- Pasar aplikasi AI terbagi menurut kompleksitas masalah dan tingkat kesulitan adopsi, tetapi keunggulan kompetitif yang berkelanjutan pada akhirnya bergantung pada data yang terakumulasi selama penggunaan
- Produk yang mudah diadopsi bisa membangun data flywheel lewat penggunaan berskala besar dan umpan balik cepat, tetapi juga mudah diganti sehingga terekspos pada persaingan modal dan data dengan penyedia model
- Produk enterprise yang sulit diadopsi mempelajari sistem dan cara kerja pelanggan lalu membangun moat data per perusahaan, sehingga produk yang datang belakangan sulit mereplikasi keahlian yang sama
- Agen coding berkembang pesat berdasarkan data penerimaan dan penolakan saran yang terjadi puluhan hingga ratusan kali per hari, sedangkan bidang pembuatan slide yang kekurangan sinyal verifikasi rinci membaik lebih lambat
- Dalam 12~24 bulan ke depan, pemenang bisa muncul di pasar seperti SRE dan operasi keamanan yang sama-sama sulit dalam adopsi maupun penyelesaiannya, tetapi periode evaluasi dan implementasinya panjang serta data dan sinyal verifikasinya kurang, sehingga tingkat keberhasilannya bisa rendah
Pasar AI yang terbagi oleh kompleksitas dan tingkat kesulitan adopsi
- Meski tersedia talenta, modal, dan model yang semakin baik, hasil agen AI sangat berbeda-beda antarbidang
- Mereka bisa menangani pencarian prospek penjualan dan pertanyaan dukungan pelanggan dengan akurat, tetapi belum bisa secara konsisten membuat slide berkualitas tinggi
- Logika bahwa masalah yang mudah akan diselesaikan lebih dulu saja tidak cukup menjelaskan mengapa agen di bidang coding yang kompleks justru berkembang paling cepat
- Kemajuan agen coding adalah hasil dari adopsi yang mudah yang berujung pada pengumpulan data dalam skala besar
- Developer bisa beralih ke Cursor dalam sekitar 5 menit tanpa persetujuan terpisah
- Data penggunaan menciptakan flywheel yang meningkatkan pengalaman produk, dan saat ini seluruh tim penulis menggunakan Cursor Composer untuk menghasilkan kode
- Pasar terbagi menjadi empat area berdasarkan tingkat kesulitan penyelesaian masalah dan adopsi
- Adopsi dan penyelesaian sama-sama mudah
- Adopsi mudah, tetapi penyelesaian sulit
- Adopsi sulit, tetapi penyelesaian mudah
- Adopsi dan penyelesaian sama-sama sulit
- Produk yang mudah diadopsi bisa memperoleh banyak data, tetapi juga mudah diganti
- Produk yang sulit diadopsi, setelah tertanam di dalam enterprise, mempelajari cara kerja perusahaan tersebut dan karena itu memperoleh moat data yang sulit digantikan
Pasar yang adopsi dan penyelesaiannya sama-sama mudah
- Pencarian konsumen yang memberikan jawaban khusus adalah bidang pemanfaatan AI yang mudah diprediksi sejak 2023, dan telah meluas dari pencarian pengetahuan umum hingga saran medis
- Bukan hanya penyedia model dasar, pemain baru seperti Perplexity dan You.com juga masuk ke pasar ini
- Hambatan masuknya terlihat rendah, tetapi pada praktiknya lebih mendekati jebakan nilai
- Jika startup bisa dengan mudah membangunnya, lab model frontier kemungkinan sudah membuatnya atau bisa membuatnya dengan lebih mudah
- Semakin jelas use case-nya, semakin penggunaan terkonsentrasi di aplikasi chat yang sudah ada
- OpenAI, Google, dan Anthropic dapat mengumpulkan jutaan data penggunaan untuk memperbaiki model di area tersebut
- ChatGPT Health adalah contoh ekspansi semacam ini
- Penyedia model dapat mensubsidi biaya dan dengan cepat mempelajari area aplikasi baru dari basis pengguna besar, sehingga besar kemungkinan pemain baru akan tersingkir
- Loyalitas pengguna juga rendah; mereka memakai beberapa agen chat secara paralel sesuai tujuan, dan tidak seperti pasar pencarian web, para pemain bersaing dari posisi yang relatif mirip
- Jika muncul merek yang dominan, kemungkinan besar itu adalah penyedia model
Pasar yang adopsinya mudah tetapi penyelesaiannya sulit
- Coding adalah masalah yang kompleks, tetapi sejak awal mudah diadopsi secara individual
- Bahkan pada 2023, nilai gunanya sudah bisa terlihat hanya dengan menempelkan potongan kode ke ChatGPT
- Kualitas awalnya terbatas, tetapi Cursor membuat proses ini jauh lebih sederhana
- Engineer bisa memilih IDE sendiri, jadi perpindahan dari IntelliJ atau VSCode ke Cursor juga tidak terlalu membebani
- Pekerjaan coding menyediakan loop umpan balik yang cepat dan rinci
- Developer dapat menghasilkan kode puluhan hingga ratusan kali per hari
- Setiap kali saran diterima atau ditolak, data pelatihan tambahan tercipta untuk perbaikan model berikutnya
- Data flywheel ini memungkinkan peningkatan kualitas model secara tajam
- Pasar kompleks tanpa loop umpan balik rinci, seperti pembuatan slide, membaik jauh lebih lambat
- Menyelesaikan masalah sulit memerlukan investasi besar pada penggunaan token dan talenta teknis, dan pada akhirnya bisa menuntut pelatihan model serta reinforcement learning (RL)
- Data yang diperoleh dari adopsi yang mudah mendukung investasi mendalam seperti ini, tetapi lab model frontier juga menganggap agen produktivitas yang digunakan luas sebagai wilayah mereka sendiri
- Mereka sudah bersaing sengit di pasar agen coding
- Mereka juga bisa meluncurkan lebih banyak alat produktivitas kantor di luar editor dokumen yang ada
- Sangat mungkin terjadi persaingan modal skala besar, sehingga perusahaan kecil sulit bersaing tanpa investasi besar
- Lock-in produk juga masih rendah
- Beberapa agen coding bisa digunakan bersamaan
- Jika muncul aplikasi yang membuat slide lebih baik, pengguna bisa dengan mudah pindah
- Kustomisasi per perusahaan seperti Cursor rules atau template merek bisa meningkatkan lock-in, tetapi jika interoperabilitas atau satu standar tunggal muncul, perpindahan juga bisa menjadi lebih mudah
Pasar yang adopsinya sulit tetapi penyelesaiannya mudah
- Dalam dua tahun terakhir, ini adalah area dengan adopsi AI enterprise paling aktif; contohnya ketika LLM menjalankan playbook seperti pengembalian e-commerce atau reset kata sandi
- Klasifikasi bahwa penyelesaiannya mudah tidak berarti produknya dangkal
- Karena perusahaan mencari hasil AI yang langsung terlihat, mereka lebih dulu mengadopsi masalah yang jelas, dan akibatnya pendapatan para pemimpin pasar tumbuh cepat
- Ada dua pembeda di pasar ini
- Agen yang menangani tiket dukungan pelanggan atau permintaan helpdesk TI tidak bisa dipilih secara individual, melainkan memerlukan keputusan tingkat organisasi yang melibatkan komite pembelian
- Walaupun use case-nya relatif sederhana, integrasi dengan sistem enterprise lama tetap sulit dan merepotkan, sehingga tim yang mampu menangani sistem legacy jauh lebih unggul
- Dalam proses integrasi enterprise, terbentuk moat data per pelanggan
- Data agen sulit digeneralisasi ke banyak pelanggan, dan perusahaan juga kecil kemungkinannya mengizinkan data itu dipakai untuk melatih model
- Sebaliknya, produk dapat mempelajari bagaimana tiap pelanggan benar-benar bekerja
- Pengetahuan yang terakumulasi meningkatkan produk secara keseluruhan sekaligus memperkuat lock-in per pelanggan, sehingga agen yang datang belakangan sulit mereplikasi keahlian yang sama
- Investor menganggap startup besar di pasar ini sebagai incumbent de facto
- Ruang inovasi produk masih ada, tetapi tidak jelas mengapa startup kecil harus bersaing melawan Sierra atau Decagon
- Tidak jelas apakah modal yang mereka kumpulkan difokuskan pada go-to-market (GTM) atau pada penciptaan moat teknis seperti model khusus coding
- Jika modal hanya dipakai untuk go-to-market, startup mungkin harus bergantung pada persaingan biaya
Pasar yang adopsi dan penyelesaiannya sama-sama sulit
- Workflow engineering dan operasional yang kompleks seperti SRE dan operasi keamanan mendapat perhatian relatif paling sedikit di antara empat area ini
- Nilai potensialnya besar karena bisa menyelesaikan pekerjaan yang biasanya dikerjakan manusia selama berjam-jam atau berhari-hari, tetapi karena workflow tiap perusahaan berbeda, evaluasi dan implementasinya jauh lebih rumit
- Produk RunLLM berfokus pada area ini, dan fase pertumbuhan berikutnya juga diperkirakan akan muncul dari sini
- Ada tiga alasan mengapa area ini bisa tumbuh cepat dalam beberapa tahun ke depan
- Model reasoning kini dapat merencanakan pekerjaan kompleks dan menangani solusi multilangkah
- Sebagian besar penyelesaian masalah berasal dari pembangunan dan pengaturan workflow di luar AI, dan seiring agen coding berkembang, proses ini menjadi lebih cepat dan mudah
- Perusahaan sudah aktif menangani masalah yang mudah, sehingga ketika mencari tantangan berikutnya, mereka akan bergerak ke masalah yang lebih sulit
- Moat data di area ini adalah yang paling kompleks sekaligus sangat bernilai
- Setelah membangun keahlian atas workflow sebuah perusahaan, akan sangat sulit bagi produk lain untuk mereplikasinya
- Mengganti produk menjadi mirip dengan memecat engineer berpengalaman lalu menggantinya dengan pegawai baru
- Ada juga peluang untuk menumpuk keahlian pada kapabilitas inti tertentu, seperti agen SRE yang khusus untuk AWS
- Dibanding agen coding, jumlah datanya lebih sedikit dan hasilnya juga lebih sulit diverifikasi, sehingga siklus perbaikannya jauh lebih lambat
- Ada perusahaan yang telah menghimpun dana sangat besar, tetapi sulit mengatakan bahwa mereka sudah sekuat pemimpin pasar di segmen yang penyelesaiannya mudah namun adopsinya sulit, sehingga persaingan jangka panjang masih tersisa
Batas yang berubah dan peran UX
- Batas antara empat area ini tidak tetap; baik kompleksitas masalah maupun tingkat kesulitan adopsi dapat berubah
- Kapabilitas model telah meningkat besar setiap beberapa bulan, tetapi belakangan ada tanda-tanda stagnasi perbaikan model, sehingga perhatian pada sumbu kompleksitas relatif berkurang
- Kemungkinan perubahan yang lebih besar ada pada pengalaman pengguna (UX)
- UX aplikasi AI masih merupakan area yang belum cukup dieksplorasi
- Paradigma UX baru dapat mengubah cara pengguna mengadopsi produk
- Claude Code untuk web adalah contoh yang menghadirkan agen coding di browser, sehingga pengguna yang merasa IDE atau terminal membebani pun bisa mengaksesnya
12~24 bulan ke depan
- Dalam 12~24 bulan ke depan, diperkirakan akan muncul pemenang di pasar yang sama-sama sulit dalam adopsi maupun penyelesaiannya
- Namun kemungkinan tidak akan berjalan semulus pertumbuhan Sierra dan Decagon
- Siklus evaluasi akan lebih panjang
- Implementasi akan lebih kompleks
- Tingkat keberhasilan keseluruhan juga bisa lebih rendah
- Jika perusahaan memperbaiki proses dan meningkatkan performa model dengan data yang terakumulasi, area ini dapat menghasilkan pendapatan yang sangat besar
Belum ada komentar.