Parit Modern

TL;DR

Parit bisnis yang menentukan abad ke-21, perangkat lunak murni, sedang runtuh dengan cepat ketika AI Generatif mendorong biaya kode menjadi nol, mencerminkan bagaimana aglomerasi industri Tiongkok sudah menghancurkan parit perangkat keras murni. Kesulitan produksi yang begitu besar tidak lagi melindungi bisnis di kedua ranah itu, sehingga profit yang tahan lama telah bermigrasi ke sela-sela antara bit dan atom. Untuk membangun perusahaan yang defensibel saat ini, para pendiri harus meninggalkan model vendor perangkat lunak generik dan 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 spesialis, hubungan yang diperoleh, dan data milik sendiri), sebuah bisnis modern dapat menghasilkan hasil yang terjamin sambil memanen data loop tertutup yang menjadi parit sesungguhnya. Seorang pesaing yang memulai hari ini tidak sedang mengejar keunggulan yang tetap. Mereka sedang mengejar sesuatu yang memanjang setiap kali sebuah pekerjaan diselesaikan.

Kata Pengantar & Tujuan

Laporan ini memperluas satu klaim yang menjadi dasar dari segala hal lain dalam teori parit saya: perangkat lunak murni bukan lagi parit yang defensibel, dan perangkat keras murni berhenti menjadi parit begitu Tiongkok menskalakan hegemoni manufakturnya. Keduanya sering dilemparkan sebagai slogan. Saya ingin mengeluarkan slogannya dan memasukkan mekanismenya. Mengapa setiap keruntuhan terjadi, asumsi apa yang diam-diam patah, bagaimana keduanya 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, bisa mendapatkan keseluruhan argumen tanpa percakapan yang menghasilkannya.

Selama sekitar tiga puluh tahun, strategi teknologi menganggap dunia digital menghasilkan profit yang tahan lama, bermargin tinggi, dan defensibel, sementara dunia fisik menghasilkan output komoditas yang tipis, tak terdiferensiasi, dan bermargin rendah. Dua guncangan itu tidak datang bersamaan. Aglomerasi manufaktur Tiongkok mematahkan defensibilitas perangkat keras berbasis produksi lebih dulu, terutama selama tahun 2000-an dan 2010-an. AI Generatif mematahkan defensibilitas perangkat lunak berbasis produksi belakangan, pada tahun 2020-an. AI Generatif mendorong biaya marjinal produksi perangkat lunak menuju nol, yang melarutkan penghalang yang membuat perangkat lunak defensibel. Aglomerasi industri Tiongkok mendorong biaya dan latensi iterasi fisik turun ke biaya dan latensi perangkat lunak, yang melarutkan penghalang yang membuat perangkat keras defensibel. Jadi baik bit saja maupun atom saja tidak lagi bisa melindungi bisnis. Keunggulan yang tahan lama berpindah keluar dari salah satu dimensi tunggal itu dan masuk ke pengikatan yang erat antara keduanya, ditambah hubungan dan data milik sendiri.

Dokumen ini terbagi menjadi dua bagian:

• Analisis. Apa sebenarnya parit itu, mengapa tiap domain dulu defensibel, friksi apa yang diluruhkan oleh masing-masing guncangan, dan apa yang tersisa berdiri. Bagian ini adalah analisis ekonomi dan berhenti di tempat analisis berhenti.
• Parit modern. Dari apa sebenarnya defensibilitas itu sekarang ketika baik bit maupun atom tidak lagi melindungi Anda sendiri, 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, bukan keunggulan sementara, dan bukan tindakan menjadi yang pertama. Parit adalah fitur struktural dari pasar yang memungkinkan sebuah perusahaan memperoleh imbal hasil di atas biaya modalnya untuk waktu yang lama tanpa imbal hasil itu habis dimakan persaingan. Dalam bahasa ekonomi industri, parit adalah sumber economic rent yang tahan lama.

Economic rent adalah surplus yang diperoleh perusahaan di atas minimum yang mau ia terima untuk tetap buka, dan di pasar yang benar-benar kompetitif surplus itu jatuh ke nol. Di bawah persaingan sempurna, harga didorong turun ke biaya marjinal, perusahaan hanya memperoleh biaya modalnya, dan tidak ada laba berlebih yang bertahan. Setiap kerangka tentang defensibilitas sebenarnya adalah teori tentang bagaimana satu perusahaan tertentu lolos dari tarikan menuju penetapan harga biaya marjinal dan laba nol itu.

Daftar klasiknya berasal dari Michael Porter, yang kerangka lima kekuatannya telah menjadi alat standar untuk ini sejak 1979, lalu dipertajam oleh kubu investasi nilai. Kerangka itu memberi sejumlah kecil sumber rent yang nyata dan tahan lama:

• Hambatan masuk yang mencegah kompetitor baru
• Biaya pindah yang tinggi yang menahan pelanggan yang sudah ada
• Efek jaringan, ketika produk menjadi lebih bernilai ketika lebih banyak orang menggunakannya
• Ekonomi skala yang memungkinkan pemain lama menekan masuknya pemain baru
• IP milik sendiri atau perlindungan regulasi yang secara hukum mengecualikan peniru
• Kontrol atas input atau saluran distribusi yang langka yang tidak bisa dijangkau para pesaing

Setiap Sumber Rent Adalah Friksi

Setiap satu dari sumber rent itu adalah friksi. Parit sebenarnya hanyalah bentuk friksi yang tidak bisa dilewati pesaing dengan murah:

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

Itu memberi tahu Anda dengan tepat apa yang sebenarnya dilakukan sesuatu seperti AI generatif, atau sesuatu seperti kepadatan industri Tiongkok, terhadap pasar. Kekuatan-kekuatan ini tidak menyerang produk. Mereka menyerang friksi. Mereka adalah teknologi yang melarutkan friksi. Dan teknologi yang melarutkan friksi adalah, menurut definisi, teknologi yang melarutkan parit.

Seluruh argumen ini terkompresi menjadi satu kalimat: parit perangkat lunak dan perangkat keras runtuh karena friksi spesifik yang menghasilkan rent mereka adalah friksi yang secara kebetulan paling baik dihilangkan oleh AI dan aglomerasi Tiongkok.

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

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

Perangkat lunak memiliki struktur biaya yang hampir unik. Ia menggabungkan biaya tetap tinggi untuk membuat salinan pertama dengan biaya marjinal mendekati nol untuk mereproduksi dan mengirim setiap salinan setelahnya. Menulis versi pertama dari program kompleks membutuhkan kumpulan insinyur yang langka, mahal, dan memerlukan waktu lama untuk dilatih, yang bekerja berbulan-bulan atau bertahun-tahun. Tetapi begitu ia ditulis, salinan keseribu ribu biayanya pada dasarnya tidak ada untuk dibuat dan tidak ada untuk dikirim. Asimetri itu menghasilkan leverage operasi yang sangat besar. Perangkat lunak horizontal yang matang dapat mencatat margin kotor di kisaran delapan puluh persen, seperti yang Atlassian pandu untuk Q2 FY2025, karena pendapatan berskala dengan pengguna sementara harga pokok penjualan hampir tidak bergerak. Namun pernyataan itu kurang universal dibanding sebelumnya karena perangkat lunak yang berat 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 mematahkan hubungan normal antara produksi dan biaya yang mengatur komoditas fisik.

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

• Kelangkaan talenta engineering. Membangun perangkat lunak nontrivial membutuhkan orang yang mahal, sulit direkrut, dan sulit dikoordinasikan, jadi kebanyakan calon pesaing sama sekali tidak bisa mengumpulkan tim untuk membangun tiruan yang kredibel.
• Waktu. Bahkan pesaing yang didanai dengan baik membutuhkan banyak bulan untuk merekayasa balik, menspesifikasi, membangun, menguji, dan meluncurkan produk rival, dan selama bulan-bulan itu pemain lama punya monopoli sementara untuk menumpuk pengguna, pendapatan, dan kedalaman produk.
• Biaya pindah. Begitu seorang pelanggan memindahkan datanya ke dalam sebuah sistem, melatih stafnya pada antarmuka itu, dan menghubungkan sistem itu ke segala hal lain melalui integrasi kustom, meninggalkannya menjadi sangat mahal bahkan jika sesuatu yang lebih baik dan lebih murah muncul.
• Perhitungan bangun versus beli. Karena membangun perangkat lunak internal kustom sendiri juga 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 milik sendiri, yang menumpuk di atas semuanya dalam kasus-kasus terbaik.

Kerentanan Struktural

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

Itulah kerentanannya. Bisnis yang defensibilitasnya terutama bertumpu pada betapa sulitnya barang itu diproduksi hanya akan defensibel selama produksinya tetap sulit. Pada saat biaya memproduksi dan mengganti perangkat lunak runtuh, empat dari lima pilar ikut runtuh bersamanya, dan hanya efek jaringan di sisi permintaan yang tersisa berdiri.

Keruntuhan itu persis apa yang diberikan AI generatif.

Bagian Tiga: Guncangan AI & Pelarutan Parit Perangkat Lunak

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

AI generatif dan agen pengodean otonom menyerang input itu secara langsung. Mereka menghasilkan, merestrukturisasi, men-debug, mendokumentasikan, dan menerapkan kode dengan biaya yang jauh lebih rendah daripada biaya historis untuk banyak tugas. Eksperimen GitHub Copilot yang terkontrol menemukan bahwa pengembang menyelesaikan tugas pengodean yang terbatas 55,8 persen lebih cepat, dan studi lapangan terhadap 4.867 pengembang menemukan 26,08 persen lebih banyak tugas yang diselesaikan. Dampaknya nyata, tetapi tidak merata, karena uji acak METR tahun 2025 menemukan bahwa pengembang sumber terbuka berpengalaman yang bekerja pada basis kode matang yang sudah familiar kepada mereka menjadi 19 persen lebih lambat dengan alat AI awal-2025, meskipun mereka merasa lebih cepat. Kesimpulan yang aman bukanlah bahwa AI membuat setiap insinyur lebih cepat dalam 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 jatuh, hambatan masuk yang dibangun di atas kelangkaan itu ikut runtuh. Mekanisme tunggal itu merambat melalui keempat pilar sisi penawaran.

Perubahan itu terlihat dalam alat yang benar-benar digunakan pengembang. Mula-mula hadir kopilot asli IDE seperti Cursor. Lalu hadir agen pengodean asli terminal seperti Claude Code, Codex CLI, Kiro CLI, dan OpenCode, di mana model membaca repositori, mengedit berkas, menjalankan perintah, dan beriterasi dalam lingkungan yang sama seperti 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 pengorkestrasian 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 campur tangan manusia yang semakin sedikit.

1. Runtuhnya Hambatan Masuk

Meluncurkan produk perangkat lunak yang kredibel dulu memerlukan modal awal yang nyata, yang sebagian besar dipakai untuk merekrut para insinyur yang dibutuhkan untuk membangun MVP. Kebutuhan modal itu menyaring pasar. Hanya usaha yang bisa menghimpun dana dan merekrut talenta yang pernah meluncur, dan kelangkaan pesaing yang dihasilkan itu sendiri merupakan bagian dari perlindungan bagi pemain lama.

Ketika satu pengembang dengan alat AI yang baik dapat merancang, membangun, dan meluncurkan aplikasi yang matang dan berfungsi dalam sebagian kecil dari waktu dan biaya lama, penyaring itu lenyap. Pasar dibanjiri pendatang baru. Dalam istilah persaingan, kurva penawaran fitur perangkat lunak bergeser sangat jauh ke luar, dan teori harga dasar memberi tahu Anda apa yang terjadi selanjutnya tanpa ambiguitas. Ketika penawaran barang substitusi berkembang pesat sementara permintaan kira-kira tetap, harga jatuh mendekati biaya marginal, dan karena biaya marginal perangkat lunak mendekati nol, harga juga tertarik menuju nol. Kelimpahan hiper penawaran perangkat lunak secara mekanis adalah penghancuran daya penetapan harga perangkat lunak.

2. Runtuhnya Keunggulan Temporal

Yang satu ini mungkin adalah moat perangkat lunak yang paling penting. Seluruh logika pengiriman cepat dan iterasi bergantung pada fitur yang diluncurkan memberi penciptanya bulan-bulan keunggulan eksklusif sebelum siapa pun bisa menyalinnya. Waktu keunggulan itu adalah jendela ketika efek jaringan, merek, dan pelanggan dibangun.

AI memampatkan siklus peniruan dari bulan menjadi jam. Seorang pesaing dapat melihat antarmuka produk, mendeskripsikan perilakunya kepada agen pengodean, dan mendapatkan tiruan yang berfungsi hampir seketika, tanpa pernah melihat kode sumber aslinya, 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 berkelanjutan, karena imbalan atas inovasi segera diserahkan kepada para peniru. Ini adalah contoh klasik 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 tergerus. AI mendorong appropriability dari inovasi perangkat lunak murni menuju nol.

3. Pelarutan Biaya Beralih

Inilah moat tradisional perangkat lunak yang paling kokoh, karena ia bekerja bahkan ketika produk pesaing jelas lebih baik. Tetapi biaya beralih itu sendiri tersusun dari gesekan, memigrasikan data dari satu skema ke skema lain, membangun kembali integrasi khusus, dan melatih ulang staf pada antarmuka yang tidak familiar. Setiap satu dari hal itu persis merupakan jenis pekerjaan terjemahan yang membosankan dan berbasis pola yang dikerjakan dengan baik oleh AI.

Pemetaaan data berbasis AI dapat menyerap, 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 banyak berinteraksi melalui percakapan alih-alih menghafal pohon menu proprietari, yang berarti keterampilan yang terakumulasi dan terkunci dalam antarmuka satu vendor tidak lagi berfungsi sebagai penalti beralih.

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

4. Pembalikan Antara Membangun dan Membeli

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

Ketika agen AI memungkinkan tim internal, bahkan yang nonteknis, menghasilkan aplikasi khusus yang disesuaikan dengan alur kerja mereka sendiri, penalti atas pembangunan menghilang, dan pilihan rasional bergeser dari membeli langganan generik ke menghasilkan alat privat yang sangat pas dan tanpa lisensi berulang.

Ini bukan hanya membuat persaingan antarpvendor menjadi lebih intens. Ini mengecilkan total pasar yang dapat dijangkau yang diperebutkan para vendor, karena semakin besar bagian permintaan perangkat lunak yang dipenuhi secara internal dan tidak pernah mencapai pasar eksternal sama sekali. Nilai bermigrasi dari vendor perangkat lunak eksternal ke kemampuan operasional internal, yang artinya ia berhenti menjadi pasar dan menjadi efisiensi biaya in-house.

Ini adalah hal yang sama yang saya sebut Pengungkit Perangkat Lunak Internal dalam tulisan saya, Barbel Nilai Perangkat Lunak, 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 ini memasuki kelimpahan hiper perangkat lunak, di mana aplikasi fungsional murah untuk dibangun, dapat dikloning seketika, dan semakin dihasilkan di dalam perusahaan sesuai permintaan. Dalam kondisi itu, kode itu sendiri berhenti menjadi sumber rente, persis seperti barang apa pun berhenti memerintahkan rente setelah menjadi melimpah dan dapat disubstitusikan. Nilai terlepas dari kode.

Kejujuran menuntut untuk mengatakan dengan jelas apa yang tidak runtuh, karena melebih-lebihkan hal ini akan membuatnya salah. AI generatif menyerang gesekan produksi sisi penawaran. Dengan sendirinya, ia tidak menyerang gesekan sisi permintaan dan gesekan pada tingkat sistem.

• Efek jaringan tetap bertahan, karena AI dapat mengkloning perangkat lunak media sosial dalam satu sore tetapi tidak dapat mengkloning para pengguna, dan para pengguna itulah asetnya.
• Moat data proprietari tetap bertahan dan justru menjadi lebih kuat, karena AI membuat kode lebih murah 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.
• Hambatan regulasi dan kepatuhan tetap bertahan, karena agen pengodean tidak dapat menghasilkan lisensi perbankan, izin alat medis, atau sertifikasi penerbangan.
• Integrasi mendalam ke dalam realitas operasional fisik atau teregulasi tetap bertahan, karena kode itu murah, tetapi memasang sensor, memperoleh kepercayaan, dan beroperasi di bawah persetujuan regulasi tidaklah murah.

Jadi klaim yang tepat bukanlah bahwa semua bisnis perangkat lunak mati. Melainkan bahwa moat spesifik yang dulu dominan dari perangkat lunak murni, mandiri, dan dikemas, yang dipertahankan oleh sulitnya menulis dan mengganti kode, telah dihancurkan. Yang bertahan adalah perangkat lunak yang ditambatkan pada sesuatu yang tidak dapat diproduksi ulang secara murah oleh AI: jaringan, set data, posisi regulatori, saluran distribusi, atau operasi fisik. Perangkat lunak yang mengambang bebas dari semua itu kini adalah komoditas.

Bagian Empat: Moat Historis Perangkat Keras & Mengapa Atom Sulit

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

Perangkat keras dapat dipertahankan karena alasan yang hampir berlawanan dengan perangkat lunak, dan pasar modal memperlakukan keduanya sebagai kebalikan. Jika perangkat lunak memiliki biaya marjinal yang nyaris nol, perangkat keras memiliki biaya marjinal yang tinggi dan keras kepala, karena setiap unit fisik memakan material, energi, tenaga kerja, dan waktu mesin. Jika perangkat lunak dikirim secara instan dan tanpa batas, perangkat keras dibatasi oleh fisika manufaktur dan logistik. Sifat-sifat itu membuat perangkat keras menjadi bisnis yang lebih buruk pada margin, tetapi juga, secara aneh, membuatnya dapat dipertahankan dengan cara tertentu, karena kesulitan produksi fisik bertindak sebagai penghalang yang melindungi perusahaan perangkat keras yang dikelola dengan baik dari peniruan kasual.

Gesekan spesifik yang melindungi perangkat keras adalah sebagai berikut:

• Modal perkakas. Membuat produk fisik dalam skala besar membutuhkan perkakas khusus, terutama cetakan injeksi dan die pengecoran yang digunakan untuk membentuk bagian plastik dan logam, dan perkakas itu berbiaya puluhan atau ratusan ribu dolar serta memaksa kuantitas pesanan minimum yang tinggi. Itu adalah tembok modal keras yang tidak dapat 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 per putaran dan mahal setiap kali, sehingga produk fisik membaik secara lambat dan pesaing memerlukan kampanye yang panjang dan mahal untuk mengejar.

• Perakitan rantai pasokan. Produk fisik adalah daftar bahan yang dipasok dari banyak pemasok khusus, dan pemasok itu dulu tersebar di antara perusahaan, wilayah, dan negara, jadi menyusun rantai pasokan yang berfungsi berarti bernegosiasi dengan vendor yang terpisah-pisah, menanggung waktu tunggu yang panjang, dan mengelola logistik yang rumit.

• Presisi dan pengetahuan proses. Pengetahuan yang terakumulasi, sering kali tersirat, tentang cara benar-benar memproduksi desain dengan hasil yang dapat diterima. Itu tidak dapat ditransfer dari sebuah gambar. Anda harus mempelajarinya dengan melakukannya.

• Distribusi. Kebutuhan untuk menempatkan produk fisik di depan pembeli melalui pengecer, distributor, dan ruang rak yang pada dirinya sendiri langka dan dijaga.

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 pasokan, hasil proses, dan distribusi fisik. Itu dipertahankan oleh betapa sulit, lambat, dan mahalnya mengubah sebuah desain menjadi objek fisik yang dikirim. Dan persis seperti perangkat lunak, pertahanan yang dibangun di atas kesulitan produksi hanya tahan lama selama produksi tetap sulit.

Tetapi kontribusi Tiongkok terhadap sejarah ekonomi adalah membuat produksi fisik, di seluruh rentang barang yang sangat besar, tidak lagi sulit.

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

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

Penjelasan yang 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 agglomerasi industri. Agglomerasi itulah, bukan arbitrase upah, yang membongkar parit pertahanan perangkat keras. Saya bukan yang pertama mengemukakan argumen ini. Andrew “bunnie” Huang telah mendokumentasikan versi Shenzhen-nya 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 subperakitan, pemroses bahan mentah, pembuat perkakas, produsen kontrak, penyedia logistik, dan tenaga kerja terampil khusus, semuanya dikemas dalam wilayah yang sama. Marshall mengidentifikasi mengapa klaster semacam itu menghasilkan keunggulan yang tidak dapat ditandingi oleh perusahaan yang terisolasi:

• Mereka menciptakan kolam tenaga kerja bersama yang dalam dari pekerja khusus.
• Mereka mendukung pemasok lokal yang terspesialisasi yang tidak akan pernah bisa bertahan melayani satu pelanggan yang jauh, tetapi berkembang dengan melayani klaster padat dari mereka.
• 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 perusahaan di dalam klaster memperoleh biaya yang lebih rendah, iterasi yang lebih cepat, dan informasi yang lebih baik daripada perusahaan identik di luar klaster, tidak peduli seberapa efisien perusahaan luar itu secara mandiri.

Biaya Transaksi Runtuh

Di Delta Sungai Mutiara, dan Shenzhen khususnya, aglomerasi mencapai kepadatan yang tidak punya preseden sejarah. Konsekuensi praktisnya paling mudah dilihat melalui ekonomi biaya transaksi dari Ronald Coase. Coase menjelaskan bahwa batas dan kecepatan aktivitas ekonomi diatur oleh biaya transaksi, biaya mencari pemasok, menegosiasikan syarat, dan mengoordinasikan produksi lintas perusahaan. Dalam rantai pasokan yang tersebar, 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 pasokan 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 sekarang memakan waktu berjam-jam lintas distrik. Seorang perancang dapat menspesifikasikan sebuah perangkat, memperoleh setiap komponen secara lokal pada hari yang sama, membuat papan sirkuit khusus diproduksi dan dipasangi komponen semalam, dan memegang prototipe yang berfungsi keesokan paginya.

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

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

1. Runtuhnya Latensi Iterasi

Ini adalah versi perangkat keras dari kehilangan keunggulan temporal perangkat lunak. Dalam rantai pasokan Barat yang tersebar, satu putaran desain fisik memakan waktu berminggu-minggu dan biayanya besar, jadi perangkat keras membaik secara lambat 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 dikandung di Barat dapat diamati, direkayasa balik, dioptimalkan untuk kemudahan manufaktur, dan diproduksi massal di dalam klaster lebih cepat daripada perusahaan Barat asalnya dapat menyelesaikan prototipe keduanya sendiri. Waktu keunggulan pihak yang memulai, yang merupakan sumber rentenya, menjadi negatif. Peniru mengirim versi yang lebih baik dan lebih murah terlebih dahulu.

2. Runtuhnya Modal Perkakas

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

3. Kurva Pengalaman, Diperkuat oleh Otomasi

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

Karena klaster tersebut menghasilkan porsi volume kumulatif global yang luar biasa besar di berbagai kategori produk yang tak terhitung jumlahnya, ia berada jauh di bawah kurva pengalaman yang ditempati oleh pendatang baru mana pun, dengan volume kumulatif rendah, yang berada di puncaknya. Manufaktur Tiongkok modern kemudian memperkuat keunggulan pembelajaran itu dengan otomasi padat modal, robotika canggih, inspeksi optik otomatis berkecepatan tinggi, dan integrasi vertikal yang menjangkau jauh kembali ke bahan mentah.

Inilah titik persis ketika penjelasan biaya tenaga kerja mati. Keunggulan modern bukan upah rendah. Keunggulannya adalah pembelajaran yang terakumulasi ditambah skala otomatis ditambah kepadatan pemasok, dan pendatang baru tidak dapat mereplikasi kombinasi itu dengan tindakan jangka pendek apa pun, baik upah tinggi maupun upah rendah, karena Anda tidak dapat secara instan 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 melalui saluran perangkat lunak yang sudah mapan. Pasar digital global dan logistik paket yang sangat efisien memungkinkan produsen di dalam klaster melewati distributor Barat, grosir, dan ruang rak ritel sama sekali, dengan mencantumkan produk langsung di platform global dan mengirimkannya ke pintu konsumen dalam hitungan hari. Gesekan terakhir yang melindungi merek perangkat keras yang sudah mapan, yaitu kendalinya atas rak dan saluran, dikesampingkan. Perangkat yang secara fungsional setara mencapai pelanggan yang sama dengan biaya yang hanya sebagian kecil dari harga bermerek tanpa pernah menyentuh sistem distribusi pihak mapan.

Commons Industri & Mengapa Reshoring Sangat Sulit

Konsekuensi paling penting dari semua ini, dan yang paling sering diabaikan, adalah tentang reshoring, dan di sinilah gagasan tentang commons industri menjadi penting. Gary Pisano dan Willy Shih menamai ini dalam Restoring American Competitiveness (PDF) pada tahun 2009. Pengamatan mereka adalah bahwa kapabilitas manufaktur bukanlah milik perusahaan individu. Itu adalah milik sebuah 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 commons di sekitarnya, karena pemasok, pembuat alat, dan insinyur proses terampil akan merosot atau pindah begitu tidak ada lagi permintaan lokal yang menjaga mereka tetap hidup. Begitu commons itu hilang, tidak ada satu perusahaan atau subsidi pun yang dapat membangunnya kembali dengan cepat, karena satu pabrik yang direshore tidak memiliki pemasok lokal, tidak memiliki pembuat alat lokal, tidak memiliki kumpulan insinyur proses berpengalaman lokal, dan karenanya tidak memiliki ekonomi eksternal Marshallian yang membuat klaster itu efisien sejak awal.

Itulah sebabnya melakukan reshoring pada kategori perangkat keras yang telah menjadi komoditas itu sangat sulit dan sangat mahal. Keunggulan yang ingin diciptakan kembali oleh pihak yang melakukan reshoring tidak pernah berada di dalam pabrik. Keunggulan itu berada di ekosistem di sekitar pabrik, dan ekosistem itu sudah tidak ada di rumah lagi. Parit pertahanan itu tidak pindah ke Tiongkok karena perusahaan-perusahaan Tiongkok secara individual lebih baik. Itu pindah karena commons ikut pindah, dan commons adalah aset kolektif yang tidak dapat dibangun kembali oleh tindakan individual.

Kesimpulan makro untuk perangkat keras persis sejajar dengan yang ada untuk perangkat lunak. Saat spesifikasi suatu produk fisik diketahui, ekosistem manufaktur yang sangat padat dapat mereplikasinya, mengoptimalkannya untuk manufaktur, dan mendistribusikannya langsung pada struktur biaya yang melenyapkan margin pihak asal. Perangkat keras mandiri, yang hanya dipertahankan oleh kesulitan produksi fisik, telah menjadi komoditas, karena kesulitan itu, untuk rentang barang yang sangat luas, tidak lagi ada.

Bagian Enam: Keruntuhan Sekuensial & Konsekuensi Strategisnya

Orang biasanya menganalisis kedua keruntuhan itu secara terpisah, dan secara kronologis memang seharusnya demikian. Keruntuhan perangkat keras terjadi lebih dulu. Aglomerasi Tiongkok membuat defensibilitas 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 terjadi kemudian. Peristiwa sebenarnya bagi seorang pendiri hari ini bukan 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 mengalir ke perangkat keras yang defensibel. Ketika perangkat keras menjadi kompetitif, modal bisa mengalir ke perangkat lunak yang defensibel. Kedua domain itu adalah tempat berlindung yang bergantian. Rotasi itu tidak lagi berfungsi. Atom murni sudah kehilangan parit pertahanannya dalam produksi, dan bit murni kini juga kehilangan miliknya. Tidak ada lagi perlindungan bagi bit murni dan tidak ada lagi perlindungan bagi atom murni. 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 Disinflasi yang Tergeneralisasi

Ketika biaya marginal perangkat lunak mendekati nol dan biaya efektif replikasi fisik mendekati lantai yang sangat efisien dari klaster, persaingan mendorong harga di kedua domain turun menuju lantai itu. Itu bersifat disinflasioner bagi konsumen dan destruktif bagi produsen tanpa parit pertahanan, dan itu menjelaskan sebuah teka-teki yang disadari banyak orang, bahwa kemajuan teknologi yang sangat besar berdiri tepat di samping margin yang menyusut bagi perusahaan-perusahaan yang benar-benar melakukan produksi. Kemajuan sedang ditangkap oleh konsumen dan oleh para peniru, alih-alih oleh para inovator, tepat karena apropriasi runtuh di kedua domain.

Konsekuensi Tingkat Kedua: Sewa Bergeser Sepanjang Kurva Tersenyum

Stan Shih, pendiri Acer, mengusulkan kurva tersenyum sekitar tahun 1992. Gambarkan nilai tambah terhadap tahapan produksi dalam rantai nilai manufaktur dan Anda akan mendapatkan bentuk seperti senyuman. Ben Thompson telah menyesuaikannya untuk penerbitan, yang menunjukkan bahwa kurva itu sebenarnya bukan tentang manufaktur sama sekali. Berikut aslinya:

Tahapan Shih adalah sebagai berikut:

• Hulu bernilai tinggi, yang berarti desain, merek, dan kekayaan intelektual
• Lembah yang dalam di tengah, yang berarti perakitan fisik dan manufaktur, tahap yang paling mudah menjadi komoditas
• Hilir bernilai tinggi, yang berarti distribusi, layanan, dan hubungan dengan pelanggan

Kebangkitan Tiongkok meratakan dan memoditaskan bagian tengah kurva itu untuk perangkat keras. AI generatif sekarang sedang memoditaskan bagian tengah yang setara untuk perangkat lunak, yang tak lebih dari tindakan menulis kode. Instruksi yang menyusul identik dalam kedua kasus: tinggalkan bagian tengah yang telah menjadi komoditas dan bergeraklah ke ujung-ujung senyuman.

Namun ujung-ujung itu justru adalah sisi permintaan dan aset tingkat sistem yang tidak dapat direplikasi dengan murah oleh AI maupun kepadatan manufaktur. Di hulu itu berarti data kepemilikan, riset, dan wawasan desain. Di hilir itu berarti merek, kepercayaan, distribusi, posisi regulatori, dan kepemilikan 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 berpindah keluar dari dimensi tunggal mana pun dan masuk ke dalam penggandengan antar dimensi, dan ke aset yang sama sekali berada di luar produksi. Jika kode murni gratis dan atom murni murah, maka gesekan yang masih menghasilkan sewa adalah yang hidup di celah-celah:

• Ko-desain yang rapat antara perangkat keras khusus dan perangkat lunak khusus, sehingga tidak satupun berguna bagi peniru tanpa yang lain.
• Data kepemilikan yang dihasilkan dari menjalankan alur kerja fisik atau yang diatur secara nyata, yang langka justru karena ia merupakan produk sampingan dari melakukan pekerjaan, bukan sesuatu yang dapat disalin.
• Hubungan yang dalam dan butuh waktu lama untuk dibangun serta akreditasi regulatori di industri konservatif, di mana klon yang lebih murah didiskualifikasi sebelum siapa pun bahkan mengevaluasinya.
• Posisi sebagai prinsipal, di mana sebuah perusahaan tidak menjual alat yang dapat menjadi komoditas melainkan memiliki operasi, menanggung liabilitas, menjamin hasil, dan menangkap baik kumpulan laba penuh maupun sisa data eksklusif.

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

Bagian Tujuh: Batasan, Sanggahan, & Kejujuran Tentangnya

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

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

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

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

Tetapi arah perjalanan penting secara strategis, karena frontier yang tetap dapat dipertahankan itu sempit, terus bergerak, dan merupakan fondasi yang buruk bagi bisnis yang tahan lama kecuali jika ia ditambatkan pada salah satu parit non-produksi di atas.

Keberatan 2: Dominasi Tiongkok Tidak Merata & Diperebutkan Secara Politik

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

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

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

Keberatan 3: Mengapa Para Incumbent Besar Masih Begitu Menguntungkan?

Keberatan ketiga adalah yang lebih halus. Jika baik perangkat lunak maupun perangkat keras terkomoditisasi, 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 nyata mereka adalah efek jaringan, kendali atas distribusi dan perhatian, data proprietari pada skala peradaban, lock-in ekosistem, dan dalam beberapa kasus pengokohan regulatori. Runtuhnya yang dijelaskan di sini tidak mengancam semua itu, dan dalam beberapa hal justru memperkuatnya, karena ketika produksi murni menjadi terkomoditisasi, nilai relatif dari aset non-produksi yang sudah dimiliki para incumbent naik.

Ini sepenuhnya konsisten dengan tesis. Komoditisasi produksi tidak meratakan semua laba. Ia memindahkan laba menjauh dari perusahaan yang satu-satunya keunggulannya adalah produksi itu sulit, dan menuju perusahaan yang memiliki friksi yang tidak bisa disentuh produksi. Para incumbent bertahan karena mereka tidak pernah menjadi bisnis satu dimensi. Itulah pelajarannya, bukan pengecualian.

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, suatu kelas bisnis memperoleh rente yang tahan lama karena produksi itu sulit, lambat, dan mahal. Dalam kedua kasus, suatu kekuatan yang melarutkan 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, rente yang dipertahankan oleh kesulitan produksi menguap pada saat produksi berhenti menjadi sulit.

Simetrinya tepat, dan menyadarinya bernilai lebih daripada masing-masing bagiannya sendiri, karena hal itu menyingkap hukum umum di balik keduanya:

Setiap parit yang hanya terdiri dari kesulitan membuat suatu benda itu bersifat sementara, dan bertahan tepat sampai seseorang menemukan cara untuk membuat benda itu dengan mudah.

Korelat strategisnya mengikuti secara langsung. Karena tidak ada bits saja maupun atoms saja yang dapat melindungi bisnis, pertahanan harus dirakit dari friksi-friksi yang selamat dari kedua keruntuhan itu:

• Integrasi loop tertutup yang rapat antara perangkat keras kustom dan perangkat lunak kustom, sehingga sistem tidak bisa dibongkar dan dikloning sepotong demi sepotong.
• Data proprietari yang diperbarui terus-menerus dan dihasilkan sebagai produk sampingan dari menjalankan alur kerja nyata, yang tidak bisa disalin karena harus diperoleh melalui operasi.
• Hubungan yang dalam, kepercayaan, dan posisi regulatori dari industri-industri konservatif, yang tidak dapat dihasilkan oleh agen pengodean mana pun dan pabrik kontrak mana pun.
• Keputusan untuk beroperasi sebagai prinsipal alih-alih vendor, memiliki alur kerja dan hasilnya sehingga seluruh kumpulan laba dan seluruh jejak data tetap tertangkap alih-alih dijual keluar.

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

Parit masa depan tidak terbuat dari bits, dan tidak terbuat dari atoms. Ia terbuat dari sambungan di antara keduanya, dan dari hubungan serta data yang diperoleh yang tidak bisa direproduksi siapa pun tanpa berdiri di tempat Anda berdiri.

Kesimpulan untuk Analisis

Paradigma tiga puluh tahun yang memperlakukan perangkat lunak sebagai mesin laba yang dapat dipertahankan dengan andal dan perangkat keras sebagai komoditas margin rendah tidak sekadar bergeser. Dua asumsi dasarnya telah dipalsukan secara berurutan. Aglomerasi industri Tiongkok memalsukan asumsi bahwa perangkat keras itu sulit untuk diiterasi dan diproduksi lebih dulu. AI generatif sedang memalsukan asumsi bahwa perangkat lunak itu sulit untuk diproduksi dan diganti sekarang.

Karena kedua parit itu terutama dibangun di atas kesulitan produksi, dan karena kesulitan itu adalah target spesifik dari kedua kekuatan yang melarutkan friksi, kedua parit itu runtuh. Rente yang dulu mengalir kepada siapa pun yang bisa membangun bits atau menempa atoms kini mengalir ke konsumen dan peniru, kecuali jika sebuah perusahaan telah menambatkan dirinya pada friksi yang tidak dapat dijangkau oleh keruntuhan produksi.

Friksi-friksi yang bertahan itu, integrasi, data operasional proprietari, hubungan yang dipercaya, 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 pun yang sekadar sulit, karena tidak ada sesuatu yang hanya sulit dibuat yang tetap dapat dipertahankan setelah pembuatannya menjadi mudah.

Parit Modern

Semua di atas adalah diagnosis. Itu menetapkan ke mana rente pergi dan mengapa, tetapi berhenti pada tingkat prinsip, dan sebuah prinsip tidak memberi tahu Anda seperti apa sebenarnya perusahaan yang dibangun di atasnya. Bagian ini adalah jawabannya. Ini mencakup dari apa pertahanan itu sekarang dibuat, dan seperti apa wujudnya ketika dirakit menjadi bisnis nyata.

Barbel

Sebelum aturan konstruksi, ada baiknya membuat barbel itu eksplisit, karena analisis tadi terus menunjuk ke arahnya tanpa mencantumkan kedua ujungnya. Saya menjabarkan ini pada 2025 di The Barbell of Software Value, tempat saya merekonsiliasi Internal Software Leverage Theory saya dengan tesis kelimpahan. Yang kesimpulannya adalah bahwa nilai perangkat lunak sedang terpolarisasi menjadi dua klaster dengan bagian tengah yang menyusut.

Di satu ujung duduk primitif fondasional yang masif, model fondasi, infrastruktur komputasi, platform cloud, chip, dan infrastruktur AI inti. Ini dipertahankan oleh intensitas modal, ekonomi skala, dan konsentrasi riset pada tingkat yang pada dasarnya tidak dapat dijangkau oleh ventura baru. Itu bukan peluang yang saya gambarkan. Itu adalah lingkungan tempat ia beroperasi.

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

Di ujung lainnya duduk leverage privat yang sangat spesifik. Kepemilikan alur kerja yang dalam, otomasi dunia fisik, proses regulatori, penggantian tenaga kerja ahli, data operasional proprietari, dan kepemilikan hasil. Ujung ini bisa dijangkau, dan ia dipertahankan oleh friksi non-produksi persis seperti yang diidentifikasi analisis ini sebagai penyintas.

Bagian tengah yang berbahaya adalah perangkat lunak generik. Ini adalah web app, dashboard, alat CRUD, manajer 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 generik sama sekali. Produk di tengah itu mudah dibangun, mudah dikloning, mudah diserap oleh incumbent sebagai fitur, dan biasanya ia memiliki terlalu sedikit dari rantai nilai pelanggan untuk mempertahankan harga.

Parit Empat Faktor

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

Perangkat Keras Hebat

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

Perangkat Lunak Kustom yang Hebat

Perangkat lunak kustom yang hebat bukanlah SaaS generik dan bukan pula antarmuka yang lebih bagus. Ia bekerja di dalam proses fisik atau regulasi tertentu, mengotomatiskan keputusan yang membawa bobot ekonomi nyata, mengoordinasikan tenaga kerja atau mesin, dan menangkap koreksi serta kasus-kasus tepi saat semuanya terjadi. Perhatikan apa yang membuatnya bisa dipertahankan. Bukan kodenya, yang menurut analisis kini murah, melainkan ketergantungannya pada akses operasional, data eksklusif, dan pengetahuan alur kerja yang mendalam yang tidak bisa didapat pesaing hanya dengan meniru antarmuka. Perangkat lunak itu sulit ditiru karena hal-hal yang terhubung dengannya sulit dijangkau, bukan karena perangkat lunaknya sulit ditulis.

Hubungan yang Hebat

Hubungan yang hebat adalah salah satu parit pertahanan paling tahan lama di industri berat. Hubungan ini sepenuhnya kebal terhadap komoditisasi perangkat keras maupun perangkat lunak. Ini mencakup akreditasi regulasi, kepercayaan pelanggan, akses distribusi ke pembeli konservatif, dan kemitraan operasional jangka panjang. Anda melihat ini di berbagai sektor seperti pertahanan, kesehatan, konstruksi, dan infrastruktur. Pembeli di pasar itu tidak pernah memilih vendor hanya karena perangkat lunaknya sedikit lebih baik, dan dalam banyak kasus, bahkan tidak jika 10x lebih baik. Mereka membeli berdasarkan kepercayaan dan rekam jejak, keandalan, tanggung jawab, kepatuhan, dan bukti. Versi tiruan yang lebih murah biasanya didiskualifikasi sebelum siapa pun mengevaluasinya. Hubungan membutuhkan waktu, reputasi, dan catatan eksekusi nyata. Baik agen AI maupun lini perakitan di Shenzhen tidak bisa 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 kini nyaris tak bernilai sebagai parit pertahanan. Data yang penting bersifat privat, tacit, dan tingkat ahli, spesifik fisik dan alur kerja, dihasilkan dari operasi nyata, dan penuh dengan kasus tepi, koreksi, serta kegagalan yang tidak pernah muncul dalam korpus publik mana pun. Anda tidak bisa membeli jenis data ini, dan Anda juga tidak bisa men-scrape-nya. Data ini dihasilkan secara eksklusif sebagai produk sampingan dari menjalankan operasi hidup 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-hasilnya.

Kebanyakan perusahaan hanya menangkap tahap pertama dari aliran data ini. Parit pertahanan membutuhkan keempatnya, artinya Anda tidak hanya tahu apa yang terjadi, tetapi juga keputusan apa yang diambil sebagai respons, tindakan apa yang benar-benar dilakukan, dan apakah hasilnya berhasil. Tahap keempat itu, hasil yang terverifikasi, adalah yang membuat data bisa dilatih dan yang membuat keunggulan bertambah. Setiap pekerjaan yang selesai memperbaiki sistem yang menjalankan pekerjaan berikutnya, yang merupakan satu-satunya bentuk keunggulan dalam seluruh dokumen ini yang bertumbuh alih-alih terkikis.

Saat Lingkaran Bertambah Kuat & Saat Ia Macet

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

• Data jenuh: Nilai dari data yang terkumpul mengikuti kurva hasil menurun. Dalam deep learning, Sun et al. menemukan bahwa kinerja pada tugas visi meningkat secara logaritmik dengan volume data pelatihan, yang berarti setiap pelipatan dua dataset membeli satu kenaikan lagi, bukan keajaiban lain. Seribu eksekusi pertama mengajarkan Anda paling banyak. Sepuluh ribu berikutnya mengajarkan lebih sedikit. Seratus ribu berikutnya hampir tidak mengajarkan apa pun yang baru. Seorang pesaing yang memulai lebih lambat sering kali bisa mencapai 90 persen performa Anda dengan sebagian kecil data historis, menutup kesenjangan lebih cepat daripada yang disiratkan angka mentah.

• Datanya mungkin bukan milik Anda untuk digunakan: Anda menghasilkan data eksklusif melalui alur kerja, tetapi jika kontrak Anda menyatakan bahwa pelanggan memilikinya dan Anda tidak bisa menggabungkannya lintas penerapan, Anda punya lima puluh silo data terpisah, bukan satu roda gila. Di tingkat 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 bagi pelanggan dan menjadi peringatan bagi vendor. Pembelajaran lintas pelanggan hanya bertambah jika kontraknya mengizinkannya. Hukum privasi menambah kendala lain, karena pembatasan tujuan GDPR, hak penghapusan, aturan de-identifikasi HIPAA, dan aturan CCPA/CPRA seputar pembagian untuk periklanan perilaku lintas konteks semuanya membuat penggunaan data sekunder menjadi lebih sulit. Ini lebih sering membunuh parit pertahanan AI di dunia nyata daripada kompetisi.

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

• Biayanya adalah penghalang, dan penghalangnya adalah biaya: Memiliki alur kerja dunia nyata itu padat modal, padat tenaga kerja, dan bermargin 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 sebesar 11.106 sistem dan margin kotor non-GAAP sebesar 67,6 persen pada 2025, setelah puluhan tahun modal, pelatihan ahli bedah, dan volume prosedur. Beban yang menjaga pesaing tetap keluar juga mencegah sebagian besar pendatang membangun sesuatu yang layak dipertahankan. Banyak upaya gagal pada ekonomi unit jauh sebelum lingkaran itu bertambah kuat.

Apa yang membedakan lingkaran yang benar-benar bertambah kuat dari yang merupakan parit palsu:

• Datanya terhubung ke hasil, artinya Anda tahu apakah hasilnya benar atau salah, bukan hanya mengumpulkan sinyal.
• Datanya secara kontraktual milik Anda untuk digunakan lintas penerapan.
• Alur kerjanya cukup stabil sehingga data historis tetap relevan.
• Setiap eksekusi menghasilkan kasus tepi baru, bukan lebih banyak dari yang sama.
• Frekuensinya cukup tinggi agar pembelajaran bisa bertambah kuat sebelum alur kerja berubah.

Tesis ini salah jika salah satu dari hal berikut benar:

• Seorang pesaing dapat memperoleh data setara melalui scraping, generasi sintetis, transfer learning, atau pembelian satu kali.
• Pelanggan secara kontraktual memiliki data tersebut dan Anda tidak bisa menggabungkannya lintas penerapan.
• Alur kerja berubah lebih cepat daripada model membaik, sehingga data terkumpul menggambarkan sistem yang sudah tidak ada.
• Nilai data jenuh dalam N eksekusi pertama, artinya keunggulannya tetap, bukan bertambah.
• Biaya memiliki alur kerja melebihi nilai data yang dihasilkannya.

Jika kondisi-kondisi itu berlaku, lingkaran itu bukan parit pertahanan. Itu adalah proyek rekayasa yang mahal dengan keunggulan sementara. Seperti yang dikatakan a16z pada 2019, kebanyakan keunggulan data adalah efek skala dengan hasil menurun, bukan efek jaringan yang ajaib. Itu benar sebelum gelombang AI saat ini. Itu masih benar sekarang.

Model Bisnis yang Dibangun di Atas Benteng Modern

Empat faktor menjelaskan dari apa benteng itu terbuat. Pertanyaan berikutnya adalah model bisnis seperti apa yang benar-benar bisa menangkapnya. Dalam praktiknya, jawabannya menjauh dari menjual alat dan mengarah pada memiliki alur kerja itu sendiri.

Prinsipal, Bukan Vendor

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

Langkah vendor berarti menjual alat kepada organisasi yang sudah memiliki alur kerja. Ini tampak menarik karena secara teori ringan modal dan dapat diskalakan, tetapi itu menyerahkan setiap sumber leverage kepada pelanggan. Operator mempertahankan hubungan pelanggan, proses fisik, data operasional, anggaran, tanggung jawab hukum, dan hasil akhir. Vendor mempertahankan lapisan perangkat lunak yang berada di atas semuanya. Startup menangkap sebagian kecil dari nilai yang diciptakannya, pelanggan menuntut integrasi khusus sampai produk melenceng menjadi jasa, operator bisa melihat alat itu bekerja lalu menggantinya dengan pembangunan internal yang sekarang jauh lebih murah untuk diproduksi, dan karena operator memiliki data terbaik, model vendor tidak pernah mengalami penggandaan nilai. Margin tetap dibatasi. Ini sangat berbahaya dalam industri fisik, di mana vendor perangkat lunak dengan andal merosot menjadi konsultan yang dibesar-besarkan.

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

Prinsip ini memadat menjadi satu instruksi:

Jangan jual alatnya. Jual hasil akhirnya.

Dalam praktiknya ini muncul sebagai penataan ulang yang konsisten dari ide vendor apa pun menjadi versi prinsipalnya:

Keputusan ini lebih penting daripada yang lain dalam kerangka ini, karena menentukan siapa yang memiliki data, dan kepemilikan data menentukan apakah keunggulan itu bertumbuh atau menyusut.

Layanan sebagai Layanan

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

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

Pelanggan seharusnya tidak perlu menggunakan perangkat lunak untuk menyelesaikan pekerjaan. Perusahaan seharusnya menggunakan perangkat lunak, AI, tenaga manusia, perangkat keras, dan operasi bersama-sama untuk mengirimkan pekerjaan yang selesai. Perangkat lunak adalah leverage internal, bukan produk.

Urutannya disengaja. Mulailah dengan melakukan pekerjaan secara manual, atau dengan manusia di dalam lingkaran. Gunakan perangkat lunak untuk membuat pekerjaan manusia itu lebih cepat, lebih konsisten, dan lebih terukur. Tangkap setiap masukan, keputusan, koreksi, kasus pinggiran, dan hasil. Lalu gunakan data yang terakumulasi untuk mengotomatiskan semakin banyak alur kerja, menuju penyedia layanan otomatis dengan margin dan daya tahan yang tidak bisa 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 waspada terhadap jebakan dalam model semacam ini. Jika setiap pelanggan baru memerlukan integrasi khusus, pembersihan data khusus, pemetaan alur kerja khusus, dan penyesuaian model khusus, perusahaan itu adalah konsultan yang belum mengakuinya. Fase manusia di dalam lingkaran baik-baik saja, dan sering kali perlu, tetapi hanya dengan syarat bahwa fase itu menghasilkan data milik sendiri dan bergerak menuju otomasi yang dapat diskalakan. Jika manusia masih melakukan pekerjaan yang sama dengan biaya per unit yang sama setelah lima puluh pekerjaan, model itu gagal.

Stargate untuk Data

AI sedang bergerak dari bottleneck komputasi ke bottleneck data. Perusahaan AI paling bernilai pada periode mendatang bukanlah yang memiliki data paling generik, yang melimpah dan karena itu tidak memerintahkan rente, persis menurut logika bagian pertama. Mereka akan menjadi perusahaan yang memiliki data operasional langka, privat, berkualitas tinggi yang tidak bisa diperoleh dengan cara apa pun selain melakukan pekerjaannya.

Frasa Stargate untuk Data dipinjam dari Stargate milik OpenAI, pembangunan komputasi bernilai ratusan miliar dolar yang diumumkan, dan peminjaman itu memang titiknya. Jika sumber daya langka pada siklus terakhir membenarkan infrastruktur terencana pada skala itu, siklus berikutnya layak mendapatkan perlakuan yang sama. Tujuannya bukan mengumpulkan sebuah kumpulan data. Tujuannya adalah membangun mesin yang memproduksi data milik sendiri secara terus-menerus sebagai hasil samping dari pengiriman sebuah layanan.

Perbedaan yang penting dalam kasus ini adalah bahwa tujuannya bukan mengumpulkan data demi data itu sendiri, yang menghasilkan danau mahal berisi materi yang tidak bisa dipakai. Tujuannya adalah memiliki lingkar operasional yang menghasilkan tepat data yang dibutuhkan untuk mengotomatiskan lingkar itu.

Komputer Atom

Empat faktor menjelaskan sebuah struktur. Komputer atom menjelaskan untuk apa struktur itu digunakan, dan itulah visi jangka panjang yang membuat seluruh usaha ini layak dilakukan.

Saya tidak mencetuskan ide ini dan saya ingin menegaskan 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 sembunyi-sembunyi, dan pada Maret 2026 ia menggantinya nama menjadi Atoms dan menerbitkan surat visi yang menjabarkan semuanya. Formulasinya adalah bahwa Anda mendekati masalah dunia fisik seperti Anda akan 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 seputar AI industri, menggunakan perangkat lunak, sensor, robotika, dan AI untuk mengotomatiskan operasi di seluruh sektor industri, dimulai dengan makanan, pertambangan, dan transportasi. Bacalah suratnya. Itu lebih baik daripada ringkasan saya tentangnya, dan beberapa kesimpulannya sampai pada tempat yang sama dengan dokumen ini dari arah yang berbeda.

Seiring AI menjadi semakin mampu, kendala pembatasnya bergeser. Batasnya bukan lagi sekadar kualitas penalaran. Melainkan interaksi dengan realitas fisik. Sebuah model dapat menghasilkan teks, kode, gambar, dan rencana berkualitas tinggi dan tetap tidak mampu melakukan apa pun secara andal di lingkungan dunia nyata yang berantakan, tidak terstruktur, dan berdampak besar. Komputer tradisional memberi kecerdasan substrat untuk memanipulasi bit. Peluang saat ini adalah membangun substrat yang setara untuk atom, menciptakan sistem yang merasakan dunia fisik, menafsirkan kondisi dunia nyata yang berantakan, memutuskan, bertindak, memverifikasi hasil, dan belajar dari umpan balik, semuanya di bawah kendala fisik, regulasi, dan ekonomi yang nyata. Klausa terakhir itulah yang sulit, dan itulah mengapa ini adalah peluang bisnis alih-alih proyek riset. Beroperasi di bawah kendala regulasi dan ekonomi justru adalah hal yang tidak dapat dikloning, dan justru itulah yang menghasilkan data lingkar tertutup yang dibutuhkan faktor keempat.

Pada satu poin Kalanick dan saya sepenuhnya sepakat, dan ia mengatakannya lebih baik daripada saya. Istilahnya adalah robot yang dipekerjakan secara produktif, yang berarti mesin khusus dengan pekerjaan produktif spesifik, 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 yang paling jelas. Jadi pendekatan yang tepat adalah bukan membangun robot serbaguna. Melainkan menemukan irisan sempit di mana loop rasa, putuskan, bertindak dapat diterapkan di dalam satu alur kerja nyata dengan nilai ekonomi langsung yang jelas, lalu membuat loop itu bekerja ujung ke ujung sebelum memperluasnya.

Perusahaan jangka pendek seharusnya sempit sampai tampak tidak ambisius. Batas atas jangka panjang adalah alasan untuk menerima kesempitan itu.

Sebuah Contoh yang Dikerjakan

Kerangka ini bersifat abstrak, jadi ada baiknya mengerjakan satu ide melaluinya. Ini hanyalah ilustrasi dari 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 lembaga dan laboratorium yang sudah memiliki alur kerja tersebut. Versi principal menjadi lembaga 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 memberikan hasil tersertifikasi lebih cepat, lebih murah, dan lebih andal daripada para pemain lama.

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

Ia juga memulai secara sempit, yang mengikuti logika klasik startup yang telah Paul Graham dan YC sampaikan selama bertahun-tahun. Mulailah dengan wedge yang tajam, tetapi pastikan wedge itu berada dalam masalah yang 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 menstandardisasi pekerjaan, manusia menghasilkan data pertama, dan otomatisasi meluas hanya di tempat loop itu benar-benar bertambah kuat.

Risikonya persis seperti yang diprediksi kerangka ini. Jangka waktu akreditasi membatasi pendapatan, operasi berat sebelum otomasi matang, dan jebakan layanan itu nyata jika setiap proyek ternyata harus dibuat khusus. Itulah tujuan kerangka ini. Ia tidak membuat bisnis menjadi mudah. Ia memberi tahu Anda di mana bagian-bagian sulitnya seharusnya berada.

Perusahaan yang Sudah Tampak Seperti Ini

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

Anduril adalah empat dari empat. Perangkat keras khusus di berbagai drone, menara sensor, pencegat, dan kendaraan bawah laut. Perangkat lunak khusus di Lattice, yang menjadi tempat semua perangkat keras itu berjalan. Hubungan dan posisi regulatori yang tidak bisa dihasilkan oleh agen pemrograman 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 membiayai R&D-nya sendiri dan membangun produk sebelum menjual ke pos anggaran yang sudah ada, membalik model cost-plus yang dijalankan para prime tradisional. Anduril bersifat privat dan tidak menerbitkan margin yang diaudit, tetapi estimasi sekunder menempatkan gross margin-nya sekitar 40 hingga 45 persen. Itu sangat tinggi untuk perangkat keras pertahanan, di mana perusahaan kedirgantaraan dan pertahanan rata-rata sekitar 17,5 persen gross margin dalam data sektor NYU Stern. Angka pastinya kurang penting daripada strukturnya. Model terintegrasi vertikal, harga tetap, dan didefinisikan oleh perangkat lunak tampaknya menghasilkan 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 berguna tanpa perangkat lunaknya, izin FDA yang tidak bisa dipersingkat oleh pesaing, dua dekade hubungan dengan rumah sakit, dan data prosedur dari jutaan operasi. Ia mencapai empat dari empat, terus bertambah kuat, 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 bagi saya, sebagian karena hanya sedikit orang di luar teknologi kelautan yang mengenalnya. 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 milik sendiri yang membungkusnya. Pelanggannya termasuk angkatan laut yang selaras dengan NATO. Itu adalah kepercayaan dan regulasi di level 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, yang berarti setiap pekerjaan menghasilkan intelijen dasar laut yang tidak dimiliki pihak lain. Keputusan terakhir itu adalah keseluruhan kerangka dalam bentuk miniatur. Sebuah perusahaan perangkat keras menyadari bahwa data lebih berharga daripada kotaknya, lalu pindah ke posisi principal untuk mempertahankannya.

SpaceX & Waymo adalah permainan principal murni. SpaceX tidak menjual roket. Ia menjual muatan yang diantarkan. Waymo tidak melisensikan perangkat lunak otonomi ke perusahaan mobil. Ia menjual perjalanan yang selesai. Dalam kedua kasus, perusahaan menolak posisi vendor, menyerap tanggung jawab operasional, dan menyimpan datanya. Waymo juga membawa moat regulatori yang datang satu yurisdiksi pada satu waktu. Ekspansi itu lambat, yang justru sebabnya ia defensible.

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 peternakan di lima belas negara. Itu adalah mesin data yang bekerja seperti yang dijelaskan, dihasilkan sebagai produk sampingan operasional alih-alih inisiatif terpisah. Tetapi saya juga akan mencatat kerentanannya dengan susunan ini. Carbon menjual peralatan kepada petani, tetap menjadi vendor alih-alih principal. Ia berhasil karena datanya masih mengalir kembali ke model pusatnya, sehingga posisi vendor masih dapat bertahan. Jika para petani pada akhirnya memiliki data armada itu, moat-nya 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 menjalankan satu dimensi lebih baik daripada siapa pun yang masih hidup, dan ia runtuh karena tidak memiliki platform perangkat lunak. Nokia masa kini mencoba buku pedoman multi-faktor persis yang dijelaskan di sini. Seperti yang diuraikan Michael Sikand dalam uraian video ini, perusahaan itu menghabiskan lebih dari satu dekade beralih dari gadget konsumen untuk menggabungkan silikon optik terintegrasi vertikal, hubungan operator dan pertahanan yang mengakar, serta komputasi edge berbasis 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 moat yang bertahan lama.

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

Keterbatasan Adalah Syarat Masuk

Mereka juga semuanya memulai dari kecil. Perusahaan yang menang tidak memulai dengan mencoba memiliki seluruh loop, dan mencoba melakukannya adalah kesalahan yang paling umum. Loop itu hanya bertambah kuat jika Anda cukup dalam pada satu alur kerja untuk menghasilkan data yang terkait hasil yang tidak bisa diperoleh pesaing dengan cara lain apa pun. 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 anti-drone sebelum meningkatkan produksi dan kemampuan yang berdekatan. Intuitive Surgical dimulai dengan prosedur laparoskopi tertentu dan membangun pelatihan ahli bedah serta volume prosedur selama beberapa dekade sebelum meluas ke berbagai spesialisasi. SpaceX dimulai dengan satu kendaraan peluncuran yang dapat digunakan kembali sebelum berkembang ke Starlink. Tesla dimulai dengan irisan EV premium yang sempit (mobil sport Roadster ) dan menggunakan armada tersebut untuk pembelajaran data dan manufaktur sebelum bergerak ke model volume, energi, dan otonomi. Palantir dimulai dengan alur kerja intelijen tertentu untuk instansi tertentu sebelum berkembang ke komersial. Dalam setiap kasus, pintu masuk yang sempit bukanlah sebuah kompromi. Itulah mekanisme yang membuat lingkaran tersebut menjadi majemuk.

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

Kesimpulan

Paruh pertama dokumen ini menetapkan sebuah hukum umum. Setiap moat yang hanya terdiri dari kesulitan membuat sesuatu bersifat sementara, dan ia bertahan tepat sampai seseorang membuat sesuatu itu mudah dibuat. Aglomerasi industri Tiongkok melakukan ini pada perangkat keras dengan meruntuhkan biaya transaksi dan latensi iterasi di dalam klaster yang sangat padat. AI generatif sedang melakukan ini pada perangkat lunak dengan meruntuhkan biaya dari input langkanya. Perangkat keras runtuh lebih dulu dan perangkat lunak mengikuti kemudian, tetapi bagi seorang pendiri yang membangun hari ini, tidak ada perlindungan yang dapat diandalkan.

Paruh kedua mengubah hukum itu menjadi sebuah jawaban. Jika kesulitan produksi tidak lagi melindungi apa pun, maka daya lindung harus dirakit dari friksi yang tidak dapat dijangkau oleh runtuhnya produksi. Itu mencakup akses fisik, data operasional dalam 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 prinsipal lebih penting daripada keputusan tunggal lainnya, dan mengapa data harus menjadi produk sampingan operasional, bukan aset yang dikumpulkan.

Ini menyusut menjadi satu kalimat inti.

Di era AI, perusahaan terbaik tidak akan menjadi alat perangkat lunak generik atau produk perangkat keras yang bisa disalin. Mereka akan menjadi bisnis prinsipal yang sempit dan berorientasi hasil yang menggabungkan perangkat lunak, alur kerja fisik, hubungan tepercaya, dan data operasional milik sendiri 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 otomatisasikan?

Peluang terkuat berada di tempat perangkat lunak bertemu atom, kepercayaan, regulasi, dan data milik sendiri. 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 menjadi majemuk menjadi sistem yang sulit digantikan. Keunggulan itu tahan lama justru karena diperoleh melalui operasi fisik, bukan ditulis dalam kode.

Tujuan akhir bukanlah membangun sebuah produk. Tujuannya adalah membangun perusahaan operasional dengan skalabilitas seperti perangkat lunak, daya lindung dunia fisik, dan data milik sendiri yang menjadi lebih baik dengan setiap pekerjaan yang selesai.

Segala sesuatu yang dulu menjadi moat karena sulit dibangun sedang menjadi komoditas. Membangun sesuatu lebih mudah daripada sebelumnya, dan seiring kemajuan AI dan rantai pasok global, itu hanya akan menjadi lebih mudah. Yang tetap dapat dipertahankan adalah apa yang sulit diakses, sulit memperoleh kepercayaannya, sulit masuk melalui jalan regulasinya, dan sulit diamati tanpa melakukan pekerjaan nyata.

Kutipan & Sumber

Saya ingin menjelaskan secara eksplisit dari mana bagian-bagian pinjaman itu berasal, karena sebagian besar dokumen ini adalah saya menghubungkan karya orang lain daripada menemukan apa pun. Hal-hal yang benar-benar akan saya klaim sebagai milik saya sendiri adalah aturan empat faktor, standar tiga dari empat, dan argumen spesifik bahwa dua keruntuhan itu berbagi mekanisme dasar yang sama meskipun terjadi secara berurutan. Angka-angka bergerak, jadi periksalah sebelum mengutip saya.

Milik saya, dari tulisan sebelumnya

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

Komputer berbasis atom

• Travis Kalanick, Visi, Urusan yang Belum Selesai, dan Bagaimana AI Akan Mengubah Dunia Fisik, Atoms dan a16z, 2026. Pembingkaian komputer berbasis atom, pemetaan CPU/penyimpanan/jaringan ke manufaktur/properti/transportasi, lingkaran paham-memprediksi-mengendalikan, AI industri, dan robot yang bekerja secara menguntungkan semuanya adalah 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 matang di kisaran delapan puluh persen rendah.
• Snowflake, hasil FY2025, untuk contoh tandingan bahwa perangkat lunak yang sangat bergantung pada konsumsi dapat 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 apropriabilitas 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 tersenyum, 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 sebenarnya rasanya bekerja di dalam kepadatan Shenzhen.
• WTO, Aksesi: Tiongkok, untuk latar belakang integrasi Tiongkok ke dalam sistem perdagangan global.
• World Bank, nilai tambah manufaktur, untuk latar belakang skala manufaktur Tiongkok relatif terhadap Amerika Serikat.

Mekanika startup

• Paul Graham, Lakukan Hal-Hal yang Tidak Skalabel dan Bagaimana Mendapatkan Ide Startup, untuk irisan sempit.
• Tesla, Rencana Induk Rahasia Tesla Motors, 2006, untuk logika irisan Roadster ke mobil terjangkau.
• Palantir, pernyataan registrasi S-1, 2020, untuk pola perluasan dari pemerintah ke komersial.
• Riwayat 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 akselerasi kemampuan model.
• Peng et al., Dampak AI terhadap Produktivitas Pengembang, 2023, untuk hasil terkontrol GitHub Copilot di mana pengembang menyelesaikan tugas pengodean yang terbatas 55,8 persen lebih cepat.
• Cui et al., Dampak AI Generatif pada Pekerjaan Keterampilan Tinggi, 2025, untuk hasil studi lapangan di 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 autocomplete ke akses repo dan terminal yang bersifat agentik.
• Conductor, Superset, dan Hermes Agent, untuk lapisan orkestrasi di atas alat pengodean agen tunggal.

Mode kegagalan parit data

• Sun et al., Meninjau Kembali Keefektifan Data yang Tidak Masuk Akal pada Era Deep Learning, ICCV 2017, untuk temuan empiris bahwa performa tugas visi meningkat secara logaritmik dengan volume data pelatihan.
• Martin Casado dan Peter Lauten, Janji Kosong Parit Data, a16z, 2019, untuk argumen bahwa efek skala data biasanya terkikis, bukan terkompon.
• Valavi et al., Waktu dan Nilai Data, Harvard Business School Working Paper 21-016, 2021, untuk pembedaan antara stok data dan aliran data, serta temuan bahwa data yang usang dapat merugikan akurasi model.
• Chen et al., Menurunnya relevansi data klinis terhadap keputusan masa depan dalam set pesanan klinis rawat inap berbasis data, International Journal of Medical Informatics, 2017, untuk waktu paruh 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 atas input dan output pelanggan bisnis.
• European Data Protection Board, Pendapat 28/2024 tentang model AI, Pasal 5 dan Pasal 17 GDPR, aturan de-identification HIPAA, dan aturan CCPA/CPRA, untuk batasan hukum privasi pada penggunaan data sekunder, penghapusan, de-identifikasi, dan berbagi.
• Lathrop GPM, Menavigasi Kepemilikan AI dalam Perjanjian Komersial dan Lisensi IP, 2026, untuk ketegangan kontrak antara komitmen tanpa pelatihan dan hak penggunaan agregat atau terde-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.
• Die cetak 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 dataset yang diterbitkan.

Contoh perusahaan

• Estimasi margin kotor Anduril melalui Sacra. Anduril bersifat privat dan tidak menerbitkan margin yang diaudit, jadi ini diperlakukan sebagai estimasi daripada angka yang dilaporkan. Tolok ukur sektor untuk margin kotor dirgantara dan pertahanan (sekitar 17,5 persen) diambil dari dataset 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 perusahaan, dengan TechCrunch sebagai penguat.
• Sejarah Intuitive Surgical dan persetujuan FDA 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 timeline penurunan Nokia 2007 melalui BBC News dan Wikipedia, dengan studi Vuori dan Huy Administrative Science Quarterly / INSEAD untuk dinamika organisasi di balik kejatuhan tersebut, dan uraian video Michael Sikand untuk pivot infrastruktur modernnya.
• Rincian OpenAI Stargate melalui pengumuman asli OpenAI dan pengumuman ekspansi situs. Ini adalah komitmen dan rencana yang diumumkan, bukan kapasitas yang sepenuhnya dikerahkan.
• Kraken Robotics diambil dari pengungkapan produk dan kontrak milik perusahaan sendiri.