โอกาสบลูโอเชียนในเศรษฐกิจเอเจนต์

• ณ ไตรมาส 1 ปี 2026 AI กำลังเปลี่ยนจากอินเทอร์เฟซแบบแชตไปสู่ เอเจนต์ที่ทำงานได้อย่างอัตโนมัติ และความไม่ต่อเนื่องเชิงโครงสร้างนี้กำลังปรับโฉมซอฟต์แวร์องค์กรและภูมิทัศน์การลงทุนอย่างรากฐาน
• โปรโตคอล MCP และ A2A ทำให้ ความได้เปรียบในการแข่งขันด้าน UI ของ SaaS แบบเดิมหมดความหมาย และเปลี่ยนไปสู่โครงสร้างที่เอเจนต์เข้าถึงชั้นข้อมูลโดยตรงเพื่อทำเวิร์กโฟลว์ให้เสร็จสมบูรณ์
• การกำกับดูแลเอเจนต์ แพลตฟอร์มแนวตั้งตามอุตสาหกรรม และ ออร์เคสเตรเตอร์ตามผลงาน กำลังก้าวขึ้นมาเป็น 3 พื้นที่การลงทุนที่เติบโตสูง
• ในสภาพแวดล้อมที่เอเจนต์หลายพันตัวตัดสินใจพร้อมกัน สถาปัตยกรรมการกำกับแบบ Human-on-the-loop พร้อมการทำให้นโยบายเป็นโค้ดและเส้นทางการตรวจสอบ กลายเป็นโครงสร้างพื้นฐานที่ขาดไม่ได้
• ปัจจัยชี้ขาดแพ้ชนะของการเปลี่ยนผ่านนี้ไม่ใช่เทคโนโลยี แต่คือการสร้าง การออกแบบองค์กรและโครงสร้างพื้นฐานด้านธรรมาภิบาล

---

การเปลี่ยนผ่านเชิงโครงสร้างสู่ Agent AI

• AI เชิงพาณิชย์ระลอกแรกในช่วงปี 2022~2025 มีลักษณะ ยึดอินเทอร์เฟซเป็นศูนย์กลาง โดยเป็นโมเดลที่ส่งข้อความกลับมาในหน้าต่างแชต แล้วมนุษย์เป็นผู้ตีความและลงมือทำเอง แม้จะช่วยเพิ่มประสิทธิภาพ แต่ก็ยังไม่สามารถแก้แรงเสียดทานระหว่าง “การรู้” กับ “การลงมือทำ” ได้
• ระลอกที่สองซึ่งเริ่มตั้งแต่ไตรมาส 1 ปี 2026 มีลักษณะ ยึดการปฏิบัติการเป็นศูนย์กลาง โดยเอเจนต์รักษาสถานะข้ามเซสชัน เรียกใช้เครื่องมือผ่าน MCP(Model Context Protocol) มอบหมายงานย่อยให้เอเจนต์เฉพาะทางผ่านโปรโตคอล A2A(Agent-to-Agent) และบรรลุเป้าหมายได้โดยไม่ต้องให้มนุษย์อนุมัติทุกขั้นตอน
• นัยเชิงองค์กรของการเปลี่ยนผ่านนี้เทียบได้กับการเปลี่ยนจากเมนเฟรม→ไคลเอนต์-เซิร์ฟเวอร์ และจาก on-premise→SaaS ขณะที่องค์กรและ VC ที่ตีความผิดว่าเป็นเพียง “AI ที่เร็วขึ้น” ก็จะอยู่ในจุดเดียวกับคนที่เคยอธิบายอินเทอร์เน็ตว่าเป็น “แฟกซ์ที่เร็วขึ้น”

Part I: การหายไปของมิดเดิลแวร์และชั้นนามธรรมของ UI

• กลไกการทำลายล้างหลัก

  • คูเมืองทางการแข่งขันของ SaaS แบบดั้งเดิมครอบคลุม 3 ชั้น ได้แก่ ข้อมูล (สคีมาแบบกรรมสิทธิ์), ลอจิก (กฎเวิร์กโฟลว์), และ อินเทอร์เฟซ (UI) โดยตลอด 20 ปีที่ผ่านมา ความแตกต่างในการแข่งขันเกิดขึ้นที่ Layer 3(UI)
    • เหตุผลที่ Salesforce ชนะ ไม่ใช่เพราะสถาปัตยกรรมฐานข้อมูล แต่เพราะพนักงานขายใช้งานได้จริง
  • MCP ทำลายคูเมืองการแข่งขันของ Layer 3: เมื่อ AI agent เชื่อมต่อกับชั้นข้อมูล CRM โดยตรงเพื่ออ่านสถานะไปป์ไลน์ อัปเดตเรกคอร์ด ทริกเกอร์เวิร์กโฟลว์ และสร้างรายงานโดยไม่ต้องเรนเดอร์ UI อินเทอร์เฟซก็จะกลายเป็นเพียงของประดับ
  • A2A ขจัดการประสานงานที่มีมนุษย์เป็นตัวกลาง: เดิมทีผู้จัดการฝ่ายปฏิบัติการการขายต้องย้ายข้อมูลและการตัดสินใจระหว่าง CRM ระบบบิลลิง ERP และระบบอัตโนมัติการตลาดด้วยมือ แต่ในสภาพแวดล้อม A2A เอเจนต์ออร์เคสเตรเตอร์จะสร้างเอเจนต์ด้านบิลลิง CRM และสัญญา แล้วส่งต่อคอนเท็กซ์แบบมีโครงสร้างเพื่อจัดการงานให้สำเร็จ

• โมเดลธุรกิจที่อยู่ในภาวะเสี่ยง

  • SaaS แบบ “UI-for-a-Database”: หมายถึงบริษัทที่คุณค่าหลักคืออินเทอร์เฟซที่ออกแบบมาดีซึ่งครอบอยู่บนข้อมูล เช่น เครื่องมือบริหารโครงการที่ไม่มี network effect ของข้อมูลแบบกรรมสิทธิ์, CRM พื้นฐานที่มีคูเมืองจากการผสานระบบตื้น ๆ, และแพลตฟอร์ม ITSM แบบ legacy
  • สัญญาณที่ต้องจับตา: คือจังหวะที่ผู้ซื้อฝั่งองค์กรเริ่มถามว่า “มี MCP server ไหม” แทนที่จะถามว่า “มีแอปมือถือไหม” ซึ่งสำหรับผู้ซื้อด้านเทคนิค เรื่องนี้เกิดขึ้นแล้วในปี 2025 และจะไปถึงคณะกรรมการจัดซื้อในช่วง 2026~2027
  • ข้อยกเว้น: SaaS ที่มี data network effect จริง เช่น LinkedIn, Veeva, Toast ยังคงรักษาคูเมืองเชิงโครงสร้างไว้ได้ เพราะเอเจนต์ยังต้องใช้ข้อมูล เพียงแต่เปลี่ยนวิธีเข้าถึง ภัยคุกคามจึงมุ่งไปที่ผู้เก็บค่าเช่าอินเทอร์เฟซ ไม่ใช่ผู้ถือครองสินทรัพย์ข้อมูล

Part II: รายการธุรกิจขาลง — ธุรกิจ 5 ประเภทที่เผชิญการถดถอยเชิงโครงสร้างภายในปี 2027

• 1. แพลตฟอร์มสนับสนุนลูกค้าระดับ Tier 1 (SaaS สำหรับส่งต่อทิกเก็ตล้วน ๆ)

  • คุณค่าหลักก่อนปี 2026: การจัดระเบียบและ ส่งต่อ ทิกเก็ตซัพพอร์ตที่มนุษย์เป็นผู้ตอบ
  • Agent AI ไม่ได้ส่งต่อทิกเก็ต แต่ แก้ปัญหาโดยตรง ไม่ว่าจะเป็นการค้นหา การคืนเงิน การ escalations หรือการติดตามผล โดยใน 70~80% ของเคสไม่จำเป็นต้องมีมนุษย์อยู่ในลูป
  • แพลตฟอร์มที่ไม่สามารถครอบครองชั้นการแก้ปัญหาได้ จะกลายเป็น ท่อเปล่า
  • ไทม์ไลน์ที่คาดการณ์: 2025~2026

• 2. ผู้ให้บริการ RPA แบบ legacy (ระบบอัตโนมัติที่อิงสคริปต์)

  • คุณค่าหลักก่อนปี 2026: ทำงานซ้ำ ๆ ของมนุษย์ให้เป็นอัตโนมัติ ผ่านบอตที่ใช้สคริปต์
  • RPA ถูกออกแบบมาสำหรับ การทำตามกฎ ในสภาพแวดล้อมที่เสถียร ขณะที่ Agent AI รับมือสถานการณ์ยกเว้นด้วยการให้เหตุผล ซึ่งนี่คือสถานการณ์ที่ RPA ล้มเหลวพอดี และต้องใช้การแทรกแซงของมนุษย์ที่มีต้นทุนสูงหรือการเขียนสคริปต์ใหม่
  • ความท้าทายของ UiPath: ผลิตภัณฑ์ของพวกเขาคือ ทางอ้อมอันประณีตเพื่อชดเชยการขาดความสามารถในการให้เหตุผล และการขาดนั้นกำลังสิ้นสุดลง
  • ไทม์ไลน์ที่คาดการณ์: 2025~2027

• 3. เอเจนซี SDR-as-a-Service (เอาต์ซอร์สการสร้างลีดและคัดกรองคุณสมบัติ)

  • คุณค่าหลักก่อนปี 2026: การหาลูกค้าเป้าหมายเชิงรุกและการคัดกรองแบบ BANT โดยใช้มนุษย์เป็นกำลังหลัก
  • เอเจนต์สามารถทำรีเสิร์ชผู้มุ่งหวัง ทำ outreach แบบเฉพาะบุคคล รันลำดับการติดต่อหลายครั้ง จัดการ FAQ สำหรับข้อโต้แย้ง และนัดหมายประชุมได้ด้วย ต้นทุนส่วนเพิ่มแทบเป็นศูนย์
  • คุณค่าของมนุษย์ที่ยังเหลืออยู่ เช่น ความละเอียดอ่อนของความสัมพันธ์ และการอ่านเกมผู้มีส่วนได้ส่วนเสียหลายฝ่ายที่ซับซ้อน จะไปอยู่กับ AE(Account Executive) ไม่ใช่ SDR
  • ไม่ใช่ “AI ช่วย SDR” แต่เป็น “บทบาท SDR เองกลายเป็นการตั้งค่าเอเจนต์”
  • ไทม์ไลน์ที่คาดการณ์: 2025~2026

• 4. ที่ปรึกษา ETL และการผสานข้อมูลแบบแมนนวล (ที่ไม่เป็นกรรมสิทธิ์)

  • คุณค่าหลักก่อนปี 2026: การเชื่อมระบบและ เคลื่อนย้ายข้อมูล ระหว่างแอปพลิเคชันองค์กร
  • เมื่อ MCP มอบ อินเทอร์เฟซมาตรฐานที่เอเจนต์อ่านได้ สำหรับแหล่งข้อมูล งานผสานระบบแบบสั่งทำจะถูกทำให้เป็นสินค้าโภคภัณฑ์อย่างรวดเร็ว
  • ตลาดที่เหลืออยู่จะมีเพียง งานกับระบบ legacy แบบ edge case เท่านั้น และกำลังหดตัว ไม่ใช่เติบโต
  • ไทม์ไลน์ที่คาดการณ์: 2026~2027

• 5. ผู้สร้างแดชบอร์ด BI (ที่ไม่มีชั้นบทสนทนาหรือเอเจนต์)

  • คุณค่าหลักก่อนปี 2026: ทำข้อมูลให้เห็นภาพ เพื่อให้นักวิเคราะห์ที่เป็นมนุษย์ตีความ
  • เมื่อทำให้นักวิเคราะห์สามารถถามเป็นภาษาธรรมชาติและรับคำตอบแบบสังเคราะห์ที่มีแหล่งอ้างอิงได้ ตามต้องการ โดยไม่ต้องรอรอบรีเฟรช แดชบอร์ดในฐานะผลิตภัณฑ์ ก็จะสูญเสียความได้เปรียบ
  • คูเมืองจะย้ายจากการทำภาพข้อมูลไปสู่ data pipeline และ query layer อย่างสมบูรณ์ และบริษัทที่ไม่ได้เป็นเจ้าของโครงสร้างพื้นฐานข้อมูลต้นทาง ก็เท่ากับกำลังขาย “วอลเปเปอร์ราคาแพง”
  • ไทม์ไลน์ที่คาดการณ์: 2026~2028

Part III: เอเจนต์อัลฟา — 3 เซกเตอร์การเติบโตสูงหลัก

• 1. โครงสร้างพื้นฐานด้านธรรมาภิบาลและคอมพลายแอนซ์สำหรับเอเจนต์

  • ในโลกที่ AI agent สามารถทำสัญญากับผู้ขายมูลค่า 500,000 ดอลลาร์ จัดสรร cloud infrastructure และโอนเงินผ่านโทรเลขโดยไม่มีมนุษย์เข้ามาแทรกแซง ความรับผิดชอบกลายเป็นโครงสร้างพื้นฐานหลัก
  • สถาปัตยกรรมทางกฎหมายและเทคนิคในปัจจุบันถูกออกแบบบนสมมติฐานว่ามนุษย์เป็นผู้ลงมือกระทำและบันทึก แต่ในสภาพแวดล้อมแบบ agent เต็มรูปแบบ สมมติฐานนี้จะพังทลายทั้งหมด
  • ตลาดที่กำลังก่อเกิด:
    • โปรโตคอลตัวตนและสิทธิ์ของเอเจนต์: เข้ารหัสระบบที่เอเจนต์เข้าถึงได้ วงเงินธุรกรรม และการจัดประเภทข้อมูลไว้ใน credential ที่ลงนามแบบเข้ารหัส — เทียบได้กับใบรับรอง PKI สำหรับสิทธิ์ในการตัดสินใจอัตโนมัติ
    • เส้นทางตรวจสอบเอเจนต์แบบไม่เปลี่ยนแปลง: การทำ logging แบบเรียลไทม์และป้องกันการปลอมแปลงของ chain of reasoning การเรียกใช้เครื่องมือ และจุดตัดสินใจของเอเจนต์ เมื่อเอเจนต์ตัดสินใจจัดซื้อผิดพลาด ทีมกฎหมายของ CFO ต้องสามารถสร้าง chain of managerial continuity ขึ้นมาใหม่ได้ มีบทบาทแบบเดียวกับที่ผู้ให้บริการ SIEM ครองอยู่ในตลาด cybersecurity
    • เอเจนต์คอมพลายแอนซ์อัตโนมัติ: meta layer ที่คอยมอนิเตอร์เอเจนต์ตัวอื่นแบบเรียลไทม์ เพื่อตรวจจับการละเมิดข้อบังคับ เช่น การประมวลผลข้อมูลตาม GDPR ขอบเขตข้อมูลสาระสำคัญของ SEC และการควบคุมการเข้าถึงตาม HIPAA เป็นทั้งความย้อนแย้งและโอกาสที่ต้องใช้เอเจนต์เพื่อกำกับดูแลเอเจนต์
    • การรับประกันภัยสำหรับเอเจนต์: ตลาดระยะเริ่มต้นสำหรับรับความเสี่ยงทางการเงินจากข้อผิดพลาดของเอเจนต์อัตโนมัติ ซึ่งประกัน E&O แบบเดิมยังรองรับได้ไม่ดี
  • เงื่อนไขของผู้ชนะ: ไม่ใช่บริษัท AI ที่เพียงเพิ่มฟีเจอร์ธรรมาภิบาลเข้าไป แต่เป็น สตาร์ทอัพที่มีรากฐานอยู่บนโครงสร้างพื้นฐานด้านตัวตน และบริษัท regulatory-native ที่มีความสัมพันธ์เดิมในด้านคอมพลายแอนซ์ของบริการการเงิน
  • สัญญาณสำหรับ VC: บริษัทที่สามารถพูดได้อย่างน่าเชื่อถือว่า "Fortune 500 จะนำเอเจนต์ขึ้น production ไม่ได้หากไม่มีผลิตภัณฑ์ของเรา" อยู่ในหมวด การใช้จ่ายที่หลีกเลี่ยงไม่ได้

• 2. แพลตฟอร์ม enabling สำหรับเอเจนต์แนวตั้ง

  • แม้ประสิทธิภาพของโมเดลพื้นฐานแบบทั่วไป (GPT-5, Claude, Gemini) จะดีขึ้น แต่ยังมีเพียงบริบทแบบทั่วไป และในอีก 5 ปีข้างหน้า คูเมืองการแข่งขันจะไม่ได้มาจากการใช้โมเดลตัวไหน แต่อยู่ที่ บริบทเฉพาะโดเมน เครื่องมือ และโครงสร้างพื้นฐานคอมพลายแอนซ์ ที่วางอยู่บนโมเดล
  • เพราะ ความเร็วของการกลายเป็นสินค้าโภคภัณฑ์ ของประสิทธิภาพโมเดลเกิดขึ้นเร็วกว่าที่คาด กลยุทธ์แบบ “pick-and-shovel” นี้จึงมีความสามารถในการป้องกัน
  • 3 กรณีตัวอย่างแนวตั้ง:
    • การ enable เอเจนต์ด้านเฮลท์แคร์: ต้องการการประมวลผลข้อมูลที่สอดคล้องกับ HIPAA การบูรณาการมาตรฐาน HL7/FHIR guardrail สำหรับช่วยตัดสินใจทางคลินิกที่ตอบโจทย์กรอบกำกับดูแลของ FDA และโครงสร้างความรับผิดที่เหมาะกับบริบททางการแพทย์ การที่บริษัท AI ทั่วไปนำ Claude API key ไปใส่ในโรงพยาบาลไม่ใช่ผลิตภัณฑ์ ส่วนบริษัทที่สร้าง compliance wrapper, ชั้นเชื่อมต่อ EHR และ guardrail ที่รับรู้ความรับผิดต่างหากที่กำลังสร้างผลิตภัณฑ์
    • การ enable เอเจนต์ด้านกฎหมาย: ความรู้ขั้นตอนตามเขตอำนาจศาล การเชื่อมต่อกับระบบยื่นต่อศาล โปรโตคอลคุ้มครอง privilege และข้อกำหนดคอมพลายแอนซ์ของสภาทนายความ กลายเป็นอุปสรรคการเข้าสู่ตลาดเชิงโครงสร้าง เอเจนต์ที่สามารถร่าง ตรวจทาน และยื่นเอกสารกฎหมายภายในกรอบธรรมาภิบาลที่ผ่านมาตรฐาน medical malpractice คือแพลตฟอร์มแนวตั้งที่ป้องกันได้
    • การ enable เอเจนต์ด้านบริการการเงิน: guardrail การให้เหตุผลระดับ fiduciary การตรวจสอบข้อจำกัดด้านกำกับดูแลแบบเรียลไทม์ (Reg NMS, Basel III, FINRA) และเส้นทางตรวจสอบธุรกรรมแบบไม่เปลี่ยนแปลง เปลี่ยนการใช้งานเอเจนต์จากภาระความรับผิดเป็น workflow ที่ compliant หากเจาะกลุ่มสถาบันการเงินขนาดกลางที่เล็กเกินกว่าจะสร้างเองได้ ก็มีโอกาสจับมูลค่าการแทนที่ SaaS ได้มาก
  • โมเดลธุรกิจไม่ใช่งานคอนซัลต์ แต่เป็น แพลตฟอร์ม: data connector ที่รองรับเอเจนต์ middleware สำหรับบังคับใช้คอมพลายแอนซ์ เทมเพลตเอเจนต์ที่ฝังความเชี่ยวชาญเฉพาะโดเมน และการบำรุงรักษาอย่างต่อเนื่องตามการเปลี่ยนแปลงด้านกฎระเบียบ รายได้ประจำ ต้นทุนการย้ายสูง และคูเมืองจากความเชี่ยวชาญจริง

• 3. โมเดล orchestrator: Outcome-as-a-Service

  • เป็น โมเดลธุรกิจที่พลิกโครงสร้างมากที่สุด ที่เกิดจากการเปลี่ยนผ่านสู่เอเจนต์ และแม้จะดูคล้าย outsourcing บนผิวเผิน แต่ก็แตกต่างกันโดยสิ้นเชิงในเชิงหมวดหมู่
  • โมเดลดั้งเดิม: software license → การจัดคนเข้าทำงาน → รับความเสี่ยงในการดำเนินการไว้เอง
  • โมเดล orchestrator: ซื้อผลลัพธ์ที่การันตีได้ โดย orchestrator เป็นเจ้าของฝูงเอเจนต์เฉพาะทาง ทำหน้าที่ประสานงาน มอนิเตอร์ และจัดการข้อยกเว้น และคิดค่าบริการตามการส่งมอบผลลัพธ์ที่สำเร็จ ไม่ใช่ตาม seat license หรือปริมาณการใช้งาน
  • ตัวอย่างที่เป็นรูปธรรม:
    • การ orchestration ด้านการสรรหาบุคลากร: แทนที่จะจ่าย 20% ของเงินเดือนให้ recruiter ก็จ่ายค่าธรรมเนียมตามผลงานของการจ้างที่มีคุณสมบัติเหมาะสม พร้อม SLA ด้านระยะเวลาในการจ้างและการรับประกันการหาคนแทน โดย orchestrator เป็นผู้ดูแลเอเจนต์สำหรับ sourcing, screening, scheduling และ evaluation
    • การ orchestration ด้าน RevOps: แทนที่จะใช้ CRM license + ทีม SDR + marketing automation + บุคลากร RevOps ก็จ่ายค่าบริการรายเดือนสำหรับ SLA ของ qualified meeting
    • การ orchestration ด้านการมอนิเตอร์คอมพลายแอนซ์: แทนที่จะมีทีมคอมพลายแอนซ์ + ซอฟต์แวร์มอนิเตอร์ + สัญญาตรวจสอบบัญชี ก็ใช้โครงสร้างพื้นฐานเอเจนต์ที่ทำงานต่อเนื่องเพื่อการันตี SLA แบบ “ไม่มีการละเมิดกฎระเบียบร้ายแรงเลย”
  • จุดต่างเชิงโครงสร้างคือ การโอนย้ายความเสี่ยง: ในโมเดล SaaS เมื่อซอฟต์แวร์ทำงานได้ ความเสี่ยงของผู้ขายก็จบลง แต่ในโมเดล orchestrator ความเสี่ยงขยายไปจนถึงผลลัพธ์ จึงต้องมีไม่เพียงความสามารถทางเทคนิค แต่ยังต้องมี ความสามารถในการปฏิบัติการ ด้วย และเป็นโครงสร้างที่คัดเลือกผู้ปฏิบัติการ ไม่ใช่แค่ผู้สร้าง
  • ภัยคุกคามจากบริษัทเดิม: Accenture, McKinsey และบริษัท SI รายใหญ่กำลังเคลื่อนไปในทิศทางนี้ และหน้าต่างเวลาที่ AI-native orchestrator จะช่วงชิงความได้เปรียบก่อนที่ความได้เปรียบด้านขนาดจะสะสมกลับไปยังผู้เล่นเดิมมีเพียง 18–36 เดือน

Part IV: ช่องว่างด้านความเชื่อถือและธรรมาภิบาล — การแก้ปัญหา principal-agent ในระดับมหาศาล

• ปัญหาเชิงโครงสร้าง

  • ใน ทฤษฎี principal-agent แบบคลาสสิก (ความตึงเครียดระหว่าง principal ผู้มอบหมายกับ agent ผู้ลงมือปฏิบัติ) องค์กรของมนุษย์ทุ่มทรัพยากรจำนวนมากไปกับสัญญาจ้าง การบริหารผลงาน ลำดับชั้นการกำกับดูแล และฝ่ายคอมพลายแอนซ์
  • เศรษฐกิจเอเจนต์สร้าง ปัญหา principal-agent ที่เกิดขึ้นด้วยความเร็วและขนาดของเครื่องจักร: บริษัทเดียวอาจปฏิบัติการ AI agent หลายพันตัวพร้อมกัน โดยแต่ละตัวตัดสินใจระดับจุลภาค สร้างความเสี่ยงทางกฎหมาย และอาจเป็นตัวแทนบริษัทต่อบุคคลภายนอกได้ แต่กลับยังไม่มีโครงสร้างพื้นฐานกำกับดูแลรองรับ

• การเปลี่ยนจาก Human-in-the-Loop ไปสู่ Human-on-the-Loop

  • Human-in-the-loop คือสถาปัตยกรรมความปลอดภัยของคลื่นแรกที่มนุษย์ต้องอนุมัติทุกการกระทำสำคัญของ AI แต่ใน execution engine ที่เวิร์กโฟลว์ของเอเจนต์เดี่ยวตัดสินใจได้ 50 ครั้งใน 30 วินาที มันไม่สามารถขยายได้ในเชิงปฏิบัติการ
  • Human-on-the-loop คือสถาปัตยกรรมที่มนุษย์ทำหน้าที่กำหนดนโยบาย กำหนดขอบเขตอำนาจ ตรวจสอบคิวข้อยกเว้น และตรวจสอบผลลัพธ์ แต่ไม่ใช่ผู้ร่วมลงนามในทุกการกระทำ ซึ่งต้องการสิ่งต่อไปนี้:
    • Policy-as-code: เข้ารหัสขีดจำกัดของสิทธิ์ในรูปแบบที่เครื่องอ่านได้ และบังคับใช้ในระดับเอเจนต์
    • การ route ข้อยกเว้น: เอเจนต์ที่รับรู้ได้ว่ากำลังออกนอกขอบเขตอำนาจ และหยุดเพื่อรอการตรวจสอบโดยมนุษย์
    • การมอนิเตอร์ผลลัพธ์: การสุ่มตัวอย่างทางสถิติและการตรวจจับความผิดปกติกับสตรีมพฤติกรรมของเอเจนต์
    • การติดตามความรับผิด: บันทึกที่สามารถสร้างใหม่ได้ว่าเหตุใดเอเจนต์จึงกระทำการนั้น มีบริบทใดอยู่ในมือ และใช้นโยบายใด

• หมวดหมู่ตลาดใหม่

  • บริษัทตรวจสอบเอเจนต์: เมื่อกรอบกำกับดูแลเริ่มสุกงอม เช่น ข้อกำหนดสำหรับระบบ AI ความเสี่ยงสูงใน EU AI Act ก็จะต้องมีการรับรองจากบุคคลที่สามต่อแนวปฏิบัติด้านธรรมาภิบาลของเอเจนต์ ซึ่งจะกลายเป็น ตลาดแบบ SOC 2 สำหรับ agent AI — คาดว่าจะเป็นสิ่งจำเป็นในอุตสาหกรรมที่ถูกกำกับดูแลภายใน 24 เดือน
  • แพลตฟอร์มนโยบายเอเจนต์: เครื่องมือด้านธรรมาภิบาลสำหรับกำหนด จัดการเวอร์ชัน บังคับใช้ และตรวจสอบนโยบายสิทธิ์ของเอเจนต์ เทียบได้กับ IAM ของ cloud security บริษัทที่สร้าง “Okta สำหรับสิทธิ์ของเอเจนต์” จะครองตำแหน่งโครงสร้างพื้นฐานที่ขาดไม่ได้
  • เครือข่ายความเชื่อถือระหว่างองค์กรสำหรับเอเจนต์: เมื่อเอเจนต์ของบริษัท A และบริษัท B ต้องโต้ตอบกันเพื่อทำธุรกรรมให้เสร็จสิ้น (เช่น การเจรจาระหว่าง AI procurement agent กับ AI sales agent) ยังไม่มีโครงสร้างพื้นฐานความเชื่อถือที่ตั้งมั่นอยู่ จึงต้องมีโปรโตคอลที่เป็นการขยายตัวระยะแรกของ A2A เกี่ยวกับ credential ที่แต่ละเอเจนต์ถืออยู่ วิธีตรวจสอบสิทธิ์ของเอเจนต์ฝั่งตรงข้าม ฯลฯ และจะเกิดบทบาทของ trust intermediary ที่เทียบได้กับหน่วยงานออกใบรับรองในระบบนิเวศ SSL

Part V: Buy / Hold / Sell — คู่มือ VC สำหรับภูมิทัศน์เอเจนต์ปี 2026

• BUY — ความเชื่อมั่นสูง

  • โครงสร้างพื้นฐานด้านการกำกับดูแลและตัวตนของเอเจนต์: เป็นค่าใช้จ่ายที่จำเป็นสำหรับทุกบริษัทที่นำเอเจนต์ไปใช้งานจริงในโปรดักชัน และแรงกดดันด้านกฎระเบียบก็มีอยู่จริงและกำลังเร่งตัว บริษัทที่แก้ปัญหาเรื่องตัวตนเอเจนต์แบบเข้ารหัส การกำหนดขอบเขตสิทธิ์ และบันทึกการตรวจสอบที่แก้ไขไม่ได้ อยู่ในหมวด "ไม่มีสิ่งนี้ก็เปิดตัวไม่ได้" ให้จับตาทีมที่มีพื้นฐานด้าน PKI·IAM·เทคโนโลยีด้านการปฏิบัติตามข้อกำหนดทางการเงิน
  • แพลตฟอร์มเปิดใช้งานเอเจนต์แนวดิ่งสำหรับอุตสาหกรรมที่มีการกำกับดูแล: เฮลท์แคร์·กฎหมาย·บริการทางการเงิน มี TAM ใหญ่ที่สุดและมีคูเมืองด้านคอมพลายแอนซ์ที่ลึก บริษัทที่สร้างโครงสร้างพื้นฐานเอเจนต์เฉพาะโดเมนจะมีต้นทุนการเปลี่ยนระบบที่เทียบได้กับระบบ EHR แบบเลกาซีหรือระบบ core banking คำถามสำคัญในการตรวจสอบสถานะคือ: ทีมผู้ก่อตั้งมี ความน่าเชื่อถือในโดเมน หรือไม่ หรือเป็นแค่วิศวกร AI ที่เปิดแท็บรีเสิร์ชทิ้งไว้
  • Outcome-as-a-Service orchestrator ที่มี unit economics พิสูจน์แล้ว: หมวดหมู่นี้มาถูกทางแล้ว แต่มีความกระจัดกระจายสูง จุดโฟกัสในการตรวจสอบสถานะคือความสามารถด้านปฏิบัติการ — จะเกิดอะไรขึ้นเมื่อเอเจนต์ล้มเหลว จัดการข้อยกเว้นอย่างไร และคำมั่นสัญญา SLA มี economics ที่ป้องกันได้หรือไม่ บริษัทที่แก้ปัญหา วินัยด้านปฏิบัติการ ของการส่งมอบผลลัพธ์ได้ จะเติบโตเป็นยักษ์ใหญ่ด้านบริการวิชาชีพยุคถัดไป
  • เครื่องมือ MCP/A2A และโครงสร้างพื้นฐานสำหรับนักพัฒนา: การยอมรับโปรโตคอลจะสร้างความต้องการด้านเครื่องมือ และบริษัทที่สร้างชั้นประสบการณ์นักพัฒนา การสังเกตการณ์ และการเพิ่มประสิทธิภาพสำหรับเวิร์กโฟลว์ MCP·A2A จะอยู่ในตำแหน่ง ผู้ขายอุปกรณ์ทำเหมือง ในการแข่งขันเพื่อยึดหัวหาดโปรโตคอล แม้การรวมโปรโตคอลจะเกิดขึ้นในที่สุด แต่ผู้ชนะจะกลายเป็นรากฐานของโครงสร้างพื้นฐาน

• HOLD — รอดูท่าที

  • แพลตฟอร์มคลาวด์หลัก (AWS, Azure, GCP): จะได้ส่วนแบ่งค่าใช้จ่ายด้านโครงสร้างพื้นฐานเอเจนต์ในชั้นสินค้าโภคภัณฑ์อย่างคอมพิวต์ การโฮสต์โมเดล และสตอเรจ แต่ชั้นมูลค่าเพิ่มจะถูกคู่แข่งเฉพาะทางแย่งไป คงสถานะเดิมไว้ แต่เฝ้าดูว่าบริการแบบ agent-native (Amazon Bedrock Agents, Azure AI Studio) จะสร้างแรงดึงในองค์กรได้หรือจะถูกทำลายจากด้านล่าง
  • ซอฟต์แวร์องค์กรเดิมที่มี narrative การ pivot ไปสู่เอเจนต์ (Salesforce, ServiceNow, Workday): มีเครือข่ายการจัดจำหน่าย ความสัมพันธ์ด้านข้อมูล และความเชื่อมั่นระดับองค์กร แต่ความเสี่ยงคือความอนุรักษนิยมด้านสถาปัตยกรรมและหนี้จากการบูรณาการ จับตาสัญญาณของความสามารถเอเจนต์ที่แท้จริงภายในไตรมาส 3 ปี 2026 (ไม่ใช่ฟีเจอร์ AI wrapper) หากยืนยันได้ให้เลื่อนจาก hold เป็น buy แต่ถ้ายังขายแค่ "AI copilot" ก็ให้ sell
  • ผู้ให้บริการ foundation model (ยกเว้นผู้นำด้านวิจัย frontier): การกลายเป็นสินค้าโภคภัณฑ์ของประสิทธิภาพโมเดลกำลังเกิดขึ้นเร็วกว่าแค่การปรับโมเดลราคา และกลุ่มระดับกลาง — โมเดลที่ดีมากแต่ไม่ดีที่สุด — กำลังเผชิญแรงบีบอัด รักษาสถานะของผู้นำ frontier ไว้ แต่ผู้เล่นชั้นสองกำลังอยู่ในสถานการณ์ที่อธิบายคุณค่าได้ยาก

• SELL — ถอนตัวหรือหลีกเลี่ยง

  • บริษัท SaaS UI ล้วนที่ไม่มีคูเมืองจากข้อมูลเฉพาะ: หากผลิตภัณฑ์หลักคือ "อินเทอร์เฟซที่ออกแบบมาดีสำหรับข้อมูลที่มีอยู่ที่อื่น" ภัยคุกคามจากการถูก MCP bypass เป็นระดับเชิงอัตถิภาวนิยมและมีไทม์ไลน์สั้น คำถามสำหรับแต่ละบริษัทคือ: หากแทนที่ UI ด้วยเอเจนต์ที่คุยกับฐานข้อมูลโดยตรง ลูกค้าจะสูญเสียอะไร? ถ้าคำตอบคือ "ส่วนใหญ่ก็แค่ความคุ้นชิน" ก็ให้ sell
  • ผู้จำหน่ายแพลตฟอร์ม RPA แบบเลกาซี: เทคโนโลยีพื้นฐานกำลังถูกทำลายโดยสิ่งที่เหนือกว่าในเชิงสถาปัตยกรรม ความสัมพันธ์กับลูกค้าและช่องทางจัดจำหน่ายอาจยังมีมูลค่า แต่ต้องเร่ง M&A โดยบริษัท AI เอเจนต์ วิทยานิพนธ์การลงทุนใน RPA เลกาซีแบบสแตนด์อโลนกำลังมี runway ที่แย่ลง
  • บริษัทผลิตภัณฑ์ AI แบบ "ตอบสนองอย่างเดียว": บริษัทที่คุณค่าทั้งหมดของข้อเสนอคือการสร้างข้อความตอบกลับ โดยไม่มีความสามารถในการลงมือทำ การเชื่อมต่อเครื่องมือ หรือการทำเวิร์กโฟลว์ให้จบครบ กำลังขาย AI คลื่นแรกอยู่ในคลื่นลูกที่สอง หมวดผลิตภัณฑ์ยังมีคุณค่า แต่ไม่ใช่ในฐานะบริษัทอิสระ ไม่ใช่การลงทุนเพื่อการเติบโต แต่เป็น เป้าหมายเพื่อเข้าซื้อบุคลากร
  • บริษัทที่ปรึกษา AI chatbot แบบทั่วไป: บริษัทที่โมเดลธุรกิจคือ "เราจะสร้าง ChatGPT wrapper ให้คุณ" มีหน้าต่างโอกาสอย่างมากสุดเพียง 12 เดือน เท่านั้น เพราะความสามารถในการติดตั้ง conversational AI กำลังกลายเป็นสินค้าโภคภัณฑ์ในอัตราที่ไม่มีมาร์จินของงานที่ปรึกษาใดรับไหว

วิทยานิพนธ์สรุป

• ข้อมูลเชิงลึกเชิงกลยุทธ์ที่ชี้ขาดผู้ชนะผู้แพ้ในการเปลี่ยนผ่านครั้งนี้ไม่ใช่เรื่องทางเทคนิค แต่เป็นเรื่อง สถาปัตยกรรม และองค์กรกับนักลงทุนที่เข้าใจว่า AI เอเจนต์เป็นปัญหา การออกแบบองค์กร พอๆ กับที่เป็นปัญหาทางเทคนิค จะยึดครองตำแหน่งที่ถูกต้องได้
• การเปลี่ยนจาก Human-in-the-loop ไปสู่ Human-on-the-loop ไม่ได้หมายถึงการเอามนุษย์ออกจากการตัดสินใจ แต่เป็นการย้ายมนุษย์ ขึ้นไปอยู่สูงกว่าใน abstraction stack จากการอนุมัติการกระทำรายครั้ง ไปสู่การออกแบบนโยบาย โครงสร้างสิทธิ์ และกรอบข้อยกเว้นที่กำกับการกระทำอัตโนมัตินับพันรายการ
• บริษัทที่กำลังสร้างฐานเหล่านี้ — เครื่องมือกำกับดูแล โครงสร้างพื้นฐานคอมพลายแอนซ์แนวดิ่ง และการปฏิบัติการเพื่อส่งมอบผลลัพธ์ — คือผู้ที่กำลังก่อ ผนังรับน้ำหนัก ของยุคถัดไปของเทคโนโลยีองค์กร ส่วนที่เหลือทั้งหมดเป็นเพียงงานตกแต่งภายใน