Token-maxxing seluruh anggota: sebuah perlombaan perlengkapan militer yang tidak ada yang berani berhenti

Penulis: Mitra dari Wuyuan Capital, Meng Xing; Sumber: LatePost

Kami melakukan kunjungan ke Silicon Valley dan menemukan bahwa bahkan orang yang menciptakan gelombang pun, hampir tenggelam dalam gelombang tersebut.

Pada pagi hari tanggal 24 Maret 2026, saya duduk di kursi penonton Demo Day batch YC W26, dan saat mendengar perusahaan kelima naik ke panggung untuk presentasi, saya memutuskan untuk berhenti mencatat.

Bukan karena tidak penting, tetapi saya menyadari bahwa apa yang saya catat ini mungkin sudah usang bulan depan.

Dari lebih dari seratus perusahaan di batch ini, hal yang mereka kerjakan sebenarnya sangat terpusat: sekitar 80% adalah agen vertikal, seperti membantu pengacara mengatur dokumen, membantu layanan pelanggan mendistribusikan tiket, membantu HR menyaring CV.

Jika saya melihat proyek-proyek ini pada Oktober tahun lalu, besar kemungkinan saya akan merasa “cukup inovatif”. Tapi masalahnya adalah, selama lima bulan ini, dunia telah berubah.

Claude Code dari sebuah alat yang lebih berorientasi pengembang, berubah menjadi antarmuka yang hampir bisa langsung digunakan oleh siapa saja. Setelah rilis Opus 4.6, seluruh vibe coding dengan vibe yang lebih santai, tingkat kesulitannya ditekan ke dasar.

Agen vertikal tersebut, sebelum membentuk hambatan bisnis, hari ini seorang engineer biasa, bahkan saya sendiri, hanya perlu satu akhir pekan untuk membuatnya, mereka sudah kehilangan nilai investasi.

Periode proyek YC satu batch adalah tiga bulan, dan batch ini masuk pada Desember, ditambah proses penyaringan awal, berarti mereka adalah “perusahaan bagus” yang dipilih sekitar lima bulan lalu. Tapi lima bulan dalam kecepatan iterasi AI saat ini sudah cukup untuk beberapa kali perubahan paradigma.

Pada tahun 2012, saat saya pertama kali memulai usaha, dan mendapatkan undangan Fly Out dari YC (undangan wawancara langsung), YC saat itu hampir satu-satunya di jalur akselerator, dan perusahaan yang mereka pilih sering mewakili “arah berikutnya”. Tapi kompetisi sedang berubah, dan dalam beberapa tahun terakhir, YC terasa berbalik, secara perlahan menjadi indikator lagging (terlambat).

Sistem batch YC, dari aplikasi, penyaringan, masuk, polishing, hingga presentasi, beroperasi selama lebih dari sepuluh tahun di era internet mobile, dan sangat sukses. Tapi ritme ini dirancang untuk dunia yang lebih lambat.

Kembali ke industri investasi risiko selama satu setengah tahun terakhir, saya kira setiap kuartal saya akan datang ke Silicon Valley, terakhir kali adalah Oktober tahun lalu. Sebelumnya setiap kali datang, saya merasa perubahan sangat cepat, tapi “cepat” ini biasanya dirasakan per bulan.

Sekarang, harus per “minggu”.

Suatu malam saat makan malam, seorang teman yang bekerja di post-training (pelatihan pasca) secara santai berkata:

“Saya menemukan, Silicon Valley sendiri sudah mulai mengikuti diri mereka sendiri.”

Token-maxxing seluruh tim: Perlombaan perlengkapan militer yang tak berani dihentikan oleh siapa pun

Setengah tahun yang lalu, jika ada yang bilang kepada saya bahwa puluhan ribu engineer Meta semuanya menggunakan produk pesaing untuk menulis kode, saya akan mengira dia bercanda.

Tapi ini nyata. Seluruh Meta, seluruh tim menggunakan Claude Code. Ini bukan startup, bukan tim eksperimental, melainkan perusahaan bernilai triliunan dolar.

Keamanan kode sudah tidak dipedulikan lagi, anggaran token meledak, papan peringkat bergelora, seluruh Silicon Valley menghamburkan uang tanpa biaya untuk AI. Tapi setelah mereka menghamburkan uang, lalu apa?

Pertama, soal keamanan kode. Setengah tahun lalu, hal ini sama sekali tidak terbayangkan, karena kode adalah aset inti perusahaan, bagaimana bisa membiarkan API dari perusahaan lain menyentuhnya? Meta awalnya juga berpikir begitu, mereka membuat sesuatu yang disebut myclaw untuk mengatasi masalah ini. Seorang teman dari Meta memberi tahu saya, mereka sudah membuat produk coding, tapi “tidak user-friendly, tidak dipakai orang”. Setelah tidak dipakai, perusahaan harus melonggarkan: selama tidak melibatkan data pelanggan, suka pakai Claude Code saja.

Kemudian setiap departemen mulai mengadakan rapat internal tentang “bagaimana menjadi organisasi native AI”, melakukan pelatihan, melakukan evaluasi. Keamanan kode, keamanan penggunaan, garis merah yang dulu dianggap mutlak, semuanya dipinggirkan, prioritas utama adalah meningkatkan efisiensi dulu.

Karena alasan keamanan, Google melarang sebagian besar karyawannya menggunakan Claude Code atau Codex dan alat pesaing lainnya, tapi DeepMind adalah pengecualian, beberapa tim yang bertanggung jawab atas model Gemini dan aplikasi internal mereka tetap menggunakan Claude Code.

Google sendiri juga tidak diam: mereka meluncurkan alat pengkode internal Antigravity, pada Februari tahun ini bahkan mengklaim sekitar 50% kode baru mereka sudah ditulis oleh AI.

Tapi meskipun begitu, orang-orang di DeepMind tetap menggunakan Claude Code. Alasan penting mereka berani melakukannya adalah karena Anthropic menyediakan deployment privat untuk mereka, mengingat inferensi dan pelatihan Anthropic memang berjalan di TPU Google Cloud, dan ada kepercayaan di antara mereka. Tapi Meta dan raksasa teknologi lain tidak punya hubungan seperti itu, mereka benar-benar mengabaikan keamanan kode. Semua orang bertaruh pada satu hal: mempercepat kecepatan.

Keamanan kode hanyalah bendera pertama yang tumbang, yang kedua adalah anggaran token.

Di beberapa startup AI-native di Palo Alto, anggaran token satu engineer setahun sekitar dua puluh-an ribu dolar. Angka ini tidak aneh, yang aneh adalah biaya AI yang dikeluarkan engineer top sudah mendekati gaji mereka sendiri. Tampaknya perusahaan menggunakan AI untuk mengurangi biaya PHK, tapi sebenarnya total biaya tidak berkurang, hanya mengganti biaya manusia dengan biaya token.

Meta adalah yang paling ekstrem dalam hal ini. Mereka membuat leaderboard konsumsi token internal: siapa yang paling banyak pakai, akan masuk daftar, dan yang di bagian bawah mungkin akan di-PHK, sehingga bahkan karyawan Meta bersaing untuk mendapatkan gelar tidak resmi “token legend”.

Namun di saat yang sama, Meta melakukan dua kali PHK tahun ini, totalnya lebih dari sepuluh ribu orang. Sementara semua orang menggunakan Claude Code untuk mengumpulkan token, mereka juga melakukan PHK besar-besaran.

Kedua hal ini bukan kontradiksi, melainkan dua sisi dari satu hal yang sama.

Saya mengunjungi sebuah perusahaan Seri C, kepala teknologinya membuka Slack untuk saya lihat, penuh agen yang berjalan, beberapa Cursor agent berjalan paralel di belakang, dan satu jendela Claude Code yang sedang diatur. Sekarang, kekhawatiran terbesar di kalangan programmer adalah: sebelum tidur, jika saya tidak tahu apa yang dilakukan oleh beberapa agen saya, saya akan panik.

Tapi apakah produktivitas benar-benar meningkat sebanyak itu? Sejak akhir tahun lalu, banyak CTO dari perusahaan inference engine dan database top, dengan antusias mengatakan kepada saya: “Engineer seratus orang bisa melakukan pekerjaan yang dulu membutuhkan 60 orang, dalam satu minggu dengan Claude Code.”

Awalnya saya juga merasa antusias, tapi kemudian saya menjadi tenang dan bertanya: oke, efisiensi meningkat 100 kali, apakah pendapatan perusahaan juga meningkat 100 kali? Atau lini produk berkembang 100 kali? Tidak mungkin “100 kali” peningkatan akhirnya hanya mengurangi jumlah orang, kan?

Saya tidak mendapatkan jawaban pasti. Faktanya, peningkatan efisiensi 100 kali, jika diterapkan ke pendapatan perusahaan, hanya menunjukkan kenaikan 50% atau 1 kali lipat.

Perbedaannya di mana? Saat ini belum ada yang bisa menjelaskan dengan pasti.

“Dengan menggunakan begitu banyak token, perusahaan seharusnya mengalami mutasi genetik menjadi perusahaan yang berbeda. Tapi menjadi apa, saya juga tidak tahu.”

Seorang pendiri yang berasal dari penjualan B2B memberi tahu saya, timnya yang terdiri dari 16 orang, termasuk dua sales, dalam 12 bulan dari nol mencapai 30 juta dolar ARR, semuanya berkat coding AI yang mereka bangun. Kasus seperti ini memang kadang terlihat. Tapi kebanyakan, yang saya lihat adalah startup membangun lebih banyak hal, tapi hal-hal ini belum cocok dengan pasar (PMF).

Silicon Valley saat ini sangat suka mencoba 100 pendekatan dengan vibe coding, untuk melihat mana yang berhasil, bukan hanya 10. Tapi siapa yang bisa menangkap tren berikutnya? Masih sangat sulit dipastikan.

Contoh paling berkesan yang bertentangan adalah dari internal Anthropic. Saya bertanya kepada seorang teman di Anthropic, apa situasi paling menyakitkan saat menggunakan agent? Dia bilang: oncall (tanggap darurat).

Situasi umum oncall adalah: jika API Claude tiba-tiba melambat, ada node inferensi model yang mati, atau prompt output pengguna bermasalah, engineer oncall harus cepat menemukan akar masalahnya, apakah bug kode, masalah alokasi daya komputasi, atau gangguan pada model itu sendiri, lalu memutuskan cara memperbaikinya.

Anthropic sendiri adalah perusahaan coding agent terkuat di dunia, dan situasi ini sangat dekat dengan kemampuan inti mereka, tapi agen oncall internal mereka tetap tidak efektif.

Inilah keadaan nyata bulan April 2026: mesin uap sudah ditemukan, tapi kadang-kadang kecepatannya masih kalah dari kereta kuda. Intinya, semua orang tahu mesin uap pasti akan lebih cepat, jadi mereka semua menghamburkan uang secara gila-gilaan: keamanan kode diabaikan, anggaran token meledak, papan peringkat bergelora. Tapi kapan mesin uap benar-benar bisa mengalahkan kereta kuda? Tidak ada yang tahu, tapi tidak ada yang berani berhenti menunggu hari itu.

Karena berhenti berarti biaya yang lebih besar daripada menyia-nyiakan token.

Selain itu, konsumsi token besar kemungkinan tidak bertambah secara linier. Ini mengingatkan saya pada pengalaman saya sebelumnya di autonomous driving: pada tahun 2021 di Shanghai, kami pertama kali mencapai 5 jam berkendara otomatis tanpa intervensi. Saat itu, saya merasa ini adalah terobosan besar, sebelumnya jumlah mobil uji mungkin 10, 15, 20 secara perlahan bertambah; tapi setelah titik ini, dengan cepat mencapai 100, 1000. Saat ini, agen coding berada di tahap yang serupa.

Pada tahun 2021 di Shanghai, Didi Autonomous Driving pertama kali mencapai 5 jam berkendara otomatis tanpa intervensi, sebuah tonggak dalam otomatisasi kendaraan di dalam negeri. Gambar menunjukkan COO Didi Autonomous Driving saat itu, Meng Xing, berbincang dengan Sebastian Thrun, “Bapak Mobil Tanpa Pengemudi” dari Google, tahun 2021.

METR adalah lembaga riset di California yang khusus menilai kemampuan pengkodean AI. Mereka tahun lalu mengusulkan sebuah indikator: berapa lama agen AI mampu menyelesaikan tugas dengan tingkat keberhasilan 50% (mengacu pada waktu penyelesaian oleh ahli manusia). Saat pertama kali dirilis pada Maret 2025, angka ini untuk Claude 3.7 Sonnet adalah 50 menit; pada akhir 2025, Claude Opus 4.6 sudah mencapai 14,5 jam. Dalam dua tahun terakhir, periode penggandaan indikator ini dari 7 bulan menjadi 4 bulan. Jika keandalan agen meningkat ke level berikutnya, konsumsi token bukan lagi masalah kenaikan 50% per tahun, melainkan bisa dalam satu malam meningkat satu tingkat.

Ada prediksi yang disepakati banyak orang: hingga akhir tahun ini, banyak perusahaan (termasuk perusahaan teknologi besar) sebenarnya hanya membutuhkan 20% dari tenaga kerja mereka.

Tim xAI meledak, orang yang membangun roket mulai membangun model

Di sebuah restoran steak di Mountain View, sekitar pukul sembilan malam, seorang teman yang pernah bekerja lama dengan Elon Musk duduk di depan saya. Setelah berbincang lebih dari tiga jam, saya menyadari bahwa selama proses itu dia sepertinya tidak pernah memuji Elon Musk.

Satu detail: saya bertanya padanya, selama tiga tahun di xAI, ritme hariannya seperti apa? Dia bilang selama tiga tahun hampir selalu tinggal di perusahaan, jadi rumahnya tidak banyak dihias, bahkan tempat tidur pun belum dibeli. Mereka tidur di sleeping pod, mirip asrama. Saya bilang, sekarang dia punya saham besar, sudah keluar dari perusahaan, setidaknya beli tempat tidur lah. Dia tersenyum.

Kerja di xAI terkenal keras di Silicon Valley, tapi sekarang tim awalnya sudah sekitar 90% pergi. Mereka punya grup keluar, setiap hari menambah anggota.

Pemicu utamanya adalah Tony Wu dipecat, lalu berantai, menurut seorang sumber internal, “Perusahaan lain mungkin perlu waktu setengah tahun untuk menggerakkan tim eksekutif keluar, tapi di xAI cukup satu bulan.” Beberapa orang sudah merasakan ketidakpuasan Elon sejak Oktober tahun lalu, tapi tidak menyangka akan dibersihkan begitu cepat.

Sekarang Elon mulai memindahkan orang dari SpaceX dan Tesla untuk mengelola xAI, “orang yang membangun roket mulai membangun model.”

Ketidakpuasan Elon berasal dari dia telah menginvestasikan banyak dana dan daya komputasi, tapi Grok belum bisa masuk garis depan, kenapa? Ini pertanyaan yang selalu saya tanyakan kepada orang yang keluar dari xAI. Jawabannya sebenarnya lebih sederhana dari yang saya bayangkan, kata seorang teman: tim mereka sangat kuat, kerja keras, tapi cara manajemen manufaktur mungkin tidak cocok untuk perusahaan model besar.

Saya sudah delapan tahun di autonomous driving, dan punya beberapa pengalaman pribadi. Elon dulu di SpaceX dan Tesla, pada dasarnya melakukan rekayasa sistem: rantai panjang, melibatkan software, hardware, supply chain, dan setiap bagian punya ruang inovasi, tapi akhirnya adalah masalah rekayasa end-to-end.

Dia ahli dalam mengidentifikasi titik kunci dalam rantai panjang ini, lalu mempercepat waktu secara ekstrem untuk mengatasi. Mesin roket yang berantai, pendaratan ulang yang dapat digunakan kembali, semua adalah hasil dari pola pikir ini.

Tapi di xAI, dia tidak melakukan rekayasa sistem. Sekarang dia melakukan tiga hal: pertama, menggelontorkan GPU terbesar di dunia (bahkan sekarang orang bercanda, xAI awalnya adalah neo lab, sekarang lebih mirip neo cloud, menjadi penyedia daya komputasi untuk Cursor), lalu memberi tim deadline yang sangat ketat, dan secara pribadi membuat beberapa fitur produk. Ini fokus pada beberapa titik, bukan perencanaan lengkap.

Orang yang bekerja di autonomous driving tahu, di tahap akhir, konflik utama muncul antara tim software, infra, dan hardware. Ketiganya membutuhkan keputusan dari CTO level, tapi tidak ada satu orang pun yang menguasai ketiganya sekaligus. Cara terbaik adalah, meskipun pendiri tidak menguasai semuanya, mereka tahu bagaimana menyeimbangkan sumber daya dan menentukan prioritas tahap tertentu—misalnya, fokus software dulu, lalu tahap berikutnya beralih ke infra. Ini disebut perencanaan global.

Masalah xAI adalah tidak adanya perencanaan global ini, hanya dorongan untuk sprint. Jika tekanan tidak terlalu besar, orang-orang cerdas sebenarnya bisa memperbaiki diri sendiri, memberi mereka waktu, dan setiap bagian akan menemukan ritme kolaborasi sendiri. Tapi tekanan tinggi dari Elon, ditambah kurangnya perencanaan global yang memadai, membuat semuanya berantakan. Setiap pemimpin bagian berjuang menjaga prioritasnya sendiri, tanpa ada yang mengatur secara menyeluruh.

Keberhasilan SpaceX dan Tesla salah satunya karena mereka jarang menghadapi kompetitor selevel, mereka bersaing dengan diri mereka sendiri. Tapi AI berbeda, kompetisinya sangat brutal, bahkan OpenAI bisa disalip oleh Anthropic.

Salah satu cofounder xAI tahun lalu bilang, ada dua hal yang tidak dia duga: pertama, kompetisi sangat sengit; kedua, peluang inovasi aplikasi di era AI sangat sedikit, karena sudah diambil alih oleh model.

Kebangkitan Anthropic adalah salah satu revolusi paling dramatis dalam industri AI selama setahun terakhir. Juga mengubah fokus utama: setahun lalu mereka masih bersaing di pengguna C-end dan generasi video, sekarang (sementara) medan perang utama adalah toB dan coding.

Tentu saja, kisah xAI juga merupakan cerita tentang “uang datang terlalu cepat dan terlalu banyak, apa yang akan terjadi?”

Saya rasa teman-teman yang meninggalkan xAI hari ini tidak akan menyesal bergabung dulu, karena xAI adalah salah satu mitos kekayaan tercepat di Silicon Valley. Dari pendanaan awal ratusan juta dolar, hingga bergabung dengan SpaceX dan menjadi perusahaan bernilai 250 miliar dolar, hanya dalam satu tahun. Dan dari 9 cofounder, hampir semua menjadi miliarder, dan insinyur utama bernilai puluhan juta hingga satu miliar dolar, uang di Silicon Valley benar-benar berlimpah. Kalau mereka mau berbisnis lagi, mereka punya modal penuh untuk mengejar bidang yang mereka minati, bukan sekadar mencari uang cepat.

Insinyur yang cemas, peneliti yang lebih cemas

Bercakap dengan insinyur, sekarang ada semacam kesepahaman aneh: semua mengakui mereka sudah jarang menulis kode, tapi mereka pura-pura tidak peduli karena mereka akan dilengkapi AI, dan mengalahkan insinyur yang tidak mengadopsi AI.

Saat ini 80% dari keahlian utama software engineer sudah bisa digantikan oleh model, dan alasan mereka tetap bertahan adalah karena model kadang-kadang membuat kesalahan, jadi perlu pengawasan manusia. Tapi “pengawasan” ini sendiri mungkin tidak akan lama lagi diperlukan.

Lebih ekstrem lagi, organisasi “native AI” yang sekarang terdengar sangat seksi—meminta setiap departemen merapikan alur kerja, mengotomatisasi bagian yang bisa diintervensi AI, dan menulis skill. Tapi intinya, ini seperti mendistilasi diri sendiri secara manusiawi: kamu mengubah kemampuanmu menjadi skill mesin, perusahaan mendapatkan skillmu, dan secara praktis sudah melakukan AIisasi. Apakah ini berarti PHK? Itu soal moral. Saat ini Meta sedang melakukan ini.

Meskipun semua sedang berlomba token-maxxing, kamu tetap bisa merasakan adanya kecemasan mendalam yang menyelimuti Silicon Valley.

Lebih mengejutkan lagi, kecemasan ini mulai menyebar ke kalangan researcher.

Researcher adalah orang-orang paling puncak dalam piramida talenta, bukan sekadar “peneliti”, melainkan mereka yang di perusahaan model besar (OpenAI, Anthropic, DeepMind, dll), yang bertanggung jawab atas pelatihan model dan inovasi algoritma. Mereka berbeda dari engineer: engineer “membuat sesuatu”, menulis kode, meng-deploy, mengoptimasi; researcher adalah “memikirkan apa yang harus dibuat”: mengusulkan metode pelatihan baru, merancang arsitektur model, menjalankan eksperimen untuk menguji hipotesis.

Sekarang, bahkan pekerjaan researcher pun mulai diotomatisasi. Ini yang dilakukan oleh rekan-rekan di DeepMind—menggunakan model untuk melatih model sendiri, dan ini adalah tren besar AI self-evolution tahun ini. Tahun ini, yang dihapus pertama adalah engineer, dan pada akhir tahun, researcher juga akan mulai tergantikan.

Ini bukan konsep baru. Auto research dari Andrej Karpathy sudah membuka jalan, dan saat ini berbagai alat scientist AI dan kerangka harness menuju ke arah ini. Tapi saat ini, sebagian besar proses otomatis baru sampai tahap “menghasilkan paper”—AI membantu menjalankan eksperimen dan menulis makalah, tapi tetap manusia yang memutuskan.

Perusahaan seperti OpenAI, Anthropic, Google ingin membuat loop tertutup yang langsung mengupgrade model, bukan hanya memperbaiki detail, tapi AI sendiri yang menemukan terobosan paradigma berikutnya. Jika ini berhasil, maka benar-benar akan menggantikan researcher. Google DeepMind sudah mengerjakan ini selama lebih dari setahun: membiarkan model memutuskan eksperimen apa yang harus dilakukan selanjutnya, menilai sendiri jalan mana yang lebih menjanjikan, lalu mengikuti jalur tersebut—ini adalah model yang melatih model sendiri.

Selain itu, motivasi researcher untuk di-PHK juga semakin besar—karena biayanya sangat tinggi. Researcher di seluruh dunia mungkin hanya beberapa ribu orang, dengan gaji tahunan jutaan dolar, bahkan puluhan juta atau ratusan juta dolar.

“Di masa depan, mungkin 10 orang melakukan pekerjaan 100 orang, dengan bayaran 20%, dan 90 orang lainnya menganggur.”

Dan PHK yang sebenarnya jauh lebih besar dari angka yang terlihat. Banyak perusahaan memotong pertama-tama bukan dari laporan keuangan mereka, melainkan dari vendor outsourcing. Ini berarti negara-negara seperti India dan Filipina, yang selama ini menjadi basis layanan pelanggan, data labeling, backend keuangan, mungkin akan paling dulu terkena dampaknya. Jalur peningkatan ekonomi melalui jasa ini mungkin sedang disingkirkan oleh AI.

Seluruh Silicon Valley mengawasi Meta, jika eksperimen mereka berhasil—pendapatan tetap, efisiensi meningkat—perusahaan besar lain akan cepat mengikuti, dan PHK akan menjadi norma industri. Dan mekanisme percepatan PHK ini sangat brutal: awalnya mereka takut mem-PHK karena takut merusak moral, tapi begitu menjadi kebiasaan, PHK akan semakin cepat dan semakin tidak peduli.

Tapi, bersamaan dengan mengurangi posisi lama, posisi baru juga bermunculan.

Banyak startup mulai merekrut peran baru bernama “AI builder”—menggabungkan product manager, front-end engineer, back-end engineer. Ada juga posisi gabungan data scientist dan machine learning engineer, serta content creator yang menggabungkan penulisan, pemasaran, dan operasional.

Permintaan terhadap peran-peran ini sangat tinggi di Silicon Valley, tapi tantangannya adalah: tidak ada orang yang tahu cara merekrut mereka. Kamu tidak bisa menilai dari CV karena peran ini sebelumnya tidak ada, dan kemampuan mereka mungkin tersembunyi di proyek pribadi mereka; kamu juga tidak bisa menguji lewat coding langsung, karena kemampuan utama mereka adalah “estetika + kemampuan menggunakan AI”. Jadi, sudah ada startup yang mengotomatisasi proses ini: berdasarkan kebutuhan pemberi kerja, secara otomatis membuat lingkungan simulasi, dan peserta wawancara harus menyelesaikan tugas menggunakan AI secara langsung. Mirip tes coding dulu, tapi menguji sesuatu yang benar-benar baru.

Ketika AI mampu melakukan segalanya, nilai manusia beralih dari “apa yang bisa dilakukan” ke “apa yang layak dilakukan, dan apa yang tidak layak dilakukan”.

Dua valuasi untuk satu putaran pendanaan, Nvidia harus mengamankan chip di setiap “meja judi”

Setelah membahas banyak orang yang tergantikan—engineer, researcher, profesional keuangan—ada satu peran yang justru tidak tergantikan, malah semakin menjadi semacam bos belakang layar.

Dunia inovasi yang tampaknya tersebar secara desentralisasi ini, sebenarnya sangat terpusat.

Pusatnya adalah Nvidia.

Saya kira, kelangkaan chip ini sudah berkurang dalam setahun terakhir. Memang sempat berkurang, sekitar pertengahan 2025, beberapa perusahaan neo cloud yang didukung Nvidia—yang muncul selama gelombang AI—kesulitan pendanaan, ada yang pertumbuhan bisnisnya melambat, bahkan ada yang dijual. Tapi kali ini saya datang lagi dan melihat, kelangkaan itu kembali, dan bahkan lebih ekstrem.

Sinyal konkret: jika kamu mampu menyediakan API yang stabil, misalnya API Claude, dengan tingkat stabilitas 99 persentil, kamu bisa menjual harga API resmi dua sampai tiga kali lipat.

Setelah permintaan dari Anthropic melonjak, gangguan API semakin sering terjadi, yang menjadi masalah bagi banyak produk agent berbasis Claude.

Dulu, bisnis router, “lebih murah dari resmi, jadi ada trafik”. Sekarang, logikanya terbalik: stabilitas menjadi sumber daya yang langka. Beberapa startup sudah mendapatkan keuntungan besar dari ini, dan saat ini muncul banyak mini Coreweave / Nebius di Silicon Valley.

Selain itu, bottleneck daya komputasi ini bukan hanya soal distribusi GPU. Elad Gil baru-baru ini menulis analisis yang saya setujui: kapasitas pabrik memori upstream (Hynix, Samsung, Micron) setidaknya membutuhkan dua tahun lagi untuk ekspansi. Artinya, sebelum 2028, tidak ada perusahaan AI yang bisa secara signifikan membedakan diri dengan menumpuk daya komputasi. Kendala daya ini secara objektif memperkuat posisi oligarki di pasar model besar—bukan karena mereka tidak berusaha, tapi karena siklus manufaktur dunia memang lambat.

Struktur kekuasaan di balik ini sangat jelas: siapa yang punya kartu, dia yang kuat; siapa yang punya kartu, ditentukan oleh Nvidia. Saat ini, perusahaan seperti CoreWeave, Lambda, Nebius yang terdaftar di pasar saham, semua didukung Nvidia.

Nvidia telah merencanakan strategi yang lebih dalam dari yang saya bayangkan. Investor Reflection menyebutkan, saat pertama kali mereka mengumpulkan dana, fokusnya adalah coding, lalu pendiri bertemu dengan Huang Renxun, dan Huang berkata: “Jangan fokus ke coding, keluarlah dan buat ‘DeepSeek Amerika’, buat model open source Amerika, aku akan beri uang dan kartu.” Reflection pun bertransformasi 180 derajat.

Pasar modal AS juga mulai muncul struktur yang jarang terlihat sebelumnya: dalam satu putaran pendanaan, diberikan dua valuasi berbeda. Investor yang sudah lama masuk dan dekat, mendapatkan valuasi rendah; sementara raksasa seperti Nvidia yang tidak kekurangan uang, dan investor yang datang belakangan, mendapatkan valuasi tinggi. Struktur ini mulai muncul juga di dalam negeri.

Tapi, Nvidia tidak bisa mengendalikan distribusi yang tidak ada. Seluruh masyarakat AS sedang menentang pembangunan pusat data. Saat ini, sekitar 100 proyek data center di seluruh AS menghadapi hambatan, 40 di antaranya langsung gagal. Maine baru saja mengesahkan undang-undang yang melarang pembangunan data center secara total. Sebuah kota menyetujui proyek data center senilai 6 miliar dolar, tapi setengah anggota langsung dipecat melalui voting, dan pengganti mereka hanya bertujuan membatalkan keputusan tersebut.

Keterbatasan daya komputasi ini bukan karena produk tidak cukup bagus atau pengguna tidak cukup banyak, melainkan karena dunia fisik tidak mampu mengikuti kecepatan dunia digital.

Ini adalah level lain dari “ketertinggalan”.

Sistem valuasi Silicon Valley sedang ditulis ulang

Mari kita mulai dari angka.

PDB AS sekitar 30 triliun dolar. Saat ini, pendapatan tahunan dari OpenAI dan Anthropic masing-masing sekitar 30 miliar dolar, artinya kedua perusahaan ini sudah menyumbang sekitar 0,1% dari PDB AS. Jika keduanya mencapai 100 miliar dolar di akhir tahun, ditambah pendapatan dari cloud dan AI lainnya, maka AI akan menyumbang sekitar 1% dari PDB AS. Dari hampir nol menjadi 1% dalam beberapa tahun saja.

Kecepatan ini belum pernah terjadi sebelumnya. Tapi anehnya, semakin cepat pertumbuhan, semakin bingung investor dalam menentukan harga—karena pertumbuhan yang sangat cepat ini, kerangka valuasi di Silicon Valley mulai runtuh.

Saya sudah berdiskusi beberapa kali dengan teman-teman di pasar sekunder, dan satu kata yang sering muncul adalah “re-rationalization” (kembali ke rasionalitas valuasi).

Tahun-tahun lalu, saat berinvestasi di AI, logika valuasi mereka adalah melihat arus kas masa depan: kamu hari ini rugi tidak masalah, saya bertaruh bahwa tiga atau lima tahun lagi, ARR (annual recurring revenue) kamu akan besar. Tapi sekarang, kerangka ini mulai bermasalah.

Masalahnya terletak pada model valuasi DCF (discounted cash flow) yang paling dasar. Biasanya, kita memprediksi arus kas 10 tahun ke depan, lalu menambahkan terminal value, yaitu nilai sisa perusahaan setelahnya, dan menganggap perusahaan akan beroperasi secara stabil. Terminal value biasanya menyumbang 70-80% dari total valuasi.

Tapi sekarang, ada dua hal yang berubah: pertama, kita mungkin hanya bisa memprediksi 3 tahun ke depan, karena setelah itu, (bahkan dalam 1 tahun) industri ini bisa berubah total dan kita tidak bisa melihatnya; kedua, terminal value pun sulit dihitung, karena asumsi stabilitas operasional tidak lagi valid—karena AI bisa mengganggu segalanya kapan saja, dan “stabil” tidak lagi bisa dijamin.

Saya membandingkan dengan seorang investor sekunder, dan dia memberi analogi: perusahaan yang tidak berada di jalur utama AI saat ini, lebih seperti menunggu “bom nuklir”—kamu tahu pasti akan terganggu, tapi tidak tahu kapan. Jadi, fokus penilaian bukan lagi “bagaimana jika tidak terganggu”, melainkan “seberapa cepat bisa merespons saat terganggu”. Ini adalah logika valuasi yang berbeda.

SaaS adalah yang pertama mengalami penyesuaian harga dari Wall Street. Pada 2023, jika dihitung dari arus kas bebas, perusahaan seperti Snowflake membutuhkan hampir 100 tahun untuk balik modal; sekarang, valuasinya sudah terjun bebas, dan perusahaan seperti ServiceNow, Workday mengikuti tren ini. Ini baru permulaan.

Bahkan, sebaliknya, perusahaan yang benar-benar cocok dengan model DCF adalah perusahaan model besar terkemuka, karena mereka tampaknya akan tumbuh secara stabil ke depan, dan tidak akan “meledak”, melainkan memperluas batasnya.

Dulu, startup menawarkan “gaji lebih rendah tapi opsi saham besar, dan nanti nilainya akan besar”. Tapi, asumsi ini hanya benar jika perusahaan tetap ada dan bernilai tinggi selama 15-20 tahun. Kalau tidak, reaksi paling rasional adalah—“Jangan beri saya opsi, berikan saya uang tunai saja.”

Ini akan mengubah struktur biaya dan logika pendanaan perusahaan.

VC juga sedang menderita. Dalam 3-6 bulan terakhir, hampir semua dana di Silicon Valley berinvestasi minimal satu perusahaan neo lab, dan para peneliti dari lab AI terkenal yang membawa ide mereka mendapatkan puluhan juta dolar. Tapi sekarang, semua merasa sedikit impulsif dan terlalu mahal. Tapi kenapa tetap berinvestasi? Karena jika perusahaan ini benar-benar berhasil, pertumbuhannya akan sangat cepat sehingga valuasi awal terasa murah.

Seorang investor berkata secara jujur: “Kalau mau, dari nol ke 100, atau dari nol ke nol, lebih baik ambil peluang di neo lab yang punya potensi tak terbatas daripada menginvestasi di startup mahal yang hanya menghasilkan ‘uang kering’.”

Dulu, orang menganggap 1 dolar ARR sama nilainya, tidak peduli apakah itu model, aplikasi, atau infra. Tapi sekarang, kesetaraan ini sudah rusak.

Perusahaan agen vertikal memiliki multiple terendah (sekitar 5x), agen umum lebih tinggi (sekitar 10x), dan model terbesar (20-30x ARR, misalnya Anthropic 30 miliar USD ARR, valuasi 800 miliar USD, 26,7x). Setahun lalu, saya pikir mengalikan ARR dengan satu faktor untuk valuasi sudah cukup, tapi sekarang, rumus ini sudah tidak valid lagi.

Orange Tree dan Daftar Pembunuh AI

Silicon Valley sedang mengalami krisis kepercayaan yang mendalam.

Dalam perjalanan ke sana, saya terus mendengar orang-orang membahas hal yang sama: membeli Bitcoin, membangun bunker, memasang kaca pelindung peluru di rumah mereka—bembicara mereka bukan bercanda.

Akhir-akhir ini, orang di Silicon Valley mulai menanam pohon jeruk berdaun tajam, karena cabangnya berduri 4 inci, dan siapa pun yang mencoba melewati akan membayar harga mahal.

The Wall Street Journal bahkan melaporkan sebuah “rumah kuat” seharga 15 juta dolar: pot beton berisi pohon jeruk berduri, di belakangnya ada parit, di dalamnya ada sistem deteksi intrusi laser, pintu depan dari baja solid setebal 3 inci dengan 13 kunci, dan ruang perlindungan aman seberat 2000 pon, lengkap dengan desain yang bertahan dari serangan.

Perusahaan yang menyediakan keamanan rumah bagi CEO, mencatat pertumbuhan tertinggi sejak 2003. Terutama setelah CEO UNH ditembak mati di Manhattan, tren ini semakin cepat.

Lalu, suara tembakan sampai