作者：DeepThink Circle
Apakah Anda pernah menyadari sebuah fenomena yang kontradiktif? Di satu sisi, penuh dengan kisah sukses AI yang mendominasi, berita pendanaan yang bertebaran, berbagai produk AI dirilis setiap hari. Di sisi lain, kenyataan perusahaan menunjukkan kesulitan nyata: penelitian IBM menunjukkan 75% solusi AI tidak memberikan ROI (Return on Investment) yang diharapkan, laporan MIT bahkan lebih buruk, 95% proyek AI tidak memiliki manfaat yang terukur. Mengapa jurang sebesar ini bisa terjadi? Mengapa teknologi AI yang tampak begitu cemerlang saat diimplementasikan justru begitu sulit?
Beberapa hari lalu, saya menonton sebuah video yang dibagikan Ben tentang analisis mendalam model bisnis AI tahun 2026. Ben sendiri menjalankan agensi AI (AI agency) dan bisnis perangkat lunak AI selama lebih dari dua tahun, dan pengamatannya sangat resonan bagi saya. Ia menyoroti sebuah realitas yang banyak diabaikan: bisnis AI yang benar-benar menghasilkan uang dan memberi nilai nyata kepada pelanggan biasanya bukan perusahaan produk murni yang paling keren, melainkan perusahaan yang terlihat “membosankan” yang menawarkan kombinasi layanan + produk. Pandangan ini benar-benar membalik pemahaman saya tentang kewirausahaan AI.
Mengapa Sebagian Besar Solusi AI Gagal
Dalam video tersebut, Ben menyebutkan data perbandingan yang mengejutkan. Meskipun penggunaan ChatGPT meningkat pesat dan perusahaan mencoba berbagai solusi AI secara gila-gilaan, sangat sedikit yang benar-benar menunjukkan nilai bisnis. Menurut penelitian MIT, dari solusi AI yang dijual vendor, hanya 5% pilot project yang akhirnya masuk ke lingkungan produksi. Deloitte menemukan hanya 15% organisasi yang melaporkan ROI yang signifikan dan terukur dari AI. Laporan PWC menunjukkan 76% perusahaan belum melihat dampak profit. Angka-angka ini sangat buruk.
Namun, di saat yang sama, kita juga melihat kasus yang sangat berlawanan. Laporan Clara menyebutkan bahwa asisten AI mereka membantu mengurangi biaya layanan pelanggan sebesar 40% tanpa menurunkan kepuasan pelanggan. Intercom menyelesaikan lebih dari satu juta percakapan dukungan pelanggan setiap minggu. Freshworks menggunakan AI untuk mengurangi waktu penyelesaian tiket help desk IT sebesar 76%. Sama-sama AI, mengapa ada perusahaan yang mendapatkan pengembalian yang luar biasa, sementara yang lain tidak mendapatkan apa-apa?
Ben merangkum tiga faktor kunci yang menurut saya sangat tepat. Faktor pertama adalah kustomisasi dan restrukturisasi proses. AI mampu mengotomatisasi tenaga kerja, tetapi hanya jika benar-benar terintegrasi ke dalam alur kerja nyata, barulah ROI tercipta, bukan sekadar menambahkan alat baru ke tumpukan teknologi. Ini biasanya membutuhkan tingkat kustomisasi, integrasi, bahkan rediseain proses yang ada. Tenaga kerja sangat terkait dengan data unik perusahaan, kasus edge, alat yang digunakan, dan definisi “baik” menurut perusahaan. Sebuah studi McKinsey mengonfirmasi hal ini: dari 25 atribut yang diuji, merancang ulang dan menyesuaikan alur kerja untuk AI memiliki pengaruh terbesar terhadap kemampuan organisasi melihat dampak EBIT (laba sebelum bunga dan pajak) nyata dari solusi generatif AI.
Saya sangat merasakan hal ini. Banyak perusahaan beranggapan membeli satu alat AI akan langsung terlihat hasilnya, seperti membeli software Excel. Tapi AI tidak bekerja seperti itu. Struktur data setiap perusahaan berbeda, proses bisnis berbeda, dan definisi kualitas juga berbeda. Tanpa kustomisasi mendalam, AI seperti karyawan baru yang tidak memahami kondisi perusahaan, sehingga tidak mampu menjalankan tugas. Itulah sebabnya produk AI yang siap pakai seringkali tidak efektif, sementara solusi yang dikustomisasi secara mendalam mampu menciptakan nilai nyata.
Faktor kedua adalah pelatihan tim dan perubahan mindset. Ben menekankan bahwa AI adalah teknologi baru, perangkat lunak tradisional bersifat deterministik, sedangkan perangkat lunak AI bersifat probabilistik. Orang perlu belajar kembali bagaimana secara kritis menilai output AI, bukan sekadar percaya begitu saja. Banyak yang melihat satu kesalahan output langsung menganggap solusi AI belum matang, padahal mereka tidak memahami esensi teknologi ini. Jika tim tidak belajar cara menggunakan AI, menilai output, kapan harus verifikasi, dan apa hasil yang baik, tingkat adopsi internal akan mati.
Ben memberi contoh bahwa software SEO AI mereka adalah solusi produk, tetapi jika tim tidak dilatih untuk menggunakan sistem dan berkolaborasi dengan AI, maka tidak akan diadopsi dengan benar. Ini sangat penting karena mengungkapkan sebuah kebenaran yang sering diabaikan: AI bukan sihir, melainkan harus diajari dan diawasi. Seperti saat beralih dari antarmuka command line ke GUI, pengguna harus belajar cara berinteraksi yang baru. Sekarang, beralih dari software tradisional ke AI juga membutuhkan kurva belajar.
Faktor ketiga adalah operasional berkelanjutan dan pengawasan manusia. Karena solusi AI biasanya menjanjikan hasil, bukan sekadar alat produktivitas, berarti harus ada orang yang bertanggung jawab dan mengelola operasional sistem secara aktif. Pekerjaan berubah, bisnis berubah, AI berkembang sangat cepat. Semua faktor ini menuntut seseorang untuk memantau kualitas, menjadi bagian dari loop manusia, menangani edge case, memperbarui prompt dan logika, serta menjaga konsistensi dengan bisnis.
Ben membandingkan AI seperti magang yang cerdas, yang masih membutuhkan bimbingan langsung dan pelatihan agar menghasilkan hasil, bukan perangkat lunak yang bisa diatur sekali lalu dilupakan. Saya sangat setuju dengan analogi ini. Banyak perusahaan berharap AI bisa berjalan otomatis seperti SaaS tradisional, setelah di-deploy. Tapi AI lebih mirip mempekerjakan karyawan yang perlu dikelola, diberi umpan balik, dan disesuaikan terus-menerus. Sebuah studi dari Gartner juga mendukung hal ini: evaluasi dan optimisasi sistem AI secara rutin dapat meningkatkan peluang mendapatkan nilai tinggi hingga tiga kali lipat.
Apa yang Dilakukan Bisnis AI yang Sukses
Lalu, bagaimana bisnis AI yang sukses memastikan faktor-faktor ini terpenuhi? Jawaban Ben sangat sederhana dan penting: biasanya dengan menambahkan lapisan layanan (service layer) di atas solusi AI atau perangkat lunak AI. Inilah inti dari model bisnis yang “membosankan” tapi sangat efektif itu. Kita melihat semua jenis bisnis AI yang sukses, perusahaan yang menggunakan perangkat lunak AI asli, semakin banyak menawarkan kombinasi konsultasi, edukasi, dan implementasi yang dikustomisasi.
Ben menganalisis secara detail beberapa model bisnis utama. Pertama, startup AI dan bisnis perangkat lunak AI semakin banyak memiliki divisi konsultasi. Engineer yang ditempatkan di depan (forward deployed engineers) atau solution engineers kini menjadi posisi yang paling dicari dan bernilai tinggi di startup AI. Puluhan startup dari Y Combinator menawarkan layanan ini agar deployment benar-benar terjadi. Engineer ini membantu mengoptimalkan dan mengintegrasikan produk ke dalam bisnis tertentu secara berkelanjutan. Mereka kadang memberikan konsultasi prioritas, membantu merencanakan ulang proses, atau melatih tim agar bisa berkolaborasi dan menggunakan AI secara efisien.
Saya melihat daftar startup Y Combinator yang disebutkan Ben, seperti Harvey AI, Strata AI, Sakana, Collectwise, Furai, dan lain-lain, semuanya merekrut banyak peran ini. Bahkan perusahaan besar seperti n8n, Relevance AI, atau Make.com biasanya menyediakan layanan untuk klien besar dan memiliki jaringan mitra yang mampu melayani klien kecil. Coba bayangkan keberhasilan n8n, sebagian besar karena para YouTuber mengedukasi banyak pengusaha tentang cara menggunakan alat ini secara praktis. Ini menunjukkan bahwa bahkan produk terbaik pun membutuhkan lapisan edukasi dan layanan agar benar-benar bernilai.
Tergantung perangkat lunak tertentu, ada yang lebih condong ke layanan kustom, pelatihan pemberdayaan, atau konsultasi. Kadang kombinasi ketiganya. Tapi untuk hampir semua bisnis perangkat lunak AI asli ini, lapisan layanan tetap esensial untuk mengantarkan ROI nyata ke perusahaan. Ini benar-benar mengubah pemahaman saya tentang bisnis perangkat lunak. Di era SaaS, model bisnis paling sukses adalah self-service dan scalable. Tapi di era AI, bahkan produk terbaik pun membutuhkan dukungan layanan.
Model bisnis kedua adalah agensi layanan berbasis AI (AI-first service agencies), seperti agensi pemasaran atau pengembangan prospek, yang secara internal menggunakan AI secara besar-besaran untuk mengotomatisasi layanan mereka ke klien. Ben menyebutkan Called IQ, sebuah agensi pengembangan prospek berbasis AI yang otomatisasi konten, email, dan outreach LinkedIn, melalui account manager atau GTM engineers (engineer go-to-market). Keunggulan mereka adalah mereka sendiri adalah operator AI, jadi biasanya tidak perlu melatih tim klien menggunakan AI. Tapi ini tetap bisnis layanan, menawarkan konsultasi dan strategi kustom, biasanya dilakukan oleh account manager yang semakin teknikal. Mereka semakin membutuhkan keahlian teknis, sehingga posisi GTM engineer menjadi sangat diminati dan baru.
Saya rasa model ini sangat cerdas. Daripada berusaha meyakinkan klien untuk mengubah cara kerja mereka, lebih baik langsung hasilkan hasil. Klien tidak perlu belajar menggunakan AI, mereka hanya ingin melihat hasil pemasaran yang lebih baik atau prospek yang lebih banyak. Model ini menyembunyikan kompleksitas AI di balik layanan, sehingga klien membeli hasil, bukan alat. Ini juga menjelaskan mengapa banyak agensi tradisional yang mengadopsi AI bisa meningkatkan margin keuntungan secara besar-besaran, karena biaya pengiriman mereka turun, sementara harga jual tidak banyak berubah.
Model ketiga adalah agensi otomatisasi AI (AI automation agencies) yang mampu memberikan ROI terbesar dan mendapatkan traction paling banyak. Mereka bukan sekadar membangun solusi, tetapi menjadi mitra AI perusahaan, menawarkan layanan lengkap termasuk audit AI, konsultasi, implementasi kustom, dan pelatihan tim agar bisa bekerja sama secara efisien. Posisi yang sangat berharga di sini adalah delivery managers, yang memiliki pemahaman bisnis, kemampuan teknis, dan komunikasi. Mereka terus melakukan konsultasi, merancang ulang proses, menemukan inefisiensi, melatih tim, dan mengatur operator AI.
Ben berbagi pengalaman pribadinya yang sangat menginspirasi. Saat memulai agensi, mereka lebih fokus pada implementasi, yang sering menyebabkan solusi AI tidak digunakan atau diadopsi perusahaan. Kemudian mereka mengadopsi pendekatan yang menggabungkan strategi, edukasi, dan implementasi, serta memperkenalkan delivery managers. Sejak saat itu, tingkat adopsi dan ROI yang mereka ciptakan jauh lebih tinggi. Perubahan ini sangat penting, menunjukkan bahwa implementasi teknologi hanyalah bagian kecil dari keberhasilan; yang utama adalah memastikan solusi digunakan dengan benar dan menghasilkan hasil.
Model keempat yang bernilai tinggi adalah AI officers (AI officers) atau fractional AI officers (officer AI paruh waktu), yang memiliki kombinasi keahlian bisnis dan AI, mampu menawarkan layanan serupa untuk membantu perusahaan bertransformasi di era AI. Ben menyebutkan banyak nama, seperti fractional AI officer atau AI transformation officer, intinya adalah orang dengan keahlian sangat tinggi yang mampu membawa ROI nyata dari solusi AI.
Batas Produk dan Layanan Semakin Blur
Satu pandangan utama Ben yang sangat berkesan adalah: meskipun saat ini kita bisa membangun software hebat dalam beberapa jam menggunakan Claude Code, jika ingin membangun bisnis produk AI, sebagian besar (bukan semua, tapi mayoritas) membutuhkan investasi besar di lapisan layanan. Banyak orang melihat produk dan layanan sebagai hitam-putih, tapi Ben berpendapat bahwa di bidang AI ini lebih seperti spektrum. Ada yang benar-benar self-service AI SaaS, dan ada yang sepenuhnya kustom seperti agensi transformasi AI.
Saya sangat setuju dengan pandangannya. Argumen Ben adalah bahwa sebagian besar bisnis AI yang ingin memulai pada 2026, apapun model bisnisnya, perlu menambahkan lapisan layanan tertentu. Karena bahkan jika Anda punya produk yang sepenuhnya self-service, Anda tetap perlu investasi besar dalam edukasi dan pelatihan awal. Dengan munculnya alat seperti Claude Code, pembangunan produk menjadi semakin demokratis. Meski di era SaaS membangun produk sulit, sekarang memulai AI SaaS yang sukses bukan lagi soal kode, melainkan tentang kemampuan deployment AI.
Insight ini sangat mendalam. Artinya, hambatan teknologi menurun, tetapi hambatan layanan justru meningkat. Dulu, menulis kode bisa menciptakan nilai besar karena sulitnya coding. Sekarang, menulis kode tidak cukup karena AI bisa membantu menulis kode. Yang benar-benar bernilai adalah memahami kebutuhan pelanggan, merancang solusi yang tepat, dan memastikan deployment serta penggunaannya benar. Semua ini membutuhkan kemampuan layanan yang mendalam, bukan sekadar kemampuan teknis.
Ben mengatakan banyak orang bermimpi membangun produk AI yang ramping, lalu menjual ke ribuan orang. Tapi bagi kebanyakan orang tanpa pengalaman bertahun-tahun, koneksi VC, atau jaringan Silicon Valley, kenyataannya adalah bahwa bahkan menawarkan layanan pun adalah jalur tercepat untuk menghasilkan ROI nyata hari ini. Dan layanan adalah media terbaik untuk produk. Ketika pola yang sama muncul di berbagai klien, dengan penyesuaian workflow, integrasi, pelatihan, dan ROI yang serupa, itu adalah sinyal bahwa pola tersebut harus diulang dan dikemas menjadi produk.
Saya rasa ini adalah poin terpenting. Produk yang bagus biasanya berasal dari bukti, bukan asumsi. A16Z (Andreessen Horowitz, VC top) juga menulis artikel tentang pertumbuhan berbasis produk (product-led growth) versus layanan (service-led growth) di era AI. Mereka melihat tren yang sama: perusahaan yang mampu memberikan ROI terbesar dan pendapatan jangka panjang terbanyak adalah yang mengadopsi model bisnis berbasis layanan AI. Meski awalnya margin mungkin lebih rendah dan kerja lebih banyak, biasanya mereka lebih cepat menemukan product-market fit.
Ben menggunakan software SEO AI-nya sebagai contoh. Mereka membangun sistem SEO kustom untuk beberapa klien, memahami apa yang dibutuhkan produk, apa yang benar-benar menghasilkan hasil, apa saja integrasi yang diperlukan, dan bagaimana orang menggunakan sistem tersebut secara efisien. Dari proses ini, mereka mampu mengubah solusi menjadi produk secara bertahap. Tapi bahkan setelah bekerja sama dengan lebih dari 100 perusahaan, mereka tetap harus melakukan investasi besar dalam edukasi dan pelatihan agar solusi tersebut benar-benar menghasilkan hasil nyata.
Pemikiran Mendalam tentang Model Bisnis AI
Setelah mendengar Ben, saya mendapatkan pemahaman yang lebih dalam tentang esensi bisnis AI. Saya percaya kita sedang mengalami bukan hanya revolusi teknologi, tetapi juga perubahan fundamental dalam model bisnis. Di era perangkat lunak tradisional, skalabilitas adalah kunci. Perusahaan perangkat lunak paling sukses adalah yang bisa melayani sebanyak mungkin pelanggan dengan biaya marginal yang sangat rendah. Itulah mengapa model SaaS begitu populer, karena setelah pengembangan selesai, biaya melayani satu pelanggan atau seribu pelanggan hampir sama.
Tapi AI mengubah aturan permainan ini. Nilai AI bukan dari perangkat lunaknya sendiri, melainkan dari bagaimana AI diterapkan ke dalam konteks bisnis tertentu. Data setiap perusahaan berbeda, proses berbeda, tujuan berbeda, sehingga AI yang sama bisa diimplementasikan secara berbeda dan hasilnya pun berbeda. Inilah mengapa kustomisasi dan lapisan layanan menjadi sangat penting. Kita tidak bisa lagi berpikir seperti di era perangkat lunak tradisional.
Saya melihat bisnis AI lebih seperti gabungan antara konsultasi dan perangkat lunak. Ia membutuhkan kemampuan konsultasi dan kustomisasi seperti di industri jasa, sekaligus potensi skala dari perangkat lunak. Mereka yang mencoba fokus hanya pada produk sering menghadapi masalah adopsi, karena meskipun teknologinya canggih, pelanggan tidak tahu cara menggunakannya atau tidak bisa mengintegrasikannya ke proses mereka. Sebaliknya, perusahaan yang hanya menawarkan layanan tanpa skala akan terbatas margin dan pertumbuhan.
Model bisnis paling sukses adalah yang menyeimbangkan keduanya. Ben menyebutkan bahwa semua contoh sukses tersebut—baik startup YC, agensi layanan berbasis AI, maupun agensi otomatisasi AI—menggabungkan produk dan layanan. Mereka menggunakan produk sebagai inti yang scalable, dan layanan untuk memastikan penggunaan dan implementasi yang benar. Model hybrid ini mungkin margin awalnya lebih rendah, tapi lebih berkelanjutan karena benar-benar menciptakan nilai bagi pelanggan.
Saya juga memperhatikan tren bahwa posisi bernilai tinggi di era AI adalah posisi yang bersifat multidimensi. Tidak lagi hanya engineer atau hanya bisnis, tetapi orang yang menguasai keduanya. Engineer yang ditempatkan di depan (forward deployed engineers) harus memahami proses bisnis pelanggan, GTM engineers harus menguasai implementasi dan strategi pasar, dan delivery managers harus memiliki pemahaman bisnis, kemampuan teknis, dan komunikasi. Bahkan AI officers (pejabat AI) harus memiliki semua kemampuan ini. Ini mencerminkan karakteristik utama bisnis AI: integrasi mendalam antara teknologi dan bisnis.
Dari sudut pandang startup, saran Ben sangat praktis. Jangan langsung fokus ke produk yang scalable. Mulailah dari layanan, pelajari kebutuhan pelanggan, kumpulkan pengalaman, dan temukan pola yang bisa diulang. Setelah menyelesaikan masalah yang sama untuk 10 pelanggan, Anda tahu apa yang layak dikemas menjadi produk. Pendekatan dari layanan ke produk ini memang terlihat “membosankan”, tapi paling aman dan berpeluang besar sukses.
Saya juga merenungkan mengapa pola pikir produk tradisional gagal di era AI. Penyebab utamanya adalah sifat probabilistik AI. Software tradisional deterministik: input sama, output sama. Tapi AI probabilistik: input sama bisa menghasilkan output berbeda, dan kualitas output sangat bergantung pada data pelatihan, prompt, konteks, dan faktor lain. Ketidakpastian ini membuat AI tidak bisa “diatur sekali lalu dilupakan”, melainkan membutuhkan pengawasan, penyesuaian, dan optimisasi terus-menerus.
Ini menjelaskan mengapa lapisan layanan sangat penting. Layanan tidak hanya menyediakan dukungan teknis, tetapi juga proses terus-menerus untuk mengoptimalkan dan melatih AI. Seperti yang dikatakan Ben, AI lebih seperti magang cerdas, bukan alat otomatis yang bisa diatur sekali lalu selesai. Anda harus memberi umpan balik, menyesuaikan perilaku, memperbaiki kesalahan, dan mengajarkan keterampilan baru. Proses ini bukan sekali jalan, melainkan berkelanjutan. Itulah sebabnya perusahaan yang hanya menjual produk tanpa layanan berkelanjutan sulit sukses, karena mereka menyerahkan tanggung jawab optimisasi ke pelanggan, yang kebanyakan tidak mampu atau tidak mau.
Pandangan dan Saran Masa Depan
Berdasarkan analisis Ben dan pemikiran saya sendiri, saya melihat beberapa prediksi tentang masa depan bisnis AI. Dalam jangka pendek (2-3 tahun ke depan), model bisnis berbasis layanan akan tetap dominan. Teknologi masih berkembang pesat, kebutuhan perusahaan berbeda-beda, dan standarisasi belum terbentuk. Pada fase ini, perusahaan yang mampu menawarkan kustomisasi mendalam dan dukungan berkelanjutan akan mendapatkan nilai terbesar.
Dalam jangka menengah (3-5 tahun), kita akan melihat beberapa pola sukses mulai dikemas menjadi produk. Mereka yang menemukan pola yang dapat diulang selama proses layanan akan mulai mengkonsolidasikan fitur tersebut ke dalam produk. Tapi, bahkan di fase ini, produk AI yang sepenuhnya self-service tetap minor, dan sebagian besar perusahaan AI yang sukses tetap mengandung unsur layanan. Seperti pasar perangkat lunak saat ini, di mana Salesforce misalnya, meskipun sangat produk-centric, mereka tetap memiliki jaringan mitra implementasi dan layanan profesional.
Dalam jangka panjang (lebih dari 5 tahun), teknologi AI akan semakin matang dan andal, pengguna akan semakin terbiasa berkolaborasi dengan AI. Saat itu, kita mungkin akan melihat lebih banyak solusi AI yang benar-benar produk penuh. Tapi saya yakin lapisan layanan tidak akan pernah hilang sepenuhnya, karena kompleksitas dan keberagaman bisnis bersifat abadi. Bahkan jika AI menjadi lebih cerdas, perusahaan tetap membutuhkan bantuan untuk mengintegrasikan AI ke dalam proses unik mereka.
Bagi profesional yang ingin masuk ke bidang AI, saran saya adalah mengembangkan kemampuan multidimensi. Jangan hanya belajar teknologi atau hanya bisnis, tetapi keduanya sekaligus. Pelajari alat otomatisasi AI seperti n8n, Make.com, dan juga belajar coding, misalnya Claude Code. Tapi juga kembangkan wawasan bisnis, belajar mengenali pain point perusahaan, merancang solusi, dan berkomunikasi dengan pelanggan. Kemampuan multidimensi ini akan sangat berharga di masa depan.
Ben menyarankan agar profesional secara perlahan menempatkan diri sebagai operator AI atau AI officer di perusahaan mereka. Mulailah otomatisasi proses sendiri, perluas ke proses lain, tunjukkan dan latih tim tentang penggunaan AI. Ini tidak hanya membuat Anda tak tergantikan di perusahaan saat ini, tetapi juga membangun keahlian berharga di era AI. Saya sangat setuju, karena AI tidak akan menggantikan manusia, tetapi orang yang mampu menggunakan AI akan menggantikan yang tidak mampu.
Bagi yang ingin berwirausaha, saran Ben adalah memulai dari AI agency atau fractional AI officer. Karena dari situ Anda akan secara alami membangun tiga keahlian: konsultasi, implementasi, dan pelatihan. Alat bisa dipelajari dalam beberapa minggu, tetapi keahlian ini perlu pengalaman langsung. Banyak perusahaan masih tertinggal dalam tren AI, selama Anda lebih maju beberapa minggu dari mereka, mereka akan bersedia bekerja sama jangka panjang. Biasanya cukup 2-4 klien untuk mencapai pendapatan berulang 10-20 ribu dolar per bulan.
Jika sudah menjalankan AI agency, Ben menyarankan untuk benar-benar berinvestasi dalam menawarkan kombinasi layanan: konsultasi, pelatihan, dan implementasi. Banyak institusi fokus hanya pada implementasi, tetapi menambahkan lapisan konsultasi dan pelatihan melalui audit AI, workshop, dan pelatihan adalah kunci untuk memastikan solusi yang dibangun benar-benar menghasilkan ROI. Dan Anda bisa mengikat klien dengan kontrak jangka panjang, yang merupakan sumber pendapatan berulang dalam model bisnis ini.
Jika Anda adalah institusi layanan yang sudah ada, seperti agensi pemasaran atau pengembangan prospek, atau berpengalaman di bidang ini, Anda juga berada di posisi yang sangat baik. Jangan ragu karena hype, untuk beralih ke AI agency atau membangun bisnis produk AI. Jika Anda mampu memanfaatkan AI secara internal untuk layanan pemasaran atau prospek, Anda bisa membangun bisnis dengan margin tinggi. Kuncinya adalah menyadari bahwa AI bisa secara drastis menurunkan biaya pengiriman, bukan mengubah model bisnis secara total.
Jika Anda sedang berjuang mendapatkan traction dengan bisnis produk AI, Ben menyarankan untuk benar-benar mempertimbangkan investasi besar di lapisan layanan selama beberapa bulan atau tahun, sebelum sepenuhnya berfokus pada produk. Saya rasa saran ini sangat penting, karena banyak startup AI gagal bukan karena produknya buruk, tetapi karena mereka terlalu cepat mengejar skala dan mengabaikan layanan. Buktikan nilai melalui layanan dulu, temukan product-market fit, baru kemudian skala.
Akhir kata, saya percaya bahwa tahun 2026 belum ada ahli sejati di bidang AI. Semuanya masih belajar dan bereksperimen. Ini adalah tantangan sekaligus peluang. Mereka yang mau belajar mendalam, praktik, dan berbagi akan menjadi pelopor di bidang ini. Seperti kata Ben, manfaatkan gap adopsi yang besar ini, masuk ke dunia AI hari ini. Jangan tunggu semuanya matang, karena saat itu peluang akan tertutup.
Saya yakin beberapa tahun ke depan akan menjadi periode kunci dalam pembentukan model bisnis AI. Perusahaan yang menemukan keseimbangan terbaik antara produk dan layanan, yang benar-benar menciptakan nilai bagi pelanggan, dan yang mengembangkan kemampuan multidimensi akan menjadi pemenang. Model bisnis kombinasi layanan + produk yang tampak “membosankan” ini justru bisa menjadi yang paling berkelanjutan dan bernilai tinggi di era AI.
