- ในซอฟต์แวร์เฉพาะอุตสาหกรรม (Vertical) จำนวนมาก ปัจจัยที่ขัดขวางการขยายตัวมากที่สุดคือ ความปิดของระบบบริหารเดิม (ERP/SOR) และนโยบายปิดกั้นการเชื่อมต่อจากภายนอก
- ข้อมูลสำคัญส่วนใหญ่ ถูกล็อกอยู่ใน ERP แบบเลกาซี หรือเปิดให้เข้าถึงได้เพียงบางส่วน ทำให้สตาร์ทอัพ Vertical AI หน้าใหม่ไม่สามารถเชื่อมต่อกับระบบหลักได้ แม้ลูกค้าจะต้องการก็ตาม
- SaaS หน้าใหม่ที่ขับเคลื่อนด้วย AI มีความต้องการด้านการบูรณาการข้อมูลสูงเป็นพิเศษ และต้องเผชิญโจทย์ใหม่ที่ไม่ใช่แค่ API แบบดั้งเดิม แต่รวมถึง ข้อมูลไม่มีโครงสร้าง (อีเมล รูปถ่ายหน้างาน โทรศัพท์ ฯลฯ) ด้วย
- เพื่อแก้ปัญหานี้ ผู้ก่อตั้งจึงทดลองใช้ 5 กลยุทธ์จริง ได้แก่ “ใช้ล็อกอินคริเดนเชียล”, “พาร์ตเนอร์ชิป”, “โฟกัส SMB”, “AI ที่ไม่ขึ้นกับ ERP”, “ใช้โครงสร้างพื้นฐาน AI”
- คาดว่า เฟรมเวิร์กมาตรฐานสำหรับ AI agent (เช่น MCP) และโมเดล RPA/Operator ที่ขับเคลื่อนด้วย AI จะกลายเป็นแนวทางการบูรณาการรูปแบบใหม่ในอนาคต
ซอฟต์แวร์เฉพาะอุตสาหกรรมและปัญหาการบูรณาการ
- ตามเกณฑ์ของกระทรวงแรงงานสหรัฐ มีอุตสาหกรรมมากกว่า 1,000 ประเภท และในแต่ละอุตสาหกรรม ERP/SOR (ระบบบริหารธุรกิจ) ทำหน้าที่เป็น “ศูนย์กลางของข้อมูล”
- ERP เฉพาะอุตสาหกรรมส่วนใหญ่มัก จำกัดการเชื่อมต่อภายนอกและการเปิด API สำหรับการบูรณาการ หรือยอมให้ทำได้เฉพาะในรูปแบบที่มีต้นทุนสูงและซับซ้อน
- ตัวอย่าง: Epic ในวงการการแพทย์, Yardi ในอสังหาริมทรัพย์, Dentrix ในทันตกรรม ต่างมีการผูกขาดข้อมูลอย่างเข้มข้น จนขัดขวางหรือเปิดให้ SaaS หน้าใหม่เชื่อมต่อได้เพียงบางส่วน
- โครงสร้างแบบนี้แม้จะสร้างความไม่พอใจให้ลูกค้า (NPS ลดลง) แต่ก็กลายเป็น แรงล็อกอินที่ทำให้ย้ายออกจาก ERP ได้ยาก
อุปสรรคด้านการบูรณาการที่ Vertical AI ต้องเผชิญ
- ลูกค้ากลุ่มแรกจำนวนมากก็ยังต้องการว่า “ถ้าไม่เชื่อมกับ ERP ก็ใช้ไม่ได้”
- ผู้เล่นเลกาซีมัก ไม่อยากเปิด API/การเชื่อมต่อ เพราะการแข่งขันหรือข้อจำกัดด้านเทคโนโลยี
- ทีม IT ขององค์กร (โดยเฉพาะ CIO/ผู้บริหาร) ก็ระวังการให้ AI ภายนอกหรือ SaaS หน้าใหม่เข้าถึงข้อมูล
สิ่งที่ AI เปลี่ยนได้และข้อจำกัด
- เมื่อเทียบกับ SaaS เดิม ผลิตภัณฑ์ที่ใช้ AI ต้องการ ใช้ข้อมูลไม่มีโครงสร้างที่อยู่นอก ERP (อีเมล กระดาษ รูปภาพ ความรู้จากการบอกเล่า ฯลฯ) เพิ่มเติมด้วย
- โซลูชัน AI กลับยิ่งทำให้ปัญหาความยากของการบูรณาการข้อมูลเด่นชัดขึ้น
- ขอบเขตของการบูรณาการจึงขยายจาก “API อย่างเป็นทางการ” ไปสู่ “ช่องทางไม่เป็นทางการ + ข้อมูลภายนอกที่ไม่มีโครงสร้าง”
5 กลยุทธ์ที่ผู้ก่อตั้งลองใช้จริง
1. Kludge (ลูกเล่นเฉพาะหน้า/การบูรณาการแบบไม่เป็นทางการ)
- รับบัญชีล็อกอิน/สิทธิ์ของ ERP จากลูกค้า เพื่อให้ AI agent อ่านและเขียนข้อมูลได้โดยตรง
- ใช้วิธีลัดอย่างการครอว์ลอัตโนมัติ การฉีดข้อมูลเข้าฐานข้อมูลโดยตรง ฯลฯ
- กรณีจริง: คำตัดสิน RTMS vs PointClickCare (อิงกฎหมายเปิดข้อมูลสุขภาพของสหรัฐ ซึ่งตัดสินในทางเสียเปรียบต่อ EHR ที่จำกัดการเข้าถึงของ AI)
- ข้อดี: ได้ผลลัพธ์รวดเร็ว
- ข้อเสีย: ความเสี่ยงทางกฎหมาย, compliance (HIPAA, GDPR ฯลฯ), ประเด็นความปลอดภัย, และไม่สามารถขยายระยะยาวได้
2. พาร์ตเนอร์ชิป
- ทำพาร์ตเนอร์ชิปอย่างเป็นทางการกับ ERP/แพลตฟอร์มแบบเลกาซี เพื่อให้ AI ทำงานร่วมอยู่บน ERP ได้
- โน้มน้าว ERP ว่า “AI คือกระแสสำคัญ ดังนั้นมาจับมือกับเรา เปิดข้อมูลให้ และแบ่งรายได้บางส่วนกัน”
- ข้อดี: มีโอกาสขยายได้เร็วกว่า ERP และปิดดีลขนาดใหญ่ได้
- ข้อเสีย: ขึ้นกับกำแพงการเข้าสู่แต่ละอุตสาหกรรม/ความเร็ว และ ERP อาจตื่นตัวหรือเริ่มสกัดกั้น
3. Segmentation (การแบ่งตลาด: โฟกัส SMB)
- เจาะกลุ่มธุรกิจขนาดเล็กและกลาง (SMB) โดยมุ่งเป้า ERP ที่เปิด API มากกว่าและเปลี่ยนได้ง่ายกว่า
- ตลาด SMB มีแรงล็อกจากระบบเลกาซีน้อยกว่า และแม้การแข่งขันจะสูง แต่กำแพงการเข้าสู่ตลาดต่ำ
- ข้อควรระวัง: ตลาด SMB นั้นต้องมีขนาดใหญ่เพียงพอ
4. Wedge Selection (AI ที่ไม่ขึ้นกับ ERP)
- โฟกัส Vertical AI ใน พื้นที่ที่ไม่จำเป็นต้องเชื่อมต่อกับ ERP/SOR
- ตัวอย่าง: AI สำหรับงานขายเฉพาะอุตสาหกรรม, AI สำหรับบริการลูกค้า เป็นต้น
- สามารถคิดค่าบริการแบบอิงผลลัพธ์ได้ด้วย (เช่น จำนวนลีด, ปริมาณการจัดการทิกเก็ต ฯลฯ)
- ใช้วิธีให้ลูกค้าป้อนข้อมูลเข้าระบบ ERP เองโดยตรง (hand-off)
5. การใช้โครงสร้างพื้นฐาน AI และมาตรฐาน
- การมาถึงของ เฟรมเวิร์กมาตรฐานสำหรับการบูรณาการ AI (เช่น Anthropic Model Context Protocol, MCP)
- ช่วยลดภาระการเชื่อมต่อแบบครั้งต่อครั้งกับ SaaS/API ที่หลากหลาย และรองรับการขยายแบบโมดูลาร์
- แนวคิด “ผู้ใช้คอมพิวเตอร์ที่ขับเคลื่อนด้วย AI” (Operator, CUA ฯลฯ): เป็นการนำ AI มาใช้กับ RPA เดิม ขยายจากการคลิกอัตโนมัติแบบง่าย ๆ ไปสู่การควบคุมที่อิงการรับรู้ภาพและบริบท
- ตัวอย่าง: OpenAI ChatGPT Operator (ระบบอัตโนมัติบนเบราว์เซอร์แบบเว็บ), Adept (enterprise AI RPA)
- แม้ยังอยู่ในระยะเริ่มต้น แต่คาดว่าจะมีบทบาทสำคัญใน Vertical AI สำหรับองค์กร
บทสรุปและอินไซต์
- ปัญหาการบูรณาการ ERP/SOR ของ AI เฉพาะอุตสาหกรรม ไม่ใช่แค่ปัญหาด้านเทคนิคหรือ API แต่เป็นปัญหาเชิงโครงสร้างอุตสาหกรรมและกลยุทธ์การเข้าสู่ตลาด
- จำเป็นต้องวางกลยุทธ์ที่ ยืดหยุ่นและเป็นหลายชั้น ตามลูกค้า, ERP, ข้อมูล และขอบเขตการใช้งาน AI
- ในอนาคต เฟรมเวิร์กมาตรฐานสำหรับ AI agent และเทคโนโลยี RPA/Operator ที่ขับเคลื่อนด้วย AI มีแนวโน้มจะกลายเป็นรูปแบบการบูรณาการใหม่
- การผสมและประยุกต์ใช้แต่ละกลยุทธ์ (วิธีลัด, พาร์ตเนอร์ชิป, SMB, AI แบบไม่ต้องเชื่อม, มาตรฐานโครงสร้างพื้นฐาน) คือหัวใจของกรณีความสำเร็จจริง
ยังไม่มีความคิดเห็น