Penulis:Keluar ke luar laut pergi ke inkubator
Aturan permainan wirausaha telah berubah total.
Dalam daftar permintaan startup musim semi 2026 yang baru saja dirilis oleh Y Combinator (YC), kita melihat sinyal yang jelas: AI asli (AI-native) tidak lagi hanya menjadi istilah pemasaran, tetapi menjadi logika dasar dalam membangun perusahaan raksasa generasi berikutnya. Startup saat ini dapat menantang bidang-bidang yang dulu dianggap "tidak tergoyahkan" dengan kecepatan yang lebih tinggi dan biaya yang lebih rendah.
Kali ini, YC tidak hanya fokus pada perangkat lunak, tetapi juga mengarahkan perhatiannya ke sistem industri, infrastruktur dasar keuangan, serta tata kelola pemerintah. Jika gelombang AI sebelumnya berkaitan dengan "menghasilkan konten", maka gelombang berikutnya akan berkaitan dengan "menyelesaikan masalah kompleks" dan "merombak dunia fisik".
Berikut adalah 10 bidang inti yang sedang YC perhatikan dengan cermat dan sangat ingin berinvestasi.
1. "Cursor" untuk Manajer Produk (Cursor for Product Managers)
Dalam beberapa tahun terakhir, alat seperti Cursor dan Claude Code telah mengubah cara penulisan kode. Tapi kemakmuran ini menutupi pertanyaan yang lebih mendasar: menulis kode hanyalah sarana, intinya adalah memahami "apa sebenarnya yang harus dibuat".
Saat ini, proses penemuan produk masih berada di "zaman batu". Kita bergantung pada wawancara pengguna yang terfragmentasi, umpan balik pasar yang sulit diukur, dan ribuan tiket Jira. Proses ini sangat bergantung pada tenaga manusia, dan penuh dengan celah.
Pasar sangat membutuhkan sistem bawaan AI yang dapat membantu manajer produk seperti Cursor membantu programmer. Bayangkan alat seperti ini: Anda unggah semua rekaman wawancara pelanggan dan data penggunaan produk, lalu bertanya kepadanya, "Apa yang harus kita lakukan selanjutnya?"
Ini tidak hanya memberi Anda saran yang samar, tetapi menghasilkan kerangka kerja fitur yang lengkap, serta mendukung keputusan dengan umpan balik pelanggan yang spesifik. Lebih lanjut lagi, bahkan dapat secara langsung menghasilkan prototipe UI, menyesuaikan model data, dan memecah tugas pengembangan yang spesifik untuk diberikan kepada AI Coding Agent untuk dieksekusi.
Saat AI secara bertahap mengambil alih implementasi kode yang spesifik, kemampuan "menentukan produk" akan menjadi lebih penting dari sebelumnya. Kita membutuhkan alat super yang dapat menghubungkan siklus tertutup dari "penemuan kebutuhan" hingga "definisi produk".
2. Generasi Berikutnya Dana Lindung Valas Berbasis AI (AI-Native Hedge Funds)
Pada tahun 80-an abad lalu, ketika sedikit dana mulai mencoba menganalisis pasar menggunakan komputer, Wall Street mengolok-oloknya. Kini, perdagangan kuantitatif sudah menjadi standar. Jika kini kamu belum menyadari bahwa kita sedang berada pada titik peralihan yang serupa, kamu mungkin akan melewatkan peluang berikutnya seperti Renaissance Technologies atau Bridgewater.
Peluang ini bukan terletak pada pemasangan "modifikasi eksternal" AI ke strategi dana yang ada, melainkan terletak pada pembangunan strategi investasi asli berbasis AI dari awal.
Meskipun konglomerat kuantitatif yang ada memiliki sumber daya yang besar, gerak langkah mereka terlalu lambat dalam permainan antara kepatuhan dan inovasi. Dana lindung nilai masa depan akan didorong oleh kelompok agen-agen AI—mereka dapat mengelola laporan keuangan 10-K, mendengarkan konferensi telepon laporan keuangan, menganalisis dokumen SEC, serta menggabungkan pendapat analis dari berbagai pihak untuk melakukan perdagangan selama 24 jam tanpa henti, seperti yang dilakukan pedagang manusia.
Di bidang ini, keuntungan Alpha yang sebenarnya akan menjadi milik pemain baru yang berani membiarkan AI mengambil alih pengambilan keputusan investasi secara mendalam.
3. Transformasi Perangkat Lunak Perusahaan Layanan (AI-Native Agencies)
Sejak awal, baik itu perusahaan desain, perusahaan iklan, maupun firma hukum, semua model agen (Agency) menghadapi satu titik mati: sulit untuk ditingkatkan skala. Karena mereka menjual "waktu tenaga kerja", margin keuntungan rendah, dan pertumbuhan harus bergantung pada perekrutan.
AI sedang memecahkan kebuntuan ini.
Agen-agen generasi berikutnya tidak akan lagi menjual alat perangkat lunak kepada pelanggan, tetapi justru menggunakan alat AI sendiri untuk menghasilkan hasil dengan efisiensi 100 kali lipat, lalu langsung menjual produk akhir. Ini berarti:
Perusahaan desain dapat menggunakan AI untuk menghasilkan keseluruhan skema kustom sebelum menandatangani kontrak, mengurangi dimensi persaingan dengan pesaing tradisional.
Perusahaan iklan dapat menggunakan AI untuk menghasilkan iklan video berkelas film tanpa perlu pengambilan gambar di lokasi yang mahal.
Kantor hukum dapat menyelesaikan penyiapan dokumen hukum yang kompleks dalam hitungan menit, bukan hitungan minggu.
Perusahaan layanan di masa depan akan lebih mirip dengan perusahaan perangkat lunak dalam model bisnisnya: memiliki margin laba kotor yang tinggi seperti perusahaan perangkat lunak, serta skalabilitas yang tak terbatas.
4. Jasa keuangan turunan stablecoin (Stablecoin Financial Services)
Stablecoin sedang dengan cepat menjadi infrastruktur keuangan global yang penting, tetapi lapisan layanan di atasnya masih merupakan wilayah yang belum terjamah. Dengan majunya undang-undang seperti GENIUS dan CLARITY, stablecoin berada di persimpangan DeFi (keuangan terdesentralisasi) dan TradFi (keuangan tradisional).
Ini adalah peluang arbitrase regulasi dan inovasi yang besar.
Saat ini, pengguna sering harus memilih antara "produk keuangan tradisional yang patuh regulasi tetapi menghasilkan keuntungan rendah" dan "kripto yang menghasilkan keuntungan tinggi tetapi berisiko tinggi". Pasar membutuhkan bentuk perantara: layanan keuangan baru yang berbasis stablecoin, sekaligus patuh regulasi dan memiliki keunggulan DeFi.
Baik itu rekening tabungan dengan imbal hasil yang lebih tinggi, aset dunia nyata (RWA) yang ditokenisasi, maupun infrastruktur pembayaran lintas batas yang lebih efisien, saat ini adalah waktu terbaik untuk menghubungkan kedua dunia paralel ini.
5. Merombak Sistem Industri Lama: Modern Metal Mills
Ketika orang-orang membicarakan "reindustrialisasi Amerika", mereka sering fokus pada biaya tenaga kerja, tetapi mengabaikan gajah di dalam ruangan: desain sistem industri tradisional sangat tidak efisien.
Ambil contoh pembelian bahan baku aluminium atau pipa baja di Amerika Serikat, siklus pengiriman 8 hingga 30 minggu adalah hal yang biasa. Hal ini bukan karena pekerja malas, tetapi karena seluruh sistem manajemen produksi dirancang beberapa dekade yang lalu. Pabrik-pabrik tua ini mengorbankan kecepatan dan fleksibilitas demi mengejar "tonase" dan "tingkat utilisasi". Selain itu, konsumsi energi yang tinggi juga menjadi masalah besar, sementara pabrik-pabrik ini seringkali tidak memiliki skema manajemen energi modern.
Peluang untuk direkayasa ulang sudah matang.
Dengan perencanaan produksi yang didorong AI, sistem manufaktur real-time (MES), dan teknologi otomatisasi modern, kita dapat secara mendasar mengurangi siklus pengiriman dan meningkatkan marjin keuntungan. Ini bukan hanya membuat pabrik berjalan lebih cepat, tetapi juga membuat produksi logam lokal menjadi lebih murah, lebih fleksibel, dan lebih menguntungkan melalui proses manufaktur yang didefinisikan perangkat lunak. Ini adalah bagian penting dari pembangunan ulang fondasi industri.
6. Peningkatan AI untuk Tatanan Pemerintahan (AI untuk Pemerintah)
Gelombang pertama perusahaan AI telah mempercepat luar biasa kecepatan pengisian formulir oleh perusahaan dan individu, tetapi efisiensi ini tiba-tiba berhenti ketika menghadapi departemen pemerintah. Banyak aplikasi digital akhirnya mengalir ke belakang layar pemerintah yang masih harus dicetak secara manual dan diproses secara manual.
Pemerintah membutuhkan alat AI secara mendesak untuk menghadapi badai data yang segera datang. Meskipun negara seperti Estonia telah menunjukkan contoh awal "pemerintah digital", logika ini perlu dikembangkan di seluruh dunia.
Menjual perangkat lunak ke pemerintah memang merupakan tantangan yang sulit, tetapi imbal hasilnya juga besar: begitu Anda mendapatkan pelanggan pertama, biasanya berarti adanya ketertarikan pelanggan yang sangat tinggi dan potensi ekspansi yang besar. Ini bukan hanya sebuah kesempatan bisnis, tetapi juga tindakan kemanusiaan untuk meningkatkan efisiensi operasional masyarakat.
7. Instruktur AI Waktu Nyata untuk Pekerjaan Fisik (AI Guidance for Physical Work)
Apakah Anda masih ingat adegan di film The Matrix ketika Neo menyambungkan selang dan langsung belajar bela diri? "Injeksi keterampilan" versi nyata sedang datang, pembawanya bukan antarmuka otak-komputer, melainkan panduan AI secara real-time.
Daripada menghabiskan hari penuh membahas pekerjaan kantoran apa saja yang akan digantikan oleh AI, lebih baik kita melihat bagaimana AI dapat memperkuat pekerjaan lapangan. Di bidang layanan lapangan, manufaktur, perawatan kesehatan, dan lainnya, meskipun AI tidak bisa secara langsung "melakukan tindakan", tetapi ia bisa "melihat" dan "berpikir".
Bayangkan seorang pekerja yang memakai kacamata pintar sedang memperbaiki peralatan, AI melalui kamera melihat katup tersebut, langsung berbisik di telinganya, "Nyalakan katup merah itu, gunakan kunci inggris 3/8 inci, bagian itu sudah aus dan perlu diganti."
Pematangan model multimodal, popularitas perangkat keras cerdas (ponsel, headphone, kacamata), serta kekurangan tenaga kerja terampil, ketiganya bersamaan menciptakan permintaan besar ini. Baik itu menyediakan sistem pelatihan bagi perusahaan yang sudah ada, maupun membangun platform tenaga kerja "super blue collar" yang sepenuhnya baru, di sini terdapat ruang imajinasi yang besar.
8. Model spasial besar (Large Spatial Models) yang melampaui batasan bahasa
Model bahasa besar (LLM) mendorong ledakan AI, tetapi kecerdasan mereka dibatasi dalam cakupan yang dapat dijelaskan oleh "bahasa". Untuk mencapai kecerdasan buatan umum (AGI), AI harus memahami dunia fisik dan hubungan spasial.
AI saat ini masih canggung dalam menangani tugas-tugas spasial seperti geometri, struktur 3D, rotasi fisika, dan sebagainya. Hal ini membatasi kemampuan mereka untuk berinteraksi dengan dunia fisik.
Yang ingin kami cari adalah tim yang mampu membangun model inferensi spasial besar (Large Spatial Models). Model-model ini tidak boleh memandang geometri sebagai aksesori dari bahasa, melainkan sebagai prinsip dasar. Siapa pun yang bisa membuat AI benar-benar memahami dan merancang struktur fisik, akan memiliki kesempatan untuk membangun model dasar berikutnya setara dengan tingkat OpenAI.
9. Senjata Digital untuk Pemburu Penipuan Pemerintah (Infra untuk Pemburu Penipuan Pemerintah)
Pemerintah adalah pembeli terbesar di dunia, menghabiskan triliunan dolar setiap tahun, sekaligus mengalami kerugian besar akibat penipuan. Hanya asuransi kesehatan di Amerika Serikat saja setiap tahun kehilangan ratusan miliar dolar akibat pembayaran yang tidak tepat.
False Claims Act Amerika Serikat memungkinkan warga negara individu menggugat perusahaan yang menipu pemerintah, dan mendapatkan bagian dari dana yang berhasil dikembalikan. Ini adalah salah satu cara paling efektif untuk melawan penipuan, tetapi proses saat ini sangat primitif: pelapor memberikan petunjuk kepada firma hukum, dan firma tersebut menghabiskan bertahun-tahun untuk mengatur dokumen secara manual.
Kita membutuhkan sistem cerdas yang dirancang khusus untuk ini. Ini bukan sekadar dashboard, tetapi detektif AI yang dapat secara otomatis menganalisis PDF yang berantakan, melacak struktur perusahaan kosong yang kompleks, dan memadukan bukti-bukti terpisah menjadi dokumen yang dapat digunakan dalam gugatan hukum.
Jika kamu bisa meningkatkan kecepatan pemulihan penipuan hingga 10 kali lipat, kamu tidak hanya bisa membangun sebuah kekaisaran bisnis yang besar, tetapi juga menyelamatkan miliaran dolar kerugian bagi para pembayar pajak.
10. Membuat Pelatihan LLM Menjadi Mudah
Meskipun AI sedang sangat populer, pengalaman melatih model besar tetap sangat buruk.
Pengembang-pengembang setiap hari berjuang melawan SDK yang rusak, menghabiskan jam demi jam untuk men-debug instance GPU yang crash begitu baru dijalankan, atau menemukan bug fatal di alat open source. Belum lagi mimpi buruk saat menangani data berukuran terabyte.
Seperti era komputasi awan melahirkan Datadog dan Snowflake, era AI juga sangat membutuhkan "alat" yang lebih baik. Kita membutuhkan:
API yang mengabstraksi proses pelatihan secara lengkap.
Database yang dapat dengan mudah mengelola kumpulan data berskala besar.
Lingkungan pengembangan yang dirancang khusus untuk penelitian pembelajaran mesin.
Dengan semakin pentingnya "post-training" dan spesialisasi model, infrastruktur ini akan menjadi fondasi pengembangan perangkat lunak di masa depan.