Penulis: Inkubator Going Global
Aturan main dalam berwirausaha telah benar-benar berubah.
Dalam "Daftar Keinginan Wirausaha" (RFS) Musim Semi 2026 terbaru yang dirilis oleh Y Combinator (YC), kami melihat sinyal yang jelas: AI-native (AI-asli) bukan lagi sekadar istilah pemasaran, melainkan logika dasar untuk membangun raksasa generasi berikutnya. Startup sekarang dapat menantang bidang-bidang yang dulu dianggap "tidak tergoyahkan" dengan kecepatan yang lebih tinggi dan biaya yang lebih rendah.
Kali ini, YC tidak hanya fokus pada perangkat lunak, tetapi juga mengalihkan pandangannya ke sistem industri, infrastruktur keuangan dasar, serta tata kelola pemerintahan. Jika gelombang AI sebelumnya adalah tentang "menghasilkan konten", maka gelombang berikutnya akan tentang "memecahkan masalah kompleks" dan "membentuk ulang dunia fisik".
Berikut adalah 10 jalur inti yang sedang dipantau dengan cermat oleh YC dan sangat ingin mereka investasi.
1. "Cursor" untuk Manajer Produk (Cursor for Product Managers)
Dalam beberapa tahun terakhir, alat-alat seperti Cursor dan Claude Code telah mengubah cara penulisan kode secara revolusioner. Namun, kemakmuran ini menutupi masalah yang lebih mendasar: menulis kode hanyalah sarana, mencari tahu "apa yang seharusnya dibangun" adalah intinya.
Saat ini, proses penemuan produk masih berada di "zaman batu". Kami bergantung pada wawancara pengguna yang terfragmentasi, umpan balik pasar yang sulit diukur, dan tiket Jira yang tak terhitung jumlahnya. Proses ini sangat bergantung pada tenaga manusia dan penuh dengan celah.
Pasar sangat membutuhkan sistem AI-native yang dapat membantu manajer produk seperti halnya Cursor membantu programmer. Bayangkan sebuah alat: Anda mengunggah semua rekaman wawancara pelanggan dan data penggunaan produk, lalu bertanya padanya: "Apa yang harus kita lakukan selanjutnya?"
Ia tidak hanya akan memberi Anda saran yang samar, tetapi akan menghasilkan garis besar fitur yang lengkap, dan mendukung keputusan dengan umpan balik pelanggan yang spesifik. Lebih jauh, ia bahkan dapat langsung menghasilkan purwarupa UI, menyesuaikan model data, dan memecah tugas pengembangan spesifik untuk diserahkan kepada AI Coding Agent untuk dieksekusi.
Seiring AI secara bertahap mengambil alih implementasi kode yang spesifik, kemampuan "mendefinisikan produk" akan menjadi lebih penting dari sebelumnya. Kami membutuhkan alat super yang dapat menghubungkan siklus tertutup dari "penemuan kebutuhan" hingga "definisi produk".
2. Dana Lindung Nilai AI-Native Generasi Berikutnya (AI-Native Hedge Funds)
Pada tahun 1980-an, ketika beberapa dana mulai mencoba menganalisis pasar dengan komputer, Wall Street mengejeknya. Kini, perdagangan kuantitatif sudah menjadi standar. Jika Anda sekarang belum menyadari bahwa kita berada di titik balik yang serupa, Anda mungkin melewatkan Renaissance Technologies atau Bridgewater berikutnya.
Peluang gelombang ini bukan terletak pada menambahkan AI sebagai "tambahan" pada strategi dana yang ada, tetapi pada membangun strategi investasi AI-native dari nol.
Meskipun raksasa kuantitatif yang ada memiliki sumber daya yang besar, dalam permainan keseimbangan antara kepatuhan dan inovasi, gerakan mereka terlalu lambat. Dana lindung nilai masa depan akan digerakkan oleh sekelompok agen cerdas AI (Agents) – mereka dapat, seperti trader manusia, menyisir laporan 10-K, mendengarkan panggilan konferensi earnings, menganalisis dokumen SEC, dan mensintesis pandangan berbagai analis untuk melakukan perdagangan, 24 jam non-stop.
Di bidang ini, keuntungan Alpha yang sebenarnya akan menjadi milik para pemain baru yang berani membiarkan AI mengambil alih keputusan investasi secara mendalam.
3. Transformasi Perusahaan Layanan menjadi Perangkat Lunak (AI-Native Agencies)
Selama ini, baik itu perusahaan desain, perusahaan periklanan, atau firma hukum, semua model agensi (Agency) menghadapi kebuntuan yang sama: sulit untuk diskalakan. Karena mereka menjual "waktu orang", margin keuntungannya rendah, dan pertumbuhan harus bergantung pada perekrutan.
AI sedang memecahkan kebuntuan ini.
Agensi generasi baru tidak akan lagi menjual alat perangkat lunak kepada klien, tetapi akan menggunakan alat AI sendiri, menghasilkan hasil dengan efisiensi 100 kali lipat, dan kemudian menjual produk akhir langsung. Ini berarti:
-
Perusahaan desain dapat menghasilkan整套 skema kustomisasi dengan AI bahkan sebelum menandatangani kontrak, memberikan pukulan telak kepada pesaing tradisional.
-
Perusahaan periklanan tidak perlu syarat mahal di lokasi, dapat menghasilkan iklan video tingkat film dengan AI.
-
Firma hukum dapat menyusun draf dokumen hukum yang kompleks dalam hitungan menit, bukan minggu.
Perusahaan layanan masa depan dalam model bisnis akan lebih menyerupai perusahaan perangkat lunak: memiliki margin keuntungan tinggi perusahaan perangkat lunak, dan skalabilitas tak terbatas.
4. Layanan Keuangan Turunan Stablecoin (Stablecoin Financial Services)
Stablecoin (Mata Uang Stabil) dengan cepat menjadi infrastruktur keuangan global yang kritis, tetapi lapisan layanan di atasnya masih merupakan padang gurun. Dengan diberlakukannya undang-undang seperti GENIUS dan CLARITY, stablecoin berada di persimpangan antara DeFi (Keuangan Terdesentralisasi) dan TradFi (Keuangan Tradisional).
Ini adalah jendela arbitrase dan inovasi regulasi yang besar.
Saat ini, pengguna sering harus memilih antara "produk keuangan tradisional yang patuh tetapi berpenghasilan rendah" dan "cryptocurrency berpenghasilan tinggi tetapi berisiko tinggi". Pasar membutuhkan bentuk perantara: layanan keuangan baru yang berbasis stablecoin, patuh, dan memiliki keunggulan DeFi.
Baik itu menyediakan akun tabungan dengan hasil lebih tinggi, aset dunia nyata yang ditokenisasi (RWA), atau infrastruktur pembayaran lintas batas yang lebih efisien, sekarang adalah waktu terbaik untuk menghubungkan kedua dunia paralel ini.
5. Membentuk Ulang Sistem Industri Lama: Pabrik Logam Modern (Modern Metal Mills)
Ketika orang membicarakan "Reindustrialisasi Amerika", mereka sering menatap biaya tenaga kerja, tetapi mengabaikan gajah di dalam ruangan: desain sistem industri tradisional sangat tidak efisien.
Ambil contoh pembelian aluminium atau pipa baja di AS, waktu tunggu 8 hingga 30 minggu adalah hal biasa. Ini bukan karena pekerja malas, tetapi karena seluruh sistem manajemen produksi dirancang puluhan tahun yang lalu. Pabrik-pabrik tua ini, untuk mengejar "tonase" dan "utilisasi", mengorbankan kecepatan dan fleksibilitas. Selain itu, konsumsi energi tinggi juga merupakan titik sakit, dan pabrik seringkali kekurangan solusi manajemen energi modern.
Peluang rekonstruksi sudah matang.
Dengan memanfaatkan perencanaan produksi yang digerakkan AI, sistem eksekusi manufaktur (MES) real-time, dan teknologi otomatisasi modern, kita dapat secara fundamental memampatkan waktu tunggu dan meningkatkan margin keuntungan. Ini bukan hanya tentang membuat pabrik berjalan lebih cepat, tetapi melalui proses manufaktur yang ditentukan perangkat lunak, membuat produksi logam domestik menjadi lebih murah, lebih fleksibel, dan lebih menguntungkan. Ini adalah bagian kunci dari membangun kembali dasar industri.
6. Peningkatan AI untuk Tata Kelola Pemerintah (AI for Government)
Gelombang pertama perusahaan AI telah membuat perusahaan dan individu mengisi formulir dengan kecepatan yang mencengangkan, tetapi efisiensi ini berhenti tiba-tiba ketika bertemu dengan departemen pemerintah. Sejumlah besar aplikasi digital akhirnya mengalir ke backend pemerintah yang masih harus dicetak dan diproses secara manual.
Departemen pemerintah sangat membutuhkan alat AI untuk menghadapi banjir data yang akan datang. Meskipun negara seperti Estonia telah menunjukkan bentuk awal "pemerintah digital", logika ini perlu disalin ke seluruh dunia.
Menjual perangkat lunak kepada pemerintah memang sulit, tetapi imbalannya juga berlimpah: begitu Anda mendapatkan klien pertama, seringkali berarti retensi klien yang sangat tinggi dan potensi ekspansi yang besar. Ini bukan hanya peluang bisnis, tetapi juga tindakan amal untuk meningkatkan efisiensi operasi masyarakat.
7. Pelatih AI Real-time untuk Pekerjaan Fisik (AI Guidance for Physical Work)
Ingat adegan di "The Matrix" di mana Neo menyambungkan kabel dan langsung belajar kung fu? Versi nyata dari "injeksi keterampilan" sedang datang, pembawanya bukan antarmuka otak-komputer, tetapi bimbingan AI real-time.
Daripada sepanjang hari membicarakan pekerjaan kerah putih mana yang akan digantikan AI, lebih baik melihat bagaimana AI memberdayakan pekerjaan kerah biru. Layanan lapangan, manufaktur, perawatan kesehatan, dan bidang lainnya, meskipun AI tidak dapat langsung "bertindak", ia dapat "melihat" dan "berpikir".
Bayangkan, seorang pekerja yang mengenakan kacamata pintar sedang memperbaiki peralatan, AI melihat katup melalui kamera, dan langsung berkata di telinganya: "Matikan katup merah itu, gunakan kunci pas 3/8 inci, bagian itu sudah aus, perlu diganti."
Kematangan model multimodal, penyebaran perangkat keras pintar (ponsel, headphone, kacamata), dan kekurangan tenaga kerja terampil, ketiganya digabungkan melahirkan permintaan besar ini. Baik itu menyediakan sistem pelatihan untuk perusahaan yang ada, atau membangun platform tenaga kerja "kerah biru super" yang baru, ada ruang imajinasi yang besar di sini.
8. Model Spasial Besar yang Melampaui Batasan Bahasa (Large Spatial Models)
Model bahasa besar (LLM) mendorong ledakan AI, tetapi kecerdasan mereka terbatas pada apa yang dapat dijelaskan oleh "bahasa". Untuk mencapai kecerdasan buatan umum (AGI), AI harus memahami dunia fisik dan hubungan spasial.
AI saat ini masih canggung dalam menangani tugas-tugas spasial seperti geometri, struktur 3D, rotasi fisik, dll. Ini membatasi kemampuan mereka untuk berinteraksi dengan dunia fisik.
Kami mencari tim yang dapat membangun model penalaran spasial besar (Large Spatial Models). Model semacam ini seharusnya tidak menganggap geometri sebagai produk sampingan bahasa, tetapi sebagai prinsip pertama. Siapa pun yang dapat membuat AI benar-benar memahami dan merancang struktur fisik, akan memiliki kesempatan untuk membangun model fondasi tingkat OpenAI berikutnya.
9. Gudang Senjata Digital Pemburu Penipuan (Infra for Government Fraud Hunters)
Pemerintah adalah pembeli terbesar di dunia, mengeluarkan triliunan dolar setiap tahun, dan pada saat yang sama menderita kerugian besar akibat penipuan. Asuransi kesehatan AS saja kehilangan ratusan miliar dolar setiap tahun karena pembayaran yang tidak tepat.
Undang-Undang Klaim Palsu AS (False Claims Act) mengizinkan warga negara menuntut perusahaan penipu atas nama pemerintah, dan menerima bagian dari dana yang berhasil dikembalikan. Ini adalah salah satu cara paling efektif untuk memerangi penipuan, tetapi proses saat ini sangat primitif: pelapor memberikan petunjuk kepada firma hukum, dan firma hukum menghabiskan waktu bertahun-tahun untuk menyusun dokumen secara manual.
Kami membutuhkan sistem cerdas yang dirancang khusus untuk ini. Ini bukan sekadar dasbor sederhana, tetapi detektif AI yang dapat secara otomatis mengurai PDF yang berantakan, melacak struktur perusahaan shell yang kompleks, dan mengemas bukti yang tersebar menjadi dokumen yang dapat dituntut.
Jika Anda dapat meningkatkan kecepatan pemulihan penipuan hingga 10 kali lipat, Anda tidak hanya dapat membangun kerajaan bisnis yang besar, tetapi juga mengembalikan kerugian miliaran dolar bagi pembayar pajak.
10. Membuat Pelatihan LLM Menjadi Mudah (Make LLMs Easy to Train)
Meskipun AI sedang panas, pengalaman melatih model besar masih sangat buruk dan menyebalkan.
Pengembang setiap hari berjuang dengan SDK yang rusak, menghabiskan berjam-jam men-debug instance GPU yang baru saja dimulai sudah crash, atau menemukan Bug fatal dalam alat sumber terbuka. Belum lagi mimpi buruk saat menangani data skala TB.
Seperti era cloud melahirkan Datadog dan Snowflake, era AI juga sangat membutuhkan "sekop" yang lebih baik. Kami membutuhkan:
-
API yang sepenuhnya mengabstraksikan proses pelatihan.
-
Basis data yang dapat dengan mudah mengelola kumpulan data skala sangat besar.
-
Lingkungan pengembangan yang dirancang khusus untuk penelitian pembelajaran mesin.
Seiring "pasca-pelatihan" (Post-training) dan spesialisasi model menjadi semakin penting, infrastruktur ini akan menjadi fondasi pengembangan perangkat lunak di masa depan.
