- เมื่อ ความได้เปรียบชั่วคราวของ AI wrapper ที่นำฟังก์ชันเดี่ยวไปวางบน foundation model หายไป สตาร์ทอัพระยะเริ่มต้นจึงกำลังย้ายไปสู่ธุรกิจแบบบูรณาการแนวดิ่งที่เป็นเจ้าของทั้ง workflow และ value chain
- กลยุทธ์แรกคือการผสาน ความรู้เฉพาะโดเมนและการ orchestration งาน เพื่อสร้างผลลัพธ์ในหน้างานอุตสาหกรรมที่ได้มายากจากความฉลาดดิบของ foundation model เพียงอย่างเดียว
- กลยุทธ์ที่สองคือไม่หยุดอยู่แค่การขายซอฟต์แวร์ AI ให้บริษัทเดิม แต่ สร้างใหม่ ทั้งงานขาย การพิจารณาอนุมัติ และการปฏิบัติการ โดยมี automation เป็นศูนย์กลาง พร้อมปรับปรุงประสบการณ์ลูกค้าไปด้วย
- กลยุทธ์ที่สามคือการยึด system of record ที่รวมข้อมูลอุตสาหกรรมที่กระจัดกระจายไว้ก่อน แล้วขยายไปเป็น system of action ที่รับผิดชอบทั้งการจัดการงานและการตัดสินใจ
- บริษัทเดิมขนาดใหญ่สามารถทำงานร่วมกับ frontier lab ได้โดยตรง แต่มีข้อจำกัดด้านต้นทุน การแบ่งปันความรู้เฉพาะที่เป็นกรรมสิทธิ์ และผลประโยชน์ภายในองค์กร ขณะที่สตาร์ทอัพ AI-native สามารถสร้างการป้องกันด้วย verticalization ที่มุ่งเน้น go-to-market และประสบการณ์ลูกค้า
การผงาดและเสื่อมถอยของ AI wrapper ฟังก์ชันเดี่ยว
- หลังการมาของ ChatGPT ผู้ก่อตั้งจำนวนมากสร้างผลิตภัณฑ์ที่นำโมเดลไปผูกกับงานเดี่ยว ๆ ที่เดิมมนุษย์ทำ เช่น copywriting, customer service, legal research และ sales แล้วเก็บค่าสมาชิกหรือค่าทำงาน
- Jasper ระดมทุนได้ 125 ล้านดอลลาร์ในปี 2022 ที่มูลค่าบริษัท 1.5 พันล้านดอลลาร์ แต่ภายในไม่ถึงหนึ่งปีได้ปรับลดคาดการณ์ ARR ปี 2023 ลงอย่างน้อย 30% ปลดพนักงาน และผู้ร่วมก่อตั้งทั้ง 2 คนก็ลาออก
- หลังจากนั้นได้กำหนดวิสัยทัศน์ใหม่เป็น ‘marketing operating system’
- บริษัทที่ทำเครื่องมืองานเดี่ยวตั้งสมมติฐานว่าความสามารถของ foundation model จะอยู่ในระดับใกล้เคียงกัน แต่สมมติฐานนี้พังลงเมื่อ frontier lab เริ่มนำโมเดลไปทำเป็นผลิตภัณฑ์เอง
- Anthropic ให้บริการเครื่องมือโดยตรง เช่น Claude Code และ Claude Design ซึ่งหากเป็นเมื่อ 2 ปีก่อนน่าจะถูกจัดว่าเป็น wrapper
- ตามตัวเลขที่เปิดเผย รายได้แบบ annualized ของ Anthropic เพิ่มจาก 14 พันล้านดอลลาร์ในเดือนมกราคม เป็นมากกว่า 47 พันล้านดอลลาร์ในเดือนพฤษภาคม โดยมีความต้องการจากองค์กรเป็นแรงขับเคลื่อนการเติบโต
- ‘AI for X’ ที่หมายถึงงานเฉพาะอย่าง ไม่ใช่กลยุทธ์ผลิตภัณฑ์ที่ยั่งยืน แต่ใกล้เคียงกับ ความได้เปรียบชั่วคราว มากกว่า
- agent เอนกประสงค์ที่ไม่มี network effect หรือความเชี่ยวชาญในอุตสาหกรรมแนวดิ่ง ก็อาจกลายเป็น ‘wrapper 2.0’ ได้เช่นกัน
บริษัทที่อยู่รอดเป็นเจ้าของบริการทั้งหมด
- บริษัทที่สร้างผลงานไม่ได้วางเครื่องมือ AI ไว้บนโมเดล แต่เริ่มจากการใช้ AI เป็น กลไกส่งมอบบริการ และเป็นเจ้าของ workflow ทั้งหมดที่จำเป็นต่อบริการนั้น
- EvenUp ไม่ได้เริ่มจาก AI ด้านกฎหมายแบบกว้าง ๆ แต่เริ่มในพื้นที่แคบและเฉพาะทางอย่างคดี personal injury
- มีสำนักงานกฎหมายมากกว่า 2,000 แห่งใช้แพลตฟอร์ม และ 20% ของสำนักงานกฎหมาย personal injury 100 อันดับแรกในสหรัฐฯ เป็นลูกค้า
- ARR เพิ่มขึ้นสองเท่าเมื่อเทียบกับปีก่อน และในเดือนตุลาคม 2025 ระดมทุน Series E ได้ 150 ล้านดอลลาร์ ที่มูลค่าบริษัทมากกว่า 2 พันล้านดอลลาร์
- มูลค่าบริษัทเพิ่มขึ้นมากกว่าสองเท่าภายในไม่ถึงหนึ่งปี
- Further AI ใช้แนวทางเดียวกันในธุรกิจประกันภัย และ Blitzy ใช้ในงานพัฒนาซอฟต์แวร์องค์กร
- ความสามารถในการแข่งขันไม่ได้เกิดจากโมเดล ข้อมูล หรือประสบการณ์ผู้ใช้อย่างใดอย่างหนึ่งเพียงลำพัง
- workflow ทั้งหมด ความรู้โดเมน ข้อมูลที่สะสมในแต่ละเคสหรือ codebase และความสามารถในการเข้าสู่และขายให้กับอุตสาหกรรมที่ซับซ้อน ต้องทำงานร่วมกัน
- ในอดีตมองว่าความฉลาดเองคือสิ่งที่ขาย และ wrapper เป็นโครงสร้างเสริม แต่ตอนนี้ ทั้งโรงงานคือผลิตภัณฑ์ ซึ่งรวมถึง workflow, data และ sales pipeline
แนวทางที่ 1: เป็นเจ้าของ workflow ที่ซับซ้อนให้เหนือกว่าความฉลาดดิบ
- Blitzy เป็นแพลตฟอร์ม AI สำหรับพัฒนาซอฟต์แวร์เฉพาะให้บริษัท Fortune 500 และเพิ่งระดมทุนได้ 200 ล้านดอลลาร์ ที่มูลค่าบริษัท 1.4 พันล้านดอลลาร์
- ตลาดซอฟต์แวร์องค์กรเคยมีสองทางเลือก
- สร้างเครื่องมืออย่าง Cursor หรือ Codex แล้วขายให้แรงงานพัฒนา outsourced จำนวนมาก
- ทำ AI เป็นบริการเพื่อขายตรงให้องค์กร โดยทำให้ไม่จำเป็นต้องมีแรงงาน outsourced อีกต่อไป
- Blitzy เลือกวิธีที่สอง
- ในปี 2024 มีมุมมองว่าโมเดลของ OpenAI หรือ Claude จะช่วยแก้ปัญหาทุกอย่างจนสตาร์ทอัพแข่งขันได้ยาก
- แต่ในสภาพแวดล้อมองค์กรจริง knowledge graph ของ codebase ทั้งบริษัท ความสามารถในการแบ่งงานเป็นหน่วยย่อย และเลเยอร์ orchestration ที่เรียกโมเดลที่เหมาะที่สุดสำหรับแต่ละงาน ให้ผลลัพธ์ดีกว่าผลิตภัณฑ์ของ frontier lab
- ด้วยระบบที่เข้าใจบริบทรอบ codebase ทำคะแนน SWE-Bench Pro 66.5% ขึ้นเป็นอันดับ 1
- แม้ความฉลาดดิบจะแก้คอขวดหลักด้านวิศวกรรมและระบบได้ แต่ยังจำเป็นต้องมีขั้นตอน operationalize เพื่อให้ทำงานได้ในหน้างานอุตสาหกรรม และการบูรณาการแนวดิ่งของ workflow ทั้งหมดทำหน้าที่นี้
แนวทางที่ 2: ออกแบบธุรกิจเดิมใหม่โดยมี automation เป็นศูนย์กลาง
- Tomo ไม่ได้ขายซอฟต์แวร์ AI ให้บริษัท mortgage แต่ปรับโครงสร้างกระบวนการพิจารณาสินเชื่อและการได้มาซึ่ง mortgage เองให้มี AI เป็นศูนย์กลาง
- ใช้ automation กับงานขาย การพิจารณาอนุมัติ และการปฏิบัติการทั้งหมด เพื่อให้ผลิตภาพต่อ loan officer หนึ่งคนสูงกว่าคู่แข่ง และส่งต่อเป็นอัตราดอกเบี้ยที่ดีกว่าให้ผู้บริโภค
- ปัจจุบันผู้ซื้อบ้าน 77% ได้อัตราดอกเบี้ยจาก Tomo ดีกว่าผู้ให้บริการแบบดั้งเดิม
- สัดส่วนผู้ซื้อที่ได้อัตราดอกเบี้ยดีกว่า: {p:77}
- การออกแบบอุตสาหกรรมใหม่ตั้งแต่ต้นอาจนำไปสู่ประสบการณ์ลูกค้าที่ดีกว่าการยัดซอฟต์แวร์เข้าไปใน workflow เดิม
- การปรับปรุงซอฟต์แวร์เพียงเล็กน้อยอาจมีผลจำกัดภายในระบบที่ไม่ได้ถูกออกแบบมาเพื่อเทคโนโลยีนั้นตั้งแต่แรก
- แทนที่จะโน้มน้าวองค์กรเดิมให้เปลี่ยน workflow สามารถสร้างธุรกิจขึ้นใหม่โดยตรง และใช้ทรัพยากรนั้นไปปรับปรุงประสบการณ์ลูกค้า
- บริษัทเดิมมีโอกาสน้อยมากที่จะเลือกวิธีนี้ เพราะต้องทำลายโมเดลธุรกิจและองค์กรเดิมของตัวเอง
- ในยุค SaaS กลยุทธ์การนำซอฟต์แวร์เข้าไปใน workflow เดิมได้ผล แต่ AI ทำให้สามารถสร้างอุตสาหกรรมดั้งเดิมขึ้นใหม่โดยมี automation เป็นศูนย์กลาง และโฟกัสที่ ประสบการณ์ลูกค้ามากกว่าการนำไปใช้ภายใน
แนวทางที่ 3: ขยายจาก system of record ไปสู่ system of action
- Seso สร้าง system of record ด้าน HR สำหรับภาคเกษตรของสหรัฐฯ
- กระบวนการวีซ่า H-2A ซึ่งรองรับแรงงานภาคเกษตรจำนวนมากในสหรัฐฯ เคยกระจัดกระจายอยู่ในสำนักงานกฎหมาย ผลิตภัณฑ์ Microsoft Office และเอกสารกระดาษ
- Seso รวมสิ่งเหล่านี้เข้าไว้ในฐานข้อมูลกลางเดียว เพื่อช่วยให้ฟาร์มบริหารแรงงานตามฤดูกาลได้เหมือนพนักงานของบริษัททั่วไป
- หลังนำ AI มาใช้ ได้เปลี่ยนจาก ‘ตู้เอกสารดิจิทัล’ ธรรมดาไปเป็น system of action
- ปรับแพลตฟอร์มใหม่ให้สามารถจัดการโลจิสติกส์พนักงาน สร้าง business insight และดำเนินการตัดสินใจเกี่ยวกับแรงงานได้
- บริษัทที่ครอบครอง system of record สามารถขยายไปสู่ระบบที่ลงมือทำงานจริงโดยอาศัยข้อมูลที่สะสมไว้
- ตัวอย่างที่ใช้แนวทางเดียวกัน ได้แก่ Rec ในด้าน recreation และ Veras ในด้าน long-term care
การแข่งขันระหว่างบริษัทเดิมกับบริการ AI-native
- บริษัทเดิมอย่างสำนักงานกฎหมายขนาดใหญ่สามารถร่วมงานกับ frontier lab โดยตรงเพื่อฝัง automation ภายในองค์กร โดยไม่ต้องส่งต่อความเชี่ยวชาญภายในให้คู่แข่ง AI-native
- Freshfields จับมือกับ Anthropic เพื่อพัฒนาเครื่องมือเฉพาะ
- กลยุทธ์นี้เปิดให้ใช้เป็นหลักสำหรับบริษัทขนาดใหญ่อย่าง Big Law หรือสถาบันการเงินหลัก และแม้แต่สำหรับบริษัทเหล่านี้ ต้นทุนการร่วมงานกับ frontier lab ก็อาจสูงเกินไป
- เช่นกรณี Uber และ Microsoft ต้นทุน LLM token กำลังสูงขึ้น และยังมีต้นทุนวิศวกร AI ราคาแพงเพิ่มเข้ามา
- เพื่อให้ความร่วมมือเกิดขึ้นได้ บริษัทเดิมในอุตสาหกรรมต้องลดท่าทีที่จะปกปิดความรู้เฉพาะที่เป็นกรรมสิทธิ์ซึ่งอาจมีมูลค่าระยะยาวจำกัด และ frontier lab ก็ต้องไม่ใช้อำนาจ กำหนดราคา มากเกินไป
- แม้ตกลงกันได้ automation ก็เป็นเพียงหนึ่งในหลายฟังก์ชันที่บริษัทเดิมทำ ไม่ใช่จุดโฟกัสของธุรกิจหลัก
- บริการ AI-native สามารถลดการพึ่งพา frontier lab ได้ในเชิงสัมพัทธ์ และมุ่งเน้น go-to-market (GTM) กับการปรับปรุงประสบการณ์ลูกค้า
- แม้บริษัท mortgage แบบดั้งเดิมจะร่วมงานกับ frontier lab Tomo ก็ยังคงมีทางเลือกสำหรับลูกค้าที่ถูกกว่าและเรียบง่ายกว่า
- ทางเลือกนี้ขัดกับผลประโยชน์ของบริษัทเดิมโดยตรง จึงอาจไม่สามารถกำจัดการแข่งขันได้ แต่จำกัดขอบเขตการแข่งขันได้
Verticalization เพื่อยุค AGI
- สตาร์ทอัพรุ่นต่อไปควรออกแบบธุรกิจโดยมีคำถามหลักว่า ‘จะเป็นเจ้าของทุกส่วนของ value chain ได้อย่างไร’
- การคิดแบบแนวดิ่ง เป็นหนึ่งในความสามารถในการป้องกันที่อาจคงอยู่ได้แม้ในช่วงเปลี่ยนผ่านสู่ AGI
- แม้ความฉลาดดิบจะเปิดทางให้นวัตกรรมใหม่ ๆ แต่กระบวนการนำไปใช้ในการปฏิบัติจริงและส่งมอบให้ลูกค้ายังจำเป็นอยู่
- ผู้ก่อตั้งที่เป็นเจ้าของทั้งอุตสาหกรรมและ workflow ตั้งแต่ต้น สามารถสร้างตำแหน่งที่ยั่งยืนได้แม้ในยุคของ AI hyperscaler
- ในสาขาอย่าง bio และ deep tech ที่การลงมือทำเองมีความเฉพาะทางสูง ความสามารถในการดำเนินการเฉพาะทางยังคงเป็น กำแพงกั้นการเข้าสู่ตลาด แยกต่างหาก
1 ความคิดเห็น
ผมเห็นด้วยกับภาพใหญ่ว่าแนวทางแบบเจาะลึกเฉพาะทางคือแนวป้องกัน แต่แกนที่แบ่งว่าเป็น “wrapper” หรือไม่ สำหรับผมดูจะไม่ใช่ความหนาของฟีเจอร์เท่าไรนัก แต่อยู่ที่ว่ามีบางอย่างที่โมเดลข้างล่างยังถือไว้เองไม่ได้ถูกสะสมขึ้นมาหรือเปล่า มากกว่า สามกลยุทธ์ในบทความ (ครอบครองเวิร์กโฟลว์, ออกแบบใหม่โดยยึดอัตโนมัติเป็นศูนย์กลาง, หรือขยายระบบบันทึกให้เป็นระบบการกระทำ) สุดท้ายแล้วอ่านได้ว่าเป็นเรื่องของการสร้างสถานะและข้อมูลที่สะสมอยู่นอกตัวโมเดลทั้งหมด
ผมเองก็เคยทำของที่ภายนอกดูใกล้เคียงกับ wrapper แบบบาง ๆ แต่สิ่งที่อยู่รอดไม่ใช่ฟีเจอร์ หากเป็นส่วนที่ครอบครองสถานะและข้อมูลเฉพาะของผู้ใช้ รวมถึงชั้นที่คำนวณและจดจำแบบกำหนดได้แน่นอน เพื่อไม่ให้โมเดลแกว่งไปมาตามแต่ละบทสนทนา และยิ่ง frontier model ดีขึ้น มูลค่าของสองอย่างนี้กลับยิ่งเพิ่มขึ้นด้วย
ขอเสริมอีกอย่างว่า บทความยกตัวอย่างหลักเป็นแนวดิ่งฝั่งองค์กร (B2B) แต่ผมว่าตรรกะเดียวกันใช้ได้กับฝั่งผู้ใช้ทั่วไปเหมือนกัน LLM แบบดิบ ๆ มองเห็นได้แค่ข้อมูลสาธารณะและจำสถานะของผมไม่ได้ ดังนั้นการกุมระบบบันทึกส่วนบุคคลไว้เองก็กลายเป็นคูเมืองป้องกันได้เหมือนกัน เพียงแต่ในกลยุทธ์ข้อที่สาม ช่วงที่ขยับจากระบบบันทึกไปสู่การกระทำ (การตัดสินใจแทน) นั้น ความสามารถในการทำซ้ำหรือการตรวจสอบการตัดสินใจนั้นต้องตามมาด้วย จึงจะรักษาความเชื่อมั่นไว้ได้