Software Telah Memakan Dunia, dan Kini Hardware Sedang Memakan Software

 (wing.vc)
2 poin oleh GN⁺ 4 jam lalu | Belum ada komentar. | Bagikan ke WhatsApp
  • Pada era SaaS, antarmuka dan aplikasi memperoleh margin kotor 75–90%, tetapi dalam AI, pusat nilai bergeser turun ke semikonduktor, komputasi, data, dan platform inferensi, sehingga lapisan aplikasi makin menipis
  • Modal yang sangat besar, bottleneck fisik CoWoS, HBM, dan daya listrik, biaya perpindahan data, serta kemungkinan tergantikannya logika aplikasi membuat pusat nilai tetap tertambat di lapisan bawah
  • Pendapatan pusat data NVIDIA naik 92% YoY menjadi US$75,2 miliar pada kuartal yang berakhir April 2026, sementara belanja modal empat hyperscaler terbesar mencapai US$131 miliar pada Q1 2026, menunjukkan konsentrasi modal pada lapisan fondasi fisik
  • Kesenjangan performa dan harga model berbobot terbuka turun dengan cepat, tetapi platform inferensi dan optimisasi yang menyediakan throughput tinggi dan latensi rendah, platform data proprietary, serta segelintir model premium dengan performa tertinggi dan jaringan distribusi enterprise tetap mempertahankan nilai
  • Pada aplikasi AI, biaya inferensi rata-rata mencapai 23% dari pendapatan sehingga margin kotor bisa tertahan di 50–60%; karena itu, aplikasi perlu memiliki salah satu dari loop data proprietary, system of record, workflow teregulasi, kekuatan distribusi, atau pricing berbasis hasil untuk memperoleh daya pertahanan setara software lama

Arah perpindahan nilai yang dibalik oleh AI

  • Dalam SaaS, biaya marginal untuk mendukung satu pengguna tambahan mendekati nol, dan perusahaan yang memiliki antarmuka, workflow, serta system of record memperoleh margin kotor 75–90%
  • Dalam AI, inferensi menjadi biaya pendapatan variabel, sehingga pusat nilai bergeser dari aplikasi ke lapisan bawah
    • Semikonduktor dan komputasi, platform data, mesin inferensi yang menjalankan model terbuka, serta segelintir model frontier premium menjadi lapisan nilai utama
  • Aplikasi tidak menghilang, tetapi lapisannya makin menipis
    • Sementara valuasi model dan data meningkat, aplikasi wrapper yang tidak terdiferensiasi mengalami margin dan kelipatan pendapatan yang lebih rendah
  • Setelah runtuhnya dotcom, modal swasta meninggalkan semikonduktor yang padat modal dan siklikal, lalu berpindah ke cloud dan SaaS yang menawarkan margin kotor di atas 80% serta pendapatan berulang
  • AI membalik arus ini, mengembalikan modal ke silicon, packaging, daya listrik, infrastruktur data, dan fondasi inferensi
    • Franchise paling bernilai di sektor teknologi kembali menjadi perusahaan chip
    • Platform inferensi dan data menjadi bisnis infrastruktur yang tumbuh dengan kecepatan rekor
    • Aplikasi asset-light, yang dulu menjadi tujuan perpindahan modal, kini memiliki struktur margin yang kurang menguntungkan dalam stack AI

Empat alasan nilai menumpuk di lapisan bawah

  • Setiap lapisan dalam stack AI dapat dinilai berdasarkan seberapa mudah pihak lain menggantikan nilai dari 1 dolar berikutnya
  • Intensitas modal berfungsi sebagai hambatan masuk
    • Empat hyperscaler terbesar sedang menjalankan belanja modal tahunan lebih dari US$500 miliar, dan pada 2026 menuju lebih dari US$600 miliar
    • Di pasar yang menuntut suntikan modal besar secara terus-menerus, modal itu sendiri menjadi moat
  • Bottleneck fisik sulit diatasi hanya dengan uang dalam jangka pendek
    • Advanced packaging CoWoS, high-bandwidth memory (HBM), dan daya listrik menjadi kendala yang jelas
    • Perusahaan yang mengendalikan kendala langka tersebut menangkap nilai
  • Biaya perpindahan dan inersia mengakumulasi nilai pada platform data
    • Semakin banyak pipeline, tabel, dan model ditambahkan ke lingkungan yang sama, semakin tinggi biaya untuk pindah
    • Karena bobot terbuka dirancang agar dapat dipindahkan, nilai bergeser dari model itu sendiri ke platform yang menyediakannya
  • Risiko substitusi pada lapisan permukaan terus meningkat
    • Logika aplikasi generik dapat dilakukan langsung oleh model, sehingga menjadi bagian stack yang paling mudah digantikan

Lapisan 1: Semikonduktor dan komputasi

  • Belanja modal NVIDIA dan hyperscaler

    • Pendapatan pusat data NVIDIA mencapai US$75,2 miliar pada kuartal yang berakhir April 2026, naik 92% YoY
    • Margin kotor sekitar 75%, dengan pendapatan tahunan sekitar US$300 miliar
    • Panduan pendapatan total untuk kuartal berikutnya adalah US$91 miliar, dan pangsa berdasarkan pendapatan akselerator AI sekitar 80%
    • Belanja modal empat hyperscaler terbesar pada Q1 2026 mencapai sekitar US$131 miliar
      • Amazon membelanjakan US$44,2 miliar, Alphabet US$35,7 miliar
      • Microsoft mengucurkan US$30,9 miliar, Meta US$19,8 miliar
    • Skala investasi ini setara sekitar US$525 miliar secara tahunan, dan terus meningkat menuju panduan tahunan 2026 sebesar lebih dari US$600 miliar
    • Goldman Sachs memperkirakan belanja modal kumulatif hyperscaler pada 2025–2030 mencapai US$5,3 triliun

  • Kendala pasokan komputasi, memori, dan storage

    • Pendapatan semikonduktor global mencapai US$793 miliar pada 2025, naik 21% YoY, dan diperkirakan mendekati US$1 triliun pada 2026
      • Proyeksi WSTS sekitar US$975 miliar, naik 25% YoY
      • Proyeksi Gartner lebih tinggi dari itu
    • AI menyumbang sekitar 30% dari total pendapatan semikonduktor, dan diperkirakan meningkat menjadi lebih dari 50% pada 2029
    • Di segmen komputasi, pasar akselerator AI diperkirakan tumbuh dari sekitar US$80 miliar pada 2024 menjadi lebih dari US$280 miliar pada 2029
    • Segmen memori juga mengalami tekanan cepat
      • Permintaan HBM naik sekitar 130% pada 2025, dan bertambah sekitar 70% lagi pada 2026
      • Harga kontrak DRAM umum naik sekitar 90% QoQ pada Q1 2026
      • Pusat data AI menyerap sekitar 70% DRAM kelas atas
    • Pasar NAND mencapai sekitar US$65 miliar pada 2026, dengan seperlima dari total bit digunakan untuk AI
      • Hingga 2027, pertumbuhan permintaan diperkirakan 20–22%, melampaui pertumbuhan pasokan 15–17%

  • Bottleneck packaging dan daya listrik, serta risiko imbal hasil

    • Kendala utama bergeser dari desain chip ke packaging dan daya listrik
    • Kapasitas CoWoS TSMC akan meningkat dari sekitar 70.000 wafer per bulan pada 2025 menjadi sekitar 110.000 wafer per bulan pada 2026, tetapi pada praktiknya sudah terjual habis
    • NVIDIA telah memesan lebih dari separuh pasokan hingga 2027
    • Kapasitas pusat data AI baru yang diumumkan pada 2025 melampaui 10GW, sementara basis packaging saat ini dapat mendukung sekitar 18GW
    • Silicon kustom hyperscaler seperti Google TPU, AWS Trainium, dan Broadcom ASIC tumbuh menjadi pasar akselerator lebih dari US$200 miliar
      • Dalam jangka panjang, ini dapat menurunkan pangsa NVIDIA, tetapi tidak memindahkan nilai keluar dari lapisan semikonduktor
    • Risiko terbesar bukan pendapatan, melainkan return on investment
      • Dengan belanja modal tahunan lebih dari US$500 miliar dan masa manfaat akselerator 2–3 tahun, utilisasi installed base harus cukup tinggi agar margin tetap terjaga
      • Dibanding persaingan, tingkat utilisasi kapasitas menjadi variabel terbesar yang menentukan profitabilitas seluruh stack AI

Lapisan 2: Model terbuka dan platform inferensi

  • Konvergensi performa model dan ekspansi pasokan

    • Berdasarkan Stanford AI Index, selisih antara model tertutup terbaik dan model berbobot terbuka terbaik di Chatbot Arena menyusut dari 8,04% pada Januari 2024 menjadi 1,70% pada Februari 2025
    • Di MMLU, selisih yang sekitar 17,5 poin pada 2023 praktis menghilang
    • DeepSeek R1 menunjukkan bahwa anggaran pelatihan ratusan juta dolar tidak wajib untuk penalaran kelas frontier
    • Qwen menyalip Llama di Hugging Face sebagai keluarga model yang paling banyak diunduh
    • Hugging Face memiliki lebih dari 2,2 juta model terdaftar, dan katalog tersebut berlipat ganda dalam sekitar 24 bulan
    • Ketika ada ribuan model terbuka yang serupa, kemampuan menjalankannya secara efisien menjadi lebih langka daripada bobot itu sendiri
      • Throughput, latensi, dan biaya per token harus dioptimalkan
      • Routing model, caching, fine-tuning, evaluasi, dan guardrail juga diperlukan

  • Model terbuka non-AS dan nilai platform

    • Di frontier bobot terbuka, porsi developer non-AS makin besar
    • Dari Agustus 2024 hingga Agustus 2025, developer Tiongkok menyumbang 17,1% unduhan Hugging Face
      • Porsi developer AS adalah 15,8%
    • Qwen menyalip Llama sebagai keluarga model nomor satu berdasarkan unduhan
    • Komoditisasi model terbuka tidak hanya menyangkut ekonomi, tetapi juga rantai pasok dan faktor kebijakan
    • Seperti Red Hat dan cloud yang menangkap nilai ekonomi lebih besar daripada Linux itu sendiri, dalam bobot terbuka, platform yang menyediakannya secara andal dan murah menyerap pengeluaran lebih besar daripada modelnya
    • Bisnis yang berkelanjutan lebih dekat ke platform inferensi dan optimisasi daripada model terbuka itu sendiri
      • Kemampuan mengoperasikan model yang dapat dipindahkan secara andal dan murah di production tidak mudah dikomoditisasi

  • Pertumbuhan platform inferensi dan struktur biaya

    • Fireworks AI mengungkapkan bahwa pendapatan tahunannya melampaui US$800 juta dalam sekitar tiga tahun dan tumbuh lebih dari 4x YoY
    • Together AI juga disebut berada pada skala serupa, sementara Baseten tumbuh lebih dari 5x YoY hingga mencapai sekitar US$600 juta
    • Perusahaan-perusahaan ini bukan lab riset model, melainkan penyedia fondasi yang membuat bobot terbuka dapat digunakan di production
    • Untuk fitur AI skala menengah yang memproses 50 miliar token keluaran per bulan, perbedaan biayanya besar
      • Jika harga output API frontier sekitar US$10–15 per 1 juta token, biaya bulanan sekitar US$500.000–750.000
      • Jika model terbuka seperti Llama, Qwen, atau DeepSeek disediakan di platform inferensi dengan sekitar US$0,40–1 per 1 juta token, biaya bulanan sekitar US$20.000–50.000
    • Penurunan biaya mencapai lebih dari 90%, dan platform menangkap sebagian penghematan sebagai margin
    • Perhitungan ini bersifat contoh; biaya aktual bergantung pada model, panjang konteks, dan utilisasi

Lapisan 3: Segelintir model premium

  • Konvergensi model terbuka memperkecil kesenjangan performa rata-rata, tetapi tidak menghapus frontier itu sendiri
  • Lapisan premium tetap ada untuk area yang bersedia membayar satu poin performa tambahan, seperti tugas agentic yang kompleks, keandalan eksekusi jangka panjang, coding production, dan keselamatan
  • Pendapatan tahunan Anthropic naik dari sekitar US$1 miliar pada akhir 2024 menjadi sekitar US$47 miliar pada Mei 2026, dan diperkirakan sekitar US$100 miliar pada akhir tahun
    • Jumlah pelanggan enterprise yang membelanjakan lebih dari US$1 juta per tahun melampaui 1.000
  • Pendapatan tahunan OpenAI sekitar US$6 miliar pada akhir 2024, sekitar US$20 miliar pada akhir 2025, dan sekitar US$30 miliar pada pertengahan 2026, menuju sekitar US$60 miliar pada akhir tahun
  • Kedua lab menggunakan dasar pendapatan yang berbeda, dan angka akhir 2026 adalah estimasi, sehingga fokusnya sebaiknya pada lintasan pertumbuhan, bukan skala absolut
  • Lapisan premium lebih sempit daripada perkiraan 2023, dan untuk memperoleh posisi yang dapat dipertahankan dibutuhkan bukan hanya performa frontier, tetapi juga jaringan distribusi yang menjangkau pelanggan enterprise

Lapisan 4: Platform data

  • Platform data membentuk gravitasi data, di mana biaya perpindahan meningkat seiring bertambahnya pipeline, tabel, dan ontologi
  • Pendapatan tahunan Databricks melampaui US$6,9 miliar dan tumbuh sekitar 80%
    • Produk AI sudah menyumbang sekitar 26% pendapatan
    • Valuasi perusahaan privatnya sekitar US$170 miliar
  • Palantir adalah lapisan operasional yang menghubungkan data enterprise dengan pengambilan keputusan yang terkendali
    • Pendapatan Q1 2026 meningkat 85% YoY, mencapai skala tahunan sekitar US$6,5 miliar
    • Pendapatan segmen komersial AS naik 133%
    • Angka Rule of 40 adalah 145%
    • Kapitalisasi pasarnya sekitar US$350 miliar dan dinilai sekitar 50x pendapatan
  • Model saling berkonvergensi, tetapi data proprietary perusahaan serta workflow dan ontologi yang dibangun di atasnya tidak tergantikan
  • Semakin lapisan model menjadi komoditas, platform yang memiliki data dan loop pengambilan keputusan memperoleh leverage berkelanjutan
  • Kelipatan pendapatan tinggi seperti sekitar 50x untuk Palantir dan 25–50x untuk perusahaan model fondasi terkonsentrasi pada lapisan yang dikombinasikan dengan data proprietary, bukan permukaan software generik

Lapisan 5: Aplikasi yang makin menipis

  • Tekanan margin kotor

    • SaaS tradisional hampir tidak memiliki biaya tambahan untuk mendukung pengguna tambahan, sehingga dapat mencatat margin kotor 75–90%
    • Aplikasi AI-native harus menjalankan model kembali untuk setiap permintaan, sehingga margin kotornya berada di kisaran 50–60%
    • Dalam data ICONIQ 2026, biaya inferensi perusahaan AI tahap pertumbuhan rata-rata mencapai sekitar 23% dari pendapatan
    • Berbeda dari biaya pendapatan SaaS, porsi biaya inferensi tidak otomatis turun ketika skala membesar
    • Wrapper yang sangat tipis dapat mengalami margin kotor turun hingga 25%

  • Polarisasi valuasi

    • Pasar menerapkan kelipatan pendapatan yang berbeda sesuai lapisan dalam stack AI
      • Perusahaan model fondasi dinilai 25–50x
      • Platform AI-native berada di kisaran 25–30x
      • Median SaaS tradisional turun dari puncak 18,6x pada 2021 menjadi sekitar 6,7x
      • AI wrapper dinilai 5–8x, sama dengan atau lebih rendah dari SaaS lama
    • Nilai tinggi melekat pada model dan data, tetapi permukaan aplikasi yang tidak terdiferensiasi dinilai rendah
    • Aplikasi yang berkelanjutan membutuhkan aset yang sulit diserap oleh model
      • Harus memiliki loop data proprietary atau system of record
      • Workflow teregulasi dan jaringan distribusi nyata memberikan daya pertahanan
      • Pricing berbasis hasil dapat mengubah biaya inferensi menjadi margin
    • Tanpa elemen-elemen ini, aplikasi hanya menjadi lapisan tipis berisi prompt dan kode penghubung di atas model yang sedang dikomoditisasi

Syarat agar nilai kembali berpindah ke aplikasi

  • Jika aplikasi dengan cepat mengakumulasi data interaksi, aplikasi dapat menjadi platform data tersendiri dan memperoleh gravitasi data
    • Aplikasi yang berperan sebagai system of record dapat menjadi pengecualian dari tren penipisan lapisan
  • Jika lab model premium memiliki inferensi, membangun agent, dan menjual langsung hingga ke aplikasi, mereka dapat menginternalisasi nilai tiga lapisan
    • Ini memusatkan nilai pada satu perusahaan alih-alih mendistribusikannya ke atas, tetapi dapat melemahkan platform inferensi independen dan lapisan aplikasi
  • Jika biaya inferensi dikomoditisasi lebih cepat dari perkiraan, margin kotor aplikasi AI dapat pulih ke level SaaS
    • LLMflation memandang biaya per satuan kecerdasan turun sekitar 10x per tahun, dan sejak awal 2024 laju penurunan harga median mencapai sekitar 200x per tahun
    • Jika inferensi hampir gratis, masalah margin pada lapisan aplikasi melemah
    • Namun, bahkan jika biaya menjadi nol, kemungkinan substitusi pada lapisan permukaan tetap ada, sehingga masalah valuasi secara umum tetap bertahan
  • Penurunan biaya yang sama dapat menekan harga semikonduktor dan platform inferensi sekaligus memulihkan margin aplikasi, tetapi risiko substitusi struktural pada lapisan permukaan tetap berlanjut

Respons investor, pendiri, dan perusahaan lama

  • Investor harus menilai titik kontrol, bukan antarmuka
    • Perlu memperhatikan bottleneck fisik seperti komputasi, packaging, daya listrik, dan memori
    • Ini mencakup platform data yang terus mengakumulasi data proprietary
    • Platform inferensi dan optimisasi yang memonetisasi pasokan model terbuka yang melimpah juga menjadi target
    • Perlu membedakan segelintir model premium yang memiliki performa frontier sekaligus jaringan distribusi enterprise
  • Untuk aplikasi, tuntut loop data atau system of record, dan sebelum terbukti, asumsikan margin kotor 50–60%, bukan di atas 80%
  • Pendiri harus memiliki loop data proprietary atau menjadi system of record
    • Atau menetapkan harga berbasis hasil agar penurunan biaya inferensi tidak hanya menjadi penghematan pelanggan, tetapi juga mengalir ke margin perusahaan sendiri
  • Perusahaan lama bisa menyewa moat pada lapisan fondasi yang membutuhkan modal besar, tetapi sulit memilikinya langsung
    • Daripada bersaing dalam komputasi atau model frontier, lebih cocok memperoleh pertahanan di lapisan data yang menjaga data, pelatihan, dan serving tetap berada di satu tempat

Metrik yang perlu dipantau dalam 4 kuartal ke depan

  • Jika rasio belanja modal terhadap pendapatan hyperscaler melewati 25–30% namun margin tetap terjaga, logika imbal hasil lapisan fondasi tetap berlaku
    • Jika return on invested capital runtuh, nilai seluruh stack dapat dinilai ulang
  • Jika annual recurring revenue Fireworks AI, Together AI, dan Baseten masing-masing meningkat menjadi sekitar US$1–2 miliar, itu menjadi bukti bahwa nilai terkumpul di lapisan inferensi, bukan pada model
  • Jika kesenjangan antara model terbuka dan tertutup pada benchmark sulit seperti agent dan coding tetap berada dalam sekitar 2 poin, komoditisasi lapisan model makin menguat
  • Jika margin kotor aplikasi AI tahap pertumbuhan bertahan di 50–60%, logika aplikasi yang menipis tetap berlaku; jika pulih ke atas 75%, logika tersebut melemah
  • Jika harga DRAM dan HBM terus naik dua digit setiap kuartal, itu mengonfirmasi bahwa kendala fisik dan margin masih berada di lapisan fondasi

Penempatan dalam perspektif 3–5 tahun

  • Dalam skenario berprobabilitas tinggi, fokus berada pada lapisan fondasi dan lapisan data, sementara model premium sebaiknya dipilih hanya jika ada keyakinan tinggi terhadap segelintir pemenang
  • Untuk aplikasi, kelipatan pendapatan setara software lama hanya layak diterapkan jika ada loop data atau system of record
  • Gravitasi nilai yang dibentuk oleh modal, bottleneck fisik, biaya perpindahan data, dan kemungkinan substitusi sedang mengakumulasi nilai di lapisan bawah stack AI

Bacaan terkait

Belum ada komentar.

Belum ada komentar.