Setelah kode selesai, AI mengambil alih apa: Infrastruktur YC W26 Operasi/Pengujian/Otomasi/Agent 22 Perusahaan Analisis Lengkap

Ditulis oleh:朗瀚威 Will

Ini adalah artikel kelima dari analisis seri YC W26. Sebelumnya membahas alat pemrograman AI dan “Claude Code for X” (12 perusahaan), kali ini membahas sisi lain dari rantai pengembangan—setelah kode selesai—yaitu semua hal terkait operasi dan pemeliharaan: operasi, pengujian, otomatisasi alur kerja, infrastruktur pengembangan Agent, total 22 perusahaan.

Kode hanyalah awal

Pada artikel sebelumnya, kita membahas bagaimana AI mengubah “penulisan kode”. Tapi menulis kode hanyalah bagian dari pengembangan perangkat lunak—setelah kode selesai, masih ada deployment, operasi, pemantauan, pengujian, perbaikan bug, otomatisasi alur kerja, dan setiap langkah membutuhkan manusia.

22 perusahaan dari YC W26 ini melakukan hal: mengotomatisasi setiap tahap “setelah kode selesai” dengan AI agent.

Alarm lingkungan produksi jam 3 pagi? IncidentFox otomatis memeriksa log, menemukan akar masalah, menyiapkan skrip perbaikan saat kamu tidur, dan kamu tinggal review dan setujui saat bangun. Pengguna menemukan bug? Lucent 24/7 otomatis memutar ulang sesi, bahkan sebelum pengguna melaporkan masalah. Perlu otomatisasi proses persetujuan di Excel? Bubble Lab cukup satu kalimat.

Kelompok 22 perusahaan ini terbagi menjadi 4: AI Operasi/SRE (5 perusahaan), AI Pengujian/QA (2 perusahaan), AI Otomatisasi Alur Kerja (7 perusahaan), Infrastruktur Pengembangan Agent (8 perusahaan).

Langsung ke kesimpulan: 4 penilaian yang bisa langsung diambil

1. IncidentFox adalah produk paling lengkap di antara 22 perusahaan ini. Dua mantan insinyur Roblox (mendukung infrastruktur dengan lebih dari 100 juta pengguna aktif harian), open source, lebih dari 300 integrasi preset, deployment kurang dari 1 hari. Perbedaan utama bukan hanya “menggunakan AI untuk analisis log” (bisa dilakukan siapa saja), melainkan “otomatis menemukan tumpukan teknologi dan otomatis menghasilkan integrasi”—menghilangkan pekerjaan paling menyakitkan saat integrasi.

2. AI Operasi (5 perusahaan) dan AI Pengujian (2 perusahaan) bergabung untuk mengubah “jaminan kualitas kode” dari pekerjaan berbasis manusia menjadi berbasis agent. Operasi tradisional, troubleshooting bug, pengujian regresi memakan banyak waktu insinyur. Keberuntungan 7 perusahaan ini adalah: agent bisa lebih cepat menemukan masalah, lebih cepat mengidentifikasi akar masalah, dan bekerja 24/7 tanpa henti.

3. Otomatisasi alur kerja (7 perusahaan) adalah yang paling beragam dan paling banyak digunakan. Mereka sepakat bahwa “membuat orang yang tidak menulis kode pun bisa otomatisasi kerja dengan AI”—RamAIn menggunakan penglihatan komputer untuk mengoperasikan perangkat lunak apa saja, Bubble Lab cukup satu kalimat untuk membuat otomatisasi, Jinba otomatisasi alur kerja perusahaan melalui chat. Mereka tidak menargetkan pengembang, melainkan semua pekerja pengetahuan.

4. Infrastruktur pengembangan agent (8 perusahaan) adalah yang paling “meta”—memberikan alat bagi pembuat agent. Emdash menyediakan lingkungan pengembangan agent open source, Overshoot platform aplikasi visual AI, Glue untuk desain antarmuka agent, dan lain-lain. Logika mereka sama seperti “infrastruktur ekonomi agent” yang dibahas di artikel fintech: saat jumlah agent melonjak, alat untuk membuat agent menjadi kebutuhan utama.

Sub-sektor 1: AI Operasi/SRE—IncidentFox, Mendral, Corelayer, Sonarly, Lucent

5 perusahaan melakukan hal yang sama dari sudut pandang berbeda: menggantikan insinyur operasi dengan AI.

IncidentFox

Link resmi:

AI SRE agent—otomatis mengelola, menyelidiki, dan memperbaiki insiden produksi, berjalan di Slack.

Data utama: open source (Apache 2.0), GitHub >420 bintang, >300 integrasi preset, mendukung Kubernetes/AWS/Grafana/Prometheus/Datadog/PagerDuty/GitHub

Model bisnis: inti open source + versi perusahaan (sandbox aman, proxy kredensial, manajemen multi-tim). Deployment kurang dari 1 hari

Tim unggulan: Jimmy Wei—mantan Roblox (fitur komunikasi sosial, melayani >100 juta pengguna aktif), sebelumnya di Meta FAIR riset AI dialog multi pihak, Cornell CS. Long Yi—mantan tim infrastruktur status Roblox (infrastruktur basis data, mendukung >100 juta pengguna aktif). Dua orang ini saling melengkapi: satu buat AI, satu buat operasi.

Kompetitor/risk: PagerDuty, Incident.io (dihimpun >50 juta USD), Datadog, ServiceNow semuanya mengembangkan AI operasi. Tapi keunikan IncidentFox adalah “otomatisasi integrasi”—alat lain butuh berminggu-minggu secara manual menghubungkan sistem internal, IncidentFox menganalisis kode dan riwayat insiden untuk otomatis menghasilkan integrasi.

Fitur lain: kepatuhan SOC 2. Setiap penyelidikan berjalan di container terisolasi, agent tidak melihat kunci asli. Juga ada plugin Claude Code untuk pengembang individu.

Inti wawasan IncidentFox: kegagalan alat AI operasi bukan karena model tidak cukup kuat, melainkan karena integrasi tidak cukup dalam. Tim pembayaran pakai pipeline Kafka buatan sendiri, tim infrastruktur pakai sistem deployment sendiri, tim ML pakai layanan model sendiri—alat AI umum tidak bisa masuk. IncidentFox menganalisis kode dan riwayat insiden, otomatis menemukan apa yang kurang, dan otomatis menghasilkan. Manusia tinggal setujui.

Chris Lu menyebut IncidentFox sebagai “Insinyur AI SRE yang memperbaiki insiden produksi secara mandiri”. Posisi ini bagi insinyur operasi adalah berkah sekaligus ancaman.

Mendral (0,9 juta kunjungan bulanan) fokus pada AI DevOps—lebih ke operasi harian seperti integrasi berkelanjutan, manajemen deployment, konfigurasi lingkungan.

Corelayer (0,4 juta kunjungan bulanan) membangun “insinyur AI berbasis data untuk debugging”. Menekankan debugging berbasis data—bukan menebak masalah, melainkan otomatis mengaitkan indikator dan log.

Sonarly (0,2 juta kunjungan bulanan) fokus pada AI untuk alarm produksi—mengklasifikasi, mengeliminasi duplikasi, mengaitkan alarm, menemukan yang benar-benar perlu perhatian manusia.

Lucent (1,6 juta kunjungan bulanan) otomatis memantau rekaman sesi pengguna untuk mendeteksi bug—bukan dari kode, tapi dari pengalaman pengguna. AI menonton rekaman sesi 24/7, otomatis menemukan lag, error, alur abnormal, lalu membuat tiket bug di Slack dan Linear lengkap dengan konteks reproduksi.

Pendiri Alisa Rae punya cerita menarik: orang Australia, pernah bootstrap dan menjual perusahaan edtech, pegawai kedua MagicBrief (kemudian diakuisisi Canva), pernah di Atlassian mengerjakan editor teks kaya. Pertama kali apply YC ditolak, disarankan “carilah co-founder”. Dia tetap solo, mengumpulkan 2 juta USD seed, dan lolos di kedua kali. Sudah dipakai lebih dari 30 perusahaan YC, feedback dari pendiri: “Minggu pertama sudah temukan 7 bug yang belum pernah dilihat”, “Minggu pertama sudah balik modal”. 94% pengguna yang menemukan bug tidak melapor, langsung hilang—itulah alasan Lucent ada.

Kesamaan dari 5 perusahaan ini: sebagian besar waktu insinyur operasi bukan untuk “memperbaiki masalah”, melainkan “mencari masalah”. Mengaitkan sinyal dari puluhan sistem monitoring, membaca log, memeriksa perubahan deployment terbaru—proses ini memakan 80% waktu perbaikan. AI agent bisa memeriksa semua sumber data sekaligus, mengaitkan dalam hitungan detik, mengurangi waktu pencarian masalah dari jam ke menit.

Sub-sektor 2: AI Pengujian/QA—Canary, Ashr

2 perusahaan fokus pada AI pengujian.

Canary adalah “insinyur QA AI pertama yang memahami kode kamu”. Kata kunci: “memahami kode”—bukan alat pengujian umum, melainkan membaca logika kode dan menghasilkan kasus uji secara spesifik. Alat AI tradisional seringkali menghasilkan kasus uji yang tidak relevan dengan kode nyata.

Link resmi:

Ashr melakukan pengujian otomatis multi-modal dengan agent. “Multi-modal” berarti tidak hanya teks, tapi juga gambar, video, suara, dan interaksi lain. Seiring AI semakin banyak menggunakan input/output multi-modal, alat pengujian juga harus mengikuti.

Sub-sektor 3: Otomatisasi Alur Kerja AI—RamAIn, Bubble Lab, Jinba, Ressl AI, EigenPal, Carson, Crow

Kelompok paling luas—pengguna bukan pengembang, melainkan semua orang yang perlu otomatisasi kerja.

RamAIn

Link resmi:

“Komputer tercepat di dunia menggunakan agent”—mengajarkan AI mengoperasikan komputer seperti manusia, memindahkan data antara browser dan aplikasi desktop.

Data utama: 35.000 kunjungan bulanan, sudah dipakai tim pengadaan, asuransi, medis, keuangan. Deployment dalam hitungan hari.

Tim unggulan: dua mahasiswa IIT Delhi—CEO Shourya pernah di McKinsey mengerjakan proyek AI perusahaan, pernah bootstrap AI studio Genoshi dengan pendapatan enam digit, juga pemain catur FIDE 2118, mewakili India di 17 negara.

Model bisnis: enterprise—otomatis memindahkan data antara sistem legacy, aplikasi desktop, dan portal web. Target pelanggan: tim pengadaan (ERP + portal vendor), broker asuransi (portal underwriter), rumah sakit (rekam medis elektronik + portal laboratorium), tim keuangan (manajemen siklus pendapatan).

Kompetitor/risk: Anthropic Computer Use, OpenAI Operator adalah ancaman terbesar. Keunikan RamAIn adalah “pre-training di antarmuka tertentu”—CUA umum (tangkapan layar→model visual→keputusan→ulang) mahal, lambat, tidak stabil. RamAIn belajar antarmuka kamu dulu, lalu otomatisasi. Juga punya kemampuan “self-healing”—UI berubah tidak menyebabkan crash, berbeda dengan RPA tradisional.

Bubble Lab (19.000 kunjungan bulanan) membuat “satu prompt, otomatisasi permanen”. Mengubah alur kerja berulang menjadi otomatisasi hanya dengan satu kalimat. Lebih sederhana dari Zapier—Zapier perlu konfigurasi trigger dan langkah, Bubble Lab cukup deskripsikan apa yang ingin otomatisasi.

Jinba (17.000 kunjungan bulanan) otomatisasi alur kerja perusahaan melalui chat. Memungkinkan trigger persetujuan, aliran data, integrasi sistem langsung dari chat.

Ressl AI (17.000 kunjungan bulanan) adalah agent konfigurasi ERP/CRM. Setelah perusahaan pakai Salesforce atau SAP, konfigurasi dan kustomisasi adalah pekerjaan besar. Ressl AI pakai AI agent untuk melakukan konfigurasi ini.

EigenPal (9.000 kunjungan bulanan) untuk alur kerja dokumen AI perusahaan. Carson menyediakan workspace AI desktop (sudah dibahas di artikel OpenClaw). Crow (25.000 kunjungan) memungkinkan pengguna mengendalikan aplikasi melalui chat—menambahkan layer chat AI ke produk SaaS, pengguna tidak perlu belajar antarmuka, cukup chat untuk tugas.

Kesamaan 7 perusahaan ini: AI pemrograman menurunkan hambatan “menulis kode”, tapi sebagian besar pekerjaan tidak perlu menulis kode—cukup menghubungkan alat yang ada dan otomatisasi proses berulang. Mereka fokus pada “otomatisasi tanpa menulis kode”.

Sub-sektor 4: Infrastruktur Pengembangan Agent—Emdash, Overshoot, Cardboard, Glue, Sila, Valgo, SideKit, Wideframe

Alat bagi pembuat agent.

Emdash (23.000 kunjungan bulanan) menyediakan lingkungan pengembangan agent open source—lebih dari 60.000 unduhan, 2.430 bintang GitHub. Mendukung banyak agent paralel dan berbagai penyedia model. Mirip dengan artikel sebelumnya tentang “satu kode” tapi lebih menekankan open source dan independensi model.

Link resmi:

Overshoot (16.000 kunjungan) platform aplikasi visual AI—membantu pengembang membangun dan menjalankan aplikasi visual AI. Dengan meningkatnya model multi-modal, “AI yang bisa melihat gambar” adalah kategori yang berkembang pesat.

Cardboard (7.000 kunjungan) editor video untuk agent. AI agent otomatis memotong, menyusun, menambahkan subtitle dan efek. Biasanya pembuatan video membutuhkan keahlian dan software mahal, Cardboard ingin menurunkan hambatan menjadi “beritahu agent apa yang diinginkan”.

Glue adalah alat desain antarmuka untuk agent—ketika AI agent membutuhkan front-end, Glue membantu mendesainnya. Permintaan ini akan meningkat seiring banyaknya agent yang membutuhkan panel visual.

Sila menyediakan infrastruktur komunikasi antar agent—ketika beberapa agent perlu bekerja sama, bagaimana mereka bertukar informasi? Sila menyelesaikan masalah ini.

Valgo (3.000 kunjungan) untuk verifikasi keamanan algoritma sistem otonom. SideKit (2.000 kunjungan) menyediakan solusi deployment aplikasi mobile satu atap (jarang perusahaan non-AI). Wideframe adalah AI kolaborator pengedit video.

Melihat 22 perusahaan ini secara keseluruhan

Pengamatan beberapa hal:

Pertama, AI Operasi (5 perusahaan) adalah kelompok dengan tingkat kematangan produk tertinggi. IncidentFox sudah open source, memiliki 300+ integrasi, patuh SOC 2. Ini bukan kebetulan—operasi adalah salah satu skenario AI yang paling mudah membuktikan nilai: waktu perbaikan dari jam menjadi menit, langsung terukur.

Kedua, Otomatisasi alur kerja (7 perusahaan) tantangan utamanya bukan kompetisi satu sama lain, melainkan alat otomatisasi yang sudah ada—Zapier, Make, n8n. Penambahan AI membuat alat ini “lebih pintar”, tapi alat yang ada juga cepat menambahkan fitur AI. 7 perusahaan ini harus menemukan niche yang cukup sempit agar bisa bersaing dengan Zapier (valuasi >5 miliar USD).

Ketiga, Infrastruktur pengembangan agent (8 perusahaan) adalah taruhan jangka panjang. Saat ini jumlah agent belum banyak, nilai infrastruktur belum terlihat. Tapi jika ekonomi agent benar-benar meledak (seperti yang sudah terlihat di artikel fintech dengan Sponge yang membuka rekening bank untuk agent), alat pengembangan agent akan menjadi peluang setara infrastruktur cloud.

Keempat, semua 22 perusahaan ini adalah B2B. Seperti semua artikel dalam seri ini—YC W26 adalah batch B2B murni. Alat AI dijual ke perusahaan dan pengembang, bukan ke konsumen.

Pelajaran untuk tim di China

Pertama, kebutuhan AI operasi di China sangat besar. Perusahaan internet China (ByteDance, Alibaba, Tencent, Meituan) skala operasinya tidak kalah dari AS, tapi tingkat adopsi AI di alat operasi mereka masih rendah. Sistem monitoring lokal (ARMS dari Alibaba, APMPlus dari ByteDance) belum sekuat Datadog dalam mengadopsi AI. Jika ada tim yang membangun “IncidentFox versi China”—mengintegrasikan sistem monitoring utama lokal, mendukung log berbahasa Mandarin, memahami tumpukan teknologi domestik, pasar akan terbuka.

Kedua, otomatisasi alur kerja di China punya peluang unik—DingTalk dan Feishu. Dua platform ini adalah gerbang utama kerja perusahaan, tapi kemampuan otomatisasinya masih dasar. Jika ada tim yang membangun “otomatisasi alur kerja AI di DingTalk/Feishu” (seperti Jinba di Slack), akan lebih mudah daripada membangun platform baru dari nol.

Ketiga, alat pengembangan agent di China masih kosong. AS sudah ada Emdash, Glue, Sila, tapi di China belum ada alat setara. Dengan meningkatnya pengembang agent domestik, pasar ini akan terbuka.

Keputusan yang bisa diambil

1. Hambatan utama AI operasi bukan kemampuan model, melainkan kedalaman integrasi. Ide “otomatisasi integrasi” dari IncidentFox patut dipelajari semua tim pengembangan alat AI perusahaan—meskipun AI kamu sangat pintar, jika tidak bisa masuk ke sistem klien, tidak akan berguna.

2. “Otomatisasi tanpa menulis kode” sedang menjadi kategori tersendiri. Traffic RamAIn (35.000 kunjungan), Bubble Lab (19.000), Crow (25.000) menunjukkan kebutuhan nyata. Alat ini bukan untuk pengembang, melainkan semua pekerja pengetahuan—pasar ini 10 kali lebih besar dari alat pengembang.

3. Infrastruktur pengembangan agent adalah arah “benar secara jangka panjang tapi tidak langsung menguntungkan”. Seperti membangun infrastruktur cloud di 2010—ketika aplikasi cloud belum banyak, infrastruktur tampak berlebihan. Tapi saat aplikasi berkembang, infrastruktur menjadi sumber keuntungan utama. Infrastruktur agent mungkin akan mengikuti pola yang sama.

4. Bersama dengan 12 perusahaan sebelumnya, total 34 perusahaan di sub-sektor DevTools—merupakan yang terbesar di seri W26. Ini menunjukkan bahwa AI pertama-tama mengubah “cara membuat perangkat lunak”, baru kemudian ke industri lain. Alat pengembang adalah “rumah utama” AI.