ซอฟต์แวร์ไม่ได้ตาย แต่กำลังวิวัฒน์

• เมื่อการสร้างโค้ดด้วย AI มีต้นทุนถูกลง คูเมืองแบบ "สร้างฟีเจอร์ได้ก่อน" ก็พังทลายลง และซอฟต์แวร์ที่สะสมแต่ฟีเจอร์จำนวนมากกำลังถูก ตีมูลค่าใหม่ (repriced) แบบเรียลไทม์
• ตอนนี้ความสามารถในการป้องกันไม่ได้มาจากความเร็วในการทำฟีเจอร์ แต่เกิดจาก เวิร์กโฟลว์ความแม่นยำสูง ข้อมูลกรรมสิทธิ์ และระบบบันทึกที่ลึก และเกณฑ์การได้รับการยอมรับว่าเป็น 'บริษัทจริง' ก็สูงขึ้นด้วย
• คำกล่าวทำนองว่า "สุดสัปดาห์นี้ใช้ Claude ทำ vibe coding สร้าง CRM เอง" มองข้ามความต่างระหว่างการสร้างโค้ดกับการ รันบริการที่มีความสำคัญต่อภารกิจหลัก โดยองค์กรไม่ได้ซื้อโค้ด แต่ซื้อ ความเชื่อถือ (trust)
• เอเจนต์ไม่ได้เข้ามาแทนที่แอป แต่จะถูก ซ้อนอยู่ภายในแอปพลิเคชันแนวตั้ง และแอปที่เป็นเจ้าของ data model, สิทธิ์การเข้าถึง และ audit trail จะยังเป็นผู้ขายและผู้ต่ออายุสัญญา
• ช่วงหลังมูลค่าตลาดของซอฟต์แวร์เลกาซีหายไป 2.85 แสนล้านดอลลาร์ จนกระแสทฤษฎีจุดจบของ SaaS กลับมา แต่ตลาด AI ยังเป็นตลาดที่มีรายได้จริงรองรับ และอุปสงค์ยังมากกว่าอุปทาน

---

ข้อถกเถียงเรื่องฟองสบู่กำลังตั้งคำถามผิด

• หากมอง AI ทั้งภาพรวม มันไม่ใช่ฟองสบู่ อุปสงค์ยังสูงกว่าอุปทานอย่างต่อเนื่อง และบางบริษัทในพอร์ตถึงขั้นรับลูกค้าเพิ่มไม่ได้เพราะคอมพิวต์ไม่พอ
  • อุปสงค์นี้ไม่ได้เชื่อมกับแค่จำนวนผู้ใช้ แต่เชื่อมกับ รายได้จริงระดับหลายหมื่นล้านดอลลาร์ ซึ่งฟองสบู่ไม่ได้มีหน้าตาแบบนี้
• แต่ก็มีจุดที่น่าสงสัยว่าเป็นฟองสบู่จริง นั่นคือวงการ หุ่นยนต์ฮิวแมนนอยด์ ที่เงินทุนไหลเข้าไปกองอยู่ใน valuation ระยะปลาย
  • เราเห็นแบ็กฟลิปหรือท่าเต้น แต่ยังไม่มีหุ่นยนต์ที่ทำ งานที่มีคุณค่าทางเศรษฐกิจจริง
  • LLM ทำงานได้เพราะมีคอร์ปัสฝึกจากอินเทอร์เน็ตแบบเปิด แต่ หุ่นยนต์ยังไม่มีคอร์ปัสข้อมูลที่เทียบเท่า
    ทำให้แหล่งที่มาของข้อมูลฝึกยังเป็น โจทย์วิจัย ที่ไม่ชัดเจนอยู่ (และไทม์ไลน์งานวิจัยก็ไม่ตรงกับไทม์ไลน์ของเวนเจอร์)
• ดังนั้นคำถามว่า "AI เป็นฟองสบู่ไหม" ต้องตอบแยกเป็นรายสาขา และสำหรับซอฟต์แวร์ (SaaS) เองก็ไม่ควรสรุปทันทีว่ามัน "ตายแล้ว" แต่ต้องแยกดูเป็นรายข้ออ้าง

4 ข้ออ้างเรื่องความตายของซอฟต์แวร์ (เรียงจากแย่สุดไปดีที่สุด)

• #4: ทุกคนจะ vibe coding ซอฟต์แวร์ใช้เอง

  • ข้ออ้างแบบ "จะจ่ายเงินให้ Salesforce ไปทำไม ในเมื่อสุดสัปดาห์นี้ใช้ Claude vibe coding CRM เองก็ได้"
  • การสร้าง codebase กับการ รันบริการที่มีความสำคัญต่อภารกิจหลัก เป็นคนละเรื่องกันโดยสิ้นเชิง
    • ถ้าคนที่ vibe coding ไว้ลาออก ก็จะเกิดปัญหาในการดูแล codebase
    • การสร้างโค้ดไม่ได้แก้ปัญหาเรื่อง SOC2 compliance และการควบคุม hallucination
    • และยังไม่แก้ปัญหาการเชื่อมต่อกับฐานข้อมูล SQL ที่เขียนไว้ตั้งแต่ปี 1998 หรือปัญหา ความรับผิดชอบด้าน uptime เมื่อแดชบอร์ดล่มตอนตี 4
  • องค์กรไม่ได้ซื้อโค้ด แต่ซื้อความเชื่อถือ และแม้ AI จะทำให้ ความเท่าเทียมกันด้านโค้ด เกิดขึ้นได้ง่ายขึ้น แต่ ความเท่าเทียมกันด้านความเชื่อถือ ยังยากเหมือนเดิม

• #3: เอเจนต์อย่าง Claude หรือ ChatGPT จะกลืนแอปองค์กร

  • เป็นข้ออ้างที่ดีกว่า vibe coding แต่ก็ยังน่าสงสัยว่าจะใช้ได้จริงใน เวิร์กโฟลว์ที่ต้นทุนของความผิดพลาดสูง
  • ระบบ LLM เป็นแบบ ไม่กำหนดแน่นอน (non-deterministic) และเปราะบางต่อ hallucination
    • บั๊กซอฟต์แวร์ทั่วไปสามารถทำซ้ำได้ แต่ความล้มเหลวของเอเจนต์คล้ายกับ เทสต์ที่ไม่เสถียร ที่ผ่าน 98% แต่พังในจังหวะสำคัญ
  • มันเหมาะกับ งานความเสี่ยงต่ำ เช่น ร่างอีเมล สรุปเอกสาร หรือเขียนข้อความการตลาด
    • แต่ถ้าเอเจนต์ลืมกรอกฟิลด์ที่จำเป็น หรือบันทึกมูลค่าสัญญาผิดจนเสียดีลหกหลัก ก็จำเป็นต้องมีระบบที่บังคับใช้กฎ
  • ทีมที่ใช้เวิร์กโฟลว์แบบเอเจนต์ล้วน ๆ สุดท้ายก็ต้องสร้าง ชั้นตรวจสอบ ขั้นอนุมัติ การ rollback และ audit log กลับขึ้นมาใหม่
    • พอบวกทั้งหมดเข้าด้วยกัน ก็เท่ากับสร้างแอป SaaS กลับมาครอบเอเจนต์อีกที
    • สุดท้ายจึงไม่ใช่การแทนที่แอป แต่เป็นการ ซ้อนเอเจนต์ไว้ภายในแอปพลิเคชันแนวตั้ง
    • data model, สิทธิ์การเข้าถึง, audit trail และความสัมพันธ์กับลูกค้า ยังคงเป็นของตัวแอป และสิ่งที่ถูกขาย ถูกซัพพอร์ต และถูกต่ออายุ ก็คือ envelope นั้นเอง
  • ถ้าความน่าเชื่อถือของโมเดลดีขึ้น เรื่องนี้จะน่าสนใจมากขึ้น แต่ตอนนี้ยังไม่ถึงจุดนั้น

• #2: การหายไปของการคิดราคาแบบต่อที่นั่งจะทำให้โมเดล SaaS พัง

  • SaaS แบบดั้งเดิมประกอบด้วยสามชั้นคือ data, business logic และ UI และตอนนี้กำลังมีชั้นที่สี่คือ agentic layer ซ้อนเพิ่มขึ้นมา
    • ของเดิมที่ขายให้มนุษย์ 50 ที่นั่ง ถ้ากลายเป็นมีเอเจนต์ 2 ตัวทำงานแทนโดยไม่ต้องมี UI ก็จะเกิดปัญหาเรื่องอำนาจในการตั้งราคา
  • ถ้าเอเจนต์ทำงานได้มากขึ้นและลูกค้าได้คุณค่ามากขึ้น นี่ไม่ใช่ปัญหาเชิงการดำรงอยู่ แต่เป็น ปัญหาเรื่องราคาและแพ็กเกจ
    • ผู้ขายที่ออกแบบ การตั้งราคาตามคุณค่า (price to value) ด้วยโมเดลแบบโทเคน ตามผลงาน หรือแบบใช้งานผสม จะอยู่รอด
    • ผู้ขายที่ยึดติดกับราคาต่อที่นั่งจะพังเมื่อลูกค้าเริ่มทำให้ที่นั่งถูกทำงานอัตโนมัติแทน
  • การคิดราคาแบบตามผลงานล้วน ๆ ใช้ได้ไม่สวยงามกับทุกหมวดหมู่ จึงคาดว่าในอีกไม่กี่ปีข้างหน้า โมเดลแบบผสม (usage + outcome) จะครองตลาด (มีระบุไว้ชัดในต้นฉบับ)

• #1: เมื่อโค้ดถูกลง คูเมืองของฟีเจอร์ก็พัง

  • นี่คือข้ออ้างที่ควรจริงจังที่สุด
  • คูเมืองของ SAP, ServiceNow และ Salesforce ตลอดหลายสิบปี คือ กำลังคนด้านวิศวกรรม ที่สะสมมา
    • ฟีเจอร์ การเชื่อมต่อ และรายงานทุกอย่างถูกดูดรวมเข้าไปอยู่ใน codebase ที่สตาร์ตอัปไล่ตามได้ยาก แต่ AI ได้บีบไทม์ไลน์นั้นให้สั้นลงอย่างมาก
  • ถ้าคุณเป็นผลิตภัณฑ์ที่อยู่แค่ชั้นเวิร์กโฟลว์ล้วน ๆ และตรรกะการป้องกันของคุณคือ "เราสร้างมาก่อน" นั่นคือภาวะวิกฤต
    • Business intelligence และการสร้างคอนเทนต์เชิงสร้างสรรค์ คือพื้นที่ที่ตอนนี้มีคูเมืองตื้นที่สุด เพราะ LLM ทำงานประเภทนี้ได้ดีมากพอดี

ตอนนี้คูเมืองอยู่ตรงไหน

• องค์ประกอบการป้องกัน 3 อย่าง

  • เวิร์กโฟลว์ความแม่นยำสูงที่มี error budget ใกล้ศูนย์: เช่น โครงสร้างพื้นฐานการเงิน เฮลท์แคร์ และ regulatory compliance
    • vibe coding รับมือการตรวจ HIPAA หรือความคลาดเคลื่อนของการชำระบัญชีไม่ไหว และต้นทุนของข้อผิดพลาดนี่เองที่กลายเป็นคูเมือง
  • วงจรป้อนกลับของข้อมูลกรรมสิทธิ์: ดีขึ้นอย่างมีนัยสำคัญตามการใช้งานของลูกค้า และคู่แข่งไม่สามารถก๊อปได้ด้วย foundation model ตัวเดียวกัน
    • สินทรัพย์ไม่ใช่ตัวโมเดล แต่คือ ข้อมูล
  • ระบบบันทึกที่ลึก (systems of record): ฝังอยู่ในงานปฏิบัติการแบบเลกาซี เป็นเจ้าของแหล่งความจริง และสร้างต้นทุนการย้ายออกที่สูง
    • บริษัทเหล่านี้ไม่ควรหลบ AI แต่ควรเปิดรับมันอย่างจริงจัง เพราะชั้นเอเจนต์จะยิ่งเพิ่มมูลค่าให้ข้อมูล

สถานะของ AI stack: จุดที่ลงทุนและไม่ลงทุน

• คำว่า "ลงทุนใน AI" ตอนนี้แทบไม่ต่างจากคำว่า "ลงทุนในซอฟต์แวร์" ในปี 2012 คือไม่ใช่คำที่สร้างความแตกต่างอีกต่อไป
• มีอยู่ 4 ชั้น และไม่ได้เหมาะกับการจัดสรรเงินทุนแบบเดียวกันทั้งหมด

• 1. ฮาร์ดแวร์

  • คอมพิวต์ยังคงเป็น ข้อจำกัดหลัก (binding constraint) ของรอบนี้
  • บริษัทอย่าง Neolabs ยังรอ PO ที่ควรถูกดำเนินการไปตั้งแต่หลายเดือนก่อน
  • อุปสงค์มีจริง แต่ติดคอขวดที่อุปทาน และผู้ชนะส่วนใหญ่เป็นบริษัทจดทะเบียนหรือบริษัทที่มีขนาดแล้ว — การลงทุนรอบ seed ไม่ได้เปลี่ยนผลลัพธ์นี้

• 2. โมเดล

  • frontier model ไม่ใช่ธุรกิจเวนเจอร์ แต่เป็นธุรกิจ ใช้เงินลงทุนสูง (capex)
  • ต้นทุนในการฝึกให้ได้ระดับจริงจังสูงพอ ๆ กับ GDP ของประเทศเล็ก ๆ และ OpenAI, Anthropic, Google ก็กำลังเล่นเกมนี้อยู่แล้ว
  • สตาร์ตอัปโมเดลที่บุกตรง ๆ จึงกำลังเลือกสู้ผิดสนาม
  • มีเพียงไม่กี่บริษัท เช่น Sciforium ที่ลงทุน เพราะพยายามหาทางไปอีกแบบผ่าน สถาปัตยกรรมใหม่ วิธีฝึก/อนุมานใหม่ หรือการตั้งกรอบปัญหาใหม่
    • ถ้าเป็นแนวทาง ตีโอบด้านข้าง (outflanking) ที่เจ้าตลาดเดิมจะตามได้ก็ต่อเมื่อยอมกินตลาดหลักของตัวเอง จึงน่าสนใจ

• 3. อินฟราสตรักเจอร์

  • นี่คือจุดที่ AI กำลังทำลายสมมติฐานเดิมของ SaaS ได้อย่างน่าสนใจ
  • SaaS แบบดั้งเดิมเป็นโครงสร้างแบบ read-heavy คือเก็บหนึ่งแถวแล้วถูกอ่านซ้ำเป็นล้านครั้ง
    • แต่งาน AI กลับพลิกกลับด้าน โดย pipeline การฝึก, agent memory, vector store และ evaluation harness เป็นแบบ write-heavy และ update-heavy และทำงานกับรูปแบบข้อมูลที่ระบบเลกาซีไม่ได้ถูกออกแบบมารองรับ
  • มีการลงทุนเชิงรุกทั้งสองฝั่ง
    • ชั้นข้อมูลเอง: PlanetScale, Greybeam — สร้าง database primitives ของ OLTP และ OLAP ใหม่ให้เหมาะกับงานลักษณะนี้
    • ชั้นการสร้างข้อมูล: Preference Model, Moody Pines, Terac — เมื่อปัญหาคอมพิวต์คลี่คลาย คอขวดจริงจะกลายเป็นการจัดหาข้อมูลที่ผ่านการคัดกรอง มีโครงสร้าง และมีการติดป้ายกำกับ

• 4. แอปพลิเคชัน

  • นี่คือชั้นที่เงินทุนส่วนใหญ่กำลังไหลเข้า เพราะเป็นชั้นที่คุณค่าไปถึงผู้ซื้อจริง
  • AI ทำให้เวิร์กโฟลว์ที่ก่อนหน้านี้แตะไม่ได้ เช่น medical coding, การเพิ่มประสิทธิภาพขนส่งสินค้า, การตรวจทานกฎหมาย, sales motion และการปฏิบัติการทางคลินิก กลายเป็นเรื่องที่ทำได้ จึงมี surface area ขนาดมหาศาล
  • แม้การแข่งขันรุนแรงและมีแรงกดดันด้านราคา แต่นี่ก็เป็นลักษณะปกติของชั้นที่มีอุปสงค์สูง
  • ผู้ชนะจะเป็นบริษัทที่ผสาน AI-native workflow เข้ากับอย่างน้อยหนึ่งในสามสิ่งนี้: สภาพแวดล้อมที่ต้องการความแม่นยำสูง, วงจรข้อมูลกรรมสิทธิ์ หรือระบบบันทึกที่ลึก

สำหรับผู้ที่กำลังก่อตั้งบริษัทในตลาดนี้

• ฮาร์ดแวร์และโมเดลแทบปิดตายสำหรับผู้เล่นใหม่ หากไม่มีความได้เปรียบเชิงโครงสร้าง
• อินฟราสตรักเจอร์ยังเปิดกว้างมาก หากคุณเข้าใจจริงว่า "AI workload ไม่ใช่ SaaS workload ที่แค่เอาแชตบอตไปแปะ"
• แอปพลิเคชันคือพื้นที่ที่มีโอกาสมากที่สุด และเป็นพื้นที่ที่ baseline ถูกยกระดับเร็วที่สุดด้วย

• คำแนะนำสำหรับรอบ seed และ Series A

  • เลิกอ้างว่า "ปล่อยของได้เร็ว" คือคูเมือง — ตอนนี้มันเป็นเพียงคุณสมบัติพื้นฐาน
  • จงแสดงให้เห็นถึง ข้อมูลที่สะสมได้เฉพาะคุณ และไม่มีใครอื่นเข้าถึงได้
  • จงเน้น เวิร์กโฟลว์ที่คุณดูดซับเข้าไปจนลูกค้าดึงออกไม่ได้ตามใจ
  • จง pitch ความแม่นยำที่ระบบของคุณมอบให้ ในสภาพแวดล้อมที่ข้อผิดพลาดสร้างความเสียหายสูง
  • หากคุณเป็นฟีเจอร์ที่คั่นอยู่ระหว่างแอปใหญ่สองตัว ก็ต้องตระหนักว่าคุณอยู่ใน dead zone
• ซอฟต์แวร์ไม่ได้ตาย แต่ซอฟต์แวร์ประเภท utility ที่พองใหญ่กำลังถูก ตีมูลค่าใหม่ (repriced) แบบเรียลไทม์ และสิ่งที่จะมาแทนมันยากกว่าการทำโปรเจกต์สุดสัปดาห์ด้วย model API มาก — มาตรฐานของการเป็นบริษัทจริงกำลังสูงขึ้น