เพลย์บุ๊ก Vertical AI

สรุปที่นำไปใช้ได้จริง

• ความไม่สมดุลในการนำ AI มาใช้ ทำให้ในปี 2024 มีการ ยุติความริเริ่มด้าน AI ขององค์กร 42% โดยแก่นของปัญหาไม่ใช่ตัวโมเดล แต่คือ วิธีฝัง AI เข้าไปในธุรกิจ
  • ผู้ชนะไม่ได้แค่提供 copilot อย่างเดียว แต่เลือก ออกแบบเวิร์กโฟลว์ใหม่ และ ทบทวนโครงสร้างองค์กร รวมถึงในบางกรณี เป็นเจ้าของ service layer ที่สร้างมูลค่า
• แบบอย่างจากประวัติศาสตร์ชี้ให้เห็นผลทบต้นของ การจัดสรรเงินทุนอย่างมีวินัย และ M&A ที่ทำซ้ำได้
  • กรณีของ Waste Management, United Rentals และ Constellation Software แสดงให้เห็นว่า การเลือกโครงสร้าง ที่มุ่ง เพิ่มผลตอบแทนของทุก 1 ดอลลาร์และทุก 1 ชั่วโมงให้สูงสุด เป็นตัวกำหนดผลลัพธ์ระยะยาว
• Vertical SaaS เคยแข่งขันกันด้วยการ ทำเวิร์กโฟลว์เฉพาะอุตสาหกรรมให้เป็นดิจิทัล แต่ Generative AI ขยายจากการจัดการบันทึกไปสู่ ขั้นตอนการลงมือทำจริง ทำให้สามารถ ปฏิบัติงานแทนได้จริง
  • ด้วยเหตุนี้ จึงไม่ได้ดูดซับแค่งบประมาณซอฟต์แวร์ แต่ยัง ดูดซับส่วนหนึ่งของค่าใช้จ่ายแรงงาน จนเกิด การขยายตัวของตลาดรวมที่เข้าถึงได้ (TAM)
• เช่นเดียวกับที่บริษัทซึ่งเติบโตผ่านการควบรวมในอดีตต้องเลือกระหว่าง การดำเนินงานแบบรวมศูนย์ vs กระจายศูนย์ วันนี้ผู้ก่อตั้ง AI ก็เผชิญ ทางเลือกเชิงโครงสร้าง ระหว่าง การขายเครื่องมือ กับ การเป็นเจ้าของชั้นการดำเนินงาน
  • ทั้งสองเส้นทางมีนัยต่างกันในด้าน ความเข้มข้นของเงินทุน, โครงสร้างการกระจายสินค้า, และ ความสามารถในการป้องกันการแข่งขัน
• การสร้าง Vertical AI ต้องอาศัย การทำแผนที่เวิร์กโฟลว์, การรัน targeted pilot, การทดสอบความสามารถในการขยายของช่องทางจัดจำหน่าย, และ การจัดแนวโมเดลของทุนกับบุคลากร
  • แทนที่จะสั่งสูตรสำเร็จเพียงคำตอบเดียว บทความนี้เสนอ กระบวนการตัดสินใจที่ทำซ้ำได้ ให้สอดรับกับ พฤติกรรมลูกค้าและเงื่อนไขตลาดที่เปลี่ยนไป
• CEO รุ่นถัดไปจะมีบทบาทใกล้เคียง ผู้จัดสรรเงินทุน มากกว่า นักเทคโนโลยี
  • โจทย์และโอกาสคือการออกแบบ โครงสร้างความเป็นเจ้าของ ที่ปฏิบัติต่อ AI ไม่ใช่ในฐานะ feature แต่เป็น ชนชั้นแรงงาน และนำไปจัดวางด้วย วินัยแบบบริษัทที่เติบโตด้วยการเข้าซื้อกิจการต่อเนื่อง เพื่อเปลี่ยน pilot ให้กลายเป็น เครื่องจักรทบต้นของกระแสเงินสด

# ภูมิประเทศ

• ในเดือนพฤษภาคม 2025 Dario Amodei ซีอีโอของ Anthropic เตือนว่า “AI อาจทำให้ตำแหน่งงาน white-collar ระดับเริ่มต้นหายไปครึ่งหนึ่งในอีก 1–5 ปีข้างหน้า และดันอัตราว่างงานขึ้นไปถึง 10–20%”
  • ในช่วงเวลาเดียวกัน ความริเริ่มด้าน AI ขององค์กร 42% ในปี 2024 ถูกยุติ เพิ่มขึ้นจาก 17% ในปี 2023
  • สิ่งนี้สะท้อน ช่องว่างระหว่างศักยภาพของ AI กับการยอมรับใช้งานจริง
• LLM สามารถทำงานอัตโนมัติแทนงานความรู้ได้เป็นสัดส่วนมาก และยังเปิด โอกาสในการปรับปรุงมาร์จิน ให้กับบริษัทนอกสายเทคโนโลยีด้วย
  • อย่างไรก็ตาม การนำ AI ไปใช้ในภาคอุตสาหกรรมยังคงไม่สมดุล และแม้เครื่องมือจะเพิ่มขึ้น การเปลี่ยนแปลงเชิงปฏิบัติการก็ยังจำกัด
• สถานการณ์นี้กำลังเปลี่ยนรูปแบบของบริษัทซอฟต์แวร์ไปโดยตรง
  • แทนที่จะขายซอฟต์แวร์อย่างเดียว ผู้ก่อตั้งและนักลงทุนบางส่วน หันไปใช้แนวทาง AI roll-up ที่เป็นเจ้าของและดำเนินธุรกิจเองพร้อมฝัง AI เข้าไปภายใน
  • โมเดลนี้อาจเป็นการเข้าซื้อบริษัทเดิมแล้วเสริม AI ทับลงไป หรือสร้าง บริษัทบริการแบบ AI-native ขึ้นใหม่ตั้งแต่ต้น
• การเป็นเจ้าของและดำเนินงานเองโดยตรงอาจเป็น เส้นทางสร้างรายได้ที่เร็วที่สุด หากสามารถตัด รอบการขาย, การจัดการการเปลี่ยนแปลง, และต้นทุนการฝึกอบรม ออกไป พร้อมเพิ่มมาร์จินของอุตสาหกรรมนั้นได้
  • สำหรับผู้ก่อตั้ง มีอยู่สามเส้นทาง
    1. ขายซอฟต์แวร์: ให้เครื่องมือ AI เพื่อทำให้บริษัทเดิมทำงานได้มีประสิทธิภาพขึ้น
    2. เข้าซื้อและปรับปรุงบริษัทปฏิบัติการให้ทันสมัย: ซื้อกิจการเดิมแล้วฝัง AI เข้าไป
    3. สร้างจากศูนย์: สร้างธุรกิจแบบบูรณาการที่ออกแบบมาโดยมี AI เป็นศูนย์กลางตั้งแต่แรก
• ทั้งสามเส้นทางล้วนต้องการ การระดมทุน และคำถามสำคัญคือใครเป็นผู้จัดหาและจัดหาอย่างไร
  • ในอดีต PE (private equity) มุ่งเน้นการเข้าซื้อและปรับปรุงธุรกิจที่โตเต็มที่และสร้างกระแสเงินสดได้ โดยใช้เลเวอเรจ
  • ส่วน VC (venture capital) มุ่งเน้นลงทุนในสตาร์ทอัพความเสี่ยงสูงและการเติบโตสูง โดยให้ความสำคัญกับผลลัพธ์ระยะยาวมากกว่าประสิทธิภาพระยะสั้น
  • ความต่างของสองโมเดลนี้ไม่ได้อยู่ที่เจตนา แต่คือ ระดับการควบคุม, ความเข้มข้นของการลงทุน, และวิธีดึงมูลค่าออกมา
  • ช่วงหลังเส้นแบ่ง เริ่มเลือนลง และ VC บางรายก็เริ่มสนับสนุนแพลตฟอร์มที่อิงการเข้าซื้อซึ่งผสานทั้งเทคโนโลยีและการปฏิบัติการ
• ตัวอย่าง:
  • Slow Ventures ใช้กลยุทธ์ “Growth Buyout” โดยเข้าซื้อธุรกิจ legacy โดยตรง จากนั้นใส่ซอฟต์แวร์ที่มีลักษณะกึ่งผูกขาด และนำกระแสเงินสดที่ดีขึ้นกลับไปลงทุนต่อ
  • Thrive Capital ก่อตั้ง Thrive Holdings มูลค่า 1 พันล้านดอลลาร์ในปี 2024 และเข้าไปลงทุนพร้อมดำเนินงานใน Crete (แพลตฟอร์มบัญชี) และ Long Lake (บริษัทบริหาร HOA) เป็นต้น
  • General Catalyst ก่อตั้ง HATCo ในปี 2023 เข้าซื้อ Summa Health ซึ่งเป็นองค์กรการแพทย์ในโอไฮโอในปี 2024 และเดินหน้าโมเดล AI roll-up ร่วมกับกองทุนมูลค่า 1.5 พันล้านดอลลาร์
• 8VC, Khosla Ventures, a16z, Elad Gil และอีกหลายรายก็กำลังสำรวจกลยุทธ์ลักษณะเดียวกัน
  • อย่างไรก็ตาม ในหลายกรณีสิ่งนี้ยังมีลักษณะเป็น การตลาด มากกว่าการลงมือทำจริง และงานหนักอย่าง การคัดเลือกตลาด การเข้าซื้อ และการผสานซอฟต์แวร์เข้ากับกิจการจริง ยังตกเป็นหน้าที่ของผู้ก่อตั้ง

# บทเรียนจากประวัติศาสตร์

• ในอดีต บริษัทที่ประสบความสำเร็จจำนวนมาก เติบโตผ่านการควบรวมและซื้อกิจการแบบทำซ้ำอย่างมีวินัย
  • บริษัทเหล่านี้สร้างมูลค่าระยะยาวผ่านการ ระบุอุตสาหกรรมที่กระจัดกระจาย, จัดสรรเงินทุนไปยังสินทรัพย์ที่ถูกมองข้าม, และ สร้าง leverage ด้านการดำเนินงานพร้อมยึดตำแหน่งที่ป้องกันได้
  • จึง มักถูกเรียกว่า “Serial acquirers”
• ผู้ซื้อกิจการแบ่งได้เป็น 2 ประเภท คือ เชิงกลยุทธ์ (คาดหวัง synergies) กับเชิงการเงิน (ซื้อธุรกิจที่สร้างกระแสเงินสด)
  • ผู้ซื้อเชิงกลยุทธ์ คาดหวัง synergies ในด้านการจัดหาแรงงาน ราคา การกระจายสินค้า ฯลฯ ผ่านการบูรณาการแนวตั้ง/แนวนอน
  • ผู้ซื้อเชิงการเงิน ถือครองบริษัทที่ดำเนินงานได้อย่างอิสระโดยมีการบูรณาการน้อยที่สุด
  • บริษัทที่ประสบความสำเร็จจำนวนมากผสานทั้งสองแนวทาง เพื่อให้ได้ทั้งความสอดคล้องด้านการดำเนินงานและการจัดสรรทุน
• หนึ่งในกรณีตัวอย่างยุคแรกคือ Waste Management ที่ก่อตั้งในปี 1968
  • ผู้ก่อตั้ง Wayne Huizenga เริ่มต้นด้วยรถบรรทุกเพียงคันเดียวและเงินกู้ 5,000 ดอลลาร์
  • ก่อน เข้าตลาดหลักทรัพย์ในปี 1971 ได้เข้าซื้อกิจการกว่า 130 ราย เพื่อรวมอุตสาหกรรมกำจัดขยะที่กระจัดกระจาย
  • ในปี 1998 ถูก USA Waste เข้าซื้อ แต่ยังคงใช้ชื่อเดิม
  • ปัจจุบันเป็นบริษัทจัดการของเสียรายใหญ่ที่สุดในอเมริกาเหนือ โดยมีรายได้ต่อปีมากกว่า 20,000 ล้านดอลลาร์
• United Waste ที่ Waste Management ซื้อกิจการในปี 1997 ด้วยมูลค่า 2.2 พันล้านดอลลาร์ ก่อตั้งโดย Brad Jacobs ในปี 1989
  • มุ่งเน้นไปที่พื้นที่ชนบทในรัฐ Kentucky และ Michigan ที่ผู้เล่นรายใหญ่ยังมองข้าม
  • หลังการขายกิจการ Jacobs ได้ก่อตั้ง United Rentals → เติบโตเป็นบริษัทให้เช่าอุปกรณ์ที่ใหญ่ที่สุดในสหรัฐฯ
• ต่อมา Jacobs ก่อตั้ง XPO Logistics และแยก GXO กับ RXO ออกมาเป็นบริษัทอิสระ
  • เข้าซื้อกิจการรวมมากกว่า 500 ราย
  • กลยุทธ์ของเขาเรียบง่ายแต่ได้ผล: เลือกอุตสาหกรรมขนาดใหญ่ กระจัดกระจาย และเคลื่อนไหวช้า → ซื้อบริษัทที่มีมูลค่าต่ำกว่าความเป็นจริง → สร้างมูลค่าด้วยการทำมาตรฐานการดำเนินงาน
  • Jacobs: “วิธีที่ง่ายที่สุดในการสร้างมูลค่าให้ผู้ถือหุ้นคือซื้อบริษัทที่มี multiple ต่ำกว่าหุ้นของผม แล้วปรับปรุงมัน”
• แม้ Waste Management และ United Rentals จะสร้างมูลค่าผ่าน การบูรณาการแบบรวมศูนย์ แต่บริษัทซื้อกิจการบางแห่งก็ประสบความสำเร็จด้วยแนวทาง ลดการบูรณาการให้ต่ำที่สุดและเน้นความเป็นอิสระ
  • แกนสำคัญคือ ความสามารถในการประเมินแบบทำซ้ำได้, การมุ่งเน้นธุรกิจที่สร้างกระแสเงินสดระยะยาว, และ การรักษาจุดแข็งเดิมเอาไว้
• Berkshire Hathaway เป็นตัวอย่างเด่นของ Serial acquirer สายการเงิน
  • นับตั้งแต่ Warren Buffett เข้ามานำบริษัทในปี 1965 ก็ได้เข้าซื้อธุรกิจที่มี ความได้เปรียบในการแข่งขันแข็งแกร่ง ฝ่ายบริหารมีความสามารถ และกระแสเงินสดคาดการณ์ได้ อย่างต่อเนื่อง
  • มีพอร์ตธุรกิจหลากหลายอุตสาหกรรม เช่น ประกันภัย (GEICO), รถไฟ (BNSF), การผลิต (Precision Castparts), สาธารณูปโภค (PacifiCorp), สินค้าอุปโภคบริโภค (See’s, Dairy Queen)
  • ให้ทั้งเงินทุนและคำแนะนำเชิงกลยุทธ์ แต่ ไม่เข้าไปแทรกแซงการดำเนินงานประจำวัน
  • ความไว้วางใจต่อทีมผู้บริหารท้องถิ่นและการถือครองระยะยาว คือสิ่งที่ทำให้โมเดลกระจายอำนาจนี้เป็นไปได้

ความมั่งคั่งอยู่ในตลาดเฉพาะทาง

• ในปี 1995 Mark Leonard ก่อตั้ง Constellation Software ด้วยเงินทุน 25 ล้านดอลลาร์
  • เป้าหมายคือการเป็น“ผู้ซื้อและผู้ถือครองถาวรที่ดีที่สุดของบริษัทซอฟต์แวร์แนวดิ่ง”
  • การเข้าซื้อกิจการช่วงแรก ได้แก่ Trapeze (การจัดตารางขนส่งสาธารณะ) และ Harris Computer Systems (ซอฟต์แวร์วางบิลค่าสาธารณูปโภค)
• ณ เดือนสิงหาคม 2025 Constellation ถือครองบริษัทมากกว่า 1,000 แห่ง และประกอบด้วย 6 กลุ่มปฏิบัติการ
  • แต่ละกลุ่มเชี่ยวชาญในตลาดแนวดิ่งเฉพาะ และดำเนินการ M&A รวมถึงการตัดสินใจด้านการเติบโตและผลิตภัณฑ์ด้วยตนเอง
  • สำนักงานใหญ่กำหนดเพียงนโยบาย เป้าหมาย และแนวทางการจัดสรรเงินทุน ส่วนที่เหลือมอบอำนาจให้หน้างาน
  • ความเป็นอิสระลักษณะนี้ดึงดูดผู้ก่อตั้ง เพราะยังคงรักษาทีมและวัฒนธรรมไว้ได้
• Constellation ไม่รวมวัฒนธรรมหรือการดำเนินงานเข้าด้วยกัน แต่ทำเพียง การรวมทางการเงินเท่านั้น
  • ข้อความตัดตอนจากจดหมายถึงผู้ถือหุ้นปี 2016 ของ Leonard:
    > “เราถือครองธุรกิจอิสระขนาดเล็กหลายร้อยถึงหลายพันแห่ง และกลยุทธ์คือปล่อยให้พวกเขาสร้างผลกำไรสูงได้อย่างอิสระ”
• โครงสร้างวงจร กระแสเงินสดอิสระ → การเข้าซื้อกิจการใหม่ → นำเงินสดกลับไปลงทุนต่อ
  • รายได้ 165 ล้านดอลลาร์ในปี 2005 → รายได้มากกว่า 1 หมื่นล้านดอลลาร์ในปี 2024
  • ราคาหุ้นเพิ่มขึ้น 150 เท่า
• แม้ในยุค SaaS แต่พอร์ตโฟลิโอส่วนใหญ่ของ Constellation ยังเป็นแบบ on-premise
  • SaaS ย้ายระบบได้ง่ายกว่าเพราะมีความคล่องตัวและต้นทุนการติดตั้งต่ำ จึงก่อให้เกิดการแข่งขัน
  • ระบบ on-premise ผูกพันลึกกับระบบ legacy ทำให้ ต้นทุนการย้ายสูง และเพิ่ม customer lock-in
  • Barry Symons อดีต CFO กล่าวว่า: “การเปลี่ยนซอฟต์แวร์สำคัญเจ็บปวดยิ่งกว่าการรักษารากฟัน ลูกค้าไม่ย้ายออกหรอก”
• บริษัทในเครือ Constellation ดำเนินงานอยู่ในตลาดเฉพาะทางที่มีการป้องกันสูง
  • ERP ระดับ mission-critical มีผู้ขายเพียง 1-2 ราย และการเปลี่ยนระบบทำได้ยากในทางปฏิบัติ
  • ขนาดตลาดเล็กทำให้เงินทุน VC ไหลเข้าน้อย จึงลดการแข่งขัน
  • แม้จะคิดเป็นสัดส่วนเล็กน้อยของต้นทุนลูกค้า แต่เป็น แกนหลักของการดำเนินงาน
• ยิ่งเข้าไปได้เร็วเท่าไร ความสามารถในการป้องกันยิ่งแข็งแกร่งขึ้น โดยผสาน อัตรากำไรขั้นต้นสูง อัตราการเลิกใช้ต่ำ และโครงสร้างการถือครองถาวร
  • ส่งผลให้เป็นหนึ่งในโมเดลที่ยั่งยืนและสร้างผลทบต้นได้มากที่สุด
• เริ่มต้นจากเงิน 25 ล้านดอลลาร์และการเข้าซื้อกิจการเพียงไม่กี่รายการในปี 1995 → กลายเป็น เครื่องยนต์การเติบโตแบบทบต้นที่ทรงพลังที่สุดในประวัติศาสตร์ซอฟต์แวร์
  • หลัง IPO ในปี 2006 มีอัตราการเติบโตเฉลี่ยต่อปีราว 30%
  • พิสูจน์ว่ากลยุทธ์เข้าซื้อและถือครองบริษัทหลายร้อยแห่งสร้างผลงานที่ทรงพลังไม่แพ้นวัตกรรม
• ในช่วง 10 ปีที่ผ่านมา Constellation, United Rentals และ Waste Management ให้ผลตอบแทนเหนือกว่า S&P500 และ NASDAQ100
  • ตลาดให้คุณค่าสูงกับ ประสิทธิภาพการใช้เงินทุนและกลยุทธ์การเข้าซื้อที่ทำซ้ำได้
  • บริษัทที่เข้าซื้อกิจการอย่างเป็นระบบให้ผลงานดีกว่าบริษัทที่เข้าซื้อแบบกระจัดกระจาย
• ในอดีต โมเดลนี้ถูกใช้เป็นหลักโดยบริษัทและ PE แต่ช่วงปลายทศวรรษ 2010 VC ก็เริ่มทดลองใช้
  • ขยายไปสู่กลยุทธ์เข้าซื้อธุรกิจดั้งเดิมและสนับสนุนการดำเนินงาน แทนการลงทุนในสตาร์ตอัปเทคโดยตรง

Enter VC

• ก่อนและหลังช่วงการระบาดใหญ่ การเติบโตของผู้ค้าภายนอกบน Amazon และ Shopifyเป็นแรงผลักดันให้เกิด e-commerce aggregator ที่ได้รับเงินสนับสนุนจาก venture capital
  • Thrasioเป็นตัวอย่างเด่น ก่อตั้งในปี 2018 และ ระดมทุนได้มากกว่า 3 พันล้านดอลลาร์ พร้อมนำโครงสร้างพื้นฐานด้านโลจิสติกส์และโฆษณาแบบรวมศูนย์มาใช้
  • OpenStore, Berlin Brands Group และ Pattern Brands ก็เดินหน้าด้วยโมเดลคล้ายกัน
• Thrasio มีมูลค่าบริษัทแตะ 1 หมื่นล้านดอลลาร์ในปี 2021 และเข้าซื้อกิจการเฉลี่ย 1.5 ดีลต่อสัปดาห์
  • ตั้งแต่ปี 2022 เป็นต้นมา รายได้ลดลงและผลประกอบการแย่ลง จากความต้องการช่วงโรคระบาดที่ลดลงและความผิดพลาดในการดำเนินงาน
  • พึ่งพาหนี้ดอกเบี้ยต่ำในยุคดอกเบี้ยใกล้ศูนย์ และเมื่อดอกเบี้ยปรับขึ้น ภาระหนี้ก็ยิ่งหนักขึ้น
  • หลัง IPO ไม่สำเร็จ ก็ยื่นล้มละลายในปี 2024 สะท้อนให้เห็นข้อจำกัดของวิศวกรรมการเงิน
• ในทางกลับกัน สตาร์ตอัปบางรายเลือกใช้โมเดลที่แตกต่างและกลยุทธ์การเข้าซื้อแบบคัดเลือก
  • Teamshares (ก่อตั้งปี 2019, บรู๊กลิน):
    • เข้าซื้อกิจการธุรกิจขนาดเล็กแบบดั้งเดิมของเจ้าของที่กำลังเกษียณ แล้วเปลี่ยนเป็น บริษัทที่พนักงานเป็นเจ้าของ (ESOP)
    • แต่งตั้งผู้บริหารมืออาชีพ, และในระยะยาวจะโอนหุ้นให้พนักงานได้มากถึง 80%
    • เข้าซื้อแล้วมากกว่า 100 กิจการ และระดมทุนได้ 245 ล้านดอลลาร์ โดยมีเป้าหมายระยะยาวที่จะสร้างเครือข่ายบริษัท 10,000 แห่ง
    • ไม่ขายต่อ แต่สร้างรายได้จากเครือข่ายผ่านแพลตฟอร์มฟินเทคของตัวเองที่ให้บริการธนาคาร ประกันภัย และผลิตภัณฑ์เครดิต
  • Metropolis (ก่อตั้งปี 2017 ที่ LA):
    • ใช้ AI และ computer vision เพื่อมอบประสบการณ์จอดรถแบบไร้รอยต่อด้วยการจดจำป้ายทะเบียนรถ
    • ช่วงแรกพยายามจับมือเป็นพาร์ตเนอร์กับผู้ให้บริการลานจอดรถ → แต่ติดข้อจำกัดด้านการขยายจากรอบการขายที่ช้า
    • ปี 2022 เข้าซื้อ Premier Parking (ลานจอดรถ 600 แห่ง) → เพิ่ม leverage ด้านการดำเนินงานและสร้างความน่าเชื่อถือผ่านการติดตั้งเทคโนโลยี
    • ปี 2023 ระดมทุนได้ 1.7 พันล้านดอลลาร์, และเข้าซื้อ SP Plus (ลานจอดรถ 3,384 แห่ง, สนามบิน 150 แห่ง, รายได้ต่อปี 1.8 พันล้านดอลลาร์)
    • เร่งความพยายามปรับระบบให้ทันสมัยของ SP Plus เดิมผ่านการเข้าซื้อกิจการ
• โดยสรุปแล้ว roll-up ที่ได้รับการสนับสนุนจาก venture capital กำลังทดสอบเส้นแบ่งระหว่าง PE กับกลยุทธ์ที่ขับเคลื่อนด้วยเทคโนโลยี
  • Thrasio แสดงให้เห็นข้อจำกัดของการเข้าซื้อจำนวนมาก ขณะที่ Teamshares และ Metropolis พิสูจน์ให้เห็นถึงแนวทางที่รอบคอบซึ่งปรับให้เหมาะกับอุตสาหกรรมเฉพาะ

# AI และ Vertical Stack

• ในช่วงทศวรรษ 1990 การมาถึงของ SaaS ทำให้สามารถให้บริการเครื่องมือธุรกิจหลักผ่านอินเทอร์เน็ตได้
  • Salesforce ก่อตั้งขึ้นในปี 1999 และให้บริการ CRM ในรูปแบบ SaaS บนเบราว์เซอร์ โดยนำเสนอความเปลี่ยนแปลงสำคัญคือ การอัปเดตอัตโนมัติ·ต้นทุนเริ่มต้นต่ำ·ตัดภาระด้าน IT ออกไป
  • สิ่งนี้ได้เปลี่ยนแปลงวิธีการซื้อและขายซอฟต์แวร์อย่างรากฐาน และขยายไปสู่แทบทุกหมวดหมู่
• หลังจากนั้น ผู้ก่อตั้งเริ่มตระหนักว่าไม่ใช่ทุกบริษัทจะมีปัญหาร่วมกันเหมือนกันทั้งหมด
  • แต่ละอุตสาหกรรมมี workflow·กฎระเบียบ·ความคาดหวังของลูกค้า ที่แตกต่างกัน
  • Vertical SaaS ถูกฝังลึกอยู่ในตรรกะและภาษาของอุตสาหกรรมเฉพาะ ทำให้เครื่องมือเฉพาะทางหลายร้อยรายการสามารถเติบโตได้ในตลาดขนาดเล็ก
  • แต่ตลาดเล็กเหล่านี้มีเสน่ห์ด้านการลงทุนสำหรับ VCน้อยลง จึงระดมทุนตั้งต้นได้ยาก
• เส้นทางการเติบโตของผู้ก่อตั้ง Vertical SaaS มีความหลากหลาย
  • บางรายขายให้ Constellation หรือ PE เป็นต้น เพื่อเติบโตในระยะยาว
  • บางรายพัฒนาอย่างอิสระจนกลายเป็น กระดูกสันหลังดิจิทัล ของอุตสาหกรรม ผ่าน การลงทุนในผลิตภัณฑ์·การขยาย workflow
  • ตัวอย่าง:
    • ServiceTitan → โครงสร้างพื้นฐานการดำเนินงานสำหรับธุรกิจ HVAC·ประปา·ไฟฟ้า
    • Toast → เริ่มจาก POS สำหรับร้านอาหาร แล้วขยายไปถึงเงินเดือน·การชำระเงิน·สต๊อกสินค้า·สินเชื่อ
    • Mindbody → การจอง·สมาชิก·การจัดการลูกค้าสำหรับสตูดิโอเวลเนส
    • Shopify → สแตกอีคอมเมิร์ซแบบ all-in-one สำหรับผู้ค้าอิสระ
    • Procore → มาตรฐานของซอฟต์แวร์บริหารโครงการก่อสร้าง
    • Epic Systems → ระบบนิเวศ EMR อันแข็งแกร่งที่ครอบคลุมโรงพยาบาลชั้นนำของสหรัฐฯ
• ทั้งหมดนี้เริ่มต้นจาก ตลาดเฉพาะที่แคบ แล้วค่อย ๆ ขยายไปสู่ การเงิน·โครงสร้างพื้นฐาน·มาร์เก็ตเพลส
  • Vertical SaaS ที่ดำเนินการได้ดีสามารถเติบโตเป็น ธุรกิจฐานรากที่ยั่งยืน ไม่ใช่แค่เครื่องมือชั่วคราว
• Stripe วิเคราะห์ไว้ในรายงานประจำปี 2024 ว่ากระแสการก่อตั้งธุรกิจใหม่กำลังเชื่อมโยงกับการขยายตัวของ Vertical SaaS
  • ตัวอย่าง: ร้านพิซซ่าในสหรัฐฯ ลดลงระหว่างปี 2005–2017 แต่เมื่อมีเครื่องมือ SaaS อย่าง Slice ก็เกิดการพลิกกลับ → ร้านอิสระเพิ่มขึ้นเพื่อต่อสู้กับแฟรนไชส์
• SaaS มอบ โครงสร้างพื้นฐานระดับแฟรนไชส์ ให้กับธุรกิจอิสระ พร้อมรับประกัน ความเป็นอิสระในการดำเนินงาน
  • คำกล่าวของ Stripe:
    • “60% ของธุรกิจขนาดเล็กและขนาดกลางในสหรัฐฯ ใช้ Vertical SaaS”
    • ตัวอย่าง: SingleOps (การดูแลต้นไม้), Traxero (ธุรกิจรถลาก), Transformity (ร้านขายสุรา), Moxie (เมดสปา), Clio (กฎหมาย), Skimmer (การดูแลสระว่ายน้ำ), Planning Center·Tithe.ly (โบสถ์), Shulware (ธรรมศาลา), Procede (ตัวแทนจำหน่ายรถบรรทุก), Meadow Memorials·Tribute Technology (บริการงานศพ) เป็นต้น

AI เปลี่ยนอะไรบ้าง

• ในเดือนพฤศจิกายน 2022 OpenAI เปิดตัว ChatGPT และมียอดผู้ใช้ทะลุ 100 ล้านคนภายในเวลาเพียงสองเดือน กลายเป็นซอฟต์แวร์ที่เติบโตเร็วที่สุดในประวัติศาสตร์
  • ช่วงแรกถูกมองว่าเป็นแชตบอต แต่ไม่นานก็เห็นได้ชัดว่า LLM สามารถนำมาใช้เป็น อินเทอร์เฟซสำหรับงานด้านการรับรู้ทั่วไป ได้
• การเปิดตัวครั้งนี้ จุดกระแสการทดลองใช้อย่างกว้างขวาง ทั่วทั้งอุตสาหกรรมซอฟต์แวร์ และบริษัท B2B จำนวนมากก็ ทบทวนกลยุทธ์ผลิตภัณฑ์ใหม่ พร้อมเริ่มผสาน generative AI เข้าไป
  • บางราย ผสาน โมเดลของ OpenAI เข้ากับฟีเจอร์เดิม ขณะที่บางรายพัฒนาผลิตภัณฑ์ AI แบบใหม่ขึ้นมาเลย
• SaaS แบบเดิมทำหน้าที่ทำให้เวิร์กโฟลว์เป็นดิจิทัล โดย จัดโครงสร้างและย้ายกระบวนการที่อิงกระดาษขึ้นคลาวด์
  • CRM, ERP และระบบลักษณะเดียวกันช่วยทำให้ข้อมูลเป็นมาตรฐาน เพิ่มการทำงานร่วมกัน และตรวจสอบย้อนหลังได้
  • ตอนนี้ LLM ขยายบทบาท จากแค่ บันทึกและจัดระเบียบงาน ไปสู่ การลงมือทำงานจริง
• การเปลี่ยนแปลงนี้มีนัยสำคัญมากต่ออุตสาหกรรมแนวตั้ง
  • งานอย่างการเคลมประกัน การเป็นนายหน้าขนส่งสินค้า และการเรียกเก็บเงินค่ารักษาพยาบาล ในอดีต ล้วนใช้แรงงานเข้มข้นและมีอัตราการแทรกซึมของซอฟต์แวร์ต่ำ
  • ตอนนี้ AI ไม่ได้แค่ช่วยจัดการบันทึก แต่ยังสามารถขยาย TAM และดูดซับ ต้นทุนแรงงานบางส่วน ได้ผ่าน การทำงานอัตโนมัติในการลงมือปฏิบัติ
• ตัวอย่างเด่น: ในเดือนมิถุนายน 2023 Thomson Reuters เข้าซื้อ Casetext ด้วยมูลค่า 650 ล้านดอลลาร์
  • CoCounsel ของ Casetext ซึ่งอิงกับโมเดลของ OpenAI สามารถทำ งานวิจัยกฎหมาย เขียนบันทึก และตรวจสอบสัญญา เป็นต้น
  • สิ่งนี้แสดงให้เห็นว่า AI ไม่ได้ทำได้แค่ค้นหาเอกสาร แต่สามารถทำ งานวิชาชีพที่มีสาระสำคัญจริง ได้ด้วย
• หากขยายไปทั่วทั้งอุตสาหกรรม ขนาดตลาดก็จะโตขึ้นอย่างรวดเร็ว
  • ค่าจ้างรวมของแรงงานสหรัฐในปี 2023 อยู่ที่ 11 ล้านล้านดอลลาร์ และในจำนวนนั้นมีมากกว่า 4 ล้านล้านดอลลาร์ ที่อาจได้รับผลกระทบจาก AI
  • ในปี 2024 สตาร์ตอัป AI ระดมทุนได้ราว 1.1 แสนล้านดอลลาร์ เพิ่มขึ้น 62% เมื่อเทียบกับปีก่อน
  • ขณะที่เม็ดเงินลงทุนด้านเทคโนโลยีโดยรวม ลดลง 12% สะท้อนว่าเงินทุนกำลังไหลไปกระจุกที่ บริษัท AI-native

Deployed Intelligence

• แม้การลงทุนใน AI จะพุ่งขึ้นมาก แต่มูลค่าจะเกิดขึ้นจริงก็ต่อเมื่อเทคโนโลยีนี้ ฝังอยู่ในงานปฏิบัติการประจำวัน
  • ข้อจำกัดไม่ใช่การสร้างโมเดลที่ใหญ่ขึ้น แต่คือการ ฝังมันเข้าไปในเวิร์กโฟลว์จริง
  • และนั่นต้องการแนวทางที่ต่างจากการ deploy SaaS แบบดั้งเดิม
• SaaS แบบดั้งเดิมมัก ผสานเข้าระบบผ่าน onboarding, training และการตั้งค่า แต่ AI มักต้องอาศัย การเขียนเวิร์กโฟลว์ใหม่ และ การทดลองซ้ำกับผู้ใช้
  • Palantir ส่ง วิศวกร deployment ภาคสนาม ไปประจำที่ลูกค้าตั้งแต่ระยะแรก เพื่อสังเกตการปฏิบัติงาน ทำให้เป็นนามธรรม และแปลงเป็นลอจิกที่นำกลับมาใช้ซ้ำได้
  • แม้ต้นทุนเริ่มต้นจะสูง แต่สุดท้ายก็ช่วยเสริม ความสามารถในการป้องกันการแข่งขันและการผสานเข้ากับการปฏิบัติงาน
• เหมาะกว่าที่จะมอง AI ว่าเป็น ชนชั้นแรงงานรูปแบบใหม่
  • นี่ไม่ใช่แค่การซื้อซอฟต์แวร์ แต่คือการจ้าง AI แล้วต้องฝึก ควบคุมดูแล และปรับเวิร์กโฟลว์ให้เข้ากัน
  • ความสำเร็จขึ้นอยู่กับ วิธีการนำไปใช้งานจริง มากกว่าคุณภาพของโมเดล โดยหัวใจสำคัญคือการออกแบบอินเทอร์เฟซ การจัดแนวลอจิกการตัดสินใจ และการฝังเข้ากับการปฏิบัติงาน
• ตาม Ramp 2025 AI Index บริษัทเทคโนโลยี 72% มีการสมัครใช้งานแบบเสียเงิน ขณะที่ภาคก่อสร้างมีเพียง 28% และธุรกิจที่พักและบริการอาหารมีเพียง 22%
  • แม้การใช้ AI จะเพิ่มขึ้น แต่ยังไม่ชัดเจนว่าจะนำไปสู่ การปรับปรุงมาร์จินอย่างมีนัยสำคัญ หรือไม่
• บริษัทนอกภาคเทคโนโลยีส่วนใหญ่ยัง ขาดความพร้อมในการ deploy AI อย่างมีประสิทธิภาพ
  • การ deploy AI ต้องอาศัยทั้งวิศวกรรม การออกแบบผลิตภัณฑ์ ความรู้โดเมน และการบริหารการเปลี่ยนแปลง
  • หลายบริษัทคาดหวัง AI แบบเดียวกับ SaaS แต่ AI ต้องการ การทำงานเชิงความน่าจะเป็น การเรียนรู้จากฟีดแบ็ก และการปรับแต่งแบบวนซ้ำ
• ช่องว่างนี้ยิ่งตอกย้ำความสมเหตุสมผลของ โมเดลบูรณาการแนวตั้ง
  • ในทศวรรษ 2010 บริษัท full-stack เคย ประสบปัญหา เพราะบริการมาร์จินต่ำ แต่เมื่อ AI agent สามารถทำงาน ได้มากขึ้น การพึ่งพาบุคลากรจึงลดลงและมาร์จินก็ดีขึ้น
  • Y Combinator ระบุไว้ใน RFS ปี 2025 ว่า “คุณอาจขาย AI agent ให้สำนักงานกฎหมายก็ได้ แต่ก็อาจตั้งสำนักงานกฎหมาย AI ของตัวเองขึ้นมาแข่งโดยตรงก็ได้”

สองเส้นทางในการยึดครอง AI Margin ใน Vertical X

• เมื่อ AI เข้ามาปรับโฉมเวิร์กโฟลว์ของอุตสาหกรรมดั้งเดิม ผู้ก่อตั้งจึงต้องเผชิญกับสองทางเลือกว่าจะ เก็บมาร์จินที่เกิดจากระบบอัตโนมัติอย่างไร
  • ขาย ซอฟต์แวร์ให้กับผู้ประกอบการเดิม หรือ
  • ดำเนินงานหรือเข้าซื้อ ผู้ประกอบการนั้นโดยตรง
    Path 1: Sell Software to the Operator
• เป็นแนวทางที่คล้ายกับโมเดล SaaS แบบดั้งเดิม แต่พัฒนา copilot, automation layer และเครื่องมือแบบ agent-based เพื่อนำไปใช้งานกับผู้ประกอบการเดิม
  • เครื่องมือปรับปรุงประสิทธิภาพที่ออกแบบให้เข้ากับเวิร์กโฟลว์เดิมมักถูกยอมรับได้ง่าย ทำให้ลงมือใช้งานและขยายได้รวดเร็ว
  • แต่มีเงื่อนไขสำคัญว่าลูกค้าต้องสามารถ นำไปใช้, ปฏิบัติการ, ฝึกอบรม และจัดการข้อยกเว้น ของซอฟต์แวร์ได้อย่างมีประสิทธิภาพภายในองค์กร
• ในความเป็นจริง ความยากของการนำไปใช้งานจริง เป็นข้อจำกัดสำคัญ
  • หลายอุตสาหกรรมยังคง พึ่งพาระบบ legacy หรือขาดศักยภาพด้านการใช้ซอฟต์แวร์และทรัพยากรสำหรับ change management
  • ต่อให้ผลิตภัณฑ์ สร้าง คุณค่าที่ชัดเจน ก็ยังต้องมีการฝึกทีมใหม่และปรับโครงสร้างกระบวนการ ทำให้การยอมรับเกิดขึ้นช้า
  • ยิ่งไปกว่านั้น ตลาดยัง แข่งขันรุนแรง และ ผู้ขายที่ขับเคลื่อนด้วย AI ก็เพิ่มขึ้นอย่างรวดเร็ว ทำให้สร้างความแตกต่างและรักษาความได้เปรียบไว้ได้ยาก
    Path 2: Build or Buy the Operator
• เป็นแนวทางที่ก้าวเลยการขายซอฟต์แวร์ไปสู่การ สร้างหรือเข้าซื้อ ผู้ให้บริการแล้วลงมือดำเนินงานเอง
  • ตัดการพึ่งพาการบูรณาการฝั่งลูกค้าออกไป และฝัง AI เข้าไปในธุรกิจโดยตรง
  • การดำเนินการจริง ช้ากว่า ใช้การปฏิบัติการเข้มข้น และต้องใช้เงินทุนเริ่มต้นสูงกว่า แต่ให้คำมั่นว่าจะได้ การควบคุมและการเก็บมาร์จินที่มากกว่า
• เมื่อเป็นเจ้าของ service layer ก็สามารถติดตั้งเครื่องมือได้โดยตรง และ ออกแบบเวิร์กโฟลว์ใหม่ ได้โดยไม่ต้องคอยโน้มน้าวลูกค้า
  • วัดผลลัพธ์ได้อย่างแม่นยำ และปรับปรุงซ้ำได้รวดเร็วโดยไม่ต้องรอฟีดแบ็กจากลูกค้า
  • ผลลัพธ์คือ ความสามารถในการป้องกันการแข่งขันที่แข็งแกร่งขึ้น และการจัดแนวระหว่าง เทคโนโลยีกับบริการ
• ท้ายที่สุดแล้ว ในยุค AI ทั้งสองเส้นทางล้วนบังคับให้ต้องทบทวน venture playbook แบบเดิมใหม่
  • จำเป็นต้องนิยามใหม่ทั้งโมเดลการทำให้เกิดรายได้ โครงสร้างองค์กร ตลอดจน รูปแบบความเป็นเจ้าของ

# กรณีศึกษา

• ในอุตสาหกรรมดั้งเดิมโดยรวม โมเดลการนำ AI ไปใช้งานกำลังมาบรรจบกันอยู่ที่ 3 แบบ ได้แก่ (1) ขายให้ลูกค้า, (2) เข้าซื้อผู้ดำเนินการเดิม, และ (3) สร้างแบบฟูลสแตกที่เป็น AI-native

  • องค์กรอาจเริ่มจากโมเดลหนึ่งแล้วเปลี่ยนไปใช้อีกโมเดลระหว่างการขยายตัวก็ได้ และแนวทางที่เหมาะสมจะแตกต่างกันไปตาม โครงสร้างอุตสาหกรรม·ความทนทานของผลิตภัณฑ์·ศักยภาพของทีมในการลงมือทำ

• อสังหาริมทรัพย์

  • EliseAI: ใช้ โมเดลขายซอฟต์แวร์ ในฐานะแพลตฟอร์มอัตโนมัติสำหรับผู้จัดการการเช่าที่อยู่อาศัย โดย ผสานรวม เอเจนต์เชิงสนทนา Suite เข้ากับ PMS ของลูกค้า เพื่อจัดการการจองทัวร์ การสอบถามจากผู้อยู่อาศัย และคำขอซ่อมบำรุง
    • ตั้งเป้า ลูกค้าสถาบันกว่า 350 แห่ง และอ้างว่าสามารถ ทำให้บทสนทนามากกว่า 85% เป็นอัตโนมัติ
    • Minna Song ผู้ร่วมก่อตั้ง ชี้ให้เห็น ถึงกับดักที่ลูกค้า เพียงแค่นำเทคโนโลยีใหม่มาครอบทับโดยไม่เปลี่ยนแปลงโครงสร้าง
  • Metropolis: มุ่ง ฝังโครงสร้างพื้นฐานอัจฉริยะเข้าไปในตัว อุตสาหกรรมที่จอดรถ โดยเริ่มจากแอปและ ทำระบบเข้า-ออกแบบไร้การสัมผัส ด้วย AI และคอมพิวเตอร์วิชัน
    • ด้วยการขายแบบ B2B บริษัท เผชิญ ภาวะยอดขายชะงัก จากสัญญาเช่าระยะยาวและสัญญาดำเนินงาน จึงเปลี่ยนไปใช้ กลยุทธ์เข้าซื้อผู้ดำเนินการ
    • ในปี 2022 บริษัท เข้าซื้อ Premier Parking เพื่อได้ที่จอดรถ 600 แห่งแล้วจึงค่อยโรลเอาต์เทคโนโลยี และในปี 2023 ก็ ระดมทุน $1.7B เพื่อ เข้าซื้อ SP Plus ในราคา $1.5B
  • Wander: ผู้ดำเนินการที่ขับเคลื่อนด้วยเทคโนโลยี ซึ่งเปลี่ยนจาก บูรณาการแนวดิ่ง → การดำเนินงานแบบ asset-light ในตลาดเช่าระยะสั้นระดับพรีเมียม
    • ช่วงแรกถือครองและดำเนินงานผ่าน REIT แต่หลังดอกเบี้ยขาขึ้นและสายการเงินของ CS ล่ม บริษัทจึงยุติ REIT และเปลี่ยนไปใช้โมเดล Wander Operated และ Wander Branded เพื่อขยาย การดำเนินงานโดยไม่ถือครองทรัพย์สิน โดยในเดือนพฤษภาคม 2025 มี บ้านที่นำไปใช้มากกว่า 1K หลัง
  • Long Lake: แพลตฟอร์ม roll-up สำหรับธุรกิจบริการที่ก่อตั้งในปี 2024 โดยเริ่มจากผู้จัดการ HOA และผลักดันการ retrofit เครื่องมือ AI โดยอิง กรณีตัวอย่าง ที่ชี้ว่า ผลิตภาพเพิ่มขึ้น 30%
    • ระดมทุนได้มากกว่า $600M ผ่าน Thrive Holdings เป็นต้น และขยายตัวบนฐานของ การเข้าซื้อ 18 บริษัท และ พนักงาน 1.4K คน
  • ข้อสรุป: ในภาคอสังหาริมทรัพย์ แก่นสำคัญคือ การออกแบบการดำเนินงานใหม่ทั้งระบบมากกว่าการนำเครื่องมือมาครอบทับ โดย EliseAI พึ่งพาความสามารถด้าน change management ของลูกค้า ขณะที่ Metropolis, Wander และ Long Lake เป็นเจ้าของเลเยอร์การดำเนินงาน จึงสามารถ ลงมือขับเคลื่อนการเปลี่ยนแปลงได้โดยตรง

• การบัญชี

  • Basis: ก่อตั้งที่นิวยอร์กในปี 2023 เป็น โมเดลขายซอฟต์แวร์ ที่เสริมและทำให้เวิร์กโฟลว์บัญชีเป็นอัตโนมัติด้วย ทีมเสมือนแบบเอเจนต์
    • มอบเครื่องมือที่นักบัญชีสามารถสั่งงานและปรับแต่งได้ โดยมุ่ง ให้ทำงานจริงได้ และแนะนำ ให้ ออกแบบกระบวนการเก่าใหม่
    • มีรายงานว่าบางส่วนของ สำนักงานบัญชี Top 100 สามารถ ประหยัดเวลาได้ 30%
  • Crete: แพลตฟอร์ม roll-up ด้านบัญชีที่เปิดตัวในปี 2023 โดย รวมสำนักงานบัญชีท้องถิ่นผ่าน M&A และจัดหาโครงสร้างพื้นฐานร่วมกัน
    • ภายใน 2 ปี เติบโตสู่ระดับ รายได้มากกว่า $300M และพนักงาน 900 คน, เข้าซื้อแล้วมากกว่า 20 แห่ง และ ประกาศ แผน เข้าซื้อเพิ่มอีก $500M
    • สนับสนุน การทดสอบงานตรวจสอบ การเขียนบันทึก และการแมปข้อมูล ด้วยการพัฒนา เครื่องมือ AI ภายใน ร่วมกับ OpenAI และทีมวิศวกรรมของ Thrive
  • Multiplier: ก่อตั้งในปี 2022 เริ่มจาก ซอฟต์แวร์ภาษี แต่ pivot ไปสู่ การฝัง AI เข้ากับการดำเนินงานหลังเข้าซื้อกิจการบริษัท
    • ที่ Citrine International Tax ซึ่งเป็นกิจการแรกที่เข้าซื้อ บริษัทพิสูจน์ ว่าสามารถ เพิ่มมาร์จินเป็น 2 เท่า และ ขยายขีดความสามารถในการให้บริการ ได้ผ่าน การทำงานภาษีและคอมพลายแอนซ์หลักให้เป็นอัตโนมัติ
  • ข้อสรุป: ในสายงานบัญชี ผลลัพธ์ที่ใหญ่ที่สุดไม่ได้มาจากการเพิ่มเครื่องมือ แต่เกิดจากการออกแบบการดำเนินงานใหม่ โดย Basis เน้น การทำให้เป็นทีมดิจิทัล ส่วน Crete และ Multiplier ได้ผลลัพธ์จาก การฝังรวมเข้าไปในฝั่งเจ้าของและการดำเนินงาน

• บริการกฎหมาย

  • Harvey: แพลตฟอร์มกฎหมาย AI สำหรับสำนักงานกฎหมายและทีมกฎหมายองค์กร ที่ ผสาน งาน ตรวจสอบสัญญา การร่างเอกสาร การตรวจสอบสถานะ และการวิจัย เข้ากับ LLM ที่ปรับเฉพาะโดเมน
    • ทำงาน ภายในเวิร์กโฟลว์เดิม พร้อมให้การไฮไลต์จุดเสี่ยงและสร้างร่างเอกสาร มี ลูกค้ามากกว่า 300 ราย และทำได้ถึง ARR มากกว่า $100M ในเดือนกรกฎาคม 2025
  • Eudia: แพลตฟอร์ม AI+roll-up สำหรับทีมกฎหมายองค์กร ที่ General Catalyst บ่มเพาะ ขึ้น
    • ระหว่างการระดมทุน $105M ในเดือนกุมภาพันธ์ 2025 มี $75M ที่มีเงื่อนไขผูกกับการเข้าซื้อกิจการ ตาม โครงสร้างนี้ และในเดือนกรกฎาคมได้ เข้าซื้อ Johnson Hana (300 คน)
    • ผสาน เลเยอร์ความรู้ + เอเจนต์ เพื่อฝังรวมงานซ้ำๆ อย่าง คอมพลายแอนซ์ สัญญา และความเสี่ยง เข้าสู่การดำเนินงาน

• ข้อสังเกต: แก่นแท้ของบริการด้านกฎหมายคือ ความไว้วางใจ ความสัมพันธ์ และการตัดสินใจที่ยึดผู้เชี่ยวชาญเป็นศูนย์กลาง และกรณีของ Casetext แสดงให้เห็น ถึง การเพิ่มประสิทธิภาพงานรูทีน

  • ดังที่กรณีของ Atrium ชี้ให้เห็น ว่า ในพื้นที่ที่ เกิดไม่บ่อยแต่มีความยากสูง หัวใจสำคัญคือ การดึงดูดและรักษาทนายระดับท็อป โดย เทคโนโลยีมีบทบาทเสริม

• Investment Advisory

  • OffDeal: ธนาคารเพื่อการลงทุนแบบ AI-native ที่โฟกัส M&A ในตลาด lower middle market และ ยกเครื่อง เซ็กเมนต์ที่ผู้เล่นรายใหญ่ปล่อยตกหล่น
    • ออกแบบด้วย โมเดลพ็อด 2 คน ให้ AI ช่วยค้นหาผู้ซื้อ ทำเบนช์มาร์ก และเขียน pitch ฯลฯ เพื่อให้พนักงานระดับจูเนียร์โฟกัสกับ การตัดสินใจและการบริหารความสัมพันธ์ ได้มากขึ้นตาม แนวทางนี้
  • Inven: แพลตฟอร์มสำหรับ ทำงานอัตโนมัติในช่วงต้นของการ sourcing สำหรับนักลงทุน โดยใช้ LLM pipeline ดึงและวิเคราะห์ ข้อมูลจากแหล่งนับล้านเพื่อช่วย ค้นหาเป้าหมายที่ยังไม่เข้าตลาดหลักทรัพย์
    • ครอบคลุมทั้งตลาด lower และ middle market และ ณ เดือนมิถุนายน 2025 มี ลูกค้านักลงทุนมากกว่า 500 ราย
  • ข้อสังเกต: Inven สร้างประสิทธิภาพผ่าน การทำให้ research และ sourcing ฉลาดขึ้น ขณะที่ OffDeal ทำผ่าน การเปลี่ยนแปลงตัวการออกแบบองค์กรเอง
    • แม้ใน IB ขนาดใหญ่ก็มีเครื่องมืออยู่แล้ว แต่การใช้งานถูกจำกัดด้วย คอขวดด้านลำดับชั้นและแรงจูงใจ และ พิสูจน์ให้เห็น ว่า การออกแบบองค์กรแบบใหม่ ต่างหากที่สร้างประสิทธิภาพอย่างแท้จริง

• Contact Centers

  • Replicant: แพลตฟอร์มอัตโนมัติสำหรับคอลเซ็นเตอร์ ที่ใช้ voice และ conversational AI จัดการ คำถามที่เกิดซ้ำ และ รองรับ สายโทรจากลูกค้าองค์กรระดับหลายสิบล้านสายต่อเดือน
    • เป็นผลิตภัณฑ์ ที่ใช้งานได้กว้างในหลายอุตสาหกรรม จากการสะสมข้อมูลบทสนทนาข้ามอุตสาหกรรม และให้ การควบคุมและการปรับแต่ง แก่ลูกค้าที่ต้องการ ดำเนินการเอง
  • Crescendo: ผู้ให้บริการ BPO แบบ AI-native ที่ General Catalyst ก่อตั้ง ขึ้นมา โดยเป็นโมเดลผสมระหว่าง การสร้างเครื่องมือเอง + การเป็นเจ้าของและดำเนินงานคอลเซ็นเตอร์เอง
    • เข้าซื้อกิจการ PartnerHero ในปี 2024 และมีการกล่าวถึง รายได้ระดับ $90M ในเดือนพฤษภาคม 2025
    • เป้าหมายคือ ทำให้เป็นระบบภายในทั้งหมดทุกเลเยอร์ ตั้งแต่ การทำคำขอให้เป็นอัตโนมัติ ไปจนถึงการออกแบบปฏิสัมพันธ์ระหว่างเอเจนต์กับลูกค้าใหม่
  • ข้อสังเกต: หากต้องการดำเนินงานเอง การควบคุมและการปรับแต่ง ของ Replicant จะเหมาะกว่า แต่ถ้าต้องการ บริการแบบ fully managed ที่เน้นผลลัพธ์ Crescendo จะตอบโจทย์กว่า และทั้งสองฝ่ายต่างใช้ AI เพื่อปรับโครงสร้างสแต็กเดิมที่ พึ่งงานคนและกระจัดกระจาย ใหม่

The Playbook

• ท่ามกลาง ผลกระทบที่ไม่สมดุล ของ AI ผู้ก่อตั้งและนักลงทุนต้องเลือกโครงสร้างที่สามารถ เปลี่ยนเทคโนโลยีให้เป็นกระแสเงินสดที่แน่นอน ได้ โดยเมื่อคำนึงถึงความจริงที่ว่า 42% ของโครงการนำร่อง Generative AI ในปี 2024 ถูกยุติโดยไม่ก่อผลลัพธ์ จึงจำเป็นต้องมีแนวคิดแบบการจัดสรรทุนไปยัง จุดที่ให้ผลตอบแทนต่อความเสี่ยงสูงสุดสำหรับเงิน 1 ดอลลาร์ถัดไป ดังที่ The Outsiders ของ William Thorndike แสดงให้เห็น
• SaaS แบบดั้งเดิมมักทุ่มทรัพยากรส่วนเพิ่มไปที่ บุคลากรและการตลาด แต่ AI roll-up มีชุดเครื่องมือที่กว้างกว่า อย่างไรก็ดี แค่ ทำแผนที่เวิร์กโฟลว์และปรับโมเดลให้ละเอียดขึ้น ยังไม่เพียงพอ และการ ใช้เงิน 1 ดอลลาร์/เวลา 1 ชั่วโมงถัดไปไปกับอะไร ต่างหากที่เป็นตัวกำหนดการสร้างมูลค่า
• 3 โมเดลการเข้าสู่ตลาด ของธุรกิจ AI ยุคใหม่: (1) ออกไลเซนส์ซอฟต์แวร์แล้วให้ ลูกค้ารับผิดชอบการดำเนินงานเอง, (2) เข้าซื้อสินทรัพย์เดิม (บริษัทปฏิบัติการ) เพื่อนำเทคโนโลยีไปฝังและนำเงินสดกลับมาลงทุนต่อ, (3) ดำเนินการเองแบบ full-stack (รวมโค้ด ทุน และงานปฏิบัติการประจำวันไว้ใต้หลังคาเดียวกัน)
• ในความเป็นจริง การผสมโมเดลและการ pivot เกิดขึ้นบ่อย ดังนั้นเพลย์บุ๊กด้านล่างจึงเสนอเส้นฐานสำหรับการตัดสินใจต่อเนื่องจาก ระบุความไร้ประสิทธิภาพ → ตรวจสอบผลกระทบของ AI → เลือกเบื้องต้นระหว่างการขาย/การซื้อกิจการ/การสร้างเองโดยตรง

• I. Map The Ontology

  • ข้อเสนอแบบ Palantir: ให้เริ่มจากทำแผนภาพ business ontology ของสภาวะเดิม (อ็อบเจ็กต์ สถานะ และการเปลี่ยนผ่าน) ก่อน
    • กราฟนี้จะเผยให้เห็น การเปลี่ยนผ่านที่ดูดกินเวลา/กำลังคน/ทุนมากเกินไป ทำให้ขอบเขตการปรับปรุงและ JTBD ชัดเจนขึ้น
    • หลักการของ Palantir ที่ว่า ต้องจำลองทุกขั้นตอนก่อนแล้วค่อยเขียนโค้ด มอบแผนที่ที่แม่นยำเพื่อช่วยทั้ง การจัดลำดับความสำคัญด้าน R&D และ การจัดแนวกับนักลงทุน

• II. Define The Terrain

  • เมื่อมองเห็นความไร้ประสิทธิภาพแล้ว ให้ตรวจสอบโครงสร้างตลาดว่ามีผลตอบแทนมากพอสำหรับการ ควบคุม P&L ทั้งหมด หรือไม่
    • ตลาดเฉพาะทางที่มีขนาด เป้าหมาย 150~200 ราย และเน้น ธุรกิจขนาดกลางกับเจ้าของกิจการรายย่อย เหมาะกับ roll-up
    • ธุรกิจที่ มาร์จิ้นต่ำมากและ AI เข้าไปมีส่วนโดยตรงในชั้นบริการหลัก มีช่องว่างในการเพิ่ม EBITDA สูง จึงสมเหตุสมผลที่จะ เป็นเจ้าของ
    • อุตสาหกรรมที่ อ่อนไหวต่อภาวะเศรษฐกิจและเป็นมิตรกับเทคโนโลยี นั้น SaaS ล้วนปลอดภัยกว่า
    • หากมี ความหนาแน่นของกฎระเบียบ สูง การ ซื้อกิจการบริษัทที่มีใบอนุญาตอยู่แล้ว คือทางลัดด้าน compliance

• III. Prove, Then Buy

  • จงพิสูจน์ความใช้ได้ของโมเดลด้วย ตัวชี้วัดจากการใช้งานจริง ก่อนใช้ leverage
    • วิธีที่ประหยัดที่สุด: ทำ โครงการนำร่อง หน้างานของลูกค้า และ การทดลองแบบควบคุม ที่เชื่อมชิ้นส่วน AI สำเร็จรูปเข้าด้วยกัน
    • Slow Ventures เน้นว่า ต้องสร้างมูลค่าได้ก่อนแล้วค่อยทำ M&A: ต้องยืนยันก่อนว่าผลิตภัณฑ์สร้าง คุณค่าที่แข็งแรง ได้จริง จึงค่อยเข้าซื้อ (“Build → then Buy”)

• IV. Test The Distribution Wedge

  • หาก การขาย SaaS ช้าและแพง เพราะสัญญาระยะยาว การใช้งานต่ำ และ onboarding หนัก การ เข้าซื้อบริษัทที่มีความสัมพันธ์กับลูกค้าอยู่แล้ว อาจถูกกว่าเสียอีก
    • ตลาดอย่าง อสังหาริมทรัพย์/การดำเนินงานด้านสินทรัพย์ ที่การเปลี่ยนผู้ให้บริการทำได้เฉพาะช่วง ต่ออายุสัญญา การ ซื้อ incumbent ปัจจุบัน จะกลายเป็น ลด CAC + เปลี่ยน inertia ให้เป็น moat
    • นี่คือเคสตัวอย่างของ Metropolis ที่ประสบ คอขวดด้านการขาย B2B และแก้ด้วยการเข้าซื้ออย่างต่อเนื่อง ได้แก่ Premier Parking และ SP Plus

• V. Match Capital & Talent To The Path

  • การซื้อบริษัทปฏิบัติการและการดำเนินการเองโดยตรง ต้องการความสามารถเพิ่มอีก สองด้าน นอกเหนือจากการสร้างผลิตภัณฑ์ คือ M&A และการปฏิบัติการประจำวัน
    • ต้องสามารถจัดการ การจัดโครงสร้างหนี้ เพลย์บุ๊กการรวมกิจการ และงบ HQ แบบ lean ได้ พร้อมมี กำลังทุน ที่เพียงพอจะรักษา covenant ต่าง ๆ ได้อย่างไม่สะดุด
    • leverage ที่มากเกินไป อาจ บีบคั้นกระแสเงินสด ได้เหมือนกรณีของ Thrasio (เส้นทางสู่การล้มละลาย)
    • หากบุคลากรและทุนยังไม่พร้อมในระดับนั้น การคง กลยุทธ์ asset-light ไว้ย่อมเป็นทางเลือกที่สมเหตุสมผล

Blurring The Lines

• แม้ AI จะทำให้ การขยายมาร์จิ้น เป็นไปได้ แต่ขนาดและความเร็วจะต่างกันไปตาม โมเดลการเข้าสู่ตลาด
  • เมื่อเวลาผ่านไป เส้นแบ่งระหว่าง vertical SaaS, roll-up และ full-stack จะพร่าเลือนลง แต่ลำดับคำถามในการตัดสินใจว่า “จะลงเล่นตรงไหน” ก็ยังคงคุ้มค่าทางเศรษฐศาสตร์ที่สุด
• สามความท้าทายที่คนสายเทคต้องเผชิญเมื่อขยับไปสู่ ธุรกิจที่ขับเคลื่อนด้วยการปฏิบัติการ:
  1. ความยากของการปรับปรุงการปฏิบัติการ: ในสถานการณ์ที่เครื่องมือ AI ยังไม่สุกงอม การสร้างประสิทธิภาพที่แท้จริงไม่ได้อาศัยแค่การผสานโมเดล แต่ต้องอาศัย การออกแบบกระบวนการใหม่อย่างเข้มงวด
  2. ความสำคัญของวินัยด้านราคา: ความสำเร็จของ roll-up ในอดีตตั้งอยู่บนโครงสร้าง ซื้อที่ EBITDA multiple ต่ำ → ขายที่ multiple สูง ต่อให้มี AI ก็ไม่อาจหลุดพ้นจาก วินัยด้าน valuation ได้ และหากซื้อแพง การขยายมาร์จิ้นจะพังลง
  3. ดีลและความสามารถด้านการรวมกิจการที่หาได้ยาก: การซื้อกิจการและการจัดการหนี้ต้องใช้ เพลย์บุ๊กที่ใกล้เคียงกับ private equity AI roll-up ส่วนใหญ่จึงต้องการทีมผสมที่มีทั้ง ผู้ปฏิบัติการ ผู้นำดีล และวิศวกร เพื่อถ่วงดุลความเร็วกับความเสี่ยง
• ขณะนี้ยังอยู่ใน ระยะเริ่มต้นของวัฏจักรการรวมกิจการ และหลายบริษัทจะทดลองใช้ โครงสร้างแบบไฮบริด
  • เมื่อเทคโนโลยี ต้นทุนทุน และพฤติกรรมลูกค้าเปลี่ยนไป ก็อาจเกิดกรณีที่โมเดลตั้งต้นไม่เหมาะสมอีกต่อไป
  • ทีมที่ทำผลงานได้ดีที่สุดจะเป็นทีมที่มีทั้ง ความสามารถในการจับคู่เครื่องมือ โครงสร้าง และตลาด และ วินัยในการถอยเมื่อมันไม่เข้ากัน

> “ฉันเป็นนักธุรกิจที่ดีกว่าเพราะเป็นนักลงทุน และเป็นนักลงทุนที่ดีกว่าเพราะเป็นนักธุรกิจ” — Warren Buffett