Ekonomi Agen AI Menantang Model Makan Gratis Internet

Pada 29 April 2026, Andrej Karpathy dalam sesi obrolan santai di Red杉 AI Ascent menyatakan bahwa perekonomian baru yang berorientasi pada agen asli sedang berkembang, dan semua perangkat lunak, dokumen, dan proses yang saat ini ditulis untuk manusia harus ditulis ulang “untuk Agen”. Ia membahas rekayasa sisi penawaran, tetapi meninggalkan pertanyaan yang belum terjawab: jika semuanya harus ditulis ulang, siapa yang membayar biaya penulisan ulang ini, dan bagaimana nilai tersebut dialokasikan?

Topik ekonomi agen dimulai dari pertanyaan ini. Artikel pertama, "Persimpangan Komersialisasi AI: Mengapa Iklan dan Langganan Sulit Berdiri Sendiri?", membahas bagaimana AI dapat menghasilkan pendapatan, dengan kesimpulan bahwa iklan dan langganan sulit berjalan secara terpisah, sehingga fokus komersialisasi berpindah dari "menjual akses" ke "menjual hasil". Artikel ini mengeksplorasi lebih dalam: mengapa model bisnis harus berubah. Jawabannya harus dicari dalam struktur biaya, pengalaman internet bahwa "melayani satu pengguna tambahan hampir tidak menambah biaya" sedang kehilangan keberlakuannya, dan cara distribusi keuntungan yang dibangun di sekitar pengalaman ini perlu dihitung ulang. Selama dua dekade terakhir, keyakinan bisnis paling penting perusahaan internet adalah: semakin banyak pengguna, semakin rendah biaya, semakin besar keuntungan.

Mesin pencari, media sosial, video pendek, platform konten, dan platform e-commerce pada dasarnya dibangun di atas asumsi yang sama: setelah infrastruktur selesai dibangun, biaya marjinal untuk melayani satu pengguna tambahan, menampilkan satu halaman tambahan, atau mendistribusikan satu konten tambahan hampir nol. Kendala sejati perusahaan internet sering kali bukan “apakah setiap layanan merugikan uang”, tetapi apakah mereka dapat memperoleh cukup banyak waktu pengguna, data, pengiklan, dan skenario transaksi.

Iklan juga menjadi salah satu model bisnis paling penting di internet berdasarkan asumsi ini.

Karena konten dan halaman dapat didistribusikan dengan biaya hampir nol, platform dapat memecah perjalanan pengguna—pencarian, penelusuran, klik, durasi tinggal, dan jalur pembelian—menjadi sejumlah posisi iklan yang dapat dijual. Semakin panjang perjalanan pengguna, semakin banyak titik komersial yang dapat ditanamkan platform; semakin lama pengguna membandingkan, semakin tinggi nilai iklan, rekomendasi, konten merek, dan peringkat pencarian.

Tetapi AI Agent sedang menggoyahkan kepercayaan ini.

Agen AI bukan hanya mendistribusikan informasi yang sudah ada, tetapi menjalankan tugas atas nama pengguna. Setiap percakapan, setiap penalaran, setiap pembacaan file, setiap pemanggilan alat, dan setiap verifikasi hasil, semuanya melibatkan biaya nyata dari daya GPU, konsumsi listrik, penyusutan chip, dan biaya penjadwalan sistem.

Yang lebih penting lagi, AI tidak hanya mengubah struktur biaya perusahaan internet, tetapi juga mengubah rantai pengguna yang menjadi dasar iklan. Di masa lalu, pengguna harus terus-menerus mencari dan membandingkan di berbagai halaman, platform, dan merek; di masa depan, pengguna mungkin cukup menyerahkan kebutuhan mereka kepada Agent, yang akan memilih, menilai, mengurutkan, memesan, bahkan menyelesaikan transaksi.

Ini berarti, pengguna gratis di era AI Agent mungkin merugi setiap kali melayani satu permintaan, dan iklan tradisional juga akan kehilangan sebagian ruang rantai panjang yang menjadi dasar monetisasinya.

Jika kata kunci ekonomi internet adalah "lalu lintas", maka kata kunci ekonomi AI Agent adalah "tugas". Lalu lintas dapat didistribusikan dengan biaya rendah, tetapi tugas harus dijalankan secara nyata. Iklan dulu menjual perhatian pengguna di mana mereka berada, tetapi pertanyaan yang lebih penting di era AI adalah: siapa yang memahami tugas tersebut, siapa yang mengatur, siapa yang menyelesaikannya, dan merek mana yang dapat masuk ke dalam kandidat Agent serta dasar keputusannya.

Oleh karena itu, ekonomi AI Agent bukanlah perpanjangan alami dari model bisnis internet, melainkan koreksi terhadap mitos pertumbuhan internet dan logika periklanan.

Logika dasar model bisnis internet (termasuk perangkat lunak) dapat dipahami menggunakan rumus paling dasar dalam ekonomi:

TC = FC + MC × Q (Total Cost = Fixed Cost + Marginal Cost × Quantity)

Di era internet tradisional, baik itu mengembangkan sebuah aplikasi, menulis artikel, atau merekam video, biaya utama terkonsentrasi pada tahap awal pengembangan dan produksi, yaitu biaya tetap tinggi (FC). Namun, setelah produk diluncurkan, biaya server dan bandwidth yang ditambahkan untuk melayani pengguna pertama atau satu juta pengguna seringkali sangat kecil, MC mendekati 0.

Biaya marjinal yang sangat rendah ini membuat model bisnis terkait secara alami memiliki efek skala yang sangat kuat. Fitur inti produk digital adalah dapat direplikasi tanpa batas dengan biaya replikasi hampir nol. Setelah pengembangan perangkat lunak selesai dan server terdeploy, biaya marjinal untuk menambah satu pengguna baru hampir dapat diabaikan, hanya menambah beberapa KB ruang penyimpanan dan beberapa KB lalu lintas bandwidth.

Fitur ini membuat ekonomi platform lebih mudah mencapai keunggulan skala: siapa pun yang lebih dulu mencapai titik kritis skala, pendapatan tambahan dapat diubah menjadi laba dengan proporsi lebih tinggi, sehingga menciptakan daya ungkit operasional yang kuat.

Berdasarkan ini, internet berkembang menjadi tiga model bisnis klasik.

Model langganan: Biaya replikasi perangkat lunak sangat rendah, pertumbuhan pengguna langganan secara langsung sejalan dengan pertumbuhan pendapatan. Inilah mengapa pasar modal secara konsisten memberikan valuasi tinggi kepada perusahaan SaaS: setelah melewati titik impas, pertumbuhan laba seringkali jauh melebihi pertumbuhan pendapatan.

Model komisi: Membangun infrastruktur perdagangan, pembayaran, dan pemenuhan, dengan mengambil komisi stabil untuk setiap transaksi tambahan.

Model iklan: Layanan gratis menarik pengguna dalam jumlah besar, lalu menjual perhatian mereka kepada pengiklan. Sebagai contoh iklan pencarian, setelah algoritma pencarian dan sistem iklan dideploy, biaya server tambahan untuk setiap permintaan pencarian baru relatif terbatas, sementara setiap klik iklan tambahan berarti pendapatan tambahan.

Model iklan dapat bertahan dalam jangka panjang bukan hanya karena jumlah pengguna yang banyak, tetapi lebih karena perjalanan pengguna yang cukup panjang. Seorang pengguna dari awal munculnya kebutuhan hingga menyelesaikan pembelian biasanya melewati beberapa tahap, seperti pencarian, menjelajah, membandingkan, menyimpan, berkonsultasi, beralih, dan memesan. Platform dapat menampilkan iklan di halaman hasil pencarian, melakukan promosi di aliran informasi, memperkuat konversi di halaman detail, serta terus memengaruhi keputusan pengguna di tahap retargeting. Nilai iklan pada dasarnya berasal dari intervensi bertahap terhadap perjalanan pengguna.

Platform tidak perlu menanggung biaya layanan penuh untuk setiap keputusan pengguna. Mesin pencari mengarahkan pengguna ke halaman web tertentu, platform sosial mengarahkan pengguna ke akun merek tertentu, platform video pendek mengarahkan pengguna ke ruang siaran langsung tertentu, dan platform e-commerce mengarahkan pengguna ke halaman detail produk tertentu. Platform lebih berperan dalam “menghubungkan informasi dengan perhatian”.

Internet mendistribusikan informasi yang sudah ada, sedangkan AI menghasilkan informasi secara real-time. Perubahan kualitatif dari "menyalin" menjadi "menghasilkan" ini membawa struktur biaya dan logika bisnis yang sama sekali berbeda.

Pertama, biaya inferensi AI bersifat eksplisit, biaya marjinal yang digunakan AI secara signifikan lebih besar dari nol (MC > 0).

Setiap kali model besar menerima atau menghasilkan satu Token, GPU beroperasi dengan kecepatan tinggi, menghabiskan listrik nyata dan biaya penyusutan chip. Semakin besar parameter model, semakin panjang konteks, dan semakin kompleks tugasnya, semakin tinggi biaya inferensi per kali. Biaya untuk satu pertanyaan sederhana, satu riset mendalam, satu pengembangan kode, atau satu operasi lintas perangkat lunak bisa berbeda puluhan hingga ratusan kali lipat. Ekonomi AI Agent tidak hanya memiliki biaya marjinal non-nol, tetapi biaya marjinalnya sendiri sangat heterogen.

Meskipun harga per token sedang turun cepat, ini tidak berarti biaya marjinal akan terus mendekati nol: seiring peningkatan kemampuan agen, jumlah token yang dikonsumsi per tugas sedang naik pesat dari ratusan menjadi puluhan ribu—perencanaan, pemanggilan alat, pembacaan file, validasi mandiri, dan pengulangan gagal semuanya mengonsumsi banyak daya komputasi. Token per unit mengalami deflasi, tetapi setiap tugas mengalami inflasi; selisih antara dua kurva ini membentuk inti ekonomi AI: semakin murah token, semakin berani orang meminta AI melakukan tugas yang lebih berat, sehingga tagihan total justru menjadi lebih besar—ini adalah “Paradoks Jevons” di bidang AI.

Penurunan harga token tunggal bukanlah pergerakan satu arah ke bawah. Menurut data dari Morgan Stanley, harga rata-rata output API model besar buatan domestik pada Q2 2026 naik sekitar 80% dibandingkan Q1 2025, menandakan bahwa industri sedang beralih dari perang harga ke penetapan harga berbasis nilai. Harga itu sendiri juga mulai tersegmentasi: model komoditas terus menurun, sementara model mutakhir justru menaikkan harganya. Model mutakhir ditetapkan harganya berdasarkan nilai, dan biayanya tidak turun sejalan dengan komoditisasi.

Meskipun biaya per unit dapat ditekan melalui berbagai cara seperti batch processing untuk meningkatkan utilisasi GPU, KV cache, klaster inferensi mandiri, dan chip buatan sendiri, penurunan biaya marjinal jauh lebih kecil dibandingkan ekonomi internet dan akan diimbangi oleh peningkatan kedalaman penggunaan. Inilah alasan utama mengapa ChatGPT segera meluncurkan versi berlangganan berbayar setelah jumlah penggunanya meledak.

Sementara itu, biaya tetap berubah dari “sekali bayar” menjadi “berkelanjutan”. Biaya pelatihan tidak lagi merupakan investasi tetap sekali saja, melainkan pengeluaran modal berkelanjutan yang harus dilakukan setiap enam bulan hingga satu tahun untuk mengembangkan model generasi baru. Model besar kini berubah menjadi “aset habis pakai” dengan masa kadaluwarsa 6–12 bulan; jika tidak dilatih ulang secara berkala, model akan cepat usang, dengan biaya pelatihan sekali jalan mencapai puluhan juta hingga miliaran dolar. Sebagai contoh, OpenAI memiliki pendapatan sebesar 13,07 miliar dolar pada tahun 2025, dengan marjin kotor sekitar 43% (perhitungan ini hanya mengurangi biaya komputasi inferensi, sementara biaya komputasi pelatihan yang paling mahal dicatat sebagai pengeluaran R&D), namun pengeluaran R&D-nya mencapai 19,18 miliar dolar, di mana sekitar 10,6 miliar dolar digunakan untuk membayar biaya komputasi pelatihan kepada Microsoft—yang menjadi penyebab utama kerugian mereka.

Oleh karena itu, ekonomi AI Agent memiliki karakteristik berikut: biaya inferensi (biaya variabel) tumbuh linier seiring peningkatan penggunaan dan sangat bervariasi; biaya infrastruktur dan sumber daya manusia (biaya semi-fiks) meningkat secara "bertahap" seiring pertumbuhan jumlah pengguna—ketika jumlah pengguna melewati ambang tertentu, perusahaan harus menambah sejumlah server GPU; sementara itu, biaya riset dan pengembangan (yaitu biaya pelatihan model) sangat besar. Biaya-biaya ini saling bertumpuk, membuat perusahaan AI selalu berada di jalur reinvestasi seluruh laba, tanpa adanya titik manis seperti di industri internet di mana laba tumbuh eksponensial setelah melewati titik impas.

Logika biaya ini juga membentuk ulang sumber daya kompetitif industri: hambatan inti internet adalah efek jaringan, semakin banyak pengguna, semakin mudah produk digunakan; sementara hambatan agen bergeser dari efek jaringan rantai hubungan menjadi roda data dan biaya peralihan. Hambatan baru berasal dari konteks yang terakumulasi—memori pengguna, preferensi, file, alur kerja, dan data yang diotorisasi. Semakin lama digunakan, semakin tinggi tingkat penyesuaian agen terhadap pengguna, dan semakin besar biaya migrasi untuk berganti penyedia layanan. Internet mengunci rantai hubungan pengguna, sementara agen mengunci konteks kerja pengguna; inilah alasan utama mengapa industri saling berebut posisi masuk: yang diperebutkan bukan hanya lalu lintas, tetapi juga akumulasi awal konteks.

Jelas, kita perlu melihat ekonomi AI Agent dengan logika yang berbeda: platform internet berebut "titik masuk pengguna", sementara platform AI Agent berebut "titik masuk tugas".

Jika unit dasar ekonomi internet adalah "paparan/klik", maka unit dasar ekonomi AI Agent adalah "tugas". Klik hanya menunjukkan bahwa pengguna memasuki halaman tertentu, sedangkan tugas berarti pengguna mempercayakan AI untuk menyelesaikan tujuan tertentu—Agent perlu memahami tujuan tersebut, memecah tugas, memanggil alat, membaca file, mengoperasikan perangkat lunak, memverifikasi hasil berulang kali, dan jika diperlukan, meminta otorisasi dari pengguna. Hal ini membuat struktur biaya AI Agent lebih mirip dengan "karyawan digital" daripada "media digital".

Dulu, pengguna membuka mesin pencari dan bertanya, "Perusahaan dekorasi rumah mana yang bagus?", dan mesin pencari mengembalikan hasil berupa halaman web, iklan, dan peta; sekarang, pengguna mungkin langsung berkata kepada Agent: "Bantukan saya menyaring tiga perusahaan dekorasi rumah yang dapat dipercaya, bandingkan penawaran, reputasi, dan jaminan konstruksi, serta atur janji komunikasi untuk saya." Nilai bisnis dari pendekatan pertama berasal dari eksposur dan klik, sedangkan nilai bisnis dari pendekatan kedua berasal dari penyelesaian tugas dan agensi pengambilan keputusan. Iklan tidak lagi hanya muncul sebagai informasi di halaman, tetapi akan menjadi pilihan, sumber data, sumber tepercaya, atau antarmuka transaksi dalam proses pengambilan keputusan Agent, serta membantu pengguna menyelesaikan tugasnya secara akhir.

Perusahaan model tidak hanya menyediakan kemampuan dasar, tetapi akan menjadi sistem operasi tugas generasi baru. Baik pabrikan asli AI maupun perusahaan besar komprehensif, semuanya sedang berkembang dari "model besar" menuju "platform Agent", dan secara serentak meluncurkan serangkaian produk seperti Claude Cowork, Codex, Workbuddy — siapa yang menguasai titik masuk tugas pengguna, akan menentukan urutan pemanggilan alat, prioritas sumber data, logika rekomendasi bisnis, dan siklus transaksi.

“Meskipun mengetahui ekonomi perusahaan negatif, tetap harus menghabiskan uang untuk merebut akses” adalah taruhan strategis paling inti di industri saat ini, sekaligus sumber kontroversi valuasi. Karena di balik akses bukan hanya jumlah pengguna, bukan hanya jumlah percakapan, tetapi kendali atas distribusi tugas masa depan, rekomendasi bisnis, dan siklus transaksi.

Perubahan logika ini juga pasti membawa tren lain: lapisan.

Produk internet mengejar standarisasi ekstrem, dengan satu kode yang melayani semua pengguna, agar dapat memaksimalkan keunggulan biaya marjinal nol. Sebaliknya, AI Agent secara alami cocok untuk penyediaan berlapis—biaya untuk tugas dengan tingkat kompleksitas berbeda sangat bervariasi, biaya jawaban sederhana dan penalaran kompleks bisa berbeda puluhan hingga ratusan kali lipat. Oleh karena itu, perusahaan AI akan meluncurkan produk dalam berbagai tingkatan: versi gratis menggunakan model kecil dengan batasan penggunaan; versi bayar dasar menggunakan model menengah; versi lanjutan menggunakan model terkuat; dan versi khusus perusahaan menyediakan penempatan dan optimasi eksklusif.

Harga bertingkat ini pada dasarnya mengklasifikasikan biaya berdasarkan nilai, di mana nilai sejalan dengan biaya. Semakin kuat kemampuan yang diperoleh pengguna, semakin tinggi biaya yang harus dikeluarkan. Oleh karena itu, ekosistem AI Agent akan berkembang menjadi "ekonomi dual-speed": kecerdasan yang tertinggal setengah generasi harganya sangat rendah (open source + subsidi perusahaan besar, menjadi infrastruktur seperti listrik, air, dan gas), sementara kecerdasan terdepan selalu mahal (model terkuat selalu berada di ujung paling mahal dari kurva biaya). Kecerdasan gratis adalah kecerdasan "kemarin", sedangkan kecerdasan berbayar adalah kecerdasan "hari ini".

Dampak paling mendalam dari ekonomi agen AI terhadap ekonomi tradisional bukanlah munculnya kelas produk AI baru di pasar, melainkan titik masuk pengguna yang sebelumnya tersebar di situs web, aplikasi, dan perangkat lunak sedang direbut kembali oleh lapisan agen tugas baru. Produsen ponsel, Super App, dan lainnya masing-masing sedang mengembangkan agen mereka sendiri, sehingga titik masuk belum terpadu, malah semakin terfragmentasi. Di masa lalu, kolam keuntungan internet terbentuk di sekitar “di mana lalu lintas melewati”, sedangkan di masa depan, kemungkinan besar akan dialokasikan ulang di sekitar “siapa yang mengatur dan menyelesaikan tugas”.

Pertama yang diubah adalah hak masuk dan distribusi.

Di era internet, mesin pencari, toko aplikasi, platform konten, dan super-app menguasai titik masuk, dan perusahaan bersaing untuk peringkat, posisi rekomendasi, dan durasi penggunaan. Namun, setelah munculnya Agent, pengguna tidak lagi perlu membuka aplikasi satu per satu: memesan tiket pesawat, mencari pemasok, menganalisis data, atau membalas email, semuanya dapat dimulai dari satu titik masuk tugas yang sama. Situs web dan aplikasi tidak akan hilang, tetapi semakin sering berubah menjadi sumber data, alat, dan antarmuka pelaksanaan di balik Agent.

Ini berarti kekuatan platform baru tidak lagi hanya tentang “mengarahkan pengguna ke mana”, tetapi menentukan bagaimana tugas diselesaikan: memanggil model mana, perangkat lunak mana, pedagang mana, dan rangka data mana. Sebagian “pajak distribusi” yang sebelumnya dikuasai oleh mesin pencari, toko aplikasi, dan platform lalu lintas mungkin secara bertahap berpindah ke platform Agent.

Ada dampak halus namun sangat penting: AI Agent sedang secara signifikan memperpendek perjalanan pelanggan, sehingga mempersempit ruang bagi bisnis iklan.

Dulu, pengguna perlu mencari sepuluh kali, membandingkan beberapa halaman web dan platform, sebelum memasuki tahap transaksi; namun dalam skenario AI, pengguna mungkin hanya perlu bertanya secara berurutan 3-5 kali untuk menyelesaikan penyaringan informasi, perbandingan solusi, dan keputusan pembelian. Semakin tinggi niat, semakin kuat keputusan, dan semakin besar perbandingan dalam suatu industri, semakin mudah logika distribusi diubah oleh AI. Pengguna tidak lagi perlu berpindah-pindah secara berulang antara hasil pencarian, halaman konten, dan halaman utama penjual, melainkan langsung menyerahkan tugas pengambilan keputusan kepada AI. Pada saat ini, titik di mana iklan dapat ikut campur akan berkurang, dan pengaruh iklan tradisional juga akan melemah.

Yang benar-benar sulit adalah iklan dalam jawaban AI harus sangat jelas terlihat. Di masa lalu, iklan dapat disisipkan dalam berbagai tahap perjalanan pengguna, seperti peringkat pencarian, konten asli aliran informasi, rekomendasi influencer, dan konten merek. Namun, dalam jawaban AI, setiap rekomendasi komersial yang halus, tersembunyi, atau tidak secara eksplisit ditandai akan langsung merusak kepercayaan pengguna terhadap objektivitas platform. Semakin AI terasa seperti agen yang membuat keputusan atas nama pengguna, semakin sedikit toleransi pengguna terhadap pengaruh kepentingan komersial yang tidak transparan.

Dampak lapisan kedua akan segera terjadi pada platform dan ekonomi perantara.

Platform transaksi seperti belanja, perjalanan, pesan antar makanan, dan kehidupan lokal pada dasarnya membantu pengguna mencari, membandingkan, dan menghubungkan transaksi, dan ini adalah bagian yang paling mudah diotomatisasi oleh Agent. Lapisan perantara yang hanya menyediakan "daftar informasi" akan terkompresi, sementara yang benar-benar sulit digantikan akan menjadi pasokan eksklusif, pembayaran, kredit, logistik, layanan purna jual, dan pemenuhan offline.

Ketahanan platform perdagangan akan berpindah dari "berapa banyak lalu lintas yang saya miliki" menjadi "berapa banyak pasokan nyata dan kemampuan eksekusi yang tidak dapat digantikan oleh Agent yang saya kuasai".

Bagi perusahaan besar yang memiliki rantai transaksi tertutup, AI dalam jangka pendek memang akan memberikan dampak terhadap bisnis iklan dan transaksi yang ada, tetapi dalam jangka panjang, partisipasi AI Agent akan menjadi penguat bisnis baru. Platform yang menguasai permintaan pengguna serta pasokan, transaksi, pembayaran, pemenuhan, dan layanan purna jual dari pedagang dapat menyusun ulang nilai bisnis secara holistik: pedagang mengiklankan di platform e-commerce → menghasilkan GMV lebih tinggi → AI secara prioritas menampilkan merek dengan GMV tinggi, ulasan positif, dan pemenuhan stabil → merek mendapatkan siklus transaksi tertutup dalam skenario AI → platform juga meningkatkan nilai iklan, nilai transaksi, dan nilai distribusi AI secara bersamaan.

Batas kunci di sini adalah AI tidak boleh mengenakan biaya iklan yang terlalu tinggi seperti platform iklan tradisional. Jika AI terlalu banyak mengenakan biaya, ia akan merusak aset paling intinya: objektivitas dan kepercayaan pengguna. Pendekatan yang lebih masuk akal adalah mengenakan biaya layanan teknis sebesar persentase tertentu, dengan tarif yang sejajar dengan tingkat industri, biasanya antara 1%-10%, yang主要用于 menutupi biaya komputasi, panggilan, dan layanan.

Tingkat ketiga, dan perubahan yang lebih mendalam, adalah batas antara ekonomi perangkat lunak dan ekonomi jasa mulai kabur.

SaaS tradisional (termasuk perangkat lunak) pada dasarnya tetap merupakan alat. Salesforce menyediakan sistem CRM, tetapi yang benar-benar memelihara hubungan pelanggan adalah tenaga penjualan; Adobe menyediakan perangkat lunak desain, tetapi yang benar-benar menyelesaikan desain adalah desainer; perangkat lunak keuangan bertanggung jawab atas pencatatan data, tetapi analisis dan pengambilan keputusan tetap dilakukan oleh manusia. Oleh karena itu, model bisnis SaaS secara historis berpusat pada "kursi (Seat)": perusahaan membeli sejumlah akun sesuai dengan jumlah karyawan yang menggunakan perangkat lunak. Baru-baru ini, pembayaran berdasarkan penggunaan mulai muncul, dan model pencampuran telah menjadi standar, tetapi model kursi masih umum digunakan dalam perangkat lunak kolaboratif.

AI Agent mengubah asumsi ini.

Ketika perangkat lunak mulai mampu membaca data sendiri, menentukan tindakan selanjutnya, dan menjalankan tugas, perusahaan tidak lagi membeli hanya “perangkat lunak yang digunakan oleh satu karyawan”, tetapi mungkin kemampuan langsung untuk menyelesaikan tugas. Sebuah AI Agent dapat secara bersamaan mengoperasikan CRM, ERP, BI, sistem email, dan layanan pelanggan; proses yang sebelumnya memerlukan banyak orang bekerja di berbagai perangkat lunak kini diringkas menjadi satu panggilan tugas. Pada titik ini, logika pertumbuhan “semakin banyak karyawan, semakin banyak seat, pendapatan SaaS semakin tinggi” akan menghadapi tantangan.

Lebih penting lagi, SaaS itu sendiri dapat mengalami lapisan: lapisan bawah adalah "Sistem Pencatat" yang menyimpan data inti seperti pelanggan, pesanan, keuangan, dan stok; lapisan atas muncul sebagai "Kemampuan" yang bertanggung jawab memahami kebutuhan, memanggil sistem, dan menyelesaikan tugas.

Di masa lalu, keduanya diwadahi dalam antarmuka perangkat lunak yang sama, tetapi di masa depan mungkin akan terpisah. Perangkat lunak yang menguasai data inti, otoritas, kepatuhan, dan aturan bisnis masih memiliki hambatan yang kuat; sementara perangkat lunak yang nilai utamanya berasal dari antarmuka, proses, dan enkapsulasi fungsional menghadapi risiko besar—jika Agent mengambil alih lapisan interaksi, mereka bisa berubah dari perangkat lunak yang dibuka pengguna setiap hari menjadi antarmuka yang dipanggil di latar belakang Agent.

Sebaliknya, ini juga akan menyebabkan pasar perangkat lunak pertama kali menyerbu secara besar-besaran ke sektor jasa tradisional. Di masa lalu, perusahaan perangkat lunak bersaing untuk anggaran TI perusahaan, tetapi di masa depan, perusahaan agen AI akan menargetkan biaya tenaga kerja, anggaran outsourcing, dan anggaran layanan profesional yang jauh lebih besar. Layanan pelanggan, penelitian dasar, operasi penjualan, penyaringan rekrutmen, pemrosesan keuangan, bahkan sebagian pekerjaan konsultasi, semuanya berpotensi berpindah dari “membeli waktu manusia” menjadi “membeli tugas yang diselesaikan mesin.” Batas pasar perangkat lunak karenanya mulai mengikis dari “anggaran digital (Software Spend)” menuju “anggaran tenaga kerja (Labor Spend).”

Ekonomi internet selama dua dekade terakhir: lebih banyak pengguna berarti lebih banyak lalu lintas, lebih banyak lalu lintas berarti lebih banyak pendapatan iklan, transaksi, dan langganan, sementara biaya tambahan pengguna baru tidak meningkat secara signifikan. "Fokus pada pertumbuhan basis pengguna terlebih dahulu, baru cari cara monetisasi" menjadi rumus pertumbuhan paling klasik di era internet.

Agen AI sedang mengakhiri hubungan linier sederhana ini.

Karena yang disediakan oleh AI Agent bukan lagi sekadar informasi, tetapi benar-benar mengonsumsi sumber daya komputasi, memanggil alat eksternal, dan menyelesaikan tugas. Semakin banyak pengguna, tidak selalu berarti keuntungan lebih tinggi; semakin kompleks tugasnya, bahkan bisa berarti biaya tumbuh lebih cepat. Yang sebenarnya perlu dihitung oleh perusahaan bukan lagi hanya DAU, tingkat retensi, dan durasi pengguna, tetapi berapa biaya untuk menyelesaikan satu tugas, berapa banyak yang bersedia dibayar pengguna untuk hasil tersebut, dan berapa banyak nilai yang dapat dipertahankan platform.

Hal yang benar-benar langka di era AI sedang berubah.

Di era internet, yang langka adalah lalu lintas, sehingga perusahaan saling bersaing untuk menarik perhatian pengguna; di era AI Agent, yang mungkin benar-benar langka adalah tugas bernilai tinggi, serta data, izin, alat, dan kemampuan eksekusi yang diperlukan untuk menyelesaikan tugas-tugas tersebut.

Agen AI bukanlah bentuk produk berikutnya di internet, tetapi sedang mengubah satuan transaksi paling mendasar dalam ekonomi digital. Yang dijual oleh Agen, adalah kemampuan untuk menyelesaikan tugas.

Ketika unit dasar ekonomi berubah dari "klik" menjadi "tugas", dan dari "menggunakan alat" menjadi "menyerahkan hasil", model bisnis, kekuatan platform, dan distribusi keuntungan yang dibangun selama dua dekade terakhir berdasarkan lalu lintas pasti akan mengalami penyegaran ulang.

Artikel ini berasal dari akun WeChat "Research Institute of Tencent" (ID: cyberlawrc), penulis: Kelompok Riset Ekonomi AI