Perangkat lunak seperti apa yang akan ditinggalkan oleh AI?

Hingga tahun 2026, koreksi di sektor perangkat lunak berbeda dari beberapa putaran koreksi sebelumnya yang didorong oleh “perlambatan permintaan/peningkatan suku bunga”: pasar lebih seperti membahas nilai akhir—apakah perusahaan-perusahaan ini dapat mempertahankan profit pool mereka dalam sepuluh tahun ke depan, dan apakah keunggulan kompetitif mereka akan kembali terpotong oleh AI “agentic”.

Menurut sumber dari Zhi Feng Trading Platform, analis dari Departemen Riset Investasi Global Goldman Sachs Gabriela Borges secara langsung menulis dalam laporan tanggal 16 bahwa: “Pasar sedang meragukan keunggulan kompetitif dan model bisnis perangkat lunak.” Dia menguraikan tujuh argumen bearish yang paling sering diajukan oleh investor, memberi skor risiko dari 1 sampai 5, dan membedakan apakah pengaruhnya terhadap perangkat lunak aplikasi sempit, atau menyebar ke infrastruktur/stack keamanan yang lebih luas, bahkan terkait ROI pengeluaran modal vendor cloud.

Yang menarik, Goldman Sachs tidak memandang “penggantian total perangkat lunak sistem tingkat rendah oleh AI” sebagai risiko utama (skor 1). Kekhawatiran yang lebih tajam terarah ke dua arah: pertama, nilai berpindah dari layer pencatatan sistem (System of Record, SoR) ke “sistem operasi/layanan orkestrasi agentic” (skor 4); kedua, kecepatan iterasi teknologi itu sendiri membuat akhir dari model sulit untuk dipatok harga (skor 5)—nilai valuasi sulit menemukan “lantai”.

Dalam ketidakpastian ini, panduan yang diberikan laporan cukup jelas: fokus pada dua sinyal—pertama, apakah perusahaan perangkat lunak dapat membuktikan bahwa “pengalaman domain industri” benar-benar dapat menghasilkan hasil agentic yang lebih berkualitas; kedua, apakah fundamental laporan keuangan dapat tetap stabil bahkan membaik.

Koreksi perangkat lunak kali ini, pasar memfokuskan pada “perdebatan nilai akhir”

Penilaian Goldman Sachs adalah: Penurunan harga pada 2026 ini beralih dari “kurva pertumbuhan jangka pendek” ke “apakah keunggulan kompetitif akan terkikis oleh AI”. Fokus diskusi utamanya adalah perangkat lunak aplikasi, tetapi juga mulai menyentuh infrastruktur/stack keamanan, serta input-output terkait pengeluaran modal vendor cloud.

Oleh karena itu, gaya penulisan laporan ini lebih seperti “mengurai argumen”: mengurutkan tujuh poin bearish dari “palsu” ke “argumen kuat”, memberi skor risiko, dan berusaha menjawab satu pertanyaan yang sama—apa yang masih bisa menopang nilai akhir.

SoR mungkin tidak akan benar-benar “dilempar meja”, tetapi “perpindahan nilai” lebih berbahaya

• A: Risiko “penggantian” SoR sangat rendah (skor 1)

Argumen bearish pertama adalah “rip and replace”: pemain baru menggunakan AI untuk membangun ulang layer pencatatan sistem, membuat sistem dasar seperti ERP/CRM/HR menjadi usang. Goldman Sachs menilai ini risiko rendah, alasannya cukup langsung: AI generatif lebih mirip mesin analisis dan generasi, bukan mesin transaksi; AI tingkat perusahaan membutuhkan data berkualitas tinggi, terstruktur, dan dapat dilacak, dan SoR adalah wadah serta sistem pengelolaan data tersebut.

Laporan juga mengakui bahwa risiko penggantian yang nyata memang ada: jika ada yang membangun arsitektur SoR yang lebih modern, scalable, dan dengan total biaya kepemilikan lebih rendah, itu bisa memicu migrasi. Contohnya adalah upgrade cloud SAP S/4HANA: migrasi perusahaan besar biasanya memakan waktu 18–36 bulan, biaya tinggi, dan durasi panjang, sehingga memberi ruang bagi “pengganti yang lebih murah dan cepat”.

Langkah “pertahanan” Goldman Sachs juga berfokus pada arsitektur: SoR harus bertransformasi dari “buku besar pasif” ke “sistem reasoning”, dari “berbasis AI (dengan ekstensi)” ke “native AI (tertanam dalam arsitektur)”. Beberapa sinyal yang disebutkan termasuk replatforming Salesforce di 2024, dan pergeseran Workday dari tertutup ke terbuka.

Variabel kunci lainnya adalah batas data perusahaan. Jika perusahaan terus membatasi keunggulan data “di dalam aplikasi” (laporan menyebutkan Salesforce menyesuaikan ketentuan API Slack Mei 2025, membatasi pelatihan LLM dan ekspor massal), maka SoR sebagai fondasi akan lebih stabil, tetapi profit pool di atasnya bisa diambil alih oleh layer baru.

• B: Nilai berpindah dari SoR ke “sistem operasi/layanan orkestrasi agentic” (skor 4)

Goldman Sachs berpendapat risiko yang lebih realistis bukan SoR menghilang, tetapi SoR berubah menjadi “fondasi data kepatuhan”, di mana nilai terkonsentrasi pada layer orkestrasi yang mampu melakukan reasoning lintas sistem, memanggil API, dan otomatisasi workflow. Agen dapat membaca dan menulis di beberapa SoR, melakukan rekonsiliasi, sehingga pengguna tidak perlu lagi masuk langsung ke antarmuka sistem asli. Keunggulan kompetitif yang dulu bergantung pada UI, proses, dan kebiasaan pengguna akan berkurang.

Laporan menggunakan “siapa duduk di atas siapa” untuk menggambarkan dunia ini: Sierra bertumpuk di atas Salesforce, Anthropic Cowork di atas Microsoft, dan anggaran tambahan lebih cenderung diambil alih oleh layer atas. Goldman Sachs juga mengingatkan bahwa pasar sangat sensitif terhadap tren ini, sebagian karena perusahaan aplikasi yang didanai selama periode suku bunga rendah 2020/2021 memiliki keunggulan kompetitif yang lemah, sehingga lebih rentan terhadap narasi “mengurangi perantara” yang bisa meruntuhkan mereka.

Kesempatan bagi vendor tradisional adalah “pengalaman domain + konteks”. Beberapa perusahaan yang dikutip menunjukkan mengapa “konteks itu berharga”:

• Microsoft menekankan bahwa tetap di ekosistem yang sama mengurangi latensi, memastikan data tetap terbarui, dan memberi LLM lebih banyak konteks, tetapi migrasi data skala besar seringkali diabaikan biaya dan friksi-nya;
• HubSpot menyebut kekurangan utama AI perusahaan adalah “kurangnya konteks”, sementara layer pencatatan bisa menggabungkan riwayat pelanggan dan kolaborasi, mengurangi pengulangan “mengajarkan AI”;
• Datadog menunjukkan dalam analisis 12 Februari bahwa model internal yang dilatih dengan data perusahaan memberikan akurasi lebih tinggi dengan biaya lebih rendah, menekankan bahwa “pengalaman domain” bisa menjadi diferensiasi di level model dan hasil.

Perangkat lunak vertikal lebih tahan terhadap tekanan jangka pendek, tetapi “cukup nyaman dan cukup berguna” bisa mengubah kekuatan penetapan harga (skor 2)

• Argumen bearish ketiga adalah “platform horizontal mengikis vertikal”: platform horizontal dengan AI memungkinkan pelanggan membangun workflow industri sendiri, mengancam kekuatan penetapan harga perangkat lunak vertikal. Goldman Sachs memberi skor risiko 2, karena beberapa hambatan tetap ada: data industri khusus, kedalaman integrasi dalam workflow yang membentuk SoR, reputasi jangka panjang, dan hambatan regulasi di industri yang diatur ketat.

Laporan memberi contoh Guidewire: dari total premi asuransi properti dan kecelakaan global sekitar 775 miliar dolar AS (P&C Insurance DWP), sebagian besar dikelola di bawah satu produk Guidewire, dan data historisnya sendiri merupakan hambatan yang sulit diduplikasi oleh pesaing. Goldman Sachs juga menekankan “waktu yang diberikan pelanggan”: software vertikal yang terintegrasi mendalam biasanya diubah atau diganti dalam jangka waktu tahunan, bukan bulanan.

Namun, risiko ini tidak diabaikan. Laporan juga menyebutkan dampak dari AI horizontal/ platform: kolaborasi Palantir dengan AIG dan Anthropic di asuransi; peluncuran GenOS oleh Intuit agar pengguna QuickBooks lebih mudah membangun workflow vertikal. Intinya: ketika fitur AI platform horizontal hanya “cukup” dan tidak “jelas lebih baik”, akankah mereka tetap menarik pelanggan karena integrasi lebih sederhana dan fragmentasi lebih sedikit—yang secara langsung mempengaruhi kekuatan penetapan harga jangka panjang perangkat lunak vertikal.

Biaya kode yang lebih murah akan meningkatkan kompetisi, tetapi membuat produk tidak sama dengan membangun perusahaan (skor 2)

• Argumen bearish keempat adalah “biaya kode menurun”. Goldman Sachs mengakui bahwa alat pengkodean AI akan menurunkan hambatan pengembangan dan menarik lebih banyak pemain baru, tetapi risiko diberi skor 2 karena: rekayasa perangkat lunak tidak hanya soal menulis kode, insinyur banyak menghabiskan waktu untuk desain, debugging, identifikasi risiko, review; peningkatan efisiensi alat tidak otomatis menghilangkan posisi pengembang.

Laporan juga menyajikan data bahwa “manusia tetap di loop”: studi Faros terhadap 10.000 pengembang menunjukkan bahwa tim yang menggunakan AI lebih produktif 21%, melakukan merge pull request 98%, tetapi waktu review pull request meningkat 91%. Efisiensi ini akan mendorong bottleneck ke tahap baru, terutama dalam pengiriman tingkat perusahaan, di mana keamanan, pemeliharaan, integrasi, orkestrasi proses, ekosistem, dan GTM tetap pekerjaan berat.

“Masa depan adalah kustomisasi” akan menggeser sebagian anggaran, dan Palantir menjadikan kustomisasi sebagai platform (skor 3)

• Argumen bearish kelima adalah “perusahaan lebih suka membangun sendiri”. Kesimpulan Goldman Sachs lebih seperti kompromi yang tegas: penurunan biaya kode tidak akan secara umum mengubah build vs buy, tetapi perusahaan memang akan mengalihkan anggaran ke pengembangan internal dalam beberapa skenario, risiko diberi skor 3. Alasannya adalah biaya dan tanggung jawab pemeliharaan akan terus bertambah secara kumulatif—meskipun efisiensi agentic bisa menurunkan biaya pemeliharaan, biaya pemeliharaan vendor profesional juga akan turun secara bersamaan, dan “garis depan performa/harga” tetap di pihak vendor.

Laporan berpendapat bahwa yang lebih mungkin diambil alih oleh pembangunan sendiri adalah “zona tengah” antara SoR tradisional, yang membutuhkan koordinasi lintas departemen, dan yang sebelumnya tidak terintegrasi dengan baik.

Palantir disebut sebagai contoh paradigma kustomisasi: membangun AI produksi bersama pelanggan melalui AIP, menekankan ROI yang terukur. Data pertumbuhan mereka menunjukkan: bisnis komersial Palantir di AS tumbuh 109% di 2025, dan diperkirakan akan meningkat lebih dari 115% di 2026. Mereka mengandalkan insinyur lapangan (FDE) untuk menerjemahkan niat pelanggan menjadi sistem yang dapat dijalankan, dan mengabadikan solusi khusus pelanggan menjadi kemampuan yang dapat digunakan kembali; di tengah keraguan “perangkat lunak vs layanan”, margin kotor mereka tetap sekitar 85%.

Goldman Sachs juga mengingatkan bahwa tren pembangunan sendiri mungkin mendekati puncaknya: vendor SaaS sedang menambah kemampuan AI, pengelolaan data dan protokol keamanan (disebutkan A2A, MCP) sedang berkembang, dan tim TI sedang berjuang. ServiceNow secara terbuka menyatakan sedang merebut kembali anggaran yang sebelumnya dialokasikan untuk pembangunan sendiri.

“Pajak LLM” akan menekan margin: dalam 12–24 bulan ke depan lebih realistis, tetapi dalam jangka panjang tetap kekuatan penetapan harga (skor 3)

• Argumen bearish keenam adalah struktur margin yang berubah. Goldman Sachs memperkirakan industri akan mengalami tekanan margin moderat selama 12–24 bulan: vendor mungkin menanggung biaya inferensi GPU dan biaya API model pihak ketiga untuk meningkatkan adopsi. Karena AI mengubah “tingkat penggunaan” menjadi biaya langsung (token, kompleksitas model, frekuensi kueri), SaaS beralih dari leverage biaya tetap ke ekonomi “berdasarkan konsumsi”.

Laporan mengutip pengamatan Bessemer: beberapa perusahaan AI native yang paling cepat mencapai 100 juta dolar ARR memiliki margin laba sekitar 25%, bahkan beberapa negatif; perusahaan AI native yang lebih matang biasanya sekitar 60%, tetapi tetap di bawah SaaS tradisional.

Namun, Goldman Sachs tidak melihat ini sebagai keruntuhan permanen: data Epoch AI menunjukkan biaya inferensi LLM menurun 9 hingga 900 kali per tahun; performa yang mendekati GPT-4 dan MMLU menurun sekitar 40 kali lipat per tahun. Apakah margin jangka panjang bisa pulih, kembali ke “kekuatan penetapan harga = diferensiasi”, masih bergantung pada kekuatan penetapan harga dan diferensiasi. Laporan juga menyoroti keunggulan struktural Microsoft: integrasi vertikal dan hubungan dengan OpenAI memungkinkan mereka meraih keuntungan di banyak lapisan rantai nilai dan mengurangi “pajak LLM” dari pihak ketiga.

Yang paling sulit dipatok harga adalah kecepatan teknologi: ketidakpastian itu sendiri menekan valuasi (skor 5)

• Argumen bearish ketujuh adalah risiko tertinggi menurut Goldman Sachs: perkembangan teknologi terlalu cepat, hasil akhirnya sulit diprediksi. Laporan merinci pembaruan sejak awal tahun—Anthropic (Cowork, Opus 4.6, plugin vertikal), OpenAI (Frontier, OpenClaw), Google DeepMind (Deep Think), Meta (Avocado). Mengutip pandangan dari Bridgewater dalam white paper November 2025: pola ekspansi pretraining masih berlaku; dan menampilkan pembaruan model terbaru serta skor benchmark (misalnya GPQA Diamond dengan lebih dari 90%).

Laporan menggunakan dua “titik balik dari pengenalan teknologi” untuk menunjukkan ketidakpastian ini: ChatGPT membawa kemampuan ke dalam antarmuka yang mudah digunakan sehingga menyebar secara massal; Cowork mendorong kemampuan ke desktop GUI, memungkinkan pengguna non-teknis bereksperimen. Lebih jauh lagi, jalur penyebaran agen yang dapat dihosting sendiri seperti OpenClaw, dalam diskusi dengan CEO Cloudflare Matthew Prince, digambarkan sebagai kemungkinan meniru kecepatan penyebaran ChatGPT selama tiga tahun ke depan, dengan kendala utama di sisi keamanan.

Ketidakpastian ini juga bisa membuka TAM baru. Contohnya adalah kasus dari tim MAI Superintelligence Microsoft: tingkat keberhasilan MAI-DxO dalam tantangan kasus di New England Journal of Medicine mencapai 85%, dan estimasi TAM berdasarkan input dari blog Microsoft dan data awal ChatGPT mencapai 50–100 miliar dolar per tahun (skenario optimis 150–200 miliar). Tetapi Goldman Sachs tidak memprediksi “menaruh taruhan pada hasil tertentu”, melainkan mengakui bahwa ketidakpastian akan membuat nilai akhir lebih sulit dipatok, dan ketidakpastian tinggi biasanya berhubungan dengan multiple valuasi yang lebih rendah.

Sinyal utama untuk “menstabilkan” adalah: realisasi pengalaman domain, dan fundamental yang tidak jatuh

Goldman Sachs menyederhanakan sinyal stabil yang dapat diamati menjadi dua: pertama, apakah perusahaan perangkat lunak dapat membuktikan melalui produk dan studi kasus bahwa pengalaman domain benar-benar menghasilkan hasil agentic yang lebih berkualitas; kedua, apakah fundamental laporan keuangan dapat tetap stabil bahkan membaik (terutama melalui kuartal kinerja). Sebelumnya, mereka lebih condong ke “keunggulan kompetitif berbasis arsitektur”—keunggulan tidak hanya di antarmuka dan workflow aplikasi, tetapi juga di struktur teknologi dan platform yang lebih mendasar.

Sumber utama dari Zhi Feng Trading Platform.

Untuk analisis lebih mendalam, termasuk interpretasi real-time dan riset lapangan, silakan bergabung di【**Zhi Feng Trading Platform▪Member Tahunan**】

![](https://img-cdn.gateio.im/social/moments-405e5113af-27450a9e61-8b7abd-d8d215)

Peringatan risiko dan ketentuan penafian

Pasar berisiko, investasi harus dilakukan dengan hati-hati. Artikel ini tidak merupakan saran investasi pribadi, dan tidak mempertimbangkan tujuan investasi, kondisi keuangan, atau kebutuhan khusus pengguna. Pengguna bertanggung jawab penuh atas keputusan investasi berdasarkan opini, pandangan, atau kesimpulan dalam artikel ini.