Pasar luas "lautan biru agen cerdas" yang besar: pengembangan perangkat lunak mencakup separuhnya, sementara bidang seperti kedokteran, keuangan, dan hukum sangat sedikit

Sebuah penelitian terbaru tentang penerapan nyata agen AI mengungkapkan pola pasar yang sangat tidak seimbang: pengembangan perangkat lunak mendominasi hampir setengah dari pasar, sementara bidang vertikal seperti kesehatan, hukum, keuangan, dan beberapa lainnya hanya menyumbang bagian lain, dan masing-masing kurang dari 5%. Kondisi ini menunjukkan arah bagi para pengusaha—kesempatan nyata bukan di bidang yang sudah dieksplorasi, melainkan di pasar biru yang hampir belum tersentuh.

Penelitian komprehensif yang dirilis oleh Anthropic menunjukkan bahwa dalam penggunaan API agen AI, pengembangan perangkat lunak menyumbang hingga 49,7%. Sebaliknya, bidang kesehatan hanya 1%, hukum 0,9%, pendidikan 1,8%. Ini bukan pasar yang jenuh, melainkan pasar yang hampir belum ada.

Penelitian juga mengungkapkan temuan kunci: kemampuan nyata dari model AI telah jauh melampaui tingkat kepercayaan pengguna terhadapnya. Penilaian kemampuan METR menunjukkan bahwa Claude mampu menyelesaikan tugas yang membutuhkan waktu hampir lima jam manusia, tetapi dalam aplikasi nyata, durasi percakapan di kuantil 99,9% hanya sekitar 42 menit. Jurang besar antara kemampuan ini dan penerapannya adalah peluang produk yang dapat dimanfaatkan oleh pengusaha.

Presiden Y Combinator Garry Tan dan CEO Box Aaron Levie keduanya berpendapat bahwa pola ini menandakan akan lahirnya 300 perusahaan unicorn AI vertikal di masa depan, dibandingkan lebih dari 170 unicorn yang muncul selama era SaaS sebelumnya. Skala versi AI ini mungkin akan meningkat sepuluh kali lipat, karena mereka tidak hanya menggantikan perangkat lunak, tetapi juga dapat menggantikan operator.

Pengembangan didominasi perangkat lunak, bidang vertikal hampir kosong

Data dari Anthropic menunjukkan bahwa pengembangan perangkat lunak menguasai setengah dari seluruh aktivitas agen AI, sementara sisanya tersebar di 16 bidang vertikal, dan tidak ada satu pun yang melebihi 9%. Pasar di bidang kesehatan, hukum, pendidikan, layanan pelanggan, logistik, dan lain-lain semuanya berada di angka satu digit.

Distribusi ini bukan karena bidang vertikal tersebut tidak membutuhkan agen AI, melainkan karena aplikasi terkait belum benar-benar dikembangkan. Dominasi pengembangan perangkat lunak disebabkan karena pengembang secara alami adalah pengguna awal alat AI, dan tingkat teknologinya relatif lebih rendah.

Sebaliknya, bidang vertikal seperti kesehatan dan hukum melibatkan data kepemilikan, regulasi ketat, dan proses organisasi yang kompleks. Faktor-faktor yang tampaknya menjadi hambatan ini sebenarnya membentuk penghalang kompetisi yang defensif. Siapa pun dapat membangun pembungkus umum, tetapi sangat sedikit yang mampu memahami secara mendalam proses kerja tagihan medis, penemuan hukum, atau izin bangunan.

Jurang antara kemampuan dan kepercayaan dalam penerapan

Fenomena “penerapan tertinggal” yang diungkapkan oleh penelitian patut diperhatikan pengusaha. Kemampuan yang sudah dimiliki model jauh melampaui tingkat kepercayaan pengguna untuk membiarkannya beroperasi secara mandiri.

Dari Oktober 2025 hingga Januari 2026, durasi percakapan di kuantil 99,9% hampir dua kali lipat, dari kurang dari 25 menit menjadi lebih dari 45 menit. Pertumbuhan ini stabil di berbagai versi model. Ini bukan hanya peningkatan kemampuan model, tetapi juga akumulasi kepercayaan pengguna—pengguna belajar berkolaborasi dengan agen AI melalui percakapan berulang.

Peneliti Anthropic Miles McCain dan lainnya menunjukkan bahwa dari Agustus hingga Desember, tingkat keberhasilan Claude Code dalam tugas-tugas paling menantang bagi pengguna internal meningkat dua kali lipat, sementara rata-rata intervensi manusia per percakapan menurun dari 5,4 menjadi 3,3 kali. Ini menunjukkan bahwa seiring pemahaman pengguna terhadap kemampuan agen, mereka bersedia memberikan lebih banyak otonomi.

Kemampuan sudah ada, penerapan belum mengikuti. Ini bukan masalah, melainkan peluang produk.

Paradoks evolusi kepercayaan

Penelitian menemukan fenomena evolusi kepercayaan pengguna: pengguna berpengalaman secara otomatis menyetujui lebih banyak percakapan sekaligus melakukan lebih banyak intervensi.

Pengguna baru secara otomatis menyetujui sekitar 20% dari percakapan Claude Code. Setelah 750 percakapan, rasio ini meningkat menjadi lebih dari 40%. Tetapi pada saat yang sama, pengguna baru hanya melakukan intervensi dalam 5% dari giliran, sementara pengguna berpengalaman mencapai 9%.

Ini bukan kontradiksi. Tim peneliti menjelaskan bahwa ini adalah perubahan strategi pengawasan. Pengguna baru melakukan persetujuan sebelum setiap langkah, sedangkan pengguna berpengalaman mengadopsi model delegasi dengan intervensi setelahnya, beralih dari persetujuan di awal ke pengawasan aktif.

Penelitian juga menemukan fitur keamanan penting: dalam tugas kompleks, frekuensi Claude Code meminta klarifikasi secara aktif dua kali lipat dari intervensi manusia. Agen akan berhenti dan meminta konfirmasi saat tidak yakin, bukan terus maju tanpa kepastian. Para peneliti berpendapat bahwa “kewenangan yang dijalankan agen dalam praktik adalah hasil kolaborasi antara model, pengguna, dan produk. Claude membatasi otonominya dengan menunda pertanyaan saat tidak yakin.”

73% panggilan alat melibatkan manusia, dan hanya 0,8% operasi yang tidak dapat dibatalkan. Skenario penerapan dengan risiko tertinggi, seperti pengambilan kunci API atau transaksi mata uang kripto otomatis, utamanya adalah penilaian keamanan, bukan lingkungan produksi nyata.

Strategi defensif AI vertikal

Strategi AI vertikal yang diajukan oleh Aaron Levie mengungkapkan jalur membangun perusahaan yang tahan banting: membangun agen cerdas yang dapat mengakses data kepemilikan; membuat perangkat lunak benar-benar menyelesaikan masalah nyata; memanfaatkan konteks secara maksimal untuk mengoptimalkan output; dan bagian penting yang sering diabaikan oleh banyak pendiri—mendorong perubahan manajemen bagi pelanggan.

Bagian terakhir ini adalah alasan utama mengapa AI vertikal memiliki daya tahan. Di bidang vertikal, menguasai proses kerja tradisional, regulasi, dan friksi organisasi adalah kunci untuk membedakan perusahaan yang tahan banting dari pembungkus umum.

Industri SaaS telah tumbuh 10 kali lipat setiap dekade selama puluhan tahun. Dalam 20 tahun terakhir, lebih dari 40% modal ventura mengalir ke perusahaan SaaS, yang menghasilkan lebih dari 170 unicorn. Logika AI vertikal serupa: setiap unicorn SaaS memiliki versi AI vertikal yang menunggu untuk dikembangkan, dan skala versi AI ini bisa sepuluh kali lipat karena mereka tidak hanya menggantikan perangkat lunak, tetapi juga operator.

Para peneliti menegaskan bahwa kebijakan yang mengharuskan “persetujuan untuk setiap operasi” akan menghambat produktivitas tanpa meningkatkan keamanan. Tujuan yang lebih baik adalah memastikan manusia dapat memantau dan mengintervensi, bukan memaksakan proses persetujuan tertentu.

Sembunyinya 300 unicorn

Peta pasar sudah jelas. Bidang pengembangan perangkat lunak sudah memiliki tempatnya, sementara bidang vertikal seperti kesehatan, hukum, keuangan, pendidikan, layanan pelanggan, logistik, dan lainnya masing-masing di angka satu digit, menunggu orang yang mengintegrasikan pengetahuan bidang ke dalam agen AI.

Model sudah mampu bekerja selama lima jam, tetapi pengguna hanya membiarkannya bekerja selama 42 menit. Jurang ini menunjukkan bahwa pasar masih sangat awal, dan masih banyak pekerjaan yang harus dilakukan, bahkan di bidang yang belum menunjukkan aplikasi cerdas selama satu menit pun.

Dulu, lebih dari 300 unicorn SaaS lahir, dan selanjutnya akan lahir 300 unicorn AI vertikal. Memilih satu bidang vertikal, mengintegrasikan pengetahuan bidang ke dalam agen, dan menyelesaikan masalah manajemen perubahan akan menjadi kunci dominasi di industri perangkat lunak selama dekade berikutnya.

Peringatan risiko dan ketentuan penafian

        Pasar berisiko, investasi harus dilakukan dengan hati-hati. Artikel ini tidak merupakan saran investasi pribadi, dan tidak mempertimbangkan tujuan investasi, kondisi keuangan, atau kebutuhan spesifik pengguna. Pengguna harus menilai apakah pendapat, pandangan, atau kesimpulan dalam artikel ini sesuai dengan kondisi mereka. Investasi berdasarkan informasi ini menjadi tanggung jawab sendiri.