Apa yang terjadi ketika perangkat lunak dan kecerdasan menjadi murah
Artikel ini diterjemahkan secara otomatis dari bahasa Jepang oleh AI (Claude). Mungkin terdapat kesalahan. Baca artikel asli dalam bahasa Jepang.
(Daftar artikel terkait AI lainnya ada di sini)
Sekitar tahun 1830, untuk mendapatkan sedikit penerangan di malam hari dibutuhkan sekitar 3 jam kerja. Namun, menjelang tahun 1992, konon hal itu hanya membutuhkan kurang dari 1 detik kerja. Perkembangan teknologi dari lilin ke bola lampu pijar, lalu ke lampu neon, membuat cahaya menjadi jauh lebih murah.
Namun, ketika cahaya menjadi murah, orang tidak berhenti pada membeli cahaya dalam jumlah yang sama dengan harga lebih murah.
Orang-orang menaruh cahaya bahkan di tempat yang dahulu tidak pernah terpikir untuk diberi cahaya, dan menyebarkan cahaya yang telah murah itu ke seluruh penjuru masyarakat, seperti jalan, pabrik, dan papan reklame. Dengan begitu, pabrik dapat beroperasi bahkan pada hari berawan atau hujan, dan kegiatan baru seperti usaha yang buka hingga larut malam dan membaca di malam hari menjadi mungkin.
Yang meraup keuntungan dari situ bukan hanya perusahaan yang menyediakan cahaya, tetapi juga perusahaan yang memanfaatkannya dengan baik.
Lalu, ketika perangkat lunak dan kecerdasan menjadi murah, bagaimana kita akan menggunakannya?
Saya kira perubahan besar yang dibawa oleh AI generatif tengah mengajukan pertanyaan itu kepada kita.
Apa yang sedang menjadi murah
Seiring perkembangan AI, biaya untuk jenis pekerjaan intelektual tertentu dan biaya untuk membuat perangkat lunak turun dengan cepat. Stanford HAI 2025 AI Index juga merangkum bahwa biaya inferensi dengan performa setara GPT-3.5 menjadi lebih dari 280 kali lebih murah dalam 18 bulan terakhir.
AI itu kini mulai paling banyak dimanfaatkan dalam pengembangan perangkat lunak. Harga perangkat lunak diperkirakan akan turun, dan hal ini mulai memengaruhi valuasi sebagian perusahaan SaaS (meski begitu, ada faktor majemuk seperti perubahan lingkungan suku bunga dan normalisasi multiple, sehingga tidak semuanya disebabkan oleh AI).
Sebenarnya, jika kita memikirkan operasional, penjaminan kualitas, implementasi, dan kejelasan pihak yang bertanggung jawab, tidak bisa dikatakan bahwa "seluruh biaya perangkat lunak sedang turun". Namun, biaya awal pengembangan perangkat lunak dan biaya sebagian pekerjaan riset serta verifikasi memang telah turun secara drastis.
Kita tidak tahu sampai level mana perkembangan kecerdasan buatan kali ini akan mencapai. Tetapi, bahkan dengan kecerdasan buatan pada level saat ini saja, hampir pasti biaya pengembangan perangkat lunak dan biaya sebagian riset akan turun drastis.
Jika demikian, memikirkan "apa yang akan terjadi ketika perangkat lunak dan kecerdasan menjadi murah" tampaknya merupakan pertanyaan yang memberi banyak petunjuk bagi bisnis ke depan.
Ketika menjadi murah, jangkauannya meluas
Yang dapat menjadi acuan di sini adalah sejarah teknologi di masa lalu.
Mari kita lihat contoh penerangan di awal tadi.
Antara tahun 1800 dan 2000, harga riil penerangan turun besar-besaran, dan seiring dengan itu total konsumsinya meningkat tajam. Orang-orang tidak sekadar "membeli cahaya yang sama dengan harga murah", melainkan memperluas cahaya hingga ke tempat-tempat yang sebelumnya tidak diberi cahaya.
Analogi ini tidak bisa diterapkan begitu saja pada perangkat lunak, tetapi kemungkinan besar perubahan struktural yang serupa akan terjadi. Artinya, ketika harga turun, orang tidak hanya memakai hal yang sama dengan lebih murah, tetapi mulai memakainya di tempat-tempat yang sebelumnya tidak sepadan dari segi biaya.
Misalnya, saya sendiri juga mengembangkan aplikasi berbasis AI untuk perkuliahan. Sebab, membuat sebuah aplikasi untuk satu sesi kuliah kini sudah cukup layak dari segi biaya.
Kegiatan penyebarluasan pengembangan perangkat lunak di ranah nirlaba (Non-Profit Startup dan Program Social Tech Universitas Tokyo, misalnya) juga merupakan contoh kegiatan yang berangkat dari gagasan seperti "masalah yang dulu membutuhkan insinyur, sekarang mungkin bisa dipecahkan".
Artinya, kegiatan yang selama ini dianggap "tidak sampai perlu dibuat secara khusus" atau "tidak bisa berjalan sebagai bisnis" mungkin saja mulai bisa berjalan karena perangkat lunak dan kecerdasan menjadi murah.
Melihat contoh-contoh seperti itu, saya kira yang perlu ditanyakan bukan hanya "seberapa murah AI dapat membuat pekerjaan yang sudah ada", melainkan justru "dengan perangkat lunak dan kecerdasan yang murah, masalah apa di ranah yang selama ini belum diperangkatlunakkan yang kini dapat dipecahkan".
Di mana nilai akan tersisa
Untuk beberapa waktu, permintaan akan muncul pada masalah-masalah yang kini dapat dipecahkan oleh perangkat lunak dan kecerdasan semacam itu.
Namun, masuknya perangkat lunak ke ruang masalah baru itu belum tentu menjadi bisnis besar berbasis perangkat lunak. Ada masalah yang memang tertinggal karena sulit menghasilkan keuntungan, dan seiring perangkat lunak menjadi mudah, nilainya secara relatif akan turun.
Akibatnya, yang terjadi adalah perpindahan tempat nilai tercipta.
Nilai lahir dari menguraikan titik-titik yang tersumbat dalam suatu aliran. Perangkat lunak selama ini menghasilkan nilai besar justru karena memecahkan hambatan bisnis berupa ketepatan dan kecepatan pemrosesan informasi dan pengambilan keputusan. Namun, jika perangkat lunak dan kecerdasan pada tingkat tertentu menjadi cukup murah dan melimpah, hambatan itu akan berpindah ke tempat lain.
Contohnya adalah penerapan di lapangan, kesediaan menanggung tanggung jawab, penjaminan kualitas, kepatuhan terhadap regulasi, data yang khas, integrasi ke dalam alur kerja, dan implementasi di dunia fisik.
Dalam konteks AI pun, hambatan sedang bergeser ke GPU, transformator pusat data, listrik dan air, serta antrean sambungan ke jaringan listrik (regulasi). AI sejauh ini berdiri di atas sumber daya fisik yang melimpah, tetapi kini kendala fisik mulai menjadi hambatan.
Dengan kata lain, nilai mungkin akan bergeser dari perangkat lunak itu sendiri ke hal-hal yang membuatnya benar-benar berfungsi di dunia nyata.
Inovasi komplementer
Pembahasan ini terhubung dengan gagasan "inovasi komplementer" yang juga saya kutip dalam buku seperti "Mengimplementasikan Masa Depan".
Peningkatan produktivitas berkat listrik dan motor listrik konon bukan hanya berasal dari listrik itu sendiri, melainkan juga dari inovasi seperti penataan mesin perkakas di pabrik yang dimungkinkan oleh motor listrik.
Teknologi serbaguna (GPT: General Purpose Technology) tidak menciptakan nilai dari penemuan tunggalnya sendiri, melainkan dari fungsi-fungsi komplementer yang muncul di sekitarnya, seperti penemuan komplementer, perancangan ulang organisasi, sumber daya manusia, dan tata kelola.
AI saat ini pun sama. Bahkan dalam keadaan sekarang, ketika semua orang dapat mengakses model yang sama, nilai yang benar-benar bisa dihasilkan sangat bergantung pada hal-hal komplementer, seperti bagaimana prompt dan alur kerja dirancang, pada pekerjaan apa AI disematkan, dan pada tingkat kualitas apa AI dioperasikan.
Selain itu, performa dan biaya teknologi berubah secara nonlinear, sedangkan mekanisme komplementer seperti organisasi dan institusi hanya berubah secara linear. Karena adanya kesenjangan inilah, pihak yang berhasil melakukan inovasi komplementer dengan tepat akan memperoleh keunggulan besar.
"Perusahaan AI-native" pun dapat dipahami dengan kerangka ini.
Dalam konteks ini, perusahaan AI-native adalah perusahaan yang memiliki seperangkat mekanisme komplementer terhadap AI. Sebagaimana tersebarnya penataan motor listrik di pabrik mengarah pada peningkatan produktivitas, saya kira organisasi yang berhasil mewujudkan mekanisme dan institusi baru karena perangkat lunak dan kecerdasan dapat disebarkan di mana-mana-lah yang akan menikmati manfaat AI.
(Namun, itu hanya selama infrastrukturnya dapat digunakan. Tergantung kondisi politik internasional ke depan, akses negara-negara kekuatan menengah ke AI bisa saja menjadi terbatas, jadi saya catat hal ini.)
Deep tech mungkin contoh yang paling khas
Jika dipikirkan demikian, yang menarik adalah ranah seperti deep tech.
Pertama, belakangan ini, dengan memakai AI generatif, sebagian verifikasi teknologi yang digunakan dalam bisnis deep tech menjadi jauh lebih cepat (terutama verifikasi tahap paling awal pada level estimasi Fermi dan analisis tekno-ekonomi sederhana). Pekerjaan yang dulu dilakukan dengan mencari pakar lalu meminta bantuan mereka, kini hasilnya kembali hanya dalam beberapa jam. Ini bisa dikatakan perubahan yang sangat menurunkan tembok pada fase awal ketika seseorang bercita-cita membangun startup deep tech.
Selain itu, jika AI for Science mulai berjalan dengan baik, makin banyak penemuan ilmiah akan bermunculan. Jika demikian, hambatan akan muncul pada proses mengomersialkan sebagian dari penemuan tersebut.
Selain itu, saya kira yang produktivitasnya meningkat besar setelah menjadi organisasi AI-native kemungkinan besar bukan perusahaan perangkat lunak, melainkan sektor di luar perangkat lunak. Sebab, perusahaan perangkat lunak sudah dipenuhi banyak perangkat lunak, sedangkan perusahaan di luar itu baru akan mulai menerapkannya, sehingga ruang perbaikannya besar.
Untuk menjadikan bisnis di sektor non-perangkat lunak seperti ini AI-native sekaligus benar-benar mengimplementasikannya di masyarakat, kita tetap harus menuntaskan pekerjaan berat seperti fasilitas eksperimen, manufaktur, regulasi, dan keselamatan. Namun, nilai tersisa di tempat yang sulit diimplementasikan, dan itu juga dapat dikatakan mudah menjadi Moat.
Alasan kita juga dapat berharap pada startup deep tech full-stack dan deep tech yang mementingkan hal di luar riset adalah konteks semacam ini.
Penutup
Yang sedang terjadi sekarang adalah biaya pekerjaan intelektual tertentu dan biaya pembuatan perangkat lunak turun dengan cepat. Akibatnya, perangkat lunak akan meluas bahkan ke masalah-masalah yang sebelumnya tidak menguntungkan. Sebagaimana penerangan meluas hingga ke tempat gelap, saya kira perangkat lunak dan kecerdasan pun akan disebarkan ke ruang masalah yang selama ini tidak terjangkau.
Karena itu, yang perlu ditanyakan bukanlah apa yang dapat diotomatisasi dengan AI, melainkan dengan perangkat lunak dan kecerdasan yang murah, masalah mana yang kini menjadi dapat diselesaikan dengan perangkat lunak, apa yang terjadi ketika itu terjadi, dan apa yang menjadi kelangkaan baru.
Dalam jangka pendek, permintaan terhadap AI itu sendiri dan perangkat lunak yang memanfaatkan AI akan meningkat. Namun, jika melihat lebih jauh, saya kira nilai kemungkinan besar akan muncul dari tempat-tempat lain yang lebih besar dari itu.
Pada saat itu, deep tech yang mengejar hambatan di dunia fisik adalah salah satu peluang terbesar. Dalam arti itu pula, saya berharap lebih banyak orang melirik ranah deep tech yang memanfaatkan AI dan perangkat lunak.
Riset kini benar-benar menjadi lebih mudah, jadi bagi yang tertarik, silakan lihat juga ranah deep tech.
Pengumuman
Kami membuat Podcast yang memperkenalkan startup deep tech di luar negeri dan artikel dari lembaga pemikir (think tank). Silakan dengarkan jika tertarik.