Laporan a16z: 29% dari Perusahaan Fortune 500 Membayar untuk Adopsi AI, Pemrograman, dan Dukungan Pelanggan

Penulis: a16z

Diterjemahkan oleh Deep潮 TechFlow

Panduan DeepCha: MIT mengklaim 95% inisiatif AI generatif perusahaan gagal bertransformasi, namun a16z langsung membantah pernyataan ini dengan data langsung dari perusahaan dalam portofolio mereka. 29% perusahaan Fortune 500 dan 19% perusahaan Global 2000 sudah menjadi pelanggan berbayar dari startup AI terkemuka, sementara alat pemrograman meningkatkan efisiensi insinyur terbaik hingga 10-20 kali lipat. Laporan sepanjang 23.928 kata ini didasarkan pada data internal yang mengungkap skenario AI mana yang benar-benar menghasilkan nilai dan mana yang masih merupakan hiperbola konseptual.

Banyak spekulasi tentang sejauh mana AI mencapai kemajuan di perusahaan besar, tetapi sebagian besar informasi yang ada hanya terdiri dari survei yang melaporkan penggunaan AI secara mandiri atau menangkap emosi pembeli kualitatif, bukan data kuantitatif. Selain itu, sejumlah kecil penelitian yang ada menyatakan bahwa AI berkinerja buruk di perusahaan, paling mencolok adalah penelitian dari MIT yang menyatakan bahwa 95% pilot AI generatif gagal bertransformasi.

Berdasarkan data internal kami dan percakapan dengan para eksekutif perusahaan, kami menemukan statistik ini tidak masuk akal. Kami terus memantau secara ketat di mana AI paling banyak diadopsi dan di mana ROI jelas, serta menyusun data nyata tentang apa yang benar-benar efektif dalam AI perusahaan.

Berdasarkan analisis kami, 29% dari Fortune 500 dan sekitar 19% dari Global 2000 adalah pelanggan bayar aktif dari perusahaan rintisan AI terkemuka.

Untuk memenuhi statistik ini, perusahaan-perusahaan tersebut harus telah menandatangani kontrak top-down dengan perusahaan rintisan AI, berhasil mengubah pilot, dan meluncurkan produk di dalam organisasi mereka.

Mencapai tingkat penetrasi semacam ini dalam waktu se singkat itu sangat signifikan, karena perusahaan Fortune 500 tidak dikenal sebagai pengadopsi teknologi awal. Secara historis, banyak startup harus terlebih dahulu menjual ke startup lain untuk mendapatkan dorongan awal, dan baru beberapa tahun kemudian startup dapat menandatangani kontrak perusahaan pertama mereka, memerlukan lebih banyak pendapatan dan waktu sebelum akhirnya dapat menarik pelanggan skala Fortune 500.

AI telah menggulingkan norma ini. OpenAI meluncurkan ChatGPT pada November 2022, segera menunjukkan potensi AI kepada konsumen dan perusahaan. Tindakan ini melepaskan gelombang minat terhadap AI yang belum pernah dipicu oleh generasi teknologi sebelumnya, membuat perusahaan besar lebih bersedia daripada sebelumnya untuk mempertaruhkan produk baru lebih awal. Hasilnya: hanya lebih dari 3 tahun kemudian, hampir sepertiga dari Fortune 500 dan seperlima dari Global 2000 memiliki penerapan AI perusahaan yang nyata dalam organisasi mereka.

Di mana proses ini terjadi paling cepat, dan bagaimana hal ini dipetakan ke pekerjaan yang secara inheren lebih disukai oleh model?

Kami menemukan bahwa metode evaluasi paling informatif adalah dengan menggabungkan tren pendapatan dari berbagai kasus penggunaan terhadap kapasitas teoretis model yang didefinisikan oleh GDPval, sebuah benchmark terkenal dari OpenAI yang menilai kemampuan model dalam tugas-tugas yang bernilai nyata bagi perekonomian dunia. Bagi kami, kedua faktor ini tidak hanya merangkum seberapa baik suatu model bisa menjadi, tetapi juga seberapa banyak nilai yang telah dibuktikan oleh model tersebut hari ini. Hal ini membuatnya sangat informatif mengenai di mana adopsi AI berada saat ini, ke mana arahnya, serta di mana masih ada hambatan adopsi AI meskipun kemampuan model telah matang.

Dalam hal tren pendapatan, adopsi AI oleh perusahaan didorong oleh serangkaian kasus penggunaan dan industri yang jelas. Pemrograman, dukungan, dan pencarian hingga saat ini mewakili sebagian besar kasus penggunaan (pemrograman bahkan merupakan outlier sebesar satu orde besar dalam kelompok ini), sementara sektor teknologi, hukum, dan kesehatan adalah industri yang paling antusias mengadopsi AI.

Pemrograman: Pemrograman adalah kasus penggunaan utama AI, hampir sebesar satu orde besar. Hal ini terlihat jelas dalam pertumbuhan eksponensial yang dilaporkan oleh perusahaan-perusahaan seperti Cursor, serta pertumbuhan supercepat dari alat-alat seperti Claude Code dan Codex. Tingkat pertumbuhan ini melebihi prediksi paling optimis hampir semua orang, dan hingga saat ini, sebagian besar adopsi alat AI oleh perusahaan Fortune 500/Global 2000 terjadi dalam kode.

Dalam banyak hal, pemrograman mewakili kasus penggunaan ideal AI, baik dari segi kemampuan teknis maupun penerimaan pasar perusahaan. Kode bersifat padat data, yang berarti ada banyak kode berkualitas tinggi secara daring yang tersedia untuk pelatihan model. Kode juga berbasis teks, sehingga mudah diproses oleh model. Ia presisi dan jelas, dengan tata bahasa ketat dan hasil yang dapat diprediksi. Yang terpenting, kode dapat diverifikasi: siapa pun dapat menjalankannya dan mengetahui apakah itu berfungsi, menciptakan siklus umpan balik yang ketat untuk pembelajaran dan peningkatan model.

Dari sudut pandang bisnis, ini juga merupakan aplikasi yang sangat baik. Kami terus mendengar perusahaan portofolio mengatakan bahwa produktivitas insinyur terbaik mereka meningkat hingga 10-20 kali lipat berkat alat coding AI. Merekrut insinyur selalu sulit dan mahal, sehingga segala sesuatu yang meningkatkan produktivitas mereka memiliki ROI yang jelas—peningkatan yang disediakan oleh alat coding AI menciptakan insentif besar untuk adopsi. Insinyur juga sering menjadi pengadopsi awal yang menuntut alat terbaik, karena pemrograman adalah tugas yang lebih mandiri dibandingkan kebanyakan pekerjaan bisnis, sehingga mereka lebih mudah menemukan dan mengadopsi alat terbaik tanpa terhambat oleh koordinasi dan birokrasi yang mengganggu banyak fungsi perusahaan lainnya.

Selain itu, alat pemrograman tidak perlu menyelesaikan tugas secara end-to-end 100% untuk memiliki nilai tambah, karena setiap percepatan (misalnya, menemukan bug, menghasilkan kode样板) tetap menghemat waktu dan bermanfaat. Karena alur kerja pemrograman melibatkan manusia secara erat, pengembang saat ini masih mengawasi proses pengembangan, sehingga alat-alat ini memberikan ruang bagi penilaian, pengeditan, dan iterasi manusia sambil mempercepat output. Ini meningkatkan kepercayaan perusahaan sekaligus membuat jalur adopsi lebih lancar.

Kemampuan pemrograman sedang meningkat secara eksponensial, dan setiap laboratorium secara jelas berfokus pada memenangkan kode sebagai kasus penggunaan. Ini memiliki dampak besar. Kode adalah hulu dari semua aplikasi lain, karena merupakan blok bangunan inti dari perangkat lunak apa pun, sehingga percepatan AI terhadap kode seharusnya mempercepat setiap bidang lainnya. Hambatan untuk membangun di bidang-bidang ini menurun, membuka peluang baru yang dapat diselesaikan dengan AI, tetapi aksesibilitas yang sama membuat membangun keunggulan kompetitif berkelanjutan bagi startup lebih penting daripada sebelumnya.

Dukungan: Mendukung di sisi lain barbel, berlawanan dengan kode. Meskipun rekayasa perangkat lunak biasanya menerima investasi dan perhatian terbanyak dalam organisasi, dukungan sering diabaikan. Pekerjaan dukungan dalam organisasi bersifat latar belakang dan tingkat pemula, biasanya dioutsourcing ke perusahaan luar negeri atau perusahaan outsourcing proses bisnis (BPO), karena perusahaan menganggap manajemen sendiri terlalu rumit dan kompleks.

AI telah terbukti unggul dalam mengelola pekerjaan ini karena beberapa alasan. Pertama, sebagian besar interaksi dukungan bersifat terbatas waktu dengan niat yang terbatas (misalnya, mengeluarkan pengembalian dana), yang memberikan agen masalah yang jelas untuk ditangani. Dukungan juga merupakan salah satu fungsi tunggal di mana tugas yang terlibat dalam peran tersebut didefinisikan dengan jelas. Tim dukungan memiliki volume besar dan tingkat perputaran tinggi, sehingga memerlukan pelatihan baru untuk perwakilan secara cepat dan terstandarisasi. Untuk tujuan ini, mereka memiliki prosedur operasi standar (SOP) yang dirumuskan dengan jelas untuk membimbing setiap perwakilan. SOP ini menciptakan aturan dan panduan yang jelas yang dapat ditiru oleh agen AI. Hal ini membedakannya dari sebagian besar ruang kerja bisnis lainnya, yang biasanya berlangsung lebih lama, kurang jelas definisinya, dan melibatkan lebih banyak pemangku kepentingan di luar pelanggan dan perwakilan layanan.

Dukungan juga merupakan salah satu fungsi perusahaan yang paling jelas dalam menunjukkan ROI. Dukungan beroperasi berdasarkan indikator yang dapat diukur: jumlah tiket yang dijawab, skor CSAT (kepuasan pelanggan), dan tingkat penyelesaian. Perbandingan saat ini dengan pengujian A/B terhadap agen AI menghasilkan hasil yang menguntungkan bagi agen AI: ia menjawab lebih banyak tiket, meningkatkan tingkat penyelesaian, dan meningkatkan skor kepuasan pelanggan—semuanya dengan biaya lebih rendah. Karena sebagian besar dukungan sudah dioutsourcing ke BPO, penerapan solusi AI memerlukan manajemen perubahan terbatas, sehingga jalur adopsi menjadi lebih mudah.

Dukungan juga tidak perlu 100% akurat untuk bermanfaat, karena memiliki jalur keluar alami ke manusia (misalnya, "Saya akan meningkatkan Anda ke manajer"). Ini memungkinkan siklus penjualan bergerak lebih cepat dan membuat agen dukungan AI uji coba relatif berisiko rendah; dalam skenario terburuk, semua kasus 100% akan secara sederhana ditingkatkan dan diselesaikan oleh manusia.

Pada akhirnya, dukungan pada dasarnya bersifat transaksional. Pelanggan tidak peduli siapa yang berada di ujung lainnya, yang berarti dukungan tidak memerlukan hubungan interpersonal yang sulit direplikasi oleh AI. Karakteristik ini menjelaskan mengapa perusahaan seperti Decagon dan Sierra tumbuh sangat cepat, serta semakin banyak peserta dukungan spesifik vertikal seperti Salient, HappyRobot, dll.

Pencarian: Kategori horizontal terakhir yang didorong oleh pasar perusahaan yang jelas adalah pencarian. Penggunaan utama ChatGPT sendiri adalah pencarian, sehingga dampak pencarian kemungkinan besar telah terintegrasi secara mendalam ke dalam pendapatan dan penggunaan ChatGPT, yang mungkin sangat diremehkan di sini.

Pencarian AI sebagai kategori yang sangat luas sehingga memungkinkan munculnya banyak startup besar independen. Salah satu masalah utama di dalam banyak perusahaan adalah memungkinkan karyawan untuk dengan mudah menemukan dan mengekstrak informasi relevan dari berbagai sistem mereka. Glean berkembang pesat sebagai penyedia startup utama untuk kasus penggunaan ini. Banyak industri besar juga beroperasi berdasarkan informasi industri yang sangat spesifik (internal dan eksternal), dan perusahaan seperti Harvey (yang dimulai dengan pencarian hukum) serta OpenEvidence (yang dimulai dengan pencarian medis) berkembang pesat dengan membangun produk inti mereka di sekitar hal ini.

Teknologi: Industri yang paling umum mengadopsi AI hingga saat ini adalah industri teknologi. ChatGPT sendiri melaporkan bahwa 27% pengguna bisnis berasal dari sektor teknologi, dan banyak pelanggan awal perusahaan seperti Cursor, Decagon, dan Glean adalah perusahaan teknologi. Mengingat teknologi hampir selalu menjadi pelopor awal dan industri yang memicu gelombang AI, hal ini sama sekali tidak mengejutkan.

Yang lebih mengejutkan, pasar yang sebelumnya tidak dianggap sebagai early adopter kali ini terbukti sangat antusias.

Hukum: Secara mengejutkan, hukum adalah salah satu industri terdepan dalam AI. Hukum sebelumnya dianggap sebagai pasar yang sulit untuk perangkat lunak, dengan jadwal yang panjang dan pembeli yang kurang teknis.

Ini karena perangkat lunak perusahaan tradisional memberikan nilai terbatas bagi pengacara: alat alur kerja statis tidak mempercepat pekerjaan non-struktural dan halus yang biasanya dilakukan pengacara. Namun, AI membuat nilai teknologi bagi pengacara menjadi lebih jelas. AI unggul dalam mengurai teks padat, melakukan penalaran pada sejumlah besar teks, serta merangkum dan menyusun respons—semuanya merupakan pekerjaan yang sering dilakukan pengacara. AI kini sering bertindak sebagai co-pilot untuk meningkatkan produktivitas pengacara individu, tetapi mulai meluas lebih jauh: dalam beberapa kasus, AI sebenarnya dapat menghasilkan pendapatan dengan memungkinkan kantor hukum menangani lebih banyak kasus (seperti halnya Eve, yang berspesialisasi dalam hukum penggugat).

Hasilnya jelas. Harvey melaporkan pendapatan berulang tahunan (ARR) sekitar $2 miliar dalam waktu 3 tahun sejak berdiri, perusahaan seperti Eve memiliki lebih dari 450 pelanggan, dan mencapai valuasi $1 miliar pada musim gugur ini.

Kesehatan: Kesehatan adalah pasar lain yang merespons AI dengan cara yang belum pernah dimiliki perangkat lunak tradisional. Perusahaan-perusahaan seperti Abridge, Ambience Healthcare, OpenEvidence, dan Tennr mengalami pertumbuhan pendapatan yang sangat cepat berdasarkan kasus penggunaan diskret, seperti rekam medis, pencarian medis, atau otomatisasi latar belakang aturan Byzantine yang mengelola bagaimana perawatan kesehatan diberikan dan dibayar.

Sejarahnya, industri perawatan kesehatan adalah pasar yang lambat dalam mengadopsi perangkat lunak, karena 1) pekerjaan berbasis keterampilan tinggi dan kompleks tidak cocok dengan masalah yang dapat diselesaikan oleh perangkat lunak alur kerja tradisional, dan 2) dominasi sistem seperti Epic dalam mencatat EHR mempersempit ruang bagi pemasok perangkat lunak baru. Namun, dengan adanya AI, perusahaan mampu mengambil alih tugas manual yang terpisah dengan menggantikan pekerjaan administratif (misalnya, petugas rekam medis) atau memperkuat pekerjaan bernilai lebih tinggi yang sedang dilakukan oleh dokter, tanpa harus melewati sistem pencatatan EHR. Pekerjaan ini cukup unik sehingga tidak memerlukan penghapusan dan penggantian EHR, memungkinkan perusahaan-perusahaan ini berkembang pesat tanpa perlu mengganti pemasok perangkat lunak yang ada.

Perkiraan ini adalah perkiraan terbaik. Ini mungkin meremehkan jumlah pendapatan yang dihasilkan dalam setiap kategori dan melebih-lebihkan kemampuan model.

Kami mungkin telah meremehkan pendapatan, karena:

Analisis pendapatan murni didasarkan pada departemen dan kasus penggunaan yang berhasil cukup untuk menciptakan bisnis AI besar dan mandiri, serta mengecualikan panjang ekor kasus penggunaan yang sedang ditangani oleh startup lain.

Banyak pasar ini juga memiliki peserta perusahaan non-startup dengan skala signifikan yang menghasilkan pendapatan besar (misalnya, Codex/Claude Code dalam kode, CoCounsel dari Thomson Reuters dalam hukum), tetapi kami fokuskan analisis pada peserta startup independen.

Banyak tugas yang dijelaskan dalam analisis kami mungkin terintegrasi ke dalam produk inti perusahaan model (misalnya, ChatGPT dan pencarian OpenAI), tetapi tidak dipisahkan dan dimasukkan dalam analisis ini.

Analisis ini berfokus pada bisnis perusahaan, bukan bisnis konsumen atau konsumen profesional. Ada bisnis yang sukses (misalnya, Replit dan Gamma dalam penghasilan dan desain aplikasi) yang memiliki sejumlah besar pengguna bisnis, tetapi saat ini lebih berfokus pada konsumen atau konsumen profesional. Mengingat analisis ini berfokus pada AI perusahaan dan dari mana perusahaan memperoleh nilai, kami mengecualikan bisnis yang didominasi konsumen.

Dalam hal kemampuan, mengukur dampak AI terhadap berbagai sektor ekonomi sangat sulit, meskipun banyak ekonom sedang mencobanya. Pekerjaan pada dasarnya tidak terdefinisi dengan jelas dan memiliki ekor panjang, sehingga sangat sulit untuk diotomatisasi sepenuhnya. Saat ini belum jelas seberapa besar nilai yang dapat diperoleh perusahaan dari otomatisasi sebagian—jika AI hanya dapat melakukan 50% tugas manusia, pentingnya tugas yang tidak dapat diotomatisasi mungkin akan meningkat karena menjadi titik bottleneck, sehingga meningkatkan nilai relatifnya. Oleh karena itu, kita mungkin melebih-lebihkan status kemampuan saat ini, karena setiap peningkatan 1% kemampuan tidak secara langsung menghasilkan 1% nilai ekonomi, tetapi tetap penting untuk memperhatikan kemampuan relatif dan bagaimana mereka meningkat seiring rilis setiap model baru.

Analisis ini mengukur tingkat kemenangan model evaluasi teratas atas ahli manusia berdasarkan benchmark GDPval. Berdasarkan ini, jelas bahwa sejak musim gugur 2025, model telah menjadi jauh lebih baik dalam pekerjaan yang bernilai ekonomi.

Lalu, mengapa kita tidak melihat semua industri yang mendapat peringkat tinggi dalam evaluasi ini memiliki momentum pendapatan jenis yang sama dengan industri lainnya?

Beberapa industri yang secara antusias mengadopsi AI hingga saat ini memiliki kesamaan: mereka berbasis teks, melibatkan pekerjaan mekanis dan berulang, memiliki partisipasi manusia secara alami dalam siklus untuk memberikan penilaian manusia, regulasi terbatas, dan memiliki output akhir yang jelas dan dapat diverifikasi (misalnya, kode yang berjalan, tiket dukungan yang telah diselesaikan). Banyak industri tidak memiliki atribut-atribut ini. Mereka either menangani dunia fisik, sangat bergantung pada hubungan manusia, memiliki biaya koordinasi yang jelas di antara banyak pemangku kepentingan, menghadapi hambatan regulasi atau kepatuhan, atau tidak memiliki hasil yang dapat diverifikasi. Meskipun momentum pendapatan dan kemampuan model jelas saling terkait, di bidang-bidang di mana kemampuan model secara teoritis berada di bawah 50% tingkat kemenangan dibandingkan manusia (seperti dalam kasus hukum), perusahaan seperti Harvey tetap mampu memperoleh pangsa pasar dengan cepat melalui produk copilot yang memperkuat pekerjaan hukum individu, lalu terus meningkatkan produk inti mereka seiring perkembangan model.

Temuan paling penting di sini adalah kemampuan model yang sedang meningkat pesat. Beberapa bidang menunjukkan peningkatan besar dalam 4 bulan terakhir—akuntansi dan audit menunjukkan lonjakan hampir 20% pada GDPval, bahkan bidang seperti kepolisian/detektif juga menunjukkan peningkatan hampir 30%. Kami mengharapkan lonjakan ini menghasilkan produk dan perusahaan baru yang menarik di bidang terkait. Selain itu, perusahaan model telah secara jelas menyatakan niat mereka untuk meningkatkan kemampuan inti dalam pekerjaan yang bernilai ekonomi, dengan fokus pada spreadsheet dan alur kerja keuangan, menggunakan komputer untuk menangani tugas-tugas rumit pada sistem warisan dan industri, serta melakukan perbaikan signifikan pada tugas jangka panjang, yang membuka kelas pekerjaan baru yang tidak dapat dengan mudah dipotong menjadi potongan-potongan kecil dan mudah dicerna.

Memahami dari mana perusahaan memperoleh nilai dan bagaimana mereka memikirkan ROI—serta departemen mana yang jelas melihat dorongan dan mana yang akan datang—membuat kita mampu memikirkan dengan lebih jelas di mana peluang bagi pembangun AI berada.

Melayani pembeli di bidang teknologi, hukum, dan perawatan kesehatan jelas merupakan tanah yang subur, tetapi kami tidak percaya akan ada satu "pemenang" di setiap kategori. Misalnya di bidang hukum, ada banyak jenis pengacara—pengacara internal, kantor hukum, pengacara paten, pengacara penggugat, dll.—yang masing-masing memiliki alur kerja dan kebutuhan berbeda yang dapat diatasi perusahaan. Demikian pula di bidang perawatan kesehatan, dengan beragam jenis dokter, fasilitas kesehatan, dll.

Selain departemen-departemen ini, cara berpikir yang produktif lainnya adalah tempat kemampuan sedang meningkat, tetapi belum ada perusahaan yang mencapai terobosan dalam pendapatan. Banyak bisnis saat ini dibangun sebelum kemampuan model benar-benar membuka produk, tetapi mereka telah membangun infrastruktur teknis dan kesadaran pelanggan/pasar yang cukup, sehingga ketika terobosan model tiba, mereka berada dalam posisi paling unggul.

Terakhir, penting untuk memperhatikan bagaimana laboratorium memfokuskan penelitian terbarunya pada aspek-aspek yang bernilai ekonomis. Dengan cepatnya perbaikan Agent jangka panjang, investasi besar dalam penggunaan komputer, serta penelitian antarmuka yang andal untuk modalitas di luar teks (misalnya, spreadsheet, presentasi), ada seluruh kelas baru startup yang akan segera memiliki infrastruktur pendukung yang diperlukan untuk menghasilkan nilai bisnis yang bermakna.

Metode data: Data ini dirangkum dari perusahaan startup AI terkemuka, termasuk data pribadi dari perusahaan yang berbagi dengan kami untuk tujuan laporan ini, serta data publik dan data anonim yang dianalisis dari ribuan percakapan kami dengan startup dan perusahaan besar di a16z.