Hanya Bekerja 2 Jam Sehari? Insinyur Google Ini Menggunakan Claude untuk Mengerjakan 80% Pekerjaannya

marsbitDipublikasikan tanggal 2026-04-15Terakhir diperbarui pada 2026-04-15

Abstrak

Intisari: Seorang insinyur Google dengan 11 tahun pengalaman berhasil mengotomatisasi 80% pekerjaannya menggunakan Claude Code, sehingga hanya bekerja 2-3 jam/hari dan menghasilkan pendapatan pasif $28.000/bulan. Kunci keberhasilannya adalah tiga komponen utama: 1. **CLAUDE.md**: File panduan berbasis prinsip Karpathy (Think Before Coding, Simplicity First, Surgical Changes, Goal-Driven Execution) yang mengurangi pelanggaran aturan coding dari 40% menjadi hanya 3%. 2. **Everything Claude Code**: Sistem multi-agent yang berfungsi seperti tim rekayasa AI otomatis dengan 27 agen siap pakai, menggantikan kebutuhan mengelola berbagai alat AI secara terpisah. 3. **Perbaikan Token Tersembunyi**: Versi Claude Code v2.1.100 diam-diam mengonsumsi 20.000 token tambahan yang mengaburkan instruksi. Solusi sementara dengan downgrade ke v2.1.98 mengembalikan 40% kapasitas penggunaan. Hasilnya: developer beralih dari menulis kode 8 jam/hari menjadi hanya mereview hasil AI selama 2-3 jam/hari, dengan penghematan 100-120 jam/bulan. Sistem ini dapat diimplementasikan dalam 15-20 menit menggunakan perintah sederhana.

Catatan Editor: Ketika "AI Menulis Kode" secara bertahap menjadi konsensus industri, yang benar-benar mengubah produktivitas bukanlah model itu sendiri, tetapi bagaimana Anda menetapkan aturan untuk model, mengatur alur kerja, dan menanamkannya ke dalam sistem yang dapat berjalan berkelanjutan.

Dari file CLAUDE.md yang sederhana, hingga kolaborasi multi-agen, hingga siklus pengembangan yang terotomatisasi, metode ini mengubah proses pengembangan dari "percakapan antara manusia dan AI" menjadi "manajemen terhadap tim teknik AI". Dalam proses ini, kesalahan dibatasi sejak dini, alur kerja distrukturisasi, pembuatan kode, pengujian, dan peninjauan secara bertahap lepas dari pelaksanaan manual, dan beralih diambil alih oleh sistem.

Yang juga patut diperhatikan, artikel ini mengungkap detail yang sering diabaikan: dalam konteks panjang dan sistem yang kompleks, perilaku model tidak sepenuhnya dapat dikendalikan. Baik konsumsi token yang tersembunyi, maupun pengenceran instruksi, akan mempengaruhi kualitas output tanpa disadari. Hal ini membuat "bagaimana mengelola AI", dan bukan hanya "bagaimana menggunakan AI", menjadi kemampuan inti yang baru.

Pada titik ini, pengembang tidak lagi berfokus pada pengkodean, tetapi berputar di sekitar perancangan aturan, penjadwalan alur kerja, dan pemeriksaan hasil. Mereka yang telah menyelesaikan langkah ini lebih dulu, telah mulai beralih dari "mengerjakan sendiri" menjadi "membuat sistem yang bekerja untuk mereka".

Berikut adalah teks aslinya:

Seorang insinyur Google dengan pengalaman 11 tahun, dengan bantuan Claude Code dan aplikasi .NET sederhana, berhasil mengotomatisasi 80% pekerjaannya.

Sekarang, ia hanya perlu bekerja 2-3 jam sehari, bukan 8 jam seperti sebelumnya, sisa waktunya sebagian besar berada dalam keadaan "santai", sistem berjalan sendiri, dan memberinya pendapatan pasif $28.000 per bulan.

Apa yang dikuasainya, adalah metode yang belum Anda ketahui.

Bagian 1—Menulis CLAUDE.md sesuai Prinsip Karpathy

Andrej Karpathy—salah satu peneliti AI paling berpengaruh di dunia—pernah merangkum secara sistematis kesalahan paling umum model bahasa besar dalam menulis kode: desain berlebihan, mengabaikan pola yang ada, dan memperkenalkan dependensi tambahan yang tidak diminta.

Ada yang merangkum observasi ini, menyusunnya menjadi file CLAUDE.md yang terpadu.

Hasilnya, proyek ini mendapatkan 15 ribu bintang di GitHub dalam seminggu, dalam arti tertentu, bisa dibilang ada 15 ribu orang yang mengubah cara kerja mereka karenanya.

Pola pikir intinya sebenarnya sederhana: jika kesalahan dapat diprediksi, maka dapat dihindari lebih awal dengan instruksi yang jelas. Cukup dengan menempatkan file markdown di repositori kode, Anda dapat memberikan seperangkat aturan perilaku terstruktur untuk Claude Code, sehingga menyatukan pengambilan keputusan dan eksekusi di seluruh proyek.

Di dalam file ini, terutama berisi empat prinsip inti:

· Berpikir Dulu, Baru Ngoding → Hindari Asumsi yang Salah dan Pertimbangan yang Terlewat
· Sederhana yang Diutamakan → Hindari Desain Berlebihan dan Abstraksi yang Membengkak
· Modifikasi Secara Bedah → Hindari mengubah kode yang tidak diminta untuk diubah
· Eksekusi Berorientasi Target → Uji dulu, lalu verifikasi berdasarkan standar keberhasilan yang jelas

Tidak bergantung pada framework apa pun, juga tidak memerlukan alat yang rumit—hanya dengan satu file, Anda dapat mengubah perilaku Claude pada tingkat proyek.

Perbedaan sesungguhnya:

· Tanpa CLAUDE.md: Claude melanggar norma dalam ~40% kasus
· Menggunakan CLAUDE.md Karpathy: Tingkat pelanggaran turun menjadi ~3%
· Waktu setup: Hanya 5 menit

Perintah untuk membuat file CLAUDE.md Anda sendiri secara otomatis:

claude -p "Baca seluruh proyek dan buat CLAUDE.md berdasarkan:
Think Before Coding, Simplicity First, Surgical Changes, Goal-Driven Execution.
Sesuaikan dengan arsitektur nyata yang Anda lihat." --allowedTools Bash,Write,Read

Ini menggantikan Claude yang seperti ini: menghadapi tugas sederhana namun mendesain berlebihan, memperkenalkan dependensi yang tidak diminta, bahkan sembarangan mengubah file yang tidak seharusnya disentuh.

Bagian 2 Everything Claude Code: Tim Teknik Lengkap dalam Satu Repositori

Everything Claude Code (Sudah dapat lebih dari 153 ribu bintang di GitHub)

Ini bukan hanya sekumpulan prompt, tetapi lebih seperti sistem operasi AI lengkap untuk membangun produk.

Mendukung operasi di berbagai alat seperti Claude, Codex, Cursor, OpenCode, Gemini—satu sistem, dapat digunakan di mana saja.

Cara instalasi:

/plugin marketplace add affaan-m/everything-claude-code

Atau instal manual—cukup salin komponen yang Anda butuhkan ke direktori .claude/ proyek. Jangan muat semua sekaligus—memuat 27 agen dan 64 skill bersamaan, sangat mungkin akan menghabiskan kuota konteks sebelum Anda memasukkan prompt pertama. Simpan hanya bagian yang benar-benar dibutuhkan.

Perbedaan sesungguhnya:

· Sebelumnya: Anda sedang berbicara dengan AI
· Sesudahnya: Anda sedang mengelola tim teknik AI yang berjalan otomatis

Yang digantikannya: Anda yang sebelumnya perlu menghabiskan berminggu-minggu untuk membangun sistem agen sendiri, mengkonfigurasi berbagai alat perencanaan/peninjauan/keamanan secara terpisah, serta biaya $200–500 per bulan untuk berbagai layanan AI.

Bagian 3 "Skandal" Tersembunyi: Claude Code v2.1.100 Diam-diam Mengonsumsi Token Anda

Seseorang dengan membuat proxy HTTP, mencegat dan menganalisis permintaan API lengkap dari 4 versi Claude Code yang berbeda.

Mereka menemukan:

v2.1.98: 169.514 bytes request → 49.726 tokens ditagih
v2.1.100: 168.536 bytes request → 69.922 tokens ditagih
selisih: -978 bytes tetapi +20.196 tokens

v2.1.100 mengirim byte data lebih sedikit, tetapi menagih tambahan 20 ribu tokens. "Inflasi" ini sepenuhnya terjadi di sisi server—Anda tidak dapat melihatnya, juga tidak dapat memverifikasinya melalui antarmuka /context.

Mengapa hal ini penting tidak hanya pada penagihan, 20 ribu tokens tambahan ini akan dimasukkan ke dalam jendela konteks aktual Claude.

Ini berarti:

→ Instruksi CLAUDE.md Anda akan diencerkan oleh 20 ribu "konten tersembunyi" ini

→ Dalam percakapan panjang, kualitas output akan menurun lebih cepat

→ Ketika Claude mengabaikan aturan Anda, sulit untuk menemukan penyebabnya

→ Kuota penggunaan Claude Max akan habis ~40% lebih cepat dari biasanya

Perbaikan hanya 30 detik: npx [email protected]

Ini adalah solusi sementara sebelum perbaikan resmi dari Anthropic, tetapi dalam penggunaan praktis, Anda hampir dapat langsung merasakan perubahan efek sesi.

Yang digantikannya: Anda tidak perlu lagi menebak mengapa Claude tiba-tiba tidak lagi mengikuti instruksi Anda.

Studi Kasus: Seperti Apa Sistem Otomatisasi Lengkap Itu

Seorang insinyur berpengalaman 11 tahun, membangun sistem yang terdiri dari tiga bagian:

Hasil setelah satu minggu:

· Sebelumnya: 8 jam sehari menulis kode
· Sesudahnya: Hanya 2–3 jam sehari melakukan tinjauan dan pengujian kode

· Kualitas kode: Pada dasarnya tidak berubah—karena ia akan meninjau satu per satu
· Status Teams: Selalu online—mouse bergerak otomatis setiap menit
· Waktu sisa: Bebas sepanjang hari

Ini bukanlah "sihir", tetapi hasil dari gabungan CLAUDE.md + agen yang tepat + mekanisme loop setiap 15 menit.

Daftar lengkap:

Apa yang Anda dapatkan setelah membacanya:

· Sebelumnya: Claude melanggar norma yang ada dalam 40% kasus
· Sesudahnya: Menggunakan CLAUDE.md Karpathy, tingkat pelanggaran turun menjadi 3%

· Sebelumnya: Anda perlu menghabiskan berminggu-minggu untuk membangun agen
· Sesudahnya: 27 agen siap pakai

· Sebelumnya: Claude Max habis kuotanya dalam 2–3 jam
· Sesudahnya: Downgrade ke v2.1.98 dapat memulihkan ~40% batas penggunaan

· Sebelumnya: Perlu 8 jam sehari menulis kode
· Sesudahnya: Hanya 2–3 jam untuk review, sisanya dijalankan otomatis oleh sistem

· Waktu setup: 15–20 menit
· Penghematan harian: 5–6 jam
· Penghematan bulanan: 100–120 jam

Jika nilai waktu Anda adalah $30 per jam—Anda sebenarnya "kehilangan secara tidak terlihat" $3000–3600 setiap bulan.

Jika $100 per jam—itu adalah $10000–12000 per bulan mengalir percuma, hanya karena Anda masih menulis secara manual kode yang sebenarnya dapat diselesaikan Claude sendiri.

Kebanyakan pengembang tidak akan mencapai level ini—bukan karena mereka tidak bisa, tetapi karena mereka mengira hal ini rumit. Sebenarnya, antara Anda dan "otomatisasi penuh", hanya ada tiga perintah dan satu file.

Insinyur yang saya sebutkan di awal, bukanlah jenius, juga bukan insinyur senior dari Google. Dia hanya menghabiskan waktu satu malam untuk menyiapkan sistem—sejak itu, pekerjaan diselesaikan sistem, dia hanya bertanggung jawab untuk hidup.

Anda bisa melakukan hal yang sama malam ini. Sementara yang lain masih berdebat apakah AI akan menggantikan pengembang, mereka yang telah menyiapkan sistem, hanya menerima uang dan bersantai.

Pilihannya sebenarnya jelas. Anda sedang membangun hidup Anda sendiri—maka pilih jalur yang benar.

Pertanyaan Terkait

QApa yang dimaksud dengan CLAUDE.md dan bagaimana cara kerjanya untuk meningkatkan produktivitas pengembang?

ACLAUDE.md adalah file markdown yang berisi seperangkat aturan terstruktur untuk memandu perilaku Claude Code dalam menulis kode. File ini menerapkan empat prinsip inti: Think Before Coding (berpikir sebelum coding), Simplicity First (kesederhanaan pertama), Surgical Changes (perubahan tepat sasaran), dan Goal-Driven Execution (eksekusi berorientasi tujuan). Dengan menggunakan CLAUDE.md, tingkat pelanggaran aturan coding turun dari 40% menjadi hanya 3%, menghemat waktu pengembang dengan mencegah kesalahan yang dapat diprediksi.

QBagaimana sistem 'Everything Claude Code' mengubah cara kerja pengembang dengan AI?

AEverything Claude Code berfungsi seperti sistem operasi AI lengkap untuk membangun produk, yang terdiri dari 27 agent dan 64 skill yang dapat dikustomisasi. Alih-alih sekadar berinteraksi dengan AI, pengembang sekarang dapat 'mengelola tim teknik AI' yang berjalan otomatis. Sistem ini kompatibel dengan berbagai alat seperti Claude, Codex, Cursor, OpenCode, dan Gemini, menggantikan kebutuhan untuk membangun sistem agent secara manual dan menghemat biaya langganan AI bulanan.

QApa masalah tersembunyi yang ditemukan pada Claude Code v2.1.100 dan bagaimana dampaknya?

AVersi Claude Code v2.1.100 diam-diam mengonsumsi sekitar 20.000 token tambahan di sisi server meskipun mengirim data yang lebih sedikit. Inflasi token ini mengisi konteks Claude, mengencerkan instruksi dalam CLAUDE.md, menurunkan kualitas output dalam percakapan panjang, dan membuat kuota Claude Max habis 40% lebih cepat. Masalah ini dapat diperbaiki sementara dengan menggunakan perintah 'npx claude-token-fixer@latest' hingga Anthropic merilis perbaikan resmi.

QBagaimana contoh nyata implementasi sistem otomatisasi ini dalam kehidupan kerja seorang insinyur?

ASeorang insinyur Google dengan 11 tahun pengalaman berhasil mengotomatisasi 80% pekerjaannya menggunakan kombinasi CLAUDE.md, agent yang tepat, dan mekanisme loop 15 menit. Sistem ini memungkinkannya mengurangi waktu kerja dari 8 jam menjadi hanya 2-3 jam per hari untuk review kode dan testing, sementara sistem menjalankan sisanya secara otomatis. Ia menghasilkan $28.000 pendapatan pasif bulanan dengan kualitas kode yang tetap terjaga.

QApa dampak finansial dan waktu yang bisa dihemat dengan mengadopsi sistem otomatisasi AI ini?

ADengan waktu setup hanya 15-20 menit, sistem ini menghemat 5-6 jam per hari atau 100-120 jam per bulan. Secara finansial, jika nilai waktu seseorang adalah $30 per jam, mereka menghemat $3000-3600 per bulan. Untuk tarif $100 per jam, penghematannya mencapai $10.000-12.000 per bulan. Ini menunjukkan bahwa tidak mengadopsi otomatisasi AI sama dengan 'kehilangan uang secara tidak terlihat' karena masih menulis kode secara manual yang sebenarnya bisa dilakukan AI.

Bacaan Terkait

Terlewat Gelombang Kenaikan Saham AI, Sekarang Harus Bagaimana?

Penulis: Think AI, Aaron Saham AI telah naik selama tiga setengah tahun tanpa tanda-tanda berhenti. Mereka yang memperkirakan bubble AI atau kejatuhan pasar saham AS tahun lalu kini merenung. Pasar global menunjukkan kinerja kuat: indeks Korea telah circuit breaker 19 tahun ini, naik 4 kali lipat sejak tahun lalu. Saham SK Hynix naik 260%. Micron AS, raksasa memori, tembus valuasi $1 triliun. SoftBank Jepang, dengan taruhan besar pada AI, menjadi perusahaan bernilai tertinggi di Jepang. Di China, perusahaan seperti Yushu dan ChangXin akan masuk bursa dengan valuasi besar. Namun, situasi lain muncul: mereka yang meminjam untuk beli emas awal tahun masih rugi, saham konsumen China terus turun. Banyak investor merasa cemas karena melewatkan rally AI ini. Data menunjukkan, pada 2025, hanya 18.9% investor ritel A股 yang untung, 81.1% rugi. Saat pasar koreksi awal 2026, keyakinan pada AI goyah. Banyak institusi jual di titik terendah, seperti pemegang saham besar Zhongji Innolight yang jual RMB 4.9 miliar, lalu sahamnya naik 35%. Laporan menunjukkan kerugian potensial institusi karena jual terlalu awal di sektor komputasi AI bisa lebih dari RMB 200 miliar. Beberapa institusi yang bertahan justru salah arah, fokus pada aplikasi vertikal seperti AI pendidikan/kesehatan yang turun >20%, sementara sektor komputasi naik >50%. Di luar negeri, kesalahan serupa terjadi. Bridgewater jual besar-besaran saham seperti NVIDIA, Alphabet akhir 2025, tepat sebelum mereka rata-rata naik >80%. Posisi short di pasar AS mencapai level tertinggi sejak 2012. Warren Buffett juga banyak memegang kas, melewatkan rally AI. Namun, AI tetap dianggap sebagai peluang revolusioner paling pasti – bukan konsep jangka pendek, tapi revolusi infrastruktur seperti listrik atau internet. Bagi yang melewatkan gelombang pertama, masih ada peluang di lapisan aplikasi atau gelombang infrastruktur berikutnya. China punya ruang unik dalam pengembangan AI mandiri, penerapan, dan penyempurnaan rantai pasokan. Pemimpin industri memberikan perspektif. Ma Huateng (Tencent) menyatakan pentingnya fokus pada keunggulan sendiri di era AI, bukan sekadar mengejar tren. Jack Ma menyebut AI sebagai peluang revolusi industri setara penemuan listrik, dan era AI baru dimulai. Masih banyak peluang jangka panjang di sepanjang rantai industri, dari infrastruktur komputasi, platform model besar, hingga aplikasi AI sektoral. Peluang struktural berikutnya akan datang bagi mereka yang siap dan memiliki pola pikir stabil. Kuncinya adalah berpegang pada keunggulan sendiri dan berpikir jangka panjang.

marsbit5m yang lalu

Terlewat Gelombang Kenaikan Saham AI, Sekarang Harus Bagaimana?

marsbit5m yang lalu

Mengapa Inflow ETF XRP Meningkat Sementara Bitcoin dan Ethereum Mengalami Outflow?

Data on-chain menunjukkan bahwa dana ETF XRP terus mengalami aliran masuk yang stabil, sementara ETF Bitcoin dan Ethereum mencatat hari-hari beruntun aliran keluar. Analis CryptoKrali menyoroti perbedaan tajam ini, dengan dana berfokus XRP menerima sekitar $35 juta masuk sejak 20 Mei, dibandingkan dengan aliran keluar gabungan hampir $2 miliar untuk Bitcoin dan Ethereum dalam periode sama. Pola ini mengindikasikan pergeseran alokasi modal institusional, di mana investor tampaknya lebih memilih eksposur ke aset kripto alternatif seperti XRP karena narasi pasar terkait posisi regulasi, ekspansi ETF, dan spekulasi permintaan mirip treasury. Meski aliran masuk ETF XRP konsisten, harga XRP sendiri tetap relatif datar, bahkan turun lebih dari 6% dalam seminggu terakhir. Data terbaru dari SoSoValue mencatat ETF XRP telah 17 hari berturut-turut mengalami aliran masuk, dengan penambahan $4,13 juta pada 1 Juni. Sebaliknya, ETF Spot Bitcoin memasuki hari ke-11 aliran keluar berturut-turut, dan ETF Ethereum mencatat 15 hari beruntun aliran keluar. Tren ini menunjukkan modal institusi semakin selektif, berfokus pada narasi spesifik yang menunjukkan kekuatan relatif, alih-alih berputar luas ke aset kapitalisasi pasar teratas.

bitcoinist52m yang lalu

Mengapa Inflow ETF XRP Meningkat Sementara Bitcoin dan Ethereum Mengalami Outflow?

bitcoinist52m yang lalu

Landskap On-Chain Bitcoin Terlihat Jauh Berbeda Dibanding Puncak Bull Market 2021

Jaringan Bitcoin menunjukkan penurunan signifikan dalam aktivitas on-chain dibandingkan dengan puncak pasar bull 2021. Menurut data Santiment, jumlah alamat aktif harian turun sekitar 44% menjadi 624.000, dan pembuatan alamat baru turun 43% menjadi 278.000 per hari. Hal ini mengindikasikan berkurangnya partisipan baru dan aktivitas transaksi harian. Perubahan ini didorong oleh faktor-faktor seperti meningkatnya pengaruh Spot ETF dan kendaraan investasi institusional, yang memungkinkan eksposur terhadap Bitcoin tanpa perlu interaksi on-chain langsung. Selain itu, banyak pemegang jangka panjang menjadi lebih pasif, menyimpan aset mereka alih-alih bertransaksi aktif. Meski aktivitas jaringan menurun, hal ini tidak selalu merupakan sinyal bearish. Volatilitas harga biasanya yang memicu kenaikan aktivitas. Saat ini, harga Bitcoin diperdagangkan di sekitar $69.876, dengan volume perdagangan yang meningkat lebih dari 134% dalam 24 jam terakhir, menunjukkan minat trader yang tetap tinggi.

bitcoinist2j yang lalu

Landskap On-Chain Bitcoin Terlihat Jauh Berbeda Dibanding Puncak Bull Market 2021

bitcoinist2j yang lalu

Setelah 540 Ribu Baris Kode, Garry Tan Menyadari Permainan Lama Pemrograman AI Sudah Berakhir

Editor's Note: Sementara banyak orang memperdebatkan apakah AI akan menggantikan programmer, Presiden YC Garry Tan justru mengajukan pertanyaan lain: Jika AI sudah dapat menyelesaikan sebagian besar pekerjaan pemrograman, mengapa kita masih mengelolanya dengan cara lama seperti perangkat lunak biasa? Awal tahun ini, Garry Tan menghabiskan beberapa bulan untuk membuat proyek "Garry's List" dengan Rails dan AI Agent, yang menghasilkan lebih dari 540.000 baris kode. Namun, ia menyimpulkan bahwa kode tersebut tidak penting. Yang berharga adalah "GStack"—kerangka kerja pengembangan baru yang dibangun di sekitar alur kerja AI Agent. Menurutnya, industri perangkat lunak selama ini terbiasa membungkus model AI dengan banyak tes, validator, mekanisme percobaan ulang, dan logika kontrol. Ini seperti membangun "pabrik Foxconn" untuk pekerja AI yang sangat cerdas—membatasi agen yang sebenarnya sudah mampu dengan banyak aturan. Dengan biaya model yang turun cepat dan kemampuannya meningkat, fokus pengembangan perangkat lunak beralih dari "menulis lebih banyak kode" ke "merancang lebih banyak kemampuan." Tan mengusulkan menggunakan Markdown untuk membuat "skill pack" (paket keterampilan yang dapat diuji dan digunakan kembali), di mana Agent dapat secara otomatis menghasilkan kode, tes, dan sistem evaluasi. Sebagai contoh, pekerjaan menilai hackathon yang biasanya memakan waktu berhari-hari kini dapat diselesaikan oleh Agent dalam beberapa puluh menit. Intinya, artikel ini membahas akhir dari logika industrialisasi perangkat lunak. Ketika kode bukan lagi sumber daya paling langka, kompetensi inti insinyur juga bergeser: Daripada menulis lebih banyak kode, kemampuan untuk menilai apa yang layak dibangun, mendefinisikan masalah, dan mengemas pengalaman menjadi aset kemampuan yang dapat digunakan kembali menjadi lebih penting. Kesimpulannya: Insinyur terbaik di masa depan mungkin bukan yang menulis kode paling banyak, tetapi yang menulis paling sedikit namun mampu melepaskan kecerdasan paling besar.

marsbit2j yang lalu

Setelah 540 Ribu Baris Kode, Garry Tan Menyadari Permainan Lama Pemrograman AI Sudah Berakhir

marsbit2j yang lalu

Ekosistem BNB Chain Alami Minggu Kelembagaan Besar dengan Debut ETF AS, Taruhan Manajer Aset

Ekosistem BNB Chain mengalami minggu penting dengan debut ETF spot pertama untuk BNB di AS, diluncurkan oleh VanEck dengan ticker VBNB. Ini memberikan akses institusional langsung dan teregulasi ke aset kripto utama ini. Analis menyoroti ketahanan BNB dan utilitas jaringan yang tinggi, dengan jutaan transaksi harian. Secara paralel, laporan Grayscale menempatkan BNB Chain sebagai salah satu ekosistem terdepan yang diposisikan untuk menangkap aliran modal institusional setelah undang-undang CLARITY disahkan. Jaringan ini unggul dalam sektor aset tokenisasi (RWA), menempati posisi kedua setelah Ethereum dengan nilai besar, dan memimpin dalam pertumbuhan pemegang RWA. Di sektor stablecoin, BNB Chain menangani pangsa transaksi global yang signifikan. Perkembangan ini menegaskan peran BNB Chain sebagai jembatan penting antara keuangan tradisional dan infrastruktur terdesentralisasi, dengan adopsi yang meningkat untuk produk keuangan dan pembayaran.

bitcoinist3j yang lalu

Ekosistem BNB Chain Alami Minggu Kelembagaan Besar dengan Debut ETF AS, Taruhan Manajer Aset