จุดจบของยุค MAU แล้วตอนนี้ MRR ก็เชื่อไม่ได้แล้วหรือ?

 (maily.so)
8 คะแนน โดย haebom 20 일 전 | 2 ความคิดเห็น | แชร์ทาง WhatsApp

สวัสดีครับ ช่วงนี้ผมใช้ชีวิตอย่างมีความสุขกับการทำจดหมายข่าว
ทุกวันผมเขียนจดหมายข่าววันละฉบับ แต่ถ้าโพสต์บ่อยเกินไปก็จะไม่ตรงกับนโยบายของ GN เลยอยากแนะนำฉบับที่มียอดเข้าชมพุ่งเป็นพิเศษ

โดยส่วนตัวผมคิดว่าเป็นเนื้อหาที่ไม่เลวเลยจริงๆ และเป็นหัวข้อที่น่าลองคิดตาม เลยอยากแชร์ให้ครับ
แน่นอนว่าจะไม่สมัครรับก็ได้ แค่อ่านกันอย่างสนุกก็พอครับ

บทความนี้พูดถึงเหตุการณ์ที่เผยให้เห็นผ่านการไต่สวนในสหรัฐฯ เมื่อไม่นานมานี้ว่า ตัวชี้วัดอย่างผู้ใช้งานที่แอ็กทีฟ และรายได้ประจำที่เกิดซ้ำ ถูกทำให้ดูเกินจริงมากแค่ไหน
ตัวเอกของเรื่องก็คือ OpenAI และ Anthropic นั่นเอง ด้วยเหตุนี้ในซิลิคอนแวลลีย์จึงมีตัวชี้วัดใหม่กำลังได้รับความสนใจขึ้นมา ก็ต้องหาตัวเลขไว้ใช้ลงทุนกันต่ออยู่แล้วนี่ครับ จริงๆ แล้วเป็นตัวชี้วัดที่ผมเคยสัมผัสตอนทำงานที่ Gamma ด้วย พูดง่ายๆ คือ รายได้/ประสิทธิภาพการผลิตต่อคน และมูลค่าตลอดอายุการใช้งาน 1 ปี

บทความที่เกี่ยวข้อง

2 ความคิดเห็น

 
cafedead 20 일 전
  • ในยุค AI นั้นมีข้อโต้แย้งว่า ARR อาจไม่ใช่ตัวชี้วัดกลางที่น่าเชื่อถืออีกต่อไป
  • ตัวชี้วัดหลักของวงการเทคเปลี่ยนไปตามยุคสมัยมาโดยตลอด
    • ยุคโซเชียล: DAU/MAU
    • ยุค SaaS: ARR/MRR
    • ยุค AI: มีการตั้งคำถามว่า ARR แบบเดิมอาจบิดเบือนความเป็นจริงได้มากขึ้น
  • จุดตั้งต้นของบทความคือความไม่สอดคล้องกันของตัวเลขจาก Anthropic
    • ในเดือนกุมภาพันธ์ 2026 บริษัทเน้นย้ำ ARR ที่ 14 พันล้านดอลลาร์
    • หนึ่งเดือนถัดมา ในเอกสารที่ยื่นต่อศาลกลับระบุว่า “มีรายได้สะสมรวมตั้งแต่ก่อตั้งเกิน 5 พันล้านดอลลาร์”
    • เป็นบริษัทเดียวกัน ช่วงเวลาใกล้เคียงกัน แต่ความหมายของตัวเลขต่างกันมาก
    • ผู้เขียนตีความว่านี่คือ “สัญญาณว่าในยุค AI นั้น ARR อาจอธิบายสถานะที่แท้จริงของธุรกิจได้ไม่ดีพอ”
  • เหตุผลที่ ARR สั่นคลอนในโลก AI มี 3 ข้อ
    1. สมมติฐานแบบ SaaS ที่ว่าต้นทุนส่วนเพิ่มแทบเป็นศูนย์นั้นใช้ไม่ได้อีกต่อไป
      • AI มีต้นทุน GPU/คลาวด์เกิดขึ้นจริงทุกครั้งที่มีการเรียกใช้ inference
      • ยิ่งใช้งานมาก ต้นทุนก็ยิ่งสูง
    2. ต้นทุนต่อรายลูกค้าแตกต่างกันมาก
      • จ่ายราคาเท่ากันก็จริง แต่ลูกค้าบางรายต้นทุนต่ำ บางรายต้นทุนสูง
      • ถ้ามองแค่ ARR ทั้งคู่จะดูเหมือนเป็น “รายได้ที่ดี” เท่ากัน ทั้งที่ความสามารถในการทำกำไรต่างกันมาก
    3. ความมั่นคงของรายได้ประจำอ่อนลง
      • ต้นทุนในการย้ายออกต่ำกว่า SaaS จึงเปลี่ยนไปใช้โมเดลหรือบริการอื่นได้ง่ายกว่า
      • คำว่า “Recurring” เองก็แข็งแรงน้อยกว่าในอดีต
  • เพราะฉะนั้น ARR ของบริษัท AI อาจแสดงให้เห็น “การเติบโต” ได้ แต่สะท้อนความสามารถในการทำกำไร ความยั่งยืน และคุณภาพของธุรกิจได้ไม่ดีนัก
    • มีโครงสร้างคล้ายกับที่ DAU/MAU ในอดีตแสดงความสนใจของผู้ใช้ได้ แต่ไม่ได้บอกสุขภาพของธุรกิจ
  • มองว่ากรณีของ Anthropic และ OpenAI ก็สะท้อนปัญหานี้เช่นกัน
    • มีช่องว่างระหว่าง ARR ที่ประกาศ กับรายได้สะสมจริง ผลประกอบการครึ่งปี และความเร็วในการเผาเงินสด
    • กล่าวคือ หากตีความตัวเลข “annualized” ว่ามีความหมายเท่ากับผลงานจริงทั้งปี ก็อาจทำให้เข้าใจผิดได้
  • ผู้เขียนเสนอผู้สมัครตัวชี้วัดรุ่นถัดไปสำหรับยุค AI ไว้ดังนี้
    1. Productivity per Dollar Spent
      • ไม่ใช่แค่ ARR/จำนวนพนักงาน
      • แต่ควรดูแบบ ARR / (ค่าแรง + ต้นทุน AI) เพื่อให้เห็นประสิทธิภาพที่แท้จริง
    2. First Year Value
      • แทนที่จะสมมติอนาคตไกล ๆ แบบ LTV
      • ให้มองว่าลูกค้าได้รับคุณค่ามากพอที่จะต่ออายุภายใน 12 เดือนแรกหรือไม่
    3. ตัวชี้วัดเชิง unit economics อย่างกำไรขั้นต้นต่อโทเคน
      • สิ่งสำคัญไม่ใช่ว่าประมวลผลได้มากแค่ไหน
      • แต่คือประมวลผลแล้วเหลือกำไรได้มากแค่ไหน
  • ข้อความสำคัญ
    • ในยุค AI ต้องดูโครงสร้างกำไรขั้นต้น ความสามารถในการทำกำไรต่อรายลูกค้า และคุณค่าที่เหลืออยู่ในปีแรก มากกว่าดูแค่ขนาดรายได้
    • ประเด็นคือไม่ใช่อ่านแค่ขนาดของตัวเลข แต่ต้องอ่านโครงสร้างของตัวเลขด้วย
  • ยังมีปัญหาในทางปฏิบัติด้วย
    • หากจะดูตัวชี้วัดยุครุ่นที่ 3 เหล่านี้ให้ดี
    • ระบบบิลลิง ต้นทุนโครงสร้างพื้นฐาน และระบบการเงินต้องเชื่อมกัน
    • แต่บริษัท AI ส่วนใหญ่ยังขาดโครงสร้างพื้นฐานด้านการวัดผลในระดับนั้น

สรุปสั้น ๆ
ธุรกิจ AI อธิบายด้วย ARR เพียงตัวเดียวแบบ SaaS ได้ยากขึ้น และต่อจากนี้ตัวชี้วัดที่บอกว่า “ขายได้เท่าไร” จะสำคัญน้อยกว่าตัวชี้วัดที่บอกว่า “เหลือกำไรแค่ไหน และรักษาไว้ได้นานแค่ไหน”
 
haebom 20 일 전

สรุปได้ดีมากเลยครับ ขอบคุณครับ