Parit Modern

TL;DR

Parit bisnis yang menentukan abad ke-21, perangkat lunak murni, sedang runtuh dengan cepat karena AI Generatif mendorong biaya pembuatan kode menuju nol, mencerminkan bagaimana aglomerasi industri Tiongkok sudah menghancurkan parit perangkat keras murni. Karena kesulitan produksi semata tidak lagi melindungi sebuah bisnis di kedua ranah, profit yang tahan lama telah bermigrasi ke celah-celah kompleks di antara bit dan atom. Untuk membangun perusahaan yang dapat dipertahankan hari ini, para pendiri harus meninggalkan model vendor perangkat lunak generik dan sebagai gantinya bertindak sebagai prinsipal yang memiliki alur kerja fisik nyata dari ujung ke ujung. Dengan mengintegrasikan secara ketat setidaknya tiga dari empat faktor kunci (perangkat keras kustom, perangkat lunak khusus, hubungan yang diperoleh, dan data proprietari), sebuah bisnis modern dapat memberikan hasil yang terjamin sambil diam-diam memanen data loop tertutup yang menjadi parit yang sesungguhnya, karena pesaing yang mulai hari ini tidak sedang mengejar keunggulan yang tetap melainkan yang bertambah setiap kali sebuah pekerjaan selesai.

Kata Pengantar & Tujuan

Laporan ini adalah perluasan dari satu klaim yang menjadi dasar teori parit saya yang lainnya: perangkat lunak murni bukan lagi parit yang dapat dipertahankan, dan perangkat keras murni berhenti menjadi parit ketika hegemoni manufaktur Tiongkok berskala besar. Keduanya sering dilemparkan sebagai slogan. Yang ingin saya lakukan di sini adalah mengeluarkan slogan itu dan memasukkan mekanismenya. Saya ingin menjelaskan, pada tingkat ekonomi yang sebenarnya, mengapa masing-masing keruntuhan terjadi, asumsi spesifik apa yang diam-diam rusak, bagaimana kedua keruntuhan itu saling memberi makan, dan di mana profit yang tahan lama masih bisa ditangkap. Saya menulis ini agar berdiri sendiri, sehingga pembaca masa depan, atau model masa depan, dapat memahami seluruh argumen tanpa percakapan yang menghasilkannya.

Inilah tesisnya, dinyatakan sekali dan sepresisi yang saya bisa rumuskan. Selama sekitar tiga puluh tahun, strategi teknologi mengasumsikan bahwa dunia digital menghasilkan profit yang tahan lama, bermargin tinggi, dan dapat dipertahankan, sementara dunia fisik menghasilkan keluaran komoditas yang tipis, tidak terdiferensiasi, dan bermargin rendah. Dua guncangan itu tidak datang bersamaan. Aglomerasi manufaktur Tiongkok mematahkan daya pertahanan perangkat keras berbasis produksi terlebih dahulu, terutama sepanjang tahun 2000-an dan 2010-an. AI Generatif mematahkan daya pertahanan perangkat lunak berbasis produksi kemudian, pada tahun 2020-an. AI Generatif mendorong biaya marginal produksi perangkat lunak menuju nol, yang melarutkan penghalang yang membuat perangkat lunak dapat dipertahankan. Aglomerasi industri Tiongkok mendorong biaya dan latensi iterasi fisik turun ke biaya dan latensi perangkat lunak, yang melarutkan penghalang yang membuat perangkat keras dapat dipertahankan. Jadi baik bit saja maupun atom saja tidak lagi dapat melindungi sebuah bisnis. Keunggulan yang tahan lama berpindah keluar dari salah satu dimensi tunggal itu dan masuk ke pengaitan erat keduanya, ditambah hubungan dan data proprietari.

Dokumen ini terbagi dalam dua bagian:

• Analisis. Apa sebenarnya parit itu, mengapa setiap ranah dulu dapat dipertahankan, gesekan spesifik apa yang dilenyapkan oleh setiap guncangan, dan apa yang masih tersisa. Bagian ini adalah analisis ekonomi dan berhenti di tempat analisis berhenti.
• Parit modern. Dari apa sebenarnya daya pertahanan itu kini terbentuk setelah baik bit maupun atom tidak lagi mempertahankan Anda sendirian, dan seperti apa perusahaan yang dibangun di atasnya dalam praktik.

Analisis: Bagaimana Kedua Parit Runtuh

Bagian Satu: Apa Sebenarnya Parit Itu

Sebelum saya menjelaskan bagaimana parit-parit itu runtuh, saya perlu tepat tentang apa itu parit, karena penggunaan kata yang longgar bertanggung jawab atas sebagian besar pemikiran strategi buruk yang pernah saya lihat. Parit bukan produk yang bagus. Parit bukan keunggulan sementara. Parit bukan menjadi yang pertama. Parit adalah fitur struktural suatu pasar yang memungkinkan sebuah perusahaan memperoleh imbal hasil di atas biaya modalnya untuk waktu yang lama tanpa imbal hasil itu terkikis oleh persaingan. Dalam bahasa ekonomi industri, parit adalah sumber sewa ekonomi yang tahan lama.

Sewa ekonomi adalah surplus yang diperoleh sebuah perusahaan di atas minimum yang akan diterimanya agar tetap beroperasi, dan dalam pasar yang benar-benar kompetitif surplus itu turun menjadi nol. Di bawah persaingan sempurna, harga terdorong turun ke biaya marginal, perusahaan memperoleh hanya biaya modalnya, dan tidak ada laba berlebih yang bertahan. Setiap kerangka tentang daya pertahanan pada dasarnya adalah teori tentang bagaimana satu perusahaan tertentu lolos dari tarikan menuju penetapan harga biaya marginal dan laba nol itu.

Daftar klasik berasal dari Michael Porter, yang kerangka lima kekuatannya telah menjadi alat standar untuk ini sejak 1979, kemudian dipertajam oleh kalangan value investing. Itu memberikan sejumlah kecil sumber sewa yang nyata dan tahan lama:

• Hambatan masuk yang mencegah pesaing baru masuk
• Biaya pindah yang tinggi yang membuat pelanggan yang ada tetap tinggal
• Efek jaringan, di mana produk menjadi lebih bernilai ketika lebih banyak orang menggunakannya
• Skala ekonomi yang memungkinkan pemain incumbent mengalahkan pendatang baru dalam harga
• IP proprietari atau perlindungan regulasi yang secara hukum mengecualikan peniru
• Kontrol atas input atau saluran distribusi yang langka yang tidak dapat dijangkau para rival

Setiap Sumber Sewa Adalah Gesekan

Inilah wawasan yang menjadi dasar sisa laporan ini. Setiap satu dari sumber sewa itu adalah gesekan. Parit pada dasarnya hanyalah bentuk gesekan yang tidak dapat dilalui pesaing dengan murah:

• Biaya pindah yang tinggi adalah gesekan pada keluarnya pelanggan.
• Hambatan masuk adalah gesekan pada kedatangan pesaing.
• Efek jaringan adalah gesekan pada koordinasi yang diperlukan agar pengguna pindah ke tempat lain bersama-sama.
• Skala manufaktur adalah gesekan pada modal dan waktu yang harus ditanam pendatang sebelum mencapai biaya unit yang kompetitif.

Perumusan ulang ini sangat penting, karena itu memberi tahu Anda dengan tepat apa yang dilakukan sesuatu seperti AI Generatif, atau sesuatu seperti densitas industri Tiongkok, terhadap suatu pasar. Kekuatan-kekuatan ini tidak menyerang produk. Mereka menyerang gesekan. Mereka adalah teknologi yang melarutkan gesekan. Dan teknologi yang melarutkan gesekan, menurut definisi, adalah teknologi yang melarutkan parit.

Seluruh argumen laporan ini diringkas dalam satu kalimat: parit perangkat lunak dan perangkat keras runtuh karena gesekan spesifik yang menghasilkan sewa mereka adalah gesekan yang sama yang kebetulan sangat baik dihapus oleh AI dan aglomerasi Tiongkok.

Bagian Dua: Parit Perangkat Lunak Historis & Mengapa Bit Mencetak Uang

Untuk memahami keruntuhan itu, pertama-tama Anda harus memahami mengapa perangkat lunak secara historis adalah struktur bisnis terbaik yang pernah ditemukan kapitalisme, karena keruntuhan itu hanyalah pembalikan dari hal-hal yang membuatnya hebat.

Perangkat lunak memiliki struktur biaya yang hampir unik. Ia menggabungkan biaya tetap yang tinggi untuk membuat salinan pertama dengan biaya marginal yang nyaris nol untuk menggandakan dan mengirim setiap salinan sesudahnya. Menulis versi pertama dari program yang kompleks membutuhkan kumpulan insinyur yang langka, mahal, dan butuh waktu lama untuk dilatih, yang bekerja selama berbulan-bulan atau bertahun-tahun. Tetapi begitu ia ditulis, salinan yang ke sejuta pada dasarnya tidak memerlukan biaya untuk dibuat dan tidak memerlukan biaya untuk dikirim. Asimetri itu menghasilkan daya ungkit operasional yang luar biasa. Perangkat lunak horizontal yang matang dapat mencatat margin kotor di kisaran delapan puluh persen, seperti yang dipandu Atlassian untuk Q2 FY2025, karena pendapatan meningkat seiring pengguna sementara harga pokok penjualan hampir tidak bergerak. Namun pernyataan itu kurang universal daripada dulu karena perangkat lunak yang sangat bergantung pada konsumsi seperti Snowflake berada lebih dekat ke margin kotor 67 persen pada FY2025, sebagian karena infrastruktur cloud pihak ketiga berada di dalam biaya pendapatan. Dalam istilah ekonomi, perangkat lunak berperilaku seperti barang informasi murni, dan barang informasi memutus hubungan normal antara produksi dan biaya yang mengatur komoditas fisik.

Tetapi biaya marginal yang rendah saja tidak menciptakan parit. Jika siapa pun bisa membuat barang itu dengan murah, biaya marginal yang rendah menghasilkan persaingan yang menghancurkan, bukan sewa. Perangkat lunak memperoleh sewa karena biaya tetap yang tinggi dari salinan pertama berfungsi sebagai hambatan masuk, dan karena beberapa gesekan lain bertumpuk di atasnya:

• Kelangkaan talenta rekayasa. Membangun perangkat lunak yang tidak sepele membutuhkan orang-orang yang mahal, sulit direkrut, dan sulit dikoordinasikan, sehingga kebanyakan pesaing potensial memang tidak bisa mengumpulkan tim untuk membangun tiruan yang kredibel.
• Waktu. Bahkan pesaing yang didanai dengan baik membutuhkan banyak bulan untuk merekayasa balik, menspesifikasikan, membangun, menguji, dan mengirim produk pesaing, dan selama bulan-bulan itu incumbent memiliki monopoli sementara untuk mengumpulkan pengguna, pendapatan, dan kedalaman produk yang lebih besar.
• Biaya pindah. Begitu pelanggan memindahkan datanya ke suatu sistem, melatih stafnya pada antarmuka itu, dan menghubungkan sistem itu ke segala hal lain melalui integrasi kustom, keluar menjadi sangat mahal bahkan jika sesuatu yang lebih baik dan lebih murah muncul.
• Perhitungan bangun versus beli. Karena membangun perangkat lunak internal kustom itu sendiri mahal dan berisiko, perusahaan secara rasional membeli produk standar siap pakai alih-alih membangun milik mereka sendiri, yang menjamin pasar besar bagi vendor perangkat lunak kemasan.
• Efek jaringan dan akumulasi data proprietari, yang menumpuk di atas semuanya dalam kasus-kasus terbaik.

Kerentanan Struktural

Lihatlah dari apa daftar itu tersusun. Hanya satu dari lima gesekan itu, efek jaringan, yang melekat pada sisi permintaan produk. Empat lainnya, kelangkaan talenta, waktu pembangunan, biaya pindah, dan penalti bangun versus beli, semuanya adalah gesekan produksi di sisi penawaran. Itu adalah artefak dari betapa sulit, lambat, dan mahalnya perangkat lunak untuk dibuat dan diganti.

Itulah kerentanannya. Sebuah bisnis yang daya tahan pertahanannya terutama bergantung pada seberapa sulit barang itu diproduksi hanya akan defensible selama produksi tetap sulit. Pada saat biaya untuk memproduksi dan mengganti perangkat lunak runtuh, empat dari lima pilar ikut runtuh, dan hanya efek jaringan dari sisi permintaan yang tersisa berdiri.

Keruntuhan itu persis apa yang dibawa oleh AI generatif.

Bagian Tiga: Guncangan AI & Pembubaran Parit Perlindungan Perangkat Lunak

Cara yang tepat untuk memodelkan apa yang dilakukan AI generatif terhadap ekonomi perangkat lunak adalah memperlakukannya sebagai guncangan terhadap fungsi produksi perangkat lunak. Dalam ekonomi dasar, biaya untuk memproduksi apa pun adalah fungsi dari biaya input-inputnya. Untuk perangkat lunak, input dominan selama ini selalu berupa tenaga kerja kognitif manusia yang terampil, khususnya tenaga kerja untuk mengubah kebutuhan bisnis menjadi kode yang benar, teruji, dan dapat diterapkan. Tenaga kerja itu adalah input langka dan mahal yang menciptakan penghalang masuk.

AI generatif dan agen pengodean otonom menyerang input itu secara langsung. Mereka menghasilkan, merefaktor, men-debug, mendokumentasikan, dan menerapkan kode dengan biaya yang hanya sebagian kecil dari biaya historis untuk banyak tugas. Sebuah eksperimen GitHub Copilot yang terkontrol menemukan bahwa para pengembang menyelesaikan tugas pengodean terbatas 55,8 persen lebih cepat, dan sebuah studi lapangan terhadap 4.867 pengembang menemukan 26,08 persen lebih banyak tugas diselesaikan. Dampaknya nyata, tetapi tidak merata, karena sebuah uji acak 2025 oleh METR menemukan bahwa pengembang sumber terbuka berpengalaman yang bekerja pada basis kode matang yang sudah dikenal 19 persen lebih lambat dengan alat AI awal 2025, meskipun mereka yakin mereka lebih cepat. Kesimpulan aman bukanlah bahwa AI membuat setiap insinyur lebih cepat di setiap situasi. Melainkan bahwa AI menekan biaya produksi kode, terutama untuk pekerjaan yang terbatas, greenfield, dan yang lebih junior. Input yang langka sedang dibuat lebih melimpah. Ketika harga input langka yang kritis turun, penghalang masuk yang dibangun di atas kelangkaan itu ikut runtuh bersamanya. Mekanisme tunggal itu menjalar melalui keempat pilar sisi penawaran.

Perubahan itu terlihat dalam alat yang benar-benar dipakai para pengembang. Mula-mula hadir kopilot yang terintegrasi di IDE seperti Cursor. Lalu hadir agen pengodean yang terintegrasi di terminal seperti Claude Code, Codex CLI, Kiro CLI, dan OpenCode, di mana model membaca repositori, mengedit berkas, menjalankan perintah, dan beriterasi di lingkungan yang sama dengan insinyur. Kini lapisan ketiga sedang muncul di sekitar orkestrasi multi-agen, dengan alat seperti Conductor, Superset, dan Hermes Agent yang mengoordinasikan beberapa agen lintas proyek dan lingkungan. Perkembangannya jelas. Ini telah bergerak dari pelengkapan otomatis, ke agen otonom, ke mengorkestrasi banyak agen secara paralel, dan ini hanya akan semakin cepat. Pekerjaan digital akan semakin mudah diotomatisasi setiap tahun, dan alat yang hari ini memerlukan operator terampil besok akan memerlukan lebih sedikit dan lebih sedikit intervensi manusia.

1. Runtuhnya Penghalang Masuk

Meluncurkan produk perangkat lunak yang kredibel dulu memerlukan modal awal yang nyata, yang sebagian besar dialokasikan untuk merekrut insinyur yang dibutuhkan untuk membangun MVP. Kebutuhan modal itu menyaring pasar. Hanya usaha yang bisa mengumpulkan dana dan merekrut talenta yang akhirnya meluncurkan produk, dan kelangkaan pesaing yang dihasilkan itu sendiri merupakan bagian dari perlindungan petahana.

Ketika satu pengembang dengan alat AI yang bagus dapat merancang, membangun, dan meluncurkan aplikasi yang dipoles dan berfungsi dalam sebagian kecil dari waktu dan biaya lama, penyaringan itu hilang. Pasar dibanjiri pendatang baru. Dalam istilah kompetitif, kurva penawaran fitur perangkat lunak bergeser keluar secara masif, dan teori harga dasar memberi tahu Anda apa yang terjadi selanjutnya tanpa ambiguitas. Ketika pasokan barang substitutif berkembang keras sementara permintaan kira-kira tetap, harga turun mendekati biaya marjinal, dan karena biaya marjinal perangkat lunak mendekati nol, harga juga tertarik turun mendekati nol. Kelimpahan ekstrem pasokan perangkat lunak secara mekanis adalah penghancuran daya penetapan harga perangkat lunak.

2. Runtuhnya Keunggulan Temporal

Yang ini mungkin merupakan parit perlindungan perangkat lunak yang paling penting dari semuanya. Seluruh logika merilis cepat dan beriterasi bergantung pada fakta bahwa fitur yang diluncurkan memberi penciptanya waktu eksklusif berbulan-bulan sebagai keunggulan sebelum siapa pun bisa menyalinnya. Waktu keunggulan itu adalah jendela ketika efek jaringan, merek, dan pelanggan dibangun.

AI memampatkan siklus peniruan dari berbulan-bulan menjadi berjam-jam. Seorang pesaing dapat mengamati antarmuka produk, menjelaskan perilakunya kepada agen pengodean, dan mendapatkan tiruan yang berfungsi hampir seketika, tanpa pernah melihat kode sumber asli, karena nilainya sebenarnya tidak pernah berada pada kode spesifik itu. Nilainya ada pada spesifikasi, dan spesifikasi kini sangat murah untuk diimplementasikan.

Ketika jeda peniruan menjadi nol, monopoli sementara yang membenarkan inovasi cepat menguap. Inovasi tetap terjadi, tetapi berhenti menghasilkan premi yang bertahan lama, karena imbalan untuk berinovasi langsung diserahkan kepada peniru. Ini adalah contoh buku teks dari apa yang David Teece sebut sebagai masalah appropriability dalam makalahnya tahun 1986 tentang memperoleh laba dari inovasi teknologi. Inovasi hanya membayar dirinya sendiri ketika inovator dapat menangkap cukup banyak nilai yang diciptakannya sebelum ditiru dan digeser oleh persaingan. AI mendorong appropriability dari inovasi perangkat lunak murni mendekati nol.

3. Pembubaran Biaya Pindah

Ini adalah yang paling kokoh dari parit perlindungan perangkat lunak tradisional, karena ia bekerja bahkan ketika produk pesaing jelas lebih baik. Namun biaya pindah itu sendiri tersusun dari berbagai friksi, memigrasikan data dari satu skema ke skema lain, membangun ulang integrasi kustom, dan melatih ulang staf pada antarmuka yang asing. Setiap satu dari itu adalah jenis pekerjaan terjemahan yang membosankan dan berbasis pola yang memang sangat bagus dilakukan AI.

Pemetaan data berbasis AI dapat menelan, menormalkan, dan memigrasikan basis data yang kompleks dari struktur satu sistem ke sistem lain dengan cepat dan murah. Antarmuka bahasa alami memangkas biaya pelatihan ulang, karena pengguna semakin berinteraksi melalui percakapan alih-alih menghafal pohon menu eksklusif, yang berarti keterampilan terakumulasi yang terkunci dalam antarmuka satu vendor tidak lagi berfungsi sebagai penalti perpindahan.

Saat biaya untuk pergi turun, nilai seumur hidup dari pelanggan yang diperoleh ikut turun, biaya akuisisi pelanggan naik relatif terhadap nilai seumur hidup yang menyusut itu, dan ekonomi unit dari seluruh model langganan memburuk. Parit perlindungan yang dibangun di atas ketidakmampuan pelanggan untuk pergi akan larut ketika pergi menjadi murah.

4. Pembalikan Antara Bangun dan Beli

Yang ini diam-diam menghancurkan pasar yang dapat dijangkau itu sendiri. Perusahaan membeli perangkat lunak paket karena membangun alat internal yang disesuaikan terlalu mahal, terlalu lambat, dan terlalu berisiko untuk dibenarkan kecuali untuk kebutuhan mereka yang paling terdiferensiasi. Penalti pada pembangunan internal itulah yang justru menjamin vendor memiliki pasar yang besar.

Ketika agen AI memungkinkan tim internal, bahkan yang tidak terlalu teknis, menghasilkan aplikasi kustom yang disesuaikan dengan alur kerja mereka sendiri, penalti pada pembangunan menghilang, dan pilihan rasional bergeser dari membeli langganan generik menjadi menghasilkan alat pribadi yang pas sempurna dan tidak membawa lisensi berulang.

Ini bukan hanya membuat persaingan antar vendor menjadi lebih intens. Ini mengecilkan total pasar yang dapat dijangkau yang diperebutkan vendor, karena semakin banyak permintaan perangkat lunak dipenuhi secara internal dan sama sekali tidak pernah mencapai pasar eksternal. Nilai bermigrasi dari vendor perangkat lunak eksternal ke kapabilitas operasional internal, yang berarti ia berhenti menjadi pasar dan menjadi efisiensi biaya internal.

Ini sama seperti yang saya sebut Leverage Perangkat Lunak Internal dalam tulisan saya, The Barbell of Software Value, dilihat dari sisi vendor alih-alih sisi pembeli.

Hasilnya & Apa yang Tidak Runtuh

Gabungkan keempat mekanisme itu dan Anda mendapatkan komoditisasi perangkat lunak murni. Industri sedang memasuki kelimpahan ekstrem perangkat lunak, di mana aplikasi fungsional murah untuk dibangun, bisa dikloning seketika, dan semakin banyak dihasilkan sendiri sesuai permintaan. Dalam kondisi itu, kode itu sendiri berhenti menjadi sumber rente, persis seperti barang apa pun berhenti memerintah rente setelah ia menjadi melimpah dan dapat disubstitusi. Nilai terlepas dari kode.

Bersikap jujur menuntut kita mengatakan dengan jelas apa yang tidak runtuh, karena melebih-lebihkan ini akan membuatnya salah. AI generatif menyerang friksi produksi di sisi penawaran. Dengan sendirinya, ia tidak menyerang friksi di sisi permintaan dan di tingkat sistem.

• Efek jaringan tetap bertahan, karena AI dapat mengkloning perangkat lunak jejaring sosial dalam satu sore tetapi tidak dapat mengkloning para pengguna, dan para pengguna itulah asetnya.
• Parit perlindungan data milik sendiri tetap bertahan dan justru menjadi lebih kuat, karena AI membuat kode lebih murah untuk diproduksi sambil membuat data langka yang melatihnya menjadi lebih bernilai.
• Distribusi dan merek tetap bertahan, karena perhatian dan kepercayaan tetap langka bahkan ketika fitur gratis.
• Penghalang regulasi dan kepatuhan tetap bertahan, karena agen pengodean tidak dapat menghasilkan lisensi perbankan, persetujuan alat medis, atau sertifikasi penerbangan.
• Integrasi mendalam ke dalam realitas operasional fisik atau yang diatur tetap bertahan, karena kode itu murah, tetapi memasang sensor, memperoleh kepercayaan, dan beroperasi di bawah persetujuan regulasi tidak murah.

Jadi klaim yang tepat bukanlah bahwa semua bisnis perangkat lunak akan mati. Melainkan bahwa parit pertahanan spesifik yang dulu dominan dari perangkat lunak murni, berdiri sendiri, dan dikemas, yang dipertahankan oleh sulitnya menulis dan mengganti kode, telah dihancurkan. Yang bertahan adalah perangkat lunak yang ditambatkan pada sesuatu yang tidak dapat direproduksi AI dengan murah: jaringan, kumpulan data, posisi regulasi, saluran distribusi, atau operasi fisik. Perangkat lunak yang melayang bebas dari semua itu kini menjadi komoditas.

Bagian Empat: Parit Pertahanan Perangkat Keras Historis & Mengapa Atom Itu Sulit

Argumen perangkat keras mengambil disiplin yang sama. Pertama tetapkan mengapa perangkat keras dulu bisa dipertahankan, lalu tunjukkan mana dari pertahanan itu yang dilenyapkan oleh sistem manufaktur Tiongkok.

Perangkat keras bisa dipertahankan karena alasan yang hampir kebalikan dari perangkat lunak, dan pasar modal memperlakukan keduanya sebagai lawan. Jika perangkat lunak memiliki biaya marjinal yang nyaris nol, perangkat keras memiliki biaya marjinal yang tinggi dan keras kepala, karena setiap unit fisik memakan bahan, energi, tenaga kerja, dan waktu mesin. Jika perangkat lunak dikirim secara instan dan tak terbatas, perangkat keras terikat oleh fisika manufaktur dan logistik. Sifat-sifat itu membuat perangkat keras menjadi bisnis yang lebih buruk pada margin, tetapi juga, anehnya, membuatnya bisa dipertahankan dalam cara tertentu, karena sulitnya produksi fisik bertindak sebagai penghalang yang melindungi perusahaan perangkat keras yang dikelola dengan baik dari peniruan santai.

Gesekan spesifik yang melindungi perangkat keras adalah ini:

• Modal perkakas. Membuat produk fisik dalam skala besar memerlukan perkakas khusus, terutama cetakan injeksi dan dies pengecoran yang digunakan untuk membentuk bagian plastik dan logam, dan perkakas itu biayanya puluhan atau ratusan ribu dolar serta memaksa kuantitas pesanan minimum yang tinggi. Itu adalah tembok modal yang keras yang tidak bisa dipanjat oleh sebagian besar pendatang baru, dan itu melindungi para petahana yang sudah mengamortisasi perkakas mereka.

• Latensi iterasi. Menyempurnakan desain fisik berarti memotong perkakas baru, menyesuaikan toleransi, dan menjalankan batch uji fisik, sebuah siklus yang memakan waktu berminggu-minggu atau berbulan-bulan tiap putaran dan biayanya besar setiap kali, sehingga produk fisik membaik secara lambat dan pesaing membutuhkan kampanye mahal yang panjang untuk menyusul.

• Perakitan rantai pasok. Produk fisik adalah daftar bahan yang bersumber dari banyak pemasok khusus, dan pemasok itu dulu tersebar di berbagai perusahaan, wilayah, dan negara, jadi menyusun rantai pasok yang berfungsi berarti bernegosiasi dengan vendor yang terpisah, menanggung lead time yang panjang, dan mengelola logistik yang rumit.

• Pengetahuan presisi dan proses. Pengetahuan akumulatif, yang sering kali tersirat, tentang bagaimana sebenarnya memproduksi suatu desain dengan hasil yang dapat diterima. Itu tidak berpindah dari gambar. Anda harus mempelajarinya dengan melakukan.

• Distribusi. Kebutuhan untuk membawa produk fisik ke hadapan pembeli melalui pengecer, distributor, dan ruang rak yang juga langka dan dijaga pintunya.

Lihat lagi komposisinya, sama seperti pada perangkat lunak. Parit pertahanan perangkat keras sangat didominasi oleh seperangkat gesekan produksi dan logistik: modal perkakas, latensi iterasi, perakitan rantai pasok, hasil proses, dan distribusi fisik. Itu dipertahankan oleh betapa sulit, lambat, dan mahalnya mengubah desain menjadi objek fisik yang dikirim. Dan persis seperti perangkat lunak, pertahanan yang dibangun di atas sulitnya produksi hanya tahan lama selama produksi tetap sulit.

Namun kontribusi Tiongkok terhadap sejarah ekonomi adalah membuat produksi fisik, di sepanjang rentang barang yang sangat luas, tidak lagi sulit.

Bagian Lima: Guncangan Tiongkok, Aglomerasi Industri, & Akhir dari Parit Pertahanan Perangkat Keras

Kesalahpahaman paling umum tentang dominasi manufaktur Tiongkok adalah bahwa itu adalah kisah tentang tenaga kerja murah. Itu sebagian benar pada fase awal dan sekarang kebanyakan salah, dan salah memahaminya langsung mengarah pada kesimpulan gagal bahwa pemindahan produksi kembali, atau memindahkan produksi ke negara bergaji rendah berikutnya, akan memulihkan tatanan lama.

Penjelasan sebenarnya adalah bahwa Tiongkok membangun, pada kepadatan dan skala yang belum pernah dilihat siapa pun sebelumnya, fenomena yang Alfred Marshall gambarkan lebih dari seabad lalu sebagai aglomerasi industri. Aglomerasi itulah, bukan arbitrase upah, yang membongkar parit pertahanan perangkat keras. Perbedaan ini adalah inti dari bagian ini, dan saya bukan orang pertama yang menyatakannya. Andrew “bunnie” Huang telah mendokumentasikan versi Shenzhen dari hal itu secara langsung selama lebih dari satu dekade dalam The Hardware Hacker.

Ekonomi Eksternal Marshallian

Aglomerasi industri adalah pengelompokan geografis yang saling menguatkan dari industri-industri yang terhubung, pemasok komponen, pembuat sub-rakitan, pemroses bahan mentah, pembuat perkakas, produsen kontrak, penyedia logistik, dan tenaga kerja terampil khusus, semuanya dipadatkan ke dalam wilayah yang sama. Marshall mengidentifikasi mengapa klaster semacam itu menghasilkan keunggulan yang tidak bisa ditandingi oleh firma yang terisolasi:

• Mereka menciptakan kolam tenaga kerja bersama yang dalam dari pekerja khusus.
• Mereka mendukung pemasok lokal khusus yang tidak akan pernah bisa bertahan melayani satu pelanggan yang jauh tetapi berkembang melayani klaster padat dari pelanggan-pelanggan itu.
• Mereka menghasilkan limpahan pengetahuan, di mana perbaikan proses menyebar cepat melalui klaster karena orang-orang yang relevan secara fisik berdekatan dan berpindah-pindah.

Tiga kekuatan itu adalah ekonomi eksternal Marshallian, dan itu berarti firma di dalam klaster mendapat biaya lebih rendah, iterasi lebih cepat, dan informasi lebih baik daripada firma identik di luar klaster, tidak peduli seberapa efisien firma luar itu pada dirinya sendiri.

Biaya Transaksi Runtuh

Di Delta Sungai Mutiara, dan khususnya Shenzhen, aglomerasi mencapai kepadatan tanpa preseden historis. Konsekuensi praktisnya paling mudah dilihat melalui ekonomi biaya transaksi Ronald Coase. Coase menjelaskan bahwa batas dan kecepatan aktivitas ekonomi ditentukan oleh biaya transaksi, biaya mencari pemasok, menegosiasikan syarat, dan mengoordinasikan produksi lintas firma. Dalam rantai pasok yang tersebar biaya-biaya itu sangat besar, dan itulah isi nyata dari gesekan ketiga parit pertahanan perangkat keras.

Dalam klaster yang sangat padat, biaya transaksi runtuh menjadi hampir nol. Seluruh rantai pasok untuk sebagian besar perangkat elektronik dan mekanik berada dalam radius kecil, sehingga pencarian, pengadaan, negosiasi, dan koordinasi yang dulu memakan waktu berminggu-minggu lintas benua kini memakan waktu berjam-jam lintas distrik. Seorang perancang bisa menspesifikasikan sebuah perangkat, mendapatkan setiap komponen secara lokal pada hari yang sama, membuat papan sirkuit khusus dan memasangnya dalam semalam, dan memegang prototipe kerja keesokan paginya.

Ini bukan tenaga kerja yang lebih murah. Ini adalah penghapusan hampir total dari biaya transaksi dan latensi iterasi, yang merupakan hal yang secara kategoris berbeda dan jauh lebih kuat.

Dari kepadatan itu, empat mekanisme meluluhlantakkan parit pertahanan perangkat keras, mencerminkan empat AI yang diterapkan pada perangkat lunak.

1. Runtuhnya Latensi Iterasi

Ini adalah versi perangkat keras dari perangkat lunak yang kehilangan keunggulan temporalnya. Dalam rantai pasok Barat yang tersebar, satu putaran desain fisik memakan waktu berminggu-minggu dan biayanya besar, sehingga perangkat keras membaik perlahan dan keunggulan penyempurnaan milik petahana bertahan. Di dalam klaster, iterasi fisik mendekati kecepatan iterasi perangkat lunak. Cetakan dimodifikasi, tata letak papan disesuaikan, dan batch uji dijalankan dalam hitungan hari.

Konsekuensi strategisnya brutal. Setiap desain perangkat keras yang dibuat di Barat dapat diamati, direkayasa balik, dioptimalkan untuk kemudahan manufaktur, dan diproduksi massal di dalam klaster lebih cepat daripada firma Barat asalnya dapat menyelesaikan prototipe keduanya sendiri. Waktu tunggu sang pencipta, yang merupakan sumber rente-nya, menjadi negatif. Peniru mengirim versi yang lebih baik dan lebih murah terlebih dahulu.

2. Runtuhnya Modal Perkakas

Ini adalah versi perangkat keras dari jatuhnya hambatan masuk pada perangkat lunak. Puluhan ribu dolar dan kuantitas pesanan minimum yang tinggi yang dulu memagari produksi fisik telah dioptimalkan keluar di dalam klaster melalui permesinan terkontrol komputer yang cepat, basis cetakan modular standar yang dikonfigurasi ulang alih-alih dipotong dari nol, dan bengkel perkakas berthroughput tinggi yang sangat kompetitif. Perangkat keras batch kecil yang sangat kustom kini dapat diproduksi dengan struktur biaya yang dulu hanya tersedia bagi perusahaan multinasional besar. Tembok modal yang menyaring pendatang perangkat keras sebagian besar telah runtuh, sama seperti tembok yang menyaring pendatang perangkat lunak, dan pasar dibanjiri dengan tekanan turun harga yang sama dan dapat diprediksi.

3. Kurva Pengalaman, Diperkuat oleh Otomatisasi

Mekanisme inilah yang mengunci keunggulan biaya secara permanen, dan itulah alasan mengapa keunggulan tersebut tidak dapat dilenyapkan melalui arbitrase dengan pindah ke tempat lain. Hukum Wright, yang pertama kali dijelaskan oleh Theodore Wright pada tahun 1936 dari data produksi pesawat terbang dan kemudian digeneralisasi oleh Boston Consulting Group sebagai kurva pengalaman, adalah salah satu keteraturan empiris paling andal dalam ekonomi industri. Hukum ini menyatakan bahwa untuk banyak produk, biaya per unit turun dengan persentase yang konsisten setiap kali volume produksi kumulatif berlipat ganda, karena organisasi belajar, melalui tindakan yang terakumulasi, cara memproduksi dengan lebih efisien.

Karena klaster tersebut menghasilkan porsi yang sangat besar dari volume kumulatif global di berbagai kategori produk yang tak terhitung jumlahnya, ia berada jauh di bawah kurva pengalaman, sedangkan setiap pendatang baru, dengan volume kumulatif rendah, berada di bagian atasnya. Manufaktur Tiongkok modern kemudian memperkuat keunggulan belajar itu dengan otomasi yang padat modal, robotika canggih, inspeksi optik otomatis berkecepatan tinggi, dan integrasi vertikal yang menjangkau jauh kembali ke bahan baku.

Inilah titik persis ketika penjelasan biaya tenaga kerja mati. Keunggulan modern bukanlah upah rendah. Keunggulan itu adalah pembelajaran yang terakumulasi ditambah skala otomatis ditambah kepadatan pemasok, dan pendatang baru tidak dapat meniru kombinasi itu dengan tindakan jangka pendek apa pun, upah tinggi maupun upah rendah, karena Anda tidak bisa seketika membeli pengalaman produksi kumulatif selama puluhan tahun atau ekosistem pemasok di sekitarnya.

4. Runtuhnya Gesekan Distribusi

Ini adalah versi perangkat keras dari AI yang mengikis kebutuhan untuk melewati saluran perangkat lunak petahana. Pasar digital global dan logistik paket yang sangat efisien memungkinkan produsen di dalam klaster melewati distributor Barat, grosir, dan ruang rak ritel sepenuhnya, mencantumkan produk langsung di platform global dan mengirimnya ke pintu konsumen dalam hitungan hari. Gesekan terakhir yang melindungi merek perangkat keras petahana, yaitu kendalinya atas rak dan saluran distribusi, pun dilewati. Sebuah perangkat yang secara fungsional setara mencapai pelanggan yang sama dengan harga bermerek yang hanya sebagian kecil, tanpa pernah menyentuh sistem distribusi petahana.

Persemakmuran Industri & Mengapa Relokasi Kembali Sangat Sulit

Konsekuensi paling penting dari semua ini, dan yang paling sering diabaikan, adalah tentang relokasi kembali produksi ke dalam negeri, dan di sinilah gagasan persemakmuran industri menjadi penting. Gary Pisano dan Willy Shih menamai hal ini dalam Restoring American Competitiveness (PDF) pada tahun 2009. Pengamatan mereka adalah bahwa kemampuan manufaktur bukanlah sifat perusahaan individual. Itu adalah sifat ekosistem, basis lokal bersama dari pemasok, pembuat alat, insinyur proses, dan pengetahuan implisit.

Ketika sebuah negara memindahkan produksi ke luar negeri, ia tidak hanya kehilangan pabrik. Seiring waktu ia kehilangan persemakmuran di sekitarnya, karena pemasok, pembuat alat, dan insinyur proses terampil mengalami kemunduran atau pindah begitu tidak ada lagi permintaan lokal yang membuat mereka tetap hidup. Begitu persemakmuran itu hilang, tidak ada satu perusahaan pun atau subsidi pun yang dapat membangunnya kembali dengan cepat, karena satu pabrik yang dipindahkan kembali ke dalam negeri tidak memiliki pemasok lokal, tidak ada pembuat alat lokal, tidak ada kumpulan insinyur proses berpengalaman lokal, dan oleh karena itu tidak ada ekonomi eksternal Marshallian yang membuat klaster itu efisien sejak awal.

Itulah sebabnya memindahkan kembali kategori perangkat keras yang terdiferensiasi menjadi komoditas itu sangat sulit dan sangat mahal. Keunggulan yang coba diciptakan kembali oleh pihak yang memindahkan kembali bukan pernah berada di dalam pabrik. Keunggulan itu berada di ekosistem di sekitar pabrik, dan ekosistem itu sudah tidak ada di rumah lagi. Parit perlindungan itu tidak pindah ke Tiongkok karena perusahaan-perusahaan Tiongkok secara individual lebih baik. Parit itu pindah karena persemakmuran berpindah, dan persemakmuran adalah aset kolektif yang tidak dapat dibangun kembali oleh tindakan individual.

Kesimpulan makro untuk perangkat keras berparalel tepat dengan perangkat lunak. Saat spesifikasi sebuah produk fisik diketahui, ekosistem manufaktur yang sangat padat dapat menirunya, mengoptimalkannya untuk diproduksi, dan mendistribusikannya secara langsung pada struktur biaya yang menghancurkan margin pihak yang pertama menciptakannya. Perangkat keras mandiri, yang hanya dipertahankan oleh sulitnya produksi fisik, telah menjadi komoditas, karena kesulitan itu, untuk rentang barang yang sangat luas, tidak lagi ada.

Bagian Enam: Keruntuhan Berurutan & Konsekuensi Strategisnya

Orang biasanya menganalisis dua keruntuhan itu secara terpisah, dan secara kronologis memang seharusnya begitu. Keruntuhan perangkat keras datang lebih dulu. Aglomerasi Tiongkok membuat pertahanan perangkat keras berbasis produksi menjadi lemah di seluruh elektronik konsumen dan banyak barang dengan kompleksitas menengah bertahun-tahun sebelum alat pengodean AI generatif menjadi penting. Keruntuhan perangkat lunak datang kemudian. Peristiwa yang sebenarnya bagi seorang pendiri hari ini bukanlah bahwa keduanya dimulai bersamaan. Melainkan bahwa kedua kondisi itu kini hadir di pasar.

Era sebelumnya masih menawarkan jalan keluar. Ketika perangkat lunak menjadi kompetitif, modal bisa lari ke perangkat keras yang defensibel. Ketika perangkat keras menjadi kompetitif, modal bisa lari ke perangkat lunak yang defensibel. Kedua domain itu bergantian menjadi tempat berlindung. Rotasi itu tidak lagi bekerja. Atom murni sudah kehilangan parit produksi mereka, dan bit murni kini kehilangan milik mereka juga. Tidak ada lagi perlindungan murni bagi bit dan tidak ada lagi perlindungan murni bagi atom. Inilah makna yang lebih dalam dari teori barbel yang saya tulis tahun lalu. Bagian tengah, tempat sebuah perusahaan bergantung pada satu dimensi yang sulit, telah dilubangi dari kedua sisi.

Konsekuensi Tingkat Pertama: Tekanan Deflasi yang Digeneralisasi

Ketika biaya marginal perangkat lunak mendekati nol dan biaya efektif replikasi fisik mendekati dasar yang sangat efisien dari klaster, persaingan mendorong harga di kedua domain turun menuju dasar-dasar itu. Itu bersifat disinflasioner bagi konsumen dan merusak bagi produsen yang tidak memiliki parit perlindungan, dan itu menjelaskan sebuah teka-teki yang disadari banyak orang, yaitu bahwa kemajuan teknologi yang luar biasa berdiri tepat di samping margin yang menyempit bagi perusahaan-perusahaan yang benar-benar melakukan produksi. Kemajuan sedang ditangkap oleh konsumen dan oleh peniru, alih-alih oleh inovator, tepat karena kemampuan untuk menangkap nilai itu runtuh di kedua domain.

Konsekuensi Tingkat Kedua: Sewa Bermigrasi Sepanjang Kurva Senyum

Stan Shih, pendiri Acer, mengusulkan kurva senyum sekitar tahun 1992. Plot nilai tambah terhadap tahapan produksi dalam rantai nilai manufaktur dan Anda akan mendapatkan bentuk seperti senyum. Ben Thompson telah mengadaptasinya ke penerbitan, yang layak dibaca karena menunjukkan bahwa kurva itu sebenarnya bukan tentang manufaktur sama sekali. Berikut yang asli:

Tahapan Shih adalah sebagai berikut:

• Nilai tinggi di hulu, yaitu desain, merek, dan kekayaan intelektual
• Lembah yang dalam di tengah, yaitu perakitan dan manufaktur fisik, tahapan yang paling mudah menjadi komoditas
• Nilai tinggi di hilir, yaitu distribusi, layanan, dan hubungan dengan pelanggan

Kebangkitan Tiongkok meratakan dan mengkomoditisasi bagian tengah kurva itu untuk perangkat keras. AI generatif kini mengkomoditisasi bagian tengah yang setara untuk perangkat lunak, yaitu tindakan penulisan kode itu sendiri. Instruksi yang mengikuti identik dalam kedua kasus: tinggalkan bagian tengah yang terkomoditisasi dan pindahlah ke ujung-ujung senyum.

Namun ujung-ujung itu justru merupakan sisi permintaan dan aset tingkat sistem yang tidak dapat ditiru secara murah oleh AI maupun kepadatan manufaktur. Di hulu, itu berarti data milik sendiri, penelitian nyata, dan wawasan desain yang asli. Di hilir, itu berarti merek, kepercayaan, distribusi, posisi regulasi, dan kepemilikan atas hubungan pelanggan serta hasil operasional.

Konsekuensi Tingkat Ketiga: Sewa Pindah ke Celah-Celah

Inilah konsekuensi yang menghubungkan analisis dengan strategi. Sewa yang tahan lama telah bermigrasi keluar dari dimensi tunggal mana pun dan masuk ke dalam keterkaitan antar dimensi, serta ke aset yang berada di luar produksi sama sekali. Jika kode murni gratis dan atom murni murah, maka gesekan yang masih menghasilkan sewa adalah yang hidup di celah-celah:

• Perancangan bersama yang rapat antara perangkat keras kustom dengan perangkat lunak kustom, sehingga keduanya tidak berguna bagi peniru tanpa yang lain.
• Data kepemilikan yang dihasilkan dari menjalankan alur kerja fisik atau regulasi yang nyata, yang langka justru karena ia adalah produk samping dari melakukan pekerjaan itu, bukan sesuatu yang dapat disalin.
• Hubungan yang mendalam, lambat dibangun, dan akreditasi regulasi dalam industri konservatif, di mana tiruan yang lebih murah didiskualifikasi bahkan sebelum siapa pun mengevaluasinya.
• Posisi sebagai prinsipal, di mana sebuah perusahaan tidak menjual alat yang dapat dikomoditisasi, melainkan memiliki operasinya, menanggung tanggung jawab, menjamin hasil, dan menangkap baik seluruh kumpulan laba maupun sisa data eksklusif.

Inilah gesekan yang secara struktural tidak dapat dilarutkan oleh AI dan aglomerasi Tiongkok, karena itu sama sekali bukan gesekan produksi. Itu adalah gesekan kepercayaan, akses fisik, regulasi, pengamatan dunia nyata yang terakumulasi, dan kepemilikan operasional.

Bagian Tujuh: Batas, Kontraargumen, & Bersikap Jujur Tentangnya

Sebuah tesis yang seluas ini harus diuji tekanan terhadap keberatan-keberatan terkuatnya, karena strategi yang dibangun di atas premis yang dibesar-besarkan akan gagal tepat di tempat premis itu terlalu kuat.

Keberatan 1: Perangkat Lunak yang Dihasilkan AI Belum Setara Kelas Frontier

Keberatan pertama adalah bahwa perangkat lunak yang dihasilkan AI belum setara dengan perangkat lunak yang dirancang ahli untuk sistem yang paling kompleks, paling andal, atau benar-benar baru, dan bahwa batas kualitas yang nyata masih memisahkan generasi komoditas dari rekayasa frontier.

Ini benar dan itu penting. Argumen komoditisasi paling kuat berlaku pada kumpulan besar perangkat lunak aplikasi konvensional yang logikanya sudah sangat umum. Di frontier yang sesungguhnya, dalam algoritma baru, dalam sistem yang menuntut keandalan atau keamanan ekstrem, dan dalam masalah tanpa preseden dalam data pelatihan, penilaian manusia ahli masih memegang nilai sewa. Jadi klaim yang tepat adalah bahwa AI meruntuhkan parit perlindungan untuk mayoritas perangkat lunak yang dapat dikomoditisasi, bukan bahwa AI menghapus semua nilai perangkat lunak.

Namun arah pergerakan itu penting secara strategis, karena frontier yang tetap dapat dipertahankan itu sempit, ia terus bergerak, dan ia adalah fondasi yang buruk untuk bisnis yang tahan lama kecuali ia ditambatkan pada salah satu parit non-produksi di atas.

Keberatan 2: Dominasi Tiongkok Tidak Merata & Dipersengketakan Secara Politik

Keberatan kedua adalah bahwa dominasi manufaktur Tiongkok tidak merata di seluruh kategori dan kini menghadapi kekuatan penyeimbang geopolitik yang serius, termasuk tarif, kontrol ekspor, relokasi kembali yang didorong keamanan nasional, dan friend shoring yang disengaja untuk rantai pasok kritis.

Ini juga benar. Argumen komoditisasi paling kuat untuk elektronik konsumen, barang mekanis, dan rakitan dengan kompleksitas menengah, dan paling lemah di puncak tumpukan teknologi, paling jelas pada fabrikasi semikonduktor canggih, di mana intensitas modal yang ekstrem dan segelintir pemasok yang tak tergantikan menciptakan parit perlindungan mereka sendiri. Kebijakan juga dapat secara artifisial mengembalikan friksi yang dihapus aglomerasi, melalui tarif yang menaikkan biaya landed peniru atau kontrol ekspor yang menolak input kepadanya.

Namun kekuatan penyeimbang itu justru memperkuat kesimpulan utama daripada melemahkannya, karena baik parit semikonduktor yang bertahan maupun parit reshoring yang didorong kebijakan, lagi-lagi, bukanlah parit dari perangkat keras murni. Mereka adalah parit dari skala modal yang ekstrem, dari posisi pemasok yang tak tergantikan, dan dari hubungan regulatori serta geopolitik. Mereka persis friksi non-produksi, relasional, dan posisi yang menurut laporan ini telah menjadi tempat perpindahan nilai sewa.

Keberatan 3: Mengapa Para Incumbent Besar Masih Sangat Menguntungkan?

Keberatan ketiga adalah yang lebih halus. Jika baik perangkat lunak maupun perangkat keras telah dikomoditisasi, mengapa para incumbent teknologi terbesar masih sangat menguntungkan?

Jawabannya adalah bahwa para incumbent itu sebenarnya tidak pernah benar-benar dipertahankan oleh perangkat lunak murni atau perangkat keras murni. Parit perlindungan nyata mereka adalah efek jaringan, kontrol atas distribusi dan perhatian, data eksklusif pada skala peradaban, penguncian ekosistem, dan dalam beberapa kasus pengokohan regulatori. Keruntuhan yang dijelaskan di sini tidak mengancam semua itu, dan dalam beberapa hal justru memperkuatnya, karena ketika produksi murni menjadi komoditas, nilai relatif dari aset non-produksi yang sudah dimiliki para incumbent naik.

Ini sepenuhnya konsisten dengan tesis ini. Komoditisasi produksi tidak meratakan semua laba. Ia memindahkan laba menjauh dari perusahaan yang satu-satunya keunggulannya adalah bahwa produksi itu sulit, dan menuju perusahaan yang memiliki friksi yang tak tersentuh oleh produksi. Para incumbent bertahan karena mereka tidak pernah merupakan bisnis berdimensi tunggal. Itulah pelajarannya, bukan pengecualiannya.

Bagian Delapan: Sintesis & Jembatan ke Parit Modern

Dua keruntuhan dalam laporan ini, pada dasarnya, adalah mekanisme yang sama yang berulang di dua domain, bukan satu garis waktu bersama. Dalam kedua kasus sebuah kelas bisnis memperoleh nilai sewa yang tahan lama karena produksi itu sulit, lambat, dan mahal. Dalam kedua kasus, kekuatan yang meluruhkan friksi, AI generatif di domain digital dan aglomerasi industri yang sangat padat di domain fisik, membuat produksi menjadi mudah, cepat, dan murah. Dalam kedua kasus nilai sewa yang dipertahankan oleh kesulitan produksi menguap pada saat produksi berhenti menjadi sulit.

Simetrinya tepat, dan menyadarinya lebih berharga daripada salah satu bagiannya saja, karena ia mengungkap hukum umum di bawah keduanya:

Parit perlindungan apa pun yang hanya terdiri dari kesulitan membuat sesuatu bersifat sementara, dan ia bertahan tepat sampai seseorang menemukan cara untuk membuat sesuatu itu dengan mudah.

Korelat strategisnya mengikuti langsung. Karena baik bit saja maupun atom saja tidak dapat melindungi bisnis, daya tahan harus dirakit dari friksi yang selamat dari kedua keruntuhan:

• Integrasi loop tertutup yang rapat antara perangkat keras kustom dan perangkat lunak kustom, sehingga sistem tidak dapat dibongkar dan dikloning bagian demi bagian.
• Data eksklusif yang terus diperbarui yang dihasilkan sebagai produk sampingan dari pengoperasian alur kerja nyata, yang tidak dapat disalin karena harus diperoleh melalui operasi.
• Hubungan yang dalam, kepercayaan, dan kedudukan regulatori dari industri konservatif, yang tidak dapat dihasilkan oleh agen pemrograman maupun pabrik kontrak.
• Keputusan untuk beroperasi sebagai prinsipal, bukan vendor, memiliki alur kerja dan hasilnya sehingga seluruh kumpulan laba dan seluruh buangan data tetap tertangkap alih-alih dijual lepas.

Sebuah perusahaan skala ventura modern dapat dipertahankan tepat sejauh ia merangkai beberapa dari friksi yang bertahan itu menjadi satu sistem operasi terpadu yang menjadi lebih baik saat berjalan. Semua yang dulu menjadi parit perlindungan karena sulit dibangun sekarang menjadi komoditas karena mudah dibangun. Yang tetap dapat dipertahankan adalah apa yang sulit diakses, sulit memperoleh kepercayaan ke dalamnya, sulit diraih melalui regulasi, dan sulit diamati tanpa melakukan pekerjaan nyata.

Parit perlindungan masa depan tidak terbuat dari bit, dan tidak terbuat dari atom. Ia terbuat dari sambungan di antara keduanya, dan dari hubungan serta data yang diperoleh yang tak seorang pun bisa mereproduksinya tanpa berdiri di tempat Anda berdiri.

Kesimpulan atas Analisis

Paradigma tiga puluh tahun yang memperlakukan perangkat lunak sebagai mesin andal dari laba yang dapat dipertahankan dan perangkat keras sebagai komoditas bermargin rendah bukan sekadar bergeser. Dua asumsi fundamentalnya telah difalsifikasi secara berurutan. Aglomerasi industri Tiongkok memalsifikasikan asumsi bahwa perangkat keras sulit diiterasi dan diproduksi lebih dulu. AI generatif sedang memalsifikasikan asumsi bahwa perangkat lunak sulit diproduksi dan diganti sekarang.

Karena kedua parit perlindungan itu sebagian besar dibangun di atas kesulitan produksi, dan karena kesulitan itu adalah target spesifik dari kedua kekuatan yang meluruhkan friksi, kedua parit itu runtuh. Nilai sewa yang dulu pergi kepada siapa pun yang bisa membangun bit atau menempa atom kini mengalir ke konsumen dan peniru, kecuali sebuah firma telah menambatkan dirinya pada friksi yang tidak dapat dijangkau oleh keruntuhan produksi.

Friksi-friksi yang selamat itu, integrasi, data operasional eksklusif, hubungan tepercaya, posisi regulatori, dan kepemilikan prinsipal atas alur kerja nyata, adalah tempat nilai tahan lama berpindah. Membangun perusahaan yang dapat dipertahankan di era ini berarti menolak bergantung pada satu dimensi saja yang sulit, karena tidak ada yang hanya sulit dibuat akan tetap dapat dipertahankan setelah membuatnya menjadi mudah.

Parit Perlindungan Modern

Semua di atas adalah diagnosis. Itu menetapkan ke mana nilai sewa pergi dan mengapa, tetapi berhenti pada tingkat prinsip, dan prinsip tidak memberi tahu Anda seperti apa perusahaan yang dibangun di atasnya. Bagian ini adalah jawabannya. Ini membahas apa yang kini membentuk daya tahan, dan seperti apa bentuknya ketika dirakit menjadi bisnis nyata.

Barbel

Sebelum aturan konstruksi, ada baiknya membuat barbel itu eksplisit, karena analisis tadi terus menunjuk ke sana tanpa mencantumkan ujung-ujungnya. Saya sudah menguraikan ini pada 2025 dalam Teori Barbel Nilai Perangkat Lunak, di mana saya merekonsiliasi Teori Leverage Perangkat Lunak Internal saya dengan tesis kelimpahan. Kesimpulannya adalah bahwa nilai perangkat lunak sedang terpolarisasi menjadi dua kelompok dengan bagian tengah yang menyusut.

Di satu ujung ada primitif fundamental yang masif, model dasar, infrastruktur komputasi, platform awan, chip, dan infrastruktur AI inti. Ini dipertahankan oleh intensitas modal, ekonomi skala, dan konsentrasi riset pada tingkat yang pada dasarnya tidak dapat dijangkau oleh perusahaan rintisan baru. Ini bukan peluang yang sedang saya gambarkan. Ini adalah lingkungan tempat peluang itu beroperasi.

Google adalah kasus batasnya. Ia menggabungkan model LLM, TPU, infrastruktur awan, Search, Android, YouTube, Maps, Chrome, distribusi default, dan data eksklusif pada skala yang hampir tidak bisa disentuh siapa pun. Itu tidak menjadikannya pola startup. Itu menjadikannya kutub atas barbel yang terealisasi sepenuhnya. Anda tidak bisa memulai dari sana. Yang dibuktikan Google adalah mekanismenya, bahwa ketika produksi menjadi murah, nilai tahan lama bermigrasi ke komputasi, distribusi, infrastruktur, data, dan posisi ekosistem yang tidak dapat dengan mudah disewa oleh pendatang baru. Perhatikan juga batasannya. Google menjalankan lelang. Ia biasanya tidak memiliki hasil dari pengiklan. Itulah mengapa Waymo, bukan Search, adalah contoh posisi prinsipal yang lebih bersih nanti.

Di ujung lainnya ada leverage privat yang sangat spesifik. Kepemilikan alur kerja yang dalam, otomasi dunia fisik, proses regulatori, penggantian tenaga ahli, data operasional eksklusif, dan kepemilikan hasil. Ujung ini dapat dijangkau, dan ia dipertahankan oleh tepat friksi non-produksi yang diidentifikasi analisis ini sebagai yang selamat.

Bagian tengah yang berbahaya adalah perangkat lunak generik. Ini adalah aplikasi web, dasbor, alat CRUD, pengelola alur kerja, dan pembungkus tipis di atas API model. Ia terjepit dari atas oleh primitif, yang terus menyerap kemampuan umum ke dalam diri mereka sendiri, dan dari bawah oleh runtuhnya biaya untuk membangun apa pun yang benar-benar generik. Sebuah produk di tengah mudah dibuat, mudah dikloning, mudah diserap oleh pemain mapan sebagai fitur, dan biasanya memiliki terlalu sedikit dari rantai nilai pelanggan untuk mempertahankan harga.

Empat Faktor Parit

Daya tahan saat ini tidak datang dari satu tembok tinggi. Ia datang dari penggabungan beberapa keunggulan yang saling terkait. Empat pilar yang berbeda bertahan dari penurunan ganda produksi perangkat keras dan perangkat lunak. Sebuah perusahaan modern yang tahan lama perlu memiliki jalur yang kredibel menuju setidaknya tiga di antaranya. Bukan satu. Tiga. Dimensi tunggal tidak lagi melindungi siapa pun, dan itu tidak akan pernah berubah ke depan.

Perangkat Keras yang Hebat

Perangkat keras yang hebat tidak berarti menciptakan perangkat eksotis. Itu jelas bukan berarti menjual gadget cerdas dengan margin. Perangkat yang terlihat, dapat disalin, dan dijual terpisah justru adalah apa yang paling cepat dihancurkan oleh klaster manufaktur. Perangkat keras mendapatkan tempatnya ketika ia bukan produknya, melainkan instrumennya. Ia memberi perusahaan akses fisik istimewa ke suatu proses yang tidak dapat diamati pesaing dari luar. Ia merasakan dunia fisik, menangkap data milik sendiri, mengeksekusi tindakan fisik, dan menstandarkan alur kerja, membuat perangkat lunak di atasnya jauh lebih sulit untuk disalin. Tesnya sederhana. Apakah perangkat keras itu bisa diangkat keluar dan dijual sendiri? Jika bisa, itu gadget dan akan menjadi komoditas. Jika ia tidak berarti tanpa perangkat lunak, data, dan operasi di sekitarnya, maka ia sedang melakukan pekerjaan parit.

Perangkat Lunak Kustom yang Hebat

Perangkat lunak kustom yang hebat bukan SaaS generik dan bukan juga antarmuka yang lebih bagus. Ia bekerja di dalam proses fisik atau regulasi yang spesifik, mengotomatiskan keputusan yang membawa bobot ekonomi nyata, mengoordinasikan tenaga kerja atau mesin, dan menangkap koreksi serta kasus-kasus pinggiran saat itu terjadi. Perhatikan apa yang membuatnya tahan banting. Bukan kodenya, yang menurut analisis sekarang murah, melainkan ketergantungannya pada akses operasional, data milik sendiri, dan pengetahuan alur kerja yang mendalam yang tidak bisa didapat pesaing hanya dengan mengkloning antarmuka. Perangkat lunak sulit disalin bukan karena perangkat lunaknya sulit ditulis, tetapi karena hal-hal yang dihubungkan ke dalamnya sulit dijangkau.

Hubungan yang Hebat

Hubungan yang hebat adalah salah satu parit paling tahan lama di industri berat. Mereka sama sekali kebal terhadap komoditisasi perangkat keras dan perangkat lunak. Ini mencakup akreditasi regulasi, kepercayaan pelanggan, akses distribusi ke pembeli yang konservatif, dan kemitraan operasional jangka panjang. Anda melihat ini di berbagai sektor seperti pertahanan, kesehatan, konstruksi, dan infrastruktur. Pembeli di pasar-pasar itu tidak pernah memilih vendor hanya karena perangkat lunaknya sedikit lebih baik, dan dalam banyak kasus, bahkan bukan jika perangkat lunaknya 10x lebih baik. Mereka membeli berdasarkan kepercayaan dan rekam jejak, keandalan, tanggung jawab, kepatuhan, dan bukti. Klone yang lebih murah biasanya didiskualifikasi sebelum siapa pun mengevaluasinya. Hubungan membutuhkan waktu, reputasi, dan catatan pelaksanaan yang nyata. Baik agen AI maupun lini perakitan Shenzhen tidak dapat memproduksi kepercayaan dalam semalam.

Data Unik

Data unik adalah yang terpenting dari keempatnya dan yang paling sering disalahpahami orang. Tidak semua data bernilai, dan data hasil scraping generik sekarang hampir tidak bernilai sebagai parit. Data yang penting adalah privat, tersirat, dan tingkat ahli, spesifik terhadap fisik dan alur kerja, dihasilkan dari operasi nyata, serta penuh dengan kasus pinggiran, koreksi, dan kegagalan yang tidak pernah muncul di korpus publik mana pun. Anda tidak bisa membeli data semacam ini, dan Anda tidak bisa meng-scrape-nya. Ia dihasilkan secara eksklusif sebagai produk sampingan dari menjalankan operasi langsung melalui siklus tertutup dari empat tahap:

1. Observasi
2. Keputusan
3. Tindakan
4. Hasil

Lingkaran ini juga merupakan tempat keempat faktor mulai saling memperkuat. Perangkat keras mengamati dan bertindak, perangkat lunak memutuskan dan mengoordinasikan, hubungan memberi akses ke alur kerja, dan data unik bertambah dari hasil.

Sebagian besar perusahaan hanya menangkap tahap pertama dari aliran data ini. Parit membutuhkan keempatnya, artinya Anda tahu bukan hanya apa yang terjadi, tetapi keputusan apa yang dibuat sebagai respons, tindakan apa yang benar-benar diambil, dan apakah hasilnya berhasil. Tahap keempat itu, hasil yang terverifikasi, adalah yang membuat data dapat dilatih dan yang membuat keunggulan menjadi majemuk. Setiap pekerjaan yang selesai meningkatkan sistem yang melakukan pekerjaan berikutnya, dan itu adalah satu-satunya bentuk keunggulan dalam seluruh dokumen ini yang tumbuh alih-alih terkikis.

Kapan Lingkaran Bertambah Majemuk & Kapan Mereka Mandek

Secara abstrak, siklus tertutup terdengar tak terelakkan. Dalam praktiknya, sebagian besar upaya untuk membangunnya gagal. Lingkaran ini adalah klaim, bukan hukum, dan ia memiliki mode kegagalan spesifik yang lebih berguna untuk dipahami daripada kasus keberhasilannya.

• Data jenuh: Nilai data yang terakumulasi mengikuti kurva hasil yang menurun. Dalam pembelajaran mendalam, Sun et al. menemukan bahwa kinerja pada tugas visi meningkat secara logaritmik seiring volume data pelatihan, yang berarti setiap penggandaan dataset memberi kenaikan tambahan, bukan keajaiban tambahan. Seribu eksekusi pertama mengajarkan Anda yang paling banyak. Sepuluh ribu berikutnya mengajarkan lebih sedikit. Seratus ribu berikutnya hampir tidak mengajarkan hal baru apa pun. Pesaing yang memulai lebih lambat sering kali dapat mencapai 90 persen dari kinerja Anda dengan sebagian kecil data historis, menutup celah lebih cepat daripada yang disarankan angka mentah.

• Data itu mungkin bukan milik Anda untuk digunakan: Anda menghasilkan data milik sendiri melalui alur kerja, tetapi jika kontrak Anda mengatakan pelanggan memilikinya dan Anda tidak dapat mengumpulkannya lintas penerapan, Anda memiliki lima puluh silo data terpisah, bukan satu roda gila. Pada lapisan platform, OpenAI, Anthropic, Microsoft Azure OpenAI, AWS Bedrock, dan Google Vertex AI semuanya memberi tahu pelanggan bisnis bahwa input dan output mereka tidak digunakan untuk melatih model dasar secara default. Itu baik untuk pelanggan dan menjadi peringatan bagi vendor. Pembelajaran lintas pelanggan hanya bertambah majemuk jika kontraknya mengizinkannya. Hukum privasi menambahkan kendala lain, karena prinsip pembatasan tujuan GDPR, hak penghapusan, aturan de-identifikasi HIPAA, dan aturan CCPA/CPRA seputar berbagi untuk iklan perilaku lintas-konteks semuanya membuat penggunaan data sekunder menjadi lebih sulit. Ini menjatuhkan lebih banyak parit AI dunia nyata daripada kompetisi.

• Alur kerja berubah lebih cepat daripada model membaik: Dalam domain operasional yang bergeser cepat, data memiliki setengah umur yang terukur. Seperti yang diperlihatkan Valavi et al. dalam penelitian dari Harvard Business School, stok data historis yang besar menciptakan penghalang masuk yang secara mengejutkan lemah. Seorang pendatang baru yang dilengkapi aliran data segar dan terbaru yang lebih kecil sering kali dapat membangun model yang lebih akurat daripada pemain mapan yang duduk di atas data warisan selama bertahun-tahun, terutama ketika data usang justru menurunkan akurasi. Satu studi informatika klinis menemukan ini secara langsung, di mana setengah umur data prediksi perintah rawat inap sekitar empat bulan, dan data terbaru satu bulan mengungguli data lebih tua selama dua belas bulan. Dalam manufaktur, pergeseran sensor, keausan alat, redesain proses, dan perubahan skema berarti model yang dilatih pada data pabrik historis sedang menalar pabrik yang tidak lagi ada. Ini bukan universal. Proses yang diatur fisika, tabel aktuaria, data geologi, dan domain lain yang bergerak lambat dapat membuat data lama tetap bernilai untuk waktu yang lama. Jika alur kerja berubah lebih cepat daripada model membaik, data historis Anda menjadi beban yang usang, bukan keunggulan.

• Biaya adalah penghalang, dan penghalang itu adalah biaya: Memiliki alur kerja dunia nyata membutuhkan banyak modal, banyak tenaga kerja, dan margin lebih rendah daripada perangkat lunak murni. Tesla melaporkan margin kotor GAAP total sekitar 18 persen pada 2025 meskipun terintegrasi secara vertikal. Intuitive Surgical melaporkan basis terpasang da Vinci sebanyak 11.106 sistem dan margin kotor non-GAAP sebesar 67,6 persen pada 2025, setelah puluhan tahun modal, pelatihan ahli bedah, dan volume prosedur. Biaya yang membuat pesaing tetap keluar juga membuat sebagian besar pendatang tidak dapat membangun sesuatu yang layak dipertahankan. Banyak upaya gagal pada ekonomi unit jauh sebelum lingkaran itu bertambah majemuk.

Apa yang memisahkan lingkaran yang benar-benar bertambah majemuk dari yang merupakan parit palsu:

• Data tersebut terhubung dengan hasil, artinya Anda mengetahui apakah hasilnya benar atau salah, bukan sekadar mengumpulkan sinyal.
• Data tersebut secara kontraktual menjadi milik Anda untuk digunakan di seluruh penerapan.
• Alur kerja cukup stabil sehingga data historis tetap relevan.
• Setiap eksekusi menghasilkan kasus tepi baru yang benar-benar baru, bukan hanya lebih banyak hal yang sama.
• Frekuensinya cukup tinggi agar pembelajaran dapat berlipat ganda sebelum alur kerja berubah.

Tesis ini salah jika salah satu dari hal berikut benar:

• Seorang pesaing dapat memperoleh data yang setara melalui scraping, generasi sintetis, transfer learning, atau pembelian satu kali.
• Pelanggan memiliki data tersebut secara kontraktual dan Anda tidak dapat menggabungkannya di seluruh penerapan.
• Alur kerja berubah lebih cepat daripada peningkatan model, sehingga data yang terakumulasi menggambarkan sistem yang sudah tidak ada lagi.
• Nilai data jenuh dalam N eksekusi pertama, yang berarti keunggulan itu tetap, bukan berlipat ganda.
• Biaya untuk memiliki alur kerja melebihi nilai data yang dihasilkannya.

Jika kondisi-kondisi itu terpenuhi, loop tersebut bukanlah moat. Itu adalah proyek rekayasa yang mahal dengan keunggulan sementara. Seperti yang a16z argumenkan pada 2019, sebagian besar keunggulan data adalah efek skala dengan hasil yang menurun, bukan efek jaringan yang ajaib. Itu benar sebelum gelombang AI saat ini. Itu tetap benar sekarang.

Model Bisnis yang Dibangun di Atas Moat Modern

Empat faktor tersebut menjelaskan apa yang menyusun moat. Pertanyaan berikutnya adalah model bisnis seperti apa yang sebenarnya dapat menangkapnya. Dalam praktiknya, jawabannya menjauh dari menjual alat dan mengarah pada memiliki alur kerja itu sendiri.

Prinsipal, Bukan Vendor

Keputusan tunggal dengan leverage tertinggi dalam seluruh kerangka ini adalah menolak posisi vendor.

Permainan vendor berarti menjual alat kepada organisasi yang sudah memiliki alur kerja. Ini tampak menarik karena secara teori hemat modal dan dapat diskalakan, tetapi ini menyerahkan setiap sumber leverage kepada pelanggan. Operator mempertahankan hubungan pelanggan, proses fisik, data operasional, anggaran, liabilitas, dan hasil akhir. Vendor mempertahankan lapisan perangkat lunak yang berada di atas semua itu. Startup menangkap sebagian kecil dari nilai yang diciptakannya, pelanggan menuntut integrasi khusus sampai produk bergeser ke arah layanan, operator dapat melihat alat bekerja lalu menggantinya dengan pembangunan internal yang kini jauh lebih murah untuk diproduksi, dan karena operator memiliki data terbaik, model vendor tidak pernah berlipat ganda. Margin tetap terbatas. Ini terutama berbahaya di industri fisik, di mana vendor perangkat lunak andal merosot menjadi konsultan yang dibesar-besarkan.

Posisi yang lebih kuat adalah menjadi prinsipal, memiliki operasi, tanggung jawab, akreditasi, alur kerja, atau liabilitas itu sendiri. Alih-alih menjual perangkat lunak kepada siapa pun yang melakukan pekerjaan, perusahaan melakukan pekerjaan itu atau menjamin hasilnya. Itu membalik setiap kerugian di atas. Perusahaan menangkap seluruh margin alih-alih potongan lisensi, memiliki hasil pelanggan dan karenanya hubungan tersebut, serta memiliki data karena operasinya sendiri yang menghasilkannya. Perusahaan tidak dapat diputus perantaranya oleh operator karena ia adalah operatornya, dan ia membangun keahlian operasional yang nyata alih-alih pemahaman dari tangan kedua.

Prinsip ini dipadatkan menjadi satu instruksi:

Jangan jual alatnya. Jual hasil yang selesai.

Dalam praktiknya, ini muncul sebagai penyusunan ulang yang konsisten dari setiap ide vendor menjadi versi prinsipalnya:

Keputusan ini lebih penting daripada yang lain dalam kerangka ini, karena ia menentukan siapa yang memiliki data, dan kepemilikan data menentukan apakah keunggulan itu berlipat ganda atau menurun.

Layanan sebagai Layanan

Posisi prinsipal menyiratkan model pengiriman yang terlihat berbeda dari perangkat lunak konvensional, dan layak diberi nama, karena pada awalnya hal itu tampak seperti bisnis yang lebih buruk bagi siapa pun yang dilatih pada margin SaaS.

Model ini memiliki beberapa nama yang beredar. YC, a16z, dan lainnya menyebutnya service-as-software, dan tesis rollup yang didukung AI adalah kerabat dekatnya. Saya lebih suka layanan sebagai layanan karena itu menjaga penekanan pada apa yang sebenarnya diterima pelanggan.

Pelanggan tidak seharusnya harus menggunakan perangkat lunak untuk menyelesaikan pekerjaan. Perusahaan harus menggunakan perangkat lunak, AI, tenaga manusia, perangkat keras, dan operasi bersama-sama untuk menyelesaikan pekerjaan akhir. Perangkat lunak adalah leverage internal, bukan produknya.

Urutannya sengaja dibuat demikian. Mulailah dengan mengerjakan pekerjaan secara manual, atau dengan manusia di dalam loop. Gunakan perangkat lunak untuk membuat kerja manusia itu lebih cepat, lebih konsisten, dan lebih terukur. Tangkap setiap input, keputusan, koreksi, kasus tepi, dan hasil. Lalu gunakan data yang terakumulasi untuk mengotomatiskan semakin banyak alur kerja, menuju penyedia layanan otomatis dengan margin dan daya pertahanan yang tidak dapat ditandingi perangkat lunak konvensional.

Ini berbeda dari konsultasi dalam satu cara yang menentukan. Konsultasi menjual tenaga kerja khusus kepada setiap pelanggan selamanya, dan setiap keterlibatan tidak meninggalkan apa pun yang dapat digunakan kembali. Layanan sebagai layanan menggunakan tenaga kerja manusia awal secara sengaja sebagai instrumen untuk membangun sistem otomasi, dan setiap keterlibatan meninggalkan data yang membuat yang berikutnya lebih murah.

Tetapi Anda harus berhati-hati dan mewaspadai jebakan dalam jenis model ini. Jika setiap pelanggan baru memerlukan integrasi khusus, pembersihan data khusus, pemetaan alur kerja khusus, dan penyetelan model khusus, perusahaan itu adalah sebuah konsultan yang belum mengakuinya. Fase manusia dalam loop tidak masalah, dan sering kali diperlukan, tetapi hanya dengan syarat fase itu menghasilkan data milik sendiri dan mengarah pada otomasi yang dapat diskalakan. Jika manusia masih melakukan pekerjaan yang sama dengan biaya per unit yang sama setelah lima puluh pekerjaan, modelnya gagal.

Stargate untuk Data

AI sedang bergerak dari hambatan komputasi ke hambatan data. Perusahaan AI paling berharga pada periode mendatang bukanlah yang memiliki data paling generik, yang melimpah dan karena itu tidak menghasilkan rente, sesuai logika persis dari paruh pertama. Mereka akan menjadi perusahaan yang memiliki data operasional yang langka, privat, berkualitas tinggi, yang tidak dapat diperoleh dengan cara apa pun selain melakukan pekerjaan itu.

Frasa Stargate for Data dipinjam dari Stargate OpenAI, pembangunan infrastruktur komputasi senilai ratusan miliar dolar yang diumumkan, dan peminjaman itu memang tujuannya. Jika sumber daya langka siklus sebelumnya membenarkan infrastruktur yang direncanakan pada skala sebesar itu, yang berikutnya pantas mendapat perlakuan yang sama. Tujuannya bukan mengumpulkan dataset. Tujuannya adalah membangun mesin yang terus-menerus menghasilkan data milik sendiri sebagai produk sampingan dari penyampaian layanan.

Perbedaan yang penting dalam kasus ini adalah bahwa tujuannya bukan mengumpulkan data demi data itu sendiri, yang menghasilkan danau mahal berisi material yang tidak dapat digunakan. Tujuannya adalah memiliki loop operasional yang menghasilkan tepat data yang dibutuhkan untuk mengotomatiskan loop itu.

Komputer Atom

Empat faktor tersebut menggambarkan sebuah struktur. Komputer atom menggambarkan apa kegunaan struktur itu, dan itu adalah visi jangka panjang yang membuat seluruh upaya ini layak dilakukan.

Saya tidak menemukan ide ini dan saya ingin menjelaskan itu sejak awal. Kerangka ini adalah milik Travis Kalanick. Setelah ia disingkirkan dari Uber pada 2017, ia menghabiskan delapan tahun membangun City Storage Systems secara diam-diam, dan pada Maret 2026 ia menggantinya namanya menjadi Atoms dan menerbitkan surat visi yang memaparkan semuanya. Formulasinya adalah bahwa Anda mendekati masalah dunia fisik dengan cara yang sama seperti Anda mendekati masalah perangkat lunak, dan bahwa sumber daya komputasi inti memiliki analog fisik di mana CPU adalah manufaktur, storage adalah real estat, dan network adalah transportasi. Pada acara peluncuran a16z, Kalanick mendefinisikan perusahaan itu di sekitar AI industri, menggunakan perangkat lunak, sensor, robotika, dan AI untuk mengotomatiskan operasi di seluruh sektor industri, dimulai dengan makanan, pertambangan, dan transportasi. Baca suratnya. Itu lebih baik daripada ringkasan saya tentangnya, dan beberapa kesimpulannya sampai ke tempat yang sama dengan dokumen ini dari arah yang berbeda.

Seiring AI menjadi lebih mampu, batas pengikatnya bergeser. Batasnya bukan lagi hanya kualitas penalaran. Batasnya adalah interaksi dengan realitas fisik. Sebuah model dapat menghasilkan teks, kode, gambar, dan rencana dengan kualitas luar biasa dan tetap tidak mampu melakukan sesuatu dengan andal di lingkungan dunia nyata yang berantakan, tidak terstruktur, dan memiliki konsekuensi. Komputer tradisional memberi kecerdasan substrat untuk memanipulasi bit. Peluang sekarang adalah membangun substrat yang setara untuk atom, menciptakan sistem yang merasakan dunia fisik, menafsirkan kondisi dunia nyata yang berantakan, mengambil keputusan, bertindak, memverifikasi hasil, dan belajar dari umpan balik, semuanya di bawah batasan fisik, regulasi, dan ekonomi yang nyata. Klausa terakhir itu adalah yang sulit, dan itulah mengapa ini adalah peluang bisnis alih-alih proyek penelitian. Beroperasi di bawah batasan regulasi dan ekonomi adalah tepat apa yang tidak dapat dikloning, dan itu pula yang menghasilkan data loop tertutup yang dibutuhkan faktor keempat.

Pada satu hal Kalanick dan saya sepenuhnya setuju, dan dia mengatakannya lebih baik daripada saya. Istilah yang ia gunakan adalah robot yang bekerja secara menguntungkan, yang berarti mesin khusus dengan pekerjaan produktif tertentu, berlawanan dengan humanoid yang dibangun untuk meniru kita. Contohnya adalah jika Anda perlu membuat seribu pancake per jam, humanoid yang canggung membaliknya adalah desain terburuk yang mungkin dan mesin yang dibuat khusus adalah pilihan yang paling jelas. Jadi pendekatan yang benar bukan membangun robot serbaguna. Yang harus dilakukan adalah menemukan celah sempit di mana lingkaran rasa, keputusan, tindakan dapat diterapkan di dalam satu alur kerja nyata dengan nilai ekonomi langsung yang jelas, dan membuat lingkaran itu bekerja dari ujung ke ujung sebelum memperluasnya.

Perusahaan dalam jangka pendek harus sempit sampai terlihat tidak ambisius. Batas atas jangka panjang adalah alasan untuk menerima kesempitan itu.

Contoh yang Dikerjakan

Kerangka ini bersifat abstrak, jadi ada baiknya menelusuri satu ide melaluinya. Ini hanya ilustrasi tentang kriteria yang digunakan, bukan satu-satunya kesimpulan yang dipaksakan oleh kerangka ini.

Ambil inspeksi khusus konstruksi dan pengujian material. Versi vendor menjual perangkat lunak kepada agensi dan laboratorium yang sudah memiliki alur kerja tersebut. Versi principal menjadi agensi dan laboratorium itu sendiri. Ia memegang akreditasi, melakukan inspeksi, dan menanggung tanggung jawab regulatori. Secara internal, ia menggunakan perangkat lunak, perangkat keras, dan AI untuk menghasilkan hasil tersertifikasi lebih cepat, lebih murah, dan lebih andal daripada pemain lama.

Bentuk itu mencapai keempat faktor. Ia bersifat fisik, karena menangani lokasi, sampel, instrumen, dan pengukuran dunia nyata. Ia memiliki parit pertahanan hubungan dan regulatori, karena pembeli membutuhkan hasil yang diterima oleh otoritas yang berwenang, bukan dasbor yang lebih cantik. Ia memiliki kepemilikan atas hasil, karena ia menjual hasil tersertifikasi alih-alih alat. Dan ia menghasilkan data operasional eksklusif sebagai produk sampingan dari pekerjaan, termasuk hasil uji, mode kegagalan, sifat material, koreksi ahli, dan hubungan antara kondisi fisik dan hasil akhir.

Ia juga dimulai secara sempit, yang mengikuti logika startup klasik yang sudah Paul Graham dan YC kemukakan selama bertahun-tahun. Mulailah dengan irisan yang tajam, tetapi pastikan irisan itu berada pada masalah besar dan menyakitkan. Tidak perlu mengotomatiskan inspeksi konstruksi sebagai sebuah industri pada hari pertama. Titik masuknya bisa satu jenis inspeksi, satu pengujian material, satu wilayah geografis, atau satu alur kerja kepatuhan. Dari sana, perangkat lunak menstandarkan pekerjaan, manusia menghasilkan data awal, dan otomatisasi meluas hanya di tempat lingkaran itu benar-benar berlipat ganda.

Risikonya persis seperti yang diprediksi kerangka ini. Jangka waktu akreditasi menghambat pendapatan, operasi berat sebelum otomatisasi matang, dan jebakan layanan itu nyata jika setiap proyek ternyata bersifat khusus. Itulah tujuan kerangka ini. Kerangka ini tidak membuat bisnis menjadi mudah. Kerangka ini memberi tahu Anda di mana bagian yang sulit seharusnya berada.

Perusahaan yang Sudah Terlihat Seperti Ini

Kerangka ini lebih mudah dipercaya jika ia menggambarkan hal-hal yang sudah ada, bukan hanya hal-hal yang saya ingin ada.

Anduril adalah empat dari empat. Perangkat keras khusus di seluruh drone, menara sensor, pencegat, dan kendaraan bawah laut. Perangkat lunak khusus di Lattice, yang dijalankan oleh setiap bagian perangkat keras itu. Hubungan dan posisi regulatori yang tidak dapat dihasilkan oleh agen pengodean mana pun, karena pelanggannya adalah pemerintah AS dan sekutunya. Data operasional dari sistem yang dikerahkan yang mengalir kembali ke perangkat lunak. Dua detail lebih penting daripada daftar produknya. Ia mendanai R&D-nya sendiri dan membangun produk sebelum menjualnya ke garis anggaran yang sudah ada, membalik model cost-plus yang dijalankan oleh prime tradisional. Anduril bersifat privat dan tidak mempublikasikan margin yang diaudit, tetapi perkiraan sekunder menempatkan margin kotornya sekitar 40 hingga 45 persen. Itu luar biasa tinggi untuk perangkat keras pertahanan, di mana perusahaan kedirgantaraan dan pertahanan rata-rata sekitar 17,5 persen margin kotor dalam data sektor NYU Stern. Angka yang tepat kurang penting daripada strukturnya. Model terintegrasi vertikal, harga tetap, yang ditentukan perangkat lunak tampaknya memperoleh ekonomi yang lebih baik daripada integrasi platform cost-plus tradisional.

Intuitive Surgical adalah versi yang lebih tua dan lebih tenang dari struktur yang sama. Sistem da Vinci menggabungkan perangkat keras yang tidak bernilai tanpa perangkat lunaknya, izin FDA yang tidak bisa dipersingkat oleh pesaing, dua dekade hubungan rumah sakit, dan data prosedur dari jutaan operasi. Ia mencapai empat dari empat, terus berlipat ganda, dan telah menjalankan buku pedoman ini sejak izin awalnya pada tahun 2000, jauh sebelum siapa pun menyebutnya AI fisik.

Kraken Robotics adalah yang paling instruktif menurut saya, sebagian karena hanya sedikit orang di luar teknologi kelautan yang mengetahuinya. Ia membangun sonar aperture sintetis, platform tarik KATFISH, baterai bawah laut, dan LiDAR bawah air. Tidak ada perangkat keras itu yang berguna tanpa perangkat lunak pencitraan eksklusif yang membungkusnya. Pelanggannya termasuk angkatan laut yang selaras dengan NATO. Itu adalah kepercayaan dan regulasi pada tingkat tertinggi, karena angkatan laut tidak akan beralih vendor sonar demi klon yang lebih murah. Yang terpenting, Kraken tidak hanya menjual peralatan. Ia menjalankan survei sebagai layanan, artinya setiap pekerjaan menghasilkan intelijen dasar laut yang tidak dimiliki orang lain. Keputusan terakhir itu adalah seluruh kerangka dalam miniatur. Sebuah perusahaan perangkat keras menyadari bahwa data lebih berharga daripada kotaknya, dan berpindah ke posisi principal untuk mempertahankannya.

SpaceX & Waymo adalah permainan principal murni. SpaceX tidak menjual roket. Ia menjual muatan yang dikirimkan. Waymo tidak melisensikan perangkat lunak otonomi kepada perusahaan mobil. Ia menjual perjalanan yang selesai. Dalam kedua kasus, perusahaan menolak posisi vendor, menyerap tanggung jawab operasional, dan menyimpan data. Waymo juga membawa parit pertahanan regulatori yang datang satu yurisdiksi pada satu waktu. Ekspansi itu lambat, dan justru karena itulah ia dapat dipertahankan.

Carbon Robotics adalah kasus parsial yang berguna. LaserWeeder-nya membunuh gulma menggunakan visi komputer dan laser berdaya tinggi. Pada Februari 2026, perusahaan menyatakan bahwa Large Plant Model-nya dilatih pada lebih dari 150 juta tanaman berlabel, yang dikumpulkan di sekitar seratus pertanian di lima belas negara. Itulah mesin data yang bekerja seperti yang dijelaskan, dihasilkan sebagai produk sampingan operasional alih-alih inisiatif terpisah. Tetapi saya juga akan mencatat kerentanannya dengan pengaturan ini. Carbon menjual peralatan kepada petani, tetap menjadi vendor alih-alih principal. Ia berhasil karena data masih mengalir kembali ke model pusatnya, membuat posisi vendor tetap dapat bertahan. Jika para petani suatu hari memiliki data armada itu, parit pertahanannya akan lenyap.

Nokia adalah sekaligus peringatan historis dan kasus uji yang sedang muncul. Pada tahun 2007, ia menguasai hampir 50 persen pasar smartphone global dengan perangkat keras terbaik, skala manufaktur, dan rantai pasok di ponsel. Ia mengeksekusi satu dimensi lebih baik daripada siapa pun yang hidup saat itu, dan ia runtuh karena tidak memiliki platform perangkat lunak. Nokia masa kini sedang mencoba buku pedoman multi-faktor yang persis dijelaskan di sini. Seperti yang diuraikan Michael Sikand dalam uraian video ini, perusahaan itu menghabiskan lebih dari satu dekade berputar menjauh dari perangkat konsumen untuk menggabungkan silikon optik yang terintegrasi vertikal, hubungan operator dan pertahanan yang mengakar, serta komputasi edge yang didukung AI. Nokia lama membuktikan bahwa perangkat keras yang terisolasi adalah keunggulan sementara. Nah, Nokia baru sedang mencoba membuktikan bahwa perangkat keras yang dipadukan dengan kepercayaan institusional dan infrastruktur perangkat lunak menciptakan parit pertahanan yang bertahan lama.

Tak satu pun dari perusahaan ini terlihat sama di permukaan, tetapi semuanya menunjuk pada pelajaran yang sama. Bisnis paling tahan lama memperoleh sesuatu yang lambat, seperti akreditasi, armada sensor yang dikerahkan, kepercayaan dokter bedah, keyakinan angkatan laut, persetujuan regulatori, atau data operasi selama satu dekade. Tidak satu pun dari mereka sampai ke sana hanya dengan menulis kode yang lebih baik, dan tidak satu pun dari mereka bisa dikejar oleh seseorang yang melakukannya.

Kesempitan Adalah Syarat Masuk

Mereka juga semuanya dimulai dari kecil. Perusahaan yang menang tidak memulai dengan mencoba memiliki seluruh putaran, dan mencoba melakukannya adalah kesalahan yang paling umum. Putaran itu hanya berlipat ganda jika Anda cukup dalam di satu alur kerja untuk menghasilkan data yang terkait dengan hasil yang tidak dapat diperoleh pesaing dengan cara lain. Paparan dangkal pada banyak alur kerja menghasilkan data dangkal yang cepat jenuh.

Pola ini berlaku di seluruh operator di atas dan melampaui mereka. Anduril dimulai dengan perlindungan kekuatan dan sistem penangkal drone sebelum meningkatkan produksi dan kapabilitas yang berdekatan. Intuitive Surgical dimulai dengan prosedur laparoskopi tertentu dan membangun pelatihan ahli bedah serta volume prosedur selama puluhan tahun sebelum berkembang ke seluruh spesialisasi. SpaceX dimulai dengan satu kendaraan peluncur yang dapat digunakan kembali sebelum berkembang menjadi Starlink. Tesla dimulai dengan irisan EV premium yang sempit (Roadster mobil sport) dan menggunakan armada itu untuk data dan pembelajaran manufaktur sebelum bergerak ke model volume, energi, dan otonomi. Palantir dimulai dengan alur kerja intelijen spesifik untuk lembaga tertentu sebelum berkembang ke komersial. Dalam setiap kasus, entri yang sempit bukanlah sebuah kompromi. Itulah mekanisme yang membuat putaran itu berlipat ganda.

Titik masuknya sengaja dibuat sempit. Satu alur kerja, satu jenis pelanggan, satu aliran data yang sulit direplikasi. Anda membangun putaran di sekitar alur kerja itu sampai data berlipat ganda dan hubungan menjadi lebih dalam, lalu Anda berekspansi ke alur kerja yang berdekatan di mana data yang sama, hubungan yang sama, dan disiplin operasional yang sama memberi Anda keunggulan yang tidak dapat ditandingi oleh pendatang baru. Memulai secara luas adalah cara Anda berakhir dengan tumpukan data yang tidak berlipat ganda. Seorang pesaing yang memulai hari ini tidak sedang mengejar keunggulan yang tetap. Mereka mengejar yang bertambah setiap kali sebuah pekerjaan selesai, tetapi hanya jika pekerjaannya cukup sempit, cukup dalam, dan diulangi cukup sering sehingga data benar-benar berarti.

Kesimpulan

Paruh pertama dokumen ini menetapkan sebuah hukum umum. Setiap parit pertahanan yang hanya terdiri dari kesulitan membuat sesuatu bersifat sementara, dan bertahan tepat sampai seseorang membuat hal itu mudah dibuat. Pengelompokan industri Tiongkok melakukan ini pada perangkat keras dengan meruntuhkan biaya transaksi dan latensi iterasi di dalam klaster yang sangat padat. Generative AI melakukan ini pada perangkat lunak dengan meruntuhkan biaya input langka tersebut. Perangkat keras runtuh lebih dulu dan perangkat lunak menyusul kemudian, tetapi bagi seorang pendiri yang membangun hari ini, tidak ada perlindungan yang andal.

Paruh kedua mengubah hukum itu menjadi sebuah jawaban. Jika kesulitan produksi tidak lagi melindungi apa pun, maka daya tahan harus dirakit dari gesekan yang tidak dapat dijangkau oleh keruntuhan produksi. Itu mencakup akses fisik, data operasional loop tertutup, posisi regulatori, kepercayaan yang diperoleh, dan kepemilikan atas hasil itu sendiri. Itulah sebabnya empat faktor meminta tiga dari empat, bukan satu, mengapa posisi principal lebih penting daripada keputusan tunggal lainnya, dan mengapa data harus menjadi produk sampingan operasional, bukan aset yang dikumpulkan.

Ini memadat menjadi satu kalimat inti.

Di era AI, perusahaan terbaik tidak akan menjadi alat perangkat lunak generik atau produk perangkat keras yang dapat disalin. Mereka akan menjadi bisnis principal yang sempit dan berorientasi pada hasil yang menggabungkan perangkat lunak, alur kerja fisik, hubungan yang dipercaya, dan data operasional proprietari untuk mengotomatiskan pekerjaan dunia nyata bernilai tinggi.

Bagi seorang pendiri, pertanyaannya bukan lagi “perangkat lunak apa yang bisa saya bangun?” melainkan hasil dunia nyata bernilai apa yang bisa saya miliki, lakukan, ukur, dan otomatiskan?

Peluang terkuat berada di tempat perangkat lunak bertemu dengan atom, kepercayaan, regulasi, dan data proprietari. Mereka dimulai dengan satu alur kerja yang sempit dan menyakitkan, menggunakan manusia bila perlu. Mereka menangkap data operasional sebagai produk sampingan dari pekerjaan, mengotomatiskan langkah demi langkah, dan berlipat ganda menjadi sistem yang sulit digantikan. Keunggulannya tahan lama justru karena diperoleh melalui operasi fisik alih-alih ditulis dalam kode.

Tujuan akhirnya bukan membangun produk. Tujuannya adalah membangun perusahaan operasional dengan skalabilitas seperti perangkat lunak, daya tahan dunia fisik, dan data proprietari yang menjadi lebih baik dengan setiap pekerjaan yang diselesaikan.

Semua yang dulu menjadi parit pertahanan karena sulit dibangun sedang menjadi komoditas. Membangun sesuatu lebih mudah daripada sebelumnya, dan seiring AI dan rantai pasok global maju, itu hanya akan menjadi lebih mudah. Yang tetap bisa dipertahankan adalah apa yang sulit diakses, sulit memperoleh kepercayaan ke dalamnya, sulit memasukkannya ke dalam ranah regulasi Anda, dan sulit diamati tanpa melakukan pekerjaan nyata.

Sitasi & Sumber

Saya ingin menjelaskan dengan tegas dari mana bagian-bagian yang dipinjam berasal, karena banyak dari dokumen ini adalah saya menghubungkan karya orang lain daripada menemukan sesuatu yang baru. Hal-hal yang benar-benar akan saya klaim sebagai milik saya adalah aturan empat faktor, standar tiga dari empat, dan argumen spesifik bahwa dua keruntuhan itu berbagi mekanisme yang mendasari yang sama meskipun terjadi secara berurutan. Angka-angka bergerak, jadi periksa dulu sebelum mengutip saya.

Milik saya, dari tulisan sebelumnya

• The Barbell of Software Value (2025), tempat saya pertama kali menguraikan bagian tengah yang runtuh dan Internal Software Leverage Theory. Paruh kedua di sini adalah versi operasional dari tulisan itu.

Komputer atom

• Travis Kalanick, Vision, Unfinished Business, dan How AI Will Transform the Physical World, Atoms dan a16z, 2026. Framing komputer berbasis atom, pemetaan CPU/penyimpanan/jaringan ke manufaktur/properti/transportasi, loop memahami-memprediksi-mengendalikan, AI industri, dan robot yang bekerja secara produktif semuanya miliknya. Bagian itu adalah ringkasan saya atas idenya, bukan ide saya.
• Ben Horowitz dan Alex Danco, Travis is Back, a16z, 2026.

Ekonominya

• Atlassian, hasil Q2 FY2025, untuk margin kotor SaaS horizontal yang matang di kisaran rendah delapan puluhan persen.
• Snowflake, hasil FY2025, untuk contoh tandingan bahwa perangkat lunak yang banyak mengandalkan konsumsi bisa berjalan jauh di bawah margin kotor SaaS klasik.
• Michael Porter, lima kekuatan, 1979, untuk taksonomi sumber rente di Bagian Satu.
• David Teece, Profiting from Technological Innovation, 1986, untuk masalah appropriability di Bagian Tiga.
• Alfred Marshall, Principles of Economics, 1890, untuk ekonomi eksternal dan aglomerasi di Bagian Lima.
• Ronald Coase, The Nature of the Firm, 1937, untuk biaya transaksi di Bagian Lima.
• Theodore Wright, 1936, dan Boston Consulting Group, untuk kurva pengalaman di Bagian Lima.
• Stan Shih, kurva senyum, sekitar 1992. Diagram aslinya ada di Wikimedia Commons, dan Publishers and the Smiling Curve karya Ben Thompson adalah perluasan terbaik darinya yang pernah saya baca.
• Gary Pisano dan Willy Shih, Restoring American Competitiveness, Harvard Business Review, 2009, untuk commons industri dan mengapa reshoring itu sulit.
• Andrew “bunnie” Huang, The Hardware Hacker, untuk kesaksian langsung tentang bagaimana rasanya benar-benar bekerja di dalam kepadatan Shenzhen.
• WTO, Accessions: China, untuk latar belakang integrasi Tiongkok ke sistem perdagangan global.
• World Bank, nilai tambah manufaktur, untuk latar belakang skala manufaktur Tiongkok relatif terhadap Amerika Serikat.

Mekanik startup

• Paul Graham, Do Things That Don’t Scale dan How to Get Startup Ideas, untuk irisan sempit.
• Tesla, The Secret Tesla Motors Master Plan, 2006, untuk logika irisan dari Roadster ke mobil terjangkau.
• Palantir, pernyataan pendaftaran S-1, 2020, untuk pola ekspansi dari pemerintah ke komersial.
• Sejarah perusahaan SpaceX dan pengungkapan Starlink, melalui SpaceX dan Starlink, untuk peluncuran sebagai irisan awal sebelum infrastruktur ruang angkasa yang lebih luas.

Pengodean AI dan produksi perangkat lunak

• GitHub, Memperkenalkan GitHub Copilot, 2021, dan Ketersediaan umum GitHub Copilot, 2022, untuk awal praktis dari bantuan pengodean AI komersial.
• OpenAI, Laporan Teknis GPT-4, 2023, dan Anthropic, Claude 3.5 Sonnet, 2024, untuk latar belakang tentang percepatan kemampuan model.
• Peng et al., Dampak AI terhadap Produktivitas Pengembang, 2023, untuk hasil terkontrol GitHub Copilot di mana para pengembang menyelesaikan tugas pengodean yang dibatasi 55,8 persen lebih cepat.
• Cui et al., Efek AI Generatif pada Pekerjaan Berketerampilan Tinggi, 2025, untuk hasil studi lapangan di seluruh 4.867 pengembang yang menunjukkan 26,08 persen lebih banyak tugas yang diselesaikan.
• METR, Mengukur Dampak AI Awal-2025 terhadap Produktivitas Pengembang Open Source Berpengalaman, 2025, untuk contoh tandingan di mana pengembang berpengalaman 19 persen lebih lambat dengan alat AI di repositori yang matang.
• Cursor, Claude Code, OpenAI Codex CLI, Kiro CLI, dan OpenCode, untuk pergeseran dari pelengkapan otomatis ke akses agenik ke repositori dan terminal.
• Conductor, Superset, dan Hermes Agent, untuk lapisan orkestrasi di atas alat pengodean agen tunggal.

Kegagalan mode benteng data

• Sun et al., Meninjau Kembali Efektivitas Data yang Tidak Masuk Akal di Era Pembelajaran Mendalam, ICCV 2017, untuk temuan empiris bahwa kinerja tugas visi meningkat secara logaritmik dengan volume data pelatihan.
• Martin Casado dan Peter Lauten, Janji Kosong Benteng Data, a16z, 2019, untuk argumen bahwa efek skala data biasanya terkikis alih-alih berlipat ganda.
• Valavi et al., Waktu dan Nilai Data, Makalah Kerja Harvard Business School 21-016, 2021, untuk pembedaan antara stok data dan aliran data, dan temuan bahwa data yang usang dapat merugikan akurasi model.
• Chen et al., Menurunnya relevansi data klinis terhadap keputusan masa depan dalam kumpulan pesanan klinis rawat inap berbasis data, International Journal of Medical Informatics, 2017, untuk paruh waktu sekitar empat bulan dari data prediksi klinis.
• OpenAI Privasi Perusahaan, Anthropic Ketentuan Komersial, Microsoft Azure OpenAI privasi data, AWS Bedrock FAQ, dan Google Vertex AI tata kelola data, untuk komitmen default tanpa pelatihan pada input dan output pelanggan bisnis.
• Dewan Perlindungan Data Eropa, Pendapat 28/2024 tentang model AI, GDPR Pasal 5 dan Pasal 17, aturan de-identifikasi HIPAA, dan aturan CCPA/CPRA, untuk batasan hukum privasi terhadap penggunaan data sekunder, penghapusan, de-identifikasi, dan pembagian.
• Lathrop GPM, Menavigasi Kepemilikan AI dalam Perjanjian Komersial dan Lisensi IP, 2026, untuk ketegangan kontrak antara komitmen tanpa pelatihan dan hak penggunaan agregat atau de-identifikasi yang dipertahankan.

Gambar

• Kurva senyum Stan Shih, Wikimedia Commons, CC BY-SA.
• Huaqiangbei di persimpangan Shennan, foto oleh Charlie fong, Wikimedia Commons, CC BY-SA.
• Cetakan injeksi, foto oleh Wizard191, Wikimedia Commons, CC BY-SA 3.0.
• Harga modul PV surya versus kapasitas terpasang kumulatif, Our World in Data, CC BY 4.0. Grafik direkonstruksi secara lokal dari kumpulan data yang diterbitkan.

Contoh perusahaan

• Perkiraan margin kotor Anduril melalui Sacra. Anduril bersifat privat dan tidak menerbitkan margin yang diaudit, jadi ini diperlakukan sebagai perkiraan daripada angka yang dilaporkan. Tolok ukur sektor untuk margin kotor dirgantara dan pertahanan (sekitar 17,5 persen) diambil dari kumpulan data margin NYU Stern milik Aswath Damodaran.
• Latar belakang Alphabet dan Google melalui Formulir 10-K FY2025 Alphabet, dipasangkan dengan United States v. Google LLC untuk perjanjian distribusi default pencarian, keunggulan skala pencarian, dan konteks antimonopoli.
• Model Tanaman Besar Carbon Robotics dan 150 juta tanaman berlabel melalui pengumuman Business Wire Februari 2026 milik perusahaan, dengan TechCrunch sebagai penguat.
• Sejarah Intuitive Surgical dan persetujuan FDA tahun 2000 melalui Sejarah Perusahaan Intuitive. Volume prosedur melalui Laporan Dampak Korporat 2025 Intuitive, dan basis terpasang / angka margin melalui rilis pendapatan Q4 2025.
• Angka margin Tesla melalui pembaruan Q4 dan FY2025.
• Pola ekspansi regulasi Waymo melalui Peta Regulasi Robotaxi Tesorb 2026 dan liputan Electrek tentang persetujuan ekspansi CPUC.
• Puncak dan garis waktu penurunan Nokia 2007 melalui BBC News dan Wikipedia, dengan studi Administrative Science Quarterly / INSEAD oleh Vuori dan Huy untuk dinamika organisasi di balik keruntuhan, dan video breakdown Michael Sikand untuk poros infrastrukturnya yang modern.
• Detail Stargate OpenAI melalui pengumuman asli OpenAI dan pengumuman perluasan situs. Ini adalah komitmen dan rencana yang diumumkan, bukan kapasitas yang sepenuhnya dikerahkan.
• Kraken Robotics diambil dari pengungkapan produk dan kontrak milik perusahaan sendiri.