Keputusan dan Uang: Cara Perusahaan Bertahan dari Pertanyaan “Bagaimana Jika Anthropic Membuat Ini?”

• Seiring model AI makin kuat, nilai perangkat lunak itu sendiri menurun; perusahaan aplikasi yang ingin bertahan perlu berubah sekaligus menjadi perusahaan data dan perusahaan fintech
• Saat agen menjadi pengguna utama perangkat lunak, model harga per-seat runtuh; seribu orang yang menjalankan seratus ribu agen bukan berarti seratus ribu seat, sehingga yang tersisa untuk ditagih hanyalah keputusan yang ditinggalkan agen (data) dan uang yang dipindahkannya (fintech)
• Model frontier ibarat sekelompok genius yang tidak tahu cara sebuah perusahaan beroperasi; judgment implisit yang dimiliki orang-orang adalah moat sesungguhnya, sementara riwayat koreksi (corrections) saat pengguna memperbaiki keluaran model menjadi sinyal pembelajaran sekaligus test set
• Jika tidak ada uang yang mengalir melalui data, itu tak lebih dari proyek sains; hanya fintech dengan jaringan dan lock-in seperti Toast, Ramp, dan Shopify yang bisa mempertahankan margin meski harga model turun
• Akumulasi judgment, penguasaan aliran uang, dan mempertahankan writes adalah satu-satunya cara agar perusahaan tetap tidak tergantikan meski Lab melihat semua token

---

Perkembangan model dan penurunan nilai perangkat lunak

• Kemarin Claude Fable 5 dirilis; ini model Mythos-class pertama yang bisa digunakan publik, menempati peringkat pertama di hampir semua benchmark, dan jaraknya makin lebar semakin panjang pekerjaannya
  • Semakin pintar model, semakin turun nilai perangkat lunak itu sendiri
• Setiap perusahaan aplikasi yang didanai venture kini harus menjadi perusahaan data atau perusahaan fintech, idealnya keduanya

Perubahan siapa yang menggunakan perangkat lunak

• Dalam tulisan dua tahun lalu, sudah disebutkan bahwa ketika agen menjadi pengguna, model harga per-seat akan pecah, dan tampaknya kita sudah melewati garis itu
  • Cloudflare mengumumkan bahwa trafik agen untuk pertama kalinya melampaui trafik manusia
  • Ada perdebatan online, tetapi tren bahwa agen menjadi pelanggan utama semua perangkat lunak sudah jelas
• Seribu karyawan yang menjalankan seratus ribu agen bukanlah seratus ribu seat
• Dua hal dari agen yang bisa ditagih adalah keputusan (=data) yang dibuatnya dan uang (=fintech) yang dipindahkannya

Decisions — moat bernama data

• xAI memiliki opsi untuk mengakuisisi Cursor senilai 60 miliar dolar; Cursor punya pendapatan tahunan teranualisasi sekitar 4 miliar dolar
  • Bukan perangkat lunaknya yang menjadi alasan utama harga mahal itu
  • Anthropic dan OpenAI sudah mengamati pekerjaan developer secara real-time lewat Claude Code dan Codex
  • Alasan xAI membeli Cursor adalah untuk masuk paling cepat ke token flow
  • Musk (triliuner pertama di dunia) menyebut bahwa rekaman jutaan developer yang benar-benar memakai model akan langsung masuk ke pelatihan Grok; harga tinggi itu adalah biaya tol untuk melompati bertahun-tahun pengumpulan data yang lambat
• Beberapa minggu setelah Cursor diluncurkan, muncul clone yang berfungsi, tetapi tidak ada yang berhasil bertahan, karena pertarungannya ada pada taste
  • Ribuan judgment kecil tentang apa yang ditampilkan dan kapan harus menghilang
  • Clone hanya meniru antarmuka; mereka tidak bisa mewarisi riwayat bertahun-tahun developer menerima, menolak, dan menulis ulang
  • Cursor kini melatih modelnya sendiri dengan diff tersebut; data menjadi moat utama
• Alasan valuasi 60 miliar dolar: ini seperti mengganti 90% karyawan dengan tim genius yang sama sekali tidak tahu cara perusahaan beroperasi
  • Fable 5 menyelesaikan 80% pekerjaan perangkat lunak nyata yang tahun lalu hanya bisa diselesaikan setengahnya oleh model terbaik; para genius sulit dibedakan satu sama lain dan bisa diganti
  • Satu alasan mereka gagal: tidak ada yang tahu apa yang diketahui orang-orang yang digantikan

Tacit knowledge dan akumulasi judgment

• Solusi sementara adalah mengeluarkan pengetahuan dari kepala manusia dan memberikannya ke model sebagai konteks, tetapi sebagian besar tidak ada dalam bentuk terstruktur
  • Deal yang ditinggalkan, satu baris kode yang di-rollback pukul 2 pagi, pelanggan yang tidak dikejar siapa pun dan alasannya tidak ditulis — itulah inti sebenarnya
  • Ini adalah judgment yang tidak bisa dituliskan sebagai workflow dan saat ini tidak disimpan
• Kini kita bergerak dari context → harness → judgment
  • Context adalah retrieval, menaruh potongan yang tepat di depan model
  • Harness adalah loop tempat model bisa berjalan (scaffolding)
  • Judgment adalah lapisan terakhir sekaligus satu-satunya lapisan yang tumbuh secara compounding; semua call, koreksi, dan rollback meninggalkan jejak di atas data
• Hampir setiap pitch aplikasi AI yang terlihat sekarang menjadikan slide context sebagai moat, tetapi kini itu hanya table stakes
  • Karena semua pesaing sedang merakit konteks dengan cara yang sama

Dua peran riwayat koreksi (corrections)

• Koreksi bisa dilihat sebagai scorecard; setiap kali pengguna memperbaiki hasil model, itu mencatat apa yang benar dalam bisnis tersebut
• Scorecard menjalankan dua hal sekaligus
  • Sinyal pembelajaran untuk menyesuaikan model pinjaman dengan bisnis itu
  • Test set, satu-satunya cara untuk mengetahui apakah agen benar-benar membaik; benchmark publik tidak dapat mengukur workflow spesifik
• Tidak perlu melatih model dari awal; bahkan Cursor pun tidak melakukannya
  • Model internal Cursor berdiri di atas basis open source, dan diff-lah yang membuatnya berbeda
  • Biaya fine-tuning dan RL di atas model frontier sudah cukup murah sehingga perusahaan Series B pun bisa menjalankan loop ini; dua tahun lalu masih perlu lab
• Sarah Guo menyebut wilayah ini the untrainable (pekerjaan yang jawabannya tidak bisa dinilai dari luar); koreksi adalah cara untuk memilikinya

Contoh para pemimpin AI vertikal

• Harvey menembus 11 miliar dolar, Legora menembus 5 miliar dolar; keduanya menyasar pasar hukum
  • Mereka berlari melampaui tool mandiri menuju kepemilikan seluruh perkara (matter), karena koreksi yang dilakukan pengacara pada draf adalah corrections yang tidak bisa dilihat siapa pun
• Rogo memakai strategi yang sama di keuangan, menangkap proses saat analis membangun model dan memperbaiki memo
• Tidak satu pun dari mereka melatih foundation model; mereka membangun harness di sekitar model pinjaman dan memiliki judgment yang mengalir di dalamnya, dan itulah yang tumbuh secara compounding
• Pemain lama juga sama
  • Figma memiliki lebih dari sekadar SVG: sejarah desain dari v1 hingga v47 dan semua versi yang dibuang di tengah jalan — riwayat penilaian taste desain yang sudah diberi skor
  • Linear memiliki perdebatan di bawah setiap tiket yang ditutup
  • Notion memiliki bentuk pemikiran tim yang terbentuk lewat seribu kali edit
  • Walau pesaing mencoba merebut pelanggan, semua ini tidak bisa diekspor; inilah jawaban yang tidak dimiliki model generik

Tren Lab membeli judgment

• Lab mulai membeli judgment siap pakai, dimulai dari data berlabel manusia
  • Mercor bernilai 10 miliar dolar dan membayar jaringan pakar 85 dolar per jam
  • Meta membayar 14 miliar dolar kepada Scale untuk memiliki pipeline
  • Sebuah startup di New York membersihkan apartemen secara gratis jika seluruh prosesnya boleh direkam, karena tim robotika perlu melihat manusia memutuskan tindakan berikutnya
  • Banyak perusahaan RL environment menjual judgment untuk pekerjaan jangka panjang dan mencapai pendapatan tahunan teranualisasi ratusan juta dolar
• Lab sudah kehabisan setelah melatih pada seluruh internet, dan kini membeli keputusan secara langsung

Dollars — moat bernama fintech

• 23andMe bangkrut tahun lalu meski memiliki DNA lima belas juta orang
  • Jika tidak ada uang yang mengalir melalui data, itu hanya antrean pendanaan untuk proyek sains
  • Kebanyakan founder melewatkan separuh ini
• Toast sudah memahami hal ini bertahun-tahun lalu; restoran pada dasarnya adalah pemroses pembayaran dengan dapur yang menempel
  • Pembayaran menghasilkan pendapatan yang jauh lebih besar daripada perangkat lunak
• Ramp melangkah lebih jauh: kartu korporat gratis, tanpa biaya di mana pun, lalu mengambil 1–2 sen dari setiap dolar ketika miliaran dolar mengalir
  • Perusahaan 32 miliar dolar yang dibangun dari kesalahan pembulatan; kartu gratis adalah pintu depan menuju interchange
  • Swipe fee bertahan karena ditopang jaringan, dan uang juga mengumpulkan float selama mengendap, menghasilkan pendapatan
• Tidak semua meteran uang punya moat
  • Sebuah aplikasi vibe-coding populer memiliki margin sekitar 50% dari kredit yang dijualnya; sebagian besar pendapatan tahunan teranualisasi adalah markup atas inference
  • Di balik markup token tidak ada jaringan, dan biaya inference internalnya sendiri turun tiap kuartal; saat model makin murah, margin mencair
  • Fintech yang berkelanjutan adalah yang dibangun di atas lock-in — pembayaran yang ditopang jaringan, pinjaman yang dijamin dengan data yang tidak bisa dilihat bank

Infrastruktur pembayaran untuk agen

• Infrastruktur pembayaran untuk agen akhirnya mulai berjalan
  • Saat agen memesan tiket pesawat, memesan komponen, dan membayar vendor, harus ada sesuatu yang menyetujui tagihan, mengangkutnya, dan mengambil fee
  • Stripe merilis protokol untuk ini, sementara Visa dan Mastercard bersaing merebut standar
  • OpenAI sudah memotong beberapa persen dari setiap pembelian yang dilakukan agennya
  • Transaksi satu triliun agen akan segera menjadi ekonomi pembayaran terbesar dalam sejarah

Mengubah satu menjadi yang lain

• Perusahaan aplikasi terbaik yang bertahan lama tidak memperlakukan dua separuh ini secara terpisah
  • Judgment adalah catatan keputusan tentang pekerjaan; fintech adalah catatan keputusan tentang uang; perusahaan kuat mengubah satu menjadi yang lain
• Shopify adalah contoh terbaik
  • Bermula sebagai perangkat lunak toko → menempelkan pembayaran → melalui Shopify Capital, menyediakan pinjaman yang dijamin oleh data pendapatan yang mengalir melalui toko, pinjaman yang tidak bisa dilakukan bank sendirian
  • Saat merchant tumbuh, pendapatan naik dan data membantu pinjaman berikutnya
  • Saat ini sekitar tiga perempat pendapatan Shopify berasal dari sisi uang, bukan langganan perangkat lunak
  • Stripe menjalankan loop yang sama dengan Radar, Ramp dengan data belanja dan kartu
• Rippling juga mencoba hal serupa; objek intinya adalah karyawan
  • Payroll, benefit, perangkat, dan kartu bergantung pada satu source of truth
  • Belum ada yang berhasil melakukan lock-in, dan Gusto serta Deel juga tumbuh berdampingan, tetapi perusahaan yang memiliki objek tersebut menumbuhkannya secara compounding sementara yang lain merakitnya secara manual

Pertahankan writes

• Ada ketegangan “headless” yang belum dipecahkan siapa pun
  • Ketika semua perangkat lunak digunakan oleh agen, agar berguna Anda harus membiarkan agen masuk, tetapi agar bertahan Anda tidak bisa membiarkan mereka mengambil semuanya
  • Setiap system of record harus cukup terbuka agar agen bisa terhubung lewat protokol apa pun, sekaligus cukup tertutup agar setelah mendapatkan yang dibutuhkan, tidak ada yang bisa pergi
  • Salesforce tahun ini memblokir data Slack dari Glean dan agen eksternal; ini contoh publik pertama
• Cara membangun perusahaan yang berkelanjutan adalah dengan memisahkannya
  • Izinkan agen untuk membaca; membaca murah dan bagaimanapun penting
  • Pertahankan writes
• Titik tempat judgment baru dimasukkan dan manusia serta agen saling menyetujui, mengoreksi, dan me-rollback adalah bagian yang tidak mudah dipindahkan pesaing
  • Yang mereka scrape hanyalah keadaan kemarin; hanya keputusan yang dibuat saat ini yang tetap menjadi milik sendiri

“Bagaimana jika Anthropic membuat ini?”

• Bisa saja ada bantahan bahwa Lab sudah berada di dalam token flow, jadi di mana moat-nya?
  • Claude Code melihat setiap perintah yang dijalankan developer dan saran yang diabaikan; ChatGPT dalam sehari mengamati lebih banyak keputusan daripada yang dicatat produk selama setahun
• Jawaban atas bantahan itu: yang dilihat tool mereka sebagian besar generik
  • Coding dan penulisan yang sama yang dilihat semua model, justru hal yang diperebutkan lab untuk dijadikan komoditas
  • Judgment yang langka ada jauh di dalam satu perusahaan — cara rumah sakit membaca scan, deal yang dipelajari perusahaan untuk ditinggalkan, tidak satu pun menyentuh kotak chat lab
• Selama bertahun-tahun Lab mengatakan kepada perusahaan bahwa mereka tidak melatih model dengan data perusahaan tersebut
  • Tacit knowledge yang melewati model di dalam produk tetap menjadi milik perusahaan melalui kontrak; mereka melihat trace lewat, tetapi sepakat untuk tidak menyimpannya
• Separuh fintech bahkan bukan sesuatu yang diinginkan lab
  • Lab senang mengambil data, tetapi loan book, kerugian fraud, dan lisensi money-transmitter di 40 negara bagian tidak berguna bagi mereka
  • Bagi pembeli, data menciptakan nilai untuk diakuisisi, sedangkan fintech membuatnya sulit dipisahkan
• Cursor membangun mesin data terbaik di kategorinya dan lab mengakuisisinya seharga 60 miliar dolar
  • Apakah ini mimpi atau peringatan, Anda tidak akan tahu sampai sudah terlalu terlambat untuk mengubahnya
  • Bangun dua hal yang bertahan — akumulasi judgment dan duduk di jalur uang; itulah cara bertahan dari pertanyaan “Bagaimana jika Anthropic membuat ini?”

[heim2]

Kedengarannya cukup masuk akal, tapi sulit dipahami ya.

[somang04]

Akumulasi penilaian, penguasaan arus uang, dan pertahanan terhadap writes adalah satu-satunya cara agar perusahaan tetap tak tergantikan meskipun lab melihat semua token -> maknanya agak ambigu; bisakah dijelaskan lebih lanjut?