Artikel ini mengulas mengapa klaim bahwa "AI bisa menjalankan perusahaan Anda" belum terwujud, dengan menguraikan tiga hambatan struktural yang mencegah model bahasa otonom mencapai kelayakan ekonomi saat ini. Penulis menghabiskan dua jam mewawancarai chatbot yang menjalankan platform agen AI senilai $250 juta, yang menjanjikan output setara perusahaan 50 orang dengan biaya pendiri tunggal. Meskipun bagian dari visi ini sudah berfungsi—generasi kreatif dalam skala besar, penulisan draf awal yang kompeten, penyortiran dan ringkasan yang efisien—hitungan ekonomi yang mendasarinya masih belum tertutup.
Hambatan pertama adalah ekonomi token versus ekonomi unit. Platform yang disebutkan mengungkapkan pengeluaran komputasi bulanan sekitar $295.000 untuk melayani sekitar 8.444 perusahaan pelanggan, yang menghasilkan biaya inferensi sekitar $35 per bulan per pelanggan aktif. Dengan pendapatan rata-rata ($57/bulan), sekitar 61% pendapatan langsung habis untuk inferensi sebelum biaya iklan, server, atau gaji pendiri. Setelah menambahkan pengeluaran akuisisi pelanggan (~$157.000 per bulan, sekitar 40% dari MRR), setiap dolar yang masuk dihabiskan kembali, dan biaya infrastruktur masih belum dibayar. Model ini bertahan hanya karena sumber pendapatan tambahan, kohort yang masih muda dan berkembang, serta pendanaan baru-baru ini sebesar $30 juta—semua ini adalah solusi jangka pendek, bukan kelangsungan bisnis jangka panjang.
Tren penurunan biaya inferensi memberikan harapan. Menurut Epoch AI, biaya untuk mencapai kualitas model tertentu telah turun sekitar sepuluh kali lipat per tahun sejak tahun 2023, dengan beberapa pencapaian menunjukkan penurunan hingga 40‑900 kali lipat per tahun. Misalnya, kualitas setara GPT-4 yang awalnya berharga $20‑$60 per juta token pada tahun 2023 kini dapat disajikan dengan biaya sekitar $0,40 per juta token, yang merupakan penurunan sekitar 50 kali lipat dalam waktu sekitar 3,5 tahun. Jika tren ini berlanjut selama 12‑24 bulan ke depan, biaya inferensi bulanan sebesar $35 dapat turun menjadi sekitar $3,50, yang secara dramatis meningkatkan margin bruto dan memungkinkan produk ini beralih dari alat untuk pendiri tunggal menjadi platform untuk tim SMB.
Hambatan kedua adalah kualitas data yang berharga terhalang, dan data yang tidak terhalang memiliki nilai yang rendah. Visi agen otonom bergantung pada kemampuan agen untuk menemukan dan menilai prospek berkualitas tinggi. Sumber utama prospek B2B—LinkedIn, Apollo, ZoomInfo, Lusha, Clay—semuanya dilindungi oleh otentikasi atau memerlukan akses API berbayar, yang secara eksplisit melarang akses otomatis. Keterbatasan ini mencegah agen mengumpulkan kumpulan data yang cukup besar dan beragam untuk menjalankan siklus akuisisi pelanggan secara end-to-end.
Hambatan ketiga adalah distribusi yang dibeli. Bahkan jika agen dapat menghasilkan prospek dan mengubahnya menjadi pelanggan, pendapatan masih harus dikembalikan ke saluran berbayar untuk mempertahankan pertumbuhan. Dalam kasus yang dibahas, sekitar 40% dari pendapatan bulanan dihabiskan untuk iklan, yang meninggalkan sedikit ruang untuk investasi infrastruktur atau perluasan lebih lanjut. Model ini bergantung pada peningkatan terus-menerus dalam volume untuk mencapai ekonomi skala, yang saat ini tidak realistis bagi sebagian besar perusahaan.
Apa yang sudah berfungsi dengan baik? Generation kreatif dalam skala besar—platform yang disebutkan menghasilkan sekitar 97 iklan per hari, lebih dari 15.000 iklan dalam lifetime. Penulisan draf awal (email dingin, posting blog, salinan halaman arahan) sudah mencapai tingkat kecakapan yang memadai untuk dikirim, meskipun masih memerlukan peninjauan manusia. Tugas-tugas yang melibatkan triase, ringkasan, dan penilaian kualitas lead adalah tugas-tugas yang sesuai dengan kekuatan pemrosesan bahasa alami saat ini. Oleh karena itu, bagian dari bisnis yang bersifat high‑volume dan low‑judgment dapat diotomatisasi saat ini.
Bagi startup teknologi di Indonesia, implikasinya jelas: anggaran komputasi masih menjadi kendala, akses ke data CRM yang berkualitas tinggi masih terbatas, dan biaya iklan yang tinggi dapat menguras sumber daya dengan cepat. Alih-alih mengejar visi agen otonom yang belum matang, perusahaan sebaiknya fokus pada peningkatan tim manusia dengan alat-alat AI yang kuat—misalnya, generator kreatif yang dapat diskalakan, asisten penulisan yang dapat mengurangi kesalahan ketik, dan sistem triase tiket dukungan yang dapat memprioritaskan permintaan.
Rekomendasi strategisnya adalah mengadopsi pendekatan bertahap: mulailah dengan mengotomatisasi tugas-tugas berulang yang memberikan ROI yang jelas, investasikan dalam pipeline data yang mematuhi peraturan untuk mengumpulkan sinyal prospek yang berkualitas, dan pantau terus tren penurunan biaya inferensi untuk merencanakan transisi ke otonomi yang lebih besar di masa depan. Dengan melakukan hal ini, perusahaan dapat memanfaatkan peningkatan produktivitas yang ditawarkan oleh AI tanpa terjebak dalam ilusi bahwa AI saat ini dapat menjalankan seluruh operasi perusahaan.
Secara keseluruhan, artikel ini memberikan peringatan yang realistis sekaligus optimis: AI akan mengubah cara bisnis beroperasi, tetapi kelayakan ekonomi masih bergantung pada dinamika harga komputasi, ketersediaan data yang berkualitas, dan keberlanjutan akuisisi pelanggan yang berbayar. Bagi ekosistem startup Indonesia, memahami batasan-batasan ini sejak dini akan membantu mengalokasikan sumber daya yang terbatas dengan lebih bijak dan membangun fondasi yang lebih kuat untuk adopsi AI di masa depan.