ตลาด Vertical AI ที่ใหญ่ที่สุดซ่อนอยู่ในที่ที่มองเห็นได้ชัดเจน

• ยิ่งอุตสาหกรรมมีความกระจัดกระจายและการปฏิบัติการซับซ้อนมากเท่าไร ก็ยิ่งเป็นตลาดที่เหมาะอย่างยิ่งสำหรับ ระบบ Vertical AI ในการสร้างคูเมืองป้องกันที่แข็งแกร่ง และผู้ก่อตั้งกับนักลงทุนส่วนใหญ่กลับมองข้ามจุดนี้
• การทำงานอัตโนมัติของงานเดี่ยวที่สะอาดและชัดเจนนั้นถูกลอกเลียนได้ง่าย แต่ระบบที่ฝังลึกเข้าไปใน เวิร์กโฟลว์ที่เต็มไปด้วยกฎระเบียบ การผสานระบบเก่า และการจัดการข้อยกเว้น นั้นเป็นโครงสร้างที่ทั้งคู่แข่ง ลูกค้า และห้องวิจัย AI ต่างตามได้ยาก
• หากประเมินขนาดตลาดใหม่โดยอิงจาก ต้นทุนบริการและแรงงาน แทนงบประมาณซอฟต์แวร์ ก็จะเห็นว่าตลาดแนวตั้งที่ดูเล็กนั้นจริง ๆ แล้วเป็นพื้นที่ใช้จ่ายขนาดมหาศาล
• เมื่อผลิตภัณฑ์เปลี่ยนจากการช่วยงานไปสู่ การแทนที่งานนั้นโดยตรง ขอบเขตการเรียกเก็บเงินจากลูกค้ารายเดิมก็สามารถขยายได้หลายสิบเท่า
• ในอีก 5 ปีข้างหน้า แต่ละอุตสาหกรรมจะเป็นตัวตัดสินว่าแนวทางใดจะชนะ ระหว่าง แพลตฟอร์มแนวตั้งที่ออกแบบมาเฉพาะงาน, การเติม AI เข้าไปใน SoR เดิม, หรือการสร้าง AI ภายในองค์กร

---

เหตุผลที่ตลาดนี้ซ่อนอยู่

• คุณสมบัติสองประการที่ซ่อนตลาด Vertical AI ที่ดีที่สุดเอาไว้ ก็ทำหน้าที่เป็น คูเมืองป้องกัน ของตลาดนั้นพร้อมกัน
• คุณสมบัติแรกคือ workflow grit: สภาพแวดล้อมการทำงานที่ซับซ้อน เต็มไปด้วยการจัดการข้อยกเว้น การผสานระบบเก่า การอนุมัติโดยมนุษย์ การกำกับดูแล และรูปแบบความล้มเหลวที่มีต้นทุนสูง
  • งานที่สะอาดและนิยามชัดเจนนั้นสร้าง เดโม และขายได้ง่าย แต่ทันทีที่ความสามารถเชิงปัญญาถูกย้ายไปใช้ที่อื่นได้ มันก็จะกลายเป็น สินค้าโภคภัณฑ์ (commoditize)
  • งานที่แคบ ความเสี่ยงต่ำ และสอดแทรกเข้ากับระบบเดิมได้ง่าย อาจถูกคู่แข่งลอกฟีเจอร์ ลูกค้าสร้างเอง หรือแม้แต่ ห้องวิจัยแนวหน้าเปิดตัวเองโดยตรง
• เวิร์กโฟลว์ที่มี grit สูงจะปิดกั้นภัยคุกคามทั้งสามแบบ: ห้องวิจัยไม่อยากรับมือกับความซับซ้อนเชิงปฏิบัติการ ลูกค้าขาดความสามารถด้านเทคนิค และคู่แข่งไม่สามารถลัดขั้นตอนได้
• การทำให้ AI ใช้งานได้ในเวิร์กโฟลว์ที่มี grit สูง ต้องทำมากกว่าการเข้าถึงโมเดล: ต้อง จัดโครงสร้างข้อมูลที่ไม่เป็นระเบียบ, ผสานกับระบบเก่า, ออกแบบลูปการอนุมัติ, กำหนดอัตราความผิดพลาดที่ยอมรับได้, และสร้างความไว้วางใจในสภาพแวดล้อมที่ต้นทุนของความผิดพลาดสูง
  • งานเหล่านี้จะค่อย ๆ สะสมอย่างเงียบ ๆ กลายเป็น แผนที่เฉพาะทางของการปฏิบัติการเวิร์กโฟลว์ (proprietary map) ที่ผู้เล่นรายใหม่ไม่สามารถลอกได้เพียงแค่ซื้อโมเดลเดียวกันมาใช้
• ตอนเริ่มต้นผลตอบแทนอาจดูเล็ก แต่เมื่อผ่านงานปฏิบัติการที่ยากนี้ไปได้ ก็จะได้ สิทธิในการขยายไปยังเวิร์กโฟลว์ข้างเคียงและหมวดงบประมาณที่ใหญ่กว่า

กรณีจริง: สินเชื่อรถยนต์ การเคลมสุขภาพ โลจิสติกส์ขนส่งสินค้า

• Salient: สร้าง AI voice agent ที่โทรหาผู้กู้สินเชื่อรถยนต์ที่ค้างชำระ ทำงานภายใต้กฎระเบียบ FDCPA, TCPA และ Reg F ซึ่งเป็นสภาพแวดล้อมที่การละเมิดเพียงครั้งเดียวอาจก่อให้เกิดมาตรการกำกับดูแล
  • AI ต้องนำทางผ่านกฎของรัฐและรัฐบาลกลางที่ซ้อนทับกัน เจรจาการชำระเงินแบบเรียลไทม์ ปฏิบัติตามข้อจำกัดความถี่ของการโทร และส่งต่อไปยังเจ้าหน้าที่มนุษย์เมื่อจำเป็น
  • ต้นทุนการโทรทวงหนี้โดยมนุษย์อยู่ที่ $4~$12 ต่อครั้ง ขณะที่การโทรด้วย AI มีต้นทุนเพียงเศษเสี้ยวของจำนวนนั้น
• Charta Health: ทำงานอัตโนมัติสำหรับ การตรวจทานเวชระเบียนก่อนยื่นเคลม ซึ่งต้องข้ามผ่านกฎของบริษัทประกัน รหัส CPT และรูปแบบการปฏิเสธที่แตกต่างกันตามสาขาเฉพาะทางและพื้นที่
• ในโลจิสติกส์ขนส่งสินค้า HappyRobot, Pallet, และ Augment กำลังสร้าง AI agent ที่จัดการการโทร อีเมล และการอัปเดตผ่านพอร์ทัลจำนวนไม่รู้จบ ซึ่งจำเป็นต่อการประสานงานระหว่างผู้ขนส่ง ผู้ส่งสินค้า และคลังสินค้า
  • การ "โทรหาคนขับรถบรรทุกเพื่อยืนยันสถานะการบรรทุก" อาจดูไม่เหมือนธุรกิจระดับเวนเจอร์ แต่ทุกงานบรรทุกมีจุดสัมผัสแบบแมนนวลนับสิบจุด และอุตสาหกรรมโลจิสติกส์ใช้จ่าย มากกว่า 1 ล้านล้านดอลลาร์ต่อปีในต้นทุนปฏิบัติการที่ไม่ใช่ด้านกายภาพ

คุณสมบัติข้อที่สอง: โครงสร้างตลาด

• เป็นโครงสร้างตลาดที่ กระจัดกระจาย ไปในหมู่ผู้ปฏิบัติงานนับพันราย และผู้ซื้อมี DNA ด้านเทคโนโลยีต่ำ
• ผู้ขาย AI แนวนอนต้องการลูกค้ามูลค่าสูงที่มีความเข้มข้นเพื่อให้เศรษฐศาสตร์การติดตั้งใช้งานคุ้มค่า แต่เมื่อรายได้กระจายอยู่ในธุรกิจขนาดเล็กและกลางนับพันราย ซึ่งแต่ละรายใช้ระบบต่างกันและมีข้อมูลไม่เป็นระเบียบ ผู้เล่นแบบทั่วไปก็ไม่สามารถหาเหตุผลรองรับความพยายามด้าน GTM ได้
• ผู้ประกอบการอสังหาริมทรัพย์ บริษัทบริการภาคสนาม หรือคลินิกฟื้นฟูผู้ป่วยนอก ต่าง ไม่มีศักยภาพทางเทคนิค ที่จะสร้าง AI ระดับ production ภายในองค์กร และมองเทคโนโลยีว่าเป็นสิ่งที่ต้องซื้อ ไม่ใช่สิ่งที่ต้องเป็นเจ้าของ
• ความกระจัดกระจายสร้างช่องว่างให้เข้าไปสร้างระบบ และแนวโน้มการสร้างเองที่ต่ำก็ยิ่งขยายโอกาสนั้น ทำให้มีเวลาในการ สะสมบริบทการปฏิบัติการแบบทบต้น ได้ก่อนใคร

กรณีตัวอย่าง: ตลาดภาษีและบัญชีในสหรัฐฯ

• ตลาดภาษีและบัญชีของสหรัฐฯ เป็นอุตสาหกรรมมูลค่า $145B และมี long tail ของสำนักงาน CPA ราว 46,000 แห่ง โดย 86% ในจำนวนนี้มี พนักงานน้อยกว่า 10 คน
  • ขณะเดียวกันก็มีทั้ง Big Four และสำนักงานระดับประเทศขนาดใหญ่รวมอยู่ด้วย
• Blue J: แพลตฟอร์มวิจัยภาษีที่ขับเคลื่อนด้วย AI ซึ่งสร้าง traction ได้ทั้งสองฝั่ง ปัจจุบันให้บริการ มากกว่า 2,800 องค์กร และการใช้งาน เติบโตมากกว่า 700% เมื่อเทียบกับปีก่อน
• โครงสร้างแบบ long tail ทำให้ตลาดนี้ไม่น่าดึงดูดสำหรับผู้เล่นทั่วไป ขณะที่ workflow grit อย่างกฎหมายภาษีที่ซ้อนทับกัน รูปแบบข้อเท็จจริงที่คลุมเครือ และคำตอบที่ผู้เชี่ยวชาญต้องเอาชื่อเสียงมารับประกัน กลับสร้างจุดเริ่มต้นที่ยั่งยืนได้แม้ในสภาพแวดล้อมผู้ซื้อที่เข้าถึงยาก

การเสริมคูเมืองแบบทบซ้อน

• ความซับซ้อนเชิงปฏิบัติการสร้าง ต้นทุนการเปลี่ยนระบบ (switching costs): หากถอดระบบออก ต้องจ้างคนกลับมาใหม่ สร้างกระบวนการใหม่ และทิ้งบริบทเวิร์กโฟลว์ที่สะสมมาหลายปี
• ความกระจัดกระจายไม่ได้ลดลงไปตามกาลเวลา และผู้ซื้อก็ไม่ได้มี DNA ด้านวิศวกรรมขึ้นมาอย่างฉับพลัน
• เมื่อถึงเวลาที่ OpenAI หรือ Anthropic รับรู้ถึงการมีอยู่ของตลาดนี้ บริบทการปฏิบัติการและฐานการกระจายของระบบแนวตั้งก็ได้สะสมแบบทบต้นมาหลายปีแล้ว

Goldilocks TAM

• เหตุผลที่ตลาด Vertical AI ส่วนใหญ่ซ่อนอยู่ คือผู้คน วัดขนาดตลาดผิด
• วิธีมาตรฐานคือมอง การใช้จ่ายซอฟต์แวร์ ในหมวดนั้นเป็น TAM แต่ในอุตสาหกรรมที่กระจัดกระจายและปฏิบัติการซับซ้อน งบซอฟต์แวร์มักเล็ก
• เกณฑ์ที่ถูกต้องคือจำนวนเงินที่อุตสาหกรรม ใช้จ่ายไปกับงานนั้นโดยตรง: ค่าแรงคนทำงาน ผู้ให้บริการภายนอก เอเจนซี ผู้รับเหมา และงบ ด้านบริการและแรงงาน
• การนิยามใหม่นี้ยังอธิบายด้วยว่าทำไมคู่แข่งที่อันตรายที่สุดจึงมองข้ามตลาด: ถ้ามอง "AI สำหรับการปล่อยเช่าอสังหาริมทรัพย์" ด้วยงบซอฟต์แวร์ มันจะดูเป็นตลาดเฉพาะเกินไปจน ห้องวิจัยแนวหน้าไม่มีเหตุผลจะระดมกำลังเข้ามา
  • แต่ถ้ามองด้วยงบแรงงานและบริการ มันเป็นตลาดขนาดมหึมา และเมื่อจุดนั้นเริ่มชัด ระบบแนวตั้งก็สะสมความได้เปรียบมาหลายปีแล้ว
• เงื่อนไขของ Goldilocks TAM คือ: ใหญ่พอสำหรับผลลัพธ์ระดับเวนเจอร์ แต่พรางตัวอยู่ภายใต้ผิวหน้าซอฟต์แวร์ที่ดูถ่อมตัว ถูกมองข้ามเพราะความซับซ้อนเชิงปฏิบัติการ และสามารถขยายตัวได้อย่างรุนแรงเมื่อสร้างตำแหน่งของระบบสำเร็จแล้ว

จากการช่วยงานสู่การแทนที่งาน

• การขยายตัวเกิดขึ้นเมื่อผลิตภัณฑ์เปลี่ยนจากการ ช่วย งานไปสู่การ ทำงานนั้นแทน
• กรณีบริษัทบริหารจัดการอสังหาริมทรัพย์: จ่าย $30,000 ต่อปี ให้ซอฟต์แวร์ด้านการปล่อยเช่า และจ่าย $300,000 ให้พนักงานด้านการปล่อยเช่า
  • เมื่อผลิตภัณฑ์เริ่มทำงานนั้นแทนได้จริง ก็ไม่ได้ขายเข้าไปที่รายการ $30K แต่เป็น รายการ $300K
  • หากขยายไปครอบคลุมทั้งเวิร์กโฟลว์และการปฏิบัติการ ก็สามารถเข้าถึงงบปฏิบัติการรวม มากกว่า $1M ได้
  • ภายในลูกค้ารายเดิม บริษัทเดิม ขอบเขตการเรียกเก็บเงินสามารถขยายได้ 30 เท่า

กรณีตัวอย่าง: EliseAI

• EliseAI: แพลตฟอร์มบริหารจัดการอสังหาริมทรัพย์ด้วย AI ที่เริ่มต้นจากตลาด proptech ที่ดูจำกัด
  • ระยะแรกเริ่มจากโซลูชันอัตโนมัติด้านการปล่อยเช่าแบบ SKU เดียวที่ ~$50K ACV
  • เมื่อผลิตภัณฑ์ขยายจากการช่วยงานปล่อยเช่าไปสู่การ แทนที่ งานนั้น ก็ขยายต่อไปยังการบำรุงรักษา การเรียกเก็บเงิน และ AI guided tour ครอบคลุมวงจรชีวิตผู้เช่าทั้งหมด
  • ปัจจุบันให้บริการอพาร์ตเมนต์ในสหรัฐฯ 1 ในทุก 8 ยูนิต และผู้จัดการหรือผู้ดำเนินงานอสังหาริมทรัพย์ใช้จ่ายกับแพลตฟอร์มนี้ มากกว่าหลายล้านดอลลาร์
  • บริษัทยังขยายสู่เฮลท์แคร์ และกำลังรุกตลาด ต้นทุนงานธุรการปีละ $600B ด้วย playbook เดียวกัน
• TAM ไม่ได้เติบโตไปพร้อมกับผลิตภัณฑ์ แต่ผลิตภัณฑ์ต่างหากที่ เปิดเผยว่า TAM เดิมทีใหญ่แค่ไหน

เมื่อไปถึงก่อน จะเกิดอะไรขึ้น

• ในตลาดนี้ บริษัท Vertical AI ที่ไปถึงตำแหน่งของระบบได้ก่อน ไม่ได้แค่สร้างธุรกิจขนาดใหญ่ แต่จะ กำหนดวิธีการปฏิบัติการของทั้งอุตสาหกรรมในอีก 10 ปีข้างหน้า
• Anthropic และ OpenAI เป็นภัยคุกคามจริงในชั้นแอปพลิเคชัน แต่ต้องรับมือกับ ลำดับความสำคัญที่ขัดแย้งกัน พร้อมกัน
  • พวกเขาต้องลงทุนต่อเนื่องกับการพัฒนา model frontier และการเพิ่มรายได้ตาม token ก็ยิ่ง ขัดแย้งทางผลประโยชน์กับลูกค้าปลายทาง มากขึ้นเมื่อการใช้ agent ขยายตัว
  • ขณะเดียวกันยังต้องสร้างแอปพลิเคชันคุณภาพสูงแบบปรับแต่งเฉพาะสำหรับแนวตั้งที่แตกต่างกันนับสิบตลาดไปพร้อมกัน
• ในตลาดส่วนใหญ่ Vertical AI ที่ออกแบบเฉพาะงานจะ เอาชนะห้องวิจัยได้ด้วยพลังของการโฟกัสเพียงอย่างเดียว
• อีก 5 ปีข้างหน้าจะเป็นตัวตัดสินว่าแนวทางใดชนะในแต่ละตลาด: แพลตฟอร์มเฉพาะทางที่ขยาย AI wedge ไปสู่ระบบแนวตั้ง, SoR เดิม ที่คงตำแหน่งตลาดไว้ด้วยการเสริม AI ที่ "ดีพอ", หรือ AI ภายในองค์กร ที่สร้างบน Anthropic/OpenAI
• กลยุทธ์สำคัญคือ เลือก จุดเริ่มต้นที่คมและซับซ้อนเชิงปฏิบัติการ ในตลาดที่ดูเล็กเกินไป ขยายไปตลอดทั้งเวิร์กโฟลว์เพื่อได้อำนาจในการควบคุม แทนที่แรงงาน และกลายเป็น ระบบที่ลูกค้าดำเนินงานต่อไปไม่ได้หากไม่มีมัน
• "โมเดลชนะในเดโม, wedge ชนะในไฟลอต, แต่ระบบชนะในตลาด"