หัวข้อต้นฉบับ: 《การนำ AI มาใช้เข้าสู่ยุควิศวกรรม โอกาสและความท้าทายใหม่ของ CSP ขนาดใหญ่ ระบบเกณฑ์ใหม่ในการประเมินความก้าวหน้าทางธุรกิจของ AI》
ผู้เขียนต้นฉบับ: qinbafrank นักวิเคราะห์ตลาด

หมายเหตุบรรณาธิการ: บทความนี้เขียนโดยนักวิเคราะห์ตลาด @qinbafrank AI กำลังเปลี่ยนจาก "การแข่งขันโมเดล" สู่ "การแข่งขันเชิงพาณิชย์" เมื่อองค์กรเริ่มปรับใช้ AI ในวงกว้าง จุดสนใจของตลาดก็เปลี่ยนจากความสามารถของโมเดล ไปสู่คุณภาพรายได้ ROI ขององค์กร และผลตอบแทนจากทุน บทความนี้พยายามสร้างกรอบการวิเคราะห์เชิงพาณิชย์ของ AI ใหม่ทั้งหมด "บทส่งท้าย" เขียนโดยผู้เขียนเมื่อแชร์บทความนี้ ซึ่งมีมุมมองเพิ่มเติมเกี่ยวกับรายงานทางการเงินของยักษ์ใหญ่เทคโนโลยีล่าสุดและการ商业化ของ AI ที่มีคุณค่าสูง กองบรรณาธิการจึงย้ายไปไว้ก่อนเนื้อหาหลักเพื่อให้ผู้อ่านอ้างอิง

บทส่งท้าย

รายงานทางการเงินของ CSP ขนาดใหญ่ (Microsoft, Amazon, Google, Meta) คือจุดเปลี่ยนสำคัญที่สองของตลาดในเดือนกรกฎาคม ตลาดกังวลและสนใจประเด็นใดบ้าง? ความสำคัญของพวกเขาถูกกล่าวถึงในเนื้อหาหลักว่า ผลประกอบการของ CSP ขนาดใหญ่เป็นตัวชี้วัดสำคัญของการ商业化ของ AI (น้ำหนักเทียบเท่ากับ ARR ของโมเดลใหญ่) หัวใจสำคัญคือดูว่าความเร็วในการเติบโตของความต้องการ AI คุณภาพรายได้ และเศรษฐศาสตร์ต่อหน่วย จะตามทันความเร็วที่เพิ่มขึ้นของรายจ่ายทุน ค่าเสื่อมราคา ต้นทุนพลังงาน และความต้องการเงินทุนหรือไม่? พูดง่ายๆ คือ ถ้าความเร็วในการ商业化ของ AI ไม่ทันความเร็วในการลงทุนและต้นทุนของ AI กระแสเงินสดอิสระของบริษัทเทคโนโลยีใหญ่ก็จะถูกนำมาพิจารณา มาพูดถึงความคิดของฉัน

1. ความกังวลของตลาดสามารถแบ่งออกเป็นสี่ชั้น

1) ความคาดหวังสูงและการเทรดที่แออัด

ตลาดได้รวม Capex ต่อเนื่องหลายปี ความต้องการชิป และการเติบโตของคลาวด์บางส่วนเข้าไปในราคาแล้ว Capex รวมของบริษัทเทคโนโลยีใหญ่หลายแห่งในปี 2026 อยู่ที่ประมาณ 7300 พันล้านดอลลาร์ ตราบใดที่รายงานทางการเงิน "ดีแต่ไม่เกินความคาดหวัง" การเทรดที่แออัดในเซมิคอนดักเตอร์ หน่วยความจำ ศูนย์ข้อมูล และพลังงานก็อาจร่วงลง แต่ไม่สามารถพูดได้ง่ายๆ ว่าทั้งกลุ่มเทคโนโลยีใหญ่ได้รวม "ความคาดหวังที่สมบูรณ์แบบหลายปี" ไว้แล้ว Microsoft, Alphabet, Amazon, Meta ยังมีกระแสเงินสดที่ไม่ใช่ AI ขนาดใหญ่ เช่น Office, การค้นหาและโฆษณา, อีคอมเมิร์ซ, โฆษณาโซเชียล สิ่งที่ง่ายที่สุดที่จะรวมความคาดหวังหลายปีคือบริษัทในห่วงโซ่อุปทานที่รายได้ผูกพันกับ Capex ของ AI อย่างมากและมีความยืดหยุ่นตามวัฏจักรสูงกว่า

การลดเลเวอเรจเมื่อเร็วๆ นี้ช่วยลดระดับความคาดหวังสูงและการเทรดที่แออัดนี้ลงอย่างมาก

2) ความไม่สมดุลระหว่างรายจ่ายฝ่ายทุน ค่าเสื่อมราคา และกระแสเงินสดอิสระ

รายได้สามารถเติบโตได้ทันที แต่ค่าเสื่อมราคาจากศูนย์ข้อมูล GPU ระบบจ่ายไฟ และเครือข่ายจะดำเนินต่อไปอีกหลายปี ปัจจุบันตลาดเริ่มเปลี่ยนจาก "ใครใช้จ่ายมากที่สุด" ไปสู่: ใครสามารถทำให้กำลังการผลิตใหม่เข้าสู่การใช้งานที่สร้างรายได้เร็วที่สุด และสร้างกำไรขั้นต้นที่เพียงพอต่อการครอบคลุมค่าเสื่อมราคาและต้นทุนทางการเงิน กระแสเงินสดอิสระของ Amazon ในไตรมาสที่ 1 ติดลบ อัตรากำไรขั้นต้นของ Microsoft Cloud ได้รับแรงกดดันจากการลงทุน AI และ Alphabet ได้ระบุอย่างชัดเจนถึงค่าเสื่อมราคาและต้นทุนพลังงานที่เพิ่มขึ้น ซึ่งแสดงให้เห็นว่าความกังวลนี้ไม่ใช่แค่อารมณ์ล้วนๆ

3) ตลาดกังวลทั้ง "Capex มากเกินไป" และ "Capex จะถูกตัดลด" ในเวลาเดียวกัน

สิ่งนี้ไม่ขัดแย้งกัน เพราะผลกระทบต่อกลุ่มเป้าหมายต่างกัน: สำหรับผู้ถือหุ้น CSP การเพิ่ม Capex ที่ไม่มีผลตอบแทนเป็นลบ; สำหรับห่วงโซ่อุปทานชิป หน่วยเก็บข้อมูล ศูนย์ข้อมูล และไฟฟ้า การตัดลด Capex เป็นลบต่อรายได้

การลด Capex เนื่องจากการเพิ่มประสิทธิภาพ ขณะที่รักษารายได้และกำลังการผลิตไว้ เป็นบวก; การตัดลด Capex เนื่องจากอุปสงค์ที่อ่อนแอลง เป็นลบต่อห่วงโซ่อุตสาหกรรม AI ทั้งหมด

ดังนั้นสิ่งที่ตลาดสนใจจริงๆ ไม่ใช่การเพิ่มขึ้นหรือลดลงของ Capex โดยสิ้นเชิง แต่คือ: Capex ใหม่ทุกๆ 1 ดอลลาร์จะสร้างกำไรขั้นต้นที่ยั่งยืนและกระแสเงินสดอิสระได้เท่าใด

4) ความแตกต่างของช่วงเวลาระหว่างรายได้จากการ商业化 AI และวงจรการลงทุน

ปัจจุบันความต้องการ AI บนคลาวด์สูงมาก CSP บางรายยังคงถูกจำกัดด้วยกำลังการผลิต แต่การที่องค์กรต่างๆ จะเปลี่ยนจากการทดลองไปสู่การผลิต การต่อสัญญา และการขยายตัวในวงกว้าง ต้องใช้เวลานานขึ้น ตลาดกังวลว่าหลังจากค่าเสื่อมราคาและต้นทุนทางการเงินเข้าสู่งบการเงินก่อน รายได้จาก AI ขององค์กรจะตามมาทันหรือไม่ นอกจากนี้ อัตราดอกเบี้ย ราคาพลังงาน และความเสี่ยงทางเศรษฐกิจมหภาคยังส่งผลกระทบต่อสินทรัพย์เทคโนโลยีที่มีอายุยาวนาน ไม่สามารถโทษการปรับฐานทั้งหมดว่าเกิดจาก AI ได้ นักลงทุนสลับไปมาระหว่างสองแนวคิดคือ "โครงสร้างพื้นฐาน AI ถูกประเมินต่ำเกินไป" และ "ลงทุนมากเกินไปและเร็วเกินไป"

2. สิ่งใดที่สามารถพลิกฟื้นความรู้สึกของตลาดได้จริง

การเปิดตัวโมเดลเพิ่มเติม การประกาศจำนวน Token มากขึ้น หรือการปรับเพิ่ม Capex อีกครั้ง ล้วนไม่เพียงพอที่จะขจัดความกังวล ตลาดต้องการเห็นห่วงโซ่หลักฐานที่ต่อเนื่อง

ประการแรก รายได้จาก AI ต้องมีความกว้างขวาง ไม่ใช่พึ่งพาลูกค้ากลยุทธ์เพียงไม่กี่ราย

ต้องเห็นจำนวนลูกค้าองค์กร ปริมาณงานในการผลิต จำนวนที่นั่งที่ชำระเงิน การต่อสัญญา และการใช้จ่ายต่อลูกค้าเติบโตไปพร้อมกัน และเมื่อตัดสัญญาขนาดใหญ่พิเศษอย่าง OpenAI, Anthropic ออกไปแล้ว อุปสงค์ยังคงแข็งแกร่ง

ประการที่สอง อัตราการเติบโตของกำไรขั้นต้นจาก AI สูงกว่าค่าเสื่อมราคาและต้นทุนการดำเนินงาน

อนุญาตให้อัตรากำไรขั้นต้นระยะสั้นลดลง แต่กำไรขั้นต้นจาก AI ที่เพิ่มขึ้นใหม่ต้องมากกว่าค่าเสื่อมราคา พลังงาน เครือข่าย และการลงทุนด้านบุคลากรที่เพิ่มขึ้นอย่างชัดเจน ควรเห็นต้นทุนการอนุมานต่อหน่วยลดลง ขณะที่กำไรขั้นต้นรวมเพิ่มขึ้นอย่างต่อเนื่อง

ประการที่สาม Backlog สามารถเปลี่ยนเป็นรายได้ระยะใกล้

สัญญาขนาดใหญ่ระยะ 3-5 ปีเพียงอย่างเดียวไม่เพียงพอ ตลาดจะให้ความสำคัญกับสัดส่วนการรับรู้รายได้ใน 12-24 เดือนข้างหน้า ระดับการบริโภคที่เกินกว่าคำมั่นสัญญาเริ่มต้น และอัตราการใช้งานทันทีเมื่อความจุใหม่เปิดให้บริการ

ประการที่สี่ ชิปที่พัฒนาด้วยตนเองและการปรับแต่งโมเดลสร้างผลตอบแทนทางเศรษฐกิจที่ตรวจสอบได้

สิ่งที่ตลาดต้องการไม่ใช่แค่ "Trainium, TPU, MAI ถูกกว่า" แต่คือ: สัดส่วนชิปที่พัฒนาด้วยตนเองเพิ่มขึ้น ต้นทุนต่อ Token หรือต่อภารกิจที่สำเร็จลดลง ราคาลดลงในอัตราที่น้อยกว่าต้นทุน กำไรขั้นต้นต่อชั่วโมงของ Accelerator เพิ่มขึ้น ยอดใช้จ่ายรวมของลูกค้าและรายได้จากแพลตฟอร์มยังคงเติบโต

ประการที่ห้า จุดต่ำสุดของกระแสเงินสดอิสระเริ่มมองเห็นได้

ตลาดต้องการเห็น: อัตราการเติบโตของ Capex เริ่มควบคุมได้ Capex ใหม่มีสัญญาความต้องการรองรับ กระแสเงินสดจากการดำเนินงานเติบโตครอบคลุมรายจ่ายฝ่ายทุนมากขึ้น การซื้อหุ้นคืนและงบดุลไม่ถูกบีบอัดในระยะยาว จุดสูงสุดของค่าเสื่อมราคาและระยะเวลาคืนทุนสามารถอธิบายได้ชัดเจน กระแสเงินสดอิสระติดลบเป็นเพียงภาพภายนอก สิ่งที่ตลาดซื้อขายจริงคือสาเหตุ ขนาด ระยะเวลาของการติดลบ และความสามารถในการฟื้นตัวในอนาคต

ประการที่หก ลูกค้าองค์กรสามารถพิสูจน์ ROI ที่แท้จริง

หลักฐานที่มีพลังมากที่สุดไม่ใช่การประเมินโมเดลหรือจำนวน Token แต่คือการเปิดเผยของลูกค้า: รายได้และอัตราการแปลงเพิ่มขึ้น เวลาทำงานและประมวลผลลดลง การเปลี่ยนจากทดลองสู่การผลิต การต่อสัญญาและขยายการใช้งาน ระยะเวลาคืนทุนยังคงน่าสนใจแม้รวมต้นทุน AI ทั้งหมดแล้ว

ชุด "Goldilocks" ที่ดีที่สุดสำหรับผลประกอบการไตรมาสสองที่ตลาดต้องการเห็นมากที่สุดคือ:

รายได้จากคลาวด์และ AI สูงกว่าคาด + อัตรากำไรคงที่โดยประมาณ + Backlog เริ่มเปลี่ยนเป็นรายได้ + Capex ไม่失控意外 หรือ Capex ใหม่สอดคล้องกับความต้องการที่มีสัญญาชัดเจน + กระแสเงินสดอิสระไม่แย่ลงอีก

ในทางกลับกัน ชุดที่อันตรายที่สุดคือ:

Token และปริมาณการใช้งานพุ่งสูง แต่รายจ่ายต่อลูกค้า กำไรขั้นต้น และกระแสเงินสดอิสระไม่ดีขึ้น การเติบโตของ RPO ขึ้นอยู่กับบริษัทโมเดลเชิงกลยุทธ์รายเดียว Capex ปรับเพิ่มขึ้นอีกครั้ง ขณะที่อัตรากำไรและแนวโน้มรายได้กลับลดลง

คำนำ

ครั้งแรกที่เห็นแนวทางปฏิบัติด้านวิศวกรรม AI ของ Coinbase เมื่อวันที่ 6 กรกฎาคม ทำให้ฉันเริ่มคิดอย่างลึกซึ้งและศึกษาแนวโน้มการเปลี่ยนแปลงที่อาจเกิดขึ้นเมื่อองค์กรต่างๆ นำ AI มาใช้ในอนาคต สัปดาห์ที่แล้วเขียนไปสองบทความ:

ความหมายของการปรับใช้โมเดลโอเพนซอร์สที่คุ้มค่าโดย CSP (ผู้ให้บริการคลาวด์) และการขาย Token ต่อ:

ผลการดำเนินงานของ CSP ขนาดใหญ่จะเป็นตัวชี้วัดที่สำคัญยิ่งขึ้นสำหรับการ商业化 AI และการปรับเปลี่ยนคุณค่า:

จากแนวคิดนี้ ฉันได้ขยายความเพิ่มเติมจนกลายเป็นบทความยาวนี้ ซึ่งจะพูดถึงตรรกะและความคิดส่วนตัวของฉันอย่างละเอียดมากขึ้น

หนึ่ง การแบ่งตามสถานการณ์และหลายโมเดล การเปลี่ยนแปลงที่เกิดจากกระบวนการนำ AI มาใช้ในองค์กรเข้าสู่ขั้นวิศวกรรม

1. การแบ่งตามสถานการณ์: องค์กรจะไม่ถามอีกต่อไปว่า "โมเดลไหนดีที่สุด" แต่จะถามว่า "งานนี้ควรใช้โมเดลไหน"

อนาคตไม่ใช่ "Token ที่คุ้มค่าเฉพาะทาง" เพราะ Token เป็นเพียงหน่วยวัดเท่านั้น สิ่งที่ถูกทำให้เฉพาะทางจริงๆ คือ: โมเดล; กลยุทธ์การอนุมาน; บริบทและข้อมูล; เส้นทางการเรียกใช้เครื่องมือ; ฮาร์ดแวร์และวิธีการให้บริการ; กลไกความปลอดภัยและการตรวจสอบด้วยมนุษย์

ฟังก์ชันเป้าหมายในการเลือกโมเดลขององค์กรจะเปลี่ยนจากการแสวงหาความสามารถของโมเดลเพียงอย่างเดียว เป็น:

มูลค่าสุทธิของงาน = ความน่าจะเป็นของความสำเร็จของงาน × มูลค่าทางธุรกิจ − ต้นทุนการอนุมานและการดำเนินการ − ความสูญเสียจากข้อผิดพลาดและความเสี่ยง

ซึ่งจะก่อให้เกิดสถานการณ์ทั่วไปสี่ประเภท:

ตัวอย่างเช่น งานต่างๆ เช่น การจำแนกอีเมล การสรุป การดึงข้อมูล การแยกสายลูกค้าเบื้องต้น การตรวจสอบรูปแบบโค้ด มีความต้องการความสามารถของโมเดลค่อนข้างต่ำ แต่มีลักษณะการเรียกใช้量大และไวต่อราคา งานประเภทนี้จะค่อยๆ ย้ายไปใช้โมเดลขนาดเล็ก โมเดลโอเพนซอร์ส หรือโมเดลที่คุ้มค่าที่ CSP พัฒนาเอง

ในขณะที่งานต่างๆ เช่น การสร้างโค้ดที่ซับซ้อน การวิเคราะห์สัญญาสำคัญ การอนุมานทางวิทยาศาสตร์ การวิจัยเชิงกลยุทธ์ การวางแผน Agent ที่ซับซ้อน การเพิ่มความแม่นยำของโมเดลไม่กี่เปอร์เซ็นต์อาจสอดคล้องกับมูลค่าทางธุรกิจที่สูงมาก ดังนั้นจึงยังคงยินดีจ่ายส่วนเพิ่มสำหรับโมเดล前沿

2. ยิ่งองค์กรนำ AI มาใช้อย่างลึกซึ้งมากเท่าไร ก็ยิ่งต้องการระบบ AI เฉพาะทางมากขึ้น

ไม่ว่าโมเดลใหญ่แบบปิด前沿จะใช้ข้อมูลสาธารณะ ข้อมูลที่ได้รับอนุญาต หรือข้อมูลสังเคราะห์มากเพียงใด โดยปกติแล้วมันจะไม่ครอบครองข้อมูลเรียลไทม์ กฎภายใน สิทธิ์การเข้าถึง และประสบการณ์โดยนัยขององค์กรใดองค์กรหนึ่ง องค์กรขนาดใหญ่ต้องการ "ขอบเขต AI ส่วนตัว" มากกว่า ซึ่งรวมถึงข้อมูลที่ไม่ถูกนำไปใช้ในการฝึกอบรม เครือข่ายส่วนตัว ผู้เช่าเฉพาะ การแยกสิทธิ์ การเก็บรักษาข้อมูล และความสามารถในการตรวจสอบย้อนกลับ มีเพียงบางสถานการณ์เท่านั้นที่จำเป็นต้องปรับใช้ในพื้นที่หรือแยกออกจากกันจริงๆ

สิ่งที่องค์กรขาดจริงๆ ไม่ใช่โมเดลที่ "อ่านเอกสารทั้งหมดของบริษัท" แต่เป็นระบบที่สามารถเรียกใช้ข้อมูลที่ถูกต้องภายใต้สิทธิ์ที่เหมาะสม และดำเนินการตามกฎขององค์กร

ข้อมูลส่วนตัวขององค์กรต้องแบ่งการจัดการออกเป็น 4 ประเภท:

และ "ข้อมูลเชิงประสบการณ์" เป็นสินทรัพย์ที่ยากที่สุดสำหรับ AI ขององค์กร เพราะประสบการณ์ไม่ได้มีอยู่ในรูปแบบข้อมูลโดยธรรมชาติ โดยปกติแล้วมันจะกระจายอยู่ใน: การตัดสินใจของพนักงานเก่า, อีเมลและบันทึกการสนทนา, แผนงานที่ถูกปฏิเสธแต่ไม่ได้บันทึกไว้, กระบวนการจัดการเหตุการณ์ผิดปกติ, การกระทำที่ระบบครอบคลุมด้วยคำแนะนำ, ข้อร้องเรียนของลูกค้า และการทบทวนหลังเหตุการณ์

เพื่อเปลี่ยนประสบการณ์ส่วนนี้ให้เป็นสินทรัพย์ AI องค์กรต้องสร้าง:

ประสบการณ์ดิบ → ตัวอย่างงาน → การตัดสินใจของผู้เชี่ยวชาญ → มาตรฐานถูกและผิด → ชุดประเมินโมเดล → ข้อเสนอแนะและการฝึกอบรมเพิ่มเติม

ดังนั้น คูเมืองขององค์กรใหญ่ไม่ใช่แค่ "การมีเอกสารจำนวนมาก" แต่คือ:

ความสามารถในการเปลี่ยนความรู้ที่ซ่อนอยู่ให้เป็นบริบทขององค์กรที่เครื่องจักรสามารถเรียนรู้ ค้นหา ประเมิน และดำเนินการได้

นี่คือเหตุผลที่ AI ขององค์กรต้องการการมีส่วนร่วมจาก FDE, วิศวกรข้อมูล, ผู้เชี่ยวชาญเฉพาะด้าน และผู้รับผิดชอบธุรกิจมากขึ้น

และทั้งหมดที่พูดถึงข้างต้นชี้ไปที่จุดเดียว:

การนำ AI มาใช้ในองค์กรกำลังเปลี่ยนจาก "การซื้อโมเดลที่แข็งแกร่งที่สุด" ไปสู่ "การปรับใช้ทางวิศวกรรมรอบข้อมูลส่วนตัว กระบวนการทางธุรกิจ และระบบหลายโมเดล"

สอง "ระบบ AI แบบผสม" สู่การเพิ่มขึ้นของ "ชั้นกลาง"

1. หลายโมเดล หลายโมดูล: ผลิตภัณฑ์ AI จะอัปเกรดจาก "การเรียกใช้โมเดล" เป็น "ระบบ AI แบบผสม"

ในอนาคต ระบบ AI ระดับองค์กรสำหรับการผลิตมักจะไม่ใช่แค่ API ของโมเดลเดียว แต่ประกอบด้วยหลายโมดูลที่ทำงานร่วมกัน: คำขอของผู้ใช้, ตัวตนและสิทธิ์, การระบุสถานการณ์, การรับข้อมูลและบริบท, การกำหนดเส้นทางโมเดล, การอนุมานโมเดล, การเรียกใช้เครื่องมือ/API, การตรวจสอบผลลัพธ์, การควบคุมความเสี่ยง, การตรวจสอบด้วยมนุษย์หรือการดำเนินการอัตโนมัติ, การติดตามและการประเมินอย่างต่อเนื่อง

"หลายโมดูล" ที่นี่สำคัญกว่า "หลายโมเดล" เพราะสิ่งที่องค์กรซื้อในท้ายที่สุดไม่ใช่ตัวโมเดล แต่เป็นระบบที่สามารถทำงานทางธุรกิจได้อย่างน่าเชื่อถือ

ทำไมองค์กรถึงหันไปใช้หลายโมดูล?

1) โมเดลเดียวไม่สามารถดีที่สุดในด้านคุณภาพ ต้นทุน ความเร็ว ความเป็นส่วนตัว และความเสถียรไปพร้อมกันได้

2) โมเดลไม่เข้าใจข้อมูลเรียลไทม์ขององค์กร ระบบสิทธิ์ และสถานะทางธุรกิจ จำเป็นต้องได้รับบริบทผ่านเลเยอร์ข้อมูล เลเยอร์การค้นหา เลเยอร์เครื่องมือ และตัวเชื่อมต่อระบบ

3) สภาพแวดล้อมการผลิตต้องสามารถตรวจสอบ ย้อนกลับ และติดตามได้ ผลลัพธ์ของโมเดลไม่สามารถเทียบเท่ากับการดำเนินการทางธุรกิจโดยตรง

4) โมเดลมีการอัปเดตบ่อยครั้ง องค์กรต้องแยกตรรกะทางธุรกิจออกจากโมเดลเฉพาะ เพื่อหลีกเลี่ยงการเขียนแอปพลิเคชันใหม่ทั้งหมดทุกครั้งที่โมเดลเปลี่ยนแปลง

การเกิดขึ้นของโปรโตคอลเปิด เช่น MCP กำลังพยายามสร้างมาตรฐานการเชื่อมต่อระหว่างโมเดลกับแหล่งข้อมูลและเครื่องมือขององค์กร ลดความกระจัดกระจายที่เกิดจากการพัฒนาเชื่อมต่อแยกกันสำหรับแต่ละโมเดล

แต่หลายโมเดลไม่ได้หมายถึงการเพิ่มจำนวนโมเดลอย่างไม่จำกัด

ทุกครั้งที่เพิ่มโมเดล องค์กรจะเพิ่มต้นทุนคงที่แฝงชุดหนึ่ง ได้แก่ การตรวจสอบความปลอดภัย การประเมินด้านกฎหมายและทรัพย์สินทางปัญญา การตรวจสอบการจัดเก็บข้อมูล การทดสอบเกณฑ์มาตรฐานคุณภาพ การทดสอบถดถอยหลังการอัปเดตโมเดล การดำเนินงานและการจัดการข้อบกพร่อง และการจัดการผู้ให้บริการ ดังนั้นรูปแบบองค์กรที่น่าจะเกิดขึ้นมากที่สุดไม่ใช่ "แต่ละทีมเลือกใช้โมเดลหลายสิบตัวได้อย่างอิสระ" แต่เป็น:

ศูนย์กลางจัดตั้งกลุ่มโมเดลที่สอดคล้องตามข้อกำหนดอย่างจำกัด พร้อมระบบควบคุมข้อมูลและความปลอดภัยแบบรวมศูนย์ หน่วยธุรกิจแต่ละส่วนเรียกใช้โมเดลต่างกันตามสถานการณ์

แนวโน้มที่เกิดขึ้นคือ: โครงสร้างพื้นฐานระดับล่างค่อยๆ รวมศูนย์ ส่วนนวัตกรรมตามสถานการณ์กระจายไปยังหน่วยธุรกิจ

2. การเพิ่มขึ้นของคุณค่าของเลเยอร์กลาง: มีอยู่จริง แต่ต้องแยกแยะระหว่าง "อำนาจควบคุม" กับ "มูลค่าทางธุรกิจอิสระ"

ในอนาคต เลเยอร์กลางสามารถแบ่งออกเป็นประมาณหกประเภท:

เลเยอร์กลางใดที่ได้รับมูลค่ามากที่สุด

สิ่งที่สามารถดักจับมูลค่าในระยะยาวได้มากที่สุด ไม่ใช่เลเยอร์ห่อหุ้มโมเดลที่บางที่สุด แต่เป็นแพลตฟอร์มที่ควบคุมทรัพยากรหายากอย่างน้อยหนึ่งอย่างต่อไปนี้:

1) ข้อมูลและบริบทขององค์กร: สามารถเรียกใช้ข้อมูลองค์กรได้อย่างถูกกฎหมาย เรียลไทม์ และตามสิทธิ์

2) ตัวตนและความปลอดภัย: กำหนดว่า AI สามารถเข้าถึงอะไร และสามารถดำเนินการแทนใครได้บ้าง

3) เวิร์กโฟลว์ทางธุรกิจ: การควบคุมจุดเริ่มต้นของงานและการดำเนินการให้ครบวงจร

4) ข้อมูลการประเมินข้ามโมเดล: การสะสมข้อมูลคุณภาพ ต้นทุน และความเสี่ยงจากสภาพแวดล้อมการผลิตจริง

5) ความสามารถในการกระจาย: มีฐานผู้ใช้องค์กรหรือจุดเชื่อมต่อระบบจำนวนมากอยู่แล้ว

ผู้ให้บริการแพลตฟอร์มข้อมูล แพลตฟอร์มคลาวด์ แพลตฟอร์มความปลอดภัย ERP และซอฟต์แวร์อุตสาหกรรมจึงมีข้อได้เปรียบโดยธรรมชาติ

Microsoft เปิดเผยว่าลูกค้า AI ของตนใช้บริการ Foundry, Fabric, Cosmos DB และบริการด้านการกำกับดูแลความปลอดภัยร่วมกันมากขึ้น ในขณะที่ Google ก็เน้นย้ำว่าการใช้ AI ช่วยผลักดันการเติบโตของ BigQuery และเวิร์กโฟลว์ข้อมูล ซึ่งแสดงให้เห็นว่าการเรียกใช้โมเดล AI อาจกลายเป็นจุดเริ่มต้นในการดึงดูดลูกค้าสำหรับบริการต่างๆ เช่น ฐานข้อมูล การวิเคราะห์ การจัดเก็บข้อมูล ความปลอดภัย และรันไทม์ของ Agent

เลเยอร์กลางใดบ้างที่เสี่ยงต่อการถูกทำให้เป็นสินค้าโภคภัณฑ์

เลเยอร์กลางต่อไปนี้แม้จะมีคุณค่าในการใช้งาน แต่ก็อาจไม่สามารถสร้างแหล่งกำไรอิสระได้:

· การรวม API แบบง่าย

· การกำหนดเส้นทางโมเดลที่ไม่มีข้อมูลเฉพาะ

· การจัดการ Prompt ทั่วไป

· การจัดเรียง Agent พื้นฐานที่ไม่มีวงจรธุรกิจที่สมบูรณ์

· ผลิตภัณฑ์ชั้นบางที่ส่งต่อคำขอระหว่างโมเดลหลายตัวเท่านั้น

สาเหตุคือ CSP อย่าง AWS, Microsoft, Google สามารถรวมฟังก์ชันเหล่านี้เป็นบริการคลาวด์ฟรีหรือราคาถูกแบบแพ็กเกจ ในขณะที่ผู้ผลิตแอปพลิเคชันรายใหญ่ก็สามารถฝังฟังก์ชันเหล่านี้ไว้ในผลิตภัณฑ์ที่มีอยู่ได้

ดังนั้นการประเมินที่แม่นยำกว่าคือ:

ความสำคัญเชิงกลยุทธ์ของเลเยอร์กลางจะเพิ่มขึ้นอย่างแน่นอน แต่มูลค่ารวมของผู้ผลิตเลเยอร์กลางอิสระอาจไม่เพิ่มขึ้นตามสัดส่วนเดียวกัน

เลเยอร์กลางอาจกลายเป็น "ระบบปฏิบัติการ" ของอุตสาหกรรม AI แต่ผู้ที่ได้รับผลประโยชน์ทางเศรษฐกิจในที่สุดอาจเป็น: CSP, แพลตฟอร์มข้อมูล, แพลตฟอร์มความปลอดภัยและข้อมูลประจำตัว, บริษัทซอฟต์แวร์ประยุกต์ที่มีระบบบันทึกข้อมูล และผู้ผลิตมิดเดิลแวร์อิสระบางรายที่มีความเป็นกลางข้ามคลาวด์และข้อมูลการผลิตเฉพาะ

ความเป็นกลางข้ามคลาวด์จะเป็นข้อได้เปรียบสำคัญของผู้ผลิตอิสระในการต่อต้านการผูกมัดของ CSP องค์กรขนาดใหญ่มักไม่ต้องการล็อกโมเดล ข้อมูล การประเมิน และการกำกับดูแลไว้บนแพลตฟอร์มคลาวด์เดียวกันทั้งหมด ดังนั้นเลเยอร์กลางอิสระยังคงมีพื้นที่ แต่ต้องมีความสามารถที่เหนือกว่า "การเรียกใช้โมเดลแบบง่าย"

3. ยุคหลายโมเดล CSP ขนาดใหญ่จะกลายเป็นเลเยอร์กลางที่แข็งแกร่งหรือไม่

1. การปรับใช้โมเดลโอเพนซอร์สและโมเดลที่คุ้มค่าต้นทุนของ CSP จะนำมาซึ่งการเปลี่ยนแปลงอะไรบ้าง?

การเปลี่ยนแปลงที่ 1: การเรียกใช้โมเดลเปลี่ยนจากการจัดหาจากผู้ขายรายเดียวเป็นการจัดการพอร์ตโฟลิโอโมเดล

องค์กรจะไม่ผูกติดกับผู้ให้บริการโมเดลรายเดียวอีกต่อไป แต่จะดูแลพอร์ตโฟลิโอโมเดล:

· โมเดลปิดล้ำสมัยรับผิดชอบงานที่ต้องการความสามารถสูงสุด

· โมเดลโอเพนซอร์สรับผิดชอบงานที่สามารถมาตรฐานและปรับใช้ส่วนตัวได้

· โมเดลที่ CSP พัฒนาเองรับผิดชอบงานที่มีความถี่สูงและไวต่อต้นทุน

· โมเดลขององค์กรเองรับผิดชอบงานที่มีความเป็นเอกลักษณ์สูงและไวต่อข้อมูล

CSP กลายเป็นประตูทางเข้าและเราเตอร์ของพอร์ตโฟลิโอโมเดล ผู้ให้บริการโมเดลไม่ได้แข่งขันแค่เพื่อลูกค้า แต่เพื่อส่วนแบ่งการจัดสรรงานในระบบเราเตอร์

ดังนั้น ตัวชี้วัดการแข่งขันโมเดลใหม่จึงรวมถึง: ถูกบรรจุในพูลโมเดลที่สอดคล้องกับข้อกำหนดขององค์กรกี่ราย? ได้รับคำขอกี่ครั้งในเราเตอร์? ได้รับงานที่มีมูลค่าสูงหรืองานราคาถูก?

การเปลี่ยนแปลงที่ 2: ราคาโมเดลลดลง แต่ค่าใช้จ่าย AI ทั้งหมดอาจไม่ลดลง

โมเดลที่เล็กลง แคชที่เพิ่มขึ้น และการบีบอัดบริบทจะลด Token ต่องานและราคาต่อ Token แต่ต้นทุนที่ลดลงอาจกระตุ้นการใช้งานในสถานการณ์มากขึ้น ทำให้ปริมาณงานเพิ่มขึ้นอย่างมาก

การเปลี่ยนแปลงที่ 3: แหล่งรายได้ของ CSP ขยายจากการหักค่าธรรมเนียมโมเดลไปสู่การผูกติดกับสแต็กทั้งหมด

แม้ว่าโมเดลโอเพนซอร์สจะไม่สร้างรายได้จากลิขสิทธิ์โมเดลจำนวนมาก CSP ยังสามารถเรียกเก็บค่าธรรมเนียมจากส่วนต่างๆ ดังนี้: การคำนวณ GPU, TPU และ ASIC ที่พัฒนาขึ้นเอง; บริการโฮสต์อินเฟอเรนซ์; ฐานข้อมูลและการค้นหาเวกเตอร์; พื้นที่จัดเก็บอ็อบเจกต์; เครือข่ายและการถ่ายโอนข้อมูล; รันไทม์ Agent; ความปลอดภัยและข้อมูลประจำตัว; การประเมินผล บันทึก และการตรวจสอบ; บริการสนับสนุนองค์กร

ดังนั้น สิ่งที่ CSP สนใจจริงๆ ไม่ใช่ส่วนแบ่งรายได้จากโมเดล แต่คือ:

กำไรขั้นต้นรวมของ AI จาก CSP = กำไรขั้นต้นจากอินเฟอเรนซ์ + กำไรขั้นต้นจากการผูกติดข้อมูล + กำไรขั้นต้นจากเครือข่ายจัดเก็บ + กำไรขั้นต้นจากการกำกับดูแลความปลอดภัย + กำไรขั้นต้นจากรันไทม์ Agent

AWS เปิดเผยว่ารายจ่ายของลูกค้า Bedrock เพิ่มขึ้นแบบไตรมาสต่อไตรมาส ปริมาณการประมวลผล Token เพิ่มขึ้นอย่างมีนัยสำคัญ พร้อมเปิดตัวบริการต่างๆ เช่น การลงทะเบียน AgentCore นโยบาย และการประเมินผล ขณะที่ Microsoft และ Google ก็กำลังผลักดันการผสมผสานบริการด้านโมเดล ข้อมูล Agent และการกำกับดูแล ซึ่งแสดงให้เห็นว่า CSP กำลังพยายามเปลี่ยนบริการโมเดลให้เป็นการบริโภคคลาวด์แบบครบวงจร

การเปลี่ยนแปลงที่สี่: คุณค่าของผู้ผลิตโมเดลจะไม่หายไป แต่จะขยายไปสู่จุดสูงสุดของความสามารถและการประยุกต์ใช้

โมเดลโอเพนซอร์สและโมเดลที่คุ้มค่าต้นทุนจะกดดันราคาของโมเดลระดับกลางและระดับล่าง แต่จะไม่ลบล้างคุณค่าของโมเดล前沿โดยอัตโนมัติ ผู้ผลิตโมเดลอาจใช้สามแนวทาง: 1) เพิ่มขีดความสามารถสูงสุดอย่างต่อเนื่อง รักษาค่าพรีเมียมสำหรับงานที่ซับซ้อน 2) ขยับขึ้นไปสู่การประยุกต์ใช้ที่มีมูลค่าสูง เช่น Agent การเขียนโค้ด และการวิจัย 3) ให้บริการปรับแต่งหลังการฝึกอบรม ความปลอดภัย การกำกับดูแลองค์กร และความจุเฉพาะ

ในที่สุดอาจเกิดรูปแบบ:

CSP ควบคุมโครงสร้างพื้นฐานและการกระจายโมเดล;
ผู้ผลิตโมเดล前沿ควบคุมขีดความสามารถสูงสุด;
ชั้นกลางควบคุมบริบท การกำกับดูแล และการจัดสรร;
ผู้ผลิตแอปพลิเคชันควบคุมเวิร์กโฟลว์และจุดเข้าถึงผู้ใช้

นี่ไม่ใช่การที่ชั้นเดียวชนะทั้งหมด แต่เป็นชั้นต่างๆ ที่เก็บค่าเช่าในรูปแบบที่แตกต่างกัน

การเปลี่ยนแปลงที่ห้า: อำนาจต่อรองขององค์กรในชั้นโมเดลเพิ่มขึ้น แต่การล็อกอินแพลตฟอร์มอาจลึกขึ้น

โมเดลหลายตัวและโมเดลเปิดช่วยลดการพึ่งพาผู้ผลิตโมเดลรายเดียวขององค์กร

แต่หากข้อมูล สิทธิ์ สถานะ Agent ระบบประเมินผล และเวิร์กโฟลว์ขององค์กรถูกปรับใช้บน CSP เดียวกัน การล็อกชั้นโมเดลอาจลดลง แต่การล็อกแพลตฟอร์มคลาวด์กลับอาจเพิ่มขึ้น

กล่าวคือ:

ความสามารถในการเปลี่ยนโมเดลที่เพิ่มขึ้น ไม่ได้หมายถึงความสามารถในการย้ายสถาปัตยกรรมโดยรวมที่เพิ่มขึ้น

2. CSP ควบคุมฐาน AI แนวนอน ในขณะที่ SaaS แนวตั้งควบคุมชั้นการดำเนินธุรกิจ

CSP มีแนวโน้มที่จะจับคุณค่าต่อไปนี้มากที่สุด: พลังประมวลผล GPU, TPU และ ASIC ที่พัฒนาขึ้นเอง; การโฮสต์โมเดลโอเพนซอร์ส; การกระจายโมเดลปิด; การปรับแต่งและกลั่นโมเดล; ฐานข้อมูลและ Data Lake; การค้นหาแบบเวกเตอร์และ Knowledge Graph; เครือข่ายและพื้นที่จัดเก็บ; ข้อมูลประจำตัวและสิทธิ์; ความปลอดภัยและการกำกับดูแล; รันไทม์ของ Agent; การประเมินผลและการสังเกตการณ์; การสนับสนุนทางเทคนิคระดับองค์กร

ความเชี่ยวชาญของ Vertical SaaS: จุดเริ่มต้นการทำงาน; วัตถุทางธุรกิจ; ความหมายทางธุรกิจ; สิทธิ์ผู้ใช้; ข้อมูลการดำเนินการในอดีต; บันทึกของระบบ; กฎของอุตสาหกรรม; การดำเนินการขั้นสุดท้าย; ผลตอบรับจากลูกค้า

ดังนั้น มันสามารถห่อหุ้มโมเดลราคาถูกให้กลายเป็นผลลัพธ์ทางธุรกิจที่มีมูลค่าสูง

แต่สิ่งนี้ใช้ได้เฉพาะกับ SaaS ที่มีเวิร์กโฟลว์และข้อมูลเฉพาะที่เป็นกรรมสิทธิ์จริงๆ เท่านั้น แอปพลิเคชันบางๆ ที่เพียงแค่ใส่ GUI ธรรมดาให้กับโมเดลทั่วไป กลับกลายเป็นว่าถูกแทนที่โดยผู้ผลิตโมเดลหรือ CSP ได้ง่าย ก่อนหน้านี้

ได้พูดถึงประเด็นนี้ไปแล้ว

3. มีแนวโน้มสูงที่จะเกิด "Double Middle Layer"

สถาปัตยกรรม AI ขององค์กรในอนาคตอาจเป็น:

CSP อาจไม่สามารถข้าม Vertical SaaS เพื่อควบคุมกระบวนการทางธุรกิจทั้งหมดได้โดยตรง; Vertical SaaS ก็ไม่น่าจะรับผิดชอบโครงสร้างพื้นฐานด้านการคำนวณขนาดใหญ่และโมเดลหลายรูปแบบในระดับล่างได้ด้วยตัวเอง ใครจะสามารถจับมูลค่าได้มากที่สุด ขึ้นอยู่กับจุดควบคุมห้าจุด

เลเยอร์ที่มีมูลค่าสูงจริงๆ ไม่จำเป็นต้องเป็นเลเยอร์ที่ใกล้กับโมเดลมากที่สุด แต่เป็นเลเยอร์ที่สามารถควบคุมพร้อมกัน:

บริบท สิทธิ์ เวิร์กโฟลว์ การดำเนินการ และผลตอบรับจากผลลัพธ์

โดยทั่วไปแล้วโปรเจกต์ SaaS แบบดั้งเดิมคือ:

การวิเคราะห์ Fit-gap → การกำหนดค่า → การย้ายข้อมูล → UAT → เปิดตัว

โปรเจกต์ AI ขององค์กรใกล้เคียงกับ:

การคัดกรองสถานการณ์ → สิทธิ์ข้อมูล → ชุดประเมินผล → การเลือกโมเดล → การเชื่อมต่อ RAG และเครื่องมือ → การกำหนดเส้นทางโมเดล → ขอบเขตความปลอดภัย → การตรวจสอบโดยมนุษย์ → การตรวจสอบการผลิต → ผลตอบรับและการฝึกอบรมหลังการใช้งาน

ความแตกต่างที่ใหญ่ที่สุดคือ:

SaaS ส่วนใหญ่เป็นการกำหนดค่าเวิร์กโฟลว์ในซอฟต์แวร์ที่กำหนดไว้; AI คือการปรับปรุงระบบความน่าจะเป็นอย่างต่อเนื่องในกระบวนการผลิต

ดังนั้น การใช้งาน AI จึงเหมือนกับการผสมผสานระหว่างวิศวกรรมซอฟต์แวร์ วิศวกรรมข้อมูล วิศวกรรมโมเดล การให้คำปรึกษาด้านกระบวนการ และการเปลี่ยนแปลงองค์กร

สี่ การปรับเปลี่ยนมูลค่าสำหรับ CSP ขนาดใหญ่พิเศษ

1、การปรับเปลี่ยนคุณค่าของ CSP ขนาดใหญ่พิเศษ

ก่อนหน้านี้เคยพูดถึงในที่นี้ว่า: ตลาดเคยคิดว่า CSP โดยเฉพาะ CSP ขนาดใหญ่พิเศษหลายรายเป็นเหมือนพ่อค้าคนกลางที่ขายพลังประมวลผลและโทเค็น พร้อมทั้งต้องรับภาระค่าใช้จ่ายด้านทุนมหาศาล แต่กลับไม่สามารถดึงดูดมูลค่าสูงสุดได้ ปัจจุบัน "โมเดลขนาดกลางที่มีประสิทธิภาพ + การปรับใช้ในวงกว้าง" ได้พิสูจน์คุณค่าของตัวเองในสภาพแวดล้อมการผลิตจริง แทนที่จะมุ่งเน้นแต่การแข่งขันด้านพารามิเตอร์อย่างเดียว

ดังนั้น ความเข้าใจในอดีตก็ต้องพลิกกลับ: CSP ขนาดใหญ่พิเศษได้กลายเป็น "ชั้นระบบปฏิบัติการ AI" ภายใต้สถาปัตยกรรมหลายโมเดลในกระบวนการ AI ขององค์กร

การเปลี่ยนแปลงโครงสร้างรายได้และต้นทุนเมื่อ CSP ขายต่อโมเดลแบบปิด:

CSP ได้รับส่วนแบ่งที่จำกัด (โดยปกติ 20-50% ขึ้นอยู่กับสัญญา) และยังต้องรับแรงกดดันด้านราคาจากผู้พัฒนาโมเดล การขายต่อโมเดลโอเพนซอร์สที่โฮสต์เอง: โมเดลโอเพนซอร์สไม่มีค่าใช้จ่ายด้านลิขสิทธิ์เกือบเป็นศูนย์ CSP ต้องรับผิดชอบเฉพาะค่าใช้จ่ายด้านพลังประมวลผล ค่าไฟฟ้า และค่าบำรุงรักษาเท่านั้น CSP เกือบจะเก็บ markup ทั้งหมด (หลังจากหักต้นทุนพลังประมวลผลแล้ว) เนื่องจากสามารถอ้างอิงต้นทุนจริงจากชุมชนโอเพนซอร์ส + ส่วนเพิ่มที่สมเหตุสมผล ทำให้มีพื้นที่มากขึ้น

โมเดลที่พัฒนาขึ้นเองยิ่งไม่ต้องพูดถึง รายได้เกือบทั้งหมดตกเป็นของ CSP

2、แต่สำหรับ CSP ขนาดใหญ่พิเศษก็มีความท้าทายใหม่: ช่องว่างด้านเวลา

สามารถแบ่งกระบวนการทั้งหมดออกเป็นสี่ช่วงเวลา ความยาวของเวลาเป็นเพียงการแสดงให้เห็นเท่านั้น แต่ละอุตสาหกรรมมีความแตกต่างกันมาก

ช่วงที่หนึ่ง: การวิจัยและพัฒนาภายในและการลงทุนด้านกำลังการผลิต

ในช่วงนี้: CSP ฝึกฝนหรือฝึกฝนเพิ่มเติมโมเดลที่พัฒนาขึ้นเอง ปรับใช้โมเดลโอเพนซอร์ส ปรับปรุงชิป กรอบการอนุมาน และการกำหนดเส้นทางโมเดล สร้างแพลตฟอร์มด้านความปลอดภัย การประเมิน และการกำกับดูแล

ผลประกอบการทางการเงินอาจเป็น: Capex เพิ่มขึ้น; ค่าใช้จ่ายด้านการวิจัยและพัฒนาและค่าเสื่อมราคาเพิ่มขึ้น; รายได้จากคลาวด์ภายนอกถูกจำกัดด้วยกำลังการผลิต; อัตรากำไรขั้นต้นถูกกดดัน; รายได้ทางธุรกิจโดยตรงมีจำกัด

ช่วงที่สอง: การทดลองของลูกค้าและการดำเนินการ FDE

ในช่วงนี้: ลูกค้าคัดกรองสถานการณ์; จัดระเบียบข้อมูลและสิทธิ์; สร้าง RAG ชุดการประเมิน และการเชื่อมต่อเครื่องมือ; FDE ช่วยให้ระบบการผลิตแรกเสร็จสมบูรณ์

ผลประกอบการทางการเงินอาจเป็น: รายได้จากบริการเฉพาะทางและการปรับแต่งเพิ่มขึ้น; การบริโภคคลาวด์ยังคงไม่เติบโตอย่างมีนัยสำคัญ; POC จำนวนมากยังไม่ถูกขยายขนาด; การลงทุนด้านบุคลากรเพิ่มขึ้น; อัตรากำไรจากบริการอาจต่ำกว่าอัตรากำไรจากซอฟต์แวร์

ระยะที่ 3: การขยายขนาดการอนุมานเชิงการผลิต

ในระยะนี้: เวิร์กโฟลว์ของลูกค้ามีความเสถียร; Agent เริ่มทำงานอย่างต่อเนื่อง; การใช้งานด้านการอนุมาน ฐานข้อมูล การจัดเก็บข้อมูล และความปลอดภัยเพิ่มขึ้น; SaaS แนวตั้งเริ่มคิดค่าบริการตามการใช้งานหรือผลลัพธ์ทางธุรกิจ

ผลประกอบการทางการเงินอาจเป็น: การใช้บริการคลาวด์ของ CSP เร่งตัวขึ้น; รายได้เสริมจาก AI ใน SaaS เพิ่มขึ้น; รายได้จากการผูกติดข้อมูลและความปลอดภัยเพิ่มขึ้น; การต่ออายุและขยายสัญญาของลูกค้าดีขึ้น; ต้นทุนต่อหน่วยการอนุมานลดลง

ระยะที่ 4: การปรับแต่งโมเดลและเวิร์กโฟลว์

ในระยะนี้: งานที่มีความถี่สูงเปลี่ยนไปใช้โมเดลขนาดเล็ก โมเดลที่พัฒนาขึ้นเอง และโมเดลโอเพนซอร์ส; งานที่มีมูลค่าสูงยังคงใช้โมเดล前沿; การกำหนดเส้นทาง การแคช และการกลั่นกรองช่วยลดต้นทุน; ผลลัพธ์ของ FDE ค่อยๆ ถูกทำให้เป็นผลิตภัณฑ์

ผลประกอบการทางการเงินอาจเป็น: ราคาต่อ Token ลดลง; ปริมาณงานเพิ่มขึ้น; โครงสร้างรายได้ของผู้ให้บริการโมเดลมีความแตกต่างกัน; รายได้จากการผูกติดแบบครบวงจรของ CSP เพิ่มขึ้น; SaaS แนวตั้งสามารถดึงมูลค่าได้มากขึ้นตามเวิร์กโฟลว์และผลลัพธ์; อัตรากำไรและผลตอบแทนจากทุนของผู้ที่ปรับใช้สำเร็จเริ่มดีขึ้น

ดังนั้น ตลาดอาจเห็นลำดับดังนี้:

Capex และค่าใช้จ่ายด้านบุคลากรเพิ่มขึ้น
→ จากนั้นเห็น POC และสัญญา
→ ต่อมาเห็นปริมาณงานการผลิต
→ และสุดท้ายถึงจะเห็นกระแสเงินสดอิสระและ ROIC

ความแตกต่างของช่วงเวลานี้คือแกนกลางของข้อถกเถียงในการลงทุน AI ในปัจจุบัน

ห้า ระบบตัวชี้วัดเชิงพาณิชย์ใหม่ของ AI

1. ในอนาคต ไม่ควรถามแค่ "รายได้จาก AI เท่าไหร่" แต่ต้องตอบคำถามห้าข้อพร้อมกัน

วิธีการประเมินที่สมเหตุสมผลที่สุดไม่ใช่การหาตัวชี้วัดเดี่ยวใหม่ แต่คือการสร้างกรวยเจ็ดชั้นตั้งแต่โมเดลไปจนถึงผลตอบแทนจากทุน

2. ARR ของโมเดลใหญ่ยังคงสำคัญ แต่ควรเปลี่ยนจาก "ตัวชี้วัดปลายทาง" เป็น "ตัวชี้วัดนำหน้าความต้องการด้านความสามารถ"

ARR ของผู้ให้บริการโมเดลใหญ่ยังคงมีความสำคัญอย่างมาก ด้วยเหตุผลสี่ประการ

1) ARR พิสูจน์ว่าองค์กรยินดีจ่ายเงินเพื่อความสามารถทางปัญญา ARR อย่างน้อยก็แสดงให้เห็นว่าลูกค้าบางส่วนเข้าสู่สถานะการชำระเงินแล้ว และยินดีทำสัญญาต่อเนื่องหรือสร้างการบริโภคที่มั่นคง

2) ARR สะท้อนว่าโมเดล前沿ยังคงมีส่วนต่างราคาหรือไม่ หากความสามารถของโมเดลสามารถเพิ่มอัตราความสำเร็จของงานได้อย่างต่อเนื่อง ลูกค้าก็จะยอมจ่ายส่วนต่างสำหรับงานที่มีมูลค่าสูง แม้ว่างานทั่วไปจำนวนมากจะเปลี่ยนไปใช้โมเดลขนาดเล็ก โมเดล前沿ก็ยังคงสามารถรักษาราคาที่สูงผ่านงานที่ซับซ้อน เช่น การให้เหตุผล การเขียนโค้ด การวิจัย และงานของ Agent

3) ARR กำหนดความสามารถในการลงทุนซ้ำด้านการวิจัยพัฒนาและพลังคำนวณของผู้ผลิตโมเดล前沿 การฝึกอบรมโมเดล การฝึกอบรมหลังการฝึก บริการอนุมาน การประเมินความปลอดภัย และการขายให้องค์กร ล้วนต้องใช้เงินทุนอย่างต่อเนื่อง ARR กำหนดว่าผู้ผลิตโมเดลจะสามารถสร้างวงจร "รายได้ — การวิจัยพัฒนา — การเพิ่มความสามารถ — รายได้ที่มากขึ้น" ได้หรือไม่

4) ARR ยังเป็นตัวชี้วัดแทนอิทธิพลของระบบนิเวศ จำนวนนักพัฒนา การเรียกใช้ API สัญญาองค์กร และความลึกที่โมเดลเข้าสู่แอปพลิเคชัน ในที่สุดมักจะสะท้อนบางส่วนใน ARR

3. สรุปโดยรวม

ARR ของโมเดลใหญ่ยังคงมีความสำคัญ เพราะมันพิสูจน์ว่าองค์กรยินดีจ่ายสำหรับความสามารถ前沿

ผลประกอบการของ CSP ขนาดใหญ่ในอนาคตจะครอบคลุมและมีน้ำหนักมากขึ้น แสดงให้เห็นถึงมูลค่าที่ชั้นกลางสะสมในกระบวนการนำ AI ไปใช้ในองค์กร

ในที่สุด เกณฑ์การประเมินจะเปลี่ยนไปสู่ความคุ้มค่าทางเศรษฐกิจของงานที่สำเร็จ ผลตอบแทนจากการลงทุนขององค์กร และผลตอบแทนจากทุน

การตัดสินเชิงพาณิชย์ของ AI ไม่ควรเลือกเพียงอย่างใดอย่างหนึ่งระหว่าง "ARR ของโมเดลใหญ่" และ "รายได้คลาวด์ของ CSP" แต่ควรสร้างห่วงโซ่หลักฐานที่สมบูรณ์:

ARR ของโมเดลพิสูจน์ความต้องการที่ยินดีจ่าย
→ ปริมาณงานการผลิตพิสูจน์ความลึกของการนำไปใช้
→ กำไรขั้นต้นต่อหน่วยงานที่สำเร็จพิสูจน์คุณภาพการดำเนินงาน
→ ROI ขององค์กรพิสูจน์ความยั่งยืนของความต้องการ
→ กระแสเงินสดอิสระและ ROIC พิสูจน์ความสมเหตุสมผลของรายจ่ายด้านทุน

ในที่สุด สิ่งที่ควรติดตามมากที่สุด ไม่ใช่ "จำนวน Token ที่สร้างขึ้น" แต่คือ

มูลค่าทางเศรษฐกิจของ AI = จำนวนงานการผลิต × มูลค่าต่องาน × อัตราการจับมูลค่าของผู้ให้บริการ × อัตรากำไรขั้นต้น − ต้นทุนการใช้ทุน

นี่คือกรอบรวมสำหรับการวัด商业化ของ AI ในยุคหลายโมเดลและหลายโมดูล

เนื้อหาทั้งหมดที่กล่าวมาข้างต้นก่อให้เกิดห่วงโซ่เหตุและผลที่ต่อเนื่องกัน:

ความแตกต่างของสถานการณ์ทางธุรกิจขยายตัว
→ องค์กรไม่ใช้โมเดลเดียวแก้ปัญหาทุกงานอีกต่อไป
→ เกิดระบบ AI แบบผสมที่มีหลายโมเดลและหลายโมดูล
→ เลเยอร์กลาง เช่น การกำหนดเส้นทาง ข้อมูล การประเมิน การกำกับดูแล และความปลอดภัย กลายเป็นระนาบควบคุม
→ คุณค่าของเลเยอร์โมเดลจะไม่หายไป แต่ ARR ของโมเดลใหญ่ลดลงจาก "ตัวชี้วัดเชิงพาณิชย์เพียงอย่างเดียว" เป็น "ตัวชี้วัดนำที่สำคัญ"
→ เกณฑ์การประเมินสุดท้ายเปลี่ยนไปสู่ความคุ้มค่าทางเศรษฐกิจของภารกิจที่สำเร็จ ROI ขององค์กร และผลตอบแทนจากทุน

นี่ไม่ใช่แค่แนวคิดทางสถาปัตยกรรมอีกต่อไป AWS Bedrock และ Microsoft Foundry ต่างก็ทำให้การกำหนดเส้นทางโมเดลตามคุณภาพ ต้นทุน และความซับซ้อนของงานเป็นผลิตภัณฑ์อย่างเป็นทางการแล้ว ไมโครซอฟท์เปิดเผยว่าลูกค้า Foundry กว่าหมื่นรายใช้มากกว่าหนึ่งโมเดล และประมาณห้าพันรายใช้โมเดลโอเพนซอร์ส Google Model Garden ก็ให้บริการทั้งโมเดลของตัวเอง โมเดลปิดของบุคคลที่สาม และโมเดลเปิดในรูปแบบ托管หรือปรับใช้เอง

แน่นอนว่าการเปลี่ยนแปลงนี้ยังอยู่ในช่วงเริ่มต้น แต่แนวโน้มน่าจะชัดเจนขึ้นเรื่อยๆ

ลิงก์ต้นฉบับ

ยินดีต้อนรับสู่ชุมชนทางการของ BlockBeats:

กลุ่ม Telegram สมัครสมาชิก: https://t.me/theblockbeats

กลุ่ม Telegram พูดคุย: https://t.me/BlockBeats_App

บัญชี Twitter ทางการ: https://twitter.com/BlockBeatsAsia