A16z tentang analisis mendalam terbaru pasar AI: Apakah perusahaan Anda masih bekerja dengan "darah"?

nol

Penulis: Lingkaran Berpikir Dalam

Pernahkah Anda bertanya-tanya bahwa industri perangkat lunak mungkin mengalami transformasi yang lebih drastis daripada hanya beralih dari baris perintah ke antarmuka grafis? Setelah mendengarkan analisis mendalam tentang pasar AI yang dibagikan oleh David George dari a16z, saya dikejutkan oleh serangkaian data: perusahaan AI dengan pertumbuhan tercepat berkembang pada tingkat pertumbuhan tahunan sebesar 693%, sementara mereka menghabiskan jauh lebih sedikit untuk penjualan dan pemasaran daripada perusahaan perangkat lunak tradisional. Ini bukan kasus yang terisolasi, dan populasi perusahaan AI secara keseluruhan tumbuh lebih dari 2,5 kali lebih cepat daripada perusahaan non-AI. Apa yang menurut saya lebih luar biasa adalah bahwa perusahaan-perusahaan ini memiliki ARR per FTE (pendapatan berulang tahunan per karyawan) dari $500.000 hingga $1 juta, dibandingkan dengan $400.000 untuk perusahaan perangkat lunak generasi sebelumnya.

Apa artinya ini? Artinya, kita menyaksikan lahirnya model bisnis baru, era menciptakan nilai yang lebih besar dengan lebih sedikit orang dan biaya lebih sedikit. D

Avid George menyebutkan dalam bagiannya bahwa ini bukan penyesuaian kecil, tetapi perubahan paradigma yang lengkap. Konsep inti tersebut—kontrol versi, templat, dokumentasi, dan bahkan konsep pengguna—sedang didefinisikan ulang oleh alur kerja berbasis agen AI. Saya yakin bahwa dalam lima tahun ke depan, perusahaan yang tidak dapat beradaptasi dengan perubahan ini akan benar-benar tersingkir.

Kebenaran Menakjubkan Tentang Pertumbuhan Perusahaan AI

Data yang disajikan David George dalam pembagiannya membuat saya memikirkan kembali apa itu pertumbuhan sebenarnya. 2025 adalah tahun pertumbuhan yang dipercepat bagi perusahaan AI. Setelah perlambatan pertumbuhan pada tahun 2022, 2023, dan 2024 karena kenaikan suku bunga dan kontraksi di sektor teknologi, tahun 2025 benar-benar membalikkan tren ini. Hal yang paling mengejutkan adalah bahwa di antara perusahaan yang diberi peringkat menurut eselon yang berbeda, perusahaan-perusahaan dengan outlier nyata telah tumbuh pada tingkat yang luar biasa.

Reaksi pertama saya ketika saya melihat kumpulan data ini adalah: Apakah ada masalah dengan nomor ini? Kelompok perusahaan AI berkinerja terbaik tumbuh 693% dari tahun ke tahun. David mengatakan timnya juga mengkonfirmasinya tiga kali sebelum mempercayai angka tersebut. Tapi inilah yang mereka lihat dari perusahaan portofolio dan situasi dan kasus aktual. Ini bukan fenomena yang terisolasi tetapi perubahan sistemik yang terjadi di seluruh lanskap AI.

Yang lebih penting adalah kualitas pertumbuhan. Biasanya membutuhkan waktu lama bagi perusahaan perangkat lunak tradisional untuk mencapai pendapatan tahunan $100 juta, dan perusahaan AI dengan pertumbuhan tercepat mencapai tonggak sejarah ini jauh lebih cepat. David menekankan poin yang sangat penting: bukan karena mereka menghabiskan lebih banyak uang untuk penjualan dan pemasaran, sebaliknya, perusahaan AI dengan pertumbuhan tercepat sebenarnya menghabiskan lebih sedikit untuk penjualan dan pemasaran daripada perusahaan SaaS (perangkat lunak sebagai layanan) tradisional. Mereka tumbuh lebih cepat tetapi menghabiskan lebih sedikit. Apa alasan di balik ini? Ini karena permintaan dari pelanggan akhir sangat kuat dan produk itu sendiri sangat menarik.

Saya pikir ini mengungkapkan perubahan besar dalam logika bisnis. Di era perangkat lunak sebelumnya, pertumbuhan sering mengandalkan tim penjualan yang kuat dan anggaran pemasaran yang besar. Anda perlu mendidik pasar, meyakinkan pelanggan, dan mengatasi hambatan adopsi. Tetapi di era AI, produk yang benar-benar hebat dapat berbicara sendiri. Ketika suatu produk dapat segera menciptakan nilai bagi pengguna dan membuat pengguna merasakan peningkatan efisiensi saat mereka menggunakannya untuk pertama kalinya, permintaan pasar akan muncul secara otomatis. Model pertumbuhan yang digerakkan oleh produk ini jauh lebih sehat dan lebih berkelanjutan daripada model berbasis penjualan tradisional.

Serangkaian data lain yang ditunjukkan David juga menarik. Margin laba kotor perusahaan AI sebenarnya sedikit lebih rendah daripada perusahaan perangkat lunak tradisional. Perspektif tim mereka unik: margin kotor yang rendah adalah lencana kehormatan bagi perusahaan AI. Karena jika margin kotor yang rendah disebabkan oleh biaya inferensi yang tinggi, itu berarti dua hal: pertama, orang benar-benar menggunakan fitur AI; Kedua, biaya inferensi ini menurun seiring waktu. Jadi di satu sisi, jika mereka melihat perusahaan AI dengan margin kotor yang sangat tinggi, mereka sedikit skeptis, karena itu bisa berarti bahwa fitur AI bukanlah apa yang sebenarnya dibeli atau digunakan pelanggan.

Mengapa perusahaan AI bisa lebih efisien

Saya telah memikirkan pertanyaan: mengapa perusahaan AI, yang juga merupakan perusahaan perangkat lunak, dapat menghasilkan lebih banyak pendapatan dengan lebih sedikit orang? Dalam bagiannya, David berfokus pada metrik ARR per FTE, yang merupakan pendapatan berulang tahunan yang dihasilkan oleh setiap karyawan penuh waktu. Indikator ini sebenarnya merupakan indikator komprehensif dari efisiensi operasional perusahaan secara keseluruhan, yang tidak hanya mencakup efisiensi penjualan dan pemasaran, tetapi juga biaya manajemen dan biaya R&D.

Perusahaan AI terbaik memiliki ARR per FTE sebesar $500.000 hingga $1 juta, dibandingkan dengan standar sekitar $400.000 untuk perusahaan perangkat lunak generasi sebelumnya. Ini mungkin tampak seperti perbedaan numerik, tetapi ini mencerminkan model bisnis dan cara operasi yang sama sekali berbeda. David percaya bahwa alasan utama perbedaan ini adalah bahwa permintaan untuk produk-produk ini sangat kuat sehingga mereka membutuhkan lebih sedikit sumber daya untuk membawanya ke pasar.

Tapi saya pikir itu hanya alasan yang dangkal. Alasan yang lebih dalam adalah bahwa perusahaan AI telah dipaksa untuk berpikir secara berbeda tentang cara beroperasi sejak awal. Mereka tidak punya pilihan selain menggunakan AI untuk mendesain ulang proses internal mereka, bagaimana mereka mengembangkan produk, dan sistem dukungan pelanggan mereka. Inovasi yang dipaksakan ini malah memungkinkan mereka untuk menemukan model bisnis yang lebih efisien.

David membagikan contoh yang sangat jelas. Dia mengatakan bahwa dia baru-baru ini mengobrol dengan pendiri sebuah perusahaan yang tidak puas dengan kemajuan salah satu produk mereka, jadi dia langsung mengatur dua insinyur dengan pengetahuan mendalam tentang AI untuk membangun kembali produk dari awal dengan alat pemrograman terbaru seperti Claude Code dan Cursor, dan memberi mereka anggaran alat pemrograman yang tidak terbatas. Hasilnya? Pendiri mengatakan dia percaya kemajuan 10 hingga 20 kali lebih cepat dari sebelumnya. Dan tagihan yang dihasilkan oleh alat-alat ini sangat tinggi sehingga dia mulai memikirkan kembali seperti apa seluruh organisasi seharusnya.

Apa yang mengejutkan saya tentang contoh ini adalah bahwa itu bukan peningkatan bertahap, tetapi lompatan urutan besarnya. Apa yang dimaksud dengan peningkatan kecepatan 10 hingga 20x? Ini berarti bahwa proyek yang awalnya membutuhkan waktu satu tahun untuk diselesaikan sekarang hanya membutuhkan waktu satu atau dua bulan. Perbedaan kecepatan ini dapat berdampak menentukan pada persaingan. Kesimpulan pendiri: Saya perlu membuat seluruh tim produk dan teknik bekerja dengan cara ini, dan saya pikir ini akan terjadi dalam 12 bulan ke depan. Tetapi itu juga berarti perubahan mendasar dalam struktur organisasi tim. Di mana batas antara produk, teknik, dan desain? Isu-isu ini perlu didefinisikan ulang.

Saya pikir Desember 2024 adalah titik balik dalam dunia pemrograman. David merasakan hal yang sama. Dia mengatakan dia merasa bahwa pada saat itu, alat pemrograman telah membuat lompatan kualitatif. Selama 12 bulan ke depan, perubahan ini akan benar-benar berakar di perusahaan, atau mereka yang tidak mengadopsi akan jauh lebih lambat daripada rekan-rekan mereka. Ini bukan alarmisme, tetapi kenyataan.

Beradaptasi dengan AI atau tersingkir

David menyebutkan poin yang sangat suram dalam berbaginya: untuk perusahaan yang didirikan sebelum era AI, mereka beradaptasi dengan era AI atau mati. Pernyataan ini terdengar ekstrem, tetapi saya sepenuhnya setuju. Dan adaptasi ini perlu dilakukan pada dua level pada saat yang sama: depan dan belakang.

Di bagian depan, perusahaan perlu memikirkan cara mengintegrasikan AI secara asli ke dalam produk mereka, bukan hanya menambahkan chatbot ke alur kerja mereka yang ada. Ini membutuhkan menata ulang apa yang dapat dilakukan produk dengan AI dan secara radikal mengganggu dirinya sendiri dan membuat perubahan. David membagikan beberapa contoh menarik. Ada perusahaan perangkat lunak di era pra-AI, dan CEO telah sepenuhnya diubah oleh konsep AI, dengan mengatakan: Kami ingin menjadi produk AI. Kami ingin produk mengatakan bahwa karyawan Anda sekarang adalah agen AI Anda. Berapa banyak agen yang Anda miliki? Ini adalah topik yang dia bicarakan sekarang.

Ada contoh yang lebih ekstrem. Seorang CEO berkata, untuk setiap tugas yang perlu kita selesaikan sekarang, saya mengajukan pertanyaan: Bisakah saya melakukan ini dengan listrik, atau apakah saya harus melakukannya dengan darah? Ini adalah perubahan pemikiran yang ekstrem. Listrik mengacu pada penggunaan AI dan otomatisasi, dan darah mengacu pada penggunaan tenaga kerja. Pergeseran pola pikir ini sangat mendalam, dan memaksa Anda untuk memeriksa kembali setiap proses dan setiap tugas di perusahaan Anda.

Di bagian belakang, perusahaan perlu sepenuhnya mengadopsi model dan alat pemrograman terbaru. Semua pengembang harus menggunakan alat bantu pemrograman terbaru, dan setiap fungsi harus menggunakan alat terbaru. Sejauh ini sektor pemrograman memiliki tingkat adopsi tertinggi, dan di sinilah lompatan terbesar juga terlihat. Tetapi perubahan ini menyebar ke fungsi lain.

David menyebutkan bahwa kabar baik bagi perusahaan pra-AI tersebut adalah evolusi model bisnis masih dalam tahap awal. Situasi yang paling mengganggu adalah pergeseran teknologi dan produk, bersama dengan pergeseran model bisnis. Teknologi dan produk memang berubah sekarang, tetapi transformasi model bisnis belum sepenuhnya terungkap.

Dia melihat model bisnis sebagai spektrum. Di paling kiri adalah model lisensi, yang merupakan model lisensi dan pemeliharaan era pra-SaaS. Lalu ada model SaaS dan berlangganan yang sering dikenakan biaya berdasarkan kursi, yang merupakan inovasi besar yang sangat mengganggu. Anda dapat melihat apa yang terjadi pada Adobe saat melalui transisi ini. Lalu ada model berbasis konsumsi, yaitu model berbasis penggunaan, yang merupakan metode pengisian layanan cloud, dan banyak layanan berbasis tugas telah bergeser dari berbasis kursi ke berbasis konsumsi.

Fase selanjutnya akan berbasis hasil. Ketika Anda menyelesaikan tugas, idealnya yang berhasil, Anda akan dikenakan biaya berdasarkan keberhasilan penyelesaian tugas. Satu-satunya area di mana model ini benar-benar dapat diterapkan saat ini mungkin adalah dukungan pelanggan dan kesuksesan pelanggan karena Anda dapat mengukur resolusi masalah secara objektif. Tetapi seiring dengan meningkatnya kemampuan model, itu akan menjadi gangguan besar bagi perusahaan yang ada jika fungsi lain selain dukungan pelanggan dapat mengukur hasil ini.

Saya pikir jalur evolusi ini sangat berwawasan luas. Dari lisensi ke langganan, dari langganan ke konsumsi, dari konsumsi ke hasil, setiap pergeseran adalah subversi dari model bisnis generasi sebelumnya. Dan kita sekarang berada di malam pergeseran dari konsumsi ke hasil. Setelah agen AI dapat menyelesaikan tugas dengan andal dan dapat dievaluasi secara objektif, model penetapan harga berbasis hasil akan menjadi arus utama. Pada saat itu, perusahaan yang masih mengenakan biaya per kursi akan menemukan diri mereka sama sekali tidak kompetitif.

Dilema adopsi AI untuk perusahaan besar

Pengamatan David tentang adopsi AI oleh perusahaan Fortune 500 sangat menarik. Dia mengatakan ada kesenjangan besar antara apa yang dia dengar dari CEO perusahaan-perusahaan besar ini dan apa yang sebenarnya terjadi. CEO mengatakan: kita harus beradaptasi, kita sangat ingin memahami alat AI apa yang dibutuhkan, kita siap untuk berubah, bisnis kita akan meluncurkan alat ini secara menyeluruh, kita akan menjadi perusahaan AI.

Tapi apa yang sebenarnya terjadi benar-benar berbeda. Keterputusan terbesar antara pola pikir ini dan perubahan bisnis yang sebenarnya adalah bahwa manajemen perubahan terlalu sulit. Bahkan hanya membuat orang menggunakan asisten AI untuk membantu mereka melakukan pekerjaan mereka dengan lebih baik sudah cukup sulit. Adapun manajemen bisnis yang sebenarnya, mengubah proses bisnis, dan manajemen perubahan, ini sangat sulit.

David mengatakan dia tidak terkejut dengan desas-desus di pasar bahwa segala sesuatunya bergerak lebih lambat dari yang diharapkan. Tetapi bagi perusahaan terbaik yang benar-benar merangkul AI sepenuhnya dan tahu apa yang harus dilakukan, ada dampak bisnis yang sangat besar. Dia memberikan beberapa contoh spesifik: Chime mengatakan mereka mengurangi biaya dukungan sebesar 60%; Rocket Mortgage mengatakan mereka menghemat 1,1 juta jam dalam penjaminan emisi, peningkatan enam kali lipat dari tahun ke tahun, setara dengan penghematan tahunan $ 40 juta dalam biaya operasional.

Saya pikir ini mengungkapkan masalah utama: kesenjangan antara kemauan dan kemampuan. CEO perusahaan besar bersedia merangkul AI, tetapi kemampuan untuk menerapkannya adalah masalah lain. Kesulitan manajemen perubahan sering diremehkan. Ini bukan hanya tentang membeli beberapa alat atau mempekerjakan beberapa insinyur AI, tetapi tentang mengubah proses, budaya, dan struktur organisasi perusahaan secara mendasar.

Dan banyak perusahaan besar perlu menyesuaikan bisnis mereka untuk mempersiapkannya untuk AI. Menggunakan chatbot adalah satu hal, dan jumlah peningkatan produktivitas yang Anda dapatkan mungkin tidak banyak. Tetapi jika Anda harus sepenuhnya mengubah sistem, informasi, dan backend Anda untuk mengakomodasi AI, banyak pekerjaan mungkin berpotensi, menumpuk, dan belum melihat hasil yang relevan.

David memprediksi bahwa 12 bulan ke depan akan sangat menarik. Dia pikir kita akan melihat lebih banyak kasus, tetapi akan ada perusahaan yang dapat menanganinya, dan akan ada perusahaan yang tidak bisa. Mereka yang dapat melakukannya akan memiliki keunggulan produktivitas yang sangat besar, dan mereka yang tidak dapat melakukannya akan sangat dirugikan. Saya pikir perbedaan ini akan datang lebih cepat dan lebih drastis daripada yang dipikirkan orang.

Masa depan Model Busters dan pasar

David menyebutkan sebuah konsep yang menurut saya sangat berwawasan dalam berbaginya: Model Busters. Ini mengacu pada perusahaan yang tumbuh pada tingkat dan durasi yang jauh melampaui apa yang dapat diprediksi siapa pun dalam situasi apa pun. iPhone adalah kasus klasik dari konsep ini. Jika Anda melihat perkiraan konsensus sebelum peluncuran iPhone, dan kinerja aktual 4-5 tahun kemudian, perkiraan konsensus menyimpang 3 kali lipat. Dan ini adalah perusahaan yang paling banyak dibicarakan di dunia.

David percaya bahwa AI akan menjadi Model Buster terbesar yang pernah dia lihat dalam karirnya. Banyak perusahaan di AI akan berkinerja jauh lebih banyak daripada yang diharapkan di spreadsheet mana pun. Saya setuju dengan sudut pandang ini. Ketika platform teknologi tidak membawa peningkatan bertahap, tetapi lompatan besar, model prediktif tradisional gagal.

Dia menyebutkan bahwa teknologi sendiri adalah semacam Model Buster. Tetapi sejak 2010, teknologi telah memberikan pendapatan margin tinggi dengan kecepatan dan skala yang belum pernah terjadi sebelumnya. Jadi selalu terlihat mahal di hari-hari awal, tetapi berulang kali melebihi ekspektasi, menciptakan nilai yang jauh lebih besar daripada modal yang dibutuhkan. Dia tidak punya alasan untuk berpikir bahwa kali ini akan berbeda.

Dari sisi belanja modal, David juga menunjukkan data yang menarik. Dibandingkan dengan gelembung dot-com, belanja modal sebenarnya didukung oleh arus kas, dan belanja modal adalah persentase pendapatan yang jauh lebih rendah. Beban CAPEX terbesar ditanggung oleh hyperscaler, dan ini adalah perusahaan komersial terbaik sepanjang masa.

David secara khusus menyebutkan bahwa sebagai perusahaan portofolio, mereka menyambut baik belanja modal ini. Dia berkata: "Ini adalah hal yang sangat baik untuk membangun kapasitas sebanyak mungkin dan menyediakan pasokan sebanyak mungkin untuk pelatihan dan penalaran. Dan sebagian besar beban ditanggung oleh perusahaan komersial terbaik dalam sejarah.

Salah satu fenomena yang mulai mereka fokuskan adalah bahwa utang masuk ke dalam persamaan ini. Anda tidak dapat mendanai semua perkiraan belanja modal di masa depan dengan arus kas saja, dan pasar mulai melihat beberapa utang. Namun secara keseluruhan, mereka merasa nyaman dengan perusahaan yang membiayai dengan arus kas, terus menghasilkan arus kas, dan menggunakan utang, selama rekanannya adalah perusahaan seperti Meta, Microsoft, AWS, Nvidia.

David menyebutkan kasus yang patut diperhatikan: Oracle. Oracle selalu menguntungkan dan telah membeli kembali saham, tetapi skala belanja modal yang mereka lakukan sangat besar, yang merupakan pertaruhan besar. Mereka akan memiliki arus kas negatif selama bertahun-tahun yang akan datang. Pasar telah mulai memperhatikan, dengan biaya credit default swap (CDS) Oracle meningkat menjadi sekitar 2% dalam tiga bulan terakhir. Ini adalah sinyal yang harus diwaspadai.

Saya percaya bahwa fase konstruksi padat modal ini diperlukan, tetapi bukan tanpa risiko. Kuncinya adalah memastikan bahwa investasi ini pada akhirnya menghasilkan pengembalian yang sesuai. Saat ini, permintaan jauh melebihi penawaran. Semua penyedia layanan cloud hyperscale melaporkan bahwa permintaan jauh melebihi penawaran. Gavin Baker, yang diwawancarai David, memiliki analogi yang bagus: di era Internet, banyak serat diletakkan, dan kemudian serat ini menganggur dan tidak digunakan, yang disebut serat gelap. Tetapi di era AI, tidak ada yang namanya GPU gelap. Jika Anda menginstal GPU di pusat data, itu akan segera digunakan sepenuhnya.

Tingkat pertumbuhan pendapatan yang luar biasa

Kumpulan data David sangat mencolok. Dia membandingkan layanan cloud, perusahaan perangkat lunak publik, dan laba bersih baru pada tahun 2025. Perusahaan perangkat lunak publik akan menambahkan total pendapatan $46 miliar pada tahun 2025. Jika Anda hanya melihat dua perusahaan, OpenAI dan Anthropic, mereka menambahkan hampir setengah dari jumlah itu dalam hal pendapatan operasional.

Dan David percaya bahwa jika perbandingan yang sama dibuat pada tahun 2026, seluruh industri perangkat lunak publik (termasuk SAP dan perusahaan perangkat lunak yang sudah mapan, bukan hanya SaaS), perusahaan AI (perusahaan model) dapat menambah 75% hingga 80% dari pendapatan mereka. Kecepatannya luar biasa. Ini berarti bahwa hanya dalam beberapa tahun, perusahaan AI akan menciptakan lebih banyak nilai baru daripada seluruh industri perangkat lunak tradisional.

Goldman Sachs memperkirakan bahwa konstruksi AI akan menghasilkan pendapatan $9 triliun. Dengan asumsi margin keuntungan 20% dan rasio P/E 22x, ini berarti kapitalisasi pasar baru sebesar $35 triliun. Sekitar $24 triliun dalam kapitalisasi pasar sekarang telah diperhitungkan terlebih dahulu. Meskipun kita dapat memperdebatkan apakah ini semua karena AI atau kinerja teknologi besar, masih ada banyak kapitalisasi pasar yang harus diperjuangkan, dan jika asumsi ini benar, ada banyak keuntungan.

David juga melakukan aritmatika sederhana. Perkiraan saat ini menunjukkan bahwa pengeluaran modal kumulatif untuk penyedia layanan cloud hyperscale akan berada di bawah $5 triliun pada tahun 2030. Untuk mencapai pengembalian ambang batas 10% dari investasi $4,8 triliun atau hampir $5 triliun ini, pendapatan AI tahunan harus mencapai sekitar $1 triliun pada tahun 2030. Menempatkan angka ini ke dalam konteks, $1 triliun adalah sekitar 1% dari PDB global untuk menghasilkan pengembalian 10%.

Apakah ini mungkin? Ini mungkin juga sedikit tidak mencukupi. Tetapi David percaya bahwa melihat tahun 2030 saja memiliki keterbatasan. Pengembalian investasi ini dapat direalisasikan dalam jangka waktu yang lebih lama, seperti antara tahun 2030 dan 2040. Dan jika kita sekarang berada pada skala sekitar $50 miliar dalam pendapatan AI (itu perkiraan kasarnya), dan ini sebagian besar telah dihasilkan dalam satu setengah tahun terakhir atau lebih, jalur dari $50 miliar menjadi $1 triliun bukanlah hal yang tidak terpikirkan.

Pemikiran saya tentang masa depan

Setelah mendengarkan berbagi David, perasaan terbesar saya adalah bahwa kita berada di awal titik balik bersejarah, bukan tengah atau akhir. Ini adalah siklus produk yang bisa berlangsung 10 hingga 15 tahun, dan kami baru saja memulai. Itu membuat saya bersemangat dan cemas.

Dengan penuh semangat, peluang yang dihadirkan oleh transformasi ini sangat besar. Untuk perusahaan yang dapat beradaptasi dengan cepat dan merangkul AI secara komprehensif, mereka tidak hanya mendapatkan keunggulan kompetitif tetapi lebih mungkin menjadi perusahaan yang menentukan era berikutnya. Kita akan melihat unicorn baru lahir, model bisnis baru muncul, dan cara pengorganisasian perusahaan yang sama sekali berbeda.

Kecemasan, perubahan ini mungkin jauh lebih cepat dari yang diharapkan kebanyakan orang. Data yang disebutkan David sangat menceritakan: waktu rata-rata yang dihabiskan perusahaan S&P 500 dalam indeks telah turun sebesar 40% selama 50 tahun terakhir. Artinya, tingkat gangguan perusahaan semakin cepat. Di era AI, kecepatan ini bisa semakin cepat.

Saya pikir akan ada diferensiasi yang jelas selanjutnya. Beberapa perusahaan akan benar-benar memahami potensi AI dan secara fundamental memikirkan kembali produk, proses, dan struktur organisasi mereka. Perusahaan-perusahaan ini mendapatkan efisiensi yang lebih besar dan keunggulan kompetitif yang lebih besar. Yang lain, bahkan jika mereka mau berubah, akan membuat kemajuan yang lambat karena kesulitan manajemen perubahan, inersia organisasi, hutang teknis, dll. Divergensi ini akan menjadi semakin menonjol di tahun-tahun mendatang.

Sekarang mungkin waktu terbaik bagi pengusaha. Dengan permintaan pasar yang sangat kuat dan kemampuan teknologi yang pesat, pasar modal masih bersedia mendukung perusahaan dengan potensi nyata. Dan sekarang dimungkinkan untuk mencapai skala yang sama dengan sumber daya yang lebih sedikit dan lebih cepat daripada perusahaan perangkat lunak generasi sebelumnya. Ini menurunkan hambatan untuk masuk ke dalam kewirausahaan, tetapi juga meningkatkan persyaratan untuk kualitas produk dan kesesuaian pasar.

Kunci bagi investor adalah mengidentifikasi Model Buster yang sebenarnya. Perusahaan-perusahaan ini akan tumbuh lebih cepat dan lebih lama daripada yang diprediksi oleh model tradisional mana pun. Tetapi itu juga membutuhkan investor untuk memiliki pandangan ke depan dan kesabaran yang cukup untuk percaya pada kurva pertumbuhan yang tampaknya tidak masuk akal.

Untuk praktisi, apakah Anda seorang insinyur, manajer produk, desainer, atau peran lainnya, Anda perlu belajar dan beradaptasi dengan cepat dengan alat dan cara kerja baru. Contoh yang disebutkan David—dua insinyur yang menggunakan alat pemrograman terbaru 10 hingga 20 kali lebih cepat dari sebelumnya—bukanlah kasus yang terisolasi, tetapi tren. Mereka yang dapat menguasai alat-alat baru ini, metode baru akan mendapatkan keuntungan karir yang sangat besar.

Akhirnya, saya ingin mengatakan bahwa pergeseran ini tidak hanya pada tingkat teknis, tetapi juga dalam cara berpikir. Dari “bagaimana kita harus melakukannya” hingga “hasil apa yang ingin kita capai”, dari “menambahkan lebih banyak orang” hingga “bagaimana memecahkan masalah ini dengan AI”, dari “mengikuti proses yang sudah mapan” hingga “menata ulang kemungkinan”. Pertanyaan tentang “listrik atau darah”, meskipun terdengar ekstrem, menangkap esensi dari transformasi ini.

Kami menyaksikan dunia perangkat lunak ditulis ulang. Ini bukan peningkatan bertahap, tetapi pemfaktoran ulang yang lengkap. Dan orang-orang dan perusahaan yang dapat memahami ini dan menerimanya akan menentukan era berikutnya.