AI Wrapper Sudah Berakhir: Strategi Vertikalisasi untuk Startup Tahap Awal

• Seiring hilangnya keunggulan sementara AI wrapper yang hanya menambahkan satu fungsi di atas model dasar, startup tahap awal bergerak menuju bisnis terintegrasi vertikal yang memiliki seluruh workflow dan rantai nilai
• Strategi pertama adalah menggabungkan pengetahuan domain dan orkestrasi pekerjaan untuk menghasilkan keluaran di lapangan industri yang sulit diperoleh hanya dengan kecerdasan mentah model dasar
• Strategi kedua bukan sekadar menjual software AI kepada perusahaan yang sudah ada, melainkan merombak ulang penjualan, underwriting, dan operasi dengan otomatisasi sebagai pusatnya, sekaligus meningkatkan pengalaman pelanggan
• Strategi ketiga adalah terlebih dahulu menguasai system of record yang mengintegrasikan data industri yang terfragmentasi, lalu memperluasnya menjadi system of action yang menangani pemrosesan kerja dan pengambilan keputusan
• Perusahaan incumbent besar dapat bekerja langsung dengan frontier lab, tetapi dibatasi oleh biaya, berbagi pengetahuan proprietary, dan kepentingan organisasi; startup AI-native dapat membangun daya tahan lewat vertikalisasi yang berfokus pada go-to-market dan pengalaman pelanggan

---

Kebangkitan dan Kemunduran AI Wrapper Satu Fungsi

• Setelah kemunculan ChatGPT, para founder membuat produk yang menggabungkan model dengan pekerjaan individual yang sebelumnya dilakukan manusia—seperti copywriting, customer service, riset hukum, dan penjualan—lalu mengenakan biaya langganan atau bayaran per pekerjaan
• Jasper pada 2022 menggalang US$125 juta dengan valuasi US$1,5 miliar, tetapi dalam waktu kurang dari setahun menurunkan proyeksi ARR 2023 setidaknya 30%, melakukan PHK, dan kedua co-founder-nya mundur
  • Setelah itu, visinya didefinisikan ulang sebagai “marketing operating system”
• Perusahaan yang membuat alat untuk satu tugas berasumsi bahwa kemampuan model dasar akan tetap berada pada level yang mirip, tetapi asumsi ini runtuh ketika frontier lab mulai memproduksikan model secara langsung
  • Anthropic menyediakan langsung alat seperti Claude Code dan Claude Design, yang dua tahun lalu mungkin akan dikategorikan sebagai wrapper
  • Menurut angka yang dipublikasikan, pendapatan tahunan Anthropic naik dari US$14 miliar pada Januari menjadi lebih dari US$47 miliar pada Mei, dengan permintaan enterprise mendorong pertumbuhan
• “AI for X” yang merujuk pada tugas tertentu lebih dekat ke keunggulan sementara daripada strategi produk yang berkelanjutan
  • Agen serbaguna tanpa network effect atau keahlian industri vertikal juga bisa menjadi “wrapper 2.0”

Perusahaan yang Bertahan Memiliki Seluruh Layanan

• Perusahaan yang berhasil tidak menaruh alat AI di atas model, melainkan memulai dengan menjadikan AI sebagai mekanisme penyediaan layanan dan memiliki seluruh workflow yang dibutuhkan untuk layanan tersebut
• EvenUp memulai bukan dari AI hukum yang luas, melainkan dari bidang yang sempit dan terspesialisasi: personal injury
  • Lebih dari 2.000 firma hukum menggunakan platformnya, dan 20% dari 100 firma hukum personal injury terbesar di AS adalah pelanggannya
  • ARR-nya berlipat dua dibanding tahun sebelumnya, dan pada Oktober 2025 perusahaan menggalang US$150 juta di Series E dengan valuasi lebih dari US$2 miliar
  • Valuasinya meningkat lebih dari dua kali lipat dalam waktu kurang dari setahun
• Further AI mengambil pendekatan yang sama di asuransi, dan Blitzy di pengembangan software enterprise
• Daya saing tidak tercipta hanya dari salah satu antara model, data, atau user experience
  • Seluruh workflow, pengetahuan domain, data yang terakumulasi dari setiap kasus atau codebase, serta kemampuan masuk dan menjual ke industri yang kompleks harus bekerja bersama
• Dulu kecerdasan itu sendiri dipandang sebagai hal yang dijual, sementara wrapper adalah struktur pendukung; kini seluruh pabrik adalah produk, termasuk workflow, data, dan sales pipeline

Pendekatan 1: Memiliki Workflow Kompleks Melampaui Kecerdasan Mentah

• Blitzy adalah platform AI yang mengembangkan software kustom untuk perusahaan Fortune 500, dan baru-baru ini menggalang US$200 juta dengan valuasi US$1,4 miliar
• Di pasar software enterprise, ada dua pilihan
  • Membuat alat seperti Cursor atau Codex dan menjualnya kepada tenaga pengembang outsourcing skala besar
  • Membuat AI sebagai layanan agar tenaga outsourcing itu sendiri tidak lagi diperlukan, lalu menjualnya langsung ke perusahaan
• Blitzy memilih cara kedua
  • Pada 2024, ada pandangan bahwa model OpenAI atau Claude akan menyelesaikan semua masalah sehingga startup akan sulit bersaing
  • Dalam lingkungan enterprise nyata, knowledge graph dari seluruh codebase perusahaan, kemampuan memecah pekerjaan menjadi unit-unit kecil, dan lapisan orkestrasi yang memanggil model paling tepat untuk tiap pekerjaan menghasilkan keluaran yang lebih baik daripada produk frontier lab
• Dengan sistem yang memahami konteks di sekitar codebase, Blitzy mencatat SWE-Bench Pro 66,5% dan menempati peringkat pertama
• Meski kecerdasan mentah menyelesaikan bottleneck inti dalam engineering dan sistem, proses untuk mengoperasionalkannya agar bekerja di lapangan industri tetap diperlukan, dan integrasi vertikal atas seluruh workflow mengambil peran itu

Pendekatan 2: Mendesain Ulang Bisnis yang Ada dengan Otomatisasi sebagai Pusatnya

• Tomo tidak menjual software AI kepada perusahaan hipotek, melainkan merancang ulang proses underwriting pinjaman dan pengambilan hipotek itu sendiri dengan AI sebagai pusatnya
• Dengan menerapkan otomatisasi di seluruh penjualan, underwriting, dan operasi, produktivitas per loan officer menjadi lebih tinggi daripada pesaing, lalu hal itu diteruskan kepada konsumen dalam bentuk suku bunga yang lebih baik
  • Saat ini 77% pembeli rumah mendapatkan suku bunga yang lebih baik dari Tomo dibanding penyedia tradisional
  • Persentase pembeli yang mendapatkan suku bunga lebih baik: {p:77}
• Mendesain ulang industri dari awal dapat menghasilkan pengalaman pelanggan yang lebih baik daripada menyisipkan software ke workflow yang sudah ada
• Peningkatan software yang kecil bisa memiliki dampak terbatas di dalam sistem yang sejak awal tidak dirancang untuk teknologi tersebut
  • Alih-alih meyakinkan organisasi lama untuk mengubah workflow, bisnis dapat dibangun ulang secara langsung dan sumber dayanya digunakan untuk meningkatkan pengalaman pelanggan
• Perusahaan incumbent sangat kecil kemungkinannya memilih cara ini, karena mereka harus menghancurkan sendiri model bisnis dan organisasinya yang sudah ada
• Pada era SaaS, strategi memasukkan software ke dalam workflow yang ada efektif, tetapi AI memungkinkan industri tradisional dibangun ulang dengan otomatisasi sebagai pusatnya dan berfokus pada pengalaman pelanggan ketimbang adopsi internal

Pendekatan 3: Berkembang dari System of Record menjadi System of Action

• Seso membangun system of record untuk HR di sektor pertanian AS
• Proses visa H-2A yang menopang sebagian besar tenaga kerja pertanian AS sebelumnya tersebar di firma hukum, produk Microsoft Office, dan dokumen kertas
  • Seso mengintegrasikannya ke dalam satu database terpusat agar pertanian dapat mengelola pekerja musiman seperti perusahaan umum mengelola karyawan
• Setelah adopsi AI, platform ini beralih dari sekadar “lemari arsip digital” menjadi system of action
  • Platformnya direstrukturisasi agar dapat mengelola logistik karyawan, menghasilkan insight bisnis, hingga menjalankan pengambilan keputusan terkait tenaga kerja
• Perusahaan yang menguasai system of record dapat memperluasnya menjadi sistem yang melakukan pekerjaan nyata berdasarkan informasi yang telah dikumpulkan
• Contoh yang menerapkan pendekatan serupa adalah Rec di bidang rekreasi dan Veras di bidang perawatan jangka panjang

Persaingan antara Incumbent dan Layanan AI-Native

• Perusahaan incumbent seperti firma hukum besar dapat menginternalisasi otomatisasi dengan bekerja langsung bersama frontier lab tanpa menyerahkan keahlian internal kepada pesaing AI-native
  • Freshfields bermitra dengan Anthropic untuk mengembangkan alat kustom
• Strategi ini terutama terbuka bagi perusahaan berskala besar seperti Big Law atau institusi keuangan besar, dan bagi mereka pun biaya bekerja sama dengan frontier lab bisa terlalu tinggi
  • Seperti kasus Uber dan Microsoft, biaya token LLM meningkat, ditambah lagi biaya engineer AI yang mahal
• Agar kerja sama terjadi, incumbent industri harus melonggarkan sikap ingin menyembunyikan pengetahuan proprietary yang nilai jangka panjangnya mungkin terbatas, sementara frontier lab tidak boleh menggunakan kekuatan penetapan harga secara berlebihan
• Bahkan jika tercapai kesepakatan, otomatisasi hanyalah salah satu dari banyak fungsi yang dijalankan incumbent, bukan fokus utama bisnis inti
• Layanan AI-native dapat relatif mengurangi ketergantungan pada frontier lab dan berfokus pada go-to-market (GTM) serta peningkatan pengalaman pelanggan
• Meski perusahaan hipotek tradisional bekerja sama dengan frontier lab, Tomo tetap mempertahankan pilihan pelanggan yang lebih murah dan lebih sederhana
  • Pilihan ini berbenturan langsung dengan kepentingan incumbent, sehingga meski tidak menghapus persaingan, ia dapat membatasi ruang lingkupnya

Vertikalisasi untuk Era AGI

• Startup generasi berikutnya harus merancang bisnis dengan pertanyaan utama: “Bagaimana cara memiliki setiap bagian dari rantai nilai?”
• Pola pikir vertikal adalah salah satu daya tahan yang dapat tetap berlaku selama transisi AGI
  • Meski kecerdasan mentah memungkinkan inovasi baru, proses menerapkannya ke operasi nyata dan menyampaikannya kepada pelanggan tetap diperlukan
• Founder yang sejak awal memiliki seluruh industri dan workflow dapat membangun posisi yang berkelanjutan bahkan di era hyperscaler AI
• Di bidang seperti bio dan deeptech, di mana eksekusi itu sendiri sangat terspesialisasi, kemampuan eksekusi khusus tetap menjadi barrier to entry tersendiri

[opula]

Saya sepakat dengan gambaran besarnya bahwa vertikalisasi adalah garis pertahanan. Namun, menurut saya pembeda antara 'wrapper atau bukan' bukanlah seberapa tebal fungsinya, melainkan apakah ada sesuatu yang menumpuk di bawahnya yang tidak dimiliki model. Tiga strategi dalam tulisan ini (memiliki workflow, mendesain ulang dengan fokus pada otomasi, atau memperluas sistem pencatatan menjadi sistem tindakan) pada akhirnya saya baca sebagai upaya menciptakan state dan data yang terakumulasi di luar model.

Saya juga pernah membuat sesuatu yang dari luar terlihat seperti wrapper tipis, tetapi yang bertahan bukan fiturnya, melainkan bagian yang memiliki state dan data khas pengguna, serta lapisan yang menghitung dan mengingat secara deterministik agar model tidak goyah di tiap percakapan. Semakin bagus frontier model, justru semakin besar nilai dua hal ini.

Tambahan satu hal: tulisan ini terutama memakai contoh vertikal enterprise (B2B), tetapi saya rasa logika yang sama juga berlaku untuk penggunaan pribadi. LLM mentah hanya melihat informasi publik dan tidak bisa mengingat state saya, jadi memegang sistem pencatatan pribadi itu sendiri bisa menjadi moat. Hanya saja, pada strategi ketiga, saat sistem pencatatan dilanjutkan ke tindakan (pendelegasian pengambilan keputusan), agar kepercayaan tetap terjaga tampaknya perlu ada jaminan bahwa keputusan tersebut bisa direproduksi atau diverifikasi.