Akhirnya perusahaan yang memanfaatkan AI menemukan bahwa bisnisnya direbut oleh perusahaan model bahasa besar

Penulis: 宇航猿; Sumber: 极客公园

1 Juli, CEO Palantir Alex Karp masuk ke studio CNBC, lalu melemparkan sebuah bom dengan nada yang nyaris tak terkendali.

Ia berkata industri AI itu “effing insane” (gila), ia berkata para CEO perusahaan AS “livid” (murka) terhadap OpenAI dan Anthropic, ia berkata perusahaan sedang melakukan hal yang konyol—di satu sisi membayar token secara gila-gilaan, di sisi lain menyerahkan data operasi paling inti mereka kepada pemasok model. Namun nilai komersial yang ditukar kembali, hampir tak bisa diukur.

Pembawa acara bertanya apakah ini sedang “melempar tanggung jawab”. Karp menjawab, “Tidak, saya hanya menyampaikan fakta.”

Saham Palantir pada hari itu naik 9%. Angka itu sendiri adalah semacam pemungutan suara—pasar menilai bahwa ia mengucapkan banyak hal yang ingin diutarakan orang lain, tapi tak berani dikeluarkan.

Ini bukan pelampiasan emosi satu orang. Ketika kepala sebuah perusahaan dengan valuasi lebih dari satu miliar dolar AS melakukan serangan terbuka terhadap seluruh industri model besar di siaran langsung nasional, dan pasar memberi respons positif dengan uang sungguhan, itu berarti sebuah emosi kolektif sudah mencapai titik kritis.

Dua tahun terakhir, semua orang membicarakan cara merangkul model besar. Tapi sekarang, masalah baru mulai muncul ke permukaan—apakah perusahaan yang terlalu dekat dengan model besar akan dihancurkan olehnya?

**01 **Dari “terpukau” ke “tidak naif”

Jika mengingat awal 2024, sikap perusahaan terhadap model besar bisa diringkas dengan empat kata—“langsung pakai dulu”.

Tak peduli ROI atau tidak, tak peduli data mengalir ke mana—yang penting jangan sampai ketinggalan. Pada saat itu, narasi arus utama adalah “revolusi AI datang; jika tak merangkul, akan tersingkir”. CIO dan CTO dari berbagai industri menghadapi tekanan besar, menyelipkan AI ke setiap segmen bisnis yang bisa diselipkan. Ini adalah keputusan khas yang digerakkan oleh ketakutan teknologi.

Memasuki 2025, “dibuka secara menyeluruh” menjadi kata kunci. Perusahaan mulai benar-benar menyematkan model besar ke proses inti bisnis, tidak lagi sekadar demo atau mengadakan hackathon internal. Dari layanan pelanggan hingga generasi kode, dari analisis pasar hingga perancangan produk, kedalaman dan keluasan penetrasi AI berkembang secara eksponensial.

Tapi memasuki 2026, terjadi pergeseran emosi yang halus.

Riset Salesforce menunjukkan hanya setengah dari pemimpin TI yang percaya bahwa fondasi data perusahaan mereka cukup untuk mendukung keberhasilan implementasi AI. Laporan riset yang dipublikasikan NTT DATA pada bulan Mei tahun ini langsung memakai istilah “menabrak tembok”—AI perusahaan sedang menghadapi hambatan arsitektural akibat kebutuhan privasi data dan tuntutan kedaulatan. Gartner memprediksi pada 2027, 35% negara akan bergantung pada platform AI berbasis regional, sementara angka itu saat ini hanya 5%.

Karp menyampaikan perubahan ini dengan lebih gamblang. Ia berkata perusahaan sedang beralih dari “tokenmaxxing” yang membabi buta mengonsumsi token, menuju penelusuran ROI yang benar-benar ditanyakan. “Inti pandangannya adalah, jangan lagi menyia-nyiakan waktu di token.”

Ini bukan penyangkalan terhadap model besar, melainkan seluruh industri yang sedang bergeser dari “terpukau” menuju “tidak naif”. Setelah masa euforia berlalu, perusahaan mulai menatap lebih tenang sebuah masalah mendasar—barang apa yang saya serahkan, dan barang apa yang saya terima kembali, apakah buku hitungnya bisa dipertanggungjawabkan?

**02 **Saat mitra berubah jadi pesaing

Kritik Karp masih berada di level model bisnis. Tapi ancaman yang membuat merinding sebenarnya adalah bentuk lain yang lebih langsung—penyedia layanan AI Anda mungkin sedang menggunakan data dan pemahaman skenario yang Anda kontribusikan untuk membangun produk yang kelak menggantikan Anda.

Peristiwa pada April 2026 membuat kekhawatiran itu berubah dari teori menjadi kenyataan.

Pada bulan Februari, Figma dan Anthropic masih bekerja sama mengembangkan fitur bernama “Code to Canvas”, yang mengintegrasikan kode yang dihasilkan Claude secara mulus ke alur desain Figma. Dua perusahaan terlihat seperti mitra yang sangat dekat.

Pada 14 April, Chief Product Officer Anthropic Mike Krieger diam-diam mengundurkan diri dari posisi dewan Figma.

Tiga hari setelah itu, Anthropic merilis Claude Design—alat desain AI yang bisa membuat prototipe interaktif, PPT, dan materi pemasaran langsung lewat bahasa alami, dengan sasaran yang tepat menandingi bisnis inti Figma.

Saham Figma pada hari itu turun hampir 8%.

Laporan Fast Company kemudian memuat detail yang patut dicermati—Figma dan Adobe, Canva, dan perusahaan lain sudah bertahun-tahun bekerja sama dengan Anthropic, tapi sebelum Claude Design dirilis, tak ada yang diberi tahu. Semua orang mendadak tersadar, mitra AI mereka yang ada di depan mata ternyata diam-diam berubah menjadi pesaing.

Kisah ini layak direnungkan karena mengungkap masalah struktural di era model besar yang jauh lebih berbahaya daripada sebelumnya—ketika Anda bekerja sama secara mendalam dengan perusahaan AI, Anda tidak hanya menyerahkan pintu masuk ke pasar, tetapi juga menyerahkan pemahaman skenario inti Anda dan data kebutuhan pengguna.

Anthropic mampu membuat Claude Design, sebagian besar karena mereka memahami secara mendalam alur kerja dan titik sakit desainer melalui kerja sama dengan perusahaan alat desain.

Namun jika memperluas pandangan, ini bukan skenario baru dalam sejarah teknologi.

Amazon memulai dari platform e-commerce untuk membangun merek sendiri: menggunakan data platform untuk mengidentifikasi kategori yang paling menguntungkan secara presisi, lalu meluncurkan produk sendiri untuk menggerogoti penjual pihak ketiga. Microsoft berangkat dari sistem operasi, mengakuisisi satu per satu—browser, perangkat lunak kantor, alat komunikasi—Netscape mati, Slack dipaksa “menjual diri”. Google memperluas dari mesin pencari, menggunakan halaman hasil pencarian untuk menjawab pertanyaan pengguna secara langsung, sehingga Yelp dan banyak layanan informasi vertikal menjadi terpinggirkan.

Hukum besi industri teknologi tak pernah berubah—begitu platform memiliki cukup data dan pemahaman pengguna, ia akan menggerogoti ke hulu.

Di era model besar, hukum ini menjadi lebih ganas, karena invasi platform tradisional masih perlu waktu untuk mengumpulkan pemahaman, sedangkan model besar secara alami adalah “accelerator pemahaman”. Setiap kali Anda memanggil API, setiap kali Anda memasukkan data bisnis, semuanya membantu pemasok model memahami wilayah Anda lebih cepat dan lebih dalam.

**03 **“Batas Roche” era AI

Dalam astronomi, ada konsep bernama “Batas Roche”—ketika sebuah benda langit terlalu dekat dengan bintang bermassa besar, gaya pasang surut melebihi gaya gravitasi benda itu sendiri, sehingga benda itu akan terkoyak.

Metafora ini dipakai untuk menggambarkan hubungan perusahaan dengan model besar saat ini, dan terlalu tepat sampai membuat tidak nyaman.

Model besar adalah bintang bermassa besar itu. Setiap perusahaan ingin memanfaatkan “tarikannya”—untuk meningkatkan efisiensi, menekan biaya, dan berinovasi. Tapi masalahnya, ketika Anda mendekat sampai cukup jauh, “materi” Anda akan mulai terlepas. Data Anda, know-how, dan pemahaman tentang kebutuhan pengguna akan mengalir ke pusat gravitasi selama proses kerja sama.

Lalu, di mana batasnya agar perusahaan bisa “berdansa bersama AI” tanpa akhirnya ditelan habis?

Pertanyaan ini sudah diletakkan di atas meja di Amerika. Tapi jika Anda merasa itu masih jauh dari perusahaan-perusahaan di Tiongkok, mungkin itu hanya ilusi.

Ada perbedaan ritme penerapan AI antara perusahaan Tiongkok dan AS. Perusahaan AS sudah masuk ke tahap deployment AI skala besar dan mendalam ke bisnis, sementara perusahaan Tiongkok secara keseluruhan masih bergerak dari pilot menuju skala. Survei yang dipublikasikan Lenovo bersama IDC pada bulan Maret tahun ini menunjukkan 72% perusahaan di dalam negeri sudah menyelesaikan uji coba agen dan sudah dipakai secara resmi, dengan implementasi AI rata-rata di 3,5 skenario. Namun pusat tantangannya juga bergeser dari “kurang komputasi, kurang data” menjadi “hasil aplikasi tidak sesuai harapan” dan “ROI tidak jelas”.

Dengan kata lain, perusahaan Tiongkok sedang memasuki “masa sadar AI” yang mirip dengan perusahaan AS.

Geeki Park belakangan ini berbincang dengan banyak pendiri startup dan perusahaan yang masih punya bisnis tradisional, dan menemukan fenomena menarik—banyak cara orang memikirkan masalah-masalah ini, sering kali bukan berasal dari rasa krisis langsung seperti “takut perusahaan model merampas bisnis saya”, melainkan dari kenyataan setelah AI benar-benar dimasukkan ke dalam bisnis, mereka secara alami mulai mendefinisikan ulang di era AI, nilai inti saya sebenarnya apa.

Definisi ulang ini pada akhirnya jatuh pada dua kemampuan kunci.

**04 **Siapa yang menguasai “fondasi AI”?

Yang pertama, juga paling realistis, sangat selaras dengan apa yang ditekankan Karp—data dan logika bisnis Anda, pada akhirnya berjalan di atas fondasi milik siapa?

Karp berulang kali menekankan poin intinya di CNBC. Data operasional paling sensitif perusahaan tidak boleh masuk ke kotak hitam pemasok model pihak ketiga. Ia memposisikan Palantir sebagai lapisan aplikasi yang menyediakan “AI berdaulat”—model boleh memakai milik orang lain, tapi data harus tetap berada di dalam pagar milik sendiri; deployment harus dilakukan pada infrastruktur yang bisa dikendalikan sendiri.

Ini bukan sikap berlebihan. Pengalaman perusahaan di Tiongkok sebenarnya sepenuhnya sejalan. Kepala Riset dan Pengembangan produk WPS 365 di Kingsoft Office, Huang Weijie, baru-baru ini mengatakan kalimat yang tepat—“Yang kurang bagi perusahaan hari ini bukanlah perangkat keras dan model, melainkan lapisan aplikasi AI yang aman.”

Data IDC juga menguatkan tren ini. Dalam deployment komputasi AI perusahaan, porsi cloud publik sedang menurun, sedangkan total porsi cloud privat dan deployment lokal naik dari 54% menjadi 69%. “Data tidak keluar wilayah” berubah dari sekadar slogan kepatuhan menjadi syarat penyaringan pertama saat CTO memilih.

Karp menyebutnya “commodity cognition”—pemahaman yang dikomoditisasi. Penilaiannya adalah, kualitas model itu sendiri sedang cenderung menyempit; nilai pembeda yang sesungguhnya tidak ada di lapisan model, melainkan di lapisan aplikasi yang mengikat kemampuan model dengan skenario spesifik perusahaan. “Mesin AI berdaulat” yang Palantir keluarkan bersama NVIDIA adalah logika yang dikomersialkan—menggunakan model open source ditambah lapisan ontologi inti dan kerangka tata kelola milik Palantir, agar perusahaan bisa menjalankan AI dalam lingkungan yang sepenuhnya dapat dikendalikan, tanpa satu byte pun data yang keluar. Pendapatan Palantir kuartal pertama 2026 mencapai 1,63 miliar dolar AS, tumbuh 85% year-over-year; dalam tingkat tertentu, itu adalah suara pasar untuk jalur tersebut.

Di sini ada sinyal yang layak diperhatikan—ke depan, perusahaan dan solusi yang membantu bisnis menjalankan AI di “fondasi mereka sendiri” akan semakin diminati. Di dalam negeri, “otak AI privat” sudah menjadi jalur yang nyata, dan banyak startup membuat produk yang mengarah ke sana. Ini bukan karena perfeksionisme teknis, melainkan pilihan rasional setelah perusahaan memikirkannya dengan jernih.

**05 **Jangan jadikan organisasi sebagai mesin “pengulangan”

Kemampuan kedua lebih sulit dikuantifikasi, tetapi Geeki Park semakin merasakannya saat berdiskusi dengan perusahaan—ketika AI bisa menggantikan semakin banyak tahap eksekusi, organisasi masih membutuhkan “orang” seperti apa?

Sudah ada beberapa perusahaan yang berjalan relatif cepat dan pernah jatuh ke lubang ini.

Ketika efisiensi AI di beberapa tahapan jelas melampaui manusia, ide naturalnya adalah “menghapus manusia”. Tapi setelah organisasi menipis, masalah tersembunyi mulai muncul—apa yang dijalankan AI pada dasarnya adalah “praktik terbaik” yang dulu terbentuk oleh orang-orang ini di lingkungan lama. Ketika lingkungan berubah, pasar berubah, pengguna berubah, AI tetap setia menjalankan logika lama itu, sementara di dalam organisasi sudah tidak ada cukup orang untuk merasakan perubahan tersebut dan mendorong evolusi bisnis ke depan.

Kalau disederhanakan, organisasi yang dipenuhi AI tapi dikosongkan oleh manusia mungkin hanya akan mengulang masa lalu dengan cara yang efisien.

Ini bukan berarti AI tidak boleh menggantikan eksekusi. Namun ketika AI mengambil alih makin banyak lapisan eksekusi, perusahaan justru semakin membutuhkan jenis orang yang lain—bukan orang yang menjalankan tugas-tugas konkret dalam pengertian tradisional, melainkan orang yang bisa “memerintah” AI. Peran ini perlu memahami gambaran besar bisnis, bisa menilai apakah output AI masih relevan dengan realitas yang berubah, serta mampu melihat kemungkinan baru di luar “solusi optimal” yang diberikan AI.

Beberapa perusahaan yang lebih maju sudah mulai memikirkan hal ini dengan serius. Mereka menemukan bahwa setelah ada AI, daya saing yang sesungguhnya bukan “berapa banyak orang yang Anda ganti dengan AI”, melainkan “apakah orang Anda mampu mengendalikan AI untuk melakukan hal yang sebelumnya tak bisa dikerjakan”. Jika hanya memberi AI untuk mengotomatisasi dan terus mengulang dalam data historis, Anda pada dasarnya terkunci pada satu snapshot masa lalu.

Pentingnya pembalikan pemahaman ini mungkin tak kalah dengan kedaulatan data. Ketika AI meratakan hambatan teknis, “kemampuan penilaian manusia” dan “kemampuan evolusi organisasi” justru menjadi hal yang paling sulit disalin. Ada perusahaan yang sudah menyadarinya, ada yang belum. Namun garis batas ini kemungkinan akan menjadi sangat jelas dalam satu atau dua tahun ke depan.

**06 **Industri membutuhkan “perusahaan AI baru”

Dalam dua tahun terakhir, ada satu asumsi tersirat yang mendominasi industri—nilai era AI pada akhirnya akan terkonsentrasi di tangan perusahaan model. Semakin dekat seseorang dengan model, semakin tinggi nilai yang didapat.

Asumsi ini mulai terguncang.

Karp sebenarnya mengungkap satu hal di CNBC—model itu sendiri sedang berubah menjadi “commodity cognition” yang dikomoditisasi. Ketika kesenjangan kemampuan antarmodel besar semakin menyempit, diferensiasi yang sesungguhnya tidak lagi ada di lapisan model. Struktur industri yang hanya didominasi model company bukan hanya tidak sehat bagi perusahaan, tetapi juga membatasi kecepatan perkembangan seluruh industri AI.

Yang dibutuhkan perusahaan bukan pernah sebuah model yang lebih kuat. Mereka butuh satu paket ekosistem—yang bisa menjawab kecemasan kedaulatan data, yang bisa melindungi benteng kompetitif agar tak tersedot “arus balik”, dan yang bisa membuat AI benar-benar menyatu dengan bisnis tanpa lepas kendali. Kebutuhan ini sedang mendorong pasar yang jauh lebih kompleks daripada sekadar “menjual token”.

Beberapa arah sudah menunjukkan sinyal yang jelas.

“Infrastruktur AI berdaulat” sedang menjadi jalur nyata dan yang bisa mengumpulkan uang dalam jumlah besar. Ini bukan sekadar konsep. Hanya dalam paruh pertama 2026, Eropa sudah memiliki tiga perusahaan yang mengerjakan infrastruktur AI berdaulat (Nebius, nScale, AtlasEsge) yang total menghimpun lebih dari 11,8 miliar dolar AS. Beberapa hari lalu, Valarian di London baru saja meraih putaran A sebesar 50 juta dolar AS. Yang dikerjakan sangat konkret—menambahkan lapisan “kontrol berdaulat” antara sistem AI dan data sensitif untuk menentukan AI mana yang boleh menyentuh data mana, dan dalam kondisi apa AI menyentuhnya. Hal seperti ini dua tahun lalu bahkan tidak ada kebutuhan; sekarang pemerintah dan perusahaan besar antre.

“AI gateway” dan lapisan orkestrasi di tengah sedang menjadi bagian yang tak terpisahkan dari arsitektur AI perusahaan. Ketika sebuah perusahaan menggunakan OpenAI, Anthropic, model open source, dan juga model khusus yang mereka fine-tuning sendiri, siapa yang melakukan routing terpadu, kontrol biaya, tata kelola izin, dan audit? Dalam era perangkat lunak tradisional, posisi ini disebut middleware; di era AI disebut gateway atau lapisan orkestrasi. Ini tidak “seksi”, tetapi ini adalah infrastruktur kunci agar perusahaan bisa beralih dari “menggunakan AI” menuju “mengelola AI”. Secara esensial Palantir mengerjakan lapisan ini, hanya saja mereka melakukannya dalam versi yang paling berat. Untuk solusi yang lebih ringan dan ditujukan bagi perusahaan dengan berbagai skala, peluangnya sangat besar.

Di lapisan aplikasi, solusi AI untuk industri vertikal juga sedang bergeser dari “sekadar tempelan” ke “lebih dalam”. Dulu, banyak aplikasi AI pada dasarnya hanya membungkus lapisan GPT. Namun sekarang, yang benar-benar bisa bertahan adalah produk yang memahami secara mendalam know-how industri tertentu, serta mengikat kemampuan AI dengan logika industri secara rapat. Kait nilai perusahaan seperti ini bukan ada pada model, melainkan pada pemahaman industri—yang justru sulit diperoleh lewat pelatihan oleh perusahaan model besar.

Bahkan di lapisan “orang”, muncul pasar layanan baru. Ketika makin banyak perusahaan menyadari bahwa mereka tidak membutuhkan lebih banyak alat AI, melainkan orang yang bisa “memerintah AI” dan metodologi organisasi pendukung, kebutuhan akan konsultasi perubahan organisasi di era AI, pelatihan talenta, dan perancangan ulang proses juga dengan cepat bermunculan.

Pada akhirnya, sebuah industri yang hanya punya “lapisan model” itu rapuh. Ekosistem yang lebih berlapis-lapis adalah yang membuat industri AI bisa berjalan lebih cepat dan lebih sehat. Di dalam ekosistem itu, ada yang membuat model, ada yang membangun infrastruktur berdaulat, ada yang mengerjakan gateway dan tata kelola, ada yang membuat aplikasi mendalam untuk industri vertikal, ada yang membantu perusahaan membentuk ulang kemampuan organisasi. Setiap lapisan menjawab kebutuhan nyata perusahaan saat bergerak dari “merangkul” menuju “mengendalikan”.

Dalam setahun terakhir, kebutuhan-kebutuhan ini berubah dari samar menjadi semakin jelas. Langkah berikutnya, generasi baru solusi, penyedia layanan, dan produk yang lahir dari kebutuhan-kebutuhan tersebut kemungkinan akan memasuki fase ledakan yang lebih tegas.

Kembali ke metafora Batas Roche. Menemukan jalur aman, tidak pernah menjadi urusan satu perusahaan saja. Ketika seluruh ekosistem mulai menumbuhkan kekuatan di luar model, barulah perusahaan benar-benar punya keyakinan bahwa mereka tidak akan terkoyak.