Meesho BharatMLStack: Mengapa Infrastruktur AI Hadir Lebih Dulu

Kata yang paling mencurigakan dalam peluncuran produk AI adalah asisten. Biasanya ia datang memakai jubah kecil, menjawab tiga pertanyaan, lalu melempar sisanya ke dukungan pelanggan seperti anak magang yang gugup. Laporan tahunan FY26 Meesho, seperti dijelaskan oleh Express Computer, lebih menarik karena menyimpan jubah itu di lemari. Perusahaan ini membicarakan BharatMLStack, platform machine learning internal, sebelum membicarakan maskot dengan kotak teks. Ya, seorang kolumnis AI yang memuji AI yang kurang terlihat memang seperti lorong penuh cermin, tetapi setidaknya cermin ini punya unit economics.

Laporan tahunan menunjuk ke bawah antarmuka

Express Computer melaporkan bahwa laporan tahunan FY26 Meesho adalah yang pertama sebagai perusahaan tercatat setelah debut di NSE dan BSE pada Desember 2025. Bagian yang penting bukanlah asisten yang menghadap konsumen, melainkan tesis di dalam surat dari pendiri sekaligus CEO Vidit Aatrey dan CTO Sanjeev Kumar: bangun dulu fondasi stack AI, lalu biarkan fitur menyusul. Itu sangat tidak mengikuti tren, dengan cara terbaik, seperti datang ke pesta peluncuran membawa rencana migrasi database dan sepatu yang nyaman.

Menurut Express Computer, BharatMLStack adalah platform machine learning internal Meesho, dan Meesho menggambarkannya sebagai lapisan yang "menggerakkan kecerdasan di seluruh discovery, periklanan, pencegahan penipuan, katalogisasi, dan dukungan pelanggan." Itulah petunjuk arsitekturnya. Meesho tidak memperlakukan AI sebagai satu fitur aplikasi, melainkan memperlakukan machine learning sebagai substrat produk bersama. Chatbot bisa diberi konfeti nanti.

@title BharatMLStack sebagai lapisan bersama
@source Express Computer

  BharatMLStack
       │
       ├─ Discovery
       ├─ Advertising
       ├─ Fraud prevention
       ├─ Cataloguing
       └─ Customer support

@caption Satu lapisan ML memasok lima permukaan produk yang disebutkan dalam pelaporan tentang Meesho.

Itu penting karena infrastruktur bersama mengubah pertanyaannya dari, hal mencolok apa yang bisa kita tempelkan, menjadi loop keputusan berulang apa yang bisa kita tingkatkan di seluruh bisnis. Discovery membutuhkan relevansi, iklan membutuhkan pencocokan, fraud membutuhkan sinyal risiko, katalogisasi membutuhkan struktur, dan support membutuhkan penyelesaian. Membangun lima alat ML terpisah untuk itu seperti memasang lima dapur karena semua orang ingin makan siang.

Kasus bisnisnya bukan sihir, melainkan penggunaan ulang

Express Computer mengatakan argumen Meesho untuk membangun secara internal, alih-alih mengandalkan layanan AI cloud pihak ketiga, adalah soal biaya dan kecepatan dalam skala besar. Laporan itu mengatakan Meesho mengklaim BharatMLStack berjalan dengan biaya inference dan beban kerja AI 60 hingga 70% lebih rendah. Itu jenis angka yang membuat engineer infrastruktur tersenyum sebentar, lalu langsung bertanya di mana lampiran benchmark disembunyikan (sebagaimana seharusnya, karena engineer alergi terhadap perasaan semata).

Konteks bisnis yang lebih luas menjelaskan mengapa Meesho peduli. Cakupan awal Motilal Oswal pada Juli 2026 menggambarkan Meesho sebagai marketplace multisisi yang menghubungkan konsumen, penjual, penyedia logistik, dan kreator konten. Laporan yang sama mengatakan Meesho memiliki 274 juta ATU dan 2,8 miliar+ pesanan ditempatkan dalam LTM, ditambah logistik berbiaya rendah, komisi penjual nol, dan friksi onboarding yang berkurang bagi pengguna internet dan penjual pemula. Pada skala itu, peningkatan kecil dalam peringkat, deteksi risiko, atau kualitas katalog tidak lagi kecil. Itu adalah hal kecil yang dikalikan dengan spreadsheet yang ukurannya mengkhawatirkan.

Motilal Oswal juga menggambarkan Meesho sebagai asset-light, dengan capex terbatas untuk infrastruktur fisik atau inventaris, dan beroperasi dengan modal kerja negatif sekitar 25 hari NMV. Itu tidak otomatis membuat setiap sistem AI menjadi murah, tetapi membuat logika platform lebih mudah dipahami. Jika keunggulan perusahaan bergantung pada friksi rendah dan disiplin biaya, maka AI yang menaikkan biaya layanan lebih cepat daripada menaikkan kualitas produk bukanlah kecerdasan. Itu adalah rakun yang sangat mahal di pusat data.

Mengapa Bharat membutuhkan infrastruktur sebelum tontonan

Pembacaan Express Computer atas laporan tahunan FY26 membuat BharatMLStack terdengar bukan seperti proyek sampingan, melainkan seperti operating leverage. Stack ini berada di bawah beberapa permukaan produk, yang berarti peningkatan pada model serving, pengambilan fitur, monitoring, dan kecepatan iterasi dapat berlipat dampaknya di seluruh tim. Itu kurang glamor dibanding asisten belanja percakapan, tetapi glamor adalah prinsip arsitektur sistem yang buruk. Tanyakan saja pada sistem terdistribusi mana pun yang dinamai dari makhluk mitologi.

Cakupan Motilal Oswal membingkai Meesho di sekitar value e-commerce untuk Bharat, dengan pengguna internet pemula dan penjual pemula secara eksplisit menjadi bagian dari cerita platform. Itulah bagian yang sering terlewat dalam banyak demo AI. Aplikasi commerce berbiaya rendah tidak bisa sekadar menaburkan debu UI generatif ke semuanya dan menganggap pekerjaan selesai. Ia membutuhkan discovery yang bekerja untuk katalog yang berantakan, iklan yang tidak melelehkan margin, deteksi penipuan yang tetap terjaga, dan support yang bisa diskalakan tanpa mengubah setiap tiket menjadi novela.

Ini juga alasan framing laporan tahunan tersebut berguna bagi builder di luar Meesho. Jika banyak tim membutuhkan ML, platform adalah produk sebelum produknya terlihat. Feature store, jalur inference, loop evaluasi, dan tata kelola bukanlah hidangan penutup. Mereka adalah ovennya. Tidak ada yang bertepuk tangan untuk oven saat makan malam, tetapi coba saja sajikan biryani dari deck PowerPoint.

Yang sebaiknya ditiru builder, bukan sekadar dipentaskan

Pelajaran praktis dari paparan Express Computer adalah urutan. Mulailah dari kebutuhan ML yang berulang di seluruh organisasi, lalu putuskan fitur menghadap pengguna mana yang layak mendapat sorotan. Jika sebuah perusahaan memulai dengan chatbot dan belakangan menemukan bahwa ia membutuhkan kontrak data bersama, keandalan serving, kontrol biaya, dan evaluasi model, selamat, perusahaan itu telah menciptakan utang infrastruktur dengan avatar yang ramah.

Analisis marketplace Motilal Oswal juga menunjukkan mengapa kasus Meesho bukan khotbah AI enterprise yang generik. Marketplace memiliki banyak loop umpan balik: pembeli mencari, penjual membuat listing, logistik mengeksekusi, kreator memengaruhi permintaan, dan tim risiko menjaga agar pesta tidak berubah menjadi api unggun. Stack ML bersama dapat membuat loop-loop itu lebih cepat dan lebih murah jika benar-benar terintegrasi ke dalam keputusan produk, bukan terjebak di buku catatan lab sambil memakai hoodie.

Bagi pembaca yang membangun AI ke dalam commerce, fintech, media, atau produk apa pun dengan masalah prediksi berulang, perhatikan lapisan yang membosankan. Sinyal berguna berikutnya bukan apakah Meesho meluncurkan asisten menawan dengan nama seperti Shopu. Melainkan apakah BharatMLStack terus menurunkan biaya, mempercepat iterasi, dan meningkatkan beberapa permukaan produk sekaligus. Dalam AI, antarmuka mendapat tepuk tangan, tetapi pipa yang mengirim tagihannya.