- แม้ในวงการเวนเจอร์แคปิทัลจะมี ฉันทามติที่แพร่หลาย ว่า AI จะเปลี่ยนบริษัทบริการให้กลายเป็นบริษัทซอฟต์แวร์ แต่ในความเป็นจริงแล้วสิ่งที่เกิดขึ้นคือ บริษัทบริการกำลังกลายเป็นบริษัทบริการที่ดีขึ้น ไม่ใช่ เปลี่ยนเป็นบริษัทซอฟต์แวร์
- ค่าใช้จ่ายจำนวนมากในบริการวิชาชีพไม่ได้จ่ายเพื่อคุณภาพของผลลัพธ์เพียงอย่างเดียว แต่จ่ายเพื่อ การโยนความรับผิด, ความน่าเชื่อถือ, การรับรองคุณวุฒิ ซึ่งเป็นพื้นที่ที่ AI แทนที่ได้ยาก
- การขยายตัวของมาร์จินจากการนำ AI มาใช้อาจเป็นเพียง ผลชั่วคราว เพราะคู่แข่งก็จะนำไปใช้เช่นกัน และลูกค้าจะเรียกร้องให้ส่งต่อการประหยัดต้นทุน โดยมาร์จินที่ยั่งยืนจริงอยู่ในชั้นของความไว้วางใจทางวิชาชีพและความรับผิด
- กลับเกิด ความย้อนแย้งที่ AI ทำให้ผู้ปฏิบัติงานระดับหัวกะทิยิ่งติดอยู่กับบริษัทเดิม และการแข่งขันแย่งชิงบุคลากรระหว่างบริษัท AI-native ก็ยังกัดเซาะความได้เปรียบด้านมาร์จิน
- ตลาดบริการมีขนาดใหญ่กว่าตลาดซอฟต์แวร์ราว 20–70 เท่า ดังนั้นแม้จะไม่ได้มีมาร์จินระดับซอฟต์แวร์ ก็ยังสามารถสร้างผลลัพธ์ระดับเวนเจอร์ได้ผ่านการถือครองความรับผิดและความสัมพันธ์กับลูกค้า
ฉันทามติในวงการเวนเจอร์ว่า AI จะเปลี่ยนบริการให้เป็นซอฟต์แวร์
- VC ชื่อดังหลายรายนิยามสิ่งนี้ว่าเป็นโอกาสมูลค่า 4.6 ล้านล้านดอลลาร์ของ "Service as Software"
- General Catalyst ทุ่มเงิน 1.5 พันล้านดอลลาร์ เพื่อเข้าซื้อบริษัทบริการ เช่น กฎหมาย, IT, บัญชี แล้วนำ AI เข้าไปใช้
- Thrive Capital เปิดกองทุนมูลค่า มากกว่า 1 พันล้านดอลลาร์ เพื่อซื้อกิจการบริษัทบริการและทำให้เป็น AI โดย OpenAI เข้าถือหุ้นและส่งวิศวกรเข้าไปช่วยบริษัทในพอร์ตโดยตรง
- ตรรกะหลักคือ ตลาดบริการทั่วโลกมีขนาด 16 ล้านล้านดอลลาร์ ขณะที่ตลาดซอฟต์แวร์มีขนาด 1 ล้านล้านดอลลาร์ และถ้า AI สามารถทำให้บริการมีมาร์จินระดับซอฟต์แวร์ (70–85%) ได้ ก็จะสร้างมูลค่าได้มหาศาล
- มาร์จินของบริษัทบริการวิชาชีพโดยทั่วไปอยู่ที่ราว 30–40% ในวันที่ทำได้ดี
TAM ส่วนเกิน (Surplus) มีอยู่จริง แต่ไม่ได้เข้าถึงได้ทั้งหมด
- ในแทบทุกหมวดของบริการวิชาชีพ ตลาดซอฟต์แวร์เป็นเพียง ส่วนย่อย ของตลาดบริการ และการมีอยู่ของ TAM ส่วนเกินนั้นเป็นเรื่องที่รู้กันดี
- แต่การมองว่า TAM ส่วนเกินเท่ากับโอกาสที่เข้าถึงได้ทันที เป็น ความผิดพลาดที่พบบ่อยที่สุด ในพื้นที่นี้
- ค่าใช้จ่ายจำนวนมากในบริการวิชาชีพเกิดจากเหตุผลอื่นที่ไม่ใช่ตัวผลลัพธ์โดยตรง
- เหตุผลที่บริษัทจ้าง Big Four ไม่ใช่เพราะคุณค่าของงานตรวจสอบเพียงอย่างเดียว แต่เพื่อให้มีจุดยืนที่ป้องกันได้ว่า "เราได้ทำตามคำแนะนำของผู้เชี่ยวชาญ" หากเกิดปัญหา
- จ้าง ที่ปรึกษากฎหมายภายนอก ที่หน่วยงานกำกับดูแลรู้จักและเชื่อถือ
- ใช้ที่ปรึกษาเพื่อให้การปรับโครงสร้างองค์กรเป็นคำแนะนำที่ มาจากอิสระ ช่วยกระจายความรับผิดของผู้นำภายใน
- สิ่งเหล่านี้ไม่ใช่ความไร้ประสิทธิภาพ แต่เป็น ฟังก์ชันที่ฝังอยู่ ในวิธีการทำงานของบริการวิชาชีพ
- ยังมีประเด็นเรื่อง ความน่าเชื่อถือและการตรวจรับรองจากภายนอก
- เวลาที่ CFO จะประกาศปรับโครงสร้างค่าตอบแทน การพูดว่า "ตามข้อมูลตลาดของ McLagan" ย่อมง่ายกว่าพูดว่า "จากการวิเคราะห์ภายในของเรา" มาก
- เบี้ยพรีเมียมไม่ได้จ่ายให้กับข้อมูล แต่จ่ายให้กับ ความน่าเชื่อถือของแหล่งที่มา
- AI อาจทำงานวิเคราะห์ได้ แต่ไม่สามารถทำหน้าที่ ดูดซับความรับผิด ได้
- คณะกรรมการไม่สามารถชี้ไปที่โมเดล AI แล้วพูดว่า "เราอาศัยคำแนะนำจากผู้เชี่ยวชาญ" ได้
- คำถามสำคัญคือ ใน TAM ของบริการนั้น สัดส่วนใดคือส่วนที่ลูกค้าจ่ายเพื่อคุณภาพของผลลัพธ์จริง ๆ และสัดส่วนใดคือส่วนที่จ่ายเพื่อ การโยนความรับผิด, เกราะกำบังทางการเมือง, การรับรองคุณวุฒิ
- ตลาดบริการที่ AI เข้าถึงได้อาจ เล็กกว่าตัวเลขพาดหัวอย่างมีนัยสำคัญ
- ในขณะเดียวกัน สิ่งนี้ก็กลายเป็น ปัจจัยสร้างความแตกต่าง ให้กับบริษัทบริการที่ถือครองความสัมพันธ์กับลูกค้าและความรับผิด
ปัญหาความยั่งยืนของการขยายมาร์จิน
- แม้อยู่ใน TAM ที่เข้าถึงได้ การขยายมาร์จินก็อาจเป็นเพียง ชั่วคราวบางส่วน
- เมื่อคู่แข่งนำความสามารถ AI แบบเดียวกันมาใช้ บริการก็จะ กลายเป็นสินค้ามาตรฐานที่แข่งกันด้วยราคา
- เมื่อลูกค้ารับรู้ว่า AI กำลังทำงานที่เดิมเป็นของพนักงานระดับจูเนียร์ พวกเขาก็จะ เรียกร้องให้ส่งต่อการประหยัดต้นทุน
- มาร์จินที่ยั่งยืนอยู่ใน ชั้นพรีเมียมและชั้นความรับผิด ที่วางอยู่เหนือผลลัพธ์จากระบบอัตโนมัติของ AI
- ตัวอย่างเปรียบเทียบ: บริษัทบัญชีที่ทำงานภาษีอัตโนมัติและส่งต่อการประหยัดต้นทุนให้ลูกค้า (มาร์จิน 60%) กับบริษัทที่ทำแบบเดียวกันแต่มี CPA ลงนามในแบบยื่น, มี E&O insurance และเป็นเจ้าของความสัมพันธ์กับลูกค้า (มาร์จิน 45%)
- แบบแรกเปราะบางต่อคู่แข่งทุกคนที่เข้าถึงโมเดลเดียวกัน แต่แบบหลังมี คูเมืองเชิงโครงสร้างของความไว้วางใจทางวิชาชีพและความรับผิด ที่ AI เพียงอย่างเดียวลอกเลียนไม่ได้
- แรงกดดันจากการแข่งขันไม่ได้มาจากสตาร์ทอัพเท่านั้น
- Anthropic เปิดตัว Claude for Excel พร้อมเทคโนโลยีเอเจนต์ที่สร้างไว้ล่วงหน้าสำหรับ DCF modeling, comparable company analysis, data packs สำหรับ due diligence และตัวเชื่อมต่อกับ S&P Capital IQ, Moody's, PitchBook
- OpenAI ประกาศความร่วมมือแบบหลายปีกับ Accenture, BCG, Capgemini, McKinsey ภายใต้ "Frontier Alliance" เพื่อนำเอเจนต์ไปติดตั้งในเวิร์กโฟลว์องค์กรโดยตรง
- บริษัท foundation model ไม่ได้รอให้สตาร์ทอัพมาสร้างเลเยอร์บริการ แต่กำลัง บุกเข้าเวิร์กโฟลว์โดยตรง
- หากโมเดลรุ่นถัดไปสามารถทำเอกสารการตรวจสอบหรือเอกสารกฎหมายได้แบบอัตโนมัติเต็มรูปแบบ "บริการที่ขับเคลื่อนด้วย AI" ก็จะเป็นเพียง ช่วงเปลี่ยนผ่าน ไม่ใช่ปลายทาง
- Foundation model สามารถทำซ้ำผลลัพธ์ได้ แต่ไม่สามารถทำซ้ำความสัมพันธ์ทางวิชาชีพ, การคุ้มครองแบบ E&O และ การรับรองคุณวุฒิด้านกฎระเบียบ ได้
การเติบโตยังคงพึ่งพาคน
- AI ช่วยเพิ่มเพดานงานที่แต่ละคนรับได้ แต่ ไม่ได้ลบความจำเป็นของมนุษย์ออกไป
- ในบริษัทตรวจสอบที่ใช้ AI, CPA หนึ่งคนอาจดูแลงานได้มากกว่าเดิมมาก แต่ก็ยังต้องมี CPA อยู่ดี
- เส้นโค้งการขยายมาร์จินน่าจะเผชิญกับ ผลตอบแทนลดลง โดยได้ประโยชน์มากในช่วงแรกและแบนราบลงอย่างรวดเร็ว
- หากมาร์จินไปหยุดอยู่ที่ 55–65% ก็ยังน่าสนใจมากในตลาดขนาด 8.7 หมื่นล้านดอลลาร์หรือมากกว่า 1 ล้านล้านดอลลาร์ แต่ยังไม่แน่ชัดว่าจะหยุดตรงไหน และนี่คือ ความเสี่ยงหลัก
- บุคลากรที่บริษัทเหล่านี้ต้องพึ่งพา หายากและมีต้นทุนสูงขึ้น
- AI อาจยิ่งทำให้ปัญหานี้แย่ลง
- ตัวอย่างในสายกฎหมาย: เครื่องมือ vertical AI อย่าง Harvey และ Legora ถูกขายตรงให้ผู้ปฏิบัติงานระดับหัวกะทิในบริษัทเดิม เพื่อ เพิ่มผลิตภาพในตำแหน่งปัจจุบัน
- หากพาร์ตเนอร์ใน Big Law ใช้ AI แล้วรับเคสได้มากขึ้น 3 เท่า ก็จะมีรายได้มากขึ้น ได้ทำงานที่น่าสนใจกว่าเดิม และ มีเหตุผลน้อยลงที่จะย้ายออก
- เครื่องมือที่ควรจะทำลายบริษัทเดิม กลับกลายเป็นเครื่องมือที่ ตรึงบุคลากรไว้กับบริษัทเดิม
- บริษัทกฎหมาย AI-native จำนวนมากยังต้อง แข่งขันกันเอง เพื่อดึงพาร์ตเนอร์กลุ่มเดียวกัน
- หากมีบริษัท AI-native ที่ได้รับเงิน VC 10 แห่งระดมทุนก้อนใหญ่ในหมวดเดียวกัน ฝั่งอุปทานจะเกิด เงินเฟ้อต้นทุนบุคลากร สำหรับกลุ่มผู้เชี่ยวชาญที่มีคุณวุฒิซึ่งมีอยู่จำกัด และฝั่งอุปสงค์จะเกิด แรงกดดันด้านราคา จากการแย่งลูกค้ากลุ่มเดียวกัน
- ความได้เปรียบด้านมาร์จินที่ทำให้โมเดลนี้ดูน่าสนใจ จึงถูกกัดเซาะไม่ใช่แค่จากบริษัทเดิม แต่ยังมาจาก สตาร์ทอัพรายอื่นที่ใช้ playbook เดียวกัน
- นี่คือ พาราด็อกซ์คลาสสิกของการลงทุนตามฉันทามติ: ยิ่งมีเงินทุนวิ่งตาม thesis นี้มากเท่าไร การลงมือทำก็ยิ่งยากขึ้นเท่านั้น
โมเดลธุรกิจแบบใดได้เปรียบที่สุด
- สำหรับนักลงทุนระยะเริ่มต้น คำถามหลักไม่ใช่ "มันจะกลายเป็นบริษัทซอฟต์แวร์ไหม?" แต่คือ "ผู้ก่อตั้งรายนี้จะสร้าง leverage ได้มากพอที่จะรักษา gross margin มากกว่า 50% และรายได้ประจำในระดับสเกลได้หรือไม่?"
- มีแนวป้องกันจากต้นทุนการย้ายผ่าน data moat, ความสัมพันธ์ด้านความรับผิด, และการควบคุมเวิร์กโฟลว์หรือไม่
- ในตลาดกฎหมายมูลค่ามากกว่า 1 ล้านล้านดอลลาร์ หรือตลาดบัญชีมูลค่า 6.5 แสนล้านดอลลาร์ สิ่งนี้อาจเป็นไปได้ แต่ ใน niche มูลค่า 3 พันล้านดอลลาร์จะยากมาก
-
ขายเครื่องมือ AI ให้บริษัทบริการเดิม
- บริษัทเหล่านี้มีขนาดเล็ก กระจัดกระจาย และ ต้านทานการเปลี่ยนแปลง
- หากเดิมก็มีกำไรดีอยู่แล้ว ก็ไม่มี ความเร่งด่วน ที่จะนำเทคโนโลยีใหม่มาใช้
- จึงต้องมี แรงบังคับ (forcing function)
- ตัวอย่างที่ชัดที่สุดคือบัญชี: หลังปี 2020 มีนักบัญชี มากกว่า 300,000 คน ย้ายงาน และ CPA 75% ใกล้ถึงวัยเกษียณ จนบริษัทจำนวนมากเริ่มปฏิเสธงาน
- เมื่อทางเลือกอื่นคือการสูญเสียรายได้ การยอมรับเครื่องมือ AI ก็พุ่งสูงขึ้นทันที
- เหตุผลที่ลงทุนใน Basis และ InScope คือทั้งสองบริษัทขายเครื่องมือ AI ให้ผู้เชี่ยวชาญด้านบัญชี ไม่ได้รับความรับผิดโดยตรง แต่ด้วยแรงบังคับดังกล่าวจึงฝังตัวลึกในเวิร์กโฟลว์ และมี แนวป้องกันที่ทำให้การเปลี่ยนระบบเจ็บปวดในเชิงปฏิบัติการ
-
สร้างบริษัทบริการ AI-native ขึ้นใหม่ตั้งแต่ต้น
- สิ่งนี้เท่ากับขอให้ลูกค้าไว้วางใจ สตาร์ทอัพ กับงานที่เดิมมอบให้บริษัทที่มีแบรนด์สะสมมาหลายทศวรรษ มีความสัมพันธ์กับหน่วยงานกำกับดูแล และมีคุณวุฒิวิชาชีพ
- จึงเป็น กำแพงที่ชันมาก โดยเฉพาะในบริการที่มีกลไกการโยนความรับผิดอย่างเข้มข้น
- เส้นทาง AI-native เหมาะที่สุดกับอุตสาหกรรมที่สามารถข้ามปัญหาความไว้วางใจได้ด้วยการ เป็นเจ้าของการดำเนินงานเอง แทนการขายบริการภายใต้แบรนด์ที่ยังไม่ผ่านการพิสูจน์
- นายหน้าประกันเป็นตัวอย่างที่ดี: สำหรับ DocShield ธุรกิจนายหน้าประกันเป็น ธุรกิจคุณภาพสูง ที่มีลูกค้าประจำและอัตราการเลิกใช้ต่ำมาก แต่มีราคาแพงเกินไปแม้ในขนาดเล็ก (นายหน้าที่มี EBITDA 2 ล้านดอลลาร์ ซื้อขายกันที่ multiple มากกว่า 10 เท่า) ทำให้กลยุทธ์ roll-up ไม่มีประสิทธิภาพด้านเงินทุน
- นายหน้าขนาดกลางทั่วไปมีพนักงาน IT เฉลี่ยเพียงประมาณ 0.5 คน และทำงานอยู่ในระบบ agency management แบบปิด จึงขายซอฟต์แวร์เข้าไปได้ยาก
- การเป็นเจ้าของนายหน้าและสร้างระบบ AI แบบ end-to-end คือเส้นทางเดียวที่สมเหตุสมผล
-
กลยุทธ์ roll-up
- Roll-up ไม่ใช่กลยุทธ์ที่แย่ แต่เหมาะกับ PE มากกว่า เพราะโครงสร้างกองทุน ระยะเวลาถือครอง และ playbook ด้านปฏิบัติการถูกออกแบบมาสำหรับการแปลงสินทรัพย์ลักษณะนี้
- ภายใต้ไทม์ไลน์และโครงสร้างเงินทุนแบบ VC การดำเนินการจะ ยากกว่ามาก
- อย่างไรก็ตาม ก็มีกรณีที่พลวัตของตลาดทำให้ roll-up เหมาะสม
- Meroka ดำเนินงานใน คลินิกแพทย์อิสระ: คลินิกเดี่ยวกำลังเผชิญวิกฤตเชิงโครงสร้าง แข่งขันกับผู้เล่นรายใหญ่ไม่ได้ ไม่มีอำนาจต่อรอง และเมื่อแพทย์อาวุโสเกษียณก็มักไม่มีแผนสืบทอด
- Meroka เปลี่ยนคลินิกเหล่านี้เป็น employee ownership trust เพื่อรับประกันความเป็นอิสระถาวรจาก PE และนำเทคโนโลยีสมัยใหม่กับ AI เข้าไปผ่านองค์กรบริการจัดการ
- ซอฟต์แวร์อย่างเดียวแก้ปัญหานี้ไม่ได้ และหากไม่มีการแทรกแซง AI อาจยิ่งเร่งการรวมศูนย์จน ทำให้ปัญหา PE แย่ลง
- ownership trust สร้างความสัมพันธ์ด้านความรับผิดและแนวป้องกัน ขณะที่ชั้นบริการจัดการสร้าง รายได้ประจำ ที่ขยายได้ทุกครั้งที่มีคลินิกใหม่ และวิกฤตเชิงโครงสร้างก็ทำหน้าที่เป็นแรงบังคับที่เปลี่ยนการยอมรับจากเรื่องทางเลือกให้กลายเป็น เรื่องเร่งด่วน
บทสรุป
- การลงทุนของ VC ในบริษัทบริการที่ขับเคลื่อนด้วย AI ยังสามารถสร้างผลตอบแทนก้อนใหญ่ได้ แต่ไม่ควรหลงเชื่อว่าบริษัทเหล่านี้จะมี profile มาร์จินเหมือนซอฟต์แวร์ หรือว่าบริการ TAM จะ คงที่แบบไม่เปลี่ยนแปลง ท่ามกลางการจัดระเบียบใหม่โดย AI
- โดยเนื้อแท้แล้วมี เพดานบน อยู่
- วิธีคิดที่ผิดคือ มองข้ามบริษัทเหล่านี้เพียงเพราะ "มันไม่ใช่ซอฟต์แวร์" หรือทำทีลงทุนราวกับว่าสุดท้ายมันจะกลายเป็นซอฟต์แวร์
- วิธีที่ถูกคือประเมินมันตามความเป็นจริง: เป็นบริษัทบริการที่ใช้ AI เป็น leverage ในตลาดขนาดใหญ่ มีมาร์จินดีขึ้น และมีรายได้ที่ ยิ่งนับวันยิ่งเป็นรายได้ประจำ
- จากมุมมองนักลงทุนระยะเริ่มต้น แก่นแท้ไม่ได้เปลี่ยนไป
- ในรอบ pre-seed และ seed เราลงทุนโดยดู trajectory ของมาร์จิน ไม่ใช่มาร์จินในปัจจุบันอยู่แล้ว
- ความต่างคือ AI มอบ แรงส่งเชิงโครงสร้างต่อการขยาย gross margin ที่บริษัทบริการแบบดั้งเดิมไม่เคยมี
- กรอบคิดที่ทำให้ซอฟต์แวร์น่าดึงดูดสำหรับนักลงทุนคือ ตลาดใหญ่, มาร์จินสูง, รายได้ประจำ, ต้นทุนการขยายต่ำ
- บริษัทบริการที่ขับเคลื่อนด้วย AI อาจไม่ได้ครบทุกข้อ แต่ถ้ามีมาร์จินมากกว่า 50%, มีความสัมพันธ์กับลูกค้าแบบเกิดซ้ำ, และมีแนวป้องกันจากการถือครองความรับผิดและความสัมพันธ์ลูกค้า ในตลาดที่ใหญ่กว่าซอฟต์แวร์ 20–70 เท่า ก็เพียงพอแล้ว
- บริการจะไม่กลายเป็นซอฟต์แวร์ แต่จะ เข้าใกล้ความเป็นซอฟต์แวร์มากขึ้น และในตลาดขนาดนี้ แค่นั้นก็เพียงพอ
3 ความคิดเห็น
บริการคือซอฟต์แวร์รูปแบบใหม่
ดูเหมือนว่าจะเป็นบทความที่เขียนขึ้นเพื่อโต้แย้งบทความนี้ที่ Sequoia เคยเขียนไว้ครับ
ถ้าเหตุผลที่ใช้บริษัทที่ปรึกษาคือเพื่อจะได้พูดว่า ที่ปรึกษา A ผู้ทรงอำนาจบอกให้ทำแบบนั้นครับ (ไม่ใช่ความผิดผม) แบบนี้ก็คงยังแทนที่ด้วย AI เพียงอย่างเดียวไม่ได้ในตอนนี้
อย่างไรก็ตาม อีกไม่กี่ปีข้างหน้า ถ้าเห็นว่ามีอะไรบางอย่างทำงานผิดปกติ แล้วเรียกมาถามว่า commit นี้คืออะไร แล้วลูกน้องตอบว่า Claude เขียนแบบนั้นครับ (ไม่ใช่ความผิดผม) ก็คงน่ากลัวมากครับ
ดูเหมือนว่าจะไม่ใช่เรื่องที่จะเกิดขึ้นอีกไม่กี่ปีข้างหน้า แต่เป็นปรากฏการณ์ที่เกิดขึ้นถี่ยิบอยู่แล้วเลยครับ 555