Lean Analytics ทบทวนใหม่ให้เข้ากับยุค AI และเอเจนต์

• เฟรมเวิร์กหลัก ของ Lean Analytics ที่ตีพิมพ์ในปี 2013 (ระบุช่วง, ทำความเข้าใจโมเดลธุรกิจ, OMTM, benchmark) ยังคงใช้ได้อยู่ แต่เมตริกเชิงรูปธรรมส่วนใหญ่จำเป็นต้องนิยามใหม่ให้เข้ากับยุค AI
• ในผลิตภัณฑ์ AI Time to Value ถูกย่นให้สั้นลงอย่างมาก และผู้ใช้คาดหวังผลลัพธ์คุณภาพสูงตั้งแต่การลองครั้งแรก หากล้มเหลวก็พร้อมจะเลิกใช้อย่างรวดเร็ว
• Engagement ไม่ได้เป็นแค่สูงหรือต่ำอีกต่อไป แต่กำลังเปลี่ยนเป็นเมตริกเชิงทิศทางที่ต้องแยกให้ออกว่า เวลาถูกใช้ไปกับอะไร (ดิ้นรนแก้ปัญหา vs งานที่ AI ทำ vs การสำรวจ)
• ด้วยลักษณะผลลัพธ์แบบ probabilistic ของ AI ทำให้ คุณภาพกลายเป็นเมตริกระดับชั้นหนึ่ง และหากไม่มี eval harness ผลิตภัณฑ์นั้นก็เป็นเพียง "ความรู้สึก (vibes)" ไม่ใช่ผลิตภัณฑ์จริง
• จากโครงสร้างต้นทุนผันแปรแบบอิงโทเค็น power user อาจเป็นตัวก่อให้เกิดการขาดทุนเสียเอง ทำให้การติดตามกำไรขั้นต้นต่อผู้ใช้ที่แอ็กทีฟและโมเดลการตั้งราคาแบบอิงผลลัพธ์เป็นโจทย์สำคัญ

---

สรุปหลักการสำคัญของ Lean Analytics

• Lean Analytics ประกอบขึ้นจาก 4 แนวคิดหลัก: การระบุช่วง, การทำความเข้าใจโมเดลธุรกิจ, OMTM (One Metric That Matters), benchmark (lines in the sand)
• โมเดล 5 ขั้น: Empathy → Stickiness → Virality → Revenue → Scale เป็นลำดับที่ทุกธุรกิจต้องผ่าน
  • ผู้ก่อตั้งจำนวนมากหลอกตัวเองเรื่องช่วงที่ธุรกิจอยู่ และยังคงมีแนวโน้มไล่ล่าการเติบโตแบบ hockey stick โดยไม่มีฐานที่แข็งแรง ซึ่งในยุค AI ก็ยังเหมือนเดิม
• ต้นแบบสถาปัตยกรรมโมเดลธุรกิจ 6 แบบ: SaaS, e-commerce, มาร์เก็ตเพลสสองด้าน, คอนเทนต์ที่ผู้ใช้สร้าง/ชุมชน, แอปมือถือ, สื่อ
  • การจัดหมวดหมู่นี้อาจล้าสมัย แต่หลักการในการทำความเข้าใจว่าธุรกิจของตนทำงานอย่างไรยังคงสำคัญ
• OMTM: ไม่ว่าจะอยู่ในช่วงใดหรือเป็นโมเดลธุรกิจแบบไหน ก็มีเมตริกเดียวที่ควรโฟกัส
  • เพราะไม่สามารถแก้ทุกอย่างพร้อมกันได้ จึงใช้เพื่อระบุว่าควรทำอะไรและจะวัดผลอย่างไร
• benchmark (lines in the sand): เกณฑ์ที่บอกว่าคุณมีคุณสมบัติพร้อมจะก้าวไปสู่ขั้นถัดไปหรือไม่
  • ในผลิตภัณฑ์ AI และเอเจนต์ เมตริกและค่าเป้าหมายกำลังเปลี่ยนแปลงอย่างรวดเร็ว

สิ่งที่ไม่เปลี่ยนแม้ในยุค AI

• หลักการแกนกลางไม่เปลี่ยน แต่ธุรกิจที่สร้างขึ้นในวันนี้แตกต่างไปโดยพื้นฐาน
• AI กำลังเปลี่ยน ส่วนติดต่อผู้ใช้, โมเดลราคา, อัตรากำไร และผลิตภัณฑ์แบบ AI-first กับเอเจนต์ก็มีรูปแบบการใช้งานที่แตกต่างกันโดยตัวมันเอง
• โมเดล 5 ขั้นไม่ได้หายไป แต่ในแต่ละขั้นมี เครื่องหมายคำถามเพิ่มเข้ามา — จำเป็นต้องผสานทั้งเมตริกเดิมและเมตริกใหม่เพื่อให้นิยามแต่ละขั้นขึ้นมาใหม่

เมตริกผลิตภัณฑ์: 6 การเปลี่ยนแปลงสำคัญ

• Shift 1: การพังทลายของ Time to Value

  • SaaS แบบดั้งเดิมทำให้ผู้ใช้สัมผัสคุณค่าผ่านการ onboarding เป็นลำดับขั้น แต่ในผลิตภัณฑ์ AI ผู้ใช้คาดหวัง ผลลัพธ์คุณภาพสูงในทันที
    • ใส่เอกสารที่รก ๆ เข้าไปก็หวังได้ข้อเสนอที่เรียบร้อย อัปโหลดสเปรดชีตก็คาดหวังผลการวิเคราะห์ ใส่สเก็ตช์ wireframe ก็คาดหวัง UI ที่ใช้งานได้จริง
    • วิธีป้อนข้อมูลอาจหลากหลาย แต่ความคาดหวังเหมือนเดิม: เอาต์พุตที่รวดเร็วและคุณภาพสูง ตั้งแต่ครั้งแรก
  • Time to Competency ก็พังทลายลงเช่นกัน — แม้แต่ผู้ใช้ที่ไม่ใช่สายเทคนิคก็สามารถสร้างผลงานระดับผู้เชี่ยวชาญได้โดยแทบไม่มี learning curve
    • หากกราฟ activation เดิมคือ learning curve ตอนนี้มันสั้นลงเหลือเพียงการโต้ตอบหนึ่งหรือสองครั้ง
  • เป็นเรื่องดีต่อผู้ใช้ แต่มีโอกาสกระทบเชิงลบต่อโมเดลธุรกิจ: หากคนหนึ่งใช้ AI ทำงานได้เทียบเท่า 3 คน ก็อาจกระทบ จำนวนที่นั่ง รายได้จากการขยาย ACV curve
    • ผู้ใช้มีความสุข แต่จำนวนที่นั่งน้อยลง — ความตึงเครียดนี้เริ่มต้นจาก Shift 1 และส่งผลต่อทุกเมตริกปลายน้ำ
  • สิ่งที่ต้องวัด: เวลาจนได้ผลลัพธ์แรกที่มีประโยชน์, สัดส่วนผู้ใช้ที่ได้ผลลัพธ์มีประโยชน์ตั้งแต่ครั้งแรก (ไม่ว่าจะเป็น prompt, upload หรือ sketch)

• Shift 2: Activation ไม่ได้เป็นตัวตัดสินอีกต่อไป

  • ใน SaaS แบบดั้งเดิม activation คือ เหตุการณ์แบบ deterministic — เมื่อผู้ใช้ทำขั้นตอนที่กำหนดครบ ก็จะได้ผลลัพธ์ที่คาดการณ์ได้
  • แต่ในผลิตภัณฑ์ AI แม้จะผ่านทุกขั้นของ activation funnel แล้ว ก็ยังอาจได้ ผลลัพธ์ที่ไม่น่าพอใจ
    • ในแดชบอร์ดอาจถูกนับว่า activated แล้ว แต่ในความเป็นจริงยังไม่ใช่
  • Activation ไม่ใช่ประตูแบบไบนารี แต่เป็นเหตุการณ์ที่ถ่วงน้ำหนักด้วยคุณภาพ
  • โมเดล Hooked ของ Nir Eyal (trigger → action → variable reward → investment) ยังใช้ได้อยู่ แต่ในลูปของ AI มีความแปรปรวนอยู่ทั้งสองด้านของ action
    • ผู้ใช้อาจทดสอบผลิตภัณฑ์ในแบบที่ทีมไม่ได้ออกแบบไว้ และคุณภาพของผลลัพธ์ก็ผันแปรได้ — ลูปเดียวมี แหล่งความแปรปรวน 2 จุด
  • activation แบบหลายขั้นตอนที่ซับซ้อนยังใช้ได้กับผลิตภัณฑ์ AI — ในกรณีที่ การตั้งค่า เช่น การเชื่อมต่อคอนเท็กซ์ อัปโหลดเอกสารอ้างอิง หรือกำหนดค่าเทมเพลต ช่วยยกระดับคุณภาพของการใช้งานครั้งแรก มันอาจยิ่งมีประสิทธิภาพ
    • การเปลี่ยนแปลงสำคัญไม่ใช่ "activation สั้นลง" แต่คือ การทำขั้นตอนครบไม่ได้รับประกันว่าจะส่งมอบคุณค่าได้
  • สิ่งที่ต้องวัด: ติดตามเมตริกการจบ funnel เดิมควบคู่กับ สัญญาณคุณภาพในการใช้งานครั้งแรก จาก Shift 1 — funnel บอกการจบขั้นตอน ส่วนสัญญาณคุณภาพบอกว่ามีการส่งมอบคุณค่าจริงหรือไม่ และควรแสดงคู่กันบนแดชบอร์ด

• Shift 3: Engagement เป็นเมตริกเชิงทิศทาง

  • ความเชื่อแบบดั้งเดิมคือ เวลาที่อยู่ในผลิตภัณฑ์ยิ่งนานยิ่งดี — เซสชันยาว, DAU สูง, การใช้ฟีเจอร์ลึก ๆ มักอยู่ใน investor deck
  • แต่ใน AI คำถามสำคัญไม่ใช่ว่า engagement เพิ่มหรือลด แต่คือ เวลาของผู้ใช้ถูกใช้ไปกับอะไร
    • เวลาที่ต้องดิ้นรน (generate ใหม่, prompt ใหม่, ปรับอินพุตเพื่อให้ได้ผลลัพธ์ที่ใช้ได้) = engagement ที่ไม่ดี, คือความล้มเหลวที่ถูกห่อด้วย engagement
    • เวลาที่ AI ทำงานแทนผู้ใช้ (จัดการสเปรดชีต, สร้างข้อเสนอ, ตรวจเอกสาร) = engagement ที่ดี, สะท้อนแรงงานของ AI
    • เวลาในการสำรวจและสร้างสรรค์ (brainstorming, ideation, ทำดีไซน์ซ้ำ) = engagement ที่ดี, ยังสอดคล้องกับสัญชาตญาณแบบเดิม
    • เวลาผู้ใช้เป็นศูนย์ แต่งานเสร็จแล้ว = ผลลัพธ์ในอุดมคติของผลิตภัณฑ์แบบ agent และ automation
  • GitHub Copilot ใช้ อัตราการยอมรับคำแนะนำ เป็นเมตริกหลัก และทั้งอุตสาหกรรมอยู่ที่ประมาณ 27~30%
    • นี่คือ KPI ที่ SaaS แบบดั้งเดิมไม่เคยมี โดยวัดตรง ๆ ว่า "งานของ AI มีประโยชน์หรือไม่" ไม่ใช่แค่ว่า "ผู้ใช้ยังอยู่ไหม"

• Shift 4: Stickiness ไม่ใช่กำแพง แต่เป็น Flow

  • stickiness แบบดั้งเดิมคือเกมของความถี่ (DAU/MAU, การกลับมาใช้ซ้ำ, habit loop) และ Andrew Chen ก็เคยชี้ข้อจำกัดของ DAU/MAU — ไม่เหมาะกับผลิตภัณฑ์ที่ใช้งานเป็นช่วง ๆ แต่มีมูลค่าสูง หรือเครื่องมือที่มีจังหวะการใช้รายสัปดาห์
  • AI ไม่ได้ทำให้ DAU/MAU หายไป แต่กลับ ขยายข้อจำกัดเดิมให้เด่นชัดขึ้น
  • มี 2 สิ่งเกิดขึ้นพร้อมกัน:
    • ผู้ใช้คาดหวังให้ผลิตภัณฑ์ AI รองรับ งานที่หลากหลายกว่าเดิม เมื่อเทียบกับเครื่องมือ SaaS แบบฟังก์ชันเดียว — task diversity per user จึงกลายเป็นเวกเตอร์การเติบโตแบบใหม่ที่ไม่เคยมีมาก่อน
    • ผลิตภัณฑ์ AI ที่มี stickiness ไม่ได้เป็นกำแพงที่กักผู้ใช้ไว้ แต่เป็นสิ่งที่ อยู่ใน flow ของการทำงาน — สอดคล้องกับแนวคิด "Moats are dead. Long live canals" ของ Trace Cohen
      • "คูเมืองขยายผ่านการกีดกัน ส่วนคลองขยายผ่าน throughput"
  • สิ่งที่ต้องวัด:
    • Task diversity — ผู้ใช้ขยายการใช้ผลิตภัณฑ์ไปยัง use case นอกเหนือจากขอบเขตเดิมหรือไม่
    • ความลึกของการผสานรวม — มีเครื่องมือและแหล่งข้อมูลของผู้ใช้กี่รายการที่เชื่อมเข้ากับผลิตภัณฑ์
    • ความหลากหลายของ trigger — ปัจจัยที่ดึงผู้ใช้กลับมามีอย่างเดียวหรือหลายอย่าง
    • Workflow chaining — ผลิตภัณฑ์ส่งต่องานไปยังเครื่องมืออื่น หรือรับงานต่อจากเครื่องมืออื่นหรือไม่
  • เมื่อมนุษย์ไม่ได้เป็นผู้ใช้หลักอีกต่อไป DAU/MAU แบบเดิมจะกลายเป็น เมตริกที่มีปัญหา
  • เมตริกเสริมคือ replacement breadth: จำนวนเครื่องมือใกล้เคียง, subscription หรือกระบวนการ manual ที่ลูกค้าเลิกใช้เมื่อรับผลิตภัณฑ์นี้ไปใช้
    • ถ้าคำตอบคือ 0 มันคือคลองเล็กที่ถูกเลี่ยงได้ แต่ถ้าเป็นตัวเลขที่มีนัยสำคัญ มันคือเส้นทางที่ทุกอย่างต้องไหลผ่าน

• Shift 5: คุณภาพคือเมตริกระดับ First-Class

  • มีรากเหตุเดียวกับ Shift 2: เอาต์พุตของ AI เป็นแบบ probabilistic ไม่ใช่ deterministic — การเปลี่ยนแปลงนี้ส่งผลต่อทุกเมตริกที่สืบทอดมาจาก playbook ของ SaaS
  • แบบดั้งเดิม: ฟีเจอร์ใช้งานได้หรือไม่ได้ — ปล่อยแล้ววัด จากนั้นก็ไปต่อ
  • ความจริงของ AI: เอาต์พุตไม่ใช่คุณสมบัติ แต่เป็นการกระจายตัว — ผลิตภัณฑ์ที่ดี 80% กับ 95% ให้ความรู้สึกต่างกันอย่างสิ้นเชิงสำหรับผู้ใช้
  • กรณีของ Klarna: หลังเปิดใช้ฝ่ายบริการลูกค้าเฉพาะ AI ในปี 2024 บริษัทอ้างว่า AI ทำงานเทียบเท่า พนักงานให้คำปรึกษา 700 คน แต่ในช่วงกลางปี 2025 CEO ก็ออกมาถอนคำพูดต่อสาธารณะ และกลับมาจ้างคนอีกครั้ง
  • ความเปราะบาง (brittleness) — คุณภาพอาจถดถอยแบบเงียบ ๆ จากโมเดลที่ทีมไม่ได้เป็นเจ้าของ, การเชื่อมต่อที่ควบคุมแทบไม่ได้, หรือการอัปเดตของผู้ให้บริการต้นน้ำ
    • คุณภาพอาจลดลงได้แม้ทีมไม่ได้แตะโค้ดเลย — นี่คือหมวดความเสี่ยงแบบใหม่
  • วิธีป้องกันคือทำ การประเมินเปรียบเทียบข้ามโมเดล กับ prompt จริง และรัน eval เดียวกันกับทุกโมเดลเพื่อจับการถดถอยและการปรับปรุง
  • สิ่งที่ต้องวัด:
    • อัตรา thumbs-up และ อัตรา regenerate เป็นสัญญาณหลัก
    • ติดตาม คะแนน eval harness เป็นอนุกรมเวลาเหมือน retention และใช้กับทุกโมเดลที่ใช้งาน
    • การกระจายคุณภาพตาม cohort — ประสบการณ์ของผู้ใช้ใหม่กับ power user ต่างกัน และส่วนใหญ่ทีมยังไม่ได้วัดช่องว่างนี้
  • มุมมองของ Alistair Croll: หากในยุค Lean Startup นั้น MVP คือการทดลองขั้นต่ำเพื่อทดสอบสมมติฐานที่เสี่ยงที่สุด ในยุค AI eval suite ก็คือ MVP — "ชุดการกระทำขั้นต่ำที่สามารถทำให้การปรับปรุงเป็นอัตโนมัติและวัดผลได้"

• Shift 6: ความไว้วางใจและความสบายใจต่อ AI เป็นตัวชี้นำล่วงหน้า

  • ความชำนาญทางเทคนิคสำคัญเสมอมา แต่ใน AI ระดับความสบายใจกับเทคโนโลยีเอง กลายเป็นตัวแปร และส่งผลต่อทุกเมตริกปลายน้ำ
  • งานวิจัยของ Gallup เดือนกุมภาพันธ์ 2026 (พนักงานในสหรัฐฯ 23,717 คน): สิ่งที่แยกผู้ใช้ AI ออกจากผู้ที่ไม่ใช้ ไม่ใช่การเข้าถึงเครื่องมือ แต่คือการมองว่า AI มีประโยชน์ มีจริยธรรม และเหมาะกับ workflow ของตนหรือไม่
  • Stanford 2026 AI Index Report: อัตราการยอมรับของพนักงานทั่วโลกอยู่ที่ 58% ขณะที่สหรัฐฯ อยู่ที่ 28.3% ตามหลัง Singapore ที่ 61% และ UAE ที่ 54% อย่างมาก
    • ผลิตภัณฑ์เดียวกันอาจตั้งอยู่บนฐานผู้ใช้ที่แตกต่างกันอย่างสิ้นเชิง และทีมส่วนใหญ่ก็ยังไม่ได้วัดเรื่องนี้
  • ใน B2B เส้นโค้งของ activation, stickiness และ task diversity อาจต่างกันอย่างมีนัยสำคัญระหว่างผู้ใช้ที่เป็น AI native กับผู้ใช้ที่ยังลังเลกับ AI
    • ผู้ใช้ AI native จะขยายการใช้งานเครื่องมือ, prompt ในแบบที่ทีมไม่ได้ออกแบบไว้, และดึงคุณค่าได้มากกว่าต่อหนึ่งเซสชัน
    • ผู้ใช้ที่ยังลังเลกับ AI จะใช้เครื่องมืออย่างระมัดระวัง ใช้น้อยเกินไป และสรุปเงียบ ๆ ว่า "สิ่งนี้ไม่เหมาะกับฉัน"
    • หากวัดรวมเป็น cohort เดียว ค่าเฉลี่ยจะซ่อนเรื่องราวจริงไว้
  • ใน B2C ผลิตภัณฑ์ด้าน เพื่อนคู่คิด, การสนับสนุนสุขภาพจิต, มิตรภาพ และสุขภาวะทางอารมณ์ กำลังกลายเป็นหมวดหมู่จริง

• ข้อมูลจาก Stanford: 52% ของผู้ตอบแบบสอบถามทั่วโลกตื่นเต้นกับ AI companion และใน Singapore กับ Indonesia ตัวเลขเกิน 80%

  • ในบริบทนี้ การสร้างคุณค่าวัดจาก ความตั้งใจของผู้ใช้ในการมีส่วนร่วมอย่างต่อเนื่อง·สนทนา·ปฏิสัมพันธ์ทางอารมณ์
  • ความไว้วางใจไม่ใช่แนวคิดเดียว แต่มีอย่างน้อย 4 มิติอิสระ:
    • ความไว้วางใจต่อผลลัพธ์ (ความแม่นยำ·ประโยชน์ใช้สอย), ความไว้วางใจต่อการจัดการข้อมูล (ปลายทางของพรอมป์ต์), ความไว้วางใจด้านความปลอดภัย (ความเป็นไปได้ในการถูกนำไปใช้ในทางที่ผิด·การรั่วไหล), ความไว้วางใจด้านความน่าเชื่อถือ (จะไม่ทำให้ลำบากใจเมื่อพึ่งพาใช้งานหรือไม่)
  • สิ่งที่ต้องวัด:
    • เส้นโค้งการยอมรับและการเปิดใช้งาน แยกตาม cohort ของระดับความสบายใจกับ AI
    • อัตราการยอมรับ (accept rate) — เมื่อวิเคราะห์ตาม cohort ของระดับความสบายใจกับ AI จะมองเห็นความเร็วในการสร้างความไว้วางใจได้ โดยสิ่งสำคัญกว่าค่าตัวเลขสัมบูรณ์คือ ความชันของเส้นโค้ง
    • อัตราการ override (override rate) — ความถี่ที่ผู้ใช้เขียนใหม่·แก้ไขผลลัพธ์จาก AI การลดลงเป็นสัญญาณว่าความไว้วางใจเพิ่มขึ้น
    • สำหรับผลิตภัณฑ์ B2C ที่มีความใกล้ชิดทางอารมณ์: ความลึกของเซสชัน, อัตราการกลับมาใช้ฟังก์ชันที่อ่อนไหว, โทนเชิงคุณภาพของปฏิสัมพันธ์
    • สัญญาณความกังวลด้านข้อมูล·ความปลอดภัย: การ opt-out จากฟังก์ชัน, ซัพพอร์ตทิคเก็ตประเภท "สิ่งนี้ถูกส่งไปที่ไหน?", การหลีกเลี่ยงการป้อนข้อมูลที่อ่อนไหว

ตัวชี้วัดโมเดลธุรกิจ: 3 การเปลี่ยนแปลงสำคัญ

• Shift 1: ต้นทุนต่อภารกิจที่สำเร็จกลายเป็นการคำนวณ CAC แบบใหม่

  • SaaS แบบดั้งเดิม: CAC, LTV และกำไรขั้นต้นค่อนข้างคงที่ต่อหนึ่งลูกค้า เมื่อขยายขนาดต้นทุนจะลดลง และต้นทุนส่วนเพิ่มในการเพิ่มผู้ใช้แทบเป็นศูนย์
  • ความจริงของ AI: ผู้ใช้ระดับหนักเป็นตัวก่อให้เกิดต้นทุนจริง — โทเค็นคือต้นทุนผันแปร, การสมัครสมาชิกแบบเหมาจ่าย + ผู้ใช้หนัก = มาร์จินติดลบต่อบัญชี
    • เส้นโค้ง LTV ของ SaaS ใช้ไม่ได้ และยิ่งใช้งานมาก unit economics ก็ยิ่งแย่ลง เป็น โครงสร้างย้อนทิศ
  • สิ่งที่ต้องวัด: กำไรขั้นต้นต่อผู้ใช้ที่ใช้งานจริง (ยึดผู้ใช้ active ไม่ใช่ผู้ใช้ที่จ่ายเงิน), ต้นทุนต่อภารกิจที่สำเร็จ, สัดส่วนต้นทุนโมเดลต่อรายได้, ต้นทุนส่วนเพิ่มของผู้ใช้หนักเทียบกับรายได้ส่วนเพิ่ม
  • Fin ของ Intercom: ไม่คิดเงินตามที่นั่ง แต่คิด $0.99 ต่อการแก้ปัญหาที่สำเร็จ — โมเดลกำหนดราคาตามผลลัพธ์ที่ซื่อตรงทางคณิตศาสตร์กับต้นทุนการดำเนินงานจริงของผลิตภัณฑ์ AI
  • ElevenLabs คิดเงินแบบ ตามการใช้งาน มาตั้งแต่วันแรก ขณะที่ Anthropic และ OpenAI กำลังต่อสู้กับเศรษฐศาสตร์ของการสมัครสมาชิกผู้บริโภคอย่างเปิดเผย
  • ถ้าการตั้งราคาและตัวชี้วัดไม่สะท้อน ต้นทุนคอมพิวต์แบบผันแปร ก็เท่ากับมองไม่เห็นภาพ

• Shift 2: การตั้งราคาเป็นตัวกำหนดผลิตภัณฑ์

  • การตั้งราคาแบบตามการใช้งานและตามผลลัพธ์ยังอยู่ในช่วงต้น โดย โมเดลไฮบริด (ค่าสมาชิกรายเดือนต่ำ + ค่าการใช้งาน + ส่วนเกิน) มีแนวโน้มจะเป็นรูปแบบสุดท้ายของผลิตภัณฑ์ AI ส่วนใหญ่
  • โมเดลราคาสื่อสารให้ผู้ใช้เข้าใจ นิยามของความสำเร็จ — ต้องสอดคล้องกับ unit economics พื้นฐาน มิฉะนั้นมาร์จินจะหายไปหรือการเติบโตจะถูกจำกัด (หรือทั้งสองอย่าง)
  • “AI query ไม่จำกัด $20 ต่อเดือน” กับ “$0.99 ต่อผลลัพธ์ที่สำเร็จ” ไม่ได้ต่างกันแค่โมเดลราคา แต่เป็น คนละผลิตภัณฑ์โดยสิ้นเชิงในมุมมองผู้ใช้
    • แบบแรกคือ “ลองได้อย่างอิสระ ต้นทุนการเรียนรู้เราออกให้”
    • แบบหลังคือ “เราชนะก็ต่อเมื่อคุณชนะ”
  • PM ส่วนใหญ่ไม่เคยต้องคิดเรื่องการตั้งราคาอย่างลึกซึ้ง แต่ PM สาย AI-native ต้องมองราคาว่าเป็น แกนกลางของการออกแบบผลิตภัณฑ์
  • ฟีเจอร์ AI ต่างจากฟีเจอร์ SaaS แบบดั้งเดิมตรงที่ ต้นทุนในการรันไม่ถูก — ฟีเจอร์ AI ที่แพงแต่สร้างคุณค่าให้ผู้ใช้ไม่มาก อาจทำให้ทั้งผลิตภัณฑ์พังได้

• Shift 3: การทดลองไม่ใช่ vanity metric อีกต่อไป

  • การพัฒนาผลิตภัณฑ์ด้วย AI ทำให้ ความเร็วในการปล่อยเพิ่มขึ้นแบบระเบิด — ต้นทุนในการปล่อยฟีเจอร์พังทลายลง
  • ถ้าปล่อยได้เร็วขึ้นแต่ไม่ทำการทดลองจริง ก็จะกลายเป็น “vibe-stuffing” — เพิ่มฟีเจอร์เพียงเพราะทำได้ โดยไม่มีหลักฐานรองรับ
    • ฟีเจอร์ส่วนใหญ่ไม่สร้างคุณค่า และทำให้ทั้งผลิตภัณฑ์กับ codebase พองตัว รวมถึงเพิ่มภาระการรับรู้ของผู้ใช้
  • ทุกฟีเจอร์ AI มี ต้นทุนการเรียกใช้งานต่อเนื่อง ทุกครั้งที่มีการใช้ — inference ไม่ได้ฟรี
    • ความพองตัวจาก vibe-stuffing ไม่ใช่แค่ความซับซ้อน แต่เป็น ภาษีที่เพิ่มแบบทบต้นตามการใช้งาน
    • ความพองตัวของผลิตภัณฑ์ในยุค AI คือ ตัวฆ่ามาร์จิน
  • การทดลองที่แข็งแรงคือแนวป้องกันเดียว และคุณค่าของ Lean Analytics กลับยิ่งสูงขึ้น
    • วินัยในการเลือกตัวชี้วัด ตั้งสมมติฐาน pressure test และตัดสินใจการกระทำถัดไป คือความต่างระหว่างทีมที่เรียนรู้กับทีมที่แค่ปล่อยของ
  • ตัวกรองที่ใช้ได้จริง: สำหรับทุกการทดลอง ให้บันทึก สมมติฐานและเกณฑ์การตัดสินใจก่อนปล่อย — ไม่เช่นนั้นมันไม่ใช่การทดลอง แต่เป็นแค่การปล่อย
  • สิ่งที่ต้องวัด: จำนวนการทดลองต่อไตรมาส, สมมติฐานที่ถูกบันทึกก่อนปล่อย, การยุติฟีเจอร์ด้วยข้อมูล, ต้นทุนต่อฟีเจอร์ที่อยู่ในระบบใช้งานจริง (ไม่ใช่แค่มีคนใช้หรือไม่ แต่คุ้มกับต้นทุนการรันหรือไม่)

• ความหนาแน่นของคุณค่า (Value Density)

  • หลักการที่ครอบคลุมทั้งสามการเปลี่ยนแปลงของโมเดลธุรกิจ: คำอธิบายของ Ben Murray (The SaaS CFO) — “ถ้า SaaS คือเรื่องประสิทธิภาพของมาร์จิน AI ก็เป็นเรื่องของ ความหนาแน่นของคุณค่า การเพิ่มประสิทธิภาพว่าคอมพิวต์ 1 ดอลลาร์ทดแทนผลลัพธ์ ผลิตภาพ หรือแรงงานได้มากแค่ไหน”
  • รายงาน ICONIQ เดือนมกราคม 2026: ในบริษัท AI B2B ระยะสเกล inference คิดเป็น 23% ของรายได้ อัตรากำไรขั้นต้นของ AI เฉลี่ยปี 2026 อยู่ที่ 52% (เพิ่มจาก 41% ในปี 2024 แต่ยังต่ำกว่า SaaS ที่โตเต็มที่ซึ่งอยู่ที่ 70~90%)
  • Bessemer: อัตรากำไรขั้นต้นของบริษัท AI-first อยู่ที่ 50~60%
  • Jason Lemkin: “ยิ่งเติบโตก็ยิ่งต้องใช้ inference มากขึ้น และไม่สามารถลดลงได้โดยไม่ทำให้คุณภาพผลิตภัณฑ์ลดลง”
  • อัตราส่วน 3 แบบสำหรับวัดความหนาแน่นของคุณค่า (เคลื่อนไหวแยกจากกัน):
    • ต้นทุนการให้บริการต่อภารกิจ — ต้องใช้ค่าโทเค็นและคอมพิวต์เท่าไรเพื่อผลิตผลลัพธ์ที่สำเร็จ
    • รายได้ที่ได้มาต่อคอมพิวต์ 1 ดอลลาร์ — คิดเงินพอที่จะครอบคลุมต้นทุนผันแปรและมาร์จินหรือไม่
    • คุณค่าที่ส่งมอบให้ผู้ใช้ต่อคอมพิวต์ 1 ดอลลาร์ — เป็นตัวชี้วัดที่ทีมส่วนใหญ่ข้ามไป และการวินิจฉัยจะใช้ได้ก็ต่อเมื่อวัดทั้งสามอย่าง

อนาคต: มนุษย์ถอยออกจากลูป

• “สร้างมากเกินไป (Build-too-much)” คือ overfitting แบบใหม่

  • การสร้างของง่ายเกินไปจนเสี่ยงปล่อยสิ่งที่ผู้ใช้รับไม่ไหว หรือเกินกว่าที่ข้อมูลรองรับ
  • Alistair Croll: AI ได้ ลบแรงเสียดทาน ที่เคยบังคับให้ต้องลบของ — โค้ดเก่าคงอยู่เพราะต้นทุนการเขียนใหม่ ฟีเจอร์เก่าคงอยู่เพราะต้นทุนการสร้าง แต่ตอนนี้ไม่มีอะไรถูกเก็บกวาดแล้ว
    • fallback สะสมกลายเป็น “กำแพงรับน้ำหนักที่มองไม่เห็น” ขณะที่การทดสอบที่ AI สร้างขึ้นถูกปรับให้ผ่านเอง ไม่ใช่เพื่อยืนยันพฤติกรรมที่ต้องการ
    • “การลบให้ความรู้สึกเสี่ยงกว่าการเก็บไว้ และเมื่อไม่มีแรงเสียดทาน ทุกอย่างก็จะอยู่ต่อ”
  • PM ที่ วัดการลบอย่างจริงจังพอๆ กับการเพิ่ม จะเป็นผู้ชนะ

• เมื่อเอเจนต์คือผู้ใช้

  • เมื่อ Claude agent ใช้ผลิตภัณฑ์แทนมนุษย์โดยไม่มี UI — ก็ไม่ชัดอีกต่อไปว่าใครคือผู้ใช้ และ activation, session length, engagement หมายถึงอะไร
  • วิธีปฏิบัติที่ใช้ได้จริง: วัด agent traffic เป็น cohort แยก — แยก “มนุษย์กำลังขับ UI” กับ “เอเจนต์เรียก API” ด้วย user-agent string, รูปแบบ API เป็นต้น
    • พฤติกรรมต่างกัน เกณฑ์ความสำเร็จก็ต่างกัน และถ้าปนกันในตัวชี้วัดเดียว คำตอบจะผิดทั้งสองฝั่ง
  • แนวคิด HX (Harness Experience) ของ Rob May: ถ้า 30 ปีที่ผ่านมา UX มีหน้าที่ทำให้มนุษย์คลิกปุ่มที่ถูกต้อง เอเจนต์อัตโนมัติก็จะข้ามทุกอย่างนั้นไป
    • “ไม่ใช่ว่า funnel พัง แต่ มันหมดความเกี่ยวข้องไปแล้ว”
    • HX คือชั้นการออกแบบสำหรับมนุษย์ที่ต้องควบคุม เชื่อถือ และตรวจสอบกองทัพเอเจนต์ — ผู้ใช้ไม่ใช่คนขับ แต่เป็น ผู้กำกับ
    • แทนที่จะวัดคลิกและ conversion ก็วัด ผลลัพธ์ การกำกับดูแล และการแทรกแซง

• การค้นพบได้ (Discoverability) และการนำกลับมาใช้ซ้ำ (Reuse)

  • สองปัญหา แต่มีรากเดียวกัน: AI ที่ไม่ได้เป็นของคุณเป็นผู้ตัดสินว่าผลิตภัณฑ์ของคุณจะถูกใช้หรือไม่
  • การค้นพบได้: ถ้าผู้ใช้พิมพ์ใน ChatGPT ว่า “ช่วยวางแผนเที่ยวเม็กซิโกให้หน่อย” แล้ว ChatGPT ต้องเลือกว่าจะใช้ Expedia, Booking หรือ Kayak — AI ไม่ใช่ผู้ใช้ เป็นฝ่ายเลือกเครื่องมือ
    • ตลอด 30 ปีที่ผ่านมา การกระจายผลิตภัณฑ์คือการทำให้มนุษย์ค้นหาและเลือก แต่ในโลกของเอเจนต์ คุณกำลังแข่งขันเพื่อให้ชนะใน ตรรกะการเลือกของ AI
  • การนำกลับมาใช้ซ้ำ: แม้ผู้ใช้จะสมัคร Canva แบบเสียเงินและติดตั้งแอป ChatGPT แล้ว แต่ถ้าขอให้ออกแบบผ่าน ChatGPT AI ก็ยังเป็นผู้ตัดสินทุกครั้งว่าจะเรียก Canva หรือไม่
    • การ “ครอบครอง” ลูกค้าไม่ได้แปลว่าคุณครอบครองช่วงเวลาที่เกิดคุณค่าจริง — นี่คือ platform risk รูปแบบใหม่
  • สิ่งที่ต้องติดตาม: ช่องว่างระหว่าง “ผู้ใช้ที่เป็นเจ้าของหรือจ่ายเงินให้ผลิตภัณฑ์” กับ “ผู้ใช้ที่ AI เรียกใช้จริง”
    • สมาชิกแบบเสียเงินที่ AI ไม่ได้เรียกใช้เลยตลอด 30 วัน มีความเสี่ยงยิ่งกว่าสมาชิกที่ไม่ได้ล็อกอินเองเสียอีก

• ผลิตภัณฑ์แบบ agent-to-agent

  • เมื่อผลิตภัณฑ์คือเครือข่ายของเอเจนต์ที่ทำงานร่วมกับเอเจนต์ของคนอื่น — ความหมายของ OMTM, stickiness และ churn ยังไม่ชัดเจน
  • ทั้งสี่ขั้นของโมเดล Hooked ต่างมีคำถามที่เมื่อ 5 ปีก่อนไม่มีแนบอยู่:
    • trigger หมายถึงอะไรเมื่อ AI เป็นฝ่าย trigger, action หมายถึงอะไรเมื่อ AI เป็นฝ่ายลงมือ, จะให้รางวัลกับสิ่งที่ไม่รับรู้รางวัลอย่างไร, และ investment ใช้ได้อย่างไรในระบบที่ไม่มีความทรงจำจากลูปก่อนหน้า หรือมีความทรงจำสมบูรณ์แบบ

สิ่งที่ควรเริ่มทำตั้งแต่วันนี้

• ตรวจสอบตัวชี้วัดด้าน engagement: อย่าถามว่า “engagement ขึ้นลงหรือไม่” แต่ให้ถามว่า “เวลาของผู้ใช้ถูกใช้ไปกับอะไร” — เวลาที่ต้องดิ้นรนแก้ปัญหาคือความล้มเหลวที่ถูกห่อให้ดูเหมือนเป็น engagement
• เพิ่มมุมมองคุณภาพตาม cohort: วัดคุณภาพของผลลัพธ์แยกระหว่างผู้ใช้ใหม่กับ power user — ช่องว่างอาจใหญ่กว่าที่คาดไว้ และช่วยชี้จุดที่ควรปรับปรุง onboarding ได้อย่างแม่นยำ
• ตรวจสอบกำไรขั้นต้นต่อผู้ใช้ที่ใช้งานจริง: ยึดตาม active user ไม่ใช่ผู้ใช้ที่จ่ายเงิน — แดชบอร์ดปัจจุบันอาจยังบอกไม่ได้ว่าผู้ใช้ที่ดีที่สุดคือสินทรัพย์ที่ดีที่สุดหรือหนี้ก้อนใหญ่ที่สุด
• เริ่มวัดทราฟฟิกจากเอเจนต์แยกต่างหาก: ต่อให้ตอนนี้มีเพียง 2% ก็จำเป็นต้อง เก็บค่า baseline ก่อนที่รูปแบบของทราฟฟิกจะเปลี่ยนไป
• สร้าง eval harness: ถ้ายังประเมินอย่างเป็นระบบไม่ได้ว่า AI ทำงานที่ต้องการได้หรือไม่ สิ่งนั้นก็ไม่ใช่ผลิตภัณฑ์ แต่เป็นแค่ “ความรู้สึก (vibes)”
• ประเมินวิธีการสร้างฟีเจอร์: ตรวจสอบว่ากำลังทำการทดลองอย่างเข้มงวด หรือกำลังฆ่าผลิตภัณฑ์ด้วยการยัดฟีเจอร์ตามกระแส vibes