Postingan

#Gate直通IPO第三期Anthropic Apa sebenarnya yang dijual Anthropic?



Pada 10 November 2026, Anthropic memulai roadshow IPO yang diusulkan. Roadshow adalah kegiatan perusahaan menjelaskan kepada investor cara mereka menjalankan bisnis dan rencana pengembangannya sebelum penawaran umum perdana saham. Ini tidak berarti sahamnya sudah diperdagangkan di bursa. Roadshow kali ini memberi kita kesempatan langka: selain mengetahui apa yang bisa dilakukan Claude, kita juga dapat melihat bagaimana Anthropic menjual kemampuan tersebut, berapa penghasilannya, dan apa yang dipertaruhkan untuk langkah berikutnya. Menurut pemahaman saya, Anthropic adalah perusahaan yang ingin mengubah setiap kemajuan model menjadi serangkaian pekerjaan baru yang bersedia terus dibayar oleh pelanggan. Untuk memahaminya, kita perlu mengikuti jejaknya mulai dari pengajuan asuransi hingga kontrak komputasi dan dewan direksinya.

01|Claude adalah asisten obrolan, tetapi apakah Anthropic hanya menghasilkan uang dari obrolan?
Anthropic didirikan pada 2021 oleh tujuh orang, termasuk Dario Amodei dan Daniela Amodei. Awalnya, perusahaan ini berfokus pada riset AI mutakhir, sementara Claude adalah rangkaian model yang dikembangkannya. Asisten obrolan yang kini digunakan orang lewat ponsel atau situs web juga bernama Claude. Dalam penggunaan sehari-hari, kita tidak perlu membedakan keduanya. Namun, untuk memahami bisnis ini, kita perlu memisahkan model, produk, dan platform.
Model adalah lapisan dasar yang menyediakan kemampuan. Yang ditampilkan dalam roadshow bukan satu model serbaguna untuk segala kebutuhan, melainkan beberapa pilihan, dari yang cepat dan murah hingga yang unggul dalam tugas kompleks. Misalnya, mengelompokkan banyak dokumen berdasarkan topik tidak selalu memerlukan model terkuat. Namun, jika AI diminta membaca perangkat lunak yang belum dikenalnya, menemukan masalah, memperbaikinya, lalu memastikan perbaikannya lolos pengujian, model yang lebih canggih mungkin dapat menghindarkan kita dari banyak kesulitan. Yang dibeli pelanggan bukanlah model nomor satu di papan peringkat, melainkan kemampuan yang cocok untuk pekerjaan yang sedang mereka lakukan. Produk adalah alat yang dibuat Anthropic sendiri. Pengguna perorangan bisa membuka Claude untuk mengobrol, sementara insinyur dapat menggunakan Claude Code untuk mengubah kode dalam proyek. Platform memungkinkan perusahaan lain menyematkan kemampuan ini ke dalam produk mereka: melalui API, yaitu antarmuka yang memungkinkan perangkat lunak saling mengakses kemampuan, sistem mereka dapat mengirim tugas ke Claude dan menerima hasilnya. Bahkan, terkadang Anda tidak melihat nama Claude sama sekali. Anda hanya tahu bahwa pekerjaan yang sebelumnya mengharuskan Anda beralih ke alat lain kini bisa dilanjutkan di perangkat lunak yang biasa digunakan. Ini juga salah satu hal yang menurut saya sangat praktis dari roadshow tersebut: membawa Claude ke tempat pengguna sudah bekerja. Misalnya, ke Word dan Excel, atau melalui rangkaian aplikasi khusus industri yang terhubung dengan alat yang biasa digunakan pengacara. Bagi pembuat produk, ada perbedaan yang sangat konkret di sini: apakah pengguna harus memindahkan materi ke jendela obrolan baru setiap kali, atau dapat langsung melanjutkan pekerjaan di dokumen, spreadsheet, dan sistem yang sudah digunakan? Model dasarnya bisa sama, tetapi cara penggunaan yang kedua lebih mudah menjadi bagian dari pekerjaan sehari-hari.

02|Mengapa mulai dari penulisan kode, bukannya langsung membuat asisten serbaguna?
Dalam roadshow, Anthropic menceritakan satu hal secara terperinci: saat mengembangkan Claude Code, tim melihat model yang belum dirilis semakin mampu memahami kode, tetapi mereka tidak menunggu sampai modelnya cukup matang untuk mulai membuat alat. Mereka lebih dulu membuat produk yang memungkinkan model masuk ke dalam proyek kode. Pada Februari 2025, Claude Code diluncurkan sebagai pratinjau riset terbatas bersama Claude 3.7 Sonnet. Insinyur dapat memintanya membaca kode yang sudah ada, mengubah berkas, menulis dan menjalankan pengujian, lalu meninjau apa yang telah dilakukannya. Peluncuran awal Claude Code[7]Sebagai contoh: Anda meminta asisten obrolan memperbaiki masalah login. Asisten itu bisa memberikan potongan kode yang tampak bagus, tetapi Anda sendiri harus memasukkannya kembali ke proyek dan memeriksa apakah ada bagian lain yang rusak. Dengan Claude Code, alat ini dapat lebih dulu menemukan berkas terkait, menjalankan pengujian yang sudah ada setelah perubahan dibuat, lalu menyerahkan perubahan itu untuk ditinjau manusia. Perbedaannya bukan pada jawaban yang lebih panjang, melainkan pada kemampuannya menjalankan beberapa langkah dalam batas akses yang diberikan dan mendapatkan umpan balik.
AI seperti ini biasanya disebut Agent: bukan sekadar memberi saran, tetapi juga menggunakan alat untuk melakukan pekerjaan. Mengapa pemrograman cocok untuk memulai? Karena sebagian besar hasilnya dapat diperiksa: apakah program bisa dijalankan, apakah pengujiannya lolos, dan apakah ada bagian yang seharusnya tidak diubah tetapi justru tersentuh. Tentu, lolos pengujian bukan berarti program bisa langsung diluncurkan, tetapi setidaknya kita punya cara untuk mendeteksi sebagian kesalahan, alih-alih hanya membaca jawaban yang tampak meyakinkan dan menebak apakah isinya benar. Agar AI beralih dari menjawab pertanyaan menjadi menangani tugas, manusia perlu lebih dulu memiliki cara untuk mengetahui apakah AI berhasil melakukannya dengan benar. Inilah yang dimaksud Anthropic dengan mengembangkan model dan produk secara bersamaan. Model terlebih dahulu belajar dari banyak teks, makalah, dan kode, lalu berlatih menyelesaikan masalah dan menggunakan alat dalam tugas yang memiliki umpan balik. Setelah produk digunakan oleh pengguna nyata, tim juga lebih mudah melihat bagian mana yang menyulitkan model dan memutuskan kemampuan apa yang perlu ditingkatkan pada generasi berikutnya. Tidak semua perbaikan bergantung pada model yang lebih besar. Terkadang yang kurang adalah kemampuan membaca berkas dengan benar, menjalankan pengujian yang tepat, atau berhenti dan bertanya kepada manusia saat tidak yakin. Setelah model memperoleh kemampuan ini, produk dapat menangani tugas yang lebih kompleks.
Jalur yang sama juga terlihat dalam pekerjaan lain. Perusahaan farmasi Bristol Myers Squibb (BMS) memberi contoh dalam roadshow: sebelumnya, sebuah pertanyaan kompleks mungkin mengharuskan tim mencari informasi di berbagai basis data, lalu menyusunnya menjadi laporan dan menunggu satu hingga dua bulan. Dalam skenario yang ditampilkan, Claude dapat menghasilkan laporan dalam empat atau lima menit. Perbandingan ini merujuk pada satu kali pencarian dan penyusunan informasi; kemungkinan memangkas durasi uji coba sebesar 20% hingga 30% adalah harapan BMS, bukan hasil yang sudah dicapai kali ini. Hal yang patut diperhatikan adalah bahwa perusahaan farmasi harus lebih dulu bisa membatasi siapa yang boleh mengakses data tertentu dan melihat cara sistem beroperasi sebelum menyerahkan tugas seperti ini.

03|Bagaimana uji coba satu tim bisa berubah menjadi tagihan untuk seluruh perusahaan?
Dalam roadshow, Anthropic menggambarkan jalur adopsi pelanggan: biasanya dimulai dengan mencoba satu tugas tertentu, misalnya insinyur menggunakan Claude Code untuk memperbaiki masalah. Setelah hasilnya stabil, peran-peran terkait mulai menggunakannya, lalu semakin banyak alur kerja yang terhubung, dan pada akhirnya Claude bahkan disematkan ke dalam produk yang dijual kepada pelanggan. Ini adalah jalur yang digambarkan perusahaan sebagai pola umum, bukan perjalanan yang akan dilalui setiap pelanggan sampai tuntas. Accenture adalah contoh yang mudah dipahami. Perusahaan itu menggunakan Claude untuk pengembangan perangkat lunaknya sendiri dan juga mengintegrasikan Claude ke dalam platform keamanan siber untuk pelanggan, CyberAI. Accenture mengatakan bahwa setelah platform tersebut diterapkan di sistem TI internalnya, waktu pemindaian keamanan berkurang dari tiga hingga lima hari menjadi kurang dari satu jam. Kemampuan yang sama menjadi alat bagi insinyur internal sekaligus bagian dari layanan yang diberikan kepada pelanggan. Begitu masuk ke dalam proses penyampaian layanan, setiap tambahan pelanggan yang dilayani berpotensi menambah penggunaan. Inilah sebabnya bisnis Claude tidak bisa dipahami hanya sebagai bisnis berlangganan.
Pada tiga kuartal pertama 2026, sekitar 79% pendapatan Anthropic berasal dari pembayaran berdasarkan pemakaian, sementara sekitar 21% sisanya berasal dari langganan. Ibaratnya, tagihan perusahaan tidak hanya bergantung pada jumlah orang yang memiliki kartu akses, tetapi juga pada berapa lama peralatan digunakan setiap hari dan berapa banyak pekerjaan yang diproses. Perusahaan dapat mengakses platform Anthropic secara langsung atau melalui platform cloud yang sudah dikenal seperti AWS, Google Cloud, dan Microsoft Azure. Menggunakan jalur pengadaan dan penerapan yang sudah digunakan pelanggan membantu membawa uji coba ke dalam kegiatan bisnis resmi. Angka lain dalam roadshow yang mudah disalahartikan adalah tingkat retensi pendapatan bersih sekitar 900%.
Sederhananya: pelanggan yang sama, yang menyumbang pendapatan pada kuartal ketiga tahun lalu dan memenuhi kriteria penghitungan, secara kolektif menyumbang sekitar sembilan kali lipat pendapatan pada kuartal ketiga tahun ini. Angka ini tidak mencakup beberapa jenis langganan perorangan dengan harga tetap dan tidak berarti setiap pelanggan membelanjakan sembilan kali lipat. Pada periode yang sama, jumlah pelanggan yang menyumbang setidaknya 100.000 dolar AS pendapatan dalam setahun terakhir melebihi 11.900. Angka ini juga bukan jumlah seluruh pelanggan perusahaan. Jika dilihat bersama, kedua angka tersebut menunjukkan bahwa jumlah pelanggan besar bertambah dan kelompok pelanggan yang sama secara keseluruhan membelanjakan lebih banyak. Namun, angka-angka ini tidak memberi tahu kita berapa lama laju pertumbuhan tersebut dapat dipertahankan.

04|Jika model semakin efisien, mengapa harus membeli begitu banyak kapasitas komputasi lebih awal?
Kapasitas komputasi adalah kemampuan komputasi yang disediakan oleh chip dan pusat data. Pelatihan model membutuhkan kapasitas komputasi, begitu pula setiap kali pelanggan meminta Claude menulis kode atau membaca laporan. Yang pertama ibarat mengembangkan sebuah produk, sedangkan yang kedua ibarat menyediakan layanan kepada pelanggan berulang kali. Anthropic sendiri juga menggunakan Claude untuk riset dan operasional, sehingga turut mengambil sumber daya dari kumpulan yang sama. Dalam roadshow, perusahaan mengatakan telah melakukan dua hal. Pertama, memperluas sumber kapasitas komputasi: menulis perangkat lunak yang disesuaikan untuk berbagai jenis chip dan mengatur sumber daya dari beragam pemasok secara terpadu. Selain membeli layanan cloud, Anthropic juga menyewa chip secara langsung melalui Anthropic Direct dan mengoperasikannya di pusat data yang dikelola khusus untuk Anthropic. Dengan begitu, perusahaan bisa lebih dulu memesan kapasitas pusat data yang membutuhkan waktu lebih lama untuk dibangun, kemudian memutuskan jenis dan jumlah chip yang akan ditempatkan di dalamnya setelah permintaan lebih jelas.
Hal kedua adalah membuat sumber daya yang sudah tersedia mampu melakukan lebih banyak pekerjaan. Roadshow memberikan contoh hipotetis: dahulu diperlukan 100 unit kapasitas komputasi untuk melatih suatu kemampuan. Jika metode yang ditingkatkan membuatnya empat kali lebih efisien, hanya diperlukan 25 unit; atau, 100 unit yang sama tetap dapat digunakan untuk melatih model yang sebelumnya berada di luar jangkauan. Angka empat kali lipat adalah contoh untuk menjelaskan prinsipnya, bukan berarti setiap pekerjaan sudah menghemat tiga perempat kapasitas komputasi. Contoh internal yang lebih konkret adalah pernyataan Anthropic bahwa mereka menggunakan Mythos untuk mengadaptasi chip AMD dan berhasil menjalankan Claude dalam waktu sekitar tiga hari. Contoh ini menunjukkan bahwa AI sudah membantu tim riset dan pengembangan meningkatkan sebagian infrastruktur, tetapi bukan berarti model sudah bisa melatih, memvalidasi, dan merilis generasi berikutnya dari dirinya sendiri. Biaya untuk satu pekerjaan bisa turun, tetapi total pengeluaran perusahaan tetap bisa naik. Anthropic memberikan perbandingan konkret: menurut perhitungan perusahaan, biaya penggunaan Opus 5.5 untuk tugas umum sekitar 40% lebih rendah daripada Opus 5. Namun, jika memeriksa sebuah laporan menjadi lebih murah, perusahaan mungkin tidak lagi membatasi penggunaan hanya untuk kantor pusat, tetapi juga memberikannya kepada tim di berbagai wilayah. Tugas yang sebelumnya terlalu mahal atau terlalu sulit untuk diselesaikan kini mungkin mulai dikerjakan. Pengurangan kapasitas komputasi untuk setiap penggunaan model tidak berarti keseluruhan sistem akan menggunakan lebih sedikit kapasitas komputasi. Tantangannya adalah kapasitas komputasi tidak bisa dibangun perlahan setelah pelanggan mulai mengantre. Anthropic mengungkapkan bahwa mereka biasanya memesan kapasitas komputasi 12 hingga 18 bulan sebelumnya; sumber daya yang dibeli mendadak lebih mahal. Berdasarkan pengungkapan dalam prospektus tanggal 10 November, total komitmen pengadaan dan sewa yang sudah ditandatangani perusahaan mencapai sekitar 900,9 miliar dolar AS, hampir seluruhnya terkait dengan kapasitas komputasi dan infrastruktur, berlaku selama beberapa tahun, dan sebagian kontrak memiliki persyaratan pendahuluan atau ketentuan pengakhiran. Jumlah ini bukan kas yang sudah dikeluarkan dan bukan pula utang jangka pendek dengan nilai yang sama. Tantangan sebenarnya adalah banyak pelanggan belum berkomitmen untuk menggunakan layanan dalam jangka panjang, sementara perusahaan harus lebih dulu berkomitmen kepada pemasok: jika membeli terlalu sedikit, saat permintaan meningkat perusahaan harus membayar lebih mahal untuk menambah kapasitas; jika membeli terlalu banyak, saat permintaan melambat perusahaan mungkin tetap harus membayar sumber daya yang menganggur.

05|Jika pendapatan satu kuartal sekitar 17 miliar dolar AS, mengapa belum bisa dibilang sudah untung?
Angka yang paling mencolok dalam roadshow adalah pendapatan Anthropic pada kuartal ketiga 2026 yang mencapai sekitar 17 miliar dolar AS, lebih dari 12 kali lipat dibandingkan periode yang sama tahun sebelumnya. Namun, pendapatan adalah jumlah penjualan yang diakui perusahaan berdasarkan aturan akuntansi, bukan jumlah uang yang diterima di rekening bank, apalagi jumlah yang tersisa pada akhirnya. Untuk mengetahui apakah bisnis ini benar-benar berjalan dengan baik, setidaknya kita perlu melihat tiga hal secara terpisah. Pertama, laba operasi aktual. Berdasarkan Prinsip Akuntansi yang Berlaku Umum di Amerika Serikat, Anthropic mencatat kerugian operasi sekitar 567 juta dolar AS pada kuartal ini, dengan margin operasi sekitar negatif 3%. Sementara itu, margin operasi yang disesuaikan yang diungkapkan perusahaan sekitar positif 15%.
Mengapa satu angka positif dan yang lain negatif? Penghitungan yang kedua mengecualikan dua biaya utama: kompensasi berbasis saham untuk karyawan dan biaya nonkas dari donasi perusahaan dalam bentuk saham. Penghitungan yang disesuaikan membantu melihat kinerja operasi setelah pos-pos tersebut dikeluarkan, tetapi biaya itu tidak bisa dianggap tanpa konsekuensi hanya karena tidak langsung dibayar dengan uang tunai. Kedua, lihat arus masuk dan keluar kas. Prospektus yang sama menunjukkan bahwa pada tiga kuartal pertama 2026, arus kas bersih yang dihasilkan dari aktivitas operasi sekitar positif 6,569 miliar dolar AS. Angka ini bukan data untuk kuartal ketiga saja dan tidak bisa dianggap sebagai uang yang masih akan tersisa setelah investasi pada peralatan dan infrastruktur pada masa mendatang. Sebaliknya, jika hanya melihat kerugian bersih sekitar 23,3 miliar dolar AS pada kuartal ketiga, kita tidak bisa menyimpulkan bahwa perusahaan menghabiskan uang sebanyak itu pada kuartal tersebut. Sekitar 21,9 miliar dolar AS di antaranya merupakan penyesuaian akuntansi nonkas akibat perubahan valuasi instrumen pendanaan seperti surat utang konversi. Ketiga, lihat apakah pertumbuhan membuat bisnis ini lebih ringan dijalankan. Target jangka panjang yang diajukan perusahaan adalah margin operasi yang disesuaikan di atas 35%, dengan syarat kapasitas komputasi menjadi lebih efisien, struktur pengadaan membaik, dan porsi biaya lainnya terhadap pendapatan juga menurun.
Namun, angka operasional saat ini tidak terus meningkat: margin operasi yang disesuaikan sekitar 19% pada kuartal kedua, lalu turun menjadi sekitar 15% pada kuartal ketiga. Dalam prospektus, perusahaan menjelaskan bahwa pada kuartal ketiga mereka menyediakan kapasitas komputasi jangka pendek senilai sekitar 5 miliar dolar AS, dan kapasitas komputasi jangka pendek biasanya lebih mahal. Permintaan yang datang dengan cepat memang hal yang baik, tetapi untuk memenuhi permintaan tersebut, perusahaan mungkin harus menanggung biaya yang lebih tinggi terlebih dahulu. Hal ini lebih menarik untuk dicermati daripada sekadar memberi label perusahaan “sudah untung” atau “masih membakar uang”.
Pelanggan bisa bersedia membayar lebih, laba berdasarkan salah satu metode penghitungan bisa positif, dan perusahaan tetap perlu menginvestasikan dana besar pada masa depan—semuanya bisa terjadi sekaligus. Jadi, tidak sulit memahami mengapa perusahaan masih perlu mencari pendanaan meski pendapatannya tumbuh sangat cepat: sebagian kapasitas komputasi harus diinvestasikan sebelum mulai menghasilkan pendapatan. Yang perlu dibuktikan Anthropic adalah apakah pendapatan yang dihasilkan saat semakin banyak pelanggan menyerahkan semakin banyak pekerjaan kepada Claude bisa terus menutupi biaya bisnis ini, bukan sekadar tampak cukup dalam satu kuartal yang mengesankan.

06|Mengapa perusahaan yang menjual AI lebih canggih tidak mengeluarkan semua kemampuannya yang paling kuat?
Mozilla, pembuat peramban Firefox, memperbaiki 271 masalah keamanan yang ditemukan Claude Mythos Preview di Firefox 150. Tinjauan Mozilla sendiri lebih menarik daripada angkanya: setelah model menemukan masalah yang mencurigakan, tim tetap harus menilai tingkat keparahannya, menghapus laporan duplikat, menulis patch, menguji, lalu merilisnya. Model memang mempercepat penemuan masalah, tetapi para insinyur tidak hilang dari proses. Sebaliknya, mereka harus mencari cara untuk menangani lebih banyak temuan.
Kemampuan yang sama dapat digunakan oleh pihak yang bertahan untuk menemukan kerentanan, tetapi juga oleh penyerang untuk mencari celah. Karena itu, melalui Project Glasswing, Anthropic lebih dulu memberikan akses terkendali ke Mythos Preview kepada mitra pertahanan, alih-alih langsung membukanya untuk semua orang. Pada November 2026, Fable 5.2 dan Mythos 5.2 yang diperkenalkan secara resmi berasal dari model dasar yang sama: Fable tersedia secara luas dengan perlindungan keamanan siber dan keamanan hayati yang lebih kuat, sedangkan Mythos tersedia melalui jalur terverifikasi untuk penggunaan di bidang keamanan siber atau ilmu hayati bagi pihak yang memenuhi syarat. Apakah sesuatu bisa dilakukan, siapa yang boleh menggunakannya, dan siapa yang bertanggung jawab atas hasilnya adalah tiga pertanyaan berbeda. Dalam sains, prinsipnya juga sama. Anthropic pernah menjelaskan sebuah eksperimen: Claude menemukan satu rangkaian berulang yang tidak biasa dari sejumlah besar data genetik, lalu para peneliti melakukan verifikasi awal di laboratorium. Cara kerja sistem itu sendiri masih perlu diteliti. Laboratorium Propulsi Jet NASA juga mengungkapkan bahwa Claude pernah membantu merencanakan rute penjelajahan rover Mars Perseverance, tetapi tim teknisi terlebih dahulu memeriksa perintahnya menggunakan rover Mars virtual sebelum mengirimkannya ke Mars. Hal yang paling menarik dari contoh-contoh ini bukanlah bahwa AI sudah bisa menjadi ilmuwan atau mengemudikan rover Mars secara mandiri, melainkan bahwa AI bisa memperluas jangkauan eksplorasi manusia, sementara hasil yang penting tetap dapat diverifikasi.
Dalam penjelasan perusahaan, keselamatan bukan sekadar gerbang yang ditambahkan sebelum model dirilis. Keselamatan juga mencakup mengajari model saat pelatihan cara menangani permintaan yang berbahaya serta meneliti alasan munculnya perilaku tertentu dalam model. Bagi perusahaan, hal ini juga berbeda dengan pertanyaan “apakah sistem bisa mengakses berkas tertentu, dan bisakah kita menelusuri kejadian jika muncul masalah?” Yang pertama berkaitan dengan perilaku model itu sendiri, sedangkan yang kedua berkaitan dengan izin akses dan tanggung jawab ketika model diterapkan dalam pekerjaan nyata. Mengenai siapa yang berhak mengambil keputusan di tengah tekanan bisnis, Anthropic memiliki satu lapisan tata kelola perusahaan tambahan. Perusahaan ini didirikan sebagai perusahaan manfaat publik berdasarkan hukum negara bagian Delaware di Amerika Serikat: perusahaan dapat mencari keuntungan sekaligus memiliki tanggung jawab untuk mempertimbangkan kepentingan publik. Menurut penjelasan dalam prospektus, jika penawaran ini selesai, trust kepentingan jangka panjang yang memiliki saham khusus umumnya dapat menunjuk dan memberhentikan empat dari tujuh kursi dewan direksi. Namun, trust itu tidak bertanggung jawab atas operasional harian dan bukan pihak yang menyetujui setiap perilisan model. Pengaturan ini patut diperhatikan, tetapi bukan jaminan bahwa perusahaan pasti akan mengambil keputusan yang tepat. Membatasi akses mungkin mengurangi layanan yang bisa dijual, dan pengujian keamanan tambahan juga membutuhkan biaya. Sebaliknya, kemampuan menjelaskan izin akses, audit, dan tanggung jawab dapat membuat lebih banyak pelanggan berani mengintegrasikan tugas penting mereka. Kedua sisi ini perlu dilihat secara terpisah.

Kembali ke pengajuan asuransi di awal. Setelah AI merapikan dokumen, petugas penilai risiko tetap mengambil keputusan. Namun, pekerjaan yang semula memakan waktu itu telah dibagi ulang: mesin menangani bagian yang dikuasainya dengan baik, sementara manusia menyisihkan waktu untuk bagian yang memerlukan penilaian profesional. Bagi Anthropic, jika perubahan seperti ini bisa terjadi dalam lebih banyak pekerjaan dan biaya tidak lepas kendali setiap kali hasil andal tambahan diserahkan, yang dijualnya bukan hanya asisten obrolan yang mudah digunakan.
Jadi, setelah roadshow ini, ada tiga hal yang akan terus saya amati: apakah pelanggan lama bersedia menyerahkan pekerjaan yang lebih penting kepada Claude; apakah total biaya untuk menyelesaikan satu tugas dengan andal—termasuk tinjauan manusia dan pengerjaan ulang—bisa terus turun; dan apa yang akan dipilih perusahaan ketika keselamatan benar-benar berbenturan dengan pertumbuhan.
Ketiga hal ini lebih mampu menunjukkan ke mana perusahaan akan melangkah dibandingkan betapa mengesankan satu demonstrasi atau betapa cepat pertumbuhan dalam satu kuartal. Jika Anda sedang ingin menghadirkan AI ke dalam tim, Anda juga bisa mulai dari pertanyaan yang sama: pekerjaan berikutnya apa yang layak diserahkan? Jika terjadi kesalahan, siapa yang akan menyadarinya, dan siapa yang akan mengambil alih?
Lihat Asli
Halaman ini berisi konten pihak ketiga dan bukan merupakan nasihat apa pun, juga tidak mewakili dukungan Gate atas pandangan tersebut. Untuk detail, silakan lihat penafian.
BMYBMY+1,74%
ACNACN+0,21%
GOOGLGOOGL-0,98%
MSFTMSFT+0,22%


Tambahkan komentar
Tambahkan komentar

Komentar 4
North Star Alpha
Analisis Guru Shanding sangat menyeluruh ya.
This is translate content : Mountain Peak RyakPenulis
北辰老师早ノ☀
coin rely on universal
Siapa kreator tahun ini yang kamu jagokan? 🏆
Spicy hand coins
Siapa kreator tahun ini yang kamu jagokan? 🏆