a16z Partner: Tiga Jalan Hidup Proyek Crypto Mencari PMF

marsbitDipublikasikan tanggal 2026-06-09Terakhir diperbarui pada 2026-06-09

Abstrak

Penulis: Jason Rosenthal Kompilasi: Deep Tide TechFlow Menemukan Product-Market Fit (PMF) adalah hal paling krusial bagi startup. Tanpanya, strategi lain sia-sia. Dalam ekosistem crypto, beberapa alat kuat seperti token dan efek jaringan justru bisa menyesatkan penilaian PMF. Namun, tim-tim terkemuka kini menemukan PMF lebih cepat, didorong oleh adopsi aplikasi seperti stablecoin. Artikel dari mitra operasional a16z Crypto, Jason Rosenthal, menguraikan tiga strategi praktis untuk menemukan PMF di Web3: **1. Ikat Klien Top, Bangun Produk Sesuai Kebutuhan Mereka** Bekerjasama erat dengan calon klien paling canggih di bidang Anda. Kebutuhan spesifik mereka menjadi cetak biru produk Anda. Meski lebih lambat daripada membangun produk generik, adopsi oleh klien besar (misalnya, yang menangani triliunan dolar) lebih bernilai daripada publisitas atau data TVL. Tren kolaborasi antara startup crypto dan fintech tradisional menunjukkan roadmap produk semakin sering ditulis oleh klien institusional. **2. Temukan Kurva Pertumbuhan Eksponensial, Ambil Posisi Lebih Dulu** Kadang PMF datang dari mengantisipasi ke mana pasar bergerak dan memposisikan diri lebih awal. Contoh paling nyata saat ini adalah pertumbuhan pesat **AI Agent** sebagai pelaku ekonomi mandiri. Infrastruktur yang memungkinkan Agent membayar layanan API secara mandiri menggunakan crypto (seperti AgentCash yang dibangun di atas protokol x402) adalah fondasi kritis. Siapa yang membangun jalur pembayaran ini sekarang, akan...

Penulis: Jason Rosenthal

Kompilasi: Deep Tide TechFlow

Panduan Deep Tide: Partner Operasional a16z Crypto, Jason Rosenthal, meringkas tiga jalur untuk proyek crypto menemukan Product-Market Fit saat ini: berkolaborasi dengan klien top untuk membangun bersama, mengisi posisi pada kurva pertumbuhan eksponensial AI Agent, dan menjadi pengguna pertama sendiri. Artikel ini membahas kasus-kasus seperti LayerZero, AgentCash, ZKsync, dan memiliki nilai referensi langsung bagi tim yang sedang melakukan pivot atau belum menemukan PMF.

Product-Market Fit (PMF) adalah variabel paling kritis yang menentukan hidup matinya sebuah perusahaan. Jika menemukannya, Anda punya peluang. Jika tidak, tidak ada yang bisa menyelamatkan Anda.

@jasonrosenthal tweet:

Menemukan dan mencapai Product-Market Fit adalah hal terkuat dan terpenting bagi setiap perusahaan rintisan tahap awal. Saya menghabiskan banyak waktu dalam karier saya untuk hal ini, melintasi berbagai perusahaan. Berikut adalah 5 strategi untuk menemukan PMF di Web3.

Menginvestasikan lebih banyak uang hanya memperpanjang landasan pacu menuju akhir yang buruk. Growth hacking dan airdrop berkelanjutan yang terlepas dari strategi nyata, lebih merupakan cara untuk menyembunyikan fakta bahwa Anda belum menemukannya, daripada jalan menuju PMF. Beberapa senjata terkuat di industri crypto (token dan efek jaringan) bahkan dapat menyesatkan penilaian proyek terhadap PMF.

Kabar baiknya adalah, tim teratas sekarang menemukan PMF lebih cepat. Aplikasi pembunuh seperti stablecoin telah terbukti, dan keuangan tradisional serta kelompok konsumen yang lebih luas juga semakin cepat masuk.

Berikut adalah tiga pola yang sedang terbukti berhasil. Jika proyek Anda masih sebelum PMF, atau sedang melakukan pivot, perhatikan baik-baik.

1. Kaitkan dengan Klien Top, Bangun Produk Sesuai Kebutuhan Mereka

Temukan calon klien paling berpengalaman di bidang Anda, dan bangun produk bersama mereka. Kebutuhan mereka adalah spesifikasi produk Anda.

Ini lebih lambat daripada membuat produk umum dan melakukan iterasi secara terbuka, tetapi jika klien pertama Anda menangani volume transaksi triliunan dolar setiap hari, adopsi mereka lebih bernilai daripada liputan media, data TVL, atau perhatian dari investor ritel mana pun. Definisi inti PMF adalah bahwa produk Anda dapat menggema di kalangan pelanggan yang luas, dan klien andalan ini adalah indikator terbaik.

Terlihat dari beberapa pengumuman kerja sama dan peluncuran produk bergengsi antara perusahaan rintisan crypto dan perusahaan keuangan tradisional, peta jalan produk saat ini sedang ditulis oleh klien institusional. Blockchain mulai menjadi infrastruktur keuangan global.

2. Temukan Kurva Pertumbuhan Eksponensial, Isi Posisi Di Depan

PMF terkadang berasal dari melayani pasar yang ada dengan lebih baik, dan terkadang berasal dari melihat ke mana arah pasar sebelum pasar itu sendiri sepenuhnya menyadarinya, dan mengisi posisi cukup awal.

Kurva yang paling jelas saat ini: AI Agent sedang berubah menjadi pelaku ekonomi. Mereka secara mandiri memanggil API, mengerahkan dana, dan mengeksekusi transaksi dengan kecepatan mesin. Asumsi 'manusia dalam putaran' runtuh lebih cepat dari yang diharapkan kebanyakan orang.

Ambil contoh komersialisasi Agent. Samuel Ragsdale dan Ryan Sproule di Merit Systems melihat ini sangat awal, dan sedang membangun AgentCash berdasarkan protokol x402. AgentCash memungkinkan AI Agent membayar biaya akses API menggunakan cryptocurrency, ini adalah infrastruktur yang memungkinkan Agent melakukan transaksi terprogram secara mandiri tanpa pengelolaan tagihan manual.

Pembayaran adalah tautan kunci yang mengubah Agent dari 'asisten' menjadi 'peserta'. Siapa yang membangun jalur pembayaran ini sekarang, akan memiliki lapisan dasar saat ekonomi Agent tiba.

3. Jadilah Klien Pertama dan Terbaik Anda Sendiri

Perusahaan infrastruktur yang paling bertahan lama tidak hanya menunggu pengembang eksternal untuk memvalidasi teknologi mereka. Mereka pertama-tama membangun aplikasi di atas jalur mereka sendiri, membuktikan kemampuan dengan operasi nyata, dan kemudian mengundang orang lain untuk menggunakannya.

Amazon mengembangkan permainan ini hingga ke tingkat ekstrem. AWS tidak dijual ke perusahaan rintisan sejak awal. Amazon pertama-tama membangun infrastruktur yang dibutuhkan untuk bisnis e-commerce-nya sendiri, membuktikannya dalam skala besar, dan kemudian secara bertahap membukanya untuk eksternal.

Alex Gluchowski dari Matter Labs sedang menjalankan skenario yang sama.

Dia tidak memasarkan Prividium sebagai produk perusahaan abstrak, tetapi mengaitkannya dengan aplikasi spesifik: deposit tokenisasi. Hasilnya adalah Cari Network. Bank regional AS seperti Huntington Bancshares, First Horizon, M&T Bank, KeyCorp, Old National Bancorp, sekarang dapat mentransfer deposit nasabah secara real-time antar bank di jalur blockchain, dan dana ini tetap berada dalam sistem perbankan yang teregulasi. ZKsync tidak hanya membangun jalur, tetapi juga menemukan aplikasi pembunuh di atasnya.

Tiga pola, satu logika mendasar: Jalur tercepat menuju PMF bukanlah trial and error berulang dalam kegelapan, tetapi memilih medan pertempuran yang tepat, dan bertarung dengan keyakinan sebelum semua orang melompat masuk.

Bersama klien yang efek validasinya dapat menghasilkan compound interest. Berdiri di depan kurva sebelum konsensus terbentuk. Jadilah klien terbaik pertama Anda sendiri.

Pilih satu pola yang cocok untuk produk Anda, dan eksekusi.

Pertanyaan Terkait

QApa yang dimaksud dengan Product-Market Fit (PMF) dan mengapa sangat penting bagi startup?

AProduct-Market Fit (PMF) adalah kondisi di mana sebuah produk memenuhi kebutuhan pasar dengan sangat baik, sehingga menarik pelanggan yang puas dan pertumbuhan berkelanjutan. Ini adalah variabel paling kritis yang menentukan hidup matinya sebuah perusahaan. Tanpa PMF, strategi lain seperti pertumbuhan cepat atau pendanaan besar tidak akan menyelamatkan startup.

QSebutkan tiga strategi yang disebutkan dalam artikel untuk menemukan PMF di sektor crypto, dan berikan contoh singkat untuk masing-masing.

ATiga strateginya adalah: 1. Membangun produk bersama klien papan atas (contoh: kerja sama antara startup crypto dan lembaga keuangan tradisional). 2. Mencari kurva pertumbuhan eksponensial dan memposisikan diri di depannya (contoh: AgentCash yang membangun infrastruktur pembayaran untuk AI Agent). 3. Menjadi pengguna pertama dan terbaik produk sendiri (contoh: Matter Labs yang menggunakan teknologi ZKsync untuk membangun Cari Network, aplikasi deposit tokenisasi).

QMengapa artikel menyebutkan bahwa pertumbuhan cepat dan airdrop berkelanjutan bisa menjadi 'topeng' dalam konteks mencari PMF?

AKarena pertumbuhan cepat yang didorong taktik pemasaran atau airdrop yang tidak terkait dengan strategi inti dapat menciptakan ilusi kemajuan. Hal-hal ini hanya memperpanjang 'landasan pacu' menuju akhir yang buruk, karena mereka seringkali menutupi fakta bahwa produk belum benar-benar menemukan kecocokan yang dalam dengan kebutuhan pasar yang sesungguhnya.

QApa peran penting pembayaran (payments) dalam transisi AI Agent dari 'asisten' menjadi 'partisipan' ekonomi menurut artikel?

APembayaran adalah komponen kunci yang memungkinkan AI Agent bertindak secara otonom. Dengan infrastruktur pembayaran yang tepat (seperti menggunakan cryptocurrency), AI Agent dapat membayar akses API, menjalankan transaksi, dan beroperasi dengan kecepatan mesin tanpa memerlukan intervensi manusia untuk mengelola tagihan atau persetujuan. Ini mengubah agen dari sekadar alat bantu menjadi pelaku ekonomi yang mandiri.

QApa analogi yang digunakan artikel untuk menggambarkan strategi 'menjadi pengguna pertama sendiri', dan siapa contoh yang disebutkan?

AArtikel menggunakan analogi Amazon Web Services (AWS). Amazon pertama-tama membangun infrastruktur komputasi awan untuk mendukung operasi e-commerce internalnya sendiri dalam skala besar. Setelah terbukti handal, barulah infrastruktur tersebut dibuka dan ditawarkan sebagai layanan (AWS) kepada perusahaan eksternal. Contoh dalam artikel adalah Matter Labs (Alex Gluchowski) yang menggunakan teknologi layer-2 ZKsync untuk membangun aplikasi spesifik bernama Cari Network (untuk deposit tokenisasi), sebelum membukanya untuk pengembang lain.

Bacaan Terkait

Humanity Dicuri 31 Juta Dolar, Satu Private Key Jatuhkan Harga Token 90%

**Ringkasan Insiden Keamanan Humanity Protocol: Kerugian $31 Juta akibat Kebocoran Kunci Pribadi** Menurut analisis rantai, dompet yang berinteraksi dengan proyek identitas digital Humanity mengalami serangan berkelanjutan pada 9 Juni. Lebih dari 300 alamat yang memegang token H telah diretas, dengan total kerugian melebihi $31 juta. Sekitar $9 juta telah dikonversi ke ETH. Pendiri Humanity, Terence Kwok, mengonfirmasi insiden keamanan ini disebabkan oleh kebocoran kunci pribadi anggota yayasan. Ia menyarankan pengguna untuk sementara tidak berinteraksi dengan jembatan silang atau pool likuiditas Humanity. Harga token H anjlok lebih dari 90%, dari sekitar $0,7 menjadi terendah $0,052, menyebabkan kapitalisasi pasar turun dari $2 miliar menjadi sekitar $35,7 juta. Pelaku diduga mencetak 100 juta token H baru dan menjualnya untuk BNB. Humanity Protocol, yang didirikan pada 2024, mengusung identitas digital terdesentralisasi menggunakan pengenalan tapak tangan. Proyek ini telah mengumpulkan pendanaan $50 juta dengan valuasi mencapai $1,1 miliar. Namun, proyek ini sebelumnya telah dikritik karena hanya sekitar 1 juta dari 9 juta ID yang terverifikasi secara biometrik, serta adanya klaim bahwa ini adalah proyek "shell" dengan kode yang diduga berasal dari penyedia pintu akses China. Riwayat Terence Kwok juga menambah risiko. Startup sebelumnya, Tink Labs, yang pernah menjadi unicorn, bangkrut setelah membakar $170 juta dana investasi. Insiden ini menyoroti kegagalan manajemen keamanan dasar. Kebocoran kunci pribadi—masalah lama di industri—menghasilkan kerugian besar, menambah daftar serangan DeFi yang tahun ini telah melebihi $1 miliar. Sampai saat ini, belum ada skema kompensasi yang diumumkan untuk pengguna yang terdampak.

Foresight News7m yang lalu

Humanity Dicuri 31 Juta Dolar, Satu Private Key Jatuhkan Harga Token 90%

Foresight News7m yang lalu

Bagaimana Melakukan Riset Mendalam dengan Dynamic Workflows Claude

## Ringkasan: Bagaimana Melakukan Penelitian Mendalam dengan Dynamic Workflows Claude Melakukan riset teknologi penuh dengan jebakan, baik bagi manusia maupun AI, karena sering kali informasi yang berlimpah justru mengaburkan kesimpulan. AI cenderung terjebak dalam volume informasi dan lemah dalam asosiasi lintas bidang yang bernilai, meskipun unggul dalam eksekusi dan penelusuran detail secara berlapis. Penulis mengandalkan sistem *deep-research* sendiri namun ingin membandingkannya dengan kemampuan **Dynamic Workflows** pada Claude Code. Fitur ini memungkinkan AI merancang alur kerja yang optimal secara otomatis sebelum menjalankan tugas, berbeda dengan mode "rencana" biasa. Dinamakan dengan perintah `/deep-research`, ia mengkonsumsi token puluhan kali lebih banyak. Inti Dynamic Workflows adalah enam mode penjadwalan inti yang mengatur bagaimana tugas dipecah dan hasil digabung: 1. **Classify-And-Act (Routing):** Tugas diklasifikasi dan dialihkan ke *agent* spesialis yang paling tepat. Efisien dan cepat, tetapi kurang baik untuk tugas dengan batasan kabur. 2. **Fan-out & Merge (Pecah dan Gabung):** Tugas dipecah menjadi sub-tugas independen yang dijalankan paralel, lalu hasilnya digabung. Cepat dan terisolasi, tetapi boros token dan tantangannya ada pada penggabungan. 3. **Adversarial Verification (Verifikasi Adu Argumen):** Satu *agent* menghasilkan kesimpulan, beberapa *agent* lain menantangnya. Hasil diterima jika lolos verifikasi. Mengurangi bias konfirmasi, tetapi perlu batasan yang jelas. 4. **Generate & Filter (Hasilkan dan Saring):** Beberapa *agent* menghasilkan banyak kandidat jawaban untuk tugas yang sama, lalu disaring berdasarkan kriteria (rubrik) ketat. Bagus untuk diversitas, tetapi sangat bergantung pada kualitas rubrik. 5. **Tournament (Turnamen):** Beberapa *agent* bersaing menyelesaikan tugas yang sama, dinilai secara berpasangan (pairwise) hingga ditemukan pemenang terbaik. Stabil untuk penilaian relatif. 6. **Loop (Berulang):** *Agent* mencoba tugas berulang kali, belajar dari kesalahan, hingga kondisi berhenti terpenuhi. Satu-satunya mode untuk tugas dengan batasan tidak pasti, tetapi berisiko loop tak terbatas. **Pertarungan: Skill Penulis vs. Dynamic Workflows Bawaan** Skill penelitian penulis sebelumnya melibatkan pencarian, kompresi, analisis oleh multi-*agent*, dan deduplikasi. Namun, ia memiliki kelemahan mendasar: **kurang konvergensi berorientasi tujuan**, sering menghasilkan laporan panjang tanpa rekomendasi tindakan yang jelas. Dynamic Workflows Claude menambahkan lapisan krusial: * **Dekomposisi Masalah:** Memecah pertanyaan awal menjadi sub-pertanyaan yang tepat sebelum bertindak. * **Penilaian Kredibilitas:** Mengevaluasi keandalan setiap informasi berdasarkan sumbernya. * **Penghapusan Silang (Cross-Deletion):** Menghapus kesimpulan yang tidak mendapat suara cukup dari multi-*agent*, bukan sekadar menggabungkan rata-rata. * **Keluaran Berorientasi Target:** Laporan akhir dirancang untuk memberikan penilaian dan saran yang relevan dengan tujuan awal pengguna. Mekanisme ini mengatasi masalah umum AI: *goal drift* (pergeseran tujuan), *early stopping* (berhenti prematur), polusi konteks, dan bias output. **Kesimpulan** Dynamic Workflows merupakan terobosan dengan menstandarkan **proses penelitian itu sendiri**. Ia mengotomatiskan penjadwalan *agent*, validasi silang, dan deduplikasi, sehingga mengompresi riset yang biasanya butuh belasan percakapan menjadi hanya 3-4 kali interaksi (meski dengan konsumsi token jauh lebih tinggi). Namun, masih diperlukan beberapa iterasi karena tantangan seperti: 1) Kebutuhan verifikasi faktual yang sangat ketat (melebihi ketergantungan pada dokumen resmi), 2) Pemikiran mendalam lintas disiplin yang sangat baru, 3) Desain dan validasi solusi yang mempertimbangkan biaya dan implementasi, serta 4) Kemampuan kondensasi informasi ekstrem yang disesuaikan dengan audiens.

marsbit16m yang lalu

Bagaimana Melakukan Riset Mendalam dengan Dynamic Workflows Claude

marsbit16m yang lalu

Ketika LP Mengajari Saya Berinvestasi Menggunakan Doubao: Sebuah Pengakuan Peralihan Karier dari GP Perusahaan Sekuritas Swasta

**Ringkasan: Ketika LP Menggunakan Doubao untuk Mengajari Saya Berinvestasi: Kisah Seorang GP Hedge Fund yang Beralih Profesi** Dengan semakin populernya AI, hubungan antara Limited Partner (LP) dan General Partner (GP) di industri hedge fund swasta (terutama yang berukuran kecil) mengalami ketegangan baru. Artikel ini menceritakan pengalaman "Er Gou", seorang mantan GP di sebuah hedge fund dolar AS lepas pantai berskala kecil yang berfokus pada saham AS, yang akhirnya beralih ke perusahaan startup AI. Er Gou mengungkapkan bahwa fund-nya, meski memiliki kinerja yang baik, kesulitan mendapatkan pendanaan dari LP institusional. Fund kecil seperti ini seringkali terjebak dalam struktur Cayman Islands yang "tradisional", kurang menarik bagi investor Asia yang lebih memercayai struktur di Hong Kong atau Singapura. Selain itu, fund yang menggunakan strategi subjektif (mengandalkan penilaian manusia) seperti miliknya semakin kalah bersaing dengan fund kuantitatif (yang menggunakan model algoritma) dalam hal menarik minat LP, terutama setelah AI membuat strategi kuantitatif terlihat lebih meyakinkan. Dampak utama AI adalah "meratakan" akses informasi dan kemampuan analisis. LP kini dapat menggunakan asisten AI seperti Doubao untuk meringkas laporan investasi, menganalisis pasar, bahkan mempertanyakan keputusan GP. Hal ini meningkatkan friksi. Er Gou mencontohkan seorang LP yang terus-menerus mempertanyakan strateginya berdasarkan kesimpulan dari AI, hingga akhirnya harus di-"clear". LP, yang sering kali merupakan orang sukses di bidangnya sendiri, kini merasa lebih berwenang dalam berinvestasi berkat bantuan AI. Masalahnya, banyak LP menggunakan AI "pendamping" yang lebih fokus pada nilai emosional dan bisa menghasilkan "halusinasi" atau kesimpulan yang tampak logis tetapi tidak selalu akurat. Mereka mencari konfirmasi, bukan analisis mendalam. Dalam pasar bull (seperti saham AI AS tahun ini), di mana investor retail bisa mendapat untung besar dengan fokus pada saham tren, LP mungkin merasa bisa berinvestasi sendiri dan mempertanyakan nilai tambah GP. Kesimpulannya, AI tidak serta-merta akan menggantikan GP. Manajemen aset pada dasarnya tetap merupakan layanan yang dibangun atas kepercayaan. Namun, AI telah mengubah dinamika. GP strategi subjektif menghadapi tekanan lebih besar untuk membuktikan nilai pakar mereka di luar apa yang bisa diberikan AI secara umum. Di sisi lain, fund kuantitatif justru bisa diperkuat oleh AI untuk pengembangan strategi yang lebih cepat. Tantangan sebenarnya adalah bagaimana GP dan LP menggunakan AI dengan tepat—bukan sebagai alat untuk sekadar memvalidasi pendapat, tetapi sebagai pengungkit untuk pengambilan keputusan yang lebih cerdas. Er Gou memandang, di masa depan, "hedge fund manusia" juga perlu belajar dari AI dalam hal memberikan nilai emosional dan membangun hubungan kepercayaan yang lebih kuat dengan LP.

Odaily星球日报40m yang lalu

Ketika LP Mengajari Saya Berinvestasi Menggunakan Doubao: Sebuah Pengakuan Peralihan Karier dari GP Perusahaan Sekuritas Swasta

Odaily星球日报40m yang lalu

PHK karena AI? Penelitian Mengungkapkan AI Lebih Mahal daripada Pekerja yang Digantikannya

Tahun ini, hampir 50.000 karyawan telah di-PHK dengan alasan AI. Namun, semakin banyak perusahaan menemukan bahwa biaya penggunaan AI sebenarnya lebih mahal daripada tenaga kerja yang ingin digantikannya. Uber menghabiskan anggaran AI tahun 2026 hanya dalam empat bulan. Microsoft mencabut lisensi Claude Code di berbagai departemen karena mahal. Di Anthropic, satu karyawan menghabiskan kuota API senilai $150.000 dalam sebulan. Survei CloudZero menunjukkan 45% perusahaan menghabiskan lebih dari $100.000 per bulan untuk AI pada 2025, namun hanya separuhnya yang dapat mengevaluasi ROI dengan percaya diri. Scott Galloway memprediksi perusahaan akhirnya akan beralih ke model besar China, yang harganya 10 hingga 30 kali lebih murah daripada model AS. Data menunjukkan peningkatan tajam dalam penggunaan model China oleh pengembang, dari sekitar 1% pada 2024 menjadi lebih dari 60% pada Mei tahun ini, dengan 80% startup AI AS menggunakan model AI open-source China. Pergeseran ini diprediksi akan memicu respons kebijakan dari pemerintah AS.

marsbit1j yang lalu

PHK karena AI? Penelitian Mengungkapkan AI Lebih Mahal daripada Pekerja yang Digantikannya

marsbit1j yang lalu

Wang Chuan: Bagaimana Tetap Tidak Cemas Setelah Tetangga Lao Wang Mendapatkan Keuntungan Tiga Puluh Kali Lipat dari Investasi Saham Penyimpanan? (Tujuh) - Siklus Seperempat Abad

Penulis Wang Chuan melanjutkan pembahasan tentang risiko investasi dalam industri teknologi, khususnya di sektor penyimpanan dan semikonduktor. Industri ini memiliki dua jenis permintaan "refleksif": di tingkat produk (perusahaan berlomba-lomba berinvestasi saat "panik" mengikuti tren) dan di tingkat keuangan (spekulan yang mendorong harga saham ke ekstrem). Kedua lapisan ini saling memperkuat selama masa booming, menciptakan umpan balik positif yang eksponensial. Namun, begitu momentum berbalik, umpan balik negatif yang sama dahsyatnya akan terjadi, seperti longsor salju. Industri perangkat keras memiliki risiko tambahan: "efek cambuk" dalam rantai pasokan. Saat permintaan tiba-tiba lenyap, pasokan yang kaku menyebabkan kelebihan kapasitas berkepanjangan yang bisa memakan waktu bertahun-tahun untuk terserap. Selain itu, narasi pertumbuhan tinggi yang mendukung valuasi fantastis akan cepat ditinggalkan oleh modal spekulatif begitu pertumbuhan melambat, berpindah ke cerita baru. Data historis (Intel, Micron, Cisco) menunjukkan bahwa meskipun laba perusahaan meningkat drastis dalam 20 tahun, valuasi puncaknya di era gelembung teknologi tahun 2000-an tidak pernah terulang. "Jiwa" narasi valuasi ultra-tinggi telah lama pergi. Investor yang baru sukses di fase boom sering kali terjebak dalam dua pola pikir kaku: 1) Menyamakan permintaan kuat saat ini dengan permintaan berkelanjutan, dan menganggap pertumbuhan jangka pendek akan berlangsung selamanya. 2) Percaya bahwa menghasilkan uang cepat dan besar adalah hal yang mudah. Pola pikir ini berbahaya karena membuat mereka mengabaikan risiko dan terus bertahan terlalu lama dalam pesta spekulasi. Pada akhirnya, skenario ini menjadi asimetris: potensi gain mungkin masih ada, tetapi risikonya adalah koreksi harga lebih dari 80% dan periode pemulihan yang bisa memakan waktu puluhan tahun. "Spekulan refleksif" tidak akan sanggup menunggu selama itu. Investor seperti "Lao Wang" yang meraih untung 30x, jika menggunakan leverage, sangat mungkin tersapu bersih. Tanpa leverage, pola pikir "mudah dapat uang cepat" akan mendorongnya untuk berusaha mengembalikan kerugian dengan operasi yang semakin berisiko, yang akhirnya menghabiskan semua modalnya. Seperti kata Schopenhauer, mereka yang telah menyaksikan beberapa siklus hidup ibarat penonton yang melihat trik sulap yang sama dua atau tiga kali. Sihirnya hilang karena tidak lagi menipu.

marsbit1j yang lalu

Wang Chuan: Bagaimana Tetap Tidak Cemas Setelah Tetangga Lao Wang Mendapatkan Keuntungan Tiga Puluh Kali Lipat dari Investasi Saham Penyimpanan? (Tujuh) - Siklus Seperempat Abad

marsbit1j yang lalu

Trading

Spot
Futures
活动图片

Kategori Populerright-arrow

Tag Populerright-arrow