ใครจะเป็นผู้กำหนดราคาของปัญญา?

• เมื่อ AI เปลี่ยนปัญญา (intelligence) ให้กลายเป็น ทรัพยากรที่มีราคา ทุกชั้นของตลาดจึงกำลังแข่งขันกันว่าใครจะเป็นผู้ควบคุมราคานั้น
• AI labs ต้องการให้การใช้งานไหลผ่านตัวเอง, แอปพลิเคชันพยายามพิสูจน์ว่าสามารถจัดสรรปัญญาได้ดีกว่า labs และรัฐต้องการให้ปัญญา ราคาถูกลง จนกลายเป็นโครงสร้างพื้นฐานระดับชาติ
• ต้นทุนของปัญญาไม่ใช่เพียงอินพุตของซอฟต์แวร์อีกต่อไป แต่กำลังทำหน้าที่เป็น แกน (axis) ที่ปรับโครงสร้างบริษัท ตลาด และภูมิรัฐศาสตร์
• เหตุที่การลงทุนใน AI แตกต่างจากการลงทุนในซอฟต์แวร์ เพราะมีตัวแปรมากกว่า ตัวแปรเหล่านั้น เชื่อมโยงกัน (coupled) อย่างไม่เท่ากัน และแต่ละตัวยังแตกออกเป็นตัวแปรย่อยที่เคลื่อนบนเส้นโค้งของตัวเอง
• นี่คือการวิเคราะห์ระบบที่ตัวสมการเองถูกเขียนใหม่ทุกชั่วโมง และเมื่อใดก็ตามที่ตัวแปรใดขยับมากพอ ก็จะเปลี่ยนความหมายของตัวแปรอื่น กลายเป็น การจัดระเบียบใหม่อย่างต่อเนื่อง

---

ทำไมการลงทุนใน AI จึงต่างจากการลงทุนในซอฟต์แวร์

• ในซอฟต์แวร์ แม้การจับคู่รูปแบบจะยาก แต่ก็ยังใช้ได้ โดย ต้นทุนการกระจาย (distribution cost) กำหนดประสิทธิภาพในการได้ลูกค้า และ ต้นทุนการเปลี่ยนย้าย (switching cost) กำหนดการรักษาและการขยายลูกค้า
  • CAC payback, NDR, magic number, Rule of 40 ล้วนเป็นผลลัพธ์ย่อยจากแรงทั้งสองนี้
• AI ทำให้สิ่งนี้พังลงด้วย 3 เหตุผล
  • มีตัวแปรในระบบมากกว่า
  • ตัวแปรเชื่อมกันอย่างไม่เท่ากัน
  • แต่ละตัวแปรแตกออกเป็นตัวแปรย่อยที่เคลื่อนบนเส้นโค้งของตัวเอง
• หาก capability, cost, latency, deployment, regulation, talent ขยับแม้เพียงตัวเดียว ความหมายของที่เหลือก็เปลี่ยน และเมื่อปลดข้อจำกัดหนึ่งออก ข้อจำกัดถัดไปที่สำคัญก็จะเปลี่ยนตาม

แต่ละตัวแปรเปลี่ยนอะไรบ้าง

• ตัวแปรที่คุ้นเคยและถูกพูดถึงกันแล้วคือ capability, cost, latency
• ตัวแปรที่ยากกว่าคือ unlocks ที่เกิดจากงานวิจัยและผลิตภัณฑ์ ซึ่งยากจะสร้างแบบจำลองล่วงหน้าทั้งในด้านลักษณะและความลึก และจังหวะการมาถึงก็ยิ่งเร่งขึ้นต่อเนื่อง
• ข้อจำกัดที่ซอฟต์แวร์เคยมองเป็นค่าคงที่ กลายเป็นทางเลือกเชิงกลยุทธ์ใน AI ได้แก่ geopolitics, deployment, talent

• Capability

  • แยกย่อยเป็น reasoning, context, multimodality, tool use, planning, memory, controllability และแต่ละอย่างเคลื่อนอย่างรุนแรงบนเส้นโค้งของตัวเอง
    • context ขยายจาก 4,000 โทเค็นเป็นมากกว่า 1 ล้านโทเค็น ภายใน 3 ปี
    • reasoning พัฒนาจากเทคนิคการพรอมป์ต์ไปเป็นคลาสโมเดลเฉพาะทาง
  • มันดูดซับโครงสร้างพื้นฐานอย่าง retrieval pipelines, output parsers, prompt scaffolds ซึ่งเดิมเป็น อวัยวะเทียม (prosthetics) ที่ใช้ชดเชยจุดอ่อนของโมเดล
  • โมเดลที่รองรับแค่พรอมป์ต์ กับโมเดลที่รองรับ codebase หรือประวัติลูกค้า เป็นผลิตภัณฑ์คนละแบบ และการเพิ่มประสิทธิภาพไม่ได้ยกระดับทุกแอปพลิเคชันอย่างเท่าเทียม แต่เป็นการย้าย คอขวด (bottleneck)

• Cost

  • การลดลงของต้นทุนไม่ได้แค่ทำให้มาร์จินดีขึ้น แต่เปลี่ยนว่า ใครสามารถแข่งขันได้บ้าง
    • เวิร์กโฟลว์ที่ครั้งหนึ่งต้องใช้ frontier API กำลังย้ายไปสู่โมเดล open-weight ราคาถูก โมเดลเฉพาะทางที่ fine-tune แล้ว และสแตกแบบ routed ทำให้ผลิตภัณฑ์พรีเมียมกลายเป็น commodity feature
  • DeepSeek แสดงให้เห็นอย่างชัดเจนยิ่งขึ้นว่า การเปลี่ยนความคาดหวังด้านต้นทุนในชั้นโมเดล สามารถเปลี่ยนเส้นทางของแหล่งมาร์จินในชั้นข้างบนได้

• Latency

  • มันกลายเป็นตัวแปรเมื่อ AI เคลื่อนจากการพรอมป์ต์แบบอะซิงก์ไปสู่เวิร์กโฟลว์แบบเรียลไทม์
    • โมเดลที่ช้าอาจใช้เขียนบันทึกได้ แต่จะพังใน sales call, support conversation, tutoring session, security response
  • ทันทีที่มีมนุษย์รออยู่อีกฝั่ง latency จะไม่ใช่แค่รายละเอียดด้านประสิทธิภาพ แต่เป็นตัวตัดสินว่า ตลาดนั้นมีอยู่ได้หรือไม่
    • voice ข้ามเส้นนั้นเมื่อคุณภาพ การรับมือการขัดจังหวะ และราคาต่อหน่วยระดับเซนต์ต่อนาทีมาถึงพร้อมกัน
  • การลดลงของ latency ไม่ได้แค่ทำให้ผลิตภัณฑ์เดิมเร็วขึ้น แต่ยังเปิด พื้นผิวการใช้งาน (surface) ใหม่

• เส้นโค้งใหม่ ๆ

  • สิ่งที่เมื่อ 2 ปีก่อนยังไม่อยู่ในรายการ ได้แก่ inference-time compute, task horizon และ อินพุตของการผลิตโดย AI เอง

  • Inference-time compute

    • ปุ่มหมุนที่ยิ่งใช้คอมพิวต์มากขึ้น 10 เท่า ก็ยิ่งได้คำตอบที่ดีขึ้น เป็นองค์ประกอบใหม่แท้จริงที่ไม่เคยมีในซอฟต์แวร์ยุคก่อน และทำให้ ต้นทุนต่อผลลัพธ์ กลายเป็นเรื่องของการเลือก
      • คำสั่งถาม 10 วินาทีและ 10 นาทีของโมเดลเดียวกัน คือผลิตภัณฑ์คนละแบบที่มีราคาคนละระดับ และมาร์จินไม่ได้ขึ้นกับราคาโมเดล แต่ขึ้นกับการตัดสินใจของระบบ
    • นี่คือ การโต้กลับของชั้นแอปพลิเคชัน ต่อ labs เพราะยิ่ง frontier model ดูดซับตรรกะของผลิตภัณฑ์มากขึ้น แต่ละบริษัทก็ยิ่งต้องอ้างว่าตนจัดสรรโทเค็นของลูกค้าได้ดีกว่า
    • lab มีแรงจูงใจให้การใช้งานเพิ่มขึ้น ส่วนแอปพลิเคชันมีแรงจูงใจให้ใช้จ่ายเฉพาะจุดที่สร้างมูลค่าจากผลลัพธ์

  • Task horizon

    • หาก inference-time compute คือปุ่มหมุนความลึก task horizon ก็คือ ปุ่มหมุนความยาว ว่า AI จะทำงานด้วยตัวเองได้นานเพียงใดก่อนต้องให้มนุษย์เข้ามา
      • หน่วยวัดเปลี่ยนจาก call ไปเป็น workflow
      • เอเจนต์อาจทำงานต่อเนื่องหลายชั่วโมง สร้างเอเจนต์ย่อย และใช้โทเค็นหลายล้านต่อเส้นทางการตัดสินใจ ทำให้การใช้งานไม่แปรตามจำนวน seat อีกต่อไป
    • เมื่อนำความยาวคูณกับความลึก ก็จะกลายเป็น ค่าโทเค็นที่ถูกเรียกเก็บ ซึ่ง CFO ของบริษัท Fortune 500 ทุกคนกำลังถามถึง

  • อินพุตของการผลิตโดย AI เอง

    • AI ถูกนำมาใช้สร้าง synthetic data เขียนโค้ด สร้าง evals และย่นรอบการทดลอง
      • แต่ละรุ่นช่วยลดเวลาสร้างรุ่นถัดไป ทำให้อัตราการเปลี่ยนแปลงกลายเป็น ปัจจัยภายในระบบ (endogenous)
    • ความเป็นวนซ้ำนี้ทำให้วัฏจักรการเปลี่ยนแปลงสั้นกว่าวัฏจักรการระดมทุน และครึ่งชีวิตของแต่ละ thesis ก็สั้นลงตาม

• Geopolitics

  • นี่คือจุดที่สงครามปรากฏชัด โดย China ถูกผลักเชิงโครงสร้างไปทาง ประสิทธิภาพและการเปิดเผย open-weight
    • การเข้าถึงชิปที่จำกัดและการถูกกันออกจากบางส่วนของ frontier stack ทำให้กลยุทธ์นี้สมเหตุสมผล
  • U.S. ยังแข่งขันได้ด้วย frontier model แบบ open-weight แต่ยังไม่ได้เสนอคำตอบเชิงโครงสร้างแบบเดียวกัน
  • ซอฟต์แวร์ไม่เคยต้องการการเทรนระดับหลายพันล้านดอลลาร์ แต่ frontier open weights ต้องอาศัย compute financing, patient capital, release governance, serving infrastructure และกลไกแข่งขันด้านบุคลากร
    • กลุ่มในสหรัฐบางรายจำเป็นต้องทำให้ต้นทุนการเทรนนี้สมเหตุสมผลผ่าน federation หรือ financial engineering
  • frontier labs เชื่อว่าเทคโนโลยีนี้อันตราย จึงผลักดัน กฎระเบียบตามระดับ capability และได้ประโยชน์เมื่อการเข้าถึง frontier ถูกควบคุม ตรวจสอบ วัดผล และซ่อนอยู่หลัง API
  • DeepSeek ไม่ใช่แค่การปล่อยโมเดล แต่คือเสียงปืนหนึ่งนัดในสงครามว่าใครจะเป็นผู้กำหนดราคาของปัญญา

• Deployment

  • ทุกอย่างยังไม่ลงตัว เพราะมูลค่าไม่ได้ไหลไปรวมที่ cloud ทั้งหมด
    • การอนุมานจะย้ายไปยังที่ที่ถูกที่สุดตราบใดที่ไม่ทำลายผลิตภัณฑ์: frontier reasoning อยู่บน cloud, latency อยู่ที่ edge, ความเป็นส่วนตัวและการทำให้เฉพาะบุคคลอยู่ on-device, และเวิร์กโฟลว์ที่ต้องการทั้งสามแบบจะเป็น hybrid
  • โมเดลไม่ได้แค่เก็บข้อมูล แต่ใช้อนุมานจาก context, memory, documents, voice, code, behavior, enterprise permissions ของผู้ใช้ ทำให้ ความเป็นส่วนตัวสำคัญกว่าใน SaaS
  • ตำแหน่งที่เกิดการอนุมานเป็นตัวกำหนดว่าใครได้มาร์จิน ใครเป็นเจ้าของ context และลูกค้าจะเชื่อใจใคร

• Talent

  • ใน SaaS บุคลากรเป็นตัวแปรด้านการปฏิบัติการ ทีมที่ดีกว่าจะสร้างได้เร็วกว่า ขายได้ดีกว่า และบริหารอย่างมีวินัยกว่า
  • ใน AI บุคลากรคือ วัตถุดิบของการผลิต (raw input) เพราะนักวิจัยเพียงไม่กี่คนก็สามารถเปลี่ยน architecture, data mixture, eval regime และเส้นโค้ง cost-capability ได้
    • ทีมไม่ได้แค่ลงมือให้เข้ากับตลาด แต่สามารถ เปลี่ยนรูปร่างของตลาด เองได้
  • ไม่ใช่แค่คุณภาพการดำเนินงาน แต่รสนิยมด้านงานวิจัยก็กลายเป็นส่วนหนึ่งของสินทรัพย์

ภัยคุกคามไม่ใช่คู่แข่งอีกต่อไป

• ใน SaaS บริษัทมักตายเพราะบริษัทอื่น: คู่แข่งที่มีทุนมากกว่า ทีมที่เร็วกว่า หรือผู้เล่นเดิมที่ขยายอาณาเขต
  • ข้อยกเว้นอย่างหนึ่งคือบริษัทที่สร้างบนแพลตฟอร์มของคนอื่นแล้วถูกลบหายไปโดยไม่มีคู่แข่ง เพราะราคาและเงื่อนไขเปลี่ยน
  • AI ทำให้ข้อยกเว้นนี้กลายเป็น ค่าปริยาย (default)
• ภัยคุกคามใน AI คือ การย้ายชั้น (layer migration) ซึ่งเกิดเมื่อ capability, cost, latency, deployment, regulation, trust เปลี่ยนมากพอจนงานย้ายที่
  • มันอาจย้ายไปที่โมเดล ทางเลือกแบบ open-weight แพลตฟอร์มข้อมูลของลูกค้า เอเจนต์รันไทม์ หรือแม้แต่ตัวอุปกรณ์เอง
• อีกตัวแปรหนึ่งคือ demand ผู้ซื้ออาจเคลื่อนไหวช้า แต่ไม่ใช่คนไร้เดียงสา พวกเขารู้ต้นทุนของ lock-in จึงทำให้ส่วนต่างจากความล่าช้านั้นกำลังปิดลง

วิธีสร้างบริษัทก็กลับด้านเช่นกัน

• สมมติฐานเก่าและคำแนะนำแบบ VC ดั้งเดิมกำลังหายไป
  • หาก SaaS ขายเรื่องประสิทธิภาพการทำงานและบรรยากาศที่ดี AI กำลังกลายเป็นธุรกิจที่ใจกว้างน้อยกว่า ซึ่งขาย ผลลัพธ์และบริการ มากขึ้น โดยผลลัพธ์ต้องใช้ได้จริงจึงจะเป็นผลิตภัณฑ์ที่ดี และต้องผลิตผลลัพธ์นั้นได้อย่างมีประสิทธิภาพพอ บริษัทจึงจะอยู่รอด

• การแยกระหว่าง Consumer และ Enterprise

  • ในฝั่ง consumer แค่ breadth ก็อาจพอ: เร็ว ถูก และมีประโยชน์กว้าง ๆ แม้พลาดก็ยังให้อภัยได้
  • ในฝั่ง enterprise เกณฑ์ต่างออกไป: ต้องทำงานอยู่ในเวิร์กโฟลว์เฉพาะพร้อมฝัง context, permissions, data, risk tolerance ของลูกค้าไว้
    • ด้วยเหตุนี้ frontier model เพียงลำพังจึงไม่ใช่ผลิตภัณฑ์ enterprise และมูลค่าจะอยู่ที่ชั้น application, orchestration, services, proprietary data ที่ทำให้โมเดลมีประโยชน์ภายในบริษัท

• Distribution และ Talent

  • โมเดลของเมื่อวานอาจทำให้เกิดผลิตภัณฑ์ใหม่ได้ จนบริษัทสามารถเปลี่ยนจุดยืนได้ภายในวันอังคาร
    • บางบริษัทได้เปลี่ยนโปรไฟล์พนักงานขายไปแล้ว เป็นคนที่ ขายเป้าที่กำลังเคลื่อนที่ ได้
    • วิธีแบบ top-down ใช้ได้ผลตั้งแต่ต้นในบางบริษัท

• โครงสร้างเศรษฐศาสตร์

  • services-as-software กำลังเปลี่ยนการตั้งราคา และความร่วมมือกับ systems integrator ก็เกิดขึ้นเร็วกว่าคู่มือเดิมหลายปี
  • ตลาดกำลังแยกออก: นักลงทุนบางรายมองพอร์ตที่ผลิตภัณฑ์ถูกสร้างใหม่ตลอดเวลาแล้วสรุปว่าผลิตภัณฑ์แทบไม่สำคัญ และบริการคือธุรกิจจริง ขณะที่อีกกลุ่มไม่ชอบสิ่งที่ดูคล้ายงานที่ปรึกษา
  • ความจริงที่ชวนอึดอัดกว่าคือ ใน AI นั้น product, services, deployment, distribution กำลังถูกประกอบใหม่ในแต่ละบริษัท

• นวัตกรรมของผู้ก่อตั้ง

  • ICP ที่แคบ, wedge เดียว, สร้างช้า ๆ, จ้างงานแบบคาดการณ์ได้, การรักษาลูกค้าแบบ product-led: ไม่มีอย่างไหนเพียงพอในตลาดที่ตัวแปรไม่หยุดนิ่งและลูกค้าไม่ต้องการ point solution
  • สิ่งที่ดูเหมือนจะชนะคือ วงจรป้อนกลับที่รวดเร็ว, ทีมเล็กที่มีอำนาจตัดสินใจ และความสบายใจกับการจัดระเบียบใหม่ตามการเปลี่ยนแปลง แทนที่จะยึดแผนเมื่อ 6 เดือนก่อน

ตอนนี้คือโจทย์ของผู้ก่อตั้งและของรัฐ

• ใน AI มูลค่าไม่ได้ถูกจับไว้ครั้งเดียวแล้วป้องกันได้ตลอดไป แต่ถูก ตั้งราคาใหม่และจัดวางใหม่อย่างต่อเนื่อง โดยตัวแปรเหล่านี้คือเครื่องมือในการอ่านทิศทางและความเร็วของการจัดวางใหม่นั้น
  • บริษัท AI ทุกแห่งตั้งอยู่บนกองสมมติฐาน และบริษัทที่แข็งแรงจะรู้ว่าตัวเอง long สมมติฐานไหน และ short สมมติฐานไหน
• การลงทุนและสร้างใน AI คล้ายกับการ บริหาร trading book มากกว่าการทำ due diligence บริษัทซอฟต์แวร์
  • คุณ long บนบางเส้นโค้ง short บนอีกบางเส้น และเปิดรับความเสี่ยงจากความสัมพันธ์ที่อาจพังลงในจังหวะสำคัญที่สุด
• ต้องเลือกว่าจะเดิมพันกับตัวแปรใด รู้ว่าตัวแปรใดอาจฆ่าคุณ และสร้างบริษัทให้ฟื้นตัวได้เร็วขึ้นก่อนที่การเดิมพันที่ผิดจะทบต้น

• มิติทางการเมือง

  • หากรัฐบาล U.S. จัดการสองตัวแปรพร้อมกันได้ ก็จะดีขึ้นมาก: ควบคุม frontier ที่อันตราย แต่ไม่ทำให้ปัญญามีราคาแพงจนมีแต่ labs แบบปิดและรัฐคู่แข่งเท่านั้นที่กำหนดอนาคตได้
  • ประเทศที่จะชนะไม่ใช่ประเทศที่ควบคุมมากที่สุดหรือเปิดมากที่สุด แต่คือประเทศที่หาวิธีทำให้ปัญญา ปลอดภัยพอ จะเชื่อใจได้ และ ถูกพอ จะแพร่กระจายได้