- วิดีโอที่พาร์ตเนอร์ของ YC และ CEO Garry Tan พูดคุยเกี่ยวกับ ไอเดียใหม่ ๆ ที่เป็นไปได้ขึ้นมาเพราะ LLM ในช่วงนี้ และ กลยุทธ์ผลิตภัณฑ์ของสตาร์ตอัป ที่เหมาะกับยุคนี้
- ไอเดียที่ก่อนหน้านี้เป็นไปไม่ได้ เริ่มทำให้เกิดขึ้นจริงได้ด้วยการนำ AI มาใช้ โดยเฉพาะในด้าน การสรรหาบุคลากร การศึกษา และโครงสร้างพื้นฐานสำหรับเอเจนต์ ที่กำลังเปลี่ยนแปลงอย่างรวดเร็ว
- การสำรวจไอเดียธุรกิจที่ขับเคลื่อนด้วยเทคโนโลยีมีประสิทธิภาพมากกว่า และกำลังเปลี่ยนผ่านไปสู่ยุคที่ การเริ่มต้นจากความสนใจของตัวเองได้เปรียบกว่า การทำวิจัยตลาดที่ซับซ้อน
- ความก้าวหน้าของ AI มีศักยภาพในการ เปลี่ยนโมเดลธุรกิจแบบ full-stack ที่เดิมมีกำไรต่ำ ให้กลายเป็นโครงสร้างที่มีกำไรสูง
- ยังมีโอกาสในการสร้างสตาร์ตอัปอีกมากในด้าน AI infrastructure, MLOps และ multimodal interface และหลายพื้นที่ที่เคยถูกมองข้ามในช่วงแรกก็กำลังถูกหยิบกลับมาสนใจอีกครั้ง
- ปัจจัยความสำเร็จของสตาร์ตอัปไม่ได้มีแค่ คุณภาพของโมเดล แต่ต้องผสานองค์ประกอบอย่าง การจัดจำหน่าย แบรนดิ้ง และความเรียบง่ายในการปฏิบัติการ เข้าด้วยกัน
Intro: ตอนนี้คือยุคทองของการทำสตาร์ตอัป AI
- หากเป็นผู้ก่อตั้งที่กำลังสำรวจเทคโนโลยีใหม่ ๆ โอกาสที่จะได้เห็น ผลลัพธ์ที่เหมือนเวทมนตร์ แบบไม่คาดคิดกำลังเกิดขึ้นบ่อยกว่าเดิมเรื่อย ๆ
- AI startup เด่น ๆ ที่เพิ่งเกิดขึ้นในช่วงหลัง (เช่น Meror, Apriora, Revision Dojo, Adexia, Speak) ต่างใช้ AI และเอเจนต์เพื่อแก้ปัญหาหลากหลาย เช่น การจ้างงานวิศวกรซอฟต์แวร์ การสัมภาษณ์เชิงเทคนิค การเรียนรู้เฉพาะบุคคล การทำงานครูแบบอัตโนมัติ และการเรียนภาษาที่ปรับให้เหมาะกับแต่ละคน
- เมื่อระบบนิเวศที่มี AI และเอเจนต์เป็นศูนย์กลางเริ่มเปิดกว้างขึ้น ความต้องการโครงสร้างพื้นฐานและเครื่องมือใหม่ ๆ ก็เพิ่มขึ้นตามไปด้วย
ไอเดียสตาร์ตอัปที่เมื่อก่อนเป็นไปไม่ได้
วิวัฒนาการของแพลตฟอร์มสรรหาบุคลากร
- ในอดีตต้องใช้เวลาหลายปีเพื่อสร้าง labeling dataset สำหรับประเมินวิศวกร แต่ตอนนี้ LLM สามารถเข้ามาแทนการประเมินได้ทันที
- ตัวอย่าง: Meror ดำเนินการ ตลาดจัดหางานที่ขับเคลื่อนด้วย AI ซึ่งสามารถประเมินวิศวกรได้ทันที โดยใช้ LLM
- ต่างจาก TripleByte, Meror นำการประเมินด้วย AI มาใช้ตั้งแต่เริ่มต้น ทำให้ ขยายตัวได้ง่ายและรองรับความหลากหลายได้มากกว่า
- Apriora ใช้เอเจนต์สัมภาษณ์เชิงเทคนิคเพื่อ ทำระบบคัดกรองเบื้องต้นแบบอัตโนมัติ และกำลังถูกนำไปใช้ในองค์กรขนาดใหญ่ด้วย
Hyper-personalization ในภาคการศึกษา
- AI สามารถ ติดตามและตอบสนองต่อเส้นทางการเรียนรู้ของนักเรียนได้อย่างละเอียด ทำให้มอบประสบการณ์ที่ใกล้เคียงกับการมีติวเตอร์ส่วนตัวได้
- Revision Dojo: บริการเรียนด้วยแฟลชการ์ดที่ปรับตามผู้เรียนแต่ละคน
- Adexia: ให้บริการเอเจนต์ช่วยตรวจงานสำหรับครู และพิสูจน์แล้วว่าช่วยลดภาระงานได้
ผลิตภัณฑ์ที่ดีกว่า = การกระจายที่กว้างกว่า?
- แม้จะเป็นยุคที่ AI ช่วยสร้างผลิตภัณฑ์ที่ดีกว่าได้ แต่ สตาร์ตอัปฝั่งผู้บริโภคก็ยังลำบากเรื่องการจัดจำหน่าย
- ตัวอย่างเช่น OpenAI ประสบความสำเร็จด้วย โครงสร้างโมเดลแบบพรีเมียม (พื้นฐานใช้ฟรี + บางส่วนเสียเงิน)
- ผลิตภัณฑ์ที่ดีอย่าง Speak ก็สามารถเติบโตได้ผ่านระบบสมัครสมาชิกแบบชำระเงิน
- เรื่องอย่าง การเชื่อมรวมกับโรงเรียน, ระบบยืนยันตัวตน และการปรับแต่ง UI/UX ล้วนทำให้ การสร้างแบรนด์และต้นทุนการเปลี่ยนไปใช้คู่แข่งมีความสำคัญ
ความเป็นกลางของแพลตฟอร์มกับความย้อนแย้งของ Big Tech
- กลยุทธ์บริการ AI ของบริษัทเทคโนโลยีรายใหญ่ (OpenAI, Google, Meta) มุ่งเน้นไปที่การสร้างองค์ประกอบแบบ “moat” หลายด้าน เช่น คุณภาพผลิตภัณฑ์ การเชื่อมต่อกับแพลตฟอร์ม แบรนด์ และอุปสรรคในการเข้าสู่ตลาด
- Siri, Google Assistant และบริการลักษณะเดียวกันยังพัฒนาได้ไม่มากนัก ซึ่งเป็นผลจาก ความปิดของแพลตฟอร์ม
- หากไม่สามารถรับประกันความเป็นกลางของแพลตฟอร์มได้ ก็จะเกิด ปัญหาเชิงโครงสร้างที่ทำให้ผลิตภัณฑ์ AI ใหม่ ๆ เติบโตได้ยาก
- แม้ Google จะมีโมเดล Gemini ที่มีประสิทธิภาพดี แต่ก็ยัง เข้าถึงผู้ใช้ไม่ได้ดีพอเพราะปัญหาภายในองค์กร
การกลับมาได้รับความสนใจของสตาร์ตอัปแบบ full-stack
- ในอดีต โมเดลแบบ full-stack มีกำไรต่ำ เพราะมีต้นทุนด้านโครงสร้างพื้นฐาน การปฏิบัติการ และการจัดทีมบุคลากร
- ตัวอย่างเช่น TripleByte, Atrium, ZS เป็นไอเดียที่ดี แต่ต้องเผชิญกับ ความซับซ้อนและความสามารถในการทำกำไรที่ต่ำ
- แต่ตอนนี้สามารถ ใช้ AI agent เพื่อทำงานปฏิบัติการเดิมให้เป็นอัตโนมัติ และเปลี่ยนให้เป็นโครงสร้างที่มีกำไรสูงได้
- ตัวอย่าง: Legora ของ YC กำลังเติบโตอย่างรวดเร็วด้วยบริการที่อิง AI agent ในสายกฎหมาย
Infrastructure และ MLOps ยังเป็นพื้นที่แห่งโอกาส
- สตาร์ตอัปด้าน ML tooling และ infrastructure ที่เคยถูกมองข้ามอยู่ช่วงหนึ่ง กำลังกลายเป็นพื้นที่ที่ได้รับความสนใจอย่างมากในตอนนี้
- ตัวอย่าง: Replicate เติบโตอย่างรวดเร็วหลังจากกระแสโมเดลสร้างภาพ
- Olama ได้รับความสนใจจากการ提供เครื่องมือที่ช่วยให้รัน LLM แบบโลคัลได้ง่าย
- บทเรียนสำคัญคือ ทีมที่สนใจและลงมืออย่างต่อเนื่องตั้งแต่ก่อนที่เทคโนโลยีจะพร้อมเต็มที่ มักเป็นผู้คว้าโอกาสใหญ่ได้ในท้ายที่สุด
การเปลี่ยนแปลงของคำแนะนำสำหรับสตาร์ตอัป
- ในอดีต กลยุทธ์ Lean Startup ที่ว่า “ขายก่อน แล้วค่อยสร้างทีหลัง” ถูกเน้นย้ำอย่างมาก
- แต่ในยุค AI การทดลองที่ขับเคลื่อนด้วยความสนใจและการสำรวจเทคโนโลยี กลับเป็นกลยุทธ์ที่มีประสิทธิภาพกว่า
- การเริ่มจากเทคโนโลยีที่น่าสนใจ ลงมือทดลองเอง และอยู่ใกล้กับแนวหน้าของเทคโนโลยีใหม่ จะทำให้เกิด ไอเดียและโซลูชันเชิงนวัตกรรม ขึ้นมาอย่างเป็นธรรมชาติ
- เพียงมี prompt, dataset และเซนส์ที่เหมาะสม ก็สามารถ ทำให้ความเป็นไปได้ใหม่ ๆ กลายเป็นจริง ได้
- หลายบริษัทยังลังเลกับการนำ LLM มาใช้ และนี่คือ โอกาสสำหรับสตาร์ตอัป
- ยังมียูนิคอร์นไม่มากนักที่ผลักดัน AI transformation ภายในองค์กรอย่างจริงจัง ดังนั้น สตาร์ตอัปรุ่นใหม่จึงมีความคล่องตัวกว่าในการคว้าโอกาสทางตลาด
สรุป
- ตอนนี้คือช่วงเวลาที่ ไอเดียซึ่งเมื่อ 1 ปีก่อนยังเป็นไปไม่ได้ ก็สามารถทำให้เกิดขึ้นจริงได้ด้วย AI
- มีโอกาสเชิงนวัตกรรมเปิดกว้างในหลายด้าน ไม่ว่าจะเป็น full-stack, recruitment, edtech, legal, infrastructure และ automation ฝั่ง operations
- การเดินตามความอยากรู้อยากเห็นต่อเทคโนโลยี คือ วิธีที่ดีที่สุดในการค้นหาไอเดียสตาร์ตอัปที่ยอดเยี่ยม
- และเพราะยังมีอีกมากมายหลายบริษัทที่ยังไม่เริ่มเปลี่ยนแปลง ประตูแห่งโอกาสจึงยังเปิดกว้างอยู่มาก
1 ความคิดเห็น
ผมให้บอต AI ของ GN+ ดึงสคริปต์จาก YouTube ออกมาแล้วสั่งให้สรุปให้ ปรากฏว่าประสิทธิภาพค่อนข้างดีเลยครับ
ก่อนหน้านี้มีวิดีโอให้ดูเยอะเกินไปจนลำบาก แบบนี้น่าจะดีมากครับ