- การมาถึงของ AI และเวิร์กโฟลว์แบบเอเจนต์ที่ขับเคลื่อนด้วย LLM กำลังรื้อทำลาย ตรรกะเชิงเศรษฐศาสตร์ของ SaaS อย่างถึงราก และการลดลงอย่างรวดเร็วของต้นทุนด้าน intelligence กำลังปรับโครงสร้างการไหลของมูลค่าในตลาดเทคโนโลยีองค์กร
- ความได้เปรียบด้านต้นทุนของบริการ AI เพียงอย่างเดียวไม่อาจสร้าง moat ที่ยั่งยืนได้ และสตาร์ทอัพที่พึ่งพาโครงสร้างพื้นฐาน LLM กำลังเผชิญกับ ปัญหาคนกลางเรียกรถแท็กซี่ — โครงสร้างที่ตั้งอยู่บนมาร์จินที่ยืมมา
- ตาม Jevons Paradox ยอดใช้จ่าย AI โดยรวมจะเพิ่มขึ้นอย่างระเบิด แต่ไม่ได้หมายความว่ามูลค่านั้นจะไหลกลับไปยังผู้เล่นเดิมทั้งหมด และจะมาพร้อมกับ การจัดเรียงห่วงโซ่มูลค่าครั้งใหญ่
- บริษัทที่ชนะใน Vertical AI ไม่ใช่ผู้ให้บริการภายนอก แต่เป็นบริษัทที่สร้าง ระบบที่ฝังลึกอยู่ในกระบวนการปฏิบัติงานของลูกค้า — data gravity, network effects และ platform lock-in คือหัวใจสำคัญ
- กลยุทธ์เดียวที่ยั่งยืนคือใช้กลยุทธ์ราคาต่ำเป็นเวดจ์อย่างจงใจเพื่อยึดตำแหน่งในตลาด แล้วเปลี่ยนผ่านไปสู่ แพลตฟอร์ม intelligence แบบผสมผสาน
การเปลี่ยนผ่านเชิงโครงสร้าง: จาก SaaS สู่ยุค AI agent
- ตลาดเทคโนโลยีองค์กรกำลังเผชิญ การเปลี่ยนแปลงเชิงโครงสร้าง ในระดับใกล้เคียงกับการเปลี่ยนผ่านจาก on-premise สู่ cloud
- ตลอดราว 20 ปีที่ผ่านมา โมเดล SaaS ได้สร้างมูลค่าตลาดรวมระดับหลายล้านล้านดอลลาร์ โดยอาศัยรายได้ประจำ การคิดไลเซนส์ตามจำนวนที่นั่ง และการมีส่วนร่วมของผู้ใช้เป็นตัวแทนของมูลค่า
- การมาถึงของ AI และ agent workflow ที่อิง LLM กำลัง รื้อทำลายตรรกะเศรษฐศาสตร์ของ SaaS
- ปัจจัยขับเคลื่อนหลักคือต้นทุนของ intelligence ที่ลดลงอย่างรวดเร็ว — ค่าใช้จ่ายกำลังลดลงอย่างเร็วสำหรับ intelligence ระดับเดียวกัน
- อย่างไรก็ตาม ด้วยความซับซ้อนของการอนุมานที่เพิ่มขึ้น ยอดใช้จ่ายโทเคนรวมยังคงเพิ่มต่อเนื่อง (แม้ราคาโทเคนต่อหน่วยจะลดลง)
- ด้วยการแข่งขันรุนแรงระหว่างแล็บที่มีเงินทุนสูงอย่าง OpenAI, Google, Anthropic และการพัฒนาด้านประสิทธิภาพทั้งฮาร์ดแวร์และซอฟต์แวร์ แนวโน้มนี้จึงไม่น่าจะชะลอลง
แรงกดดันด้านเงินฝืดของบริการ AI
- เมื่อเอเจนต์เข้ามาแทนบริการแบบใช้แรงงานคนดั้งเดิม สิ่งที่เกิดขึ้นไม่ใช่เพียงการจับรายจ่ายก้อนเดิม แต่คือ การกลายเป็นสินค้าโภคภัณฑ์ (commoditization) ของบริการนั้น
- บริการที่เมื่อไม่กี่ปีก่อนยังมีมูลค่า 100,000 ดอลลาร์ ท้ายที่สุดจะเหลือราคาเพียงเศษส่วนของตัวเลขนั้น
- AI ราคาถูกสร้าง แรงกดดันด้านเงินฝืดอย่างต่อเนื่อง ให้กับผลิตภัณฑ์ Vertical AI
- ความสามารถอย่างการดึงข้อมูลจากเอกสาร การรับสายโทรศัพท์ขาเข้า หรือการร่างรายงานด้าน compliance อาจเป็นเวดจ์ที่ยอดเยี่ยมในตอนนี้ เพราะทั้งโครงสร้างพื้นฐาน ความรู้ และอัตราการใช้งานยังมีจำกัด แต่ไม่นานก็จะกลายเป็น table stakes
- ในแต่ละหมวดหมู่มีสตาร์ทอัพหลายรายที่มีเงินทุนและกำลังเติบโต ทำให้ส่วนต่างกำไรเกินปกติจะถูกการแข่งขันกัดกินจนหายไป
- ถึงเวลานั้น สตาร์ทอัพที่ ยังสร้าง moat ไม่ได้ก็จะถูกคัดออก
AI service vs. software: กระบวนทัศน์ของการส่งมอบบริการ
- เมื่อค่าใช้จ่ายส่วนเพิ่มของ intelligence เข้าใกล้ศูนย์ คุณค่าหลักของเทคโนโลยีองค์กรจะเปลี่ยนจากเครื่องมือช่วยแรงงาน ไปสู่ การส่งมอบผลลัพธ์ที่ทดแทนแรงงาน
- Vertical AI สามารถจัดการเวิร์กโฟลว์แบบ end-to-end ได้มากกว่า Vertical SaaS แบบเดี่ยว ทำให้ มูลค่าที่ลูกค้าได้รับและความเต็มใจที่จะจ่ายเพิ่มขึ้นมาก และเข้าถึงงบประมาณก้อนที่ใหญ่กว่ามาก
- อย่างไรก็ตาม ผู้เขียน ไม่เห็นด้วยกับมุมมองกระแสหลักในปัจจุบัน ที่มองว่าการส่งมอบบริการ — ความสัมพันธ์กับลูกค้าที่คล้าย vendor ภายนอกมากกว่าการเป็นแพลตฟอร์มภายใน — จะกลายเป็นกระบวนทัศน์หลักของซอฟต์แวร์ AI
TAM ที่ขยายตัวไม่ได้ทำให้สตาร์ทอัพทุกเจ้าลอยขึ้น
- แม้ต้นทุน intelligence ที่ลดฮวบจะทำให้ TAM ของบริการ AI ขยายใหญ่ขึ้นมาก แต่โอกาสที่เพิ่มขึ้นนี้ ไม่ได้หมายความว่ามูลค่าจะตกอยู่ที่จุดเดิมในห่วงโซ่มูลค่าเสมอไป
- กรณีศึกษาสเปรดชีตและอุตสาหกรรมบัญชี: หลัง Microsoft Excel เปิดตัวในปี 1987 จำนวนพนักงานทำบัญชีและเสมียนบัญชีลดลงจากราว 2 ล้านคนเหลือ 1.5 ล้านคน แต่จำนวนนักบัญชีและผู้ตรวจสอบบัญชีเพิ่มจากราว 1.3 ล้านคนเป็น 1.5 ล้านคน ขณะที่นักวิเคราะห์ธุรกิจและผู้จัดการการเงินเพิ่มจากราว 6 แสนคนเป็น 1.5 ล้านคน (อ้างอิงงานวิจัย Morgan Stanley)
- สเปรดชีตไม่ได้แค่ทำให้การทำบัญชีอัตโนมัติขึ้น แต่ยังผลักมูลค่า ขึ้นไปบนเส้นโค้งทักษะ — จากงานซ้ำ ๆ ไปสู่งานวิเคราะห์ระดับสูง
- กรณี Uber และ ride-hailing: ไม่ได้มีแค่การจัดสรรมูลค่าใหม่ในห่วงโซ่ แต่เกิด การกำจัดคนกลางทั้งชั้น
- ตลาดแท็กซี่ทั่วโลกเติบโตจากราว 69 พันล้านดอลลาร์ในปี 2019 เป็นราว 271 พันล้านดอลลาร์ในปี 2024 ขณะที่ตลาดแท็กซี่แบบดั้งเดิมก่อนยุค Uber มีขนาดราว 30–50 พันล้านดอลลาร์
- รายจ่ายรวมสำหรับการ “เรียกรถเพื่อเดินทาง” ตลอด 15 ปีเติบโตประมาณ 5–8 เท่า ขณะที่ราคาต่อเที่ยวลดลงราวครึ่งหนึ่ง (ก่อนจะดีดกลับ 10–20% ในยุคหลังเงินอุดหนุนจาก VC)
- ในอดีตกำไรตกไปที่เจ้าของกิจการ (ผู้ประกอบการที่เป็นเจ้าของเอง, เจ้าของ medallion ในนิวยอร์ก ฯลฯ), นายหน้า (เอเจนซีแท็กซี่, คนรับส่งงาน, อู่รถ), และคนขับที่ถูกจ้าง
- ผู้มีส่วนได้ส่วนเสียส่วนใหญ่เหล่านี้ถูกทำลาย และ รายได้ของเอเจนซีถูก Uber และ Lyft ดูดไป
- ราคาของ NYC medallion ร่วงจากจุดสูงสุดราว 1 ล้านดอลลาร์ในปี 2013 เหลือต่ำกว่า 100,000 ดอลลาร์ในปัจจุบัน (แม้เริ่มมีสัญญาณฟื้นบางส่วนจากการแทรกแซงของภาครัฐ)
Jevons Paradox และ Enterprise AI
- Jevons Paradox แบบเดียวกันกำลังเกิดขึ้นใน Enterprise AI ตอนนี้
- เมื่อคงคุณภาพโมเดล คอนเท็กซ์ และความซับซ้อนของการอนุมานไว้ ต้นทุนต่อหน่วยของ intelligence กำลังดิ่งลง
- ต้นทุนการอนุมานระดับ GPT-3.5 ลดลง มากกว่า 280 เท่า ระหว่างเดือนพฤศจิกายน 2022 ถึงตุลาคม 2024
- ในปี 2023 การให้ LLM อ่านและจัดหมวดหมู่อีเมลขาเข้าทั้งหมดของบริษัทขนาดกลางยังเป็นภาระด้านต้นทุน แต่ตอนนี้ที่ราว $0.40 ต่อหนึ่งล้านโทเคน นับว่าแทบไม่มีนัยสำคัญ
- ด้วยเครื่องมือเขียนโค้ด AI ตอนนี้ 41% ของโค้ดถูกสร้างหรือช่วยสร้างโดย AI — ทำให้กำแพงในการเข้าสู่ตลาดยิ่งต่ำลง
- ยอดใช้จ่าย AI รวมกำลังเพิ่มแบบระเบิด: รายได้จาก Enterprise AI เพิ่มจาก 1.7 พันล้านดอลลาร์ในปี 2023 เป็น 37 พันล้านดอลลาร์ในปี 2025 หรือ โต 22 เท่าใน 2 ปี
- คาดว่าการใช้จ่าย AI ทั่วโลกจะเกิน 2.5 ล้านล้านดอลลาร์ ภายในปี 2026 (IDC)
- Gartner เลื่อนการคาดการณ์ช่วงเวลาที่ AI จะกินสัดส่วน 1/3 ของการใช้จ่าย IT ทั้งหมด ให้เร็วขึ้น 2 ปี
- คำถามสำคัญจึงไม่ใช่ว่าพายจะก้อนใหญ่ขึ้นไหม แต่คือ ใครจะได้กินมัน
ปัญหาคนกลางเรียกรถแท็กซี่
- มีข้อถกเถียงที่ได้รับความนิยมว่า AI Services ("Service-as-Software") คือโมเดลธุรกิจผู้ชนะ
- Foundation Capital วางกรอบสิ่งนี้เป็น โอกาสมูลค่า 4.6 ล้านล้านดอลลาร์: งบ IT คิดเป็น 1–2% ของ GDP แต่แรงงานและบริการแบบดั้งเดิมกินสัดส่วนมากกว่า 15%
- ตรรกะคือ หาก AI ทำงานของนักบัญชี ผู้ช่วยกฎหมาย หรือ compliance analyst ได้ ก็สามารถตั้งราคาเทียบกับ ต้นทุนรวมจริง (fully-loaded cost) ของพนักงานเหล่านั้นได้
- แต่การแค่ส่งมอบผลลัพธ์แบบแอนะล็อก ไม่ได้หมายความว่าจะจับงบประมาณเหล่านี้ได้ในระยะยาว
- บริการนั้นโดยธรรมชาติแล้ว กลายเป็นสินค้าโภคภัณฑ์ได้
- สตาร์ทอัพส่วนใหญ่ที่เติบโตจากการขายทางเลือก AI ไม่ได้เป็นเจ้าของ IP (LLM) ที่ทำให้เกิดส่วนต่างทางเศรษฐศาสตร์นี้ — แล็บต่างหากที่เป็นเจ้าของ
- การ orchestration เวิร์กโฟลว์พื้นฐาน, RAG, และการ fine-tune เฉพาะโดเมน ไม่ใช่ moat ที่ยั่งยืน
- การประยุกต์ปัญหาคนกลางเรียกรถแท็กซี่กับ AI: ก่อนยุค Uber เอเจนซีรับส่งงานแท็กซี่จับมาร์จินจากการจับคู่เที่ยวรถ — มีพลังป้องกันตัวพอสมควรจากการรวมตัวของซัพพลาย (ความหนาแน่นของคนขับในพื้นที่) และดีมานด์ (การรับรู้ในพื้นที่)
- แต่เมื่อมี แพลตฟอร์ม ที่จับคู่ซัพพลายและดีมานด์ได้มีประสิทธิภาพกว่า โยนภาระการถือครองรถออกไปภายนอก ขยายซัพพลายมหาศาล และให้ต้นทุนที่ถูกกว่าแก่ผู้ใช้ ความสามารถในการแข่งขันของคนกลางเหล่านี้ก็หายไป
- เหตุผลที่คนกลางแพ้ ไม่ใช่เพราะอัตราค่าธรรมเนียมของ Uber
- Uber หักรายได้คนขับเฉลี่ย ราว 30% ซึ่งไม่ต่างมากจาก 30–50% ที่เอเจนซีแท็กซี่แบบดั้งเดิม ผู้ให้เช่า medallion และคนรับส่งงานเคยดึงรวมกัน
- moat ของ Uber ไม่ได้อยู่ที่หักน้อยกว่า แต่คือการรวมฟังก์ชันตัวกลางทั้งหมดอย่าง dispatch, payment, matching, reputation เข้าไว้ใน แพลตฟอร์มเดียวที่เป็นเจ้าของเครือข่าย
- หากคุณค่าหลักของบริษัท AI Service คือ “เราส่งมอบบริการนี้ได้ถูกลงด้วย LLM” บริษัทนั้นก็คือ คนกลางที่นั่งอยู่บนมาร์จินที่ไม่ใช่ของตน
- เส้นต้นทุนนี้ถูกควบคุมโดย model labs, hyperscalers, ผู้ผลิตชิป และผู้ผลิตพลังงาน
- เมื่อโมเดลถูกลง หรือคู่แข่งเชื่อมต่อ API โมเดลเดียวกันแล้วตัดราคา ความได้เปรียบด้านต้นทุนก็จะ เข้าใกล้ศูนย์
- ปัจจุบันมี AI wrapper app ราว 35,000 ราย ทั่วโลก ซึ่งสะท้อนความเข้มข้นของการแข่งขันที่สูงกว่ายุคเทคโนโลยีก่อนมาก
- ความสามารถในการส่งมอบบริการได้ถูกกว่า กับความสามารถในการรักษามาร์จินนั้นไว้ได้ เป็น คนละเรื่องกัน — คำถามสำคัญตอนนี้คือใครจะจับ consumer surplus ที่เกิดจากการล่มสลายของต้นทุน intelligence ได้อย่างยั่งยืน
ความฝังแน่น (Embeddedness) และความสามารถในการป้องกันตัว
- บริษัทที่จะจับและรักษาส่วนเกินนี้ไว้ได้ คือบริษัทที่ สร้างความสามารถในการป้องกันตัวเหนือกว่าเส้นต้นทุน
- แหล่งกำเนิดความสามารถในการป้องกันตัวในเทคโนโลยีองค์กรตามประวัติศาสตร์ ได้แก่ ความเชี่ยวชาญเฉพาะโดเมน, ความเร็วและการลงมือทำ, ความสัมพันธ์ด้านพันธมิตรและการเชื่อมต่อ, data gravity, แบรนด์และความไว้วางใจ, platform lock-in
- ในระยะเริ่มต้น ความเชี่ยวชาญโดเมนและความเร็วในการลงมือทำ ซึ่งอ่อนตัวลงเร็ว คือข้อได้เปรียบหลัก
- ความสัมพันธ์ด้านพันธมิตรและการเชื่อมต่อยังยั่งยืนได้ แต่จะมีความสำคัญลดลงเมื่อขยายขนาด
- moat สำคัญที่สุดในช่วงเติบโตคือ usage และ data loops
- ธุรกิจ Vertical AI ที่ป้องกันตัวได้เมื่อถึงสเกล ต้องมีอย่างน้อยหนึ่ง moat ในบรรดา data gravity, แบรนด์และความไว้วางใจ, หรือ platform lock-in
- แกนสำคัญที่สุดในการประเมินธุรกิจ Vertical AI ไม่ใช่ “service vs. software” แต่คือ “ภายใน (internal) vs. ภายนอก (external)”
- “ภายใน” ไม่จำเป็นต้องหมายถึง SaaS UI แบบดั้งเดิมที่ลูกค้าล็อกอินทุกวัน — ฉันทามติเดิมของอุตสาหกรรมที่มองว่ามูลค่าผูกกับการใช้งานผ่านคีย์บอร์ดโดยตรงนั้น ใช้ไม่ได้อีกต่อไป
- คำถามหลักคือ บริษัท AI ได้ฝังตัวในกระบวนการปฏิบัติงานของลูกค้า ในแบบที่ยากจะถอดออกเชิงโครงสร้าง หรือไม่
- บริษัทนั้นถือข้อมูลกรรมสิทธิ์ที่ลูกค้าสร้างขึ้นหรือไม่? มันเชื่อมลูกค้าเข้ากับคู่ค้า ซัพพลายเออร์ และ ecosystem จนการรื้อสร้างใหม่เป็นเรื่องเจ็บปวดหรือไม่? มันถูกรวมอยู่ในเวิร์กโฟลว์ข้างเคียงจนหากถอดออกจะเกิด การหยุดชะงักเป็นลูกโซ่ หรือไม่?
- “ภายนอก” คล้าย vendor บริการแบบดั้งเดิม — ลูกค้าเรียกใช้เมื่อจำเป็น แต่หากเจอดีลที่ดีกว่าก็ย้ายเจ้าได้ในสัปดาห์หน้า
- โซลูชันภายนอกส่งมอบคุณค่าจริงได้และเติบโตเร็วเมื่อช่องว่างด้านต้นทุนยังสูงและการใช้งานยังอยู่ช่วงแรก แต่เพราะมันตั้งอยู่บนมาร์จินที่ยืมมา จึงเผชิญแรงแข่งขันแบบเดียวกันจากสตาร์ทอัพ AI Services อื่น, SaaS incumbent ที่มีเงินทุนสูง, หรือแม้แต่ผู้ซื้อเอง
กรอบ 4 ช่อง: เมทริกซ์ประเมิน Vertical AI
- ทำแผนที่ landscape ของ Vertical AI ด้วยสองแกน: ภายใน vs. ภายนอก (ระดับความฝังตัวของผลิตภัณฑ์ในงานปฏิบัติการของลูกค้า) และ เวดจ์ vs. แพลตฟอร์ม (ขอบเขตและความลึกของผลิตภัณฑ์)
- Durable (ขวาบน): แพลตฟอร์ม AI ภายใน — System of Intelligence & Action ที่มีเส้นทางชัดเจนไปสู่ moat แบบผสมผสาน พัฒนาจากเวดจ์เริ่มต้นไปสู่แพลตฟอร์มหลายผลิตภัณฑ์ ตัวอย่างได้แก่ Abridge และ EvenUp
- Rare (ซ้ายบน): แพลตฟอร์มภายนอก — มี ACV สูงแบบงานที่มีกลิ่นอาย consulting และมัก dogfood ผลิตภัณฑ์ AI ภายในของตัวเอง แต่ เปราะบาง เพราะมีการกระจุกตัวของลูกค้าสูงและความฝังตัวจำกัด
- Commodity Risk (ซ้ายล่าง): ผลิตภัณฑ์เวดจ์ภายนอก — มีศักยภาพการเติบโตช่วงแรกสูงมาก แต่เผชิญ ความเสี่ยงระดับอยู่รอด เพราะแข่งขันด้วยมาร์จิน AI ที่ยืมมา
- Precarious (ขวาล่าง): เวดจ์ภายใน — มีศักยภาพการเติบโตช่วงแรกสูงและอาจขยายสู่แพลตฟอร์มที่ป้องกันตัวได้ แต่เสี่ยงที่ incumbent สาย AI จะลอกเวดจ์
- มีเส้นทางเปลี่ยนผ่านที่มีคุณค่าสองแบบ: ภายนอก→ภายใน (เพิ่มความฝังตัว) และ เวดจ์→แพลตฟอร์ม (ขยายความกว้างของผลิตภัณฑ์)
- การเปลี่ยนจากเวดจ์ไปสู่แพลตฟอร์มคือ โมเดลที่พิสูจน์แล้ว สำหรับการสร้าง Vertical Software ที่ยั่งยืน
- สตาร์ทอัพบางรายเริ่มจากเวดจ์ AI Services ภายนอกที่ขยายตัวได้สูง แล้ว พยายามทำทั้งสองการเปลี่ยนผ่านพร้อมกัน
Vertical AI: ป้อมปราการต้านการกลายเป็นสินค้าโภคภัณฑ์
- สิ่งที่ทำให้ Vertical AI ทรงพลัง คือพลวัตเฉพาะของแต่ละอุตสาหกรรมในทุกภาคส่วนเป็น ดินชั้นดีสำหรับการสร้างโซลูชันที่แตกต่างและฝังลึกในลูกค้า
- เหตุผลที่บริษัท Vertical SaaS ชั้นนำอย่าง Veeva, Procore, Toast, ServiceTitan ชนะ ไม่ใช่เพราะราคาถูกกว่า แต่เพราะมันกลายเป็น system of record ที่สะท้อนความต้องการเฉพาะของผู้ใช้ได้แม่นยำกว่า
- คุณสามารถใช้เงินค่าที่ปรึกษาหลายล้านดอลลาร์เพื่อคัสตอม Salesforce หรือ NetSuite ได้ แต่ไม่จำเป็นต้องทำเช่นนั้นหากมีระบบที่ถูกสร้างมาเพื่อคุณตั้งแต่แรก
- บริษัทเหล่านี้สะสมข้อมูล first-party และข้อมูลอุตสาหกรรมที่เป็นกรรมสิทธิ์ (ข้อมูลการทดลองทางคลินิก, ข้อมูลต้นทุนงาน, ข้อมูลยอดขายร้านอาหาร) จนเกิดโครงสร้างที่ ผลิตภัณฑ์ยิ่งดีขึ้นเมื่อยิ่งถูกใช้งาน
- พวกมันเชื่อม ecosystem เฉพาะแนวดิ่งที่กระจัดกระจาย (บริษัทยา-ไซต์ทดลองคลินิก, ผู้รับเหมาหลัก-ผู้รับเหมาช่วง, ร้านอาหาร-เครือข่ายเดลิเวอรี) จนสร้าง moat แบบ network effects
- เวดจ์อาจเป็นบริการที่ส่งมอบได้ถูกลง แต่ moat คือระบบที่สร้างอยู่บนเวดจ์นั้น — ใช้ตำแหน่งภายในเพื่อพัฒนาข้อมูลกรรมสิทธิ์, network effects, แพลตฟอร์มหลายผลิตภัณฑ์, และ “สมอง” ของอุตสาหกรรม จนกลายเป็น โครงสร้างพื้นฐานที่ลูก้าต้องพึ่งพา ไม่ใช่แค่ vendor ธรรมดา
- หากก้าวข้ามจุดนี้ไม่ได้และยังเป็นผู้ให้บริการ AI ภายนอกที่แข่งด้านต้นทุนต่อไป ก็จะเจอชะตาเดียวกับคนกลางแท็กซี่ — เฝ้ามองตลาดโต 500% แต่ มาร์จินเข้าใกล้ศูนย์
ผู้ชนะยอมรับการกลายเป็นสินค้าโภคภัณฑ์
- อินไซต์จากผู้ก่อตั้งรายหนึ่งในเวที Vertical Collective roundtable: “หลายคนมองการแข่งขันลงไปที่ก้นบ่อเป็นเรื่องแย่ แต่เราเห็นตรงข้าม — กุญแจที่แท้จริงคือการสร้างมูลค่าใหม่”
- หากแข่งกันแค่ต้นทุนอย่างเดียวก็อันตรายถึงชีวิต แต่หากใช้เป็น เวดจ์อย่างจงใจเพื่อยึด positioning ที่จะนำไปสู่ moat ตามที่อธิบายไว้ข้างต้น มันกลับทรงพลังมาก
- สตาร์ทอัพ Vertical AI บางรายจึงควร ยอมรับและเร่งให้การแข่งขันราคาต่ำจากการ commoditize ของ AI Services เกิดขึ้นเองโดยตั้งใจ
- ดึงลูกค้าจำนวนมากเข้ามาด้วยราคาที่ต่ำจนน่าตกใจ ซึ่งผู้เล่นดั้งเดิมตามไม่ทัน
- แม้จะกินรายได้ “จากผลลัพธ์” ต่อลูกค้าของตัวเอง แต่ก็แลกกับ การเติบโตเร็ว ความเชื่อมั่นในอุตสาหกรรม และสิทธิในการให้บริการลูกค้าในรูปแบบอื่น
- ทำให้สถานะของผู้นำตลาดที่แข่งขันไม่ไหวอ่อนแรงลง จนเกิด สุญญากาศทางการแข่งขัน และคว้าตำแหน่ง pole position เพื่อการขยายต่อ
- กลยุทธ์นี้เป็นรูปแบบหนึ่งของกลยุทธ์ "Nuking Pricing Power": พัฒนาและสนับสนุนสินค้าส่วนเติมเต็มเวอร์ชันราคาถูก (หรือฟรี) เพื่อเร่งการยอมรับ และบั่นทอนอำนาจการตั้งราคาของสินค้าส่วนเติมเต็มนั้น
- พูดให้ตรงกว่านั้นคือ หากผลิตภัณฑ์จะต้องถูก commoditize อยู่แล้ว ก็ ควรลงมือ commoditize มันเองเพื่อยึดตลาด
สมมติฐานด้านคุณค่า (Value Hypothesis)
- ทุกการเปลี่ยนกระบวนทัศน์ของเทคโนโลยีองค์กร มักมาพร้อมทั้ง การจับจองพื้นที่และการปรับโครงสร้าง
- Cloud computing ทำให้เกิด SaaS startup หลายพันรายระหว่างปี 2005–2015 แต่ส่วนใหญ่ถูกดูดกลืน ควบรวม หรือหายไป และมีเพียงไม่กี่รายที่เติบโตเป็น แพลตฟอร์มกำหนดหมวดหมู่ที่ยั่งยืน
- คาดว่า Vertical AI จะเป็นแบบเดียวกัน แต่มี โอกาสตลาดใหญ่กว่า การเติบโตเร็วกว่า โมเดลสร้างรายได้สร้างสรรค์กว่า และประสิทธิภาพทุนช่วงแรกสูงกว่า — และด้วยเหตุนี้การแข่งขันจึงสูงอย่างไม่เคยมีมาก่อน
- กับดักของผู้ก่อตั้ง AI Services คือการเข้าใจผิดว่าเวดจ์ที่ขยายได้ คือ ธุรกิจที่ป้องกันตัวได้
- บริษัทที่จะอยู่รอด คือบริษัทที่ใช้หน้าต่างโอกาสปัจจุบันซึ่งมีทั้งช่องว่างด้านต้นทุนขนาดใหญ่ การใช้งานระยะต้น และ incumbent ที่เคลื่อนตัวช้า เพื่อฝังตัวลึกในกระบวนการลูกค้าจนการเปลี่ยนออกไม่ใช่แค่ไม่สะดวก แต่ เจ็บปวดในเชิงโครงสร้าง
- นี่ไม่ใช่ไอเดียใหม่ แต่เป็นการค้นพบอีกครั้งของ แนวคิดที่เก่าแก่ที่สุดข้อหนึ่งของซอฟต์แวร์องค์กร
- สิ่งที่ใหม่อยู่ที่พื้นผิว: บริษัท SaaS สามารถฝังตัวได้ในไม่กี่เวิร์กโฟลว์และจับข้อมูลจากหน้าจอที่ผู้ใช้โต้ตอบ แต่แพลตฟอร์มแบบ AI-native สามารถ ฝังตัวได้ในทุกเวิร์กโฟลว์ จับข้อมูลจากทุกปฏิสัมพันธ์ไม่ว่าจะมีมนุษย์อยู่หรือไม่ และยิ่งลงมือทำก็ยิ่งสร้าง intelligence แบบผสมผสาน ที่ทำให้ผลิตภัณฑ์ดีขึ้น
- ไม่เคยมีช่วงเวลาไหนที่โอกาสในการสร้าง "load-bearing infrastructure" จะใหญ่เท่านี้ และเช่นกัน ความยั่วยวนที่จะพอใจกับการเป็น “vendor ที่ถูกกว่า” ก็ไม่เคยแรงเท่านี้
- "Value Hypothesis" ของ Andy Rachleff กล่าวว่า สมมติฐานของสตาร์ทอัพเกี่ยวกับอะไร-ให้ใคร-อย่างไรนั้น แทบจะ ไม่เคยถูกต้องตั้งแต่ครั้งแรก — ผู้ก่อตั้งต้องค้นหาให้เจอลูกค้าที่ไม่ได้แค่บอกว่าสนใจ แต่ ต้องการผลิตภัณฑ์อย่างแท้จริงและเร่งด่วน
- ลูกค้ามักสนใจบริการที่ถูกกว่าเสมอ แต่สิ่งที่พวกเขาต้องการจริงและยอมจ่ายเพื่อรักษาไว้ คือระบบที่เข้าใจธุรกิจของพวกเขาดีกว่าตัวพวกเขาเอง — ระบบที่สะสมความรู้เชิงสถาบัน เชื่อมต่อเข้ากับ ecosystem และ เพิ่มมูลค่าภายในตัวเองขึ้นทุกครั้งที่มีปฏิสัมพันธ์
หมายเหตุ
- หาก AI ทำให้แรงงานมนุษย์มีประสิทธิภาพขึ้น โมเดล SaaS แบบคิดราคาตามที่นั่งที่ Salesforce ทำให้แพร่หลายก็จะ ใช้ไม่ได้อีกต่อไป — ยิ่งผลิตภัณฑ์ดีเท่าไร รายจ่ายของลูกค้าก็ยิ่งลดลง
- หากเป้าหมายของ autonomous agents คือการร่างสัญญา ปิด ticket ฝ่ายบริการลูกค้า หรือกระทบยอดบัญชีแยกประเภท โดยแทบไม่มีมนุษย์แทรกแซง "screen time" ก็ไม่มีความหมาย
- ในกระบวนทัศน์ใหม่นี้ ประสิทธิภาพอาจนิยามได้จาก การไม่มี screen time
- แม้แต่ UI เองก็กำลังถูกแทนที่ได้: “ชั้นการตัดสินใจ” ของ data, action และ record ยังสำคัญอยู่ แต่เรากำลังเข้าสู่โลกที่ ไม่มีลูกค้ารายใดมี UI เหมือนกันอีกต่อไป
- อินเทอร์เฟซที่แพลตฟอร์มสร้างขึ้นอัตโนมัติให้เฉพาะผู้ใช้แต่ละราย ("inception software")
- แนวทางแบบเอเจนต์ผ่าน MCP หรือ "Bring Your-Own UI" (BYOUI) ผ่านแอปที่ LLM สร้างแบบปรับแต่งเฉพาะ
ยังไม่มีความคิดเห็น