เหตุผลที่ AI สำหรับ GTM ยังไม่สร้างผลงาน (และวิธีแก้)

• ทีม GTM ส่วนใหญ่ที่นำ AI หลากหลายรูปแบบมาใช้ เช่น การเขียนอีเมล, AI SDR, เครื่องมือ intent ฯลฯ ยังไม่ได้รู้สึกถึงการเพิ่มขึ้นของผลิตภาพการขาย, pipeline หรือรายได้ตามที่คาดหวัง
• เมื่อให้ AI รับหน้าที่เจาะบัญชี มันมักสร้างเพียง ข้อความที่ถูกต้องในเชิงเทคนิคแต่ทั่วไปมาก เช่น “Acme กำลังรับสมัคร SDR และเคยมีดีลที่ปิดไม่สำเร็จเมื่อปีที่แล้ว จึงควรติดต่อไป” ซึ่งสุดท้ายผู้ซื้อก็ลบทิ้งทันที
• สาเหตุรากฐานคือ AI ไม่มีสองสิ่งที่จำเป็นต่อการตัดสินใจที่ดี ได้แก่ บริบท (context) และตรรกะ (logic)
• เครื่องมือ GTM AI ส่วนใหญ่โฟกัสแค่ชั้น การปฏิบัติการ (Execution) เช่น การสร้างอีเมลหรือสคริปต์ แต่ปล่อยพื้นที่ upstream ที่มี leverage จริงอย่าง targeting และมุมมอง (POV) ไว้โดยไม่แตะต้อง
• ทีมที่ก้าวหน้าเริ่มสร้าง GTM Context Layer ที่เป็นเอกลักษณ์ของบริษัทเอง ระหว่างข้อมูลต้นทางกับเครื่องมือปฏิบัติการ โดยแก่นของความได้เปรียบในการแข่งขันคือการตัดสินเองว่าสัญญาณใดสำคัญ เหตุใดต้องตอนนี้ ควรพูดกับใคร และควรพูดอะไร

---

บทนำ — ความจริงที่ AI ยังสร้างผลลัพธ์ให้ GTM ไม่ได้

• ทีม GTM ส่วนใหญ่ได้นำ AI มาใช้แล้วในรูปแบบใดรูปแบบหนึ่ง ไม่ว่าจะเป็นการเขียนอีเมล, AI SDR, เครื่องมือ intent, outbound ตามสัญญาณ, การรีเสิร์ชอัตโนมัติ, การรีวิวดีล ฯลฯ
• โดยหลักแล้ว AI ควรยกระดับ ประสิทธิภาพของผู้รับผิดชอบ, pipeline และรายได้ที่เกิดจากดีลที่ปิดได้จริง ให้เพิ่มขึ้นในระดับที่วัดผลได้ แต่ผลลัพธ์ของทีมส่วนใหญ่ยังคงไม่น่าพอใจ
• เมื่อให้ AI เจาะบัญชี ผลลัพธ์มักออกมาเช่นนี้
  • "Acme is hiring SDRs and had a closed-lost opportunity last year. Reach out about renewed pipeline growth."
  • ในเชิงเทคนิคถือว่าถูก แต่ทั่วไปสุด ๆ ทำให้ผู้รับผิดชอบยังต้องรีเสิร์ชเอง การจัดลำดับความสำคัญยังเป็นการเดา และ outreach ก็ ให้ความรู้สึกประดิษฐ์
• ปัญหาหลักคือการมอบการตัดสินใจด้าน GTM ให้ AI โดยไม่มี บริบทและตรรกะ ที่จำเป็นต่อการตัดสินใจ

North Stars ของ GTM — จุดที่ AI ควรปรับปรุงจริง ๆ

• หากมองจาก first principles ทีม GTM ควรโฟกัสสามเรื่อง
  • a) pipeline มากขึ้น, b) pipeline เดินหน้าเร็วขึ้น, c) รายได้แบบ closed-won มากขึ้น
  • บทความนี้โฟกัสที่ a) การสร้าง pipeline (pipeline generation)
• หากเจาะลึกลงไปใน “input” สามอย่างที่องค์กรขายควบคุมได้ (ไม่นับ demand, brand awareness ในตลาด ฯลฯ)
  • Targeting: ควรโฟกัสบัญชีและบุคคลใด
  • Hypothesis: จะหยิบยกปัญหาใดขึ้นมา และเสนอให้แก้อย่างไร
  • Execution: จะแปลงสมมติฐานนั้นเป็น outreach, call, presentation ฯลฯ ได้ดีแค่ไหน
• ทั้งสามด้านล้วนเป็นจุดที่ AI เพิ่ม leverage ได้ แต่ปัญหาเริ่มจาก AI ไปปรากฏอยู่ตรงไหนจริง ๆ
  • เครื่องมือ GTM AI ส่วนใหญ่ โฟกัสมากเกินไปที่ Execution ซึ่งเป็นชั้นที่สาม แม้จะมีประโยชน์ต่อการเขียนอีเมล สรุปบัญชี สร้างสคริปต์ call และทำกิจกรรมอัตโนมัติ แต่ไม่ใช่จุดที่มี leverage จริง

ความจริง — ‘alpha’ ที่แท้จริงอยู่ upstream

• คุณภาพของ targeting และมุมมอง (point of view) สำคัญกว่าคุณภาพของอีเมลที่ส่งออกไปมาก
  • หากเลือกบัญชีจากสัญญาณพื้น ๆ และตั้งสมมติฐานอ่อน ๆ อีเมลที่ “ยอดเยี่ยม” ก็ไม่ช่วยอะไร
  • ในทางกลับกัน หากเข้าหาบัญชีที่ถูกต้องด้วยสมมติฐานที่เฉียบคม copy ไม่จำเป็นต้องสมบูรณ์แบบ แค่ เกี่ยวข้อง (relevant) ก็พอ
• agent ในปัจจุบันไม่ใช่ผู้เชี่ยวชาญในการตัดสินสิ่งต่อไปนี้ ทำให้ความพยายามด้าน GTM AI ยังทำผลงานได้ไม่ดี
  • บัญชีใดสำคัญ / ทำไมบัญชีนั้นจึงสำคัญตอนนี้ / ใครเกี่ยวข้องที่สุด / pain ใดมีความเป็นไปได้มากที่สุด / ข้อความแบบใดจะสร้างความน่าเชื่อถือได้จริง
• มีสาเหตุรากฐานสองประการที่เชื่อมโยงกัน
  • Context: agent ไม่มีบริบท GTM ที่ถูกต้อง
  • Logic: บริษัทเอาตรรกะที่ควรเป็นจุดแข็งภายในของตนไปฝากไว้กับภายนอก

ปัญหาที่หนึ่ง — AI ไม่มีบริบทที่ถูกต้อง

• GTM stack กระจัดกระจาย และนักขายที่เก่งจะรู้ชัดว่าสัญญาณใดมีผลต่อการตัดสินใจซื้อ รวมถึงวิธีจับสัญญาณ จัดลำดับความสำคัญ และทำความเข้าใจความสัมพันธ์ของสัญญาณเหล่านั้น
  • พวกเขาขุดค้นข้อมูลทุกอย่างที่มี ไม่ว่าจะเป็น CRM, บันทึกเสียงการโทร, กิจกรรม intent, connection ร่วม, ประกาศรับสมัครงาน, reddit, ฟอรัมออนไลน์ ฯลฯ เพื่อออกแบบ targeting, hypothesis และ messaging
  • agent ก็ไม่ต่างกัน
• เมื่อถาม LLM ว่าควร target ใครหรือควรพูดอะไร หากมัน a) มีชิ้นส่วนของปริศนาเพียงบางส่วน หรือ b) ไม่รู้ว่าชิ้นส่วนเหล่านั้นเชื่อมกันอย่างไร (หรือทั้งสองอย่าง) ก็ ไม่มีทางมีประสิทธิผลได้

• ตัวอย่าง — สัญญาณการรับสมัครงานเดียวกัน แต่สองบัญชีต่างกันโดยสิ้นเชิง

  • สมมติว่าสองบริษัทเพิ่งลงประกาศรับสมัคร SDR
  • agent ที่ไม่มีบริบทและตรรกะที่ถูกต้องจะตรวจพบ สัญญาณการรับสมัครเดียวกัน ในทั้งสองบัญชี แล้วจัดให้ทั้งคู่มีความสำคัญ พร้อมสร้าง outbound ที่คล้ายกัน
  • แต่ในความเป็นจริง ความเหมาะสม intent และสถานการณ์ รวมถึงลำดับความสำคัญ อาจแตกต่างกันอย่างสิ้นเชิง
    • Company A: กำลังจ้างเพื่อขยาย outbound ใช้เครื่องมือที่บริษัทเรา integrate ด้วยได้ มี pain ที่ผลิตภัณฑ์ของเราแก้ได้ดี เพิ่งเข้าชมเว็บไซต์เมื่อเร็ว ๆ นี้ และเพิ่งจ้างอดีต champion เข้ามา
    • Company B: ก็กำลังจ้าง SDR เช่นกัน แต่ใช้เครื่องมือเดิมที่บริษัทเราแทนที่ได้ยากอยู่แล้ว มี workflow ที่ integrate กับเราได้ไม่ดี และบอก SDR ที่ cold call ไปว่าเพิ่งเซ็นสัญญา 3 ปีเมื่อเดือนที่แล้ว
  • หาก agent เข้าถึงข้อมูลทั้งหมดไม่ได้ และไม่รู้ว่าบริษัทเราชนะหรือด้อยตรงไหน เทียบกับเครื่องมือเดิมเป็นอย่างไร ระบบที่ integrate ด้วยคืออะไร pain ที่เราแก้ได้ดีที่สุดคืออะไร และ scenario การซื้อแบบใดที่ควรไล่ตาม ก็จะสร้างผลลัพธ์ไม่ได้
• การป้อนสัญญาณให้ AI เป็นส่วนที่ง่าย ส่วนที่ยากคือการทำให้ AI เข้าใจธุรกิจเพียงพอจนรู้ว่า สัญญาณใดสำคัญ จะจัดอันดับอย่างไร และควรชูประเด็นใดก่อน

ปัญหาที่สอง — ตรรกะที่ยืมมาไม่อาจเป็นความได้เปรียบในการแข่งขัน

• ข้อบกพร่องเชิงกลยุทธ์คือการเอาสิ่งที่ควรเป็นความได้เปรียบหลักในการแข่งขันของบริษัทไป outsource
  • นั่นคือการซื้อ upstream intelligence เช่น targeting และการสร้าง hypothesis จากผู้ให้บริการ AI GTM
• เมื่อ outsource สิ่งนี้ คุณจะใช้ ตรรกะการตัดสินใจเดียวกัน กับทุกคนที่ใช้โมเดลหรือผู้ให้บริการรายนั้น
  • สัญญาณหรือกลยุทธ์ที่ทุกคนเข้าถึงได้ โดยนิยามแล้วย่อมไม่ใช่ความได้เปรียบ
  • สิ่งเดียวที่อาจเป็นกรรมสิทธิ์เฉพาะได้คือ คุณทำอะไรกับมัน หรือชั้นการตีความ (interpretation) ที่ตัดสินว่าสัญญาณใดสำคัญ สัญญาณเหล่านั้นผสมกันอย่างไร และหมายถึงอะไรต่อบริษัทของคุณ
  • หากแม้แต่ชั้นการตีความนั้นก็ซื้อจากผู้ให้บริการ ความได้เปรียบสุดท้ายที่เหลืออยู่ก็กลายเป็นสินค้าทั่วไป
• อย่างไรก็ตาม บางส่วนของ workflow เหมาะสมที่จะซื้อ
  • การสร้างเครื่องมือใน ชั้นการปฏิบัติการ (execution layer) เอง เช่น account enrichment, ค้นหาประกาศรับสมัครงาน, scraping เว็บไซต์, สร้าง draft, สรุป call, routing lead, sync ข้อมูล, ส่งอีเมล เป็นเรื่องไม่มีประสิทธิภาพ
• ในทางกลับกัน พื้นที่ upstream และแกนหลักที่ไม่ควร outsource คือ
  • จะให้บัญชีใดมาก่อน / สัญญาณใดสำคัญจริง / ชุดสัญญาณใดบ่งชี้ scenario การซื้อจริง / persona ใดเกี่ยวข้อง / จะใช้ pain hypothesis ใด / จะใส่หลักฐานใดประกอบ / จะเรียนรู้อะไรจาก closed-won, closed-lost, reply และการนัด meeting
• กฎง่าย ๆ
  • Buy: เครื่องมือที่ทำงานให้สำเร็จ (ระบุประกาศรับสมัครงาน, enrich contact, สร้าง copy อีเมล, ส่งอีเมล ฯลฯ)
  • Own: ตรรกะที่ส่งผลต่อการตัดสินใจ (จะมองหาอะไรในประกาศรับสมัครงาน, จะ scrape สัญญาณใด, จะจัดลำดับความสำคัญของบัญชีอย่างไร ฯลฯ)

ทางแก้ — สร้าง GTM Context Layer

• ทีมที่สร้างผลลัพธ์ด้วย AI จะวาง ชั้น intelligence (intelligence layer) ไว้ระหว่างข้อมูลต้นทางกับเครื่องมือปฏิบัติการ เพื่อเปลี่ยนสัญญาณให้เป็นมุมมองที่มีเพียงบริษัทของตนสร้างได้
• นี่คือ GTM Context Layer ระบบกรรมสิทธิ์ที่บอกทั้งคนและ agent ว่าสัญญาณใดสำคัญ ควรตีความอย่างไร บ่งชี้ scenario ใด ใครน่าจะสนใจ และข้อความใดเหมาะสม
• GTM Context Layer ที่แข็งแรงประกอบด้วยสามส่วน

  • Data Foundation (รากฐานข้อมูล)

    • รวบรวมวัตถุดิบต้นทางไว้ด้วยกัน เช่น ข้อมูล CRM, ประวัติ opportunity, เหตุผลที่แพ้ดีล, การใช้งานผลิตภัณฑ์, กิจกรรมบนเว็บไซต์, enrichment, ประกาศรับสมัครงาน, ข่าว, technographics, call notes, email engagement, partner notes, กิจกรรมของผู้รับผิดชอบ ฯลฯ
    • วิธีสร้าง: Warehouse + ETL pipeline, CRM sync, enrichment API, product event, scraping, ตารางที่ normalize แล้ว
    • ผลลัพธ์: มอบ ภาพรวมทั้งหมดของบัญชี ให้ทั้งคนและ agent

  • GTM Decision Logic (ตรรกะการตัดสินใจ)

    • ชั้นแบบ rule-based ที่นิยาม ICP, persona, account scoring, น้ำหนักของสัญญาณ, routing logic, buying scenario, เกณฑ์คัดออก (disqualifier), playbook
    • วิธีสร้าง: SQL/dbt model, scoring table, rules engine, segment, ตรรกะที่ธุรกิจเป็นเจ้าของ
    • ผลลัพธ์: ความได้เปรียบ (edge) ที่แท้จริง ซึ่งเปลี่ยนข้อมูลต้นทางให้เป็นการตัดสิน GTM เฉพาะของบริษัท

  • AI Orchestration Layer (ชั้น AI orchestration)

    • ชั้น workflow ที่ประสาน retrieval, tool calling, prompt routing, agent skill, การประกอบ context และการสร้าง output
    • ตัดสินว่าจะดึง context ใด จะตรวจสอบ source ใด จะ rank สัญญาณใด จะใช้ playbook ใด และจะรัน skill ใด
    • วิธีสร้าง: vector search, SQL query, prompt routing, system prompt, tool calling, agent skill, structured output, feedback loop
    • ผลลัพธ์: แปลงกลยุทธ์เป็นการกระทำ เกิดการจัดลำดับความสำคัญที่ดีขึ้น messaging ที่เฉียบคมขึ้น และ agent ที่ทำตาม GTM logic
• หากทำได้ถูกต้อง output ของ agent จะเปลี่ยนเป็นแบบนี้
  • ก่อนเปลี่ยน: "Acme is hiring SDRs and had a closed-lost opportunity last year. Reach out about renewed pipeline growth."
  • หลังเปลี่ยน: "Acme is hiring SDRs and RevOps, uses a stack we consolidate well, and lost last time due to timing. Prioritize RevOps with a tooling-efficiency angle, Sales with a pipeline-growth angle, and tailor outreach to the pain each team owns."

เริ่มจากตรงไหน — ควรเริ่มอย่างไร

• ไม่จำเป็นต้องสร้าง GTM stack ใหม่ทั้งหมดในคืนเดียว ให้เริ่มจากการตรวจสอบสามเรื่อง
  • ตรวจสอบว่า Decision Logic อยู่ที่ไหน: ตรวจดูว่าปล่อยให้อัลกอริทึม AI จากบุคคลที่สามเป็นผู้ตัดสินว่าจะ target ใครและ position คุณค่าอย่างไรหรือไม่ หากใช่ ให้ดึงการนิยาม ICP กลับมาไว้ภายใน
  • เปลี่ยนจากสัญญาณเป็น scenario: อย่า trigger outreach จากเหตุการณ์เดี่ยวที่โดด ๆ แต่ให้ทีมข้อมูลสร้างโมเดลที่ค้นหา ชุดเหตุการณ์ ที่ชี้ไปยัง pain ซึ่งทีมข้อมูลปฏิเสธไม่ได้
  • จำกัด orchestration payload: อย่าให้เครื่องมือเดาเองว่าควรพูดอะไร แต่ส่ง payload ที่จำกัดอย่างมากและมีบริบทเฉพาะสูงสำหรับ prospect ทุกคน
• ไม่จำเป็นต้องทำทั้งสามอย่างพร้อมกัน แม้ทำเพียงข้อเดียวก็สามารถดึงการตัดสินใจจริงกลับมาไว้ในธุรกิจ และนำหน้าคู่แข่งที่ใช้ตรรกะพื้นฐานเดียวกันได้

Closing — บทสรุป

• เหตุผลที่ AI สำหรับ GTM ยังทำผลงานได้ไม่ดีนั้นเรียบง่าย คือทีมต่าง ๆ ทำ automation ในการปฏิบัติการ แต่ไม่ลงทุนกับ upstream judgment ที่อยู่เบื้องหลัง
• ตอนนี้ทุกคนมีโมเดลเดียวกันและสัญญาณสำเร็จรูปเดียวกัน สิ่งที่แยกทีมที่ก้าวหน้าออกมาคือ สิ่งที่บริษัทเป็นเจ้าของเอง เหนือชั้น execution ได้แก่ custom signal ที่สร้างเอง และ context layer ที่รู้ว่าทำไมต้องบัญชีนี้ ทำไมต้องตอนนี้ ควรพูดกับใคร และควรพูดอะไร
• AI ไม่ได้มาแทนที่กลยุทธ์ แต่เพียงเผยให้เห็นว่ากลยุทธ์นั้นดีจริงแค่ไหน และการใช้งานส่วนใหญ่ในปัจจุบันก็คือหลักฐานของเรื่องนี้