Bagaimana lapisan aplikasi AI mencari ruang monetisasi yang berkelanjutan?

Konsumsi AI model berlangganan sedang menghadapi dilema: biaya Token terus meningkat, namun kemauan pengguna untuk membayar sulit tumbuh secara bersamaan. Ketegangan struktural ini membuat model bisnis ini sangat rapuh. Komersialisasi AI yang lebih berkelanjutan mungkin terjadi pada skenario dengan pengguna bernilai tinggi, pengikatan alur kerja yang mendalam, dan keterkaitan dengan hasil bisnis nyata. Inilah premis ekonomi dari jalur AI vertikal. Edisi ke-9 "Agentic Economy" akan membedah tiga kasus: Harvey, Farther, dan Adyen, untuk melihat bagaimana mereka membangun keunggulan kompetitif di tengah komoditisasi model dasar. Sekaligus menghadapi dua pertanyaan yang lebih sulit: ketika subsidi token surut, apakah keunggulan ini masih berlaku? Dan ketika OpenAI serta Anthropic mulai menempatkan tim insinyur di perusahaan klien, apa artinya?

Teknologi apa pun, begitu menjadi cukup umum, akan berhenti menghasilkan premi. Model besar umum juga demikian. Dengan menurunnya efek marjinal dari persaingan parameter, kecerdasan yang dulunya langka dengan cepat berubah menjadi infrastruktur publik yang dikomoditisasi. Hal ini menyebabkan model bisnis aplikasi ringan yang hanya mengandalkan panggilan API pihak ketiga tanpa kemampuan penanaman skenario, mengalami keruntuhan yang semakin cepat.

Namun komoditisasi bukanlah akhir. Setiap kali teknologi baru menyebar luas, nilai peluang akan mengalir dari mereka yang memiliki teknologi kepada mereka yang benar-benar dapat menerapkannya.

Hukum ini telah melahirkan kebangkitan pesat platform AI vertikal saat ini.

Yang disebut platform AI vertikal adalah lapisan aplikasi AI yang masuk ke industri tertentu, mengemas kemampuan model besar umum secara mendalam, dan mengatur ulang proses bisnis di sekitar alur kerja tertentu. Dengan membangun sistem evaluasi sendiri (Eval) dan arsitektur multi-Agen, platform ini menurunkan model dasar menjadi komponen komputasi yang dapat diganti kapan saja, sehingga mengunci aset alur kerja paling inti di dalam sistem. Intinya adalah menghilangkan gesekan dalam proses bisnis, mengendapkan pekerjaan profesional yang kompleks menjadi aset sistem yang dapat diakumulasi secara berkelanjutan.

Untuk memahami terbentuknya jalur baru ini, pertama-tama kita harus mengklarifikasi satu fakta: yang dibayar oleh perusahaan dan profesional bukanlah parameter model dasar, melainkan kemampuannya untuk tertanam dalam alur kerja internal, membentuk lingkaran tertutup data, dan mendorong pendapatan aktual.

Karena itu, ahli hukum dengan tarif per jam tinggi, penasihat keuangan yang melayani klien bernilai tinggi, dan pedagang utama dengan volume transaksi besar, menjadi fokus perebutan platform AI vertikal generasi baru. Kelompok ini memegang keputusan anggaran, memikul tanggung jawab kepatuhan, dan berorientasi pada hasil bisnis yang jelas. Baik membantu seorang pengacara dengan tarif seribu dolar per jam menghemat sepuluh jam, atau membantu penasihat kekayaan meningkatkan skala kelolaan dan mengoptimalkan pengembalian setelah pajak, nilai bisnis yang diciptakan dapat diukur secara langsung. Ikatan yang tepat dengan subjek produksi bernilai tinggi inilah yang menjadi dasar ekonomi bagi AI vertikal untuk berhasil.

Saat ini, eksplorasi ini terutama berlangsung dalam dua arah.

Pertama, menggunakan AI untuk mengatur ulang alur kerja profesional, secara drastis mengurangi biaya operasional yang sebelumnya hanya dapat ditanggung oleh institusi besar. Di bidang hukum dan manajemen kekayaan, pekerjaan berambang tinggi seperti kepatuhan, manajemen risiko, dan pengiriman profesional, sedang diambil alih secara sistematis melalui platform teknologi, memungkinkan profesional untuk menyelesaikan pekerjaan dengan kepadatan lebih tinggi dengan sumber daya lebih sedikit.

Kedua, restrukturisasi infrastruktur transaksi, membentuk kembali koneksi antara pedagang dan Agen. Dalam Agen Commerce, meskipun intersepsi niat dan interaksi di depan dikuasai oleh laboratorium AI, konversi transaksi akhir tetap terjadi di infrastruktur sisi pedagang. Adyen Agentic bertindak sebagai penerjemah universal, membantu pedagang terhubung sekali dan berpartisipasi dalam berbagai platform belanja AI lintas protokol, tanpa harus membangun ulang sistem untuk setiap protokol baru.

Ketiga kasus memiliki titik masuk skenario yang berbeda, tetapi semuanya mengubah kemampuan inti yang sulit distandarisasi dalam industri menjadi aset yang dapat dipanggil secara berkelanjutan melalui sistematisasi. Harvey mengendapkan penilaian hukum dan pengetahuan industri; Farther mengendapkan hubungan klien dan kemampuan optimasi pajak konsultan; Adyen mengendapkan data produk pedagang, adaptasi protokol, dan kemampuan penyelesaian.

Inilah yang disebut oleh CEO Microsoft Satya Nadella sebagai Token capital: nilai jangka panjang AI tidak hanya berasal dari eksekusi tugas tunggal, tetapi juga dari penataan penilaian, pengetahuan, dan alur kerja manusia dalam sistem, sehingga membentuk aset yang dapat mengulangi dirinya sendiri dalam interaksi berkelanjutan.

1,9 Miliar ARR dan 460 Juta Biaya Komputasi: Permainan Skala Harvey yang Tidak Berkelanjutan

Harvey adalah salah satu sampel dengan valuasi tertinggi dan pertumbuhan tercepat dalam gelombang AI vertikal saat ini. Potensi dan dilema logika ini paling terkonsentrasi pada Harvey.

Platform hukum yang tidak memiliki model umum ini, dengan kustomisasi mendalam pada alur kerja inti firma hukum, berhasil meningkatkan ARR dari 100 juta dolar menjadi 190 juta dolar dalam lima bulan (Agustus 2025 hingga Januari 2026), dengan valuasi mencapai 11 miliar dolar. Ini menunjukkan bahwa platform vertikal sama sekali tidak perlu bersaing di level dasar model umum; selama benar-benar memahami tugas industri dan merekonstruksi skenario kerja sehari-hari pengguna bernilai tinggi, mereka dapat membangun kemampuan komersialisasi yang kuat.

Namun di balik angka keuangan yang gemilang, ada tagihan komputasi yang terus membengkak.

Data publik menunjukkan, penggunaan token bulanan Harvey telah meningkat dari sekitar 1 triliun menjadi 12-13 triliun. Dengan perkiraan biaya 3 dolar per juta token, biaya inferensi teoritis tahunan mencapai 468 juta dolar. Meskipun saat ini biaya tersebut ditekan sementara melalui diskon vendor besar dan teknologi seperti Prompt Caching, struktur biaya yang bergantung pada pihak lain berarti begitu subsidi menyempit, tagihan akan segera melonjak. Di bawah tekanan finansial ini, pertumbuhan ARR sangat sulit untuk diubah menjadi arus kas nyata, malah menghadapi risiko skala yang justru merugikan.

Di balik ini adalah paradoks biaya yang tak terhindarkan dari aplikasi AI asli: semakin populer produk, semakin tinggi biaya inferensi. Biaya marjinal SaaS tradisional hampir nol, tetapi dalam skenario hukum dengan konteks panjang dan kepadatan inferensi tinggi, setiap tugas kompleks mengonsumsi daya komputasi nyata. Mengembangkan model sendiri, oleh karena itu, berubah dari opsi teknis menjadi keharusan yang didorong oleh biaya.

Saat ini, Harvey sedang mendorong strategi post-training model proprietary, bekerja sama dengan Applied Compute untuk melakukan fine-tuning khusus industri hukum pada model open-source (seperti GLM-5.1). Menurut pengungkapan teknis terbaru, model proprietary setelah post-training, dalam benchmark agen hukum (LAB) buatan Harvey, meningkatkan rubric pass rate dari 0,853 menjadi 0,913, melampaui GPT-5.5 xhigh, mendekati Opus 4.8 Max.

Kompresi biaya juga signifikan. Dengan mengganti model evaluasi dari model frontier ke GPT-5 Mini dan menggabungkan beberapa kriteria evaluasi secara batch, biaya evaluasi dikompresi 40 hingga 100 kali lipat. Ini berarti Harvey dapat terus mengulangi siklus evaluasi dengan biaya lebih rendah; sistem evaluasi privat itu sendiri telah menjadi aset kompetitif yang dapat diakumulasi.

Yang lebih patut diperhatikan adalah perubahan yang terjadi di balik peningkatan kinerja. Kelengkapan output, akurasi numerik, pelacakan dokumen, dan penekanan halusinasi, beberapa perilaku kunci mengalami perbaikan terukur. Selama pelatihan, jumlah panggilan alat oleh model terus berkurang, tetapi setiap panggilan lebih tepat, sehingga total konsumsi token juga menurun. Dengan kata lain, model belajar bagaimana bekerja secara efektif dalam lingkungan alat tertentu, dan pola perilaku yang terakumulasi melalui banyak tugas hukum ini lebih sulit untuk direplikasi secara eksternal daripada parameter model itu sendiri.

Kasus Harvey menunjukkan bahwa dasar persaingan platform AI vertikal sedang meluas ke tingkat yang lebih dalam. Desain alur kerja dan hubungan klien tentu penting, tetapi kemampuan post-training dan kontrol model open-source, sistem evaluasi privat dan kemampuan pembuatan data, arsitektur multi-Agen dan optimasi biaya inferensi, sedang menjadi sumber diferensiasi baru.

Disorganisasi Farther: Mematahkan Ikatan Tradisional Broker Besar pada Konsultan

Jika Harvey mengompresi biaya pengiriman di dalam organisasi layanan profesional besar, platform manajemen kekayaan Farther menunjukkan bagaimana membantu talenta inti keluar dari tarikan gravitasi organisasi tradisional raksasa.

Farther adalah platform teknologi yang ditujukan untuk konsultan independen (RIA), secara khusus merekrut konsultan kekayaan yang keluar dari raksasa seperti Morgan Stanley, Merrill Lynch, UBS, dan Goldman Sachs. Dalam sistem pialang layanan penuh tradisional, konsultan sering menanggung bagi hasil rendah dan beban administratif tengah-belakang yang berat. Farther melakukannya dengan merekrut langsung konsultan, mengintegrasikan kemampuan belakang yang sebelumnya dimonopoli oleh institusi besar ke dalam satu platform terpadu: selain bagi hasil tinggi, pemanenan rugi pajak, indeksasi langsung, akses pasar swasta, tinjauan kepatuhan, dan manajemen dokumen semuanya terintegrasi. Data resmi menunjukkan, hanya dengan algoritma pajak cerdas, dapat memberikan perbaikan pengembalian investasi setelah pajak sebesar 1% hingga 3% bagi klien.

Model ini telah mendapatkan konfirmasi kuat dari pasar modal. Pada Mei 2026, Farther menyelesaikan pendanaan Seri D sebesar 150 juta dolar yang dipimpin oleh General Atlantic, secara resmi menjadi unicorn. Saat ini, aset yang dikelola telah melampaui 23 miliar dolar, termasuk tim perbankan swasta bintang yang baru direkrut dari divisi kekayaan pribadi Goldman Sachs, dengan 1,5 miliar dolar aset kelolaan. Masuknya konsultan kekayaan independen secara terus-menerus menunjukkan bahwa ikatan sistem yang menjadi sandaran broker besar tradisional sedang melemah, dan praktik mandiri tanpa institusi bukan lagi pilihan pinggiran bagi segelintir orang.

Harvey fokus pada peningkatan efisiensi pengiriman profesional di dalam firma hukum; Farther membangun platform independen dari awal, memungkinkan konsultan mendapatkan kemampuan belakang yang setara atau bahkan lebih kuat tanpa bergantung pada broker besar tradisional. Keduanya memiliki titik masuk berbeda, tetapi sama-sama mendefinisikan ulang cara produksi layanan profesional. Dengan dukungan platform ini, instrumen investasi kompleks yang sebelumnya terbatas pada departemen UHNW institusi besar, seperti indeksasi langsung dan pasar swasta, kini dapat dengan mudah diakses oleh konsultan independen, sangat memperluas jangkauan bisnis individu profesional.

SaaS tradisional hanya mampu menangani otomatisasi proses dangkal seperti pencatatan dan penyimpanan, tidak dapat berbagi keputusan dan koordinasi eksekusi kompleks. Sementara sistem AI asli berbasis arsitektur multi-Agen secara alami cocok untuk mengambil alih area abu-abu antara eksekusi administratif dan penilaian logika non-standar, seperti tinjauan kepatuhan, penulisan dokumen personal, dan saran alokasi aset. Bisnis-bisnis yang sebelumnya membutuhkan seluruh tim belakang-tengah untuk bekerja sama kini sedang cepat dicerna oleh sistem.

Sisi Pedagang yang Diremehkan: Lingkaran Transaksi Agen Commerce

Pembahasan tentang Agen Commerce sedang panas, tetapi perhatian publik saat ini hampir dimonopoli oleh sisi konsumen, yaitu bagaimana asisten AI menggantikan pengguna dalam mencari produk, membandingkan harga, dan memesan otomatis. Sebaliknya, umpan balik aktual dari sisi pedagang jauh lebih dingin.

Tingkat konversi Walmart pada Instant Checkout asli AI saat ini hanya sepertiga dari model klik-lompat tradisional; dan proporsi pedagang yang benar-benar mengintegrasikan sistem checkout AI Shopify secara penuh pada 2026 masih terbatas. Ada kesenjangan jelas antara aktivasi permintaan oleh AI dan penyelesaian transaksi.

Penyebab kesenjangan adalah bahwa transaksi Agen adalah rekayasa sistem. Memahami niat pengguna hanya langkah pertama; untuk mengubah permintaan menjadi pendapatan, diperlukan dukungan rantai penuh: pemeriksaan stok, perhitungan pajak, pencegahan penipuan, pemenuhan, dan penyelesaian dana. Kemampuan ini saat ini masih terkunci di sistem lokal pedagang. Sementara itu, berbagai protokol pembayaran agen seperti UCP, ACP, AP2, Agent Pay, Visa Tokenization, hidup berdampingan dan tidak kompatibel; pedagang tidak memiliki motivasi untuk menyesuaikan satu per satu, dan juga tidak mampu menanggung biaya fragmentasi teknis.

Adyen meluncurkan Adyen Agentic, melalui tiga modul API modular, masing-masing mencakup bagian berbeda dari rantai transaksi:

• Agentic Feed: bertanggung jawab mendistribusikan katalog produk, harga, dan data stok real-time pedagang secara standar ke platform AI utama;

• Agentic Cart: menghubungkan sistem checkout, pajak, pemenuhan, dan manajemen pesanan pedagang yang ada ke dasar perdagangan percakapan;

• Agentic Payments: menangani verifikasi identitas, manajemen risiko jaringan, dan penyelesaian dana multi-saluran dalam transaksi yang dipimpin agen.

Pedagang terhubung sekali, Adyen dapat menerjemahkan melintasi berbagai platform dan protokol agen AI, tanpa perlu membangun ulang sistem dasar setiap kali lanskap pasar berubah.

Dalam ekosistem agen commerce, laboratorium AI dan antarmuka percakapan di depan mungkin mencegat niat dan lalu lintas pengguna, tetapi konversi nilai substansial, realisasi transaksi, dan lingkaran dana masih sangat bergantung pada infrastruktur sisi pedagang. Dibandingkan dengan pintu masuk depan yang sangat kompetitif, layanan integrasi sistematis sisi pedagang justru memiliki peluang lebih besar untuk mengendap sebagai infrastruktur dasar yang stabil dan dapat ditagih.

Kekhawatiran Platform Vertikal: Penetrasi Pabrik Model dan Restrukturisasi Biaya Token

Dengan kejenuhan alat murah umum, logika bisnis platform model besar yang bergantung pada langganan berbiaya rendah mulai menunjukkan kerapuhan. Ketika fungsi umum seperti meringkas halaman web dan menulis email dapat dengan mudah digantikan, platform vertikal harus menarik diri ke pelanggan bernilai tinggi yang lebih peduli pada hasil bisnis. Namun semakin tinggi nilai industri yang dimasuki, semakin kompleks lingkungan persaingan yang dihadapi lapisan aplikasi.

Salah satu tekanan datang dari perluasan batas bisnis produsen model. OpenAI dan Anthropic tidak lagi puas hanya sebagai grosir API; mereka langsung masuk ke lokasi klien inti melalui tim teknik lapangan (FDE). Pada April 2026, OpenAI bekerja sama dengan Customers Bank yang memiliki aset 26 miliar dolar; tim teknik menempati bank, mengembangkan agen untuk persetujuan pinjaman dan pembukaan rekening menggunakan data lokal; Anthropic bekerja sama dengan raksasa IT keuangan FIS, menempatkan tim FDE di dalam sistem internalnya, mengembangkan alat anti-pencucian uang, dan melalui saluran FIS yang melayani banyak bank, langsung menjangkau bagian terdalam bisnis perbankan.

Model kolaborasi lapangan ini menunjukkan bahwa pabrik model besar menggunakan saluran infrastruktur untuk belajar dan mereplikasi proses bisnis internal industri berambang tinggi.

Tekanan lainnya adalah logika penetapan harga token yang tidak berkelanjutan. Saat ini, sebagian besar model dasar frontier sebenarnya dijual dengan harga rugi setelah disubsidi. Dengan panggilan frekuensi tinggi dari arsitektur multi-Agen perusahaan, begitu subsidi pabrik besar surut, platform vertikal yang sepenuhnya bergantung pada API eksternal frontier tidak akan mampu mempertahankan tagihan komputasi.

Tekanan ini akan semakin membesar seiring meningkatnya permintaan inferensi. Ketika ratusan agen yang beroperasi 24/7 berinteraksi frekuensi tinggi di belakang, permintaan daya komputasi akan tumbuh secara eksponensial, sementara terbatas oleh siklus produksi yang sangat panjang dari mesin litografi ASML, rantai pasokan perangkat keras dasar tidak dapat mengimbangi dengan cepat. Untuk sebagian besar bisnis sehari-hari, menggunakan model frontier untuk menangani semua tugas adalah kesalahan alokasi sumber daya yang serius.

Inilah alasan sebenarnya Harvey harus bekerja sama dengan Applied Compute, membangun set pengujian khusus, sistem evaluasi privat, dan jalur pelabelan manual: platform vertikal tidak hanya membuat produk, tetapi juga melakukan rekayasa biaya yang sulit: mengukur kerugian token setiap tugas secara tepat, menentukan langkah menengah mana yang dapat dialihkan ke model kecil murah open-source, keputusan kritis mana yang harus menggunakan model flagship mahal, dan di mana tinjauan manual harus masuk.

Dalam konteks ini, mengandalkan antarmuka alur kerja yang indah saja tidak lagi memberikan keunggulan kompetitif yang langgeng. Melakukan rekayasa biaya belakang secara ekstrem adalah kunci bagi platform AI vertikal untuk bertahan hidup jangka panjang.

Penutup: Kelangkaan Pasar, Kembali ke Hulu Rantai Industri

Ketika model besar umum menjadi semudah air, listrik, dan gas, nilai lapisan aplikasi AI mulai terkonsentrasi ke hulu dan hilir rantai industri.

Pada tahap ini, atribut langka industri tidak hilang: di hulu masih ada inti yang tidak dapat distandarisasi oleh algoritma, seperti kepercayaan klien, penilaian non-standar yang kompleks, dan pengetahuan non-struktural yang tersembunyi dalam pengalaman praktisi; di hilir masih ada jaringan pedagang, yang membawa data produk, jalur kepatuhan, dan saluran pembayaran. Makna substansial platform vertikal adalah mengubah pengalaman profesional subjek bernilai tinggi ini menjadi token capital yang dapat diakumulasi secara berkelanjutan.

Ini juga menentukan bahwa logika persaingan lapisan aplikasi kembali ke pragmatisme. "Narasi skala" yang mendukung industri perangkat lunak berlari kencang selama sepuluh tahun terakhir mulai kehilangan efeknya di hadapan batasan kaku biaya komputasi dan rantai pasokan fisik.

Dalam siklus baru, kelangsungan hidup perusahaan lapisan aplikasi bergantung pada arbitrase biaya dan komputasi yang cermat. Di tengah surutnya perang harga model dan keterbatasan sumber daya komputasi, platform aplikasi harus menemukan solusi optimal antara biaya dan kinerja, bukan terus bergantung pada suntikan modal.

Meskipun produsen model besar memiliki sumber daya komputasi lebih besar dan tim teknik lapangan, bagi platform vertikal yang gesit dan profesional independen, keunggulan kompetitif paling unik tetap pada kemampuan untuk mengubah pengalaman diam-diam profesional yang terakumulasi menjadi aset sistem yang tidak dapat direplikasi oleh produsen model dasar. Menghindari persaingan lalu lintas yang luas, memprioritaskan pemenuhan lingkaran bisnis subjek produksi bernilai tinggi, inilah logika di mana AI vertikal dapat bertahan hidup jangka panjang di era komoditisasi model besar.