Pada artikel sebelumnya "China Web3 Startup, Apa Saja Jalur yang Bagus? (Empat)", Portal Labs membahas tiga jenis tim Web3 yang lebih condong ke infrastruktur, dan bagaimana melakukan migrasi kemampuan ke arah AI.
Tim tipe data dapat melihat lapisan data AI, menyelesaikan masalah data berlisensi, data yang dapat diverifikasi, dan panggilan yang sesuai aturan; tim identitas dan akun dapat melihat izin, akun, dan catatan eksekusi Agent; sementara tim pembayaran dan dompet dapat melihat penyelesaian otomatis Agent, micro-payment API, dan audit pembukuan. Ketiga jalur ini memiliki kesamaan, yaitu menempatkan kemampuan infrastruktur yang sudah terakumulasi di Web3 selama beberapa tahun terakhir, ke dalam kebutuhan baru yang muncul dari AI Agent.
Tapi arah migrasi yang dapat dilakukan oleh tim Web3 China tidak hanya berhenti pada data, identitas, dan pembayaran. Ada dua jenis tim lain yang juga layak untuk dibahas secara terpisah.
Satu adalah tim keamanan dan manajemen risiko. Di masa lalu, mereka melayani kontrak, dompet, aliran dana, dan risiko on-chain; pada tahap AI Agent, masalah keamanan baru akan muncul dalam izin, pemanggilan alat, pembayaran otomatis, akses data, dan catatan eksekusi. Semakin banyak yang bisa dilakukan Agent untuk pengguna, semakin perlu ada yang membantunya menetapkan batas, memeriksa anomali, dan meninggalkan catatan.
Jenis lainnya adalah tim lapisan aplikasi dan berbasis komunitas. Mereka tidak perlu berubah menjadi perusahaan infrastruktur AI, tetapi dapat memasukkan AI ke dalam alur produk dan operasional mereka yang sudah ada, untuk meningkatkan efisiensi penelitian investasi, konten, layanan pelanggan, komunitas, edukasi, dan konversi pengguna. Bagi tim jenis ini, AI lebih seperti penguat kemampuan, bukan perubahan karir total.
Jadi, artikel ini akan melanjutkan logika dari artikel sebelumnya: tim keamanan dan manajemen risiko, tim lapisan aplikasi dan berbasis komunitas, masing-masing seharusnya bagaimana bermigrasi ke AI.
Bersamaan dengan itu, Portal Labs juga perlu menjelaskan satu hal lagi dengan jelas. Tidak semua arah AI cocok untuk dimasuki oleh tim Web3 China. Beberapa arah terlihat sangat panas, seperti model dasar umum, platform Agent generik, trader AI, produk penghasilan otomatis, namun sebenarnya memiliki ambang batas tinggi, kompetisi ketat, dan bahkan mungkin menyentuh batas kepatuhan yang sangat sensitif.
Apakah bisa bermigrasi, tidak bisa hanya dilihat dari panas atau tidaknya AI. Yang lebih penting adalah, kemampuan apa yang sudah dimiliki tim sebelumnya, apakah kemampuan itu bisa ditempatkan dalam skenario nyata, dan apakah bisa menemukan pembayar yang jelas.
Tim Keamanan dan Manajemen Risiko: Dari Keamanan On-Chain ke Audit Perilaku Agent
Keamanan dan manajemen risiko, selalu menjadi arah yang relatif mampu bertahan melewati siklus di antara tim Web3 China.
Baik pasar sedang panas atau tidak, proyek Web3 sebelum diluncurkan perlu diaudit kontraknya, dompet perlu dilindungi dari pencurian, aliran dana perlu dipantau, insiden serangan perlu dilacak, alat KYT dan anti-pencucian uang juga selalu dibutuhkan. Banyak tim keamanan bertahan hidup justru berkat kebutuhan nyata ini.
Dulu, tim jenis ini terutama fokus pada kerentanan kontrak pintar, risiko kunci privat, keamanan dompet, serangan on-chain, arah aliran dana, dan transaksi mencurigakan. Setelah AI Agent berkembang, masalah keamanan akan meluas dari aset on-chain ke perilaku otomatisasi yang lebih luas.
Karena Agent tidak lagi hanya menjawab pertanyaan, ia akan mulai memanggil alat, mengakses data, mengeksekusi proses, bahkan memicu pembayaran dan operasi on-chain.
Misalnya, sebuah perusahaan menghubungkan AI Agent ke CRM, email, database kontrak, basis pengetahuan internal, dan sistem tiket kerja, menggunakannya untuk mengatur informasi pelanggan, membuat ringkasan rapat, merancang email balasan, menanyakan klausul kontrak, bahkan membuat tugas secara otomatis dan menindaklanjuti pelanggan. Skenario ini terlihat seperti meningkatkan efisiensi, tetapi di baliknya melibatkan banyak izin dan aliran data. Bisakah Agent membaca semua data pelanggan? Bisakah ia mengirim konten kontrak ke alat eksternal? Bisakah ia mengakses email karyawan? Bisakah ia mengirim email otomatis ke pelanggan? Jika diserang melalui prompt, apakah bisa membocorkan informasi internal?
Semua ini akan menjadi masalah keamanan baru.
Jika perusahaan mulai menggunakan alur kerja AI secara besar-besaran, kebutuhan keamanan akan meluas dari keamanan model ke keamanan perilaku. Perusahaan tidak hanya peduli apakah jawaban model benar, tetapi juga apa yang dilakukan Agent, sistem mana yang dipanggil, file apa yang diakses, kepada siapa data dikirimkan, dan apakah sesuai dengan izin internal dan persyaratan kepatuhan.
Ini persis arah migrasi yang bisa dilakukan oleh tim keamanan dan manajemen risiko.
Tim yang dulu melakukan pemantauan on-chain, audit, manajemen risiko, pelacakan dana, dapat memigrasi kemampuan mereka ke audit perilaku Agent, identifikasi anomali izin, pemantauan pemanggilan data, manajemen risiko pembayaran otomatis, dan tata kelola keamanan AI perusahaan.
Misalnya, menyediakan log operasi Agent untuk perusahaan, agar setiap pemanggilan alat dapat dilacak; menetapkan batas izin untuk alur kerja AI, mencegah akses melampaui wewenang; menetapkan aturan manajemen risiko untuk pembayaran otomatis, mengidentifikasi panggilan yang tidak normal; menyediakan laporan audit untuk pemanggilan data internal, membantu perusahaan memenuhi persyaratan kepatuhan.
Arah seperti ini belum tentu memiliki virality yang kuat, tetapi memiliki atribut B2B yang jelas.
Semakin banyak perusahaan mengadopsi AI, semakin mereka membutuhkan keamanan, izin, dan audit. Terutama di industri keuangan, kesehatan, pemerintahan/perusahaan, hukum, pendidikan, AI tidak boleh hanya mengejar efisiensi, tetapi juga harus terkendali, dapat diperiksa, dan dapat dipertanggungjawabkan.
Bagi tim China, arah keamanan dan manajemen risiko juga lebih mudah menghindari narasi berisiko tinggi. Ia tidak perlu langsung menyentuh token, tidak perlu mengelola dana pengguna, juga tidak perlu menjanjikan keuntungan. Selama bisa menyentuh risiko nyata dalam proses penggunaan AI perusahaan, ada peluang untuk membentuk pendapatan layanan yang berkelanjutan.
Namun, arah ini juga memiliki ambang batas.
Audit perilaku Agent tidak bisa dimengerti sederhana sebagai "pemantauan on-chain berganti nama". Ia perlu memahami sistem izin perusahaan, pemanggilan alat AI, keamanan data, analisis log, dan proses bisnis. Jika tim keamanan Web3 ingin masuk ke lapisan ini, mereka perlu melengkapi pengetahuan rekayasa AI dan keamanan perusahaan, tidak bisa hanya menggunakan metode audit kontrak yang lama.
Tapi dalam jangka panjang, jalur ini layak diperhatikan. Semakin AI masuk ke bisnis nyata, masalah keamanan tidak akan berhenti pada model itu sendiri. Siapa yang bisa membantu perusahaan melihat apa yang dilakukan Agent, perilaku mana yang berisiko, dan bagaimana melacak jika terjadi masalah, mungkin akan menjadi penyedia layanan penting dalam infrastruktur AI.
Tim Lapisan Aplikasi dan Berbasis Komunitas: Dari Produk Web3 ke Produk yang Diperkuat AI
Tim jenis ini mencakup platform konten, alat penelitian investasi, alat trading, produk edukasi, produk komunitas, alat pertumbuhan, dan produk operasi pengguna. Mereka belum tentu cocok langsung membuat infrastruktur AI, tetapi sangat cocok menyematkan AI ke dalam bisnis yang sudah ada.
Kesalahan yang paling mudah dilakukan tim lapisan aplikasi adalah, begitu melihat AI panas, mereka buru-buru mengubah diri menjadi perusahaan AI. Tadinya membuat komunitas, sekarang bilang mau membuat sosial AI; tadinya membuat konten, sekarang bilang mau membuat platform konten AI; tadinya melakukan penelitian investasi, sekarang bilang mau membuat penasihat investasi AI. Kedengarannya perubahan besar, tetapi jika tidak ada skenario nyata dan kebutuhan berbayar, mudah sekali berubah menjadi pembungkusan baru.
Cara yang lebih realistis adalah memasukkan AI ke dalam produk yang sudah ada, menyelesaikan masalah yang sudah dihadapi pengguna.
Arah seperti ini sebenarnya sudah ada referensinya. Misalnya produk seperti Kaito, pada dasarnya bukan hanya sekadar membuat "alat chat AI", tetapi berpusat pada masalah kelebihan informasi Crypto, mengatur dinamika proyek, media sosial, panas narasi, penyebaran konten, dan perhatian pengguna, agar peneliti dan pihak proyek dapat lebih cepat melihat apa yang sedang dibahas pasar. Inspirasi yang diberikan pada tim lapisan aplikasi adalah, AI tidak harus menjadi produk terpisah, tetapi bisa menjadi lapisan kemampuan untuk penyaringan informasi, pengorganisasian semantik, dan penemuan sinyal.
Contoh lain adalah beberapa Crypto Copilot dan asisten penelitian investasi, yang mereka lakukan bukanlah menilai proyek baik atau buruk untuk pengguna, tetapi mengorganisir pengumuman, whitepaper, proposal tata kelola, data on-chain, informasi pendanaan, dan dinamika pasar menjadi konten yang lebih mudah dipahami. Bagi alat penelitian investasi, ini lebih berharga daripada sekadar membuat "bot tanya jawab". Karena rasa sakit sebenarnya pengguna bukanlah tidak bisa bertanya, tetapi informasi yang harus ditangani setiap hari terlalu banyak, sumber informasi terlalu tersebar, dan biaya penilaian terlalu tinggi.
Logika yang sama berlaku untuk alat komunitas dan operasi. Pihak proyek setiap hari harus menangani pertanyaan pengguna, umpan balik kegiatan, konten komunitas, data KOL, dan petunjuk pertumbuhan. Jika AI hanya ditempatkan di Telegram atau Discord untuk menjawab beberapa pertanyaan umum, nilainya sangat terbatas. Tetapi jika ia dapat membantu pihak proyek mengorganisir pertanyaan berfrekuensi tinggi di komunitas, memberi label pada pengguna, mengidentifikasi kontributor aktif, mengklasifikasikan umpan balik kegiatan, menghasilkan tinjauan operasi, maka ia menjadi alat yang benar-benar tertanam dalam alur operasi.
Produk edukasi juga bisa dilihat seperti ini. Kesulitan terbesar pengguna baru Web3 belum tentu tidak menemukan konten, tetapi konten terlalu banyak, ambang batas terlalu tinggi, informasi sulit dibedakan benar atau salah. AI dapat menghasilkan jalur pembelajaran berdasarkan tingkat pengguna, menjelaskan istilah, mengatur studi kasus, melakukan latihan tanya jawab, juga dapat memecah konten kompleks menjadi versi yang lebih mudah dipahami pemula.
Jadi, bagi tim lapisan aplikasi, AI lebih cocok sebagai penguat kemampuan produk dan operasi.
Platform konten dapat menggunakan AI untuk penyaringan informasi, ringkasan, rekomendasi, dan distribusi multibahasa; alat penelitian investasi dapat menggunakan AI untuk penjelasan data on-chain, pemantauan proyek, pengorganisasian informasi pasar, dan peringatan risiko; produk komunitas dapat menggunakan AI untuk tanya jawab otomatis, stratifikasi pengguna, operasi kegiatan, dan moderasi konten; platform edukasi dapat menggunakan AI untuk jalur pembelajaran personalisasi, pembuatan kursus, dan jawaban pertanyaan; alat trading dapat menggunakan AI untuk analisis data, peringatan risiko, dan bantuan strategi.
Arah-arah ini terdengar tidak sebesar "ekonomi Agent", tetapi lebih mudah diimplementasikan. Karena tim lapisan aplikasi pada dasarnya sudah memiliki pengguna, konten, skenario, dan pengalaman operasi. Setelah AI ditambahkan, yang diselesaikan adalah masalah yang sudah ada dalam produk asli. Misalnya informasi terlalu banyak, pengguna tidak paham, biaya layanan pelanggan tinggi, produksi konten lambat, efisiensi penelitian investasi rendah, operasi komunitas berat.
Kunci migrasi jenis ini adalah jangan lepas dari skenario pengguna asli.
Jika sebuah alat penelitian investasi Web3 pada dasarnya sudah melayani trader dan peneliti, maka AI dapat membantu pengguna lebih cepat memahami pengumuman, whitepaper, data on-chain, dan perubahan pasar. Jika sebuah platform edukasi Web3 pada dasarnya sudah melayani pengguna pemula, maka AI dapat melakukan tanya jawab personalisasi dan jalur pembelajaran. Jika sebuah produk komunitas pada dasarnya sudah melayani pihak proyek, maka AI dapat membantu pihak proyek melakukan stratifikasi pengguna, pemeliharaan komunitas, dan penyentuhan kegiatan.
Semua ini adalah kebutuhan yang benar-benar ada.
Tim lapisan aplikasi seringkali tidak perlu mengejar "transformasi". Menyematkan AI sebagai kemampuan baru ke dalam produk asli, lebih mudah memanfaatkan basis pengguna, konten, dan bisnis yang sudah ada, juga dapat menghindari masuk ke samudera merah AI yang benar-benar asing.
Tentu saja, jalur ini juga tidak bisa hanya berhenti pada menambahkan satu chatbot.
Banyak produk yang sekarang disebut ter-AI-kan, sebenarnya hanya menambahkan satu jendela tanya jawab. Pengalaman pengguna tidak meningkat signifikan, efisiensi bisnis juga tidak berubah nyata. AI-asi seperti ini sulit membentuk nilai jangka panjang.
Peningkatan AI yang benar-benar efektif, harus tertanam dalam alur kerja asli pengguna. Ia harus membantu pengguna menghemat waktu, meningkatkan kualitas keputusan, mengurangi biaya operasi, atau meningkatkan konversi dan retensi. Jika tidak bisa melakukan ini, fungsi AI akan cepat menjadi pajangan.
Jadi, bagi tim lapisan aplikasi dan berbasis komunitas, cara migrasi yang paling realistis adalah, pertama-tama gunakan AI untuk membuat produk dan operasi asli menjadi lebih efektif. Apakah pengguna lebih mudah memahami informasi, apakah pihak proyek lebih mudah mengoperasikan komunitas, apakah peneliti lebih cepat menyelesaikan penilaian, apakah layanan pelanggan dan pertumbuhan lebih menghemat tenaga, ini lebih penting daripada "apakah bertransformasi ke AI".
Arah Mana yang Sebaiknya Tidak Disentuh?
Setelah membahas tim yang cocok bermigrasi, perlu juga dijelaskan arah mana yang sebaiknya diwaspadai.
Jenis pertama, adalah membuat model dasar umum dari nol.
Arah ini memerlukan kemampuan model, sumber daya komputasi, data pelatihan, tim penelitian, dan investasi modal jangka panjang, sendiri sudah menjadi pasar yang sangat kompetitif. Perusahaan model dasar, raksasa internet, tim startup AI native semua ada di dalamnya, tim Web3 China jika tidak memiliki akumulasi teknologi dan sumber daya yang sangat kuat, sulit membentuk keunggulan jika memaksakan masuk.
Masalah yang lebih realistis adalah, keunggulan yang terkumpul dari tim Web3 di masa lalu, biasanya tidak ada pada pelatihan model. Banyak tim sebenarnya ahli dalam protokol, data, dompet, pembayaran, keamanan, komunitas, dan pasar luar negeri. Jika langsung beralih membuat model dasar umum, sama saja membuang akumulasi sebelumnya, masuk ke jalur yang lebih berat, lebih ramai, dan juga lebih menghabiskan uang.
Jenis kedua, adalah langsung membuat platform AI Agent generik.
Banyak platform Agent terdengar sangat megah, sepertinya semua tugas bisa dilakukan. Tetapi saat benar-benar diimplementasikan, yang dipedulikan pengguna seringkali bukan seberapa besar platformnya, tetapi apakah suatu tugas tertentu dapat diselesaikan dengan stabil. Bisakah terhubung ke alur kerja nyata, bisakah mengurangi biaya tenaga kerja, bisakah menjamin kualitas hasil, bisakah ada yang mau membayar, masalah-masalah ini lebih penting daripada "narasi platform".
Jika tidak ada tugas yang jelas, standar pengiriman, dan objek pembayaran, platform Agent mudah sekali berhenti di tahap Demo. Terlihat sangat canggih, tetapi sulit masuk ke penggunaan sehari-hari pengguna.
Jenis ketiga, adalah arah seperti trader AI, penghasilan otomatis, dan penasihat investasi pintar.
Produk jenis ini di lingkaran Web3 mudah memiliki virality, karena secara alami dekat dengan harapan pengguna akan keuntungan. Trading otomatis AI, AI membantu Anda menghasilkan uang, AI menggantikan Anda membuat keputusan investasi, kedengarannya sangat menarik.
Tetapi masalah arah ini juga paling rumit. Ia mudah menyentuh dana pengguna, janji keuntungan, manajemen aset, kepatuhan penasihat investasi, dan manajemen risiko trading. Selama ekspresi produk sedikit radikal, mungkin bisa meluncur dari "bantuan alat" ke "janji keuntungan". Bagi tim China, arah ini sangat sensitif, sulit menjadi jalur startup yang stabil dalam jangka panjang.
Jenis keempat, adalah sekadar membungkus proyek asli dengan kulit AI.
Tadinya membuat NFT, sekarang tambah gambar generasi AI; tadinya membuat GameFi, sekarang tambah NPC AI; tadinya membuat dompet, sekarang tambah asisten chat AI; tadinya membuat komunitas, sekarang tambah Bot AI. Modifikasi seperti ini mungkin membawa topik jangka pendek, tetapi jika tidak meningkatkan nilai produk, sulit mempertahankan pengguna, juga sulit meyakinkan pembayar sebenarnya.
AI bisa menjadi pintu masuk migrasi kemampuan, tetapi tidak bisa menyelesaikan masalah mendasar untuk proyek yang tidak memiliki kebutuhan nyata.
Jika bisnis asli tidak memiliki pengguna, tidak ada pendapatan, tidak ada skenario, hanya mengganti narasi AI, pada akhirnya kemungkinan besar akan kembali ke masalah yang sama. Mengapa pengguna membutuhkannya? Siapa yang akan terus membayar? Apa sebenarnya yang diselesaikan tim?
Jadi, bagi tim Web3 China, menilai apakah sebuah arah AI layak dilakukan, tidak bisa hanya dilihat dari panasnya. Yang lebih penting adalah, apakah ia memiliki skenario nyata, pembayar yang jelas, kemampuan yang dapat digunakan kembali, serta batas kepatuhan yang relatif jelas.
Ditulis di Akhir
Siklus AI datang, tim Web3 China tentu harus melihat, dan seharusnya melihat.
Tetapi yang benar-benar layak dilihat, bukan konsep mana yang menjadi panas lagi, tetapi apakah kemampuan yang terkumpul selama beberapa tahun terakhir, masih memiliki titik jatuh baru.
Dari data, identitas, pembayaran, hingga keamanan, manajemen risiko, dan produk lapisan aplikasi, yang bisa dimigrasikan tim Web3, sebenarnya adalah hal-hal yang sudah mengendap dalam bisnis asli mereka. AI menyediakan skenario baru untuk kemampuan ini, tetapi tidak akan menambahkan fondasi untuk proyek yang tidak memiliki kebutuhan nyata.
Jadi, bagi pebisnis startup Web3 China, beralih ke AI bukanlah kuncinya, kemampuan bisa bermigrasi atau tidak itulah kuncinya.
Jika yang terkumpul di masa lalu adalah data, akun, pembayaran, keamanan, operasi, dan skenario pengguna, maka AI mungkin menjadi jalur baru.
Jika di masa lalu hanya memiliki narasi dan bungkus, ganti ke AI, juga hanya mengganti kata yang lebih panas.
