkan dengan lebih keras bahwa perubahan ekspektasi biaya di lapisan model dapat mengalihkan ulang kumpulan margin di lapisan atasnya

• Latency

  • Menjadi variabel saat AI berpindah dari prompting asinkron ke workflow real-time
    • Model lambat masih oke untuk menulis memo, tetapi gagal dalam sales call, support conversation, tutoring session, atau security response
  • Saat ada manusia yang menunggu di sisi lain, latency bukan lagi detail performa, tetapi penentu apakah pasar itu bisa ada
    • voice melampaui batas itu ketika kualitas, penanganan interupsi, dan harga dalam satuan sen per menit hadir bersamaan
  • Penurunan latency bukan hanya membuat produk yang sama menjadi lebih cepat, tetapi juga membuka permukaan penggunaan (surface) baru

• Kurva-kurva baru

  • Dua tahun lalu, kita belum bisa memasukkan inference-time compute, task horizon, dan input dari produksi AI itu sendiri ke dalam daftar

  • Inference-time compute

    • Kenop yang memberi jawaban lebih baik jika komputasi ditambah 10x adalah unsur yang benar-benar baru dibanding perangkat lunak sebelumnya, dan menjadikan biaya per hasil sebagai persoalan pilihan
      • Query 10 detik dan query 10 menit dari model yang sama adalah dua produk berbeda dengan harga berbeda, dan margin ditentukan bukan oleh harga model, melainkan oleh penilaian sistem
    • Ini adalah serangan balik lapisan aplikasi terhadap labs; semakin frontier model menyerap logika produk, semakin tiap perusahaan harus menegaskan bahwa merekalah yang bisa mengalokasikan token pelanggan dengan lebih baik
    • lab terdorong memperbesar penggunaan, sementara aplikasi terdorong membelanjakan hanya pada titik yang benar-benar memberi nilai hasil

  • Task horizon

    • Jika inference-time compute adalah kenop kedalaman, maka task horizon adalah kenop panjang, yakni berapa lama AI bisa terus bekerja sendiri sebelum perlu campur tangan manusia
      • Satuannya berpindah dari call menjadi workflow
      • Agen bisa bekerja berjam-jam, membuat subagen, dan menghabiskan jutaan token per jalur keputusan, sehingga penggunaan tak lagi sebanding dengan jumlah seat
    • Jika panjang dan kedalaman dikalikan, hasilnya adalah tagihan token yang kini ditanyakan semua CFO Fortune 500

  • Input dari produksi AI itu sendiri

    • AI dipakai untuk membuat synthetic data, menulis kode, membuat evals, dan memampatkan siklus eksperimen
      • Tiap generasi memperpendek waktu pembangunan generasi berikutnya, sehingga laju perubahan menjadi endogen (endogenous)
    • Rekursi ini membuat siklus perubahan lebih pendek daripada siklus fundraising, dan masa paro banyak thesis juga ikut menyusut

• Geopolitics

  • Di sinilah perang tampak secara eksplisit, dan China secara struktural terdorong ke arah efisiensi dan publikasi open-weight
    • Akses chip yang terbatas dan pengecualian dari sebagian frontier stack membuat strategi itu rasional
  • A.S. masih bisa bersaing lewat frontier model open-weight, tetapi belum menghasilkan jawaban struktural yang sama
  • Perangkat lunak tidak pernah membutuhkan pelatihan bernilai miliaran dolar, tetapi frontier open weights membutuhkan compute financing, patient capital, release governance, serving infrastructure, dan sarana untuk bersaing memperebutkan talenta
    • Sejumlah kelompok di AS harus membenarkan biaya pelatihan itu melalui federation atau financial engineering
  • Frontier labs percaya teknologinya berbahaya, sehingga mendorong regulasi berbasis capability; mereka diuntungkan ketika akses frontier dikendalikan, diaudit, diukur, dan tetap berada di balik API
  • DeepSeek bukan sekadar perilisan model, melainkan satu tembakan pembuka dalam perang soal siapa yang menentukan harga kecerdasan

• Deployment

  • Masih cair karena nilainya tidak seluruhnya jatuh ke cloud
    • Inference berpindah ke tempat termurah selama tidak merusak produk: frontier reasoning ke cloud, latency ke edge, privasi dan personalisasi ke on-device, dan workflow yang membutuhkan ketiganya menjadi hybrid
  • Karena model tidak hanya menyimpan data tetapi juga menalar context, memory, documents, voice, code, behavior, dan enterprise permissions pengguna, privasi menjadi lebih penting daripada di SaaS
  • Di mana inference terjadi akan menentukan siapa yang mengambil margin, siapa yang memiliki context, dan siapa yang dipercaya pelanggan

• Talent

  • Dalam SaaS, talenta adalah variabel eksekusi; tim yang lebih baik membangun lebih cepat, menjual lebih baik, dan beroperasi lebih disiplin
  • Dalam AI, talenta adalah bahan baku produksi (raw input); segelintir peneliti bisa mengubah architecture, data mixture, eval regime, bahkan kurva cost-capability itu sendiri
    • Tim bukan hanya mengeksekusi sesuai pasar, tetapi bisa mengubah bentuk pasar itu sendiri
  • Bukan hanya kualitas operasi, tetapi juga research taste menjadi bagian dari aset

Ancaman bukan lagi pesaing

• Dalam SaaS, perusahaan biasanya mati karena perusahaan lain: pesaing dengan dana lebih besar, tim lebih cepat, atau incumbent yang memperluas wilayah
  • Satu pengecualian adalah perusahaan yang dibangun di atas platform pihak ketiga lalu mati tanpa pesaing karena harga atau syarat platform berubah
  • AI menjadikan pengecualian ini sebagai default
• Ancaman di AI adalah migrasi lapisan (layer migration); jika salah satu dari capability, cost, latency, deployment, regulation, trust berubah cukup jauh, pekerjaan akan berpindah
  • Ia bisa berpindah ke model, alternatif open-weight, platform data pelanggan, runtime agen, atau perangkat itu sendiri
• Variabel lain adalah demand; pembeli bergerak lambat, tetapi tidak naif, dan karena mereka paham biaya lock-in, peluang arbitrasenya kini mulai menutup

Cara membangun perusahaan juga terbalik

• Asumsi lama dan nasihat VC tradisional mulai lenyap
  • Jika SaaS menjual produktivitas dan suasana baik, AI makin menjadi bisnis yang kurang murah hati karena menjual hasil dan layanan; produk hanya bagus jika hasilnya bekerja, dan perusahaan hanya berjalan jika hasil itu bisa diproduksi dengan efisien

• Percabangan Consumer dan Enterprise

  • Di consumer, breadth saja sudah cukup: cepat, murah, berguna secara luas, dan kegagalan masih bisa dimaafkan
  • Di enterprise, standarnya berbeda: harus bekerja di dalam workflow tertentu sambil memuat context, permissions, data, dan risk tolerance pelanggan
    • Karena itu, frontier model saja bukan produk enterprise; nilai ada pada lapisan application, orchestration, services, dan proprietary data yang membuat model berguna di dalam perusahaan

• Distribution dan Talent

  • Model kemarin bisa memungkinkan produk baru hari ini, sehingga perusahaan bisa mengganti posisi pada hari Selasa
    • Sejumlah perusahaan sudah mengubah profil tenaga penjualan mereka menjadi orang yang bisa menjual target yang terus bergerak
    • Pendekatan top-down sejak awal bekerja untuk sebagian perusahaan

• Struktur ekonomi

  • services-as-software mengubah pricing, dan kemitraan systems-integrator muncul bertahun-tahun lebih awal dibanding playbook lama
  • Pasar terbelah: sebagian investor melihat portofolio di mana produk terus dibangun ulang dan menyimpulkan produk nyaris tidak penting serta services adalah bisnis yang sebenarnya; yang lain menolak apa pun yang terlihat seperti konsultasi
  • Kebenaran yang lebih tidak nyaman adalah bahwa dalam AI, product, services, deployment, dan distribution sedang dirakit ulang secara berbeda di tiap perusahaan

• Inovasi pendiri

  • ICP sempit, satu wedge, membangun pelan-pelan, perekrutan yang dapat diprediksi, retensi product-led: semua itu tidak lagi cukup di pasar tempat variabel terus bergerak dan pelanggan tidak menginginkan point solution
  • Yang tampak menang adalah feedback loop yang cepat, tim kecil yang diberi wewenang, dan kenyamanan untuk menata ulang mengikuti perubahan alih-alih rencana enam bulan lalu

Kini tugas para pendiri dan negara

• Dalam AI, nilai tidak ditangkap sekali lalu dipertahankan, tetapi terus-menerus dihargai ulang dan dipindahkan ulang; variabel-variabel itulah alat untuk membaca arah dan kecepatan perpindahan tersebut
  • Setiap perusahaan AI berdiri di atas tumpukan asumsi, dan perusahaan yang kuat tahu asumsi mana yang sedang mereka long dan mana yang sedang mereka short
• Berinvestasi dan membangun di AI lebih mirip mengelola trading book daripada melakukan due diligence atas perusahaan perangkat lunak
  • Anda long pada sebagian kurva, short pada kurva lain, dan terekspos pada korelasi yang bisa pecah di saat paling penting
• Anda harus memilih variabel mana yang akan dipertaruhkan, tahu variabel mana yang bisa membunuh Anda, dan membangun perusahaan agar bisa pulih lebih cepat sebelum taruhan yang salah menumpuk secara majemuk

• Dimensi politik

  • Pemerintah AS akan lebih baik jika bisa menangani dua variabel sekaligus: mengendalikan frontier yang berbahaya, tetapi tidak membuat kecerdasan begitu mahal hingga masa depan hanya bisa ditentukan oleh lab tertutup dan negara pesaing
  • Negara yang menang bukan yang paling banyak mengatur atau paling banyak membuka, melainkan yang menemukan cara membuat kecerdasan cukup aman untuk dipercaya dan cukup murah untuk menyebar