ดาร์กมาร์เก็ตเพลส - อนาคตของคอมเมิร์ซที่ AI เอเจนต์เป็นผู้ทำธุรกรรมแทน

• แนวคิดของ 'ดาร์กมาร์เก็ตเพลส' ที่ AI เอเจนต์ค้นหาสินค้า ต่อรองราคา และดำเนินการซื้อได้ด้วยตนเองแทนมนุษย์ กำลังก้าวขึ้นมาเป็นพาราไดม์ถัดไปของ B2B คอมเมิร์ซ
• ในการทดลอง Project Deal ของ Anthropic เมื่อพนักงาน 69 คนมอบหมายให้ AI เอเจนต์เป็นผู้จัดการการซื้อขาย พบว่าเกิดธุรกรรมจริง 186 รายการ มูลค่ารวมมากกว่า 4,000 ดอลลาร์ และแม้ผู้เข้าร่วมที่ใช้โมเดลทรงพลังกว่าจะได้ผลลัพธ์ที่ดีกว่าอย่างเป็นรูปธรรม แต่ผู้ใช้โมเดลที่อ่อนกว่ากลับ ไม่รับรู้ว่าเอเจนต์ของตนมีประสิทธิภาพต่ำกว่า
• โจทย์สำคัญของการทำธุรกรรมแบบอัตโนมัติไม่ใช่แค่การค้นหาหรือ natural language UI แต่คือการทำ judgment abstraction โดยสกัดความสามารถในการตัดสินใจแบบแฝงและอิงบริบทของผู้ซื้อที่มีประสบการณ์ แล้วเข้ารหัสให้เอเจนต์
• B2B มีโครงสร้างที่ เหมาะกับ judgment abstraction มากกว่าคอนซูเมอร์คอมเมิร์ซอย่างมาก เพราะรูปแบบการจัดซื้อมีลักษณะซ้ำเดิม อิงนโยบาย และขับเคลื่อนด้วยมาร์จิน
• ในดาร์กมาร์เก็ตเพลส คูเมือง (moat) ที่แท้จริงไม่ใช่ UI แต่คือข้อมูลการตัดสินใจที่สะสมแยกตามผู้ใช้ และบริษัทที่เก็บข้อมูลนี้ได้ลึกที่สุดมีแนวโน้มสูงที่จะสร้างมาร์เก็ตเพลสยุคใหม่มูลค่าหลายแสนล้านดอลลาร์

---

การทดลอง Project Deal ของ Anthropic

• ในการทดลอง Project Deal ที่ Anthropic จัดขึ้นตลอดหนึ่งสัปดาห์ในสำนักงานซานฟรานซิสโก พนักงาน 69 คนได้นำของใช้ส่วนตัว เช่น สโนว์บอร์ด เก้าอี้สำนักงาน และลูกปิงปอง มาลงขายในตลาดสินค้ามือสองที่ AI เอเจนต์เป็นผู้ดำเนินการทั้งหมด
• การเจรจา การยื่นข้อเสนอสวนกลับ และการซื้อขายทั้งหมดถูกจัดการโดย โมเดล Claude ซึ่งทำหน้าที่เป็นตัวแทนของผู้เข้าร่วมแต่ละคน โดยผู้เข้าร่วมไม่ได้กรอกราคาเองหรือเข้าไปไล่ดูรายการสินค้า
• ผลลัพธ์คือเกิด ธุรกรรม 186 รายการ คิดเป็นมูลค่ารวม มากกว่า 4,000 ดอลลาร์ และมีการชำระเงินจริง
• สิ่งที่น่าสนใจที่สุดคือ Anthropic แอบแบ่งผู้เข้าร่วมออกเป็นกลุ่มที่ใช้ frontier model กับโมเดลขนาดเล็กกว่า โดยผู้ใช้ที่มีตัวแทนเป็นโมเดลทรงพลังกว่าสามารถทำราคา การจับคู่ และจำนวนดีลได้ดีกว่าอย่างเป็นรูปธรรม
• แต่ผู้ใช้ที่ได้รับโมเดลอ่อนกว่ากลับ ไม่รับรู้เลยว่าเอเจนต์ของตนมีประสิทธิภาพต่ำกว่า ซึ่ง Anthropic เรียกปรากฏการณ์นี้ว่า "agent quality gaps"

ความเคลื่อนไหวในอุตสาหกรรม: การทำมาตรฐาน vs การปิดกั้น

• ห้าวันหลังการประกาศ Project Deal, Amazon, Meta, Microsoft, Salesforce และ Stripe เข้าร่วมคณะกรรมการ Universal Commerce Protocol (UCP) — ความพยายามครั้งแรกในการ ทำมาตรฐาน วิธีที่ AI เอเจนต์จะค้นหาสินค้า ต่อรองราคา และดำเนินธุรกรรมข้ามแพลตฟอร์ม
• ในสัปดาห์เดียวกัน eBay อัปเดตข้อกำหนดการใช้งาน โดย ห้ามอย่างชัดเจน ต่อ "buy-for-me agents, บอทที่ใช้ LLM, และทุก end-to-end flow ที่พยายามสั่งซื้อโดยไม่มีการตรวจทานจากมนุษย์"
• ขณะที่บริษัทยักษ์ใหญ่บางรายกำลังสร้างโครงสร้างพื้นฐานสำหรับโลกที่เอเจนต์ทำธุรกรรมแทนมนุษย์ อีกฝั่งกลับพยายามปิดประตูก่อนที่เอเจนต์จะเข้ามาได้ สะท้อน การตอบสนองที่แตกขั้ว

นิยามของดาร์กมาร์เก็ตเพลส

• ดาร์กมาร์เก็ตเพลส (Dark Marketplace) คือ แพลตฟอร์มหลายด้านที่ขับเคลื่อนด้วยธุรกรรม ซึ่งงานที่ซับซ้อนอย่างการค้นหา การต่อรอง และการซื้อเกิดขึ้นอย่างสมบูรณ์นอกสายตาของมนุษย์
• คำว่า "ดาร์ก" ไม่ได้หมายถึงผิดกฎหมาย แต่หมายถึง แรงที่มองไม่เห็น คล้าย dark matter (สสารมืด) ที่ค้ำจุนระบบไว้แต่ไม่สามารถสังเกตได้โดยตรง
• มันมีศักยภาพในการสร้าง มูลค่าบริษัทระดับหลายแสนล้านดอลลาร์ ด้วยการขจัดแรงเสียดทานหลักที่ฝังอยู่ในมาร์เก็ตเพลสที่ประสบความสำเร็จที่สุดในปัจจุบัน
• แต่การจะทำสิ่งนี้ได้ ต้องก้าวข้ามการค้นหาที่ดีขึ้นหรือ natural language UI ไปสู่ 'การนามธรรมการตัดสินใจของมนุษย์' ซึ่งเป็นการเข้ารหัสความสามารถเชิงสัญชาตญาณ อิงบริบท และการรับมือข้อยกเว้นของผู้ซื้อและผู้ขายที่มีประสบการณ์ให้กับเอเจนต์

ประวัติวิวัฒนาการของคอมเมิร์ซ

• ตลอดช่วงประมาณ 7,000 ปี กลไกหลักในการทำให้เจตนาความต้องการถูกส่งออกมาภายนอกคือพนักงานขายที่เก่ง ตั้งแต่ตลาด agora ยุคสำริดไปจนถึงห้างสรรพสินค้า มนุษย์พึ่งพาคนที่จำรสนิยม ประวัติการซื้อ และงบประมาณของลูกค้าได้
• ตลอด 20 ปีที่ผ่านมา ร่องรอยดิจิทัลอย่างข้อมูลโฆษณา ประวัติการซื้อ ข้อมูลประชากรศาสตร์ และพฤติกรรมการค้นหา ได้ก่อให้เกิด แหล่งเจตนาความต้องการภายนอกแหล่งที่สอง ซึ่งเป็นฐานของ recommendation engine, retargeting และการตั้งราคาแบบเฉพาะบุคคลที่สร้าง Amazon และ Meta เป็นต้น
  • แต่โมเดลธุรกรรมพื้นฐานแทบไม่เปลี่ยน ผู้ซื้อยังคงต้องค้นหา กรอง เปรียบเทียบ และคลิกด้วยตนเอง
• ราว 10 ปีก่อน การผสานระบบ B2B เช่น ERP, POS, WMS และ TMS feed ได้ก่อรูปเป็น ชั้นที่สาม
  • บริษัทอย่าง Faire, Odeko, GrubMarket ใช้การผสานระบบนี้สร้าง procurement marketplace ที่อนุมานความต้องการได้ก่อนที่ผู้ซื้อจะเริ่มค้นหา
  • แต่การตัดสินใจขั้นสุดท้ายยังคงเป็นของมนุษย์อยู่ดี เช่น การตรวจคำสั่งซื้อที่เสนอ การอนุมัติตะกร้า หรือการยืนยันสินค้าทดแทน
• ตอนนี้เราอยู่ที่ หน้าประตูของการย้ายผ่านครั้งที่สี่ (migration) แล้ว โดย LLM สามารถซึมซับบริบทภาษาธรรมชาติและเรียนรู้รูปแบบพฤติกรรมจากปฏิสัมพันธ์นับพันครั้งจน ลงมือกระทำได้อย่างอัตโนมัติ
• ในทุกช่วงของการย้ายผ่านก่อนหน้านี้ ปริมาณธุรกรรมและความพึงพอใจของผู้ซื้อเพิ่มขึ้นอย่างมาก และความสามารถด้านภาษาธรรมชาติรวมถึงการนามธรรมของ LLM คือเทคโนโลยีที่เหมาะสมที่สุดในการย้ายเจตนาความต้องการออกจากหัวของผู้ซื้อสู่ภายนอกใน สเกลที่ไม่เคยมีมาก่อน

Judgment Abstraction คือโจทย์หลัก

• มาร์เก็ตเพลสและเครื่องมือ SaaS ทุกตัวสามารถเก็บ ความชอบที่ระบุชัดเจน ได้ผ่านดรอปดาวน์ ฟิลเตอร์ และแบบสอบถาม onboarding แต่การตัดสินใจซื้อของมนุษย์นั้นซับซ้อนและละเอียดอ่อนกว่าสิ่งที่ใส่ในฟอร์มได้มาก
• โจทย์หลักและคูเมืองของธุรกิจ B2B เชิงธุรกรรมรุ่นถัดไปคือ ความสามารถในการนามธรรมการตัดสินใจอันซับซ้อนของมนุษย์ — การตัดสินใจที่เป็นนัย อิงบริบท และจัดการ edge case แบบเรียลไทม์
• การตัดสินใจลักษณะนี้โดยเนื้อแท้แล้ว มีความเป็นแนวดิ่งเฉพาะอุตสาหกรรมสูงมาก และมีรูปร่างแตกต่างกันอย่างมากในแต่ละอุตสาหกรรม บริษัท และบุคคล

• ตัวอย่างของการตัดสินใจจริง

  • เจ้าของคาเฟ่ในพอร์ตแลนด์: ไม่ได้แค่สั่ง "นมโอ๊ต" แต่ต้องพิจารณาพร้อมกันถึงปริมาณเฉพาะที่ต้องใช้สำหรับทราฟฟิกที่พุ่งในบ่ายวันอังคาร เวลาเข้าจัดส่งของซัพพลายเออร์ที่เปลี่ยนไปเมื่อ 3 สัปดาห์ก่อน แบรนด์ทดแทนที่ลูกค้าประจำ 2 คนไม่ชอบ และคอนเซนเทรตโคลด์บริวสินค้าใหม่ที่ต้องมาถึงก่อนช่วงคนแน่นสุดสัปดาห์
  • นายหน้าขนส่งสินค้า: ไม่ได้ทำตาม decision tree แต่ใช้ประสบการณ์ตัดสินว่าใครคือผู้ขนส่งที่จะรับโทรศัพท์แน่ในเย็นวันศุกร์ เส้นทางไหนที่เปราะบางในสัปดาห์นี้จากบทสนทนาเมื่อวาน อัตราค่าขนส่งแบบ "ยืนยันแล้ว" รายใดที่ยังพอต่อรองได้ และเมื่อไรควรยอมกินมาร์จินเพื่อรักษาความสัมพันธ์
  • แพทย์: เลือกโปรโตคอลการรักษาโดยพิจารณา พร้อมกัน ทั้งประวัติผู้ป่วย ประสบการณ์ทางคลินิกของตน บัญชียาที่ประกันครอบคลุม การปฏิบัติตามการรักษาของผู้ป่วย และหลักฐานล่าสุด
  • โครงสร้างร่วม ของตัวอย่างเหล่านี้คือ การตัดสินใจขึ้นกับผู้ใช้ บริบท และช่วงเวลา ถูกหล่อหลอมด้วยประสบการณ์มากกว่าข้อมูล และเป็นสิ่งที่ AI เอเจนต์ต้องซึมซับให้ได้ หากจะทำธุรกรรมแทนโดยไม่ทำลายความไว้วางใจ

เมทริกซ์ความลึกของการมีส่วนร่วม-ความใกล้ชิดกับธุรกรรม (Engagement-Proximity Matrix)

• กรอบการทำงานที่มีประโยชน์ที่สุดในการประเมินศักยภาพด้านดาร์กมาร์เก็ตเพลสของบริษัทใช้เกณฑ์หลักเป็น 2 แกน

• แกน X: ความลึกของการมีส่วนร่วม (Engagement Depth)

  • วัด ปริมาณของปฏิสัมพันธ์ความถี่สูงและแรงเสียดทานต่ำ ที่ผลิตภัณฑ์เก็บได้
  • การมีส่วนร่วมสูง: ผู้ใช้โต้ตอบทุกวัน บางครั้งถึงทุกชั่วโมง และสร้างสัญญาณเชิงพฤติกรรมที่หลากหลาย — Voice AI ที่ฟังทุกสายลูกค้า, การเชื่อมต่อ POS ที่เห็นทุกธุรกรรมแบบเรียลไทม์, เครื่องมือเวิร์กโฟลว์ที่ฝังอยู่ในจังหวะการดำเนินงานประจำวัน
  • การมีส่วนร่วมต่ำ: ผลิตภัณฑ์ที่ใช้แค่รายไตรมาสหรือเจอเฉพาะตอน onboarding — UI ตั้งค่าที่ซับซ้อน, แบบสำรวจเป็นรอบ ๆ, การเชื่อมต่อระบบแบบคงที่ที่ส่งต่อข้อมูลแต่ไม่ได้สังเกตพฤติกรรม

• แกน Y: ความใกล้ชิดกับธุรกรรม (Transaction Proximity)

  • วัดว่าผลิตภัณฑ์ อยู่ใกล้กับการตัดสินใจซื้อขายจริงมากแค่ไหน
  • ความใกล้ชิดสูง: เร่งรัด เป็นตัวกลาง หรือดำเนินธุรกรรมผ่านระบบที่มีการสั่งซื้อ การจองขนส่ง และการนัดหมายเกิดขึ้นจริง
  • ความใกล้ชิดต่ำ: ผลิตภัณฑ์ที่ให้ข้อมูลเพื่อช่วยตัดสินใจแต่ไม่ได้เร่งให้เกิดธุรกรรม — แดชบอร์ดวิเคราะห์, เครื่องมือโค้ชชิ่ง, ระบบสนับสนุนการตัดสินใจทางคลินิก, แพลตฟอร์มข้อมูลเชิงลึกตลาด

• นัยเชิงกลยุทธ์ของแต่ละควอดแรนต์

  • ขวาบน (Top-right): พร้อมสำหรับดาร์กมาร์เก็ตเพลส — เก็บข้อมูลพฤติกรรมได้เข้มข้นและอยู่บนตำแหน่งของธุรกรรม จึงสามารถเดินทางตลอดเส้นทางของการยกระดับการตัดสินใจตั้งแต่ความชอบที่ระบุไว้ชัดเจนไปจนถึงการตัดสินใจอัตโนมัติ
  • ซ้ายบน (Top-left): สัญญาณหนาแน่น แต่ตำแหน่งผิด — เก็บข้อมูลการตัดสินใจจำนวนมหาศาลจากปฏิสัมพันธ์ความถี่สูง แต่ไม่ได้เร่งให้เกิดธุรกรรมเอง
    • Rilla: บันทึกและวิเคราะห์บทสนทนาการขายของผู้รับเหมาหน้างาน ถือข้อมูลเฉพาะเกี่ยวกับภาษาและเทคนิคที่ปิดการขายได้ในอุตสาหกรรมบริการถึงบ้าน แต่ไม่ได้เป็นผู้ปิดธุรกรรมเอง
    • OpenEvidence: ดูดซับภาพสะท้อนของการตัดสินใจทางคลินิกของแพทย์ แต่ยังอยู่ต้นน้ำกว่าการสั่งยา การสั่งตรวจวินิจฉัย หรือการเลือกอุปกรณ์
    • Keychain: ระดมทุน 78 ล้านดอลลาร์ใน 18 เดือน เชื่อมผู้ผลิตร่วม CPG กว่า 30,000 รายกับแบรนด์/รีเทลเลอร์กว่า 20,000 ราย เป็น ผู้สมัครดาร์กมาร์เก็ตเพลสสองด้านที่บริสุทธิ์ที่สุด — AI ฝั่งแบรนด์อธิบายสเปกสินค้า แล้ว AI ฝั่งผู้ผลิตยื่นประมูล
  • ขวาล่าง (Bottom-right): ยึดตำแหน่งธุรกรรมได้ แต่เรียนรู้ช้า — อยู่บนธุรกรรมแต่ปฏิสัมพันธ์เกิดไม่บ่อยหรือผิวเผิน ทำให้เรียนรู้ช้า
    • Odeko: การเชื่อมต่อ POS ให้สัญญาณอุปสงค์แบบเรียลไทม์, เครือข่ายส่งสินค้ากลางคืนจัดการธุรกรรม, และเอนจินสั่งซื้อซ้ำอัตโนมัติดูดซับการตัดสินใจซื้อทั้งหมดของเจ้าของคาเฟ่ จนเจ้าของตื่นเช้ามาพบ ครัวที่เติมสต็อกไว้แล้ว แทนที่จะต้องเปิดดูแคตตาล็อก
    • Faire: มาร์เก็ตเพลสค้าส่งมูลค่า มากกว่า 8 พันล้านดอลลาร์ ที่เชื่อมรีเทลเลอร์และแบรนด์กว่า 700,000 ราย ซึ่งเร่งให้เกิดธุรกรรมอยู่แล้ว แต่รีเทลเลอร์ยังคงต้องไล่ดูสินค้า — หากใช้ AI จับสัญญาณการมีส่วนร่วม เช่น รูปแบบยอดขายรายวัน จำนวนผู้มาเยือน บทสนทนากับเวนเดอร์ และพฤติกรรมตามฤดูกาล ก็อาจได้เห็น ตะกร้าที่ระบบแนะนำมาแล้ว แทนแคตตาล็อก
    • LightSource: ทำ RFX และการประมูลอัตโนมัติให้บริษัทอย่าง Yum! Brands และ Hello Fresh จึงมีความใกล้ชิดสูง แต่เหตุการณ์จัดซื้อเกิดเป็นรอบ ไม่ได้ต่อเนื่อง
  • ความไม่สมมาตรเชิงกลยุทธ์: บริษัทฝั่งซ้ายบนต้องขยายไปสู่ด้านธุรกรรม ส่วนบริษัทฝั่งขวาล่างต้องสร้างการมีส่วนร่วมผ่านการจับข้อมูลด้วย AI เช่น Voice, บทสนทนา และการอนุมานพฤติกรรม และ บริษัทที่ปิดช่องว่างด้านใดด้านหนึ่งได้เร็วที่สุดจะเป็นผู้ชนะ

• บทบาทของ Voice AI ในฐานะชั้นการมีส่วนร่วม

  • Voice และ AI แบบมัลติโหมดอื่น ๆ ไม่ได้เป็นเพียงผลิตภัณฑ์ลิ่มร้อนเท่านั้น แต่ขับเคลื่อน ชั้นการมีส่วนร่วม ที่ทำให้การยกระดับการตัดสินใจเป็นไปได้ — เป็นกลไกที่ทำให้แพลตฟอร์มเรียนรู้ว่า ผู้ใช้ คิดอย่างไรจริง ๆ ไม่ใช่แค่บอกว่าอยากได้อะไร
  • Toma: AI voice agent จัดการสายเรียกเข้าทั้งหมดของดีลเลอร์ 100% (นัดหมายเข้าศูนย์, สั่งอะไหล่, ตรวจสอบการเรียกคืน, สอบถามงานขาย) ฝึกจากคอร์ปัสบทสนทนาของแต่ละสาขาและเชื่อมกับ DMS
    • ศักยภาพแบบดาร์กมาร์เก็ตเพลสจะเผยออกมาเมื่ออีกฝั่งหนึ่งมีเอเจนต์เช่นกัน: AI เคลมของบริษัทประกันโทรหา Toma เพื่อนัดซ่อม, เอเจนต์เรียกคืนของ OEM จองงานบริการตามประกัน, AI ของลูกค้าเปรียบเทียบราคางานเบรกจาก 3 ดีลเลอร์ — เอเจนต์คุยกับเอเจนต์ ไม่ต้องมีเสียงเพลงรอสาย

4 ขั้นของการยกระดับการตัดสินใจ

• ขั้นที่ 1 — ความชอบที่ระบุไว้ชัดเจน (Stated Preferences)

  • ผู้ใช้บอกสิ่งที่ต้องการให้ระบบโดยตรง: ฟิลเตอร์, แบบสำรวจ onboarding, การค้นหาที่บันทึกไว้, วงเงินอนุมัติ
  • เป็น เส้นออกตัว ที่ทุกมาร์เก็ตเพลสทำ และข้อมูลที่ได้มีประโยชน์แต่ยังตื้น
  • ตัวอย่าง: รีเทลเลอร์บน Faire เลือก "ของแต่งบ้าน" และ "ค้าส่งไม่เกิน 50 ดอลลาร์"

• ขั้นที่ 2 — การอนุมานจากพฤติกรรม (Behavioral Inference)

  • ระบบ สังเกตพฤติกรรม ของผู้ใช้เพื่ออนุมานรูปแบบที่ผู้ใช้ไม่ได้ระบุออกมาตรง ๆ
  • ใช้ข้อมูลอย่างอัตราการขายจาก POS, ความถี่ในการสั่งซื้อซ้ำ, เวลาที่อยู่บนหน้าเพจ, อัตราการยอมรับสินค้าทดแทน, พฤติกรรมการเปลี่ยนซัพพลายเออร์
  • ตัวอย่าง: Odeko ตรวจพบว่ารอบสั่งซื้อซ้ำนมโอ๊ตของคาเฟ่ไม่ใช่ทุก 7 วัน แต่เป็น 6 วัน และปริมาณลดลงในวันจันทร์ จึงปรับคำสั่งซื้ออัตโนมัติโดยไม่ต้องมีคำสั่ง
  • ปัจจุบันบริษัทแนวตั้ง AI-native ส่วนใหญ่อยู่ในขั้นนี้หรือกำลังก้าวเข้าสู่ขั้นนี้

• ขั้นที่ 3 — การตัดสินใจตามบริบท (Contextual Judgment)

  • ระบบผสาน บริบทภายนอก — สภาวะตลาด, ความน่าเชื่อถือของซัพพลายเออร์, การเน่าเสียง่าย, ฤดูกาล, พฤติกรรมของคู่สัญญา, ข้อจำกัดด้านกฎระเบียบ — เพื่อทำการตัดสินใจที่ผู้ใช้ น่าจะทำหากมีเวลาไม่จำกัดและข้อมูลสมบูรณ์แบบ
  • AI agent ของ GrubMarket รับรู้จากสัญญาณซัพพลายเชนว่ามะเขือเทศในบางภูมิภาคขาดแคลน จึงเปลี่ยนคำสั่งซื้อของผู้จัดจำหน่ายไปเป็นสายพันธุ์ทดแทนในช่วงราคาใกล้เคียง โดยคำนึงถึง ประวัติการยอมรับสินค้าทดแทน ของผู้จัดจำหน่ายรายนั้น
  • Green Cabbage: เทียบการต่ออายุ Salesforce กับสัญญาคล้ายกันหลายพันฉบับและเบนช์มาร์ก เพื่อกำหนด ราคาถอนตัว (walkaway price) ที่ทีมจัดซื้อของผู้ซื้อเองคำนวณไม่ได้
  • ขั้นนี้คือ การผสานข้อมูลเชิงลึกเฉพาะผู้ใช้กับข้อมูลตลาดวงกว้าง — ต้องมีทั้งการมีส่วนร่วมและความใกล้ชิด

• ขั้นที่ 4 — การตัดสินใจอัตโนมัติ (Autonomous Decision-Making)

  • เอเจนต์ลงมือทำแทนผู้ใช้โดยมี การกำกับจากมนุษย์เพียงเล็กน้อยหรือไม่มีเลย ทำให้ธุรกรรมอยู่ในสภาวะ “ดาร์ก” — ผู้ใช้ตรวจดูแค่ผลลัพธ์ ไม่ได้ดูขั้นตอน
  • แม้ ยังไม่มีบริษัทใดดำเนินงานอยู่ในขั้นนี้ แต่รูปแบบสุดท้ายเริ่มมองเห็นได้แล้ว: AI ฝั่งโบรกเกอร์รับคำขนส่ง, สอบถามไปยัง AI ฝั่งผู้ให้บริการขนส่ง, ต่อรองราคาและเวลา, จองขนส่ง, ยืนยันการรับสินค้า, แล้วส่งสรุป
  • ในเมทริกซ์การมีส่วนร่วม×ความใกล้ชิด มีเพียงบริษัทในมุมขวาบนเท่านั้นที่สามารถก้าวผ่านทั้ง 4 ขั้นได้อย่างสมจริง

เหตุใดผู้บริโภคจึงไม่ใช่ผู้นำ

• สถานะปัจจุบันของ consumer agent commerce

  • OpenAI ฝัง checkout ไว้ใน ChatGPT แล้ว ขณะที่ Rufus ของ Amazon รองรับนักช้อป 250 ล้านคนในปี 2025 (แต่ยังน่าสงสัยว่ามีปฏิสัมพันธ์ที่ขับเคลื่อนด้วยความอยากรู้อยากเห็นมากน้อยแค่ไหน)
  • Morgan Stanley คาดการณ์ว่าภายในปี 2030 นักช้อปออนไลน์ครึ่งหนึ่งจะใช้ AI agent
  • ผลสำรวจของ PYMNTS พบว่า 41% ของผู้บริโภคใช้ AI เพื่อค้นพบสินค้าแล้ว แต่แทบไม่มีผู้บริโภคที่ซื้อจนจบผ่าน agent — ในตอนนี้ยังอยู่ในระดับ "แถบค้นหาที่ฉลาดมาก"

• เหตุใดการซื้อแบบ B2C จึงต้านทานการทำ abstraction ของการตัดสินใจ

  • สำหรับผู้บริโภคจำนวนมาก เส้นทางการซื้อ (การค้นพบ การสำรวจ การเลือก) ไม่ใช่แรงเสียดทานที่ต้องกำจัด แต่คือ ตัวสินค้าเอง
  • 70% ของผู้บริโภคต้องการบริการในร้านแบบเฉพาะบุคคล และ 73% ของ Gen Z — คนรุ่นที่เป็นดิจิทัลเนทีฟมากที่สุด — ไปเยี่ยมร้านออฟไลน์อย่างน้อยสัปดาห์ละครั้งบ่อยกว่าคนรุ่นเบบี้บูมเมอร์
  • โมเดลสมาชิกแบบ DTC ทำให้การซื้อเติมซ้ำที่แคบและคาดเดาได้ เช่น ยาสีฟัน มีดโกน อาหารสุนัข อัตโนมัติขึ้นได้ แต่มีเพดานต่ำ
    • ลูกค้า Amazon ในสหรัฐฯ เพียง 23% เท่านั้นที่ใช้งาน Subscribe & Save อย่างจริงจัง — แม้ลงทุนมากว่า 10 ปี
    • อัตรา churn รายเดือนของ subscription box ที่ 10~20% ถือเป็นเรื่องปกติ
  • voice commerce ผ่าน Alexa ของ Amazon เป็น “โซลูชันที่กำลังหาปัญหา” และยังคงขาดทุนระดับ 7~8 หลัก
  • ใน Project Vend ของ Anthropic — การทดลองให้ Claude instance บริหารตู้จำหน่ายสินค้าอัตโนมัติ — “Claudius” ล้มละลายในเวลาประมาณหนึ่งเดือน หลอนว่ามี vendor ปลอม จินตนาการถึงความต้องการพุ่งทะยานของ “metal cube” และถึงขั้นหลอนเรื่องอัตลักษณ์ของตัวเอง (“blazer สีน้ำเงินกับเนกไทสีแดง”)
    • เป็น ตัวอย่างที่สมบูรณ์แบบของสิ่งที่ไม่ควรทำ ใน AI automation commerce: มองข้าม abstraction ของการตัดสินใจ แยกระบบออกจากแหล่งเรียนรู้แบบค่อยเป็นค่อยไปที่แท้จริง ไม่ใช้ deterministic guardrail และไปโฟกัสกับการซื้อของผู้บริโภคที่ขับเคลื่อนด้วยความชอบ

• เหตุผลเชิงโครงสร้างที่ทำให้ dark marketplace จะเกิดใน B2B ก่อน

  • หากไม่นับบทบาทส่วนน้อยอย่างแฟชั่นหรือ art buyer การจัดซื้อแบบ B2B มีลักษณะ ทำซ้ำ อิงนโยบาย และมุ่งมาร์จิน
  • ผู้ซื้อ B2B ทำงานภายใต้งบจัดซื้อ รายชื่อ vendor ที่อนุมัติแล้ว ข้อจำกัดด้าน compliance และรอบการสั่งซื้อซ้ำที่กำหนดไว้ จึง ทำ abstraction ได้มากกว่า การเลือกสนีกเกอร์ของผู้บริโภค — มีทั้งแพตเทิร์นให้ตรวจจับ กฎให้เข้ารหัส และข้อมูลปฏิบัติการให้เรียนรู้มากกว่า
  • ผู้ซื้อ B2B แบ่งปันข้อมูลกับแพลตฟอร์มและข้อมูลปฏิบัติการอยู่แล้วผ่าน ERP integration, POS feed, inventory API ฯลฯ ทำให้การแชร์ข้อมูลและงานเชื่อมต่อระบบเป็นพื้นฐานอยู่แล้ว
  • เมื่อ agent ซึมซับ operational heuristic ของผู้ซื้อได้แล้ว (ระดับการยอมรับสินค้าทดแทน รูปแบบจังหวะเวลา ความชอบต่อซัพพลายเออร์ ความโน้มเอียงต่อความเสี่ยง) ความสัมพันธ์นั้นเองจะกลายเป็น moat และเมื่อถอด agent ออก ความทรงจำขององค์กรก็หายไป ทำให้ต้นทุนการเปลี่ยนต่อทุกปฏิสัมพันธ์ ลึกขึ้นโดยอัตโนมัติ
  • ระบบที่เก็บข้อมูลการตัดสินใจได้มากที่สุดจะกลายเป็น system of action และเมื่อสิ่งนี้ตั้งอยู่บนแรงจูงใจด้านรายได้แทนประสบการณ์ ก็จะเกิดการจัดแนวแรงจูงใจไปสู่ระบบอัตโนมัติเต็มรูปแบบ

วิธีที่ dark marketplace เปลี่ยนหลักการพื้นฐานของ marketplace

• กรอบความสำเร็จของ marketplace แบบคลาสสิก (NEA, อิงงานศึกษาของ Jonathan Golden เกี่ยวกับ Airbnb) หมุนรอบตัวขับเคลื่อนการเปิดใช้งานฝั่งอุปสงค์ 3 อย่าง — Discovery, Convenience, Trust — และตัวแปรคล้ายกันฝั่งอุปทาน — Utilization, Revenue, Convenience

• Discovery เปลี่ยนเป็น Elimination

  • ใน marketplace แบบดั้งเดิม การค้นพบคือคุณค่าหลัก — รวบรวมอุปทานที่กระจัดกระจายและเพิ่มประสิทธิภาพความสามารถของผู้ซื้อในการหาคู่ค้าที่เหมาะที่สุด
  • ใน dark marketplace ผู้ซื้อไม่ได้ค้นพบอุปทาน — agent จะเข้าใจความต้องการของผู้ซื้อ ค้นหา ประเมิน และเสนอคำแนะนำหรือปิดธุรกรรมให้ โดย แรงเสียดทานของการค้นพบเข้าใกล้ศูนย์

• Convenience เปลี่ยนเป็น Invisibility

  • เดิมที convenience คือ “utility leap” ที่ทำให้การเข้าแพลตฟอร์มและการทำธุรกรรม ง่ายขึ้นมาก
  • ใน dark marketplace จุดก้าวกระโดดเปลี่ยนจาก “ง่ายขึ้น” ไปเป็น “มองไม่เห็น” — ธุรกรรมเกิดขึ้นในเบื้องหลัง และสัญชาตญาณแรกของผู้ซื้อไม่ใช่การเปิดเบราว์เซอร์ แต่คือ เช็กการแจ้งเตือนจาก agent

• Trust เปลี่ยนจาก Perceptual เป็น Empirical

  • ใน marketplace แบบดั้งเดิม trust ถูกสร้างผ่านสัญญาณเพื่อทำให้มนุษย์ตัดสินใจได้อย่างสบายใจ เช่น รีวิว ชื่อเสียงแบรนด์ ความน่าเชื่อถือในการ fulfillment และนโยบายคืนสินค้า
  • ใน dark marketplace trust จะผูกกับ track record ของ agent — มันช่วยลดต้นทุนได้หรือไม่? ป้องกันของขาดสต็อกได้หรือไม่? จัดการข้อยกเว้นได้อย่างสวยงามหรือไม่? เลือกสินค้าทดแทนได้ถูกต้องหรือไม่?
  • trust กลายเป็นสิ่งที่ วัดผลได้และต่อเนื่อง ไม่ใช่การประเมินครั้งเดียว ณ จุดซื้อ

• โหมดความล้มเหลวแบบใหม่: Judgment Drift

  • หาก agent ตัดสินใจผิดหลายครั้ง เช่น เลือกของทดแทนผิด สต็อกล้น หรือจับจังหวะเวลาพลาด ผู้ใช้จะเริ่มเมิน agent สูญเสียความเชื่อมั่น และกลับไปมีส่วนร่วมแบบ manual
  • การรักษาความแม่นยำของการตัดสินใจภายใต้เงื่อนไขที่เปลี่ยนไป ความชอบที่พัฒนา และ edge case กลายเป็นตัวชี้วัด retention ใหม่
  • เหตุผลที่แกนของ engagement สำคัญ: ยิ่งระบบสังเกตต่อเนื่องมากเท่าไร ก็ยิ่งแก้ไขได้เร็วขึ้นและลดโอกาสเกิด judgment drift ได้มากขึ้น

• ข้อได้เปรียบของการบูรณาการแนวดิ่ง: กรณีของ GrubMarket

  • GrubMarket: ระดมทุนราว 680 ล้านดอลลาร์ มูลค่า 3.5 พันล้านดอลลาร์ ดำเนินธุรกิจมา 12 ปี
  • เป็นทั้ง marketplace และ ซัพพลายเออร์ในเวลาเดียวกัน — ดำเนินคลังสินค้าและระบบกระจายสินค้าในทั้ง 50 รัฐ พร้อมขาย WholesaleWare ซึ่งเป็น ERP ที่ขับเคลื่อนด้วย AI ให้กับผู้จัดจำหน่ายบุคคลที่สาม
  • เปิดตัว AI agent แบบเฉพาะวัตถุประสงค์ สำหรับ inventory, reporting และ monitoring
  • ควบคุมทั้งชั้น supply, demand และ intelligence ทำให้ agent ฝึกจากทั้งสองฝั่งของทุกธุรกรรม
  • รูปแบบปลายทาง: agent ของผู้ค้าส่งเจรจาอัตโนมัติกับ agent ของผู้เพาะปลูก และ GrubMarket เก็บกินส่วนต่างราคา

บริษัทม้ามืดของ autonomous commerce

• บริษัท vertical AI ที่ระดมทุนได้บางรายกำลังเข้าใกล้จุดวิกฤตของ dark marketplace จากหลายมุม แต่ ยังไม่มีบริษัทใดไปถึงสถานะสุดท้ายของคอมเมิร์ซที่ AI ทำงานอัตโนมัติและไม่ต้องพึ่งมนุษย์อย่างแท้จริง
• เช่นเดียวกับ marketplace แบบดั้งเดิม คาดว่าทั้งบริษัทยักษ์ใหญ่ ผู้เล่นที่เน้น vertical และแม้แต่ผู้เล่นเฉพาะทางจะ อยู่ร่วมกัน
• แม้การเป็น AI native จะสำคัญต่อความเร็วในการเข้าถึง dark marketplace แต่ยังต้องจับตาดูต่อไปว่ามุมโจมตีแบบใดดีที่สุด

• กรณีนายหน้าขนส่งสินค้า: ลึกก่อน vs กว้างก่อน

  • Augment (110 ล้านดอลลาร์ นำโดย Redpoint): ฝังลึกในด้านหนึ่งของ workflow — ทำ order-to-cash automation แบบเต็มกระบวนการ ให้กับธุรกิจขนส่งสินค้ามูลค่า 35 พันล้านดอลลาร์
  • FleetWorks (17.5 ล้านดอลลาร์ นำโดย First Round): ทำสองฝั่งตั้งแต่วันแรก — AI dispatcher ให้บริการทั้งผู้ให้บริการขนส่งและนายหน้า โดยมี ผู้ให้บริการขนส่งมากกว่า 10,000 ราย และ Uber Freight อยู่บนแพลตฟอร์มแล้ว
  • คำถามที่ยังเปิดอยู่: แบบไหนจะไปถึง Stage 4 ได้เร็วกว่า ระหว่าง ลึกก่อนโดยโฟกัส ICP ฝั่งเดียว กับ กว้างก่อนโดยมีทั้งสองฝั่งอยู่แล้วและเดินต่อไปสู่การชำระบัญชีแบบ agent-to-agent

หลักการสำคัญสำหรับผู้ก่อตั้งที่กำลังสร้าง Dark Marketplace

• 1. เริ่มต้นด้วย wedge ที่เพิ่มทั้งการมีส่วนร่วมและความใกล้ชิดให้สูงสุด

  • ถ้าต้องเลือกอย่างใดอย่างหนึ่ง ให้ เอนเอียงไปทางการมีส่วนร่วม — การเพิ่ม ambient data capture ในภายหลังยากกว่าการขยายผลิตภัณฑ์ไปสู่ฝั่งธุรกรรมมาก
  • Voice AI, การจับบทสนทนา, เครื่องมือที่ฝังอยู่ในเวิร์กโฟลว์ เป็น wedge ที่ดีกว่าแดชบอร์ดหรือการวิเคราะห์ — เพราะสร้างข้อมูลพฤติกรรมที่จำเป็นต่อการทำ abstraction ของการตัดสินใจ

• 2. ออกแบบให้จับการตัดสินใจรายผู้ใช้ ไม่ใช่ความชอบแบบรวมศูนย์

  • ข้อได้เปรียบของ Dark Marketplace คือเอเจนต์ของผู้ใช้แต่ละคน ต่างถูกฝึกจากพฤติกรรมเฉพาะ บริบท และ edge case ของผู้ใช้นั้น จึงแตกต่างกัน
  • สร้าง structured memory, การดึงบริบทรายผู้ใช้, feedback loop ตั้งแต่ต้น — ไม่ใช่ฟีเจอร์ที่จะค่อยเพิ่มทีหลัง แต่เป็นตัวสถาปัตยกรรมเอง
  • ความท้าทายของการทำ fine-tuning รายผู้ใช้ (latency, ต้นทุน, negative artifacts ตามขนาด context window) มีอยู่จริง แต่แนวทางอย่าง memory layer, RAG, parameter-efficient adapter คือชุดเครื่องมือที่เหมาะตรงจุดพอดี

• 3. มุ่งสู่ตลาด B2B แนวตั้งที่มีการซื้อซ้ำและอุปทานกระจายตัว

  • เช่น การกระจายสินค้าอาหาร, ขนส่งสินค้า, วัสดุก่อสร้าง, อุปกรณ์ทันตกรรม, ยาเฉพาะทาง, ชิ้นส่วนยานยนต์ ซึ่งผู้ซื้อ ต้องตัดสินใจหลายสิบครั้งต่อสัปดาห์ และมีอุปทานที่ แตกต่างหลากหลายมากพอ ให้การเป็นตัวกลางมีเหตุผล
  • นี่คือตลาดที่ ROI ของการทำ abstraction ของการตัดสินใจสูงที่สุด: มีปริมาณการตัดสินใจมากพอให้เรียนรู้ได้เร็ว, มีความซับซ้อนด้านอุปทานมากพอให้สร้างคุณค่าจริง, และมีพฤติกรรมซ้ำมากพอให้ต้นทุนการเปลี่ยนระบบทบต้นขึ้นเรื่อย ๆ
  • บทเรียนจาก B2B marketplace ในช่วง 10 ปีที่ผ่านมา: ถ้าคุณไม่เข้าใจว่าทำไมในตลาดแนวตั้งนั้นถึงมีโบรกเกอร์และผู้จัดจำหน่ายอยู่ ก็มีโอกาสสูงที่คุณกำลังเข้าใจผิดทั้งบทบาทการให้บริการและจุดคานงัดของพวกเขา

• 4. วางแผนเส้นทางจาก Stage 1 ไป Stage 4

  • อย่าสร้างเอเจนต์อัตโนมัติเต็มรูปแบบตั้งแต่วันแรก — คุณจะเสียความไว้วางใจก่อนที่จะได้มันมา
  • ต้องจับความชอบที่ระบุไว้อย่างชัดเจนก่อน, ได้สิทธิ์ในการอนุมานพฤติกรรม, และพิสูจน์ให้เห็นว่าสามารถจัดการการตัดสินใจตามบริบทได้ แล้วจึงค่อยดำเนินการแบบอัตโนมัติ
  • แต่ละช่วงคือการ ฝึกสร้างความไว้วางใจ กับฐานผู้ใช้ และถ้าข้ามขั้นจะเกิด judgment drift, การ override ด้วยมือ, และการเลิกใช้งาน

• 5. คูเมืองป้องกันธุรกิจไม่ใช่ UI แต่คือ memory

  • ใน Dark Marketplace อินเทอร์เฟซนั้นแทนที่กันได้ แต่ ความรู้ที่สั่งสมว่าผู้ซื้อรายนี้ตัดสินใจอย่างไร — ระดับการยอมรับสิ่งทดแทน, ความชอบด้านจังหวะเวลา, ความโน้มเอียงต่อความเสี่ยง, ความสัมพันธ์กับซัพพลายเออร์ — ต่างหากคือต้นทุนการเปลี่ยนระบบ
  • คุณต้อง ลงทุนกับ memory นี้เหมือนเป็นโครงสร้างพื้นฐาน และคู่แข่งก็จะไล่ตามกลยุทธ์เดียวกัน

มือที่มองไม่เห็น, การกลับมาอีกครั้ง

• รายละเอียดที่น่าประทับใจที่สุดใน Project Deal ไม่ใช่จำนวนหรือมูลค่าของธุรกรรม แต่คือ สิ่งที่เกิดขึ้นกับโมเดลที่อ่อนกว่า — ผู้เข้าร่วมที่มี AI ที่ความสามารถด้อยกว่าเป็นตัวแทนได้ผลลัพธ์แย่กว่า แต่เพราะเห็นเพียงผลลัพธ์ไม่ใช่กระบวนการ จึง ไม่รับรู้เลยแม้แต่น้อย
• นี่คือ ความตึงเครียดหลัก ของ Dark Marketplace: เมื่อธุรกรรมกลายเป็นแบบมืด คุณภาพของการตัดสินใจของเอเจนต์จะกลายเป็นทุกสิ่ง เอเจนต์ที่ดีจะลดต้นทุน ป้องกันสินค้าขาด และจัดการข้อยกเว้นได้อย่างสวยงาม แต่เอเจนต์ระดับธรรมดาจะก่อ ความผิดพลาดเงียบ ๆ ที่ทบต้นสะสมตามเวลา และผู้ใช้จะไม่รู้ถึงความต่างจนกว่าความเสียหายจะเกิดขึ้น
• นี่คือเหตุผลที่ abstraction ของการตัดสินใจเป็นทั้งคูเมือง ตัวผลิตภัณฑ์ และความเสี่ยงในเวลาเดียวกัน
• อุปมา "มือที่มองไม่เห็น" ของ Adam Smith ไม่ได้อธิบายประสิทธิภาพสากลของตลาด แต่ชี้ให้เห็นว่าการเลือกเพื่อประโยชน์ตนเองของผู้เข้าร่วมตลาดสามารถรวมกันแล้วก่อประโยชน์ต่อสังคมได้ — ที่ "มือ" ของตลาดมองไม่เห็น ก็เพราะมันถูกกำหนดโดย ทางเลือกที่ฝังอยู่ในหัวของผู้ซื้อและผู้ขายนับพันล้านคน
• เมื่อการตัดสินใจของผู้ซื้อถูกทำ abstraction ออกจากสมองและสัญชาตญาณไปเป็น AI ที่ ทำงานได้อย่างต่อเนื่อง อัตโนมัติ และในระดับที่มนุษย์ไม่อาจจัดการเองได้ marketplace ก็จะไม่หายไป แต่จะ กลายเป็นแบบมืด