Penulis: Outbound Incubator
Aturan permainan kewirausahaan telah benar-benar berubah.
Dalam “Daftar Keinginan Wirausaha” (RFS) musim semi 2026 yang dirilis terbaru oleh Y Combinator (YC), kami melihat sinyal yang jelas: AI-native tidak lagi sekadar istilah pemasaran, melainkan logika dasar untuk membangun raksasa generasi berikutnya. Startup saat ini dapat dengan lebih cepat dan dengan biaya lebih rendah, menantang bidang-bidang yang dulu dianggap “tak tergoyahkan”.
Kali ini, YC tidak hanya fokus pada perangkat lunak, tetapi juga mengarahkan pandangan ke sistem industri, arsitektur keuangan dasar, dan pemerintahan. Jika gelombang AI sebelumnya tentang “menghasilkan konten”, maka gelombang berikutnya akan tentang “menyelesaikan masalah kompleks” dan “membentuk ulang dunia fisik”.
Berikut adalah 10 bidang utama yang sedang dipantau secara ketat oleh YC dan sangat diharapkan untuk diinvestasikan.
1. “Cursor” untuk Manajer Produk (Cursor for Product Managers)
Dalam beberapa tahun terakhir, alat seperti Cursor dan Claude Code telah mengubah total cara penulisan kode. Tetapi kemakmuran ini menutupi masalah yang lebih mendasar: menulis kode hanyalah alat, yang penting adalah memahami “apa 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 ratusan tiket Jira. Proses ini sangat bergantung pada manusia dan penuh dengan celah.
Pasar sangat membutuhkan sistem AI-native yang dapat membantu manajer produk seperti Cursor membantu programmer. Bayangkan sebuah alat: Anda mengunggah semua rekaman wawancara pelanggan dan data penggunaan produk, lalu bertanya: “Langkah selanjutnya apa yang harus kami lakukan?”
Alat ini tidak hanya memberi saran samar-samar, tetapi mengeluarkan kerangka fitur lengkap dan membuktikan keputusan berdasarkan umpan balik pelanggan yang konkret. Lebih jauh lagi, alat ini bahkan dapat langsung menghasilkan prototipe UI, menyesuaikan model data, dan memecah tugas pengembangan spesifik yang kemudian dijalankan oleh AI Coding Agent.
Seiring AI secara bertahap mengambil alih implementasi kode yang konkret, kemampuan “menetapkan produk” akan menjadi sangat penting. Kita membutuhkan alat super yang dapat menghubungkan siklus lengkap dari “penemuan kebutuhan” ke “definisi produk”.
2. Hedge Fund Native AI Generasi Berikutnya (AI-Native Hedge Funds)
Pada tahun 80-an, ketika beberapa dana mulai mencoba menggunakan komputer untuk menganalisis pasar, Wall Street menertawakannya. Kini, perdagangan kuantitatif sudah menjadi standar. Jika Anda belum menyadari bahwa kita sedang berada di titik balik serupa, Anda mungkin akan melewatkan peluang berikutnya untuk bangkit kembali seperti Renaissance Technologies atau Bridgewater.
Kesempatan kali ini bukan sekadar menambahkan AI sebagai “plugin” ke strategi dana yang ada, tetapi membangun strategi investasi AI-native dari nol.
Meskipun raksasa kuantitatif saat ini memiliki sumber daya besar, dalam pertarungan regulasi dan inovasi, mereka terlalu lambat. Dana lindung nilai masa depan akan didorong oleh sekumpulan Agen AI—mereka bisa seperti trader manusia, memeriksa laporan keuangan 10-K, mendengarkan konferensi panggilan keuangan, menganalisis dokumen SEC, dan menggabungkan pandangan analis untuk melakukan transaksi.
Di bidang ini, keuntungan Alpha sejati akan dimiliki oleh pemain baru yang berani membiarkan AI secara mendalam mengendalikan pengambilan keputusan investasi.
3. Transformasi Perusahaan Jasa Menjadi Software (AI-Native Agencies)
Selama ini, baik perusahaan desain, agensi iklan, maupun firma hukum, semua menghadapi masalah yang sama: sulit untuk skala. Karena mereka menjual “waktu manusia”, margin keuntungan rendah, dan pertumbuhan harus bergantung pada perekrutan.
AI sedang memecahkan masalah ini.
Generasi baru agensi tidak lagi menjual perangkat lunak kepada klien, tetapi menggunakan alat AI sendiri untuk menghasilkan hasil dengan efisiensi 100 kali lipat, lalu langsung menjual produk akhir. Artinya:
- Perusahaan desain dapat menghasilkan seluruh solusi kustom sebelum menandatangani kontrak, mengalahkan pesaing tradisional.
- Perusahaan iklan tidak perlu pemotretan lapangan yang mahal, cukup menggunakan AI untuk menghasilkan iklan video setara film.
- Firma hukum dapat menyelesaikan dokumen hukum kompleks dalam hitungan menit, bukan minggu.
Di masa depan, model bisnis perusahaan jasa akan lebih mirip perusahaan perangkat lunak: dengan margin tinggi dan skalabilitas tak terbatas.
4. Layanan Keuangan Berbasis Stablecoin (Stablecoin Financial Services)
Stablecoin sedang dengan cepat menjadi infrastruktur utama keuangan global, tetapi lapisan layanan di atasnya masih berupa wilayah kosong. Dengan kemajuan undang-undang seperti GENIUS dan CLARITY, stablecoin berada di persimpangan DeFi (Keuangan Terdesentralisasi) dan TradFi (Keuangan Tradisional).
Ini adalah peluang besar untuk arbitrase regulasi dan inovasi.
Saat ini, pengguna sering harus memilih antara produk keuangan tradisional yang “patuh tetapi berpenghasilan rendah” dan cryptocurrency yang “berpenghasilan tinggi tetapi berisiko tinggi”. Pasar membutuhkan bentuk tengah: layanan keuangan baru berbasis stablecoin yang patuh dan memiliki keunggulan DeFi.
Baik itu akun tabungan dengan hasil lebih tinggi, aset dunia nyata yang tokenized (RWA), maupun infrastruktur pembayaran lintas batas yang lebih efisien, ini adalah waktu terbaik untuk menghubungkan dua dunia paralel ini.
5. Membentuk Ulang Sistem Industri Lama: Pabrik Logam Modern (Modern Metal Mills)
Ketika orang berbicara tentang “re-industrialisasi Amerika”, mereka sering memandang biaya tenaga kerja, tetapi mengabaikan satu hal besar: desain sistem industri tradisional sangat tidak efisien.
Sebagai contoh, pengadaan aluminium atau pipa baja di AS biasanya memakan waktu 8 hingga 30 minggu. Ini bukan karena pekerja malas, tetapi karena seluruh sistem manajemen produksi dirancang puluhan tahun lalu. Pabrik-pabrik tua ini, demi mengejar “tonase” dan “pemanfaatan”, mengorbankan kecepatan dan fleksibilitas. Selain itu, konsumsi energi yang tinggi juga menjadi masalah besar, dan banyak pabrik kekurangan solusi manajemen energi modern.
Kesempatan untuk rekonstruksi sudah matang.
Dengan memanfaatkan AI untuk perencanaan produksi, sistem eksekusi manufaktur real-time (MES), dan teknologi otomatisasi modern, kita dapat secara fundamental mempersingkat waktu pengiriman dan meningkatkan margin keuntungan. Ini bukan hanya tentang membuat pabrik berjalan lebih cepat, tetapi melalui proses manufaktur yang didefinisikan perangkat lunak, menjadikan produksi logam domestik lebih murah, fleksibel, dan menguntungkan. Ini adalah kunci untuk membangun kembali fondasi industri.
6. Peningkatan Pemerintahan dengan AI (AI for Government)
Gelombang pertama perusahaan AI telah membuat proses pengisian formulir oleh perusahaan dan individu menjadi sangat cepat, tetapi efisiensi ini berhenti saat berhadapan dengan instansi pemerintah. Banyak aplikasi digital akhirnya masuk ke sistem backend pemerintah yang masih harus diproses secara manual dan dicetak.
Instansi pemerintah sangat membutuhkan alat AI untuk menghadapi gelombang data yang akan datang. Meskipun negara seperti Estonia sudah menunjukkan prototipe “pemerintahan digital”, logika ini perlu diduplikasi ke seluruh dunia.
Menjual perangkat lunak ke pemerintah memang tantangan besar, tetapi imbalannya juga besar: setelah mendapatkan klien pertama, biasanya akan sangat loyal dan memiliki potensi ekspansi besar. Ini bukan hanya peluang bisnis, tetapi juga upaya meningkatkan efisiensi operasional sosial secara umum.
7. Mentor AI untuk Pekerjaan Fisik Secara Real-Time (AI Guidance for Physical Work)
Ingat adegan Neo di “The Matrix” yang langsung belajar kungfu setelah dipasangi tabung? Versi nyata dari “penanaman skill” ini sedang datang, bukan melalui antarmuka otak, tetapi melalui panduan AI secara langsung.
Daripada membahas AI yang akan menggantikan pekerjaan kantoran, lebih baik lihat bagaimana AI dapat memberdayakan pekerjaan blue-collar. Di bidang layanan langsung, manufaktur, dan perawatan medis, AI meskipun tidak bisa langsung “menggerakkan”, tetapi bisa “melihat” dan “berpikir”.
Bayangkan pekerja yang memakai kacamata pintar sedang memperbaiki mesin, AI melalui kamera melihat katup, lalu berkata di telinganya: “Matikan katup merah itu, gunakan kunci 3/8 inci, bagian itu aus dan perlu diganti.”
Kemampuan model multimodal yang matang, perangkat keras cerdas (ponsel, headphone, kacamata), dan kekurangan tenaga kerja terampil, semuanya bersamaan menciptakan kebutuhan besar ini. Baik untuk menyediakan sistem pelatihan bagi perusahaan yang sudah ada, maupun membangun platform tenaga kerja “super blue-collar” yang baru, ada potensi besar di sini.
8. Model Ruang Besar yang Melampaui Batas Bahasa (Large Spatial Models)
Model bahasa besar (LLM) telah mendorong ledakan AI, tetapi kecerdasannya terbatas pada apa yang bisa dideskripsikan dalam “bahasa”. Untuk mencapai kecerdasan buatan umum (AGI), AI harus memahami dunia fisik dan hubungan ruang.
Saat ini, AI masih canggung dalam menangani tugas ruang seperti geometri, struktur 3D, dan rotasi fisik. Ini membatasi kemampuannya berinteraksi dengan dunia nyata.
Kita perlu mencari tim yang mampu membangun model inferensi ruang besar (Large Spatial Models). Model semacam ini tidak boleh hanya memperlakukan geometri sebagai pelengkap bahasa, tetapi sebagai prinsip pertama. Siapa yang bisa membuat AI benar-benar memahami dan merancang struktur fisik, dia berpeluang membangun model dasar setingkat OpenAI berikutnya.
9. Gudang Senjata Digital Pemburu Penipuan (Infra for Government Fraud Hunters)
Pemerintah adalah pembeli terbesar di dunia, mengeluarkan triliunan dolar setiap tahun, tetapi juga mengalami kerugian besar akibat penipuan. Hanya di AS, klaim asuransi kesehatan setiap tahun kehilangan ratusan miliar dolar karena pembayaran yang tidak tepat.
Undang-undang “False Claims Act” di AS memungkinkan warga sipil mengajukan tuntutan atas nama pemerintah terhadap perusahaan penipuan, dan mendapatkan bagian dari dana yang dikembalikan. Ini adalah salah satu cara paling efektif untuk memerangi penipuan, tetapi prosesnya sangat primitif: pelapor memberi petunjuk ke firma hukum, yang kemudian menghabiskan bertahun-tahun secara manual mengatur dokumen.
Kita membutuhkan sistem cerdas yang dirancang khusus untuk ini. Bukan sekadar dashboard, tetapi AI detektif yang mampu secara otomatis menganalisis PDF yang berantakan, melacak struktur perusahaan kosong yang kompleks, dan mengemas bukti-bukti terpisah menjadi dokumen yang dapat digugat.
Jika Anda bisa mempercepat proses penangkapan penipuan 10 kali lipat, Anda tidak hanya membangun kerajaan bisnis besar, tetapi juga menyelamatkan miliaran dolar kerugian bagi pembayar pajak.
10. Mempermudah Pelatihan LLM (Make LLMs Easy to Train)
Meskipun AI sedang berkembang pesat, pengalaman melatih model besar masih sangat buruk.
Pengembang setiap hari berjuang dengan SDK yang rusak, menghabiskan berjam-jam men-debug instance GPU yang crash saat startup, atau menemukan bug fatal di alat sumber terbuka. Belum lagi saat mengelola data berukuran TB.
Seperti era komputasi awan melahirkan Datadog dan Snowflake, era AI juga sangat membutuhkan “alat sekop” yang lebih baik. Kita membutuhkan:
- API yang sepenuhnya mengabstraksi proses pelatihan.
- Basis data yang mampu mengelola dataset skala besar dengan mudah.
- Lingkungan pengembangan yang dirancang khusus untuk penelitian machine learning.
Seiring semakin pentingnya “pasca pelatihan” (post-training) dan spesialisasi model, infrastruktur ini akan menjadi fondasi pengembangan perangkat lunak masa depan.
