Sejauh ini, judul berita pasti sudah tidak asing lagi bagi sebagian besar pembaca Crunchbase News: SaaS Sudah Mati.
Pasar percaya bahwa bisnis perangkat lunak tidak bisa lagi membebankan premi dan memprediksi pertumbuhan yang melambat tanpa batas waktu.
Ada dua alasan. Pertama, AI mendorong penurunan biaya produksi perangkat lunak hingga 10 kali lipat. Kedua, kemampuan AI ini memungkinkan gelombang besar pesaing baru, baik startup yang didanai VC maupun solusi internal.
Mereka mengatakan, penurunan biaya produksi perangkat lunak dan meningkatnya persaingan akan menghilangkan daya tarik harga perangkat lunak. Saham perangkat lunak publik turun 20% tahun ini hingga pertengahan Mei, dan untuk pertama kalinya dalam sejarah, saham perangkat lunak diperdagangkan dengan diskon dibandingkan rata-rata kelipatan laba S&P500. SaaS sudah mati.
Dalam beberapa kasus, efisiensi memicu konsumsi. Inilah pelajaran dari Paradoks Jevons. Ini berhasil untuk mesin batu bara, berhasil untuk pusat data, dan juga akan berhasil untuk perangkat lunak yang didukung AI.
Paradoks Jevons
Mari kita mulai dengan batu bara. Pada tahun 1860-an di Inggris, banyak orang khawatir tentang penggunaan sumber daya batu bara negara itu yang terlalu cepat habis. Kebijakan umum mengatakan bahwa pengembangan mesin pembakaran batu bara yang lebih efisien akan membuat batu bara bertahan lebih lama.
Tetapi ekonom William Stanley Jevons menyadari bahwa mesin pembakaran batu bara yang lebih efisien akan menyebabkan peningkatan permintaan energi batu bara sehingga warga Inggris akan menghabiskan batu bara mereka lebih cepat, bukan lebih lambat.
Jevons benar. Ketika efisiensi yang lebih tinggi menghasilkan biaya yang lebih rendah, hal itu juga membuka permintaan baru yang sangat besar. Hal ini menghabiskan cadangan batu bara lebih cepat, bukan lebih lambat.
Dua puluh lima tahun lalu, saya bergabung dengan sebuah perusahaan buyout selama krisis dot-com tahun 2001. Investasi pertama saya adalah pada sebuah perusahaan pusat data yang bermasalah. Exodus Communication, yang mencapai nilai pasar tertinggi sebesar $32 miliar, kemudian bangkrut dua kali karena permintaan pusat data terus menurun.
Pada tahun 2004, saya merekomendasikan agar perusahaan kami mengakuisisi bisnis pusat data tersebut dari kebangkrutan kedua seharga $200 juta dan menggabungkannya dengan pesaing bernama Savvis.
Saat itu, pasar menganggap pusat data sebagai industri yang mengecil. Perusahaan dot-com menarik rak-rak server dari lokasi-lokasi tersebut, dan lantai pusat data mulai kosong. Analis industri memperkirakan bahwa mengingat hukum Moore tentang pertumbuhan eksponensial kapasitas chip dan meningkatnya kepadatan daya server, satu rak dalam 10 tahun akan menghasilkan apa yang dibutuhkan 100 rak pada tahun 2005, dan dalam 20 tahun, satu rak akan menghasilkan apa yang dihasilkan 10.000 rak pada tahun 2005. Kebijakan umum mengatakan bahwa chip yang lebih efisien akan membutuhkan ruang lantai pusat data yang lebih sedikit seiring waktu.
Thesis kami bahwa permintaan ruang lantai pusat data akan tumbuh bukanlah pendapat yang populer saat itu. Jika 10.000 rak pada tahun 2005 digantikan oleh hanya satu rak pada tahun 2025, bukankah AS sudah memiliki cukup banyak ruang lantai pusat data?
IBM memasang iklan yang menampilkan sebuah ruangan penuh server yang digantikan oleh satu mainframe. Seorang anggota komite investasi yang skeptis mengatakan kepada saya bahwa bisnis ini sudah bangkrut dua kali dalam dua tahun, dan jika bangkrut untuk ketiga kalinya, saya harus ikut serta.
Hari ini, satu rak memang dapat menghasilkan daya komputasi 20.000 kali lipat dibandingkan rak-rak dari tahun 2005, dan seperti yang diketahui semua orang, justru kita tidak punya cukup ruang lantai, kita bahkan tidak bisa membangun kapasitas pusat data baru dengan cukup cepat. Permintaan laten yang sangat besar akan daya komputasi terbuka seiring meningkatnya efisiensi rak. Kisah Savvis juga berakhir baik, dijual enam tahun kemudian seharga $3,2 miliar.
Paradoks Jevons benar untuk batu bara, dan benar untuk pusat data. Paradoks ini juga akan benar untuk pekerjaan pengetahuan yang didukung AI.
Pekerjaan pengetahuan dan ekspansi pasar
Dua puluh lima tahun lalu, hanya orang kaya yang memiliki akses ke saran investasi yang dipersonalisasi. Pada tahun 1996, pemenang Nobel Bill Sharpe ikut mendirikan Financial Engines untuk membawa saran investasi yang dipersonalisasi kepada siapa pun yang memiliki 401(k).
Perusahaan saya adalah investor, dan saya berkesempatan bekerja erat dengan perusahaan tersebut. Awalnya, perusahaan mencoba menjual saran tentang cara menginvestasikan dana 401(k), tetapi hanya sekitar 20% karyawan yang tertarik untuk mengikuti saran tersebut dan kemudian mengelola posisi 401(k) mereka sendiri.
Inovasi terobosan Financial Engines adalah mengelola posisi 401(k) secara langsung, bukan sekadar memberi saran. Karyawan bisa mencentang kotak: "lakukan untuk saya". Permintaan dari orang-orang yang sebelumnya tidak memiliki akses ke saran ini melampaui perkiraan dan memberikan manfaat besar. Saya ingat bahwa salah satu pelanggan awal adalah JCPenney, yang puluhan ribu karyawannya dengan usia rata-rata 27 tahun memiliki sekitar 40% uang 401(k) mereka dalam bentuk tunai, 40% dalam saham JCPenney (yang akhirnya akan mengajukan kebangkrutan pada tahun 2020), dan 20% dalam segala sesuatu lainnya. Hanya dengan memindahkan mereka ke reksa dana murah yang masuk akal sesuai usia dan tujuan keuangan mereka sudah menghasilkan manfaat besar.
Financial Engines berkembang dari nol menjadi $169 miliar aset yang dikelola ketika diakuisisi pada tahun 2018 seharga $3 miliar.
Perusahaan ini menyediakan layanan yang sangat mirip dengan apa yang sekarang kita sebut AI agen. Pelanggan (seorang karyawan dengan tabungan pensiun) mendelegasikan keputusan (investasikan uang saya) kepada sistem komputer, dan karyawan membayar dengan cara yang terkait dengan hasil (~50 basis poin dari AUM).
Tentu saja, teknologi untuk menyediakan ini sangat berbeda, dan ini merupakan aplikasi yang sangat sempit. Pelajarannya tetap sama: Perangkat lunak memungkinkan efisiensi besar dalam menyediakan pekerjaan pengetahuan (dalam kasus ini saran investasi individu) dan munculnya pasar laten yang besar untuk membeli layanan tersebut.
Akhir dari penjatahan pekerjaan pengetahuan
Efisiensi biaya yang meningkat dari AI, seperti efisiensi biaya yang meningkat dari algoritma Financial Engines, memungkinkan permintaan meningkat karena melemaskan kendala pasokan pada pekerjaan pengetahuan.
Sepanjang sejarah manusia, bahkan hingga hari ini, pekerjaan pengetahuan selalu dijatah karena terbatas pasokannya.
Pekerja pengetahuan membutuhkan pendidikan dan pelatihan bertahun-tahun, cenderung ingin tinggal di tempat-tempat berbiaya tinggi, seiring waktu ingin bekerja hanya pada jenis masalah tertentu yang menarik bagi mereka, dan memerlukan banyak pengelolaan agar bisa bekerja sama. Itulah sebabnya kita membayar mereka gaji yang sangat tinggi dan melakukan segala upaya untuk membuat mereka lebih produktif.
Perangkat lunak bisnis adalah alat untuk membuat pekerja pengetahuan lebih produktif. Total pasar perangkat lunak bisnis di AS sekitar $0,5 triliun per tahun, menurut Gartner. Pasar AS untuk pekerjaan pengetahuan, yaitu jumlah yang dibayarkan kepada 100 juta pekerja pengetahuan di negara ini, sekitar $10 triliun, menurut angka Biro Statistik Tenaga Kerja AS. Saat ini, kita menghabiskan sekitar 5% dari biaya pekerja pengetahuan untuk alat perangkat lunak yang membantu mereka.
AI memungkinkan perusahaan perangkat lunak tidak hanya menjual alat-alat kepada pekerja pengetahuan, tetapi mulai menjual hasil pekerjaan pengetahuan itu sendiri, seperti yang telah saya tulis dalam artikel Crunchbase sebelumnya.
Gabungkan semuanya: 90% kompresi biaya dalam pengembangan perangkat lunak ditambah kemampuan untuk menjual pekerjaan pengetahuan. Kita tahu ada permintaan laten yang sangat besar untuk pekerjaan pengetahuan, asalkan saja tidak terlalu mahal dan sulit diakses.
Untuk pertama kalinya, jutaan orang dan bisnis yang sebelumnya tidak pernah memiliki akses ke ahli strategi, analis, pengacara, atau penasihat keuangan akan segera mendapatkan akses tersebut.
Perangkat lunak jauh dari mati. Peningkatan efisiensi yang ditawarkan AI akan memungkinkannya melakukan lebih banyak dengan biaya lebih rendah, dan sama seperti mesin batu bara atau pusat data yang lebih efisien, hal ini akan membuka permintaan laten yang besar untuk pekerjaan pengetahuan.
Pada akhirnya, ini akan meningkatkan pendapatan dan kekuatan bisnis perangkat lunak yang menggunakan AI untuk semakin meningkatkan produktivitas pekerja pengetahuan atau menghadirkan hasil pekerjaan pengetahuan secara langsung. Tugas perangkat lunak saat ini adalah memecahkan masalah penyediaan layanan ini secara aman dan andal.
Bukan tugas kecil bagi industri untuk belajar bagaimana mengelola pekerja pengetahuan yang bersifat manusia, dan akan menjadi tugas yang sama besarnya untuk belajar bagaimana mengelola mereka yang merupakan pekerja pengetahuan mesin. Itulah tantangannya.
Tetapi ingatlah bahwa saat ini pasar pekerjaan pengetahuan 20 kali lebih besar daripada pasar perangkat lunak. Skala hadiah bagi perusahaan perangkat lunak adalah membuka permintaan laten untuk pekerjaan pengetahuan yang, jika sejarah menjadi panduan, akan mengalahkan pasar perangkat lunak saat ini.
Saat ini, pasar takut bahwa efisiensi yang dihadirkan AI akan mengecilkan industri perangkat lunak. Justru sebaliknya yang terjadi. AI akan membuka permintaan laten yang besar untuk pekerjaan pengetahuan, dan pasar perangkat lunak akan meledak. Panjang umur perangkat lunak.
Bob Morse mendirikan Strattam Capital pada tahun 2014 dan merupakan mitra pengelola. Ia pernah duduk di banyak dewan perusahaan teknologi swasta dan publik, dan saat ini menjadi direktur CloudHesive, Contegix, Daxtra Technologies, Green Security, Resource Navigation, dan Trax Group. Sebelumnya, ia adalah mitra dan anggota komite investasi di Oak Hill Capital Partners. Ia juga pernah bekerja di GCC Investments dan Morgan Stanley. Morse duduk di dewan direksi Austin PBS dan sebagai anggota dewan penasihat untuk Pusat Keuangan Ekuitas Swasta HMTF di The University of Texas at Austin McCombs School of Business. Ia menempuh pendidikan di Princeton University, lulus summa cum laude dengan gelar BSE, dan Stanford Graduate School of Business, di mana ia meraih gelar MBA dan merupakan Arjay Miller Scholar. Morse tinggal di Austin.
Bacaan terkait:
- Jangan Hanya Berbicara Tentang AI. Ukur Hasil Bisnis. Begini Caranya.
- Bangkitnya Eksekutif AI
- Inovasi Menuju Inovasi: Memahami Momen AI
Illustrasi: Li-Anne Dias
