中信建投：Perangkat lunak mengalami koreksi mendalam, mencari peluang kesalahan pembunuhan

CITIC Securities menyatakan bahwa, saat ini penurunan drastis yang tidak terpilih di sektor perangkat lunak memberikan peluang untuk penetapan harga yang terpisah berdasarkan kedalaman penghalang. CITIC Securities menyarankan untuk melakukan alokasi berdasarkan “atribut pertahanan dan serangan penghalang”: ① Mengunggulkan secara signifikan aset “penghalang agresif”, di mana penghalang itu sendiri menjadi dasar pertumbuhan baru di era AI; ② Memperhatikan jendela “transisi dari pertahanan ke serangan”, di mana penghalang tradisional kuat tetapi perlu memverifikasi konversi pendapatan AI; ③ Menghindari aset dengan konstanta waktu penurunan penghalang yang pendek, perusahaan dengan kompleksitas rendah + data dangkal. Memperhatikan kemajuan kolaborasi OpenAI, Anthropic, dan perusahaan konsultasi, serta titik belok pertumbuhan harga dan ARR perusahaan perangkat lunak.

Seluruh teks sebagai berikut

CITIC Securities: Penurunan mendalam di sektor perangkat lunak, mencari peluang yang terlewatkan

Saat ini penurunan drastis yang tidak terpilih di sektor perangkat lunak memberikan peluang untuk penetapan harga yang terpisah berdasarkan kedalaman penghalang. Kami menyarankan untuk melakukan alokasi berdasarkan “atribut pertahanan dan serangan penghalang”: ① Mengunggulkan secara signifikan aset “penghalang agresif”, di mana penghalang itu sendiri menjadi dasar pertumbuhan baru di era AI; ② Memperhatikan jendela “transisi dari pertahanan ke serangan”, di mana penghalang tradisional kuat tetapi perlu memverifikasi konversi pendapatan AI; ③ Menghindari aset dengan konstanta waktu penurunan penghalang yang pendek, perusahaan dengan kompleksitas rendah + data dangkal. Memperhatikan kemajuan kolaborasi OpenAI, Anthropic, dan perusahaan konsultasi, serta titik belok pertumbuhan harga dan ARR perusahaan perangkat lunak.

Sektor perangkat lunak di pasar AS sedang mengalami penurunan valuasi terdalam sejak Maret 2020, dengan median EV/NTM Rev turun menjadi 3.2x, jauh di bawah rata-rata historis 7.8x sebelum pandemi. Anthropic merilis alat Claude Code/Cowork yang memicu narasi akhir “AI akan menghabisi SaaS”, namun penurunan yang panik ini mencampurkan perusahaan tipe “penegakan hukum + catatan sistem” (konstanta waktu penurunan penghalang 5-10 tahun) dengan perusahaan tipe “pengemasan UI + otomatisasi sederhana” (konstanta waktu penurunan penghalang 6-24 bulan), yang menyebabkan kesalahan penetapan harga struktural. Setelah disesuaikan dengan pertumbuhan pendapatan, rasio valuasi sektor telah kembali mendekati rata-rata sepuluh tahun terakhir. Kami percaya saat ini adalah jendela untuk melakukan penetapan harga yang terpisah di sektor perangkat lunak.

Tingkat model semakin homogen, tetapi tidak sepenuhnya homogen. Berdasarkan penelitian empiris tim MIT dan lainnya terhadap data OpenRouter, volume pemanggilan model tertutup masih menyumbang 75%, elastisitas harga permintaan jangka pendek hanya -1.11 (dekat dengan elastisitas satu), menunjukkan bahwa pasar model besar menunjukkan pola “kompetisi berpusat pada merek”, dengan biaya konversi internal ekosistem yang sangat rendah, dan biaya konversi antar ekosistem yang sangat tinggi. Namun, siklus keunggulan model teratas telah menyusut dari 7.5 bulan pada awal 2025 menjadi kurang dari 4 bulan, perbedaan antara peringkat pertama dan kesepuluh GPQA terus menyempit, dan jendela premium harga untuk produsen model semakin menyusut. Marjin kotor OpenAI pada tahun 2025 turun dari 40% menjadi 33%, marjin kotor Anthropic 40% (di bawah ekspektasi 50%), biaya inferensi lebih tinggi 23% dari yang diperkirakan, dan ruang keuntungan di tingkat model sedang tertekan oleh konsumsi daya komputasi test-time dan deflasi harga API, memaksa produsen model untuk menyusup ke tingkat aplikasi.

Kerangka “biaya kesalahan” membuktikan bahwa bidang vertikal bernilai tinggi masih memerlukan model terkuat, dan AI tidak dapat menggantikan semua perangkat lunak secara rata. Berdasarkan data litigasi medis AS, perkiraan kerugian ekonomi setiap kesalahan yang dilakukan AI dalam konteks diagnosis medis adalah $45-63 (setelah disesuaikan), jauh melampaui ambang biaya untuk menggunakan model inferensi berkinerja tinggi. Dalam konteks persetujuan kredit, dengan menggabungkan kerugian kredit positif palsu dan biaya peluang positif palsu, biaya kesalahan tunggal yang tertimbang berada di kisaran $27-125 (tergantung pada saldo). Ini berarti, dalam konteks biaya kesalahan tinggi, nilai ekonomi yang didukung oleh peningkatan akurasi model dari 90% menjadi 95% dapat mencapai puluhan hingga ratusan kali premium harga; titik fokus kompetisi yang sebenarnya bukanlah siapa yang memiliki API lebih murah, tetapi siapa yang bisa mendekati tingkat akurasi ahli di bidang vertikal.

Scaling masih melanjutkan dalam tiga arah paralel, dan jalur “singularitas” di bidang vertikal telah menjadi jelas. Empiris dari 2025-2026 menunjukkan bahwa peningkatan kinerja model berasal dari: ① Perbaikan algoritma RL/RLVR (GRPO→DAPO→Dr.GRPO→λ-GRPO), dari penghargaan label manusia ke validasi otomatis; ② Scaling pada waktu inferensi (Deep Think pemikiran paralel, Agent Swarm sampling paralel, optimasi efisiensi berpikir), DeepSeek R1-0528 dengan meningkatkan daya komputasi pasca pelatihan meningkatkan akurasi AIME dari 70% menjadi 87.5%; ③ Perbaikan efisiensi arsitektur (MoE sparsity activation, linear attention, sparse attention), pelatihan PARL Kimi K2.5 mengurangi waktu operasional end-to-end hingga 80%. Dalam konteks di mana keuntungan marjinal di tiga arah tidak cepat menyusut, akurasi di bidang vertikal akan terus meningkat, dan jalur moat yang sebenarnya adalah “Mid-training penyuntikan pengetahuan industri → membangun lingkungan penghargaan yang dapat diverifikasi → RL memicu inferensi mendalam → Pemikiran waktu-tes yang memadai”.

Penghalang perangkat lunak terpisah dengan mendalam, dampak AI terpisah. Nilai perangkat lunak perusahaan tidak pernah terletak pada kode itu sendiri; 96% program komersial mengandung kode sumber terbuka, tetapi perusahaan tetap membayar untuk keamanan, kepatuhan, integrasi, dan SLA. Di era AI, penghalang terpisah di sepanjang dua dimensi “kompleksitas alur kerja × kedalaman moat data”: ① Kompleksitas tinggi + data mendalam, nilai orkestrasi alur kerja, manajemen konteks, dan audit kepatuhan meningkat seiring dengan peningkatan AI, bukan menurun; ② Kompleksitas rendah + data mendalam, data bernilai tetapi logika penagihan berbasis kursi menghadapi tekanan struktural setelah AI meningkatkan efisiensi tenaga kerja; ③ Kompleksitas rendah + data dangkal, fungsi inti telah langsung ditutupi oleh agen AI, moat sangat tipis. Kegagalan BloombergGPT membuktikan bahwa jalur “pembangunan model sendiri” tidak layak; GPT-4 dalam waktu kurang dari setahun telah melampaui model proprietary yang dilatih dari nol dengan 363 miliar token data keuangan di semua tolok ukur keuangan; sementara keberhasilan Hebbia (valuasi $13 miliar), Harvey (ARR>$100 juta) membuktikan bahwa “data proprietary + alur kerja + model umum mutakhir” adalah cara yang benar untuk menangkap nilai.

Penghalang yang kuat berasal dari “pengodean abstrak praktik bisnis dan peraturan hukum”, biaya replikasi perangkat lunak asli AI sangat tinggi. Sebagai contoh SAP (77% dari pendapatan transaksi global terkait sistemnya), penghalangnya adalah tiga lapisan bertingkat: ① Pengkodean aturan bisnis (logika yang dapat dijalankan dari peraturan pajak/tenaga kerja/kepatuhan industri di berbagai negara), ② Irreversibilitas konfigurasi kustom (puluhan ribu parameter konfigurasi, ratusan laporan kustom, ingatan organisasi yang terakumulasi selama beberapa dekade), ③ Kunci ekosistem (ratusan ribu konsultan bersertifikat, migrasi wajib S/4HANA berubah menjadi peristiwa penguncian kembali). Mantan insinyur SAP Thomas Otter menunjukkan bahwa banyak fungsi bukan merupakan “pilihan bisnis” tetapi merupakan persyaratan hukum (seperti perhitungan kompensasi di Jerman yang melibatkan pajak gereja, pembagian jaminan sosial, dan puluhan variabel yang saling terkait), di mana kesalahan 0.01% di bidang kompensasi dapat menyebabkan litigasi hukum. Ancaman AI terhadap ERP inti adalah “permeasi bertingkat” dan bukan “penggantian”; lapisan UI/interaksi dan lapisan otomatisasi proses (L1-L2) AI telah meningkatkan sistem ini (seperti SAP Joule), tetapi pada lapisan logika bisnis inti (L4, 2028+) dan lapisan catatan sistem (L5) di masa depan yang dapat diprediksi, AI masih berfungsi sebagai alat peningkatan dan bukan pengganti. Sementara itu, AI sedang mempersempit rantai nilai pengembangan produk, praktik internal Anthropic menunjukkan bahwa siklus “dari ide ke prototipe” telah dipersingkat dari beberapa minggu menjadi beberapa jam, nilai UI/UX sebagai produk antara menurun, alat desain seperti Figma menghadapi risiko “fase desain yang terkompresi secara keseluruhan”, tetapi penghalang untuk kolaborasi visual dan manajemen sistem desain masih ada dalam jangka pendek.

Rekomendasi investasi: Saat ini penurunan drastis yang tidak terpilih di sektor perangkat lunak memberikan peluang untuk penetapan harga yang terpisah berdasarkan kedalaman penghalang. Kami menyarankan untuk melakukan alokasi berdasarkan “atribut pertahanan dan serangan penghalang”: ① Mengunggulkan secara signifikan aset “penghalang agresif”, di mana penghalang itu sendiri menjadi dasar pertumbuhan baru di era AI; ② Memperhatikan jendela “transisi dari pertahanan ke serangan”, di mana penghalang tradisional kuat tetapi perlu memverifikasi konversi pendapatan AI; ③ Menghindari aset dengan konstanta waktu penurunan penghalang yang pendek, perusahaan dengan kompleksitas rendah + data dangkal. Selanjutnya, perhatikan kemajuan kolaborasi OpenAI, Anthropic, dan perusahaan konsultasi, serta titik belok pertumbuhan harga dan ARR perusahaan perangkat lunak.

(Sumber: Yicai)