Evolusi Industri AI Memasuki 'Zona Diferensiasi' karena Desain Dominan Tertinggal

Artikel ini sekitar 18.000 kata, dengan struktur inti sebagai berikut:

• Penilaian intuitif atau abstrak terhadap perkembangan AI mungkin sulit untuk secara efektif membimbing pengambilan keputusan

• Dua alat analisis evolusi industri klasik (Utterback + Klepper)

• Analisis menggunakan kerangka penggabungan: Tahap apa yang sedang dialami industri AI saat ini?

• Pertanyaan baru yang harus ditanyakan: Bagaimana ritme masa depan?

• Skala waktu evolusi industri AI: dari era manufaktur ke era digital

• Koordinat waktu transformasi AI (prediksi)

• Verifikasi terbalik dengan tren terbaru

Buka ponsel Anda, hampir setiap hari informasi tentang AI membanjiri Anda: model tertentu baru saja dirilis, performanya sekali lagi melampaui sebelumnya; perusahaan tertentu mendapatkan pendanaan baru, valuasi mencapai rekor tertinggi; jumlah pengguna platform tertentu melampaui rekor baru; di peringkat tertentu, pemimpin kemarin hari ini sudah disalip. Kepadatan dan kecepatan informasi jauh melebihi setiap transformasi teknologi sebelumnya.

Masuk ke WAIC yang baru berakhir pada Juli, perasaan ini terus berlanjut. Di lokasi acara, penuh dengan data yang terus diperbarui, kinerja yang terus melampaui, parameter teknis dan bentuk produk yang terus diperbarui; dari laboratorium mutakhir, perusahaan besar, startup, hingga pemain industri tradisional, produsen perangkat akhir, dan lembaga penelitian, semakin banyak perusahaan dengan berbagai jenis bergabung secara intensif ke dalam revolusi teknologi industri yang besar ini.

Informasi yang begitu padat dan partisipan yang begitu banyak secara alami akan menimbulkan dua reaksi yang mudah muncul.

Salah satunya adalah kecemasan—apakah saya tertinggal? Apakah perusahaan saya sedang melewatkan sesuatu? Jika tidak bertindak minggu ini, apakah minggu depan sudah terlambat?

Cara lain adalah menilai dorongan—siapa yang sudah menang? Siapa yang sudah keluar? Apakah pola industri ini sudah hampir tetap?

Dua reaksi tersebut pada dasarnya berasal dari satu pertanyaan yang sama: Industri AI saat ini berada pada tahap apa? Dan bagaimana kita dapat membuat penilaian yang rasional?

Saat ini juga ada beberapa pernyataan populer—misalnya, "AI telah memasuki tahap baru." Berdasarkan perspektif masing-masing, penilaian ini memiliki dasar dan keabsahan tersendiri. Namun, bagi para pengambil keputusan perusahaan yang perlu membuat keputusan strategis yang ketat, ada pertanyaan yang lebih mendasar yang perlu dijawab terlebih dahulu—dengan dasar apa kita menyimpulkan bahwa tahap sebelumnya telah berakhir? Dengan dasar apa kita yakin bahwa AI telah memasuki tahap baru? Apa ciri-ciri spesifiknya? Apa hukum internalnya? Dan tahapan siklus lengkapnya terdiri dari apa saja? Pertanyaan-pertanyaan ini memerlukan kerangka analisis yang lebih ketat dan ilmiah untuk menghasilkan kesimpulan yang lebih dapat dipercaya—ini adalah masalah yang sering diabaikan dalam transformasi AI saat ini, namun bisa berdampak besar. Karena kesalahan dalam menilai tahap industri akan secara langsung memengaruhi arah, ritme, dan prioritas investasi sumber daya—jika tahapnya salah dikenali, semua tindakan kemungkinan besar akan menyimpang.

Dalam diskusi AI saat ini, sejumlah akademisi telah mulai menganalisis dan menilai tahap industri ini, di mana artikel panjang oleh Profesor Harvard Business School, Karim Lakhani, berjudul "From Ferment to Dominant Design" yang diterbitkan di Substack pribadinya pada Maret 2026 merupakan salah satu upaya yang paling representatif. Ia memanfaatkan alat analisis yang dibangun selama puluhan tahun oleh dua akademisi terkemuka di bidang penelitian inovasi industri—James Utterback (Massachusetts Institute of Technology) dan Steven Klepper (Carnegie Mellon University)—yang didasarkan pada data historis lengkap dari beberapa industri, untuk menilai tahap persaingan model AI besar, serta mengemukakan beberapa observasi orisinal (yang akan dijelaskan lebih lanjut). Kesimpulan utamanya adalah: AI saat ini berada di tahap akhir fluiditas, desain dominan belum ditetapkan; tatanan industri harus dipandang sebagai pertanyaan yang masih terbuka, bukan sebagai kesimpulan yang sudah diberikan. Ini sejalan dengan arah artikel ini, dan merupakan salah satu sumber pandangan penting yang diadopsi penulis dalam menyusun kerangka ini.

Artikel ini akan mengembangkan secara lengkap kerangka klasik dari dua akademisi, mengeksplorasi kerangka analisis yang diperluas untuk era digital/AI, serta menggabungkan data dan kemajuan industri terbaru tahun 2026, terlebih dahulu menilai secara ketat tahap perkembangan industri AI saat ini, lalu mengajukan pertanyaan penting bagi para pengambil keputusan perusahaan yang belum dijawab oleh Profesor Lakhani: Menurut pola umum evolusi industri, seberapa cepat ritme berikutnya akan terjadi hingga desain dominan terbentuk dan pergantian mendalam muncul?

Ini adalah "skala waktu evolusi industri AI" yang dibahas dalam artikel ini—di mana kita berada, dan bagaimana ritme masa depan.

Dua alat klasik ini merupakan aset akademis publik paling berpengaruh di bidang penelitian inovasi industri. Nilainya bukan terletak pada teori abstrak, tetapi pada pola-pola yang disimpulkan dari sejumlah besar data historis dan telah diuji secara empiris berulang kali.

Tiga tahap evolusi industri Utterback: Dari sudut pandang "dimensi produk"

James Utterback adalah profesor di MIT Sloan School of Management dan salah satu pelopor dalam bidang inovasi industri dan evolusi teknologi. Bersama William Abernathy, penelitian klasik mereka pada tahun 1975 mengamati sejarah evolusi teknologi pada puluhan industri manufaktur, dan dalam buku komprehensif mereka tahun 1994, "Mastering the Dynamics of Innovation", mereka merumuskan pola yang konsisten mengejutkan: evolusi teknologi hampir semua industri mengikuti urutan tiga tahap yang dapat diidentifikasi.

Fase Cair (Fluid Phase) —— Semua orang sedang mencoba. Masih belum ada jawaban tentang seperti apa produk yang seharusnya, apa yang benar-benar diinginkan pelanggan, atau apa yang disebut "cukup baik". Berbagai desain ada bersaing, hambatan masuk rendah, dan inovasi terfokus pada tingkat produk. Pertanyaan intinya: Produk seharusnya seperti apa?

Fase transisi — beberapa pilihan desain mulai stabil, dan sebuah desain dominan muncul. Fokus inovasi berpindah dari "produk seharusnya seperti apa" menjadi "bagaimana membuat produk lebih murah, lebih andal, dan lebih terskalakan"—dari inovasi produk beralih ke inovasi proses. Pertanyaan intinya menjadi: apa yang paling diutamakan oleh pelanggan?

Tahap Spesifik — desain produk telah pada dasarnya tetap, persaingan beralih ke efisiensi — siapa yang dapat melakukan dengan lebih murah, lebih andal, dan lebih berskala. Inovasi menjadi bertahap, industri sangat terkonsentrasi. Masalah inti menjadi: siapa yang dapat menyampaikan dengan lebih andal, lebih murah, dan lebih berskala?

Wawasan kunci model ini adalah: dalam tiga tahap, "siapa yang memimpin" sama sekali berbeda. Kemampuan pemenang di tahap aliran (eksperimen, kecepatan, imajinasi, toleransi terhadap kesalahan) sangat berbeda dengan kemampuan pemenang di tahap spesialisasi (skala, biaya, disiplin, keandalan). Sebuah perusahaan yang memimpin di tahap aliran tidak berarti memiliki kemampuan untuk terus memimpin di tahap spesialisasi—ini juga merupakan alasan mendasar mengapa banyak pelaku yang memimpin pada masa perubahan industri akhirnya tersingkir.

Satu hal lagi adalah: Utterback kemudian bersama Suárez (1993) menunjukkan bahwa evolusi industri tidak selalu melewati ketiga tahap tersebut—beberapa industri akhirnya membentuk desain dominan (lintasan A), sementara yang lain mungkin tetap bertahan lama dalam keadaan banyak lintasan yang berdampingan (lintasan B).

2.1.1 Konsep Kunci: Apa itu "desain dominan", dan apakah masih ada di era AI?

Dalam tiga tahap tersebut, Dominant Design adalah konsep paling inti, sehingga perlu dijelaskan lebih lanjut.

Desain dominan bukanlah "produk satu perusahaan yang menang", melainkan "kombinasi teknologi dan bentuk produk tertentu yang menjadi standar de facto seluruh industri". Setelah ditetapkan, peserta baru yang ingin bersaing harus beroperasi berdasarkan desain ini—produk yang menyimpang darinya hampir pasti akan terpinggirkan.

Contoh paling klasik adalah Ford Model T tahun 1908—yang menetapkan bukan "mereka yang menang adalah merek Ford", melainkan kombinasi "mesin pembakaran dalam bensin + mesin depan + penggerak roda belakang + produksi jalur perakitan" sebagai jawaban baku selama beberapa dekade berikutnya dalam industri otomotif. Sejak itu, semua produsen mobil bersaing dalam kerangka desain dominan ini untuk menentukan siapa yang membuatnya lebih baik, bukan lagi menantang "seperti apa seharusnya mobil itu".

Setelah desain dominan ditetapkan, aturan permainan industri berubah secara diam-diam: fokus inovasi bergeser dari "produk seharusnya seperti apa" menjadi "bagaimana membuat produk lebih murah, lebih andal, dan lebih terskalakan"—dari inovasi produk beralih ke inovasi proses. Ini juga merupakan titik belok paling krusial antara periode transisi dan periode spesialisasi.

Pertanyaan alami berikutnya: Masih adakah desain dominan di era AI?

Saya berpendapat: jawabannya ya, tetapi bentuknya akan berbeda dari era manufaktur. Selama industri membutuhkan pengiriman skala besar, kolaborasi ekosistem, dan stabilitas ekspektasi pengguna, pasti akan muncul semacam "standar de facto"—ini adalah persyaratan ekonomi dalam operasi industri. Meskipun kecepatan di era internet lebih cepat, tetap muncul desain dominan bertingkat seperti TCP/IP, HTTP, HTML, dan kernel Chromium.

Namun, desain dominan di era AI kemungkinan besar adalah "berlapis, banyak, dan dapat dikombinasikan"—bukan lagi "satu bentuk produk yang menguasai seluruh pasar", melainkan munculnya standar faktual di berbagai lapisan teknologi stack, yang saling terhubung melalui antarmuka dan protokol.

Dengan kata lain, desain dominan di era AI mungkin bukan "mobil T berikutnya", tetapi lebih mirip lapisan protokol berjenjang seperti "TCP/IP + HTTP + HTML" — setiap lapisan stabil sendiri dan berkolaborasi melalui antarmuka standar. MCP (Model Context Protocol), jaringan A2A (Agent-to-Agent), dan spesifikasi pemanggilan API de facto yang mulai muncul saat ini semuanya kemungkinan merupakan cikal bakal dari "desain dominan generasi berikutnya". Desain dominan tidak hilang, ia hanya mengubah bentuk penyajiannya.

2.1.2 Verifikasi data historis

Keandalan model tiga tahap Utterback, berasal dari akurasi dalam menggambarkan proses penetapan desain dominan:

• Industri otomotif: Setelah model Ford T pada tahun 1908 menetapkan desain dominan, industri otomotif dengan cepat berpindah dari periode aliran ke periode transisi.

• Industri televisi: Pada awalnya, televisi hitam-putih dan berbagai skema warna coexist; setelah standar televisi warna NTSC ditetapkan pada tahun 1953, memasuki masa transisi.

• Komputer pribadi: Pada akhir 1970-an, muncul berbagai arsitektur seperti Apple II, TRS-80, dan Commodore, hingga pada tahun 1981 arsitektur IBM PC + aliansi Wintel muncul, menetapkan desain dominan.

• Ponsel pintar: Sebelum peluncuran iPhone pada tahun 2007, pasar memiliki berbagai desain seperti BlackBerry, Nokia Symbian, dan Windows Mobile. Setelah kombinasi iPhone + iOS/Android menjadi desain dominan, jalur lainnya dengan cepat keluar dari pasar utama.

Ciri umum: semuanya mengalami periode aliran dengan banyak jalur yang ada secara bersamaan, kemudian kombinasi tertentu menjadi desain dominan. Konsistensi pola ini merupakan dasar empiris model Utterback.

2.2 Dinamika populasi industri Klepper: Dari perspektif "dimensi perusahaan"

Steven Klepper adalah profesor ekonomi di Universitas Carnegie Mellon dan ahli terkemuka dalam penelitian organisasi industri dan evolusi perusahaan. Sejak tahun 1982, Klepper bekerja sama dengan Michael Gort untuk memperkenalkan model matematis pertama dalam ekonomi industri mengenai siklus hidup industri (dikenal secara akademis sebagai model G-K), dan kemudian menerbitkan serangkaian penelitian mendalam secara mandiri. Berdasarkan studi sistematis terhadap data historis puluhan tahun dari berbagai industri, Klepper menemukan pola konsisten dalam masuk dan keluarnya perusahaan selama proses pengembangan:

Masuk ke tren naik → Jumlah perusahaan mencapai puncak → Perombakan besar → Beberapa perusahaan terkemuka mendominasi.

Dasar empiris pola ini adalah pelacakan lengkap terhadap asal, lokasi, dan tahun produksi setiap perusahaan yang memasuki industri otomotif Amerika Serikat dari tahun 1895 hingga 1966. Datanya adalah:

Ada sebuah paradoks yang menakjubkan:

Dari puncak hingga integrasi mendalam pada tahun 1960-an memakan waktu sekitar 50-60 tahun, tetapi selama periode tersebut, produksi mobil tahunan AS meningkat ratusan kali lipat menurut skala logaritmik. Dengan kata lain, industri menjadi sangat besar, sementara jumlah perusahaan menjadi sangat sedikit. Industri tidak berjuang, ia berkembang pesat; yang mati adalah yang lemah, bukan permintaan.

Klepper juga menguji pola yang sama di berbagai industri, menjadikan bentuk "naik-puncak-turun" ini bukan lagi kasus khusus industri otomotif—industri televisi (lebih dari 80 peserta pada awal 1950-an, diikuti oleh konsolidasi relatif cepat), mesin ketik, tabung vakum, ban, penisilin, dan lainnya menunjukkan bentuk dasar yang sama. Ini memberikan dasar empiris yang kuat bagi teori Klepper.

2.2.1 Teori kunci: Teori Komposit Perbedaan Kemampuan

Klepper menjelaskan fenomena di atas dengan sebuah teori—teori kompleksitas perbedaan kemampuan:

Shuffling is not a sudden judgment by the market, but an inevitable result of compounded differences in corporate capabilities over time.

Perbedaan antara perusahaan dalam hal inovasi, pertumbuhan, dan kemampuan mengurangi biaya akan diperbesar secara eksponensial seiring waktu, hingga yang lemah melewati garis kelangsungan hidup. Teori ini memiliki tiga poin kunci:

Pertama, perbedaan kemampuan sering kali berasal dari kebetulan awal. Dalam beberapa tahun pertama memasuki industri, kemampuan masing-masing perusahaan sebenarnya hampir sama, tetapi karena satu atau dua pilihan berbeda dalam keputusan kunci, tenaga kerja kunci, atau peluang kunci, perbedaan kemampuan antar perusahaan mulai muncul. Perbedaan ini pada awalnya hampir tidak terlihat.

Kedua, perbedaan kemampuan akan memperkuat diri sendiri dan memperbesar secara eksponensial. Perusahaan yang sedikit lebih unggul memperoleh pangsa pasar yang lebih besar → lebih banyak sumber daya dan peluang belajar → kemampuan semakin memimpin—ini adalah siklus umpan balik positif. Perusahaan yang sedikit lebih lemah justru terjebak dalam umpan balik negatif yang berlawanan. Bertahun-tahun berlalu, perbedaan awal yang "sepele" telah terakumulasi menjadi jurang yang "tak bisa dikejar".

Ketiga, ketika perbedaan terakumulasi hingga mencapai "perbedaan kritis", yang lemah akan terdorong keluar. Benih eliminasi telah ditanam sejak awal periode likuiditas—secara tampak, semua orang sedang berlari, tetapi sebenarnya kecepatan komposit dasar mereka sama sekali berbeda.

Penelitian di atas menghasilkan kesimpulan yang patut menjadi peringatan bagi manajer perusahaan: menunggu laporan keuangan memburuk baru mulai memperhatikan pembangunan kapasitas sudah terlambat; menunggu sinyal perubahan yang terlihat muncul baru memulai peningkatan kapasitas, jendela peluang sudah tertutup. Yang benar-benar menentukan siapa yang bisa melewati perubahan adalah apakah perusahaan sejak awal telah menjadikan "tingkat komposit kapasitas" sebagai variabel strategis paling penting.

2.2.2 Observasi penting lain yang tidak intuitif: Jendela masuk ditutup lebih awal daripada sinyal shuffle

Selain teori kompleksitas perbedaan kemampuan, Klepper juga memiliki pengamatan yang kontra-intuitif namun sangat penting—jendela masuk industri tutup lebih awal daripada sinyal reshuffle.

Kembali ke data industri otomotif: Setelah jumlah perusahaan mencapai puncaknya pada 1907-1910, tingkat entri perusahaan baru menurun tajam setelah 1910—pada saat itu belum ada sinyal jelas tentang konsolidasi, industri masih tumbuh pesat, dan media belum mulai melaporkan berita tentang "perusahaan tertentu keluar". Konsolidasi yang benar-benar jelas (jumlah perusahaan terus menurun selama beberapa dekade) baru dimulai setelah tahun 1920. Artinya:

• Sekitar tahun 1910—dari luar tampak masih "pemandangan makmur, setiap rumah sedang membuat mobil", tetapi jendela peluang bagi pendatang baru sebenarnya sudah mulai tertutup (jumlah pemain baru yang benar-benar ingin masuk semakin sedikit)

• Tahun 1920-1960—Sinyal pengocokan mulai muncul, media mulai melaporkan integrasi, barulah pada saat itu pengamat umum menyadari "Oh, industri sedang mengintegrasikan"

• Ketika para pengamat menyadari, jendela masuk telah tertutup selama 10-15 tahun penuh.

Observasi ini memiliki implikasi nyata yang kuat: perusahaan tidak bisa menunggu hingga muncul "sinyal perubahan yang terlihat" sebelum memutuskan apakah akan memasuki industri atau lapisan tertentu—karena ketika sinyal tersebut muncul, jendela peluang sudah tertutup. Penilaian masuk yang benar-benar bijak harus sudah dilakukan saat "permukaan masih makmur dan semua orang sedang masuk," dengan melakukan penilaian independen terhadap "apakah jendela sedang tertutup."

Observasi ini akan dipanggil kembali saat membahas koordinat waktu AI—jendela masuk model AI besar mungkin tutup lebih awal dari yang diperkirakan sebagian besar pengamat.

2.3 Kedua alat masing-masing memiliki celah, penggunaan gabungan lebih membantu dalam membentuk penilaian tahap industri yang ilmiah.

Kedua alat tersebut, jika digunakan secara terpisah, memiliki celah yang jelas—Utterback memberi tahu Anda "bagaimana desain produk berkembang", tetapi tidak memberi tahu Anda perusahaan mana yang akan bertahan; Klepper memberi tahu Anda "bagaimana perusahaan tersingkir", tetapi tidak memberi tahu Anda bagaimana perkembangan produk akan berubah. Hanya menggunakan satu alat, Anda hanya melihat separuh gambaran evolusi industri.

Evolusi lengkap suatu industri, yang mencakup dua proses: "konvergensi desain teknis" dan "perombakan populasi perusahaan"—proses pertama dapat dijawab dengan alat Utterback, sedangkan yang kedua dapat dijawab dengan alat Klepper. Kedua proses ini saling terkait tetapi tidak sepenuhnya sinkron—penetapan desain dominan biasanya terjadi setelah jumlah perusahaan mencapai puncaknya, sebelum perombakan mempercepat.

Industri otomotif berjalan seperti ini: jumlah perusahaan mencapai puncaknya sebanyak 275 pada tahun 1907-1910, model Ford T menetapkan desain dominan pada tahun 1908, tingkat entri menurun tajam setelah 1910, dan total jumlah perusahaan mulai berkurang drastis setelah 1920. Dua proses ini saling memengaruhi dan bersama-sama mendefinisikan ritme lengkap evolusi industri.

Menggabungkan dua alat ini berarti melihat industri dari sudut pandang "produk" dan "perusahaan" secara bersamaan—penilaian tahap evolusi industri mana pun hanya akan lebih andal dan lebih ilmiah ketika pengamatan pada kedua dimensi saling mendukung.

3.0 Penjelasan Lingkup Analisis

"Revolusi AI" adalah konsep yang sangat luas. Lingkup analisis artikel ini berfokus pada keseluruhan yang saling terkait dan berkembang bersama—yaitu "model AI besar beserta aplikasi dan produk terkait"—yang mencakup model dasar itu sendiri, aplikasi dan bentuk produk yang mengelilingi model besar (seperti model yang didorong oleh AI untuk percakapan/pemrograman/Agent/Co-Pilot/multimodal/embodied intelligence), serta aset pendukung yang erat terkait (awan, daya komputasi, chip, rantai alat, sistem evaluasi). Ketiga bagian ini bukan tiga industri yang terpisah, melainkan tiga tingkat yang saling terkait dalam proses evolusi industri yang sama.

Tidak termasuk dalam analisis artikel ini: bagian yang melibatkan bentuk fisik independen atau logika industri independen—seperti tubuh mekanis/hardwear robot manusia, AI + kesehatan/hukum/pendidikan, dan industri vertikal lainnya—masing-masing memiliki pola industri sendiri yang tidak dapat langsung diterapkan pada koordinat waktu artikel ini.

3.1 Dari sudut pandang Utterback: Setiap lapisan masih dalam fase aliran

Dengan melihat model tiga tahap Utterback, dapat dilihat bahwa hampir setiap aspek penting dari model AI besar dan aplikasinya masih dalam perdebatan.

Lapisan arsitektur: Apakah Transformer akan menjadi akhir dari segalanya? Ataukah salah satu cabang dari Mixture of Experts (MoE), State Space Models (keluarga Mamba), world models, inference-time computation, atau arsitektur native agent yang akan menang? Sementara produsen terkemuka pada tahun 2026 secara besar-besaran berinvestasi di jalur MoE, arah alternatif seperti world models dan arsitektur native agent juga terus mendapat kemajuan signifikan dari akademisi dan industri; diskusi publik tentang penurunan manfaat marginal dari Scaling Law juga mendorong industri untuk meninjau ulang "apakah masih ada kemungkinan dasar lainnya". Rute arsitektur jauh dari konvergensi.

Lapisan bentuk produk (bagaimana AI akhirnya sampai ke pengguna dan perusahaan dalam bentuk produk) — saat ini setidaknya ada enam bentuk yang bersaing secara paralel:

Enam bentuk saling tumpang tindih dan saling bersaing, tanpa satu pun yang bisa mengklaim telah menang—ini adalah ciri khas periode likuiditas di mana berbagai bentuk produk coexist.

Lapisan dimensi persaingan: kemampuan inferensi, pemrograman, biaya, latensi, panjang konteks, multimodal, kemampuan Agent/waktu tugas otonom, keandalan/tingkat halusinasi, keamanan/kontrol—dimensi mana yang akhirnya akan ditentukan pasar sebagai "paling penting"? Setiap produsen menyatakan kepemimpinan di dimensi yang menjadi kekuatan mereka, tetapi pasar belum mencapai konsensus tentang "dimensi apa yang paling penting". Terutama dimensi baru "berapa lama bisa bekerja secara mandiri"—dari topik tepi pada 2025 menjadi indikator utama di forum utama WAIC 2026 hanya dalam satu tahun—merupakan sinyal bahwa dimensi persaingan belum terbentuk.

Dari sudut pandang Utterback, model AI besar dan aplikasinya jelas masih berada dalam fase fluktuatif—berbagai jalur berjalan paralel, konsep produk belum pasti, dan dimensi persaingan belum ditentukan.

3.2 Dari sudut pandang Klepper: Fase masuk tinggi, tetapi diferensiasi kemampuan telah terbentuk secara diam-diam

Dari dinamika populasi industri Klepper, terlihat fenomena "kontradiksi yang berdampingan" dalam industri model besar AI.

Di satu sisi, perusahaan-perusahaan model AI global masih berada dalam tahap tinggi pemasukan—OpenAI, Anthropic, Google, Meta, xAI, Mistral, ditambah Baidu, Alibaba, dan Tencent dari Tiongkok, DeepSeek , Bulan Sisi Gelap, Zhipu, ByteDance, dan banyak startup lain yang fokus pada skenario spesifik. Pelaku baru terus bermunculan dengan karakteristik eksperimen yang padat.

Di sisi lain, ketidakseimbangan kemampuan perusahaan terkemuka telah secara diam-diam memperlebar jarak—kekuatan komputasi (siapa yang mampu menanggung biaya pelatihan skala besar), distribusi (siapa yang menguasai akses masuk), pelanggan perusahaan (siapa yang telah mengakumulasi kepercayaan industri), dan kecepatan pembelajaran organisasi (siapa yang lebih cepat mengubah setiap kemajuan teknologi menjadi produk dan kemampuan bisnis). Inilah lokasi di mana "komponen perbedaan kemampuan" sedang berlangsung secara diam-diam—kesenjangan yang saat ini terlihat antara pemimpin dan bukan pemimpin banyak merupakan hasil dari "komponen" selama 3-4 tahun terakhir.

Dari sudut pandang Klepper, industri model AI besar berada dalam fase "pemula yang tinggi, tetapi diferensiasi kemampuan telah dimulai"—setara dengan industri otomotif tahun 1900-1910, di mana jumlah perusahaan masih meningkat menuju puncaknya, tetapi sebagian pemain telah mulai secara diam-diam memperlebar jarak.

3.3 Uji ketat desain dominan: lima faktor pendorong

Sebelumnya, berdasarkan Utterback + Klepper, telah diarahkan pada suatu kesimpulan: model AI besar dan aplikasinya berada dalam tahap aliran akhir. Kesimpulan ini layak untuk diuji kembali secara verifikatif—penulis mengintegrasikan penelitian dan argumen para akademisi seperti Utterback, Suárez, Christensen, dan lainnya, untuk menyusun lima faktor pendorong desain dominan. Secara historis, penetapan desain dominan biasanya memerlukan setidaknya 3-4 dari faktor-faktor ini secara bersamaan:

• Faktor satu: Kelayakan teknis—desain tertentu menunjukkan konsentrasi jelas dalam kinerja komprehensif dan kelayakan teknik, sehingga industri secara praktis berkumpul ke arah ini, menjadi "solusi yang diakui" dalam jalur teknis

• Faktor kedua: Kematangan aset komplementer—rantai pasokan, standar, alat, sistem pelatihan, dan ekosistem pengembang yang mendukung dibangun di sekitar desain ini, menciptakan keterikatan ekosistem

• Faktor ketiga: Munculnya ekonomi skala—pengiriman berskala dari desain ini menciptakan roda positif berupa "penurunan biaya + ekonomi per unit positif + model bisnis berjalan", sehingga siklus investasi–penghasilan–investasi ulang mulai berputar

• Faktor keempat: Dorongan dari produsen utama—beberapa perusahaan berpengaruh di pasar memilih dan mempromosikan desain ini, secara bersama-sama menetapkan standar de facto melalui pangsa pasar dan daya tarik ekosistem.

• Faktor kelima: Intervensi pemerintah/regulasi—menggunakan undang-undang standar, sistem sertifikasi, dan kerangka regulasi untuk memaksa atau mengarahkan keseragaman

Ford T Model menjadi desain mobil dominan pada tahun 1908 karena lima faktor hampir secara bersamaan terpenuhi: teknis layak (mesin pembakaran dalam + kombinasi mesin depan optimal), aset komplementer (stasiun bahan bakar, jaringan perbaikan) yang cepat mengikuti, ekonomi skala (jalur perakitan yang menurunkan biaya), produsen dominan (Ford pernah memiliki pangsa pasar lebih dari separuh), dan regulasi pemerintah (standar jalan, sistem SIM).

Gunakan lima faktor ini untuk menguji secara satu per satu status saat ini dari model AI besar dan aplikasinya; hanya satu bagian yang terpenuhi, sementara empat lainnya masih jauh dari terwujud—ini adalah dasar spesifik yang digunakan artikel ini untuk menyimpulkan bahwa "model AI besar dan aplikasinya masih berada dalam fase likuiditas akhir"—bukan berdasarkan perasaan, tetapi berdasarkan pemeriksaan satu per satu.

Dengan kata lain, ambang batas yang ditetapkan oleh desain dominan, yaitu "setidaknya 3-4 faktor harus ada secara bersamaan", masih jauh dari jangkauan AI saat ini.

3.4 Penilaian Tahap Komprehensif: "Zona Diferensiasi" yang bergerak dari periode likuiditas akhir menuju periode awal

Berdasarkan analisis dan uji lima faktor di atas, dapat diberikan penilaian komprehensif: saat ini model AI besar dan aplikasinya berada dalam fase akhir likuiditas dan mulai bergerak menuju fase awal transisi—yang disebut oleh penulis sebagai: "zona diferensiasi".

Inti dari "zona diferensiasi" dapat diringkas sebagai: lapisan produk masih terbuka, diferensiasi kemampuan telah dimulai

"Zona diferensiasi" bukan tahap baru yang independen, melainkan menggambarkan wilayah transisi antara periode aliran dan periode transisi dalam teori tiga tahap Utterback, dan tidak memprediksi bahwa AI pasti akan menyelesaikan periode transisi menuju periode spesialisasi; sebagai konsep deskriptif, ia menangkap struktur dua sisi yang secara objektif ada saat ini:

Sisi satu: Dari dimensi produk, arsitektur, bentuk, dan dimensi persaingan masih terbuka—berbagai jalur berjalan paralel, desain dominan belum muncul, termasuk bagian yang masih dalam periode fluktuatif yang belum berakhir.

Di sisi lain: Dari perspektif perusahaan, perbedaan kemampuan antara pemimpin dan bukan pemimpin telah mulai terbentuk—kesenjangan dalam kekuatan komputasi, distribusi, pelanggan perusahaan, dan kecepatan pembelajaran organisasi sedang secara diam-diam melebar, yang merupakan bagian dari fase transisi awal yang telah dimulai.

Dua sisi yang tumpang tindih pada saat yang sama membentuk "zona divergensi". Ini bukan kekacauan, karena pola yang terlihat dan akumulasi asimetri sudah ada; bukan pula keputusan final, karena kriteria yang menentukan siapa yang akan tertawa terakhir belum mengeras. Dengan satu kalimat: eksternal masih tampak makmur, namun perbedaan kapasitas yang terakumulasi telah dimulai.

Yang layak dimasukkan lebih lanjut adalah tiga observasi orisinal yang diajukan oleh Profesor Karim Lakhani dalam artikel panjangnya pada Maret 2026, berdasarkan kerangka analisis yang sama—ketiganya dapat dianggap sebagai penyempurnaan lebih lanjut terhadap mekanisme di dalam "zona diferensiasi".

Observasi Lakhani: Keterbukaan arsitektur × ketidaksetaraan persaingan dapat eksis secara bersamaan—keterbukaan di tingkat arsitektur dan diferensiasi di tingkat perusahaan dapat berdampingan. Lakhani memberi nama yang tepat untuk keadaan ini: "Structured Ferment", yang merujuk pada fenomena yang sama dengan "zona diferensiasi" dalam artikel ini—hanya saja, artikel ini lebih menekankan dinamika "diferensiasi kemampuan", sementara Lakhani lebih menekankan nuansa koeksistensi multi-jalur dari "fermentasi".

Observasi Lakhani kedua: Hipotesis Hierarkis Terpusat—Struktur industri AI masa depan mungkin tidak akan berkonsolidasi menjadi "satu pemenang menguasai seluruh pasar", tetapi akan menghasilkan sejumlah pemimpin utama di berbagai lapisan tumpukan teknologi: lapisan model mutakhir, lapisan integrasi perusahaan, lapisan ekosistem terbuka, dan lapisan pendukung khusus (awan, chip, rantai alat, keamanan), masing-masing membentuk pemimpin dominan.

Lakhani mengamati ketiga: Orkestrasi multi-model adalah model bisnis muncul baru—tugas nyata sedang dipecah menjadi rantai: konsepsi, pencarian, draf, pemrograman, pemeriksaan, pemformatan, pengiriman—model yang berbeda memiliki keunggulan masing-masing di berbagai tahap rantai ini. Yang benar-benar menentukan kemenangan, mungkin bukan "model mana yang terkuat", melainkan "siapa yang dapat memanggil kecerdasan yang tepat pada waktu yang tepat untuk tugas yang tepat".

3.5 Ringkasan ciri-ciri spesifik pada tahap saat ini

Berdasarkan analisis di atas, karakteristik spesifik dari fase "pemisahan" saat ini dapat dirangkum sebagai berikut:

Lalu, jika model AI besar dan aplikasinya berada di "zona diferensiasi" (bergerak dari tahap aliran akhir menuju tahap transisi awal), menurut pola umum evolusi industri, bagaimana ritme masa depan hingga desain dominan ditetapkan dan pergolakan mendalam muncul?

Ini adalah pertanyaan yang sangat penting bagi para pengambil keputusan perusahaan. Karena persepsi waktu secara langsung menentukan kecepatan tindakan—jika jendela waktu 20 tahun, strategi dapat disusun dengan tenang; jika jendela waktu hanya 3-5 tahun, banyak tindakan harus segera dimulai.

Sebuah kesimpulan yang sangat alami adalah dengan merujuk pada data historis Utterback dan Klepper: industri otomotif membutuhkan sekitar 15-20 tahun dari fase aliran hingga penetapan desain dominan, dan 50-60 tahun dari puncak hingga integrasi mendalam—jika AI mengikuti skala waktu yang sama, tampaknya kita masih memiliki waktu yang sangat panjang.

Namun, ada satu pertanyaan sangat krusial—dua alat Utterback dan Klepper didasarkan pada data manufaktur. Apakah skala waktu evolusi industri manufaktur dapat langsung diterapkan pada era digital/AI? Jika tidak, berapa skala waktu yang sebenarnya? Ini adalah pertanyaan yang akan dijawab selanjutnya.

Perbedaan struktural antara era manufaktur dan digital—serta mengapa hal itu mempercepat

Evolusi industri manufaktur secara alami berjalan lambat, karena memiliki beberapa ciri umum:

Produk fisik memerlukan pabrik, rantai pasokan, dan saluran distribusi—ekspansi memiliki batasan fisik

Pembangunan ekonomi skala memerlukan modal besar dan waktu—pembangunan pabrik dan pendirian rantai pasokan adalah tindakan jangka panjang

• Adopsi pengguna terbatas pada kecepatan distribusi fisik—sebuah mobil membutuhkan beberapa minggu hingga beberapa bulan sejak produksi hingga sampai ke tangan pengguna

• Evolusi teknologi dibatasi oleh ritme iterasi proses, bahan, dan peralatan produksi—setiap perbaikan generasi harus membangun ulang lini produksi

Karena fitur-fitur ini, periode kepadatan industri otomotif sekitar 20 tahun, dan dari desain dominan hingga integrasi mendalam memakan waktu puluhan tahun lagi. Skala waktu ini bukan "hukum umum" evolusi industri, melainkan hasil dari batasan fisik dan modal khas manufaktur.

Ketika batasan-batasan ini dipecah secara digital, keempat ciri tersebut mengalami perubahan mendasar, dan skala waktu evolusi industri secara langsung diperpendek:

• Distribusi memiliki biaya marjinal mendekati nol—sebuah aplikasi dapat menjangkau seluruh dunia dalam beberapa bulan, ChatGPT mencapai 100 juta pengguna hanya dalam sekitar 2 bulan, menjadikannya salah satu produk konsumen dengan kecepatan adopsi tercepat dalam sejarah.

• Skala ekonomi telah digantikan oleh efek jaringan dan roda data—skala ekonomi di sektor manufaktur membutuhkan bertahun-tahun untuk dibangun melalui pabrik, sementara efek skala di industri digital dapat membangun siklus mandiri dengan pertumbuhan eksponensial dalam 1-2 tahun.

• Penerapan pengguna dibatasi oleh bandwidth dan perangkat akhir, bukan distribusi fisik—dari "beberapa minggu hingga bulan" menjadi "unduh dan gunakan dalam beberapa menit".

• Evolusi teknologi dibatasi oleh sumber daya manusia dan daya komputasi, bukan oleh proses dan peralatan—perusahaan terkemuka mengakumulasi modal, daya komputasi, dan tenaga ahli dalam jumlah besar dalam waktu singkat (pada tahun 2026, total komitmen investasi infrastruktur AI oleh lima perusahaan teknologi terbesar AS mencapai level 700 miliar dolar AS), kecepatan akumulasi modal ini tak terbayangkan di era manufaktur.

Di luar empat perubahan mendasar ini, era digital juga menambahkan dua faktor percepatan tambahan:

• Percepatan siklus umpan balik—produk digital dapat melakukan pengujian A/B secara real-time, umpan balik berkurang dari "tahun" menjadi "hari atau bahkan jam", sehingga "kecepatan belajar" mempercepat, dan waktu kompounding kemampuan secara signifikan dipersingkat

• Persaingan global yang terintegrasi—industri digital telah menjadi pasar global sejak awal, dengan lebih banyak pemain, persaingan yang lebih cepat, dan perubahan yang lebih tajam.

Masalah utama: Seberapa banyak perbedaan ini memampatkan skala waktu di era digital dibandingkan dengan era manufaktur?

Perbandingan kecepatan evolusi enam industri era angka

Kita lihat beberapa industri digital yang telah menyelesaikan evolusi dari periode likuiditas ke periode transisi:

Ponsel pintar (2007–2012) —— Peluncuran iPhone pada 2007, Android bergabung pada 2008, pola dominasi ganda iOS + Android jelas sekitar 2010, dan Nokia, BlackBerry, Windows Phone hampir keluar dari pasar utama sekitar 2013. Dari periode peralihan ke bentuk stabil: sekitar 5 tahun.

Jaringan sosial (2004-2012) —— Facebook diluncurkan pada 2004, pada 2004-2008 terjadi persaingan antar beberapa platform (MySpace, Facebook), sekitar 2010 posisi dominan global Facebook terbentuk. Dari periode fluktuasi menuju periode transisi yang stabil: sekitar 6-8 tahun.

Peramban web (1994-2000) —— Netscape diluncurkan pada 1994, perang peramban terjadi pada 1995-1998 (Netscape vs IE), dan IE mendominasi pasar pada 1999-2000. Dari periode likuiditas ke periode transisi yang terbentuk: sekitar 5-6 tahun.

Cloud computing IaaS (2006-2015) —— AWS diluncurkan pada 2006, beberapa pemain bersaing antara 2010-2013, dan pada 2016-2018 pola tiga produsen teratas menjadi jelas (AWS, Azure, GCP). Dari periode likuiditas ke fase transisi yang terbentuk: sekitar 8-10 tahun.

Mobil listrik (2010–?) —— Dipimpin oleh Tesla sekitar tahun 2010, munculnya banyak pemain baru antara 2015–2020, dan struktur kepemimpinan mulai terbentuk sekitar 2025 tetapi masih dalam masa transisi. Diperkirakan akan stabil dalam waktu sekitar 12–15 tahun (melibatkan manufaktur fisik, sedikit lebih lambat daripada industri murni digital—ini juga mengingatkan kita bahwa aspek mobil listrik yang melibatkan bentuk fisik, seperti tubuh mekanis/perangkat keras dari kecerdasan tubuh, akan jauh lebih lambat daripada bagian murni digital).

Quantitative judgment with compressed time scale

Bagaimana cara menentukan faktor kompresi yang dapat digunakan dari data durasi lima industri tersebut? Penulis merancang satu metode penalaran logis.

Langkah pertama · Pilih industri acuan

Industri dasar harus memenuhi tiga kondisi:

Struktur lengkap: Melewati seluruh proses periode likuiditas → periode transisi → periode spesialis

Data verifiable: Enterprise entry and exit, dominant design establishment, deep integration with verifiable historical data

Durasi waktu cukup panjang: menyediakan skala waktu asli yang tidak dikompresi.

Data industri otomotif Amerika Serikat 1895-1966 yang dilacak oleh sistem Klepper memenuhi ketiga poin ini.

Namun, masih perlu ditanyakan: siklus waktu industri di dalam manufaktur sendiri tidak seragam (TV T1 sekitar 6-8 tahun, mobil T1 sekitar 15-20 tahun, keduanya sudah mendekati perbedaan 2 kali lipat), mengapa mobil dijadikan patokan representatif untuk "era manufaktur"?

Ini dapat dieksplorasi melalui kerangka analisis 5.1—enam faktor struktural (distribusi fisik, ekonomi skala, adopsi pengguna, evolusi teknologi, umpan balik, dan persaingan global). Kerangka ini tidak hanya dapat menjelaskan perbedaan antara "manufaktur vs digital", tetapi juga perbedaan di dalam "manufaktur itu sendiri". Televisi (yang dimulai pada 1946) berkembang 2-3 kali lebih cepat daripada mobil (yang dimulai pada 1895), karena televisi memanfaatkan aset yang telah dikumpulkan oleh industri sebelumnya (radio) dalam keenam faktor ini—jaringan distribusi, proses manufaktur tabung elektron, kesadaran pengguna, dan dasar teknologi tidak perlu dibangun dari nol.

Wawasan ini mengungkap pola yang lebih mendalam: kompresi skala waktu bukanlah hasil dari lompatan sekali saja dari "manufaktur ke era digital", melainkan proses akselerasi berkelanjutan yang terakumulasi selama beberapa generasi dan dipengaruhi oleh banyak faktor. Alasan utama memilih mobil sebagai patokan bukan hanya tiga kondisi permukaan—“struktur utuh + data dapat diakses + rentang waktu panjang”—tetapi karena mobil adalah kasus paling lengkap yang dibangun dari nol: keenam faktor tersebut harus dimulai dari awal, tanpa industri pendahulu yang bisa menerimanya, sehingga mewakili skala waktu asli yang belum dipercepat oleh akumulasi sebelumnya. Dengan mobil sebagai patokan, kelipatan kompresi yang diperoleh dapat memberikan perkiraan kasar tentang "nilai maksimum akselerasi akumulatif di era digital".

Langkah Kedua · Bandingkan dengan lima industri digital

Berdasarkan mobil T1 (15-20 tahun):

Langkah Ketiga · Klasifikasikan AI menggunakan kerangka enam faktor

Kembali ke kerangka enam faktor—sejauh mana suatu industri mengalami percepatan akumulasi awal pada keenam faktor tersebut, secara langsung menentukan kelipatan kompresinya. Dengan mengikuti logika ini, lihat data dalam tabel:

Kendaraan listrik: kompresi minimum (1,3-1,5 kali), karena masih memerlukan pembangunan independen terhadap tiga jalur: manufaktur fisik, rantai pasokan, dan iterasi perangkat keras;

Industri murni digital seperti browser dan komputasi awan: dikompresi 2-3 kali lipat, karena mereka mewarisi akumulasi dari era PC dan awal internet;

Ekosistem aplikasi ponsel pintar: mengalami kompresi terbesar (3-4 kali lipat), karena muncul setelah infrastruktur digital sangat matang—hampir semua kendala pendahulu dari enam faktor telah teratasi.

Lalu, model AI besar dan aplikasinya termasuk kategori apa? Penulis menganalisis bahwa:

Ia muncul di posisi paling akhir di era digital—komputasi awan, internet, perangkat seluler, ekosistem pengembang, dan infrastruktur data semuanya telah sangat matang; sekaligus AI sendiri membawa dua loop self-accelerating yang belum pernah ada sebelumnya—efek jaringan dan roda data (semakin banyak digunakan → semakin banyak data → model semakin kuat → lebih banyak orang menggunakannya).

Berdasarkan kerangka enam faktor, faktor kompresi AI seharusnya berada di antara 3-5 kali: batas bawah 3 kali merujuk pada industri "akselerasi akhir" yang telah dikonfirmasi dalam tabel (seperti browser dan ekosistem aplikasi smartphone); batas atas 5 kali merupakan ekstrapolasi yang mempertimbangkan dua loop akselerasi mandiri unik AI—hal ini belum pernah terjadi sebelumnya dalam sejarah, sehingga merupakan perkiraan yang masuk akal tetapi masih perlu diverifikasi.

Ringkasan Silang Generasi dan Estimasi Komprehensif

Menggabungkan analisis di atas, dapat disimpulkan sebuah tinjauan komprehensif perbandingan lintas generasi:

Perkiraan komprehensif: Dari era manufaktur hingga era digital, skala waktu evolusi industri diperkirakan terkompresi sekitar 3-5 kali; perkiraan tingkat kompresi sebenarnya dari model AI besar dan aplikasinya berada di bagian tengah hingga atas kisaran ini.

[Pernyataan jujur yang diperlukan]: Sampel perbandingan di atas hanya mencakup industri digital yang telah menyelesaikan penetapan desain utama, dan tidak mencakup industri yang masih belum terkonsolidasi seperti VR/AR, metaverse, serta aplikasi Web3/blockchain—semuanya jauh melampaui ekspektasi kompresi 3-5 kali lipat dan masih berada dalam fase fluktuasi. Dengan kata lain, "kompresi 3-5 kali lipat" mengasumsikan bahwa AI akan mengikuti "jalur industri digital yang telah terkonsolidasi". Jika asumsi jalur ini berubah, maka kompresi 3-5 kali lipat perlu disesuaikan secara terkait.

Setelah skala waktu diperkirakan terkompresi sekitar 3-5 kali, kita dapat menganalisis koordinat waktu spesifik untuk model AI besar dan aplikasinya. Tentu saja, ini bukan prediksi tepat, melainkan perkiraan masuk akal berdasarkan perbandingan historis. Asumsi dasar untuk melakukan perkiraan ini adalah: model AI besar akan mengikuti jalur A (membentuk desain dominan), bukan jalur B (diversifikasi permanen).

Penilaian komprehensif penulis adalah: kemungkinan model AI besar mengikuti jalur A jauh lebih tinggi daripada mengikuti jalur B—tetapi bentuknya bukan "satu kendaraan T tunggal", melainkan "desain multi-lapisan berbasis stack protokol bertingkat".

Selain bagian 2.1.1 sebelumnya yang membuktikan hal ini dari sudut pandang "persyaratan ekonomi operasi industri + stack protokol lapisan internet", tiga sinyal yang dapat diamati saat ini juga secara kuat mendukung penilaian ini:

• Kit alat teknis telah terkonvergensi secara permukaan—arsitektur Transformer, pra-pelatihan + pasca-pelatihan (SFT + RLHF/DPO), integrasi multimodal, dan pemanggilan alat/agentisasi, hampir semua model terkemuka mengadopsinya. Ini adalah keadaan normal sebelum era desain dominan dalam sejarah.

• Desain dominan sub-lapisan telah muncul secara terpisah—lapisan agen pemrograman telah berkonsolidasi ke dalam pola Claude Code / Cursor / Copilot / Windsurf; produk native multimodal berkonsolidasi ke jalur "model diffusion + keakuratan jangka panjang"; di lapisan Copilot perusahaan, Microsoft 365 Copilot telah menjadi standar de facto. Tidak perlu seluruh "AI" berkonsolidasi sekaligus, sub-lapisan telah secara independen membentuk desain dominan kecil.

• Desain utama lapisan protokol telah mulai terbentuk—MCP (diajukan oleh Anthropic akhir 2024, secara bertahap diadopsi oleh OpenAI/Google/Microsoft pada 2026), jaringan A2A—desain utama lapisan protokol biasanya lebih tahan lama daripada lapisan produk (sebagaimana TCP/IP lebih tahan lama daripada browser mana pun)

[Pernyataan jujur yang diperlukan]: Setelah dua sinyal berlawanan terbentuk, koordinat waktu dalam artikel ini perlu disesuaikan ulang:

Sinyal balik satu: Rumus "semakin besar, semakin kuat" mungkin gagal. Selama lima tahun terakhir, kemampuan AI terutama didorong oleh rumus kasar "model yang lebih besar + lebih banyak data + daya komputasi yang lebih kuat" (Hukum Skala). Jika pada tahun 2027-2028 rumus ini mencapai batasnya dan tidak ada jalur pengganti jangka pendek yang kuat—industri akan dipaksa untuk mencoba jalur yang sama sekali berbeda seperti world model, Mamba, dan arsitektur native Agent, sehingga "konvergensi teknologi" yang saat ini terlihat mungkin pecah.

Sinyal terbalik kedua: Evolusi dari "berbagai kelompok berjalan paralel" menjadi "desain dominan masing-masing kelompok". Keberadaan berbagai kelompok yang berjalan paralel saat ini merupakan bentuk normal dari "divergensi kemampuan"—risiko sebenarnya adalah ketika divergensi ini memperdalam hingga "tidak lagi saling terhubung". Ada dua kekuatan yang menuju arah ini: pertama, "otak" kecerdasan tubuh (secara akademis disebut model VLA)—karena harus merasakan dan memproses umpan balik fisik secara real-time, arsitektur dasarnya mungkin berkembang melalui jalur yang sama sekali berbeda dari model bahasa besar; kedua, dua kelompok besar, Tiongkok dan Amerika Serikat, terus memperlebar jarak dalam hal arsitektur, protokol, ekosistem, dan regulasi. Jika evolusi bergerak dari "desain dominan terpadu" menjadi "beberapa desain dominan masing-masing kelompok", koordinat waktu mungkin berubah.

Tiga garis waktu kunci (simulasi)

Lanjutkan analisis sebelumnya, jika titik awal industrialisasi model besar AI ditempatkan pada peluncuran GPT-3 pada tahun 2020 (ini adalah titik waktu yang secara umum diakui oleh industri: arsitektur Transformer telah matang, pertama kali menunjukkan kemampuan muncul, dan pertama kali membentuk API komersial tingkat perusahaan), dengan titik awal ini sebagai acuan, penulis secara perkiraan membuat peta waktu dari tahun 2020 hingga 2035, yang terbagi menjadi empat tahap:

Kembangkan secara rinci dari diagram keseluruhan ke bawah; bagi para pengambil keputusan perusahaan, ada tiga garis waktu kunci yang perlu dianalisis dan diperhatikan lebih lanjut (cakupan analisis: model AI besar dan aplikasinya; bagian yang memiliki bentuk fisik independen atau logika industri independen perlu dinilai berdasarkan kecepatan evolusi masing-masing).

Timeline 1: Dominant Design Emergence Window — Layered Emergence, Expected to Roll Out in Phases from 2026–2032

Tingkat konvergensi pada berbagai sub-lapisan tidak sinkron dan sangat bervariasi. Berdasarkan sinyal yang dapat diamati saat ini, dapat dilakukan perkiraan berdasarkan kategori (bukan jadwal yang tepat):

• Muncul lebih awal (sekitar 2026–2028) —— lapisan protokol (MCP/A2A/spesifikasi pemanggilan API) dan lapisan agen pemrograman. Biaya iterasi pada lapisan protokol relatif rendah, konsensus lintas pabrikan terbentuk cepat, dan telah memiliki bentuk awal standar de facto; lapisan agen pemrograman telah menunjukkan konsentrasi bentuk produk yang jelas (Claude Code/Cursor/Copilot/Windsurf/ Tongyi Lingma dll.

• Munculnya jangka menengah (sekitar 2027-2029) —— Garis utama bentuk produk terdiri dari tiga lapisan: asisten percakapan universal, produk native multimodal (model diffusion + rute keandalan jangka panjang), dan co-pilot tertanam (bentuk untuk alur kerja perusahaan). Ketiga lapisan ini telah menunjukkan sinyal konsentrasi kuat, dengan penetrasi produk teratas di kalangan pelanggan yang meningkat pesat; namun, bentuk lengkapnya masih memerlukan 2-3 tahun lagi.

• Muncul lebih lambat (sekitar 2028-2030) —— lapisan workstation Agent kantor/meja (dengan contoh WorkBuddy, Coze, Bailian, dll.). Didorong terutama oleh keterikatan ekosistem, mengejar cepat melalui titik masuk, rantai kolaborasi kerja, dan posisi ekosistem; namun penerapan produksi tingkat perusahaan masih berada di tahap awal peralihan dari "efisiensi individu" menuju "efisiensi organisasi", dengan perkiraan pematangan penuh terjadi sekitar tahun 2028-2030.

• Paling akhir muncul (2030–2032 dan setelahnya) — lapisan Agent otonom umum (jenis Manus, Operator), paradigma kolaborasi multi-Agent, inovasi mendasar pada lapisan arsitektur, lapisan "otak" kecerdasan tubuh (model VLA). Agent otonom umum dan kolaborasi multi-Agent menghadapi masalah mendalam seperti keandalan, struktur biaya, batasan tanggung jawab, dan protokol lintas domain; laju konvergensi jauh lebih lambat dibandingkan lapisan murni digital. Lapisan arsitektur saat ini menunjukkan "konvergensi permukaan alat" (Transformer + MoE + pasca-pelatihan + arsitektur memori); inovasi mendasar yang sejati diperkirakan baru akan muncul setelah tahun 2030.

[Pernyataan jujur yang diperlukan]: Kelompok-kelompok di atas hanya merupakan perkiraan wajar berdasarkan sinyal saat ini—memberikan感 waktu, bukan jadwal. Sebelum tahun 2030, arsitektur, bentuk, dan dimensi persaingan masih berkembang; setelah tahun 2030, aturan permainan mungkin mulai "berlapis" dan dimulai ulang.

Timeline 2: Window Closure · Estimated 2026–2030 (Frontier Model Layer closes first)

Observasi utama Klepper adalah "jendela masuk tutup lebih awal daripada sinyal reshuffle"—tingkat masuk industri otomotif turun pada tahun 1910 dibandingkan dengan reshuffle yang muncul pada tahun 1920-1960, dengan keterlambatan 10-15 tahun. Dengan kompresi 3-5 kali lipat di era digital, gap ini secara sepadan terkompresi menjadi 2-5 tahun—sehingga jendela masuk tutup sekitar 2-5 tahun sebelum reshuffle mendalam, yaitu 2026-2030.

Namun perlu dilihat secara bertahap pada berbagai tahap penutupan:

• Lapisan model terdepan: paling awal ditutup, sebagai pemain baru murni yang masuk ke lapisan model terdepan, akan menjadi sangat sulit setelah 2027-2028—kombinasi kekuatan komputasi, bakat, dan kepercayaan perusahaan mendekati akhirnya; pada 2026 dapat diamati bahwa modal ventura global untuk lapisan model terdepan mulai terkonsentrasi pada beberapa pihak.

• Lapisan protokol dan lapisan alat: Ditutup lebih awal; setelah spesifikasi protokol seperti MCP/A2A menjadi dominan, peserta yang masuk belakangan perlu terhubung ke ekosistem, bukan memulai dari nol.

• Lapisan aplikasi dan lapisan bentuk produk: Relatif longgar; lapisan agen pemrograman jendela peluangnya semakin cepat tertutup karena integrasi komersial cepat dari produk unggulan; namun, produk asli multimodal, agen kantor/meja, dan lainnya di lapisan aplikasi masih memiliki ruang masuk yang relatif luas, peluang tetap ada hingga 2028-2032.

• Lapisan integrasi industri vertikal: Terbuka secara jangka panjang, jendela integrasi AI dengan industri vertikal seperti kesehatan/hukum/pendidikan, kemungkinan berlanjut hingga setelah tahun 2035

Inti makna: Posisi strategis yang berbeda memiliki tingkat urgensi jendela masuk yang jelas berbeda—jendela untuk berinvestasi di lapisan model terdepan paling singkat, sementara jendela untuk lapisan aplikasi dan integrasi vertikal relatif lebih lama.

Timeline Three: Deep Shuffle Begins · Estimated 2030-2035 (Primarily Occurs at Frontier Model Layer)

Mekanisme komposit kemampuan Klepper berjalan lebih cepat di era digital—dalam 8-10 tahun, efek komposit bisa mencapai tingkat yang biasanya membutuhkan 30 tahun di era manufaktur. Kesenjangan kemampuan antar perusahaan akan diperbesar secara eksponensial dalam jendela waktu ini hingga mencapai tingkat yang tak bisa dibalikkan.

Namun, intensitas pengocokan mendalam juga dibagi menurut lapisan:

• Lapisan model terdepan mengalami reshuffle paling dalam: komposit kemampuan, hambatan modal komputasi, konsentrasi kepercayaan perusahaan—berpotensi menyempit menjadi beberapa pemimpin utama

• Perubahan pada lapisan aplikasi dan lapisan bentuk produk lebih ringan: setiap lapisan mungkin mempertahankan beberapa pemain utama, dengan long tail yang lebih banyak

• Pengacakan di lapisan protokol hampir tidak terjadi: setelah stabil, standar tetap menjadi standar

• Penataan ulang lapisan integrasi industri vertikal terkait dengan logika industri tradisional: AI hanyalah salah satu variabel, ritme penataan ulang industri itu sendiri yang akan mendominasi

Kesegeraan jendela masuk perusahaan

Lihat ketiga garis waktu ini bersama-sama, sebuah kesimpulan penting:

Sebagian besar perusahaan yang menjadikan model AI besar dan aplikasinya sebagai fokus strategis mungkin hanya memiliki waktu penyesuaian strategis 2-4 tahun—untuk membangun posisi mereka sebelum desain dominan (terutama di tingkat bentuk produk) muncul pada 2030, mereka perlu menyelesaikan penilaian arah dan pemilihan titik masuk sebelum 2028; sebaliknya, tahun 2026-2027 adalah dua tahun paling kritis.

Namun, garis waktu ini memiliki asumsi: ekonomi skala dan model bisnis akan mencapai lompatan kunci sebelum tahun 2027-2030. Namun, verifikasi terbalik pada bagian ketujuh akan menunjukkan bahwa "ekonomi skala dan model bisnis belum terbentuk" adalah salah satu pengamatan paling realistis pada tahun 2026. Jika masalah model bisnis berlanjut hingga setelah tahun 2028 tanpa terobosan, jendela munculnya desain dominan mungkin tertunda 2-3 tahun—artinya, koordinat waktu di atas bergantung pada dua asumsi: "AI mengikuti jalur A + ekonomi skala melampaui batas dalam 3-4 tahun", dan jika salah satu berubah, koordinat waktu perlu disesuaikan kembali.

Untuk bagian-bagian yang melibatkan bentuk fisik independen atau logika industri independen (perangkat keras kecerdasan tubuh, AI + industri vertikal, dll.), jadwal harus disesuaikan sesuai ritme masing-masing—namun, hukum dasar bahwa "perbedaan laju komposit kemampuan diperbesar secara eksponensial" berlaku untuk semua lapisan.

Ini adalah "skala waktu evolusi industri AI"—memberikan感 waktu yang terstrifikasi, bersyarat, dan tepat berdasarkan kerangka analisis.

Analisis yang ketat harus mampu bertahan terhadap ujian data terbaru. Gunakan tren yang dapat diamati pada industri AI tahun 2026, dari empat sisi—produk, perusahaan, bisnis, dan lapangan—untuk melakukan verifikasi ulang terhadap penilaian sebelumnya mengenai "zona diferensiasi"—pilih hanya enam sinyal yang paling mewakili.

Verifikasi satu: Arsitektur secara nyata masih terbuka

Evolusi arsitektur pada tahun 2026 tetap berjalan secara paralel: di bawah dominasi Transformer, Mixed Experts (MoE) pada Gemini 3.1 Pro, DeepSeek Diterapkan secara menyeluruh dalam model seperti V4; perhitungan inferensi menjadi dimensi kompetisi utama dalam versi baru seperti GPT dan Claude; model ruang status (keluarga Mamba) dan arsitektur native Agent terus mengalami eksplorasi baru pada 2025-2026; arah model dunia terus didorong oleh akademisi puncak seperti Fei-Fei Li dan Yann LeCun. Jendela konteks terus melompat cepat dari puluhan ribu hingga jutaan token; pengurangan manfaat marginal dari Scaling Law mulai dibahas secara terbuka pada 2026—semua ini menunjukkan bahwa jalur teknis masih sedang ditinjau ulang.

Kesimpulan: Secara arsitektur, jelas masih dalam tahap bergerak. Faktor kelayakan teknis dari desain utama jauh dari terpenuhi—ini merupakan bukti langsung dari sisi "dimensi produk masih terbuka" di dalam "zona diferensiasi".

Verifikasi kedua: Di tingkat perusahaan, diferensiasi memang telah terjadi—tetapi polanya adalah banyak kelompok yang berjalan secara paralel

Struktur nyata lapisan model masa depan tahun 2026 adalah struktur paralel banyak kubu, tanpa pemimpin mutlak:

• Kelompok terkemuka AS: OpenAI, Anthropic, Google sebagai inti, diikuti oleh Meta (seri Llama), xAI, dll.

• Kelompok jalur terbuka Tiongkok: DeepSeek 、Qwen、 Kimi , Zhipu, Doubao , Hunyuan, dll., membentuk daya saing independen dalam dimensi biaya, open source, multi-bahasa, dan skenario vertikal

• Eropa/klasifikasi lainnya: Mistral memiliki tempat di ekosistem open-source

Secara bersamaan, sinyal diferensiasi yang dapat diamati sangat jelas—bagian lalu lintas pengguna ChatGPT turun signifikan dari posisi dominan sebelumnya, penggunaan Gemini tumbuh beberapa kali lipat dalam hitungan tahun, dan Anthropic mencapai pertumbuhan pesat dalam skenario perusahaan dan pengembang, dengan ARR-nya memasuki tingkat miliaran dolar AS, serta pendapatan kuartalan mencapai skala puluhan miliar dolar AS.

Kesimpulan: Ini sepenuhnya sesuai dengan penilaian terhadap "zona diferensiasi"—di tingkat produk, masih ada pola terbuka dengan beberapa kelompok yang berjalan paralel (arsitektur belum ditentukan, rute belum ditentukan), tetapi di tingkat perusahaan, perbedaan kemampuan antara pemimpin dan non-pemimpin telah jelas membesar. Perlu diperhatikan bahwa "diferensiasi kemampuan" tidak sama dengan "hanya beberapa perusahaan yang menang"—bisa jadi itu berarti "beberapa kelompok masing-masing menjauhkan diri."

Verifikasi tiga: Struktur industri sedang bertransformasi menuju "pengkonsentrasian berlapis + orkestrasi multi-model"

Lakhani memprediksi "pengkonsentrasian berlapis" dan "koordinasi multi-model" yang mendapat validasi nyata yang kuat pada tahun 2026:

• Lapisan model terdepan: Beberapa produsen terkemuka dan beberapa kelompok secara paralel menempati posisi (lihat 7.2)

• Lapisan integrasi perusahaan: Microsoft (+OpenAI), Google Workspace AI, Salesforce Einstein, dll., masing-masing mengembangkan strategi

• Lapisan ekosistem terbuka: DeepSeek (推理 biaya rendah), Llama, Mistral masing-masing di-anchor

• Lapisan khusus pengisian: NVIDIA (GPU), AMD/Intel, Cerebras/Groq (chip arsitektur baru) masing-masing menempati posisi—ambang masuk lapisan ini sedang didorong hingga batasnya oleh akumulasi modal yang dijelaskan di Bagian 5.1

Sementara itu, orkestrasi multi-model telah berubah dari "model muncul" menjadi penggunaan utama—pengguna tidak lagi bertanya "model mana yang terkuat", tetapi "model mana yang terkuat di skenario mana": menggunakan Claude untuk menulis dan pemrograman, menggunakan Gemini untuk pencarian dan analisis, serta menggunakan ChatGPT untuk generasi gambar dan percakapan umum, kini telah menjadi hal biasa.

Kesimpulan: Hipotesis hierarkis terpusat dan koordinasi multimodel berlaku—dan evolusi hierarkis terpusat berlangsung lebih cepat dari yang diperkirakan.

Verifikasi empat: Skala waktu memang sedang dikompresi secara signifikan

Bukti utama kompresi skala waktu berasal dari empat kurva: "kecepatan adopsi, arus modal, penurunan biaya, iterasi kemampuan":

• Kecepatan adopsi: ChatGPT mencapai 100 juta pengguna dalam sekitar 2 bulan, salah satu produk konsumen dengan adopsi tercepat dalam sejarah

• Kecepatan arus modal: Anthropic hanya membutuhkan sekitar 4 tahun sejak berdiri hingga ARR memasuki tingkat miliaran dolar AS—era manufaktur membutuhkan puluhan tahun

• Kecepatan penurunan biaya: Harga Token model besar utama turun sekitar dua tingkat selama tiga tahun terakhir, dan harga inferensi model open-source terkemuka serta model berbiaya rendah telah memasuki kisaran "sen per juta Token"

• Kecepatan iterasi kemampuan: dari seri GPT-3 hingga GPT-5 dalam waktu kurang dari 6 tahun—pada era manufaktur, iterasi satu generasi produk biasanya membutuhkan 5-10 tahun

Kesimpulan: Kompresi skala waktu tidak hanya berlaku, tetapi pada beberapa kurva spesifik (adopsi, biaya, iterasi kemampuan), tingkat kompresi sebenarnya dapat mencapai 5-10 kali. Namun, perlu diperhatikan—kecepatan kompresi pada kurva spesifik lebih cepat daripada kecepatan kompresi evolusi industri secara keseluruhan, karena evolusi industri secara keseluruhan masih dibatasi oleh variabel lambat seperti validasi model bisnis, regulasi yang mapan, dan kematangan ekosistem, sehingga tetap berada di median 3-5 kali seperti yang diidentifikasi pada Bagian 5.3. Dengan kata lain, "sisi sinyal" evolusi industri AI (kurva) telah jelas mempercepat, sementara "sisi struktural" (penetapan desain dominan) memerlukan periode akumulasi yang lebih panjang.

Verifikasi Lima: Ekonomi skala dan model bisnis yang stabil belum terbentuk

Dari lima faktor pendorong yang dirancang secara dominan, "munculnya ekonomi skala" adalah salah satu syarat mutlak—hanya ketika biaya pengiriman skala dari suatu desain cukup rendah, model pendapatan yang stabil jelas, dan mampu membentuk roda positif "investasi-produksi-investasi ulang", desain dominan baru bisa benar-benar mengeras. Dengan standar ini, melihat model AI besar dan aplikasinya pada tahun 2026, akan terlihat bahwa ekonomi skala dan model bisnis jauh dari terbentuk:

• Biaya pelatihan dan inferensi masih berfluktuasi tajam—harga Token telah turun sekitar dua tingkat selama tiga tahun terakhir, dan harga inferensi untuk model open-source terkemuka serta berbiaya rendah telah memasuki kisaran "penny per juta Token"; kurva biaya masih bergerak cepat, jauh dari disebut "stabil"

• Perusahaan terkemuka masih terus berinvestasi dalam skala besar—perusahaan model mutakhir seperti OpenAI dan Anthropic umumnya berada dalam tahap investasi tinggi dan pendanaan tinggi; ARR Anthropic meskipun telah memasuki tingkat puluhan miliar dolar, masih belum keluar dari tahap "investasi jauh lebih besar daripada hasil" dibandingkan dengan biaya pelatihan dan kekuatan komputasi

• Penerapan AI untuk ROI perusahaan lebih lambat dari yang diharapkan—sebagian besar proyek AI perusahaan masih berada pada tahap POC atau uji coba; mengubah AI menjadi peningkatan produktivitas total faktor dan pertumbuhan positif ROI/ROE secara umum masih dalam tahap eksplorasi; menurut survei industri 2025-2026 dari McKinsey 'State of AI', MIT NANDA 'GenAI Divide', sebagian besar investasi AI perusahaan belum menunjukkan pengembalian keuangan positif yang jelas

• Model bisnis yang stabil masih dalam eksplorasi—biaya langganan, penagihan berbasis Token, pembayaran berbasis hasil untuk Agent, kustomisasi perusahaan, pembagian pendapatan API, open source + layanan... Setiap model bisnis memiliki pemain representatif, tetapi belum ada yang berhasil mencapai status "keuntungan berskala besar + pertumbuhan berbasis bunga majemuk".

Kesimpulan: Roda umpan balik positif "investasi-produksi-investasi ulang" untuk model AI besar dan aplikasinya belum terbentuk—ini merupakan manifestasi langsung dari ketidakmemenuhan faktor ekonomi skala. Jika ekonomi skala dan model bisnis belum stabil, maka pasti masih berada dalam zona diferensiasi, karena itu adalah prasyarat sebelum konvergensi dari periode transisi menuju periode spesialisasi.

Verifikasi enam: WAIC 2026 — "Semakin unggul seseorang, semakin besar perbedaan pendapatnya"

WAIC 2026 yang baru saja berakhir pada Juli 2026 memberikan bukti langsung dari sisi "manusia".

Empat topik mutakhir dalam pertemuan (kecerdasan fisik, kecerdasan ilmiah, infrastruktur komputasi, tata kelola agen) secara bersamaan dianggap sebagai arah "tahap berikutnya"—bentuk khas masa transisi adalah keberadaan banyak cabang secara bersamaan tanpa satu jalur tunggal yang menang. Sebuah adegan yang sangat menggambarkan hal ini adalah bahwa penerima Penghargaan Turing 2024, Richard Sutton, dan pendiri serta ketua Step Intelligence, Yin Qi, hampir bersamaan memberikan dua penilaian yang sama sekali berlawanan:

• Sutton: "AI masih lemah dan tidak dapat diandalkan", "jalur transfer pengetahuan manusia" telah mencapai batasnya, masa depan harus memasuki "era pengalaman"

• Yin Qi: "Kemampuan model pada tahun 2026 sedang melintasi titik kritis penting," "industri sedang berdiri di kaki gunung puncak AGI," agen akan menjadi "unit produksi terkecil"

Di ruangan yang sama, pada waktu yang sama, dua tokoh yang sangat representatif memberikan jawaban yang hampir bertentangan terhadap pertanyaan "Kita sebenarnya berada di mana?" Sambil itu, Yoshua Bengio memperingatkan bahwa "masyarakat belum siap untuk sistem yang lebih canggih dan lebih mandiri," sementara Xue Lan dari Tsinghua dan Mark Nitzberg dari Berkeley masing-masing menetapkan batasan terkait "penilaian nilai" dan "keputusan hidup atau mati"—regulasi dan tata kelola juga masih dalam diskusi tentang prinsip, bukan standar pelaksanaan.

Kesimpulan: Jika AI benar-benar telah memasuki "babak kedua" atau "periode eksekusi setelah desain dominan ditetapkan", para peneliti terkemuka dan pengusaha terkemuka tidak akan memiliki perbedaan tajam pada pertanyaan paling dasar: "Kita sebenarnya berada di mana?" Ini sendiri merupakan bukti langsung kuat bahwa kita masih berada di "zona diferensiasi".

Verifikasi komprehensif: Ini adalah "zona divergensi"

Lihat keenam rangkaian verifikasi sebelumnya bersama-sama—mereka bukan enam hal yang terpisah, melainkan enam sudut pandang independen yang saling memperkuat kesimpulan yang sama. Satu kalimat penutup:

Model AI besar dan aplikasinya sedang berada di "zona diferensiasi"—lapisan produk masih terbuka, diferensiasi kemampuan telah dimulai, tetapi model bisnis belum terbukti. Ini juga merupakan hasil konfirmasi tiga kali dari Bagian Ketiga (penilaian tahap), Bagian Keenam (koordinat waktu), dan bagian ini (tren 2026), bukan kesimpulan dari satu sudut pandang saja.

Kembali ke dua pertanyaan awal—di mana kita berada, dan bagaimana ritme masa depan.

Dengan menggunakan kerangka gabungan dari dua alat analisis klasik, ditambah uji ketat lima faktor utama, serta verifikasi ulang terhadap tren terbaru tahun 2026, kita dapat memberikan jawaban yang jelas mengenai model AI besar dan aplikasinya saat ini.

Di mana kita berada—Model AI besar dan aplikasinya saat ini berada di "zona diferensiasi" yang bergerak dari fase akhir likuiditas menuju fase awal transisi. Faktor-faktor yang membentuk desain dominan saat ini baru memenuhi 1 (sebagian), dan struktur industri kemungkinan akan berkembang menjadi "terkonsentrasi berlapis" bukan "pemenang tunggal".

Bagaimana ritme masa depan—menurut koordinat waktu berlapis, desain dominan kemungkinan akan muncul di beberapa lapisan sub sekitar tahun 2027-2030, perubahan mendalam akan terlihat pada tahun 2030-2035, dengan waktu strategis yang tersedia bagi perusahaan sekitar 2-4 tahun.

Hierarki berarti: tingkat urgensi berbeda di berbagai posisi strategis (lapisan model terdepan / lapisan aplikasi / lapisan integrasi vertikal), tetapi pola dasar "akumulasi perbedaan kemampuan" berlaku untuk semua lapisan. Ini memberikan persepsi waktu yang terhierarki dan bersyarat, bukan jadwal yang tepat—kecepatan evolusi spesifik akan disesuaikan berdasarkan perubahan pada prasyarat seperti Hukum Scaling dan tren fragmentasi.

Bagi para pengambil keputusan perusahaan, kedua pertimbangan ini bersama-sama membentuk sebuah koordinat waktu. Di atas koordinat ini, ada pertanyaan yang lebih mendasar yang perlu dijawab: Pada tahap dan jendela waktu seperti ini, bagaimana seharusnya perusahaan berpikir, bertindak, dan menyesuaikan diri?

Masalah ini akan dibahas oleh penulis di artikel berikutnya...

Artikel ini berasal dari akun WeChat "Research Institute Tencent" (ID: cyberlawrc), penulis: Li Hongsheng