ตลาด Vertical AI ที่ใหญ่ที่สุดซ่อนอยู่ตรงหน้าเรา

• ยิ่งเป็นอุตสาหกรรมที่กระจัดกระจายและมีความซับซ้อนด้านการดำเนินงานมากเท่าไร ก็ยิ่งเป็นตลาดที่เหมาะที่สุดสำหรับ ระบบ Vertical AI ในการสร้างคูเมืองป้องกันที่แข็งแกร่ง แต่ผู้ก่อตั้งและนักลงทุนส่วนใหญ่กลับมองข้ามจุดนี้
• ระบบอัตโนมัติแบบงานเดี่ยวที่เรียบง่ายสามารถถูกลอกเลียนได้ง่าย แต่ระบบที่ฝังลึกอยู่ใน เวิร์กโฟลว์ที่เต็มไปด้วยกฎระเบียบ การเชื่อมต่อระบบเดิม และการจัดการข้อยกเว้น จะเป็นโครงสร้างที่ทั้งคู่แข่ง ลูกค้า และแล็บ AI ตามได้ยาก
• หากประเมินขนาดตลาดใหม่โดยยึด ต้นทุนบริการและแรงงาน แทนงบซอฟต์แวร์ จะเห็นว่าตลาดแนวดิ่งที่ดูเล็ก แท้จริงแล้วเป็นพื้นที่การใช้จ่ายขนาดมหาศาล
• เมื่อผลิตภัณฑ์เปลี่ยนจากการช่วยงานไปสู่ การแทนที่งานนั้นโดยตรง ขอบเขตที่สามารถเรียกเก็บเงินจากลูกค้ารายเดิมก็อาจขยายได้หลายสิบเท่า
• ในอีก 5 ปีข้างหน้า แต่ละอุตสาหกรรมจะเป็นเวทีตัดสินว่าระหว่าง แพลตฟอร์มแนวดิ่งที่ออกแบบมาเฉพาะทาง, การเพิ่ม AI ให้ SoR เดิม, หรือการสร้าง AI ภายในองค์กร วิธีไหนจะเป็นผู้ชนะ

---

เหตุใดตลาดนี้จึงซ่อนอยู่

• มีคุณสมบัติ 2 ประการที่ซ่อนตลาด Vertical AI ชั้นยอดไว้ และในเวลาเดียวกัน คุณสมบัติเหล่านี้เองก็ทำหน้าที่เป็น คูเมืองป้องกัน ของตลาด
• คุณสมบัติแรกคือ workflow grit: สภาพแวดล้อมการทำงานที่ซับซ้อน เต็มไปด้วยการจัดการข้อยกเว้น การเชื่อมกับระบบเดิม การอนุมัติโดยมนุษย์ การปฏิบัติตามข้อกำหนด และโหมดความล้มเหลวที่มีต้นทุนสูง
  • งานที่สะอาดและนิยามชัดเจนสร้าง เดโม และขายได้ง่าย แต่ทันทีที่ความฉลาดนั้นสามารถย้ายไปใช้ที่อื่นได้ ก็จะกลายเป็น สินค้าโภคภัณฑ์ (commoditize)
  • งานที่แคบ ความเสี่ยงต่ำ และเสียบเข้าระบบเดิมได้ง่าย อาจถูกคู่แข่งคัดลอกฟีเจอร์ ลูกค้าสร้างเอง หรือแม้แต่ แล็บ frontier ออกผลิตภัณฑ์เองโดยตรง
• เวิร์กโฟลว์ที่มี grit สูงสามารถปิดกั้นภัยคุกคามทั้งสามด้านได้พร้อมกัน: แล็บไม่อยากจัดการความซับซ้อนเชิงปฏิบัติการ ลูกค้าขาดศักยภาพทางเทคนิค และคู่แข่งก็ลัดขั้นตอนไม่ได้
• การทำให้ AI ใช้งานได้จริงในเวิร์กโฟลว์ที่มี grit สูง ต้องทำมากกว่าการเข้าถึงโมเดล: ต้อง จัดโครงสร้างข้อมูลที่ไม่เป็นระเบียบ เชื่อมต่อระบบเดิม ออกแบบลูปการอนุมัติ กำหนดอัตราความผิดพลาดที่ยอมรับได้ และสร้างความไว้วางใจในสภาพแวดล้อมที่ความผิดพลาดมีต้นทุนสูง
  • งานเหล่านี้จะสะสมอย่างเงียบ ๆ จนเกิดเป็น แผนที่เฉพาะของการดำเนินงานเวิร์กโฟลว์ (proprietary map) ที่ผู้เล่นใหม่ไม่สามารถลอกเลียนได้เพียงแค่ซื้อโมเดลเดียวกันมาใช้
• ในช่วงแรกผลตอบแทนอาจดูเล็ก แต่การทำงานเชิงปฏิบัติการที่ยากนี้จะมอบ สิทธิในการขยายไปยังเวิร์กโฟลว์ข้างเคียงและหมวดงบประมาณที่ใหญ่กว่า

กรณีจริง: สินเชื่อรถยนต์ การเรียกเก็บเงินทางการแพทย์ และโลจิสติกส์ขนส่งสินค้า

• Salient: สร้าง AI voice agent สำหรับโทรหาผู้กู้สินเชื่อรถยนต์ที่ค้างชำระ โดยดำเนินงานภายใต้กฎ FDCPA, TCPA และ Reg F ซึ่งเป็นสภาพแวดล้อมที่การละเมิดเพียงครั้งเดียวอาจนำไปสู่การลงโทษจากหน่วยงานกำกับดูแล
  • AI ต้องนำทางกฎของรัฐและรัฐบาลกลางที่ทับซ้อนกัน เจรจาการชำระเงินแบบเรียลไทม์ ปฏิบัติตามข้อจำกัดความถี่ในการโทร และส่งต่อให้เจ้าหน้าที่มนุษย์เมื่อจำเป็น
  • ต้นทุนของการโทรทวงหนี้โดยมนุษย์อยู่ที่ $4~$12 ต่อครั้ง ขณะที่การโทรโดย AI มีต้นทุนเพียงบางส่วนของนั้น
• Charta Health: ทำระบบอัตโนมัติสำหรับ การตรวจทานชาร์ตก่อนการเรียกเก็บเงิน ซึ่งต้องข้ามผ่านกฎของบริษัทประกัน รหัส CPT และรูปแบบการปฏิเสธที่แตกต่างกันไปตามสาขาเฉพาะทางและแต่ละภูมิภาค
• ในภาคโลจิสติกส์ขนส่งสินค้า HappyRobot, Pallet และ Augment กำลังสร้าง AI agent ที่จัดการการโทรด้วยเสียง อีเมล และการอัปเดตพอร์ทัลอันไม่สิ้นสุดที่จำเป็นต่อการประสานงานระหว่างผู้ขนส่ง ผู้ส่งสินค้า และคลังสินค้า
  • การ "โทรหาคนขับรถบรรทุกเพื่อยืนยันสถานะการบรรทุก" อาจดูไม่ใช่ธุรกิจระดับเวนเจอร์ แต่ทุกการขนส่งมีจุดสัมผัสแบบแมนนวลหลายสิบจุด และอุตสาหกรรมโลจิสติกส์ใช้จ่าย มากกว่า 1 ล้านล้านดอลลาร์ต่อปีในต้นทุนปฏิบัติการที่ไม่ใช่ด้านกายภาพ

คุณสมบัติประการที่สอง: โครงสร้างตลาด

• เป็นโครงสร้างตลาดที่ กระจัดกระจาย ไปในหมู่ผู้ประกอบการหลายพันราย และผู้ซื้อมี DNA ด้านเทคโนโลยีต่ำ
• ผู้ขาย AI แบบแนวนอนต้องการลูกค้ามูลค่าสูงที่กระจุกตัวเพื่อให้เศรษฐศาสตร์การนำระบบไปใช้คุ้มค่า แต่เมื่อรายได้กระจายอยู่ในธุรกิจขนาดเล็กและกลางหลายพันรายที่แต่ละรายใช้ระบบและข้อมูลไม่เป็นระเบียบต่างกัน ผู้เล่นแบบทั่วไปจึงไม่สามารถหาเหตุผลรองรับความพยายามด้าน GTM ได้
• ผู้ประกอบการอสังหาริมทรัพย์ บริษัทบริการภาคสนาม และคลินิกฟื้นฟูผู้ป่วยนอก ล้วน ไม่มีศักยภาพทางเทคนิค พอจะสร้าง production AI ภายในองค์กร และมองเทคโนโลยีเป็นสิ่งที่ต้องซื้อ ไม่ใช่สิ่งที่ต้องเป็นเจ้าของ
• ความกระจัดกระจายสร้างช่องว่างให้เข้าไปสร้างระบบ และแนวโน้มที่ต่ำในการสร้างเองก็ขยายช่องว่างนั้น ทำให้มีเวลาเก็บสะสม บริบทการดำเนินงานแบบทบต้น ได้ก่อนใคร

กรณีศึกษา: ตลาดภาษีและบัญชีของสหรัฐฯ

• ตลาดภาษีและบัญชีของสหรัฐฯ เป็นอุตสาหกรรมมูลค่า $145B มี CPA firm แบบ long tail ราว 46,000 แห่ง โดย 86% มี พนักงานน้อยกว่า 10 คน
  • ขณะเดียวกันก็รวมถึง Big Four และสำนักงานขนาดใหญ่ระดับประเทศด้วย
• Blue J: แพลตฟอร์มวิจัยภาษีที่ขับเคลื่อนด้วย AI ซึ่งได้ traction จากทั้งสองฝั่งของตลาด ปัจจุบันให้บริการ มากกว่า 2,800 องค์กร และการใช้งานเติบโต มากกว่า 700% เมื่อเทียบปีก่อน
• โครงสร้างแบบ long tail ทำให้ตลาดนี้ไม่น่าดึงดูดสำหรับผู้เล่นทั่วไป ขณะที่ workflow grit อย่างกฎหมายภาษีที่ซ้ำซ้อน รูปแบบข้อเท็จจริงที่กำกวม และคำตอบที่ผู้เชี่ยวชาญต้องเอาชื่อเสียงมารับประกัน กลับสร้างจุดเริ่มต้นที่ยั่งยืนแม้ในสภาพแวดล้อมผู้ซื้อที่รับมือยาก

การเสริมความแข็งแกร่งของคูเมืองแบบทบซ้อน

• ความซับซ้อนเชิงปฏิบัติการสร้าง ต้นทุนการเปลี่ยนระบบ (switching costs): หากถอดระบบออกต้องจ้างคนกลับมาใหม่ สร้างกระบวนการขึ้นมาอีกครั้ง และละทิ้งบริบทเวิร์กโฟลว์ที่สะสมมาหลายปี
• ความกระจัดกระจายไม่ได้ลดลงตามเวลา และผู้ซื้อก็ไม่ได้มี DNA ด้านวิศวกรรมขึ้นมาอย่างฉับพลัน
• เมื่อ OpenAI หรือ Anthropic เริ่มตระหนักถึงการมีอยู่ของตลาดนี้ บริบทการดำเนินงานและฐานการกระจายของระบบแนวดิ่งก็ได้สะสมแบบทบต้นมาหลายปีแล้ว

Goldilocks TAM

• เหตุผลที่ตลาด Vertical AI ส่วนใหญ่ซ่อนอยู่ คือผู้คน วัดขนาดตลาดผิดวิธี
• วิธีมาตรฐานคือมอง รายจ่ายด้านซอฟต์แวร์ ของหมวดนั้นเป็น TAM แต่ในอุตสาหกรรมที่กระจัดกระจายและซับซ้อนด้านการดำเนินงาน งบซอฟต์แวร์มักมีขนาดเล็ก
• มาตรวัดที่ถูกต้องคือจำนวนเงินที่อุตสาหกรรมนั้น ใช้จ่ายไปกับงานนั้นโดยตรง: ค่าแรงคนทำงาน ค่าใช้จ่ายให้ผู้ให้บริการภายนอก เอเจนซี และผู้รับจ้าง ซึ่งก็คือ งบบริการและแรงงาน
• การนิยามใหม่นี้ยังอธิบายด้วยว่าเหตุใดคู่แข่งที่อันตรายที่สุดจึงมองข้ามตลาด: หากดู "AI สำหรับการปล่อยเช่าอสังหาริมทรัพย์" ด้วยงบซอฟต์แวร์ มันจะดูเป็นตลาดเฉพาะจน แล็บ frontier ไม่มีเหตุผลจะทุ่มทรัพยากรลงมา
  • แต่เมื่อมองด้วยงบแรงงานและบริการ มันคือมหาตลาด เพียงแต่ตอนที่สิ่งนี้เริ่มชัด ระบบแนวดิ่งก็สะสมความได้เปรียบมาหลายปีแล้ว
• เงื่อนไขของ Goldilocks TAM คือ ใหญ่พอสำหรับผลลัพธ์ระดับเวนเจอร์ แต่ถูกอำพรางด้วยพื้นผิวซอฟต์แวร์ที่ดูถ่อมตน ถูกมองข้ามเพราะความซับซ้อนเชิงปฏิบัติการ และสามารถขยายได้อย่างมากเมื่อยึดตำแหน่งเชิงระบบได้แล้ว

การเปลี่ยนจากการช่วยงานไปสู่การแทนที่งาน

• การขยายเกิดขึ้นเมื่อผลิตภัณฑ์เปลี่ยนจาก การช่วยงาน ไปเป็น การทำงานแทน
• ตัวอย่างบริษัทบริหารอสังหาริมทรัพย์: ใช้จ่าย $30,000 ต่อปีสำหรับซอฟต์แวร์ปล่อยเช่า และ $300,000 สำหรับพนักงานปล่อยเช่า
  • เมื่อผลิตภัณฑ์เริ่มทำงานนั้นแทนโดยตรง ก็เท่ากับไม่ได้ขายอยู่บนรายการ $30K แต่ขายบน รายการ $300K
  • หากขยายไปครอบคลุมเวิร์กโฟลว์และการดำเนินงานโดยรวม ก็อาจเข้าถึงงบปฏิบัติการรวม มากกว่า $1M ได้
  • ในบริษัทเดียว ลูกค้ารายเดิมรายเดิม ขอบเขตที่เรียกเก็บเงินได้อาจขยาย 30 เท่า

กรณีศึกษา: EliseAI

• EliseAI: แพลตฟอร์มบริหารจัดการอสังหาริมทรัพย์ด้วย AI ที่เริ่มต้นจากตลาด proptech แบบจำกัด
  • ในช่วงแรกเริ่มจากโซลูชัน automation สำหรับการปล่อยเช่าแบบ SKU เดียวที่ ~$50K ACV
  • เมื่อผลิตภัณฑ์ขยายจากการช่วยงานปล่อยเช่าไปสู่การ แทนที่ งาน จึงต่อยอดไปยังงานซ่อมบำรุง การเก็บเงิน และ AI guided tour ครอบคลุมทั้งวงจรชีวิตผู้เช่า
  • ปัจจุบันให้บริการอพาร์ตเมนต์ในสหรัฐฯ 1 ใน 8 ยูนิต และผู้จัดการ/ผู้ดำเนินงานอสังหาริมทรัพย์ใช้จ่ายกับแพลตฟอร์มนี้ มากกว่าหลายล้านดอลลาร์
  • ยังขยายเข้าสู่เฮลท์แคร์ โดยใช้ playbook เดิมบุกตลาดต้นทุนด้านงานบริหารมูลค่า $600B ต่อปี
• ไม่ใช่ว่า TAM เติบโตไปพร้อมกับผลิตภัณฑ์ แต่เป็นเพราะผลิตภัณฑ์ เผยให้เห็นว่า TAM นั้นใหญ่เพียงใดมาตั้งแต่แรก

จะเกิดอะไรขึ้นเมื่อไปถึงก่อน

• ในตลาดนี้ บริษัท Vertical AI ที่ไปถึงตำแหน่งเชิงระบบได้ก่อน ไม่ได้เพียงสร้างธุรกิจขนาดใหญ่เท่านั้น แต่จะ กำหนดวิธีดำเนินงานของทั้งอุตสาหกรรมในอีก 10 ปีข้างหน้า
• Anthropic และ OpenAI เป็นภัยคุกคามจริงต่อชั้นแอปพลิเคชัน แต่ก็ต้องรับมือกับ ลำดับความสำคัญที่ขัดแย้งกัน พร้อมกัน
  • พวกเขาต้องลงทุนต่อเนื่องในการพัฒนา frontier ของโมเดล และการเพิ่มรายได้จากโทเค็นให้สูงสุดก็จะยิ่ง ขัดกับผลประโยชน์ของลูกค้าปลายทาง มากขึ้นเมื่อการใช้งานเอเจนต์เพิ่มขึ้น
  • และยังต้องสร้างแอปพลิเคชันปรับแต่งคุณภาพสูงสำหรับ vertical ที่แตกต่างกันหลายสิบตลาดไปพร้อมกัน
• ในตลาดส่วนใหญ่ Vertical AI ที่มุ่งเฉพาะทางจะ เอาชนะแล็บด้วยพลังของการโฟกัสอย่างแท้จริง
• อีก 5 ปีข้างหน้าจะเป็นตัวตัดสินว่าในแต่ละตลาด แนวทางใดจะชนะ: แพลตฟอร์มเฉพาะทางที่ขยาย AI wedge ไปสู่ระบบแนวดิ่ง, SoR เดิม ที่รักษาตำแหน่งตลาดไว้ด้วยการเพิ่ม AI แบบ "ดีพอใช้" หรือ AI ภายในองค์กร ที่สร้างบน Anthropic/OpenAI
• ยุทธศาสตร์หลักคือ เลือก จุดเริ่มต้นที่คมและซับซ้อนด้านการดำเนินงาน ในตลาดที่ดูเล็กเกินไป จากนั้นขยายไปทั่วเวิร์กโฟลว์เพื่อยึดอำนาจ แทนที่แรงงาน และกลายเป็น ระบบที่ลูกค้าขาดไม่ได้ในการดำเนินงาน
• "โมเดลชนะในเดโม, เวดจ์ชนะในไฟลอต, ระบบชนะในตลาด"