- ตลาดแอปพลิเคชัน AI แบ่งออกตาม ความซับซ้อนของปัญหา และความยากในการนำไปใช้ แต่ความได้เปรียบเชิงการแข่งขันที่ยั่งยืนสุดท้ายขึ้นอยู่กับข้อมูลที่สะสมระหว่างการใช้งาน
- ผลิตภัณฑ์ที่นำไปใช้ได้ง่ายสามารถสร้าง data flywheel ได้จากการใช้งานจำนวนมากและฟีดแบ็กที่รวดเร็ว แต่ก็ถูกแทนที่ได้ง่ายเช่นกัน จึงต้องเผชิญการแข่งขันด้านทุนและข้อมูลกับผู้ให้บริการโมเดล
- ผลิตภัณฑ์สำหรับองค์กรที่นำไปใช้ยากจะเรียนรู้ระบบและวิธีทำงานของลูกค้า พร้อมสะสม คูข้อมูลเฉพาะบริษัท ทำให้ผลิตภัณฑ์ที่ตามมาทีหลังสร้างความเชี่ยวชาญแบบเดียวกันได้ยาก
- เอเจนต์สำหรับเขียนโค้ดพัฒนาได้อย่างรวดเร็วจากข้อมูลการยอมรับหรือปฏิเสธคำแนะนำที่เกิดขึ้นวันละหลายสิบถึงหลายร้อยครั้ง ขณะที่งานสร้างสไลด์ซึ่งขาดสัญญาณตรวจสอบแบบละเอียดกลับปรับปรุงได้ช้ากว่า
- ในอีก 12~24 เดือน ข้างหน้า อาจมีผู้ชนะเกิดขึ้นในตลาดอย่าง SRE และการปฏิบัติการด้านความปลอดภัยที่ทั้งนำไปใช้ยากและแก้ปัญหายาก แต่ระยะเวลาประเมินผลและติดตั้งใช้งานที่ยาวนาน รวมถึงการขาดข้อมูลและสัญญาณตรวจสอบ อาจทำให้อัตราความสำเร็จต่ำ
ตลาด AI ที่แบ่งตามความซับซ้อนและความยากในการนำไปใช้
- แม้จะมีบุคลากร เงินทุน และโมเดลที่ดีขึ้นมากพอ แต่ผลลัพธ์ของ AI agent ก็ยังแตกต่างกันมากในแต่ละสาขา
- จัดการงานค้นหาลูกค้าเป้าหมายด้านการขายและคำถามฝ่ายสนับสนุนลูกค้าได้แม่นยำ แต่ยังสร้างสไลด์คุณภาพสูงได้ไม่สม่ำเสมอ
- การอธิบายเพียงว่าปัญหาง่ายจะถูกแก้ก่อน ไม่เพียงพอที่จะอธิบายว่าทำไมเอเจนต์ด้านโค้ดดิ้งในสาขาที่ซับซ้อนจึงพัฒนาได้เร็วที่สุด
- การพัฒนาของเอเจนต์เขียนโค้ดเป็นผลจาก การนำไปใช้ที่ง่าย ซึ่งนำไปสู่การเก็บข้อมูลได้ในวงกว้าง
- นักพัฒนาสามารถเปลี่ยนมาใช้ Cursor ได้ในเวลาประมาณ 5 นาทีโดยไม่ต้องขออนุมัติเพิ่มเติม
- ข้อมูลการใช้งานสร้าง flywheel ที่ช่วยยกระดับประสบการณ์ของผลิตภัณฑ์ และตอนนี้ทั้งทีมของผู้เขียนก็ใช้ Cursor Composer สำหรับการสร้างโค้ด
- ตลาดแบ่งได้เป็น 4 พื้นที่ตามความยากของการแก้ปัญหาและการนำไปใช้
- นำไปใช้ก็ง่าย แก้ปัญหาก็ง่าย
- นำไปใช้ง่าย แต่แก้ปัญหายาก
- นำไปใช้ยาก แต่แก้ปัญหาง่าย
- ทั้งนำไปใช้ยากและแก้ปัญหายาก
- ผลิตภัณฑ์ที่นำไปใช้ได้ง่ายมีข้อดีคือเก็บข้อมูลได้มาก แต่ก็ ถูกแทนที่ได้ง่าย
- ผลิตภัณฑ์ที่นำไปใช้ยาก เมื่อฝังตัวอยู่ภายในองค์กรแล้วจะเรียนรู้วิธีทำงานของบริษัทนั้น จึงสร้างคูข้อมูลที่แทนที่ได้ยาก
ตลาดที่ทั้งนำไปใช้และแก้ปัญหาได้ง่าย
- การค้นหาสำหรับผู้บริโภคที่ให้คำตอบแบบปรับแต่งได้เป็นหนึ่งในกรณีใช้งาน AI ที่คาดเดาได้ง่ายตั้งแต่ปี 2023 และขยายได้กว้างตั้งแต่การค้นหาความรู้ทั่วไปไปจนถึงคำแนะนำทางการแพทย์
- ไม่ใช่แค่ผู้ให้บริการ foundation model เท่านั้น แต่ผู้เล่นรายใหม่อย่าง Perplexity และ You.com ก็เข้าสู่ตลาดนี้ด้วย
- แม้จะดูเหมือนมีอุปสรรคในการเข้าสู่ตลาดต่ำ แต่ในความเป็นจริงกลับใกล้เคียงกับ กับดักด้านมูลค่า
- ถ้าสตาร์ทอัพสร้างได้ง่าย ห้องวิจัย frontier model ก็มักสร้างไว้แล้วหรือสร้างได้ง่ายกว่า
- ยิ่งกรณีใช้งานชัดเจนมากเท่าไร การใช้งานก็ยิ่งไปรวมอยู่ในแอปแชตที่มีอยู่เดิมมากขึ้น
- OpenAI, Google และ Anthropic สามารถเก็บข้อมูลการใช้งานได้หลายล้านรายการเพื่อนำไปปรับปรุงโมเดลในด้านนั้น
- ChatGPT Health คือหนึ่งในตัวอย่างของการขยายลักษณะนี้
- ผู้ให้บริการโมเดลสามารถอุดหนุนต้นทุนและเรียนรู้หมวดแอปพลิเคชันใหม่ได้อย่างรวดเร็วจากฐานผู้ใช้ขนาดใหญ่ จึงมีโอกาสสูงที่ผู้เล่นรายใหม่จะถูกเบียดออกจากตลาด
- ความภักดีของผู้ใช้ก็ยังต่ำ ผู้ใช้มักใช้งาน เอเจนต์แชตหลายตัว ควบคู่กันตามวัตถุประสงค์ และต่างจากตลาดเว็บเสิร์ชตรงที่ผู้เล่นแข่งขันกันจากตำแหน่งที่ใกล้เคียงกันมากกว่า
- หากจะมีแบรนด์ที่ครองตลาด ก็น่าจะเป็นผู้ให้บริการโมเดลเอง
ตลาดที่นำไปใช้ง่ายแต่แก้ปัญหายาก
- โค้ดดิ้งเป็นปัญหาที่ซับซ้อน แต่ตั้งแต่แรกก็ นำไปใช้ในระดับบุคคล ได้ง่าย
- แม้ในปี 2023 ก็สามารถเห็นคุณค่าได้เพียงแค่นำชิ้นส่วนโค้ดไปวางใน ChatGPT
- คุณภาพในช่วงแรกยังมีข้อจำกัด แต่ Cursor ทำให้กระบวนการนี้ง่ายขึ้นอีก
- วิศวกรเลือก IDE ได้เอง จึงไม่ได้มีภาระมากนักในการย้ายจาก IntelliJ หรือ VSCode มาใช้ Cursor
- งานเขียนโค้ดมีวงจรฟีดแบ็กที่รวดเร็วและละเอียด
- นักพัฒนาสามารถสร้างโค้ดได้วันละหลายสิบถึงหลายร้อยครั้ง
- ทุกครั้งที่ยอมรับหรือปฏิเสธคำแนะนำ จะมีข้อมูลฝึกเพิ่มขึ้นเพื่อใช้ปรับปรุงโมเดลในอนาคต
- data flywheel นี้ทำให้คุณภาพโมเดลดีขึ้นอย่างก้าวกระโดด
- ตลาดที่ซับซ้อนแต่ไม่มีวงจรฟีดแบ็กละเอียด เช่น การสร้างสไลด์ ปรับปรุงได้ช้ากว่ามาก
- การแก้ปัญหาที่ยากต้องใช้การลงทุนสูงทั้งด้านการใช้โทเค็นและบุคลากรด้านเทคนิค และท้ายที่สุดอาจต้องไปถึงการฝึกโมเดลและ reinforcement learning (RL)
- ข้อมูลที่ได้จากการนำไปใช้ที่ง่ายช่วยรองรับการลงทุนเชิงลึกเหล่านี้ แต่ห้องวิจัย frontier model ก็ถือว่าเอเจนต์เพิ่มประสิทธิภาพการทำงานที่ถูกใช้อย่างแพร่หลายเป็นพื้นที่ของตนเองเช่นกัน
- ตอนนี้ก็แข่งขันกันอย่างดุเดือดในตลาดเอเจนต์เขียนโค้ดอยู่แล้ว
- อาจออกเครื่องมือเพิ่มประสิทธิภาพการทำงานในออฟฟิศมากขึ้นนอกเหนือจากโปรแกรมแก้ไขเอกสารเดิม
- มีความเป็นไปได้สูงว่าจะเกิดการแข่งขันด้านเงินทุนขนาดใหญ่ ทำให้บริษัทเล็กแข่งขันได้ยากหากไม่มีการลงทุนมหาศาล
- ความเหนียวแน่นของผลิตภัณฑ์ก็ยังต่ำอยู่
- สามารถใช้เอเจนต์เขียนโค้ดหลายตัวพร้อมกันได้
- หากมีแอปที่สร้างสไลด์ได้ดีกว่า ผู้ใช้ก็ย้ายไปได้ง่าย
- การตั้งค่าเฉพาะบริษัทอย่าง Cursor rules หรือเทมเพลตแบรนด์อาจเพิ่มความเหนียวแน่นได้ แต่หากเกิด interoperability หรือมาตรฐานเดียวขึ้นมา การย้ายก็อาจง่ายขึ้นเช่นกัน
ตลาดที่นำไปใช้ยากแต่แก้ปัญหาง่าย
- นี่คือพื้นที่ที่การนำ AI ไปใช้ในองค์กรคึกคักที่สุดในช่วง 2 ปีที่ผ่านมา โดยรวมถึงกรณีที่ LLM ทำ playbook อย่างการคืนสินค้าอีคอมเมิร์ซหรือการรีเซ็ตรหัสผ่าน
- การจัดว่าแก้ปัญหาง่ายไม่ได้หมายความว่าผลิตภัณฑ์ไม่มีความลึก
- เพราะธุรกิจต่างมองหาผลลัพธ์จาก AI ที่เห็นได้ทันที จึงเริ่มนำไปใช้กับปัญหาที่ชัดเจนก่อน ส่งผลให้รายได้ของผู้นำตลาดเติบโตอย่างรวดเร็ว
- ตลาดนี้มีจุดต่างอยู่ 2 ข้อ
- เอเจนต์ที่จัดการทิกเก็ตฝ่ายสนับสนุนลูกค้าหรือคำขอ IT helpdesk ไม่ใช่สิ่งที่บุคคลจะเลือกใช้เองได้ แต่ต้องเป็น การตัดสินใจระดับองค์กร ที่มีคณะกรรมการจัดซื้อเข้ามาเกี่ยวข้อง
- แม้กรณีใช้งานจะค่อนข้างเรียบง่าย แต่การเชื่อมต่อกับระบบองค์กรเก่าแก่กลับยากและยุ่งยาก ทำให้ทีมที่จัดการระบบ legacy ได้มีความได้เปรียบมาก
- ระหว่างกระบวนการเชื่อมต่อระบบองค์กร จะเกิดคูข้อมูลเฉพาะลูกค้า
- ข้อมูลของเอเจนต์ยากจะทำให้ใช้ร่วมกันได้กับลูกค้าหลายราย และบริษัทต่าง ๆ ก็มีแนวโน้มต่ำที่จะยอมให้นำข้อมูลไปใช้ฝึกโมเดล
- แต่ในทางกลับกัน ผลิตภัณฑ์สามารถเรียนรู้วิธีทำงานจริงของลูกค้าแต่ละรายได้
- ความรู้ที่สะสมไว้ช่วยปรับปรุงผลิตภัณฑ์โดยรวมพร้อมเพิ่มความเหนียวแน่นรายลูกค้า ทำให้เอเจนต์ที่มาทีหลังสร้างความเชี่ยวชาญแบบเดียวกันได้ยาก
- นักลงทุนมองสตาร์ทอัพรายใหญ่ในตลาดนี้ว่าเป็น เจ้าตลาดเดิมโดยพฤตินัย
- แม้ยังมีพื้นที่ให้สร้างนวัตกรรมผลิตภัณฑ์ แต่ก็ไม่ชัดเจนว่าทำไมสตาร์ทอัพขนาดเล็กจึงควรแข่งกับ Sierra หรือ Decagon
- ยังไม่ชัดว่าเงินทุนที่พวกเขาระดมมาใช้ไปกับการทำตลาดและขยายการขาย (GTM) หรือใช้สร้างคูเทคโนโลยีอย่างโมเดลเฉพาะทางสำหรับโค้ดดิ้ง
- หากเงินทุนถูกใช้ไปกับการทำตลาดเพียงอย่างเดียว สตาร์ทอัพก็อาจต้องพึ่งการแข่งขันด้านต้นทุน
ตลาดที่ทั้งนำไปใช้และแก้ปัญหายาก
- เวิร์กโฟลว์ด้านวิศวกรรมและปฏิบัติการที่ซับซ้อน เช่น SRE และการปฏิบัติการด้านความปลอดภัย เป็นพื้นที่ที่ได้รับความสนใจน้อยที่สุดเมื่อเทียบกับทั้ง 4 กลุ่ม
- แม้จะมีมูลค่าศักยภาพสูงเพราะสามารถแก้งานที่คนต้องใช้เวลาหลายชั่วโมงหรือหลายวันได้ แต่เพราะแต่ละบริษัทมีเวิร์กโฟลว์ต่างกัน การประเมินผลและติดตั้งใช้งานจึงยากกว่ามาก
- ผลิตภัณฑ์ของ RunLLM มุ่งเน้นที่พื้นที่นี้ และคาดว่าการเติบโตระลอกถัดไปก็จะเกิดจากที่นี่
- มี 3 เหตุผลที่ทำให้เชื่อว่าจะเติบโตเร็วในอีกไม่กี่ปีข้างหน้า
- reasoning model ทำให้สามารถวางแผนงานที่ซับซ้อนและจัดการคำตอบแบบหลายขั้นตอนได้
- ส่วนสำคัญของการแก้ปัญหาเกิดจากการสร้างและตั้งค่าเวิร์กโฟลว์นอกตัว AI และเมื่อเอเจนต์เขียนโค้ดพัฒนาขึ้น กระบวนการนี้ก็จะเร็วและง่ายขึ้น
- องค์กรต่าง ๆ ได้จัดการปัญหาง่าย ๆ ไปมากแล้ว ดังนั้นเมื่อมองหางานที่เหลืออยู่ ก็จะขยับไปสู่ปัญหาที่ยากขึ้น
- คูข้อมูลในพื้นที่นี้ซับซ้อนที่สุดและก็มีมูลค่าศักยภาพสูงมาก
- เมื่อสร้างความเชี่ยวชาญในเวิร์กโฟลว์ของบริษัทหนึ่งได้แล้ว จะเป็นเรื่องยากมากที่ผลิตภัณฑ์อื่นจะทำซ้ำ
- การเปลี่ยนผลิตภัณฑ์จะคล้ายกับการปลดวิศวกรที่มีทักษะออกแล้วแทนที่ด้วยพนักงานใหม่
- ยังมีโอกาสสะสมความเชี่ยวชาญในสมรรถนะหลักเฉพาะด้าน เช่น เอเจนต์ SRE ที่เชี่ยวชาญ AWS
- ปริมาณข้อมูลน้อยกว่าเอเจนต์เขียนโค้ด และการตรวจสอบผลลัพธ์ก็ยากกว่า ทำให้ รอบการปรับปรุง ช้ากว่ามาก
- แม้จะมีบริษัทที่ระดมทุนได้มหาศาลอยู่ด้วย แต่ก็ยังยากจะบอกว่าอยู่ในตำแหน่งแข็งแกร่งเท่าผู้นำในตลาดที่แก้ปัญหาง่ายแต่นำไปใช้ยาก จึงยังเหลือการแข่งขันระยะยาวอีกมาก
เส้นแบ่งที่เปลี่ยนไปและบทบาทของ UX
- เส้นแบ่งทั้ง 4 กลุ่มไม่ได้ตายตัว และทั้งความซับซ้อนของปัญหาและความยากในการนำไปใช้ล้วนเปลี่ยนแปลงได้
- ความสามารถของโมเดลดีขึ้นอย่างมากทุกไม่กี่เดือน แต่ช่วงหลังมี แนวโน้มที่การพัฒนาโมเดลเริ่มชะงัก จึงทำให้ความสนใจต่อแกนความซับซ้อนลดลงเมื่อเทียบกัน
- ความเป็นไปได้ของการเปลี่ยนแปลงที่ใหญ่กว่านั้นอยู่ที่ ประสบการณ์ผู้ใช้ (UX)
- UX ของแอปพลิเคชัน AI ยังเป็นพื้นที่ที่ถูกสำรวจไม่มากพอ
- พาราไดม์ UX แบบใหม่อาจเปลี่ยนวิธีที่ผู้ใช้นำผลิตภัณฑ์ไปใช้
- Claude Code สำหรับเว็บ เป็นตัวอย่างที่นำเอเจนต์เขียนโค้ดมาไว้ในเบราว์เซอร์ ทำให้ผู้ใช้ที่รู้สึกว่า IDE หรือเทอร์มินัลเป็นเรื่องยากก็เข้าถึงได้
อีก 12~24 เดือนข้างหน้า
- ในอีก 12~24 เดือน ข้างหน้า คาดว่าจะมีผู้ชนะเกิดขึ้นในตลาดที่ทั้งนำไปใช้ยากและแก้ปัญหายาก
- แต่อาจไม่ได้ราบรื่นเหมือนการเติบโตของ Sierra และ Decagon
- วงจรการประเมินผลจะยาวขึ้น
- การติดตั้งใช้งานจะซับซ้อนขึ้น
- อัตราความสำเร็จโดยรวมก็อาจต่ำกว่า
- หากองค์กรสามารถปรับปรุงกระบวนการและเพิ่มประสิทธิภาพโมเดลด้วยข้อมูลที่สะสมไว้ ก็อาจสร้างรายได้มหาศาลจากพื้นที่นี้ได้
ยังไม่มีความคิดเห็น