Vertical AI - เหตุใดแนวทางแบบเฉพาะอุตสาหกรรมจึงสำคัญต่อการสร้างแอป AI ที่ยั่งยืน

ความสำคัญของ Vertical AI

• ตลอด 10 ปีที่ผ่านมา Vertical SaaS ได้พิสูจน์พลังของซอฟต์แวร์ที่ออกแบบเฉพาะตามแต่ละอุตสาหกรรม และมีตัวอย่างความสำเร็จมากมาย เช่น Toast, Shopify, Procore, ServiceTitan
• ยังมีตลาดอีกมากที่ Vertical SaaS เข้าไปให้บริการได้ไม่ทั่วถึง
  • อุตสาหกรรมฐานรากที่มีอุปสรรคเชิงโครงสร้างต่อการนำนวัตกรรมเทคโนโลยีมาใช้โดยธรรมชาติ (เช่น ข้อมูลที่ไม่มีโครงสร้าง, TAM ที่จำกัด, วงจรการขายที่ช้า, มูลค่าสัญญารายปีต่ำ, ลูกค้าเดิมที่ดูแลยาก)
  • สาขาที่เพิ่งเกิดขึ้นใหม่หรือกำลังเผชิญการเปลี่ยนแปลงครั้งใหญ่ (เช่น การเปลี่ยนผ่านสู่พลังงานไฟฟ้า)
• ตอนนี้ AI ที่สามารถจัดการข้อมูลไม่มีโครงสร้างได้เกิดขึ้นแล้ว และด้วยความก้าวหน้าสำคัญที่นิยาม Vertical SaaS ใหม่ให้กลายเป็นซอฟต์แวร์แบบเฉพาะอุตสาหกรรม จึงเริ่มสร้างซอฟต์แวร์ที่ให้บริการตลาดเหล่านี้ได้
• ในยุคเทคโนโลยีก่อนหน้า Vertical SaaS ใช้ได้เฉพาะกับบริษัทที่มี tech stack ทันสมัยและมีข้อมูลที่เป็นระบบเท่านั้น
• LLM สามารถจัดการข้อมูลที่ไม่มีโครงสร้างได้ จึงอาจเป็นชิ้นส่วนที่ขาดหายไปซึ่งทำให้ AI สามารถพาอุตสาหกรรมที่ล้าหลังทางเทคนิคเข้าสู่ยุคสมัยใหม่ได้
• สตาร์ตอัปที่เน้นแนวทางแบบเฉพาะอุตสาหกรรมกำลังก้าวข้ามโมเดล SaaS แบบดั้งเดิม โดยใช้กลยุทธ์อย่าง embedded payments (Toast, Shopify), โฆษณา (Pepper, Provi), และ B2B marketplace (Faire, Novi)

# กรอบการลงทุนใน Vertical AI

Data: Better Data Over Better Models (ข้อมูลที่ดีกว่าสำคัญกว่ารุ่นโมเดลที่ดีกว่า)

• ในการสร้างแอปพลิเคชัน AI ข้อมูลน่าจะเป็นองค์ประกอบที่สำคัญที่สุดในการสร้างความแตกต่าง
• สตาร์ตอัปควรระบุให้ได้ว่าจำเป็นต้องมีคลังข้อมูลขนาดใหญ่มากหรือไม่ และมีโอกาสสร้างสินทรัพย์ข้อมูลที่เป็นกรรมสิทธิ์ได้หรือไม่
• ในหลายอุตสาหกรรม ข้อมูลมักกระจัดกระจายและอยู่ในระบบ legacy ที่แยกขาดจากกัน จึงน่ายินดีเป็นพิเศษกับบริษัทที่กล้าเข้าไปแก้ปัญหาการดึงข้อมูล
  • เมื่อเทียบกับความคืบหน้าในความสามารถด้านการสรุปและการสร้างข้อมูลแล้ว การดึงข้อมูลยังคงเป็นปัญหาที่ยุ่งยากและยังไม่ได้รับการแก้ไข
  • ปัจจัยสร้างความแตกต่างคือการมีข้อมูลสำหรับ auditing, labeling และการอัปเดตอย่างต่อเนื่องที่ดีที่สุดในระดับเดียวกัน
• สถานะด้านข้อมูลที่แข็งแกร่งยิ่งขึ้นคือกรณีที่การใช้งานผลิตภัณฑ์เองสร้างชุดข้อมูลขึ้นมา
  • ตัวอย่าง: ลูกค้าติด label ให้ข้อมูลของตนเอง หรือพัฒนาชุดข้อมูลจากปฏิสัมพันธ์กับผลิตภัณฑ์
• การเข้าถึงข้อมูลในระยะแรกมีความสำคัญในฐานะคูเมืองป้องกันธุรกิจเบื้องต้น แต่ท้ายที่สุดแล้ว ข้อมูลที่ลูกค้าสร้างขึ้นระหว่างการใช้ผลิตภัณฑ์ต่างหากที่ให้คูเมืองระยะยาว

TAM(Total Addressable Market): Market Size vs Market Penetration (ขนาดตลาดเทียบกับการเจาะตลาด)

• ความเสี่ยงและเหตุผลใหญ่ที่สุดที่คนไม่เลือกไล่ตามตลาดแบบเฉพาะอุตสาหกรรมคือ TAM ที่เล็กกว่าแนวทางแบบแนวนอน แต่เรื่องนี้อาจเป็นได้ทั้งข้อเสียและข้อดี
• เพราะยิ่งตลาดเล็ก ก็ยิ่งมีคู่แข่งที่มีเงินทุนหนาน้อยลง ขอบเขตที่ต้องโฟกัสก็แคบลง ทำให้ได้เปรียบด้านการกระจายสินค้าและเพิ่มการครองตลาดได้
• ในอุตสาหกรรมฐานรากที่มีการแยกย่อยสูง เช่น healthcare/financial services อาจมีโอกาสจำนวนมากภายในแต่ละภาคส่วน
• เพื่อหาจุดเข้าสู่อุตสาหกรรม สิ่งสำคัญคือต้องระบุสาขาย่อยที่คู่แข่งยังไม่เข้าไป, มีความต้องการ AI ที่พิสูจน์แล้ว, เหมาะกับเครื่องมือที่ใช้ LLM มากที่สุด และเป็นสิ่งที่เราสามารถให้บริการได้ดีที่สุด

ACV: Multiple Products and Revenue Streams (ผลิตภัณฑ์หลายตัวและกระแสรายได้หลายทาง)

• การมีผลิตภัณฑ์ SaaS เพียงตัวเดียวไม่ใช่วิธีที่ดีที่สุดในการทำให้ได้ ACV (Annual Contract Value) ระดับหกหลัก
• สตาร์ตอัปที่เน้นแนวทางแบบเฉพาะอุตสาหกรรมสามารถขยายไปสู่ผลิตภัณฑ์หลายตัวและสร้างแหล่งรายได้เพิ่มเติมนอกเหนือจากผลิตภัณฑ์หลักได้
• การเพิ่มสายผลิตภัณฑ์ใหม่เข้ากับผลิตภัณฑ์หลักทำให้สามารถ bundle และ upsell ได้เมื่อเวลาผ่านไป จนท้ายที่สุดยึดตำแหน่งที่มั่นคงได้ในหลายจุดขององค์กร
  • Toast ซึ่งเป็นแพลตฟอร์มชำระเงินสำหรับร้านอาหาร ใช้กลยุทธ์หลายผลิตภัณฑ์ด้วยการเพิ่มฟีเจอร์ payroll และ workforce management
  • Provi และ Pepper ซึ่งเป็น B2B marketplace สร้างรายได้เพิ่มเติมจากโฆษณา
  • Aurora Solar ซึ่งเป็นแพลตฟอร์มติดตั้งโซลาร์ สร้างรายได้เพิ่มผ่านผลิตภัณฑ์ที่เสนอทางเลือกด้านการเงิน
  • Procore ซึ่งเป็นแพลตฟอร์มบริการก่อสร้าง เพิ่งเริ่มให้บริการประกันภัยโดยใช้ data insight ตลอดวงจรชีวิตของโครงการก่อสร้าง

Founder(s): Product Builders With Domain Experience (ผู้ก่อตั้ง: ผู้สร้างผลิตภัณฑ์ที่มีประสบการณ์โดเมน)

• ทีมผู้ก่อตั้งที่มีทั้งประสบการณ์โดเมนและพื้นฐานด้านเทคนิคได้เปรียบกว่านักเทคโนโลยีล้วนเมื่อต้องสร้าง Vertical AI
• ประเด็นนี้ยิ่งเด่นชัดขึ้นสำหรับสตาร์ตอัปที่ต้องการขายให้กับองค์กรเดิมในอุตสาหกรรมอย่าง healthcare ซึ่งมักต้องทำสัญญาระยะยาวกับองค์กรที่แตกต่างกันครั้งละหลายสิบหรือหลายร้อยแห่ง
• การเข้าใจความซับซ้อนเหล่านี้อย่างดีมีความสำคัญอย่างยิ่งต่อการวางกลยุทธ์ go-to-market ที่ถูกต้อง การวางแผนระยะเวลาการขาย และการจ้างพนักงาน

GTM: Create Urgency (กลยุทธ์เข้าสู่ตลาด: สร้างความเร่งด่วน)

• วงจรการขายแบบเฉพาะอุตสาหกรรมอาจยาวนาน และยิ่งเป็นเช่นนั้นมากขึ้นในอุตสาหกรรมดั้งเดิมขนาดใหญ่ที่ผู้ซื้อเทคโนโลยียังไม่ชำนาญมากนัก
• หากต้องการครองช่องทางกระจายสินค้าที่สำคัญ กลยุทธ์ GTM ต้องมีวิธีหรือเส้นทางเฉพาะที่สามารถสร้างความเร่งด่วนได้
  • ความสนใจที่เพิ่มขึ้นต่อ AI ทำให้เกิดแรงกดดันว่าต้องลองผลิตภัณฑ์ใหม่ แต่สิ่งนี้อาจเป็นได้ทั้งแรงต้านและแรงส่ง
  • เพราะผู้ซื้อทุกคนต่างมี AI อยู่ในใจ จึงง่ายสำหรับบริษัทใหม่ที่จะโทรหาลูกค้าเป้าหมายและชวนให้ลองใช้เวอร์ชันทดลอง แต่สำหรับผู้ใช้ที่เหนื่อยกับการเปรียบเทียบ pilot หลายตัว การเปลี่ยน pilot ให้กลายเป็นลูกค้าจริงอาจยากเป็นพิเศษ
  • กล่าวคือ การสร้างสถานการณ์ที่เร่งด่วนให้ผู้ซื้อพิจารณา เปลี่ยนใจ และใช้งานผลิตภัณฑ์จึงเป็นเรื่องสำคัญ
• เพื่อให้เกิดการเปลี่ยนมาใช้อย่างรวดเร็ว ต้องพิจารณาคุณค่าหลักที่นำเสนอ
  • การสัญญาเพียงว่าจะเพิ่มประสิทธิภาพแรงงานหรือสร้าง “นวัตกรรม” ยังไม่เพียงพอ
  • การแสดงให้เห็นว่าผลิตภัณฑ์สามารถเพิ่มรายได้หรือลดต้นทุนได้อย่างชัดเจนจะมีประสิทธิภาพมากกว่า

Product: Beyond Copilot (ผลิตภัณฑ์: ไปไกลกว่า Copilot)

• กระบวนทัศน์หลักในปัจจุบันคือการจับคู่มนุษย์กับ AI Copilot
  • มนุษย์ทำงานส่วนใหญ่ และ AI copilots ช่วยเสริม/เพิ่มขีดความสามารถของมนุษย์
• ในอีกไม่กี่ปีข้างหน้า คาดว่าจะได้เห็นโมเดลตรงกันข้ามมากขึ้น โดย AI agent จะเป็นผู้ทำงานหลัก และมนุษย์คอยตรวจสอบและแก้ไขผลลัพธ์
• Copilot อาจเป็นสิ่งที่ผู้เล่นปัจจุบันซึ่งครองการกระจายอยู่แล้วเป็นผู้นำได้ ขณะที่ AI agent เหมาะจะเป็นจุดเข้าสำหรับสตาร์ตอัป เพราะเป็นโอกาสในการท้าทายพื้นที่ใหม่กว่า
• การเปลี่ยนกระบวนทัศน์นี้จะส่งผลมหาศาลต่อธุรกิจในอนาคต
  • เมื่อ AI agent เข้ามาแทนแรงงานทักษะสูงมากขึ้น ค่าใช้จ่ายด้านซอฟต์แวร์ก็จะเข้ามาแทนค่าใช้จ่ายด้านแรงงาน
  • คาดว่าจะเกิดโมเดลการตั้งราคาแบบใหม่ตามการใช้งานหรือผลลัพธ์ ซึ่งจะเป็น archetype ที่ควรศึกษาเพิ่มเติม

# โอกาสแบบ Vertical

• คาดว่า AI จะสร้างการเปลี่ยนแปลงครั้งใหญ่ในเกือบทุก vertical ของอุตสาหกรรม

Professional Service(บริการวิชาชีพ)

• ในหลากหลายสาขาที่มีงานทำด้วยมือจำนวนมาก เช่น บริการทางกฎหมาย บัญชี และที่ปรึกษา ผู้เชี่ยวชาญต้องใช้เวลามากไปกับการอ่านและตีความข้อมูลสำคัญ เพื่อนำไปตอบกลับเป็นการวิเคราะห์ การสื่อสารกับลูกค้า บันทึก และรายงาน
• ในภาคบริการกฎหมาย ภาษาเป็นผลิตภัณฑ์หลัก และ large language model คือรากฐานของการเปลี่ยนแพลตฟอร์มในปัจจุบัน
• ตลาดกฎหมายในสหรัฐฯ มีมูลค่ามากกว่า 300 พันล้านดอลลาร์ และแสดงให้เห็นถึงความสนใจในการนำ AI มาใช้
  • เกิดบริษัทที่เน้น AI เป็นหลัก เช่น Harvey, EvenUp, Eve, Spellbook
  • บริษัทเดิมอย่าง Thomson Reuters, Relativity, Ironclad ก็เข้าซื้อเทคโนโลยี AI หรือนำไปผสานในผลิตภัณฑ์เดิม
• ที่ปรึกษาและบัญชีเป็นอีกสาขาที่พร้อมเปิดรับ AI
  • บริษัทที่ปรึกษา Big 4 ต่างจ้างที่ปรึกษาและนักบัญชีหลายหมื่นคน ซึ่งเป็นกำลังแรงงานมหาศาลที่ AI สามารถเข้ามาเสริมได้ในวงกว้าง
  • KPMG และ PwC วางแผนลงทุน 2 พันล้านดอลลาร์ในผลิตภัณฑ์ AI ตลอด 5 ปี และ 1 พันล้านดอลลาร์ใน generative AI ตลอด 3 ปีตามลำดับ
  • งานวิจัยร่วมระหว่าง Harvard Business School และ BCG พบว่า ที่ปรึกษาที่ใช้ GPT-4 ทำงานเสร็จเร็วขึ้น 25% และคุณภาพของผลงานดีขึ้น 40%
  • นักบัญชีใช้เวลามากกับการทำความเข้าใจกฎและนโยบาย แล้วนำไปใช้กับการคำนวณ
  • จากการสัมภาษณ์ผู้เชี่ยวชาญด้านบัญชี การรับรู้รายได้ (revenue recognition) ถูกยกให้เป็นหนึ่งใน use case ที่ยากที่สุด ทำซ้ำมากที่สุด (ทุกเดือน) และเหมาะกับการทำให้เป็นอัตโนมัติมากที่สุด

บริการทางการเงิน

• บริการทางการเงินมีคุณลักษณะหลายอย่างที่เหมาะกับ AI
• เฉพาะขนาดตลาดในสหรัฐฯ ก็มีมูลค่าสูงถึง 11 ล้านล้านดอลลาร์ และมีความต้องการเครื่องมือ AI ที่พิสูจน์แล้ว
  • การเปิดตัว Bloomberg GPT, ความร่วมมือของ Morgan Stanley กับ OpenAI, และการที่ AlphaSense เพิ่มเครื่องมือค้นหาและสรุปผลด้วย AI ลงในแพลตฟอร์ม market intelligence
• เมื่อดูงานประจำวันของผู้เชี่ยวชาญด้านการลงทุนและที่ปรึกษาทางการเงิน ก็เห็นได้ง่ายว่า AI นำไปใช้ได้อย่างไร
  • เช่น การประมวลผลข้อมูลภายใน ข้อมูลตลาดแบบเรียลไทม์และข่าวสาร ตลอดจนการสร้างแบบจำลองและการคำนวณทางการเงิน
• สตาร์ตอัปที่ขับเคลื่อนด้วย AI อย่าง Hebbia, Sixfold, Hyperexponential, Portrait Analytics กำลังสร้างความคืบหน้า

เฮลท์แคร์

• มีการพูดถึงผลกระทบที่เป็นไปได้ของ AI ต่อเฮลท์แคร์มาอย่างยาวนาน แต่ยังไม่เคยมีผลกระทบเชิงปฏิบัติจริงเช่นในตอนนี้
  • LLM สามารถปรับปรุงโมเดลด้านการวินิจฉัยหรือการตัดสินใจ พัฒนาแพลตฟอร์มที่ทำให้การเคลมประกันเป็นอัตโนมัติ และยกระดับการจัดการข้อมูลทางการแพทย์โดยรวมได้
• แอปพลิเคชันที่ใช้ LLM เป็นฐานสามารถยกระดับเครื่องมือ AI รุ่นก่อนหน้าได้อย่างมาก และมีความสำคัญต่อการปลดล็อก use case มูลค่าสูง เช่น การแปลงข้อมูลที่ไม่มีโครงสร้างให้เป็นข้อมูลที่มีโครงสร้าง
• Med-PaLM 2 ของ Google มีความสามารถในการตอบคำถามทางการแพทย์ที่ซับซ้อน และสามารถตอบคำถามในการสอบใบประกอบวิชาชีพแพทย์ได้สำเร็จ
• การสร้าง medical LLM เป็นงานที่ทะเยอทะยานอย่างมากและต้องใช้ทั้งเวลาและทรัพยากรจำนวนมาก