ฉากใหญ่ถัดไปสำหรับ AI นอกเหนือจากการเขียนโค้ดอยู่ที่ไหน? การอภิปรายเกี่ยวกับช่องว่างเวลา 4 ช่องในพัฒนาการของ AI

ผู้เขียน: qinbafrank

ในช่วงสองปีที่ผ่านมา เรื่องราวที่ประสบความสำเร็จมากที่สุดในอุตสาหกรรม AI คือการเขียนโค้ดอย่างไม่ต้องสงสัย

จากการเติมโค้ดในช่วงแรกไปจนถึงการสร้างการทดสอบอัตโนมัติ การแก้ไขข้อผิดพลาด การย้ายโค้ด และตอนนี้ไปจนถึงตัวแทนการเขียนโค้ดในปัจจุบัน ซึ่งสามารถอ่านโครงการทั้งหมด เรียกใช้เทอร์มินัล รันการทดสอบ แก้ไขอย่างต่อเนื่อง และส่งโค้ด AI ได้พิสูจน์เป็นครั้งแรกว่าไม่ใช่แค่เครื่องมือสำหรับการสนทนาหรือการสร้างเนื้อหา แต่สามารถเข้าสู่สภาพแวดล้อมการผลิตจริงเพื่อทำงานที่บริษัทยินดีจ่าย ซึ่งผลลัพธ์สามารถตรวจสอบได้และสามารถวัดค่าได้

อย่างไรก็ตาม ปัญหาก็อยู่ที่นี่

ตัวแทนการเขียนโค้ดได้เปลี่ยนจาก "ช่องว่างความคาดหวัง" เป็นฉันทามติในตลาด ตลาดไม่ถกเถียงกันอีกต่อไปว่า AI สามารถเขียนโค้ดได้หรือไม่ แต่เป็นเรื่องของจำนวนผู้พัฒนาที่ AI สามารถครอบคลุมได้ในที่สุด จำนวนงานวิศวกรรมซอฟต์แวร์ที่ AI สามารถแทนที่ได้ และขนาดรายได้ที่สามารถสร้างได้

นี่หมายความว่าในขณะที่พื้นฐานของการเขียนโค้ดยังมีศักยภาพมากมาย การพึ่งพาเรื่องราวของ "AI สามารถเขียนโค้ดได้" กำลังกลายเป็นเรื่องยากที่จะรักษาการขยายตัวอย่างต่อเนื่องของการประเมินมูลค่าของทั้งห่วงโซ่อุตสาหกรรม AI

ตลาดตอนนี้กังวลจริงจังกับสองคำถาม:

1. นอกเหนือจากการเขียนโค้ดแล้ว มีสถานการณ์การใช้งาน AI ที่ใหญ่พอสมควรอีกหรือไม่?

2. และคำถามที่ชัดเจนยิ่งขึ้น: หากไม่มีสถานการณ์การใช้งานใหม่เข้ามาแทนที่ การลงทุนที่เพิ่มขึ้นในศูนย์ข้อมูล GPU เครือข่าย และไฟฟ้า รวมถึงหนี้สินของบริษัทที่เพิ่มขึ้น จะได้รับการสนับสนุนในอนาคตจากรายได้ กระแสเงินสดฟรี และการปรับปรุงผลิตภาพได้อย่างไร? AI สามารถทำเงินได้หรือไม่? การใช้จ่ายทุนขนาดใหญ่สามารถคืนทุนได้หรือไม่? และ ROIC สามารถคำนวณได้หรือไม่?

คำถามที่สองได้ให้โมเดลเบื้องต้นสำหรับ ROIC ของผู้ให้บริการคลาวด์ในช่วงฤดูกาลรายได้ไตรมาสที่ 2 แก่เรา แกนหลักยังคงเป็นคำถามแรก

คำถามนี้ไม่ใช่การตั้งคำถามว่า AI มีประโยชน์หรือไม่

ความขัดแย้งที่แท้จริงคือ: เครื่องยนต์การเติบโตแรกได้กลายเป็นฉันทามติอย่างรวดเร็ว ขณะที่เครื่องยนต์การเติบโตที่สองอาจใช้เวลานานกว่าจะเข้าสู่รายได้ กำไร และกระแสเงินสด นี่คือ "ช่องว่างเวลา" ที่สำคัญที่สุดในแอปพลิเคชัน AI ในปัจจุบัน

รอบการตั้งราคาในครั้งถัดไปจำเป็นต้องพิสูจน์ว่า AI ไม่เพียงแต่สามารถเปลี่ยนแปลงการพัฒนาซอฟต์แวร์ได้ แต่ยังสามารถเข้าครอบครองกิจกรรมทางเศรษฐกิจที่กว้างขึ้นได้

1. ทำไมการเขียนโค้ดจึงกลายเป็นแอปพลิเคชันที่สำคัญที่สุดของ AI

การเขียนโค้ดไม่ได้กลายเป็นฉาก AI ที่สำคัญที่สุดเพียงเพราะโปรแกรมเมอร์มีแนวโน้มที่จะลองเครื่องมือใหม่ๆ

มันสามารถเกิดขึ้นได้ก่อนเพราะงานการเขียนโค้ดเกือบจะตรงตามเงื่อนไขทั้งหมดที่จำเป็นสำหรับการค้า AI

ประการแรก โค้ด บันทึก API เอกสาร และข้อความแสดงข้อผิดพลาดทั้งหมดถูกดิจิทัลอย่างสมบูรณ์ AI ไม่จำเป็นต้องเข้าใจโลกทางกายภาพที่ซับซ้อน และไม่จำเป็นต้องรอให้บริษัทจัดเรียงข้อมูลกระดาษเป็นเวลาหลายทศวรรษ

ประการที่สอง ผลลัพธ์ของการเขียนโค้ดสามารถตรวจสอบได้สูง

ไม่ว่าจะเป็นโค้ดชิ้นใดสามารถคอมไพล์ได้หรือไม่ การทดสอบผ่านหรือไม่ อินเทอร์เฟซคืนค่าถูกต้องหรือไม่ หน้าเว็บทำงานหรือไม่ และประสิทธิภาพลดลงหรือไม่ มักจะสามารถให้ข้อมูลย้อนกลับได้อย่างรวดเร็ว แม้ว่า AI จะทำผิดในครั้งแรก มันสามารถรัน สังเกต แก้ไข และรันอีกครั้ง สร้างวงจรปิด

พูดอีกอย่างคือ การเขียนโค้ดมี "การทดสอบหน่วย" ที่ขาดหายไปในอุตสาหกรรมอื่นๆ

ประการที่สาม กระบวนการพัฒนาซอฟต์แวร์สามารถแบ่งออกเป็นขั้นตอนที่ค่อนข้างชัดเจน:

การอ่านฐานโค้ด การเข้าใจความต้องการ การแก้ไขไฟล์ การรันทดสอบ การวิเคราะห์ข้อผิดพลาด การแก้ไขต่อไป การสร้างบันทึกการส่ง การดำเนินการนี้เหมาะสมสำหรับตัวแทนที่จะดำเนินการอย่างต่อเนื่อง

ประการที่สี่ ต้นทุนแรงงานของโปรแกรมเมอร์สูง หาก AI สามารถประหยัดเวลาในการพัฒนาได้ 10% ถึง 20% บริษัทสามารถคำนวณ ROI ได้อย่างง่ายดาย

ประการที่ห้า ความถูกต้องบางส่วนก็สามารถสร้างมูลค่าได้ AI ไม่จำเป็นต้องแทนที่วิศวกรทั้งหมดตั้งแต่เริ่มต้น ตราบใดที่มันสามารถทำงานเช่นการสร้างการทดสอบ การเขียน SQL การอธิบายโค้ด การปรับเปลี่ยนด้านหน้า และการย้าย API ก็ถือว่าคุ้มค่าที่จะจ่าย

สุดท้าย เครื่องมือการเขียนโค้ดสามารถแพร่กระจายจากล่างขึ้นบน วิศวกรแต่ละคนสามารถสมัครสมาชิก ติดตั้ง และใช้งานได้โดยไม่ต้องรอให้บริษัททำการจัดซื้อที่ยาวนาน การปฏิบัติตาม การรวมข้อมูล และการปรับองค์กร

ดังนั้น การเขียนโค้ดจึงกลายเป็นแอปพลิเคชัน AI แรกที่สามารถบรรลุความเป็นผู้ใหญ่ของผลิตภัณฑ์ งบประมาณที่ชัดเจน ผลกระทบที่ตรวจสอบได้ การใช้งานที่มีความถี่สูง และวงจรการค้า

วัสดุการใช้จ่ายขององค์กรที่เกี่ยวข้องยังแสดงให้เห็นว่าการเขียนโค้ดในขณะนี้เป็นแอปพลิเคชัน AI ที่ใหญ่ที่สุดในแผนกเดียว แต่ขนาดรวมของ Copilot แนวนอน ผู้ช่วยทั่วไป AI อุตสาหกรรมแนวตั้ง และ AI ผู้บริโภคยังคงเกินการเขียนโค้ด ดังนั้นจึงสามารถกล่าวได้ว่าการเขียนโค้ดเป็นภาระงาน AI เดี่ยวที่มีความเป็นผู้ค้าที่มีความเป็นผู้ใหญ่สูงสุด ใช้บ่อยที่สุด และง่ายที่สุดในการวัดค่า อย่างไรก็ตาม สิ่งสำคัญคือต้องชี้แจงว่าการเขียนโค้ดไม่ใช่ผลรวมของความต้องการ AI ทั้งหมด

2. การค้นหาของตลาดสำหรับ "การเขียนโค้ดถัดไป" อาจเริ่มต้นด้วยคำถามที่ผิด

หลายคนจินตนาการว่าฉากถัดไปจะเป็นผลิตภัณฑ์อีกตัวหนึ่งเช่นตัวแทนการเขียนโค้ด โดยมีขอบเขตที่ชัดเจน การเติบโตอย่างรวดเร็ว ขนาดรายได้ที่มหาศาล และได้รับการยอมรับอย่างรวดเร็วจากตลาดทุน

อย่างไรก็ตาม โครงสร้างของโลกที่ไม่ใช่การเขียนโค้ดนั้นแตกต่างอย่างสิ้นเชิงจากการพัฒนาซอฟต์แวร์

ฐานโค้ด IDE การควบคุมเวอร์ชัน การทดสอบ และวิธีการปรับใช้ที่โปรแกรมเมอร์ทั่วโลกใช้มีความคล้ายคลึงกันอย่างมาก ทำให้การเขียนโค้ดสามารถกำหนดเป็นตลาดขนาดใหญ่ที่ค่อนข้างเป็นเอกภาพ

แต่การทำงานที่ไม่ใช่การเขียนโค้ดมีความกระจัดกระจายสูง

ธนาคารต้องการตัวแทนเครดิต KYC และต่อต้านการฟอกเงิน บริษัทประกันภัยต้องการตัวแทนการประกันภัย การเรียกร้อง และการต่อต้านการฉ้อโกง โรงพยาบาลต้องการบันทึกทางการแพทย์ การเขียนโค้ด การอนุมัติล่วงหน้า และการเบี่ยงเบนผู้ป่วย บริษัทการผลิตต้องการการตรวจสอบคุณภาพ การจัดซื้อ การวางแผนการผลิต และการบำรุงรักษาอุปกรณ์ บริษัทค้าปลีกต้องการบริการลูกค้า สินค้าคงคลัง และตัวแทนการเติมเต็ม แผนกการเงินต้องการใบแจ้งหนี้ การกระทบยอด การปิดบัญชี และการเรียกเก็บเงิน

แต่ละสถานการณ์อาจไม่เข้มข้นเท่าการเขียนโค้ด

แต่เมื่อรวมกันแล้ว พวกเขาก็ตรงกับอุตสาหกรรมบริการทั้งหมด ระบบงานความรู้ ระบบการดำเนินงานหลังบ้าน และระบบบริการระดับมืออาชีพ ซึ่งงบประมาณแรงงาน การจ้างงานภายนอก และงบประมาณการทำธุรกรรมสูงกว่างบประมาณการพัฒนาซอฟต์แวร์

ดังนั้น เครื่องยนต์การเติบโตที่สองของ AI ไม่น่าจะปรากฏขึ้นในรูปแบบของผลิตภัณฑ์เดียวที่กลายเป็น "การเขียนโค้ดที่สอง" แต่มีแนวโน้มที่จะปรากฏในรูปแบบของอุตสาหกรรมหลายสิบแห่งและกระบวนการทางธุรกิจหลายร้อยแห่งที่เข้าสู่การทำงานของตัวแทนพร้อมกัน ในที่สุดจะมีปริมาณรวมที่มากกว่าการเขียนโค้ด

ระยะถัดไปของการปฏิวัติ AI อาจเป็นการปฏิวัติในกระบวนการที่เกิดขึ้นในลักษณะกระจาย ไม่ใช่แอปพลิเคชันซูเปอร์ตัวเดียว;

3. สถานการณ์ใดใกล้เคียงกับ "การเขียนโค้ดถัดไป"

เพื่อกำหนดว่าสถานการณ์ใดสามารถเปลี่ยนแปลงได้อย่างรวดเร็วโดย AI สามารถใช้กรอบง่ายๆ:

มูลค่าการค้า AI ≈ ความถี่ของงาน × ต้นทุนแรงงาน × อัตราการทำให้เป็นอัตโนมัติ × ความสามารถในการตรวจสอบ × ความสามารถในการดำเนินการของระบบ - ต้นทุนข้อผิดพลาด การรวม และการกำกับดูแล

ตามมาตรฐานนี้ สถานการณ์ที่ใกล้เคียงกับโครงสร้างของการเขียนโค้ดไม่ใช่กลยุทธ์ ความคิดสร้างสรรค์ หรือการจัดการองค์กร แต่เป็นสถานการณ์ที่มีการดิจิทัลสูง มี SOP ที่ชัดเจน มีมาตรวัดที่สามารถวัดได้ อนุญาตให้มีการสำรองข้อมูลจากมนุษย์ และที่ AI สามารถเรียกใช้การกระทำของระบบได้จริง

1. การบริการลูกค้าและตัวแทนเสียง: สถานการณ์เดียวที่เหมือนกับการเขียนโค้ดที่สอง

การบริการลูกค้ามีฐานความรู้ กระบวนการบริการ การตรวจสอบตัวตน ระบบตั๋ว และเกณฑ์ความสำเร็จที่ชัดเจน

ไม่ว่าจะเป็นตัวแทนบริการลูกค้าสร้างมูลค่าหรือไม่สามารถประเมินได้โดยตรงผ่านอัตราการแก้ไขในครั้งแรก อัตราการส่งต่อมนุษย์ เวลาการจัดการเฉลี่ย อัตราการโทรซ้ำ และความพึงพอใจของลูกค้า

ด้วยความก้าวหน้าในโมเดลเสียง AI ตอนนี้สามารถตอบคำถามในหน้าต่างแชทได้ไม่เพียงเท่านั้น แต่ยังสามารถเข้าถึงการนัดหมายทางโทรศัพท์ การคืนเงิน การเปลี่ยนแปลงการนัดหมาย การเก็บเงิน การคัดกรองการขาย บริการโรงแรม การบริการทางการแพทย์ และการปรึกษาประกันภัย

แต่เสียงเองไม่ใช่โมเดลธุรกิจ

มูลค่าที่แท้จริงไม่ได้อยู่ที่ AI สามารถพูดเหมือนมนุษย์ได้หรือไม่ แต่คือ AI สามารถสอบถามคำสั่ง ตรวจสอบตัวตน แก้ไขระบบ เริ่มการคืนเงิน อัปเดต CRM และปิดตั๋วได้หรือไม่

การทำงานเหล่านี้ให้สำเร็จ AI จะสามารถอัปเกรดจากผู้ช่วยเสียงไปเป็นตัวแทนธุรกิจได้

2. การดำเนินงานด้าน IT และความปลอดภัยของเครือข่าย: สายหลักที่สองภายในแผนกเทคนิค

การดำเนินงานด้าน IT และความปลอดภัย เช่นเดียวกับการเขียนโค้ด มีข้อมูลที่อ่านได้จากเครื่องจำนวนมาก:

บันทึก การแจ้งเตือน ไฟล์การกำหนดค่า โครงสร้างเครือข่าย ข้อมูลช่องโหว่ ระบบสิทธิ์ และคู่มือการดำเนินงาน

AI สามารถพัฒนาจากการตีความการแจ้งเตือนไปจนถึงการหาข้อบกพร่อง การเรียกใช้เครื่องมือวินิจฉัย การดำเนินการ Runbooks การตรวจสอบการกู้คืนบริการ การสร้างรายงานเหตุการณ์ และส่งมอบการดำเนินการที่มีความเสี่ยงสูงให้กับการอนุมัติของมนุษย์

อุปสรรคที่ใหญ่ที่สุดคือไม่ใช่ความสามารถของโมเดล แต่เป็นความเต็มใจของบริษัทในการมอบสิทธิ์ระบบที่เพียงพอให้กับตัวแทน

3. การเงิน การบัญชี และการจัดซื้อ: ตลาดขนาดใหญ่ที่ถูกประเมินค่าต่ำที่สุด

กระบวนการทางการเงินมักมีเอกสารจำนวนมาก กฎที่เข้มงวด และมีลักษณะซ้ำซาก และมีกลไกการตรวจสอบตามธรรมชาติ

ไม่ว่าจะเป็นจำนวนที่ตรงกันหรือไม่ เงินกู้สมดุลหรือไม่ สิทธิ์การอนุมัติถูกต้องหรือไม่ เอกสารทั้งสามมีความสอดคล้องกันหรือไม่ และการปิดบัญชีเสร็จสิ้นหรือไม่ สามารถตรวจสอบได้ทั้งหมด

ดังนั้น การประมวลผลใบแจ้งหนี้ การชำระเงิน การเรียกเก็บเงิน การตรวจสอบค่าใช้จ่าย การกระทบยอดธนาคาร การจัดหาการจัดซื้อ การปิดบัญชีสิ้นเดือน การคาดการณ์กระแสเงินสด และการติดตามการตรวจสอบทั้งหมดเหมาะสำหรับการทำงานของตัวแทน

แอปพลิเคชันเหล่านี้อาจไม่ก่อให้เกิดแอปที่เป็นที่รู้จักซึ่งผู้บริโภคคุ้นเคย แต่สามารถดูดซับศูนย์บริการที่ใช้ร่วมกันจำนวนมาก การจ้างงานทางการเงิน และการดำเนินงานหลังบ้าน

4. การบริหารทางการแพทย์ กฎหมาย ประกันภัย และการปฏิบัติตามกฎระเบียบ

สาขาเหล่านี้มีต้นทุนแรงงานสูง มีเอกสารและข้อความจำนวนมาก และมีขั้นตอนที่ค่อนข้างเป็นมาตรฐาน

AI ทางการแพทย์ที่มีความก้าวหน้าที่สุดในปัจจุบันมักไม่ใช่การวินิจฉัยโดยตรง แต่เป็นเอกสารทางการแพทย์ การเขียนโค้ดและการเรียกเก็บเงิน การอนุมัติล่วงหน้า การนัดหมาย การเบี่ยงเบนผู้ป่วย และการประมวลผลเอกสารการเรียกร้อง

AI ทางกฎหมายเริ่มเข้าสู่การค้นหา การตรวจสอบสัญญา การตรวจสอบสถานะ การจัดระเบียบเอกสารการฟ้องร้อง และการรายงานตามกฎระเบียบ

การประกันภัยเหมาะสำหรับการอ่านเอกสาร การประกันภัย การเรียกร้อง การต่อต้านการฉ้อโกง และการเรียกเก็บเงิน

ข้อจำกัดทั่วไปของพวกเขาคือค่าใช้จ่ายที่สูง ดังนั้นบุคลากรมืออาชีพจะต้องตรวจสอบและลงนามสุดท้ายเป็นเวลานาน

5. ห่วงโซ่อุปทานและการผลิต: มูลค่าระยะยาวมีขนาดใหญ่ แต่ความเร็วในการดำเนินการช้ากว่า

การคาดการณ์ความต้องการ การเติมสินค้าคงคลัง การจัดซื้อ การวางแผนการผลิต การตรวจสอบคุณภาพ การบำรุงรักษาอุปกรณ์ และการจัดตารางการขนส่งมีมูลค่าทางเศรษฐกิจที่อาจสูงกว่าการช่วยเหลือสำนักงานทั่วไป

อย่างไรก็ตาม กระบวนการเหล่านี้ครอบคลุมหลายแผนกและระบบเก่า และผลลัพธ์บางอย่างเกิดขึ้นในโลกทางกายภาพ โดยมีวงจรการตอบกลับที่อาจใช้เวลาหลายสัปดาห์หรือหลายเดือน

ดังนั้น ห่วงโซ่อุปทานและการผลิตอาจเป็นหนึ่งในตลาด AI ที่ใหญ่ที่สุดในระยะยาว แต่จะไม่เสร็จสิ้นการผลิตและการกระจายขนาดใหญ่ได้อย่างรวดเร็วเท่าการเขียนโค้ด

ดังนั้น หากต้องให้คำตอบ: การบริการลูกค้าและตัวแทนเสียงใกล้เคียงกับ "การเขียนโค้ดถัดไป" แต่สิ่งที่จะสามารถเกินการเขียนโค้ดในปริมาณรวมจะไม่ใช่สถานการณ์เดียวเช่นการบริการลูกค้า แต่เป็นผลรวมของกระบวนการทำงานในบริการลูกค้า การเงิน IT การดูแลสุขภาพ กฎหมาย ประกันภัย การจัดซื้อ และห่วงโซ่อุปทาน

4. ตัวเลขสามชุดของ Microsoft แสดงถึงสามขั้นตอนของการแพร่กระจายที่ไม่ใช่การเขียนโค้ด

ในจุดนี้ เราจำเป็นต้องมองไปที่รายงานทางการเงิน ตัวเลขสามชุดที่เปิดเผยโดย Microsoft ใน FY2026 Q4 ให้ "X-ray" ที่มีค่าในการเข้าใจว่า AI ขององค์กรกำลังมุ่งหน้าไปที่ไหน:

1. ลูกค้าของ Foundry ถึง 100,000 ราย โดยมีรายได้เติบโตมากกว่าปีต่อปีเป็นสองเท่า;

2. จำนวนที่นั่งที่ชำระเงินสำหรับ Microsoft 365 Copilot เกิน 30 ล้าน;

3. ตัวแทนเกือบ 40 ล้านคนได้ลงทะเบียนนับตั้งแต่การเปิดตัว Agent 365

ตัวเลขทั้งสามนี้สนับสนุนแนวคิดที่ว่า "AI กำลังขยายจากการเขียนโค้ดไปยังการไม่เขียนโค้ด" แต่ความแข็งแกร่งของหลักฐานของพวกเขานั้นแตกต่างกันโดยสิ้นเชิง

นอกจากนี้ ตัวเลขทั้งสามชุดไม่สามารถรวมกันได้

บริษัทใหญ่ๆ เดียวกันอาจเป็นทั้งลูกค้า Foundry ซื้อที่นั่ง M365 Copilot หลายแสนที่นั่ง และลงทะเบียนตัวแทนหลายพันคนใน Agent 365 โดยพื้นฐานแล้ว เป็นบริษัทเดียวกันที่ถูกสังเกตซ้ำในระดับ "การพัฒนา การใช้งาน และการกำกับดูแล"

1. Foundry พิสูจน์ว่าบริษัทกำลัง "สร้าง"

Foundry ไม่ใช่แอปพลิเคชันสุดท้าย แต่เป็นแพลตฟอร์มสำหรับบริษัทในการสร้าง ปรับใช้ และรันโมเดล แอปพลิเคชัน และตัวแทน

มันมักจะให้บริการทีม IT ขององค์กร ทีมข้อมูล แผนกแพลตฟอร์ม AI บริษัทซอฟต์แวร์ ผู้รวมระบบ และบริษัทที่มี AI เป็นพื้นฐาน

บริษัทสามารถทำการเลือกโมเดล การเรียกใช้การอนุมาน RAG การเชื่อมต่อข้อมูลขององค์กร การจัดการตัวแทน การเรียกเครื่องมือ การประเมิน การติดตาม ความปลอดภัย และการกำกับดูแลบน Foundry

ดังนั้น ลูกค้า 100,000 รายและการเติบโตของรายได้เป็นสองเท่าจึงพิสูจน์ว่า:

บริษัทกำลังเปลี่ยนจากการใช้แชทบอททั่วไปไปสู่การสร้างแอปพลิเคชันอุตสาหกรรมและตัวแทนธุรกิจของตนเอง

อย่างไรก็ตาม Foundry รองรับทั้งสถานการณ์การเขียนโค้ดและไม่เขียนโค้ด และยังไม่ได้เปิดเผยว่ามีลูกค้าในระยะทดลองกี่รายเมื่อเทียบกับลูกค้าที่เข้าสู่การผลิต หรือไม่ได้เปิดเผยขนาดรายได้ที่แท้จริงและโครงสร้างสถานการณ์

ดังนั้น มันจึงเป็นหลักฐานของการขยายตัวของการสร้างแอปพลิเคชันที่ไม่ใช่การเขียนโค้ดในระดับกลางถึงสูง ไม่ใช่หลักฐานที่เพียงพอว่ารายได้ที่ไม่ใช่การเขียนโค้ดได้ระเบิดอย่างเต็มที่

2. M365 Copilot แสดงให้เห็นว่าพนักงานที่ไม่ใช่การเขียนโค้ดกำลัง "ใช้งาน" อยู่แล้ว

30 ล้านไม่ได้หมายถึง 30 ล้านบริษัท แต่หมายถึงที่นั่งพนักงาน 30 ล้านที่กระจายอยู่ในบริษัทต่างๆ

ผู้ใช้เหล่านี้ไม่เพียงแต่รวมถึงนักพัฒนาเท่านั้น แต่ยังรวมถึงการเงิน การขาย HR กฎหมาย แพทย์ ที่ปรึกษา พนักงานธนาคาร ผู้จัดการการผลิต และเจ้าหน้าที่บริหารทั่วไป

พวกเขาสรุปอีเมลใน Outlook สร้างบันทึกการประชุมใน Teams เขียนเอกสารใน Word สร้างการนำเสนอใน PowerPoint วิเคราะห์ข้อมูลใน Excel และค้นหาข้อมูลในฐานความรู้ขององค์กร

สิ่งนี้หมายความว่าบริษัทไม่เพียงแต่ซื้อ AI สำหรับโปรแกรมเมอร์ แต่กำลังซื้อ AI สำหรับพนักงานความรู้ทั่วไปจำนวนมาก

ในสามชุดข้อมูล จำนวนที่นั่งที่ชำระเงิน 30 ล้านของ M365 Copilot เป็นหลักฐานที่ชัดเจนที่สุดของ "AI ที่แพร่กระจายจากการเขียนโค้ดไปยังการไม่เขียนโค้ด"

อย่างไรก็ตาม มันพิสูจน์เพียงการนำไปใช้และการชำระเงิน ซึ่งไม่ได้หมายความว่าบริษัทได้ทำการปรับโครงสร้างกระบวนการเสร็จสิ้นแล้ว

พนักงานที่ใช้ Copilot เพื่อสรุปการประชุม แก้ไขอีเมล และค้นหาข้อมูลบ่งชี้ว่า AI ได้เข้าสู่ที่ทำงาน แต่ไม่ได้หมายความว่าบริษัทได้ลดจำนวนพนักงาน ลด SG&A หรือปรับปรุงกระแสเงินสดฟรี

3. Agent 365 พิสูจน์ว่าบริษัทกำลังเตรียม "จัดการ"

Agent 365 คล้ายกับแผนการควบคุมสำหรับตัวตน สิทธิ์ ความปลอดภัย และการตรวจสอบของตัวแทนในองค์กร

มันรับผิดชอบในการค้นหาและลงทะเบียนตัวแทน จัดการว่าตัวแทนสามารถเข้าถึงข้อมูลใดได้บ้าง เครื่องมือใดที่พวกเขาสามารถเรียกใช้ได้ การกระทำใดที่พวกเขาสามารถทำได้ และติดตามวงจรชีวิตและบันทึกการปฏิบัติตาม

ดังนั้น ตัวแทนที่ลงทะเบียนเกือบ 40 ล้านคนไม่ได้หมายความว่า:

• มีตัวแทน 40 ล้านคนทำงานทุกวัน;
• มีตัวแทน 40 ล้านคนที่เป็นหน่วยที่ชำระเงินอิสระ;
• มีตัวแทน 40 ล้านคนที่ใช้โทเค็นอย่างต่อเนื่อง;
• มีตัวแทน 40 ล้านคนที่เข้าสู่การผลิต;
• มีตัวแทน 40 ล้านคนที่สร้างรายได้.

มันใกล้เคียงกับรายการสินทรัพย์ของตัวแทนภายในองค์กร

อาจรวมถึงตัวแทนการทดสอบ ตัวแทนส่วนบุคคล ตัวแทนแผนก ตัวแทนที่ถูกปิดใช้งาน ตัวแทนที่ซิงโครไนซ์โดยอัตโนมัติ และ "ตัวแทนเงา" ที่ค้นพบโดยระบบ

ตัวเลขนี้บ่งชี้ว่าจำนวนและแหล่งที่มาของตัวแทนภายในองค์กรได้ซับซ้อนพอสมควรแล้ว จึงต้องการการกำกับดูแลด้านตัวตน สิทธิ์ ความปลอดภัย และการตรวจสอบที่เป็นเอกภาพ

นี่คือสัญญาณนำที่สำคัญ แต่ไม่ใช่สัญญาณของรายได้ กิจกรรม และผลิตภาพ

ดังนั้น คำอธิบายที่สมเหตุสมผลที่สุดสำหรับสามชุดข้อมูลคือ: Foundry พิสูจน์ว่าบริษัทกำลังสร้าง M365 Copilot พิสูจน์ว่าพนักงานกำลังใช้งาน และ Agent 365 พิสูจน์ว่าบริษัทเริ่มจัดการ

ในนั้น M365 Copilot เป็นหลักฐานที่ชัดเจน Foundry ได้รับการสนับสนุนจากรายได้ในระดับกลางถึงสูง และ Agent 365 เป็นสัญญาณนำของสถาปัตยกรรมและการกำกับดูแล

V. AI ขององค์กรอยู่ในจุดไหนตอนนี้?

การแพร่กระจายของการใช้งาน AI สามารถแบ่งออกเป็นห้าขั้นตอน

ขั้นตอนที่ 1: ตัวแทนการเขียนโค้ด

AI เข้าสู่การพัฒนาซอฟต์แวร์ โดยทำงานเช่นการเติม การทดสอบ การแก้ไข การปรับโครงสร้าง และการปรับใช้

ขั้นตอนนี้ได้เปลี่ยนจากการทดลองไปสู่การผลิตในขนาดใหญ่ และในขณะนี้เป็นภาระงาน AI ขององค์กรที่มีความเป็นผู้ใหญ่ที่สุด

ขั้นตอนที่ 2: Copilot งานความรู้แนวนอน

AI เข้าสู่การใช้งานอีเมล การประชุม เอกสาร สเปรดชีต การวิจัย การค้นหาในองค์กร และการสร้างเนื้อหา

ที่นั่งที่ชำระเงิน 30 ล้านของ M365 Copilot เป็นการพิสูจน์ว่าขั้นตอนนี้ได้เข้าสู่การจัดซื้อในขนาดใหญ่

ขั้นตอนที่ 3: ตัวแทนระดับแผนก

AI เริ่มเข้าสู่การบริการลูกค้า การขาย การเงิน การจัดซื้อ HR กฎหมาย การดำเนินงาน IT และความปลอดภัย

การเปลี่ยนแปลงหลักในขั้นตอนนี้คือ AI ไม่เพียงแต่สร้างเนื้อหา แต่เริ่มเรียกใช้ข้อมูลขององค์กรและเครื่องมือทางธุรกิจ

การเติบโตของ Foundry การเพิ่มการบริโภค Dynamics และกรณีอุตสาหกรรมจำนวนมากบ่งชี้ว่าขั้นตอนนี้กำลังเกิดขึ้น

ขั้นตอนที่ 4: กระบวนการทางธุรกิจแบบ End-to-End

ตัวแทนสามารถสอบถามข้อมูล เรียกใช้ระบบ ดำเนินการอนุมัติ เริ่มการคืนเงิน สร้างคำสั่ง อัปเดตบันทึก และจัดการข้อยกเว้น

ตัวอย่างเช่น ตัวแทนการคืนเงินไม่เพียงแต่บอกบริการลูกค้าว่า "ลูกค้าผ่านเกณฑ์การคืนเงิน" แต่ยังทำการตรวจสอบตัวตน สอบถามคำสั่ง ตัดสินใจเกี่ยวกับนโยบาย การคืนเงิน การอัปเดต CRM และการแจ้งเตือนลูกค้า

ในปัจจุบัน มีเพียงไม่กี่บริษัทชั้นนำและกระบวนการที่มีมาตรฐานบางอย่างที่เข้าสู่ขั้นตอนนี้

ขั้นตอนที่ 5: กำไรขององค์กรและผลิตภาพมหภาค

การเติบโตของรายได้ขององค์กรเริ่มแซงหน้าการเติบโตของพนักงานอย่างสม่ำเสมอ อัตรา SG&A ลดลง ต้นทุนธุรกิจต่อหน่วยลดลง วงจรการชำระเงินสั้นลง และการแปลงเงินสดดีขึ้น

ในที่สุด การเปลี่ยนแปลงเหล่านี้จะเข้าสู่ผลิตภาพปัจจัยรวม GDP และข้อมูลมหภาค

ในปัจจุบัน AI ขององค์กรได้เข้าสู่ขั้นตอนที่สองในขนาดใหญ่และกำลังมุ่งหน้าไปยังขั้นตอนที่สาม โดยมีลูกค้าชั้นนำบางรายเข้าสู่ขั้นตอนที่สี่ แต่ขั้นตอนที่ห้าก็ยังขาดหลักฐานที่แพร่หลาย ต่อเนื่อง และตรวจสอบได้

กรณีบางอย่างที่เปิดเผยโดย Microsoft ได้แสดงให้เห็นถึงทิศทางแล้ว: การประมวลผลเอกสารแนบสัญญาได้ถูกบีบอัดจาก 30 ถึง 45 นาทีเหลือประมาณ 3 นาที กระบวนการพิสูจน์ HR ได้ถูกลดลงจากสามวันเหลือ 120 วินาที กลุ่มนำร่องการขายได้เพิ่มรายได้ต่อหัวและลดวงจรการทำธุรกรรม และการบริโภคบริการลูกค้าได้เพิ่มขึ้นอย่างรวดเร็ว

อย่างไรก็ตาม เหล่านี้ยังคงเป็นกรณีที่เลือกและไม่สามารถตีความโดยตรงว่าเป็นผลกระทบเฉลี่ยสำหรับทุกบริษัท

ความแตกต่างที่สำคัญยังคงอยู่:

การใช้ AI ในกระบวนการธุรกิจไม่ได้หมายความว่า AI ได้ทำกระบวนการธุรกิจเสร็จสิ้นแล้ว การประหยัดเวลาให้กับพนักงานไม่ได้หมายความว่าบริษัทได้เพิ่มกำไร

VI. การแพร่กระจายที่ไม่ใช่การเขียนโค้ดเกิดขึ้นแล้ว แต่ยังอยู่ในขั้นตอน "กว้างแต่ตื้น"

จากข้อมูลการใช้งานจริงของผู้ให้บริการโมเดล แอปพลิเคชัน AI กำลังแพร่กระจายจากการเขียนโค้ดไปยังฟังก์ชันอื่นๆ

ข้อมูลจาก Anthropic แสดงให้เห็นว่างานที่เกี่ยวข้องกับคอมพิวเตอร์และคณิตศาสตร์ยังคงคิดเป็นประมาณ 35% ของการสนทนาของ Claude.ai โดยการเขียนโค้ดยังคงเป็นหมวดหมู่ภาระงานเดี่ยวที่ใหญ่ที่สุด อย่างไรก็ตาม สัดส่วนของสิบงานที่พบบ่อยที่สุดลดลงจาก 24% ในเดือนพฤศจิกายน 2025 เป็น 19% ในเดือนกุมภาพันธ์ 2026 ซึ่งบ่งชี้ว่าสถานการณ์การใช้งานกำลังหลากหลาย

ข้อมูลของ OpenAI ในองค์กรยังแสดงให้เห็นว่าการเขียนยังคงเป็นการใช้งานที่พบบ่อยที่สุดของ ChatGPT ในการใช้งานประเภทตัวแทน การเขียนโค้ดและการดำเนินการระบบรวมกันคิดเป็นเกือบ 75% ในขณะเดียวกัน ในการสรรหา การขาย นโยบาย และการสื่อสารขององค์กร ประมาณหนึ่งในสี่ถึงหนึ่งในสามของข้อความตัวแทนแล้วเกี่ยวข้องกับการดำเนินการของระบบหรือตัวแทน

ตั้งแต่เดือนกุมภาพันธ์ 2026 จำนวนผู้ใช้ที่ใช้งานรายสัปดาห์ของ Codex ในแผนกกฎหมายในหมู่ลูกค้าองค์กรของ OpenAI เพิ่มขึ้น 108 เท่า ในขณะที่การขายและการสรรหาเพิ่มขึ้น 41 เท่า และการตลาดเติบโตขึ้น 26 เท่า โดยแผนกวิศวกรรมเติบโตขึ้นประมาณ 5 เท่า เนื่องจากจุดเริ่มต้นที่ต่ำกว่าของแผนกที่ไม่ใช่การเขียนโค้ด ตัวเลขเหล่านี้จึงไม่สามารถเปรียบเทียบโดยตรงกับแผนกวิศวกรรมได้ แต่ทิศทางนั้นชัดเจนมาก: การใช้งานประเภทตัวแทนกำลังออกจากแผนกเทคนิค

อย่างไรก็ตาม ข้อมูลที่เป็นตัวแทนมากขึ้นจากสำนักงานสำรวจประชากรของสหรัฐฯ เตือนเราว่า AI ขององค์กรยังไม่เสร็จสิ้นการเจาะลึก

ตั้งแต่ปลายปี 2025 ถึงต้นปี 2026 ประมาณ 18% ของบริษัทในสหรัฐฯ ใช้ AI ในฟังก์ชันธุรกิจอย่างน้อยหนึ่งฟังก์ชัน โดยคำนึงถึงจำนวนการจ้างงาน นี่คือประมาณ 32% ในหมู่บริษัทที่นำ AI มาใช้ 57% ใช้ AI เพียงในสามฟังก์ชันหรือน้อยกว่า และ 65% ใช้เพียงสามงานหรือน้อยกว่า 66% ของบริษัทยังคงใช้ AI เพื่อเสริมพนักงาน โดยมีเพียงประมาณ 2% ที่รายงานการลดตำแหน่งงานเนื่องจาก AI

การนำชุดข้อมูลเหล่านี้มารวมกัน สามารถสรุปข้อสรุปที่แม่นยำได้:

AI ได้เข้าสู่บริษัทแล้ว แต่ยังไม่ได้เข้าสู่โครงสร้างต้นทุนของบริษัทอย่างเป็นสากล

มันได้เคลื่อนจากการทดลองไปสู่การจัดซื้อ และจากแผนกเทคนิคไปสู่การขาย การเงิน การดูแลสุขภาพ และแผนกบริหาร แต่บริษัทส่วนใหญ่ยังคงอยู่ในขั้นตอนผู้ช่วยส่วนบุคคลและ Copilot ที่มีการใช้งานในระดับท้องถิ่น

กระบวนการทำงานแบบ end-to-end ที่เปลี่ยนแปลงได้จริงเกิดขึ้นเพียงในบางบริษัทชั้นนำ ซึ่งนำไปสู่สถานการณ์ที่ตลาดรวมสำหรับการไม่เขียนโค้ดมีขนาดใหญ่ แต่ระดับการมาตรฐานผลิตภัณฑ์ต่ำ และความเร็วในการขยายตัวช้ากว่า ดังนั้น สถานการณ์ที่ไม่ใช่การเขียนโค้ดอาจนำเสนอสถานะที่ดูเหมือนขัดแย้ง: ตลาดรวมมีขนาดใหญ่กว่าการเขียนโค้ดมาก แต่เส้นโค้งการเติบโตของบริษัทใดบริษัทหนึ่งอาจไม่เรียบง่ายเท่าผลิตภัณฑ์การเขียนโค้ด

VII. โอกาสที่ใหญ่ที่สุดสำหรับ To C: ตัวแทนการกระทำส่วนบุคคล

ทิศทางที่มีแนวโน้มที่จะสร้างมูลค่าในระดับแพลตฟอร์มในด้านผู้บริโภคไม่ใช่เพียงการสนทนา แต่เป็นตัวแทนการกระทำส่วนบุคคล ซึ่งสามารถทำงานให้กับผู้ใช้ได้จริง

พวกเขาอาจอ่านอีเมล ระบุสิ่งที่ต้องทำ กำหนดนัดหมาย เปรียบเทียบเที่ยวบินและโรงแรม จองแพทย์ จัดการบิล จัดการการคืนสินค้า ซื้อสินค้า วางแผนการเดินทาง กรอกแบบฟอร์ม และประสานตารางเวลาของสมาชิกในครอบครัว

ในปัจจุบัน AI ส่วนใหญ่ยังคงทำงานในโหมด "บอกคุณว่าต้องทำอะไร"

ขั้นตอนถัดไปที่แท้จริงคือ: AI รู้ความชอบของคุณ มีบัญชีและเครื่องมือที่ได้รับอนุญาต และสามารถทำงานให้คุณได้

โมเดลธุรกิจที่มีศักยภาพสำหรับสถานการณ์นี้ยังมีความหลากหลายมากกว่าการสมัครสมาชิกทั่วไป: ค่าคอมมิชชั่นการทำธุรกรรม รายได้จากการชำระเงิน โฆษณา ค่าธรรมเนียมการแนะนำ รายได้จากบริการทางการเงิน และค่าธรรมเนียมสมาชิก

อย่างไรก็ตาม ตัวแทนการกระทำส่วนบุคคลเผชิญกับเกณฑ์ความไว้วางใจที่สูงกว่าการเขียนโค้ด ว่าผู้ใช้ยินดีให้ AI อ่านอีเมล เข้าถึงบัญชีธนาคาร ใช้บัตรเครดิต จัดการข้อมูลทางการแพทย์ หรือทำธุรกรรมในนามของพวกเขาหรือไม่ จะกำหนดความเร็วในการขยายตลาด

ดังนั้น ตัวแทนการกระทำส่วนบุคคลอาจเป็นโอกาสระยะยาวที่ใหญ่ที่สุดสำหรับ To C แต่พวกเขาอาจไม่ใช่สถานการณ์ที่ง่ายที่สุดในการทำให้เกิดขึ้นในระดับใหญ่ในระยะสั้น

VIII. สถานการณ์ในอนาคตที่สำคัญยิ่งกว่า: การค้นพบทางวิทยาศาสตร์ AI

การค้นพบทางวิทยาศาสตร์ AI อาจเป็นหนึ่งในความก้าวหน้าที่สำคัญที่สุดในระยะถัดไปของการปฏิวัติ AI โดยมีผลกระทบที่ยิ่งใหญ่ในระยะยาว การเขียนโค้ดตอบคำถามว่า "จะผลิตซอฟต์แวร์ได้อย่างมีประสิทธิภาพมากขึ้นได้อย่างไร" ตัวแทนขององค์กรตอบว่า "จะทำธุรกิจที่มีอยู่ได้อย่างมีประสิทธิภาพมากขึ้นได้อย่างไร" การค้นพบทางวิทยาศาสตร์ AI พยายามแก้ปัญหา: "จะผลิตความรู้ใหม่ เทคโนโลยีใหม่ และความเป็นไปได้ใหม่ได้อย่างมีประสิทธิภาพมากขึ้นได้อย่างไร" นี่ไม่ใช่แอปพลิเคชัน AI ทั่วไป แต่เป็นการฝัง AI ไว้ในฟังก์ชันการผลิตของการพัฒนาเทคโนโลยี

สัปดาห์นี้ มีกรณีหนึ่งเกิดขึ้น: Moderna และ Merck ร่วมกันพัฒนาวัคซีนมะเร็ง mRNA ที่ปรับให้เหมาะสม ซึ่งเรียกว่า intismeran autogene (เดิมเรียกว่า mRNA-4157 หรือ V940) ซึ่งประสบความสำเร็จในผลลัพธ์เชิงบวกในการทดลองระยะที่ III สำหรับการรักษาเมลาโนมาแบบเสริม AI มีบทบาทสำคัญในกระบวนการนี้ โดยเฉพาะอย่างยิ่งในการเลือกแอนติเจนใหม่และการจัดตารางการผลิต Moderna กล่าวถึงเรื่องนี้อย่างชัดเจนว่าเป็น "หลักฐานถึงพลังของ AI" ในบล็อกทางการ โดยระบุว่า AI ช่วยให้เกิดความเร็วและความแม่นยำในความซับซ้อนของ "คนหนึ่ง ยาเดียว" โดยไม่มีเครื่องมือคอมพิวเตอร์เหล่านี้ การเลือกแอนติเจนใหม่ที่มีความสามารถในการกระตุ้นภูมิคุ้มกันสูงในระดับใหญ่และรวดเร็วจะเป็นไปไม่ได้เลย โดย AI เป็นเทคโนโลยีที่ทำให้เกิดขึ้นได้

มันแสดงให้เห็นว่า การคาดการณ์แอนติเจนใหม่ที่ขับเคลื่อนด้วย AI/ML + แพลตฟอร์ม mRNA สามารถสร้างประโยชน์ทางคลินิกที่มีความหมายในการทดลองระยะที่ III ที่มีการสุ่มตัวอย่างขนาดใหญ่ซึ่งมุ่งเป้าไปที่เนื้องอกที่มีความเสี่ยงสูง โดยแซงหน้าการรักษามาตรฐานที่มีอยู่ (การรักษาด้วย Keytruda เพียงอย่างเดียว) เป็นครั้งแรก นี่ได้ยืนยันความเป็นไปได้ของเส้นทาง "ชีววิทยาคอมพิวเตอร์ + ภูมิคุ้มกันวิทยาที่แม่นยำ" โดยเฉพาะอย่างยิ่งในเนื้องอกที่มีภาระการกลายพันธุ์สูง

การค้นพบทางวิทยาศาสตร์ AI ใช้ปัญญาในการผลิตความรู้ใหม่ และความรู้ใหม่จะเปลี่ยนไปเป็น: ยาใหม่ วัสดุใหม่ แหล่งพลังงานใหม่ ชิปใหม่ หุ่นยนต์ใหม่ อุปกรณ์ควอนตัมใหม่ และวิธีการผลิตอุตสาหกรรมใหม่ โดยมีผลกระทบแบบทวีคูณ เส้นทางที่น่าสังเกตในระยะยาวคือ:

AI สร้างสมมติฐานทางวิทยาศาสตร์

→ การจำลองและการคัดกรองเชิงคอมพิวเตอร์

→ การตรวจสอบในห้องปฏิบัติการโดยอัตโนมัติ

→ การสร้างยาใหม่และวัสดุใหม่

→ อุปกรณ์ใหม่ หุ่นยนต์ใหม่ และอุตสาหกรรมใหม่กำลังเกิดขึ้น

→ อุตสาหกรรมใหม่สร้างข้อมูลใหม่ พลังการคอมพิวเตอร์ใหม่ และความต้องการการวิจัยใหม่

นี่อาจยกระดับ AI จาก "เครื่องมือในการปรับปรุงประสิทธิภาพทางเศรษฐกิจที่มีอยู่" ไปสู่เทคโนโลยีที่เร่งความก้าวหน้าทางเทคโนโลยีโดยรวมในสังคม

แน่นอนว่าสำคัญที่จะต้องแยกแยะระหว่างสองประเด็น:

จากมุมมองของอารยธรรมและมูลค่าทางเศรษฐกิจในระยะยาว การค้นพบทางวิทยาศาสตร์ใน AI อาจมีความสำคัญมากกว่าการใช้งานในระดับผู้บริโภคหรือแม้แต่ตัวแทนกระบวนการทำงานขององค์กรในอนาคต

อย่างไรก็ตาม ในแง่ของรายได้ กระแสเงินสดฟรี และความสามารถในการย่อยการใช้จ่ายทุน AI ในปีหน้า สองปีข้างหน้า อาจไม่ได้ให้ผลตอบแทนที่เร็วกว่า ตัวแทนบริการลูกค้า ตัวช่วยองค์กร และการเขียนโค้ด

เก้า: นาฬิกาสี่เรือนที่แตกต่างกันโดยสิ้นเชิงสำหรับ AI

ความแตกต่างด้านเวลาในแอปพลิเคชัน AI เกิดจากนาฬิกาสี่เรือนที่ทำงานด้วยความเร็วที่แตกต่างกันโดยสิ้นเชิง

นาฬิกาเรือนแรก: นาฬิกาการใช้จ่ายทุน

นาฬิกานี้เริ่มเดินเร็วที่สุด GPU ศูนย์ข้อมูล ไฟฟ้า เครือข่าย ที่ดิน และสิ่งอำนวยความสะดวกในการทำความเย็นต้องสร้างล่วงหน้า หากผู้ให้บริการคลาวด์รอจนกว่าความต้องการจะได้รับการยืนยันอย่างเต็มที่ก่อนที่จะลงทุน พวกเขาอาจพลาดโอกาสในการรักษาความสามารถและลูกค้า นี่ได้ถูกพูดคุยไปแล้วที่นี่: https://x.com/qinbafrank/status/2086749504129372432?s=20

ดังนั้น การใช้จ่ายทุน การเงิน ดอกเบี้ย ข้อตกลงการเช่า และการเสื่อมราคามักเกิดขึ้นก่อน

ในเชิงวิเคราะห์ ระยะนี้สามารถเข้าใจได้ว่าเป็นทันทีถึง 18 เดือน แต่รอบโครงการเฉพาะอาจแตกต่างกันอย่างมาก

นาฬิกาเรือนที่สอง: นาฬิการายได้จากผลิตภัณฑ์

พลังการประมวลผลคลาวด์ API โมเดล ตัวแทนการเขียนโค้ด และตัวช่วยทั่วไปสามารถเริ่มสร้างรายได้ได้อย่างรวดเร็ว โดยปกติภายในไม่กี่ไตรมาสหลังจากการลงทุนในทุน ระยะนี้อาจใช้เวลาประมาณ 6 ถึง 24 เดือน ซึ่งสะท้อนถึงความแตกต่างด้านเวลาในระหว่างผู้ขายโมเดลและผู้ให้บริการคลาวด์ ตามที่ได้พูดคุยไปแล้วที่นี่: https://x.com/qinbafrank/status/2081226811514753045 โมเดลจะตามรูปแบบ "จ่ายเงินสดก่อน (ใช้จ่ายทุน) ความสามารถออนไลน์ในภายหลัง คำสั่งแปลงเป็นรายได้ และผลกำไรและกระแสเงินสดฟรีจะเกิดขึ้นในที่สุด" ซึ่งเงินจะถูกใช้จ่ายก่อนและจากนั้นประสิทธิภาพและความเร็วของการทำกำไรจะถูกประเมิน

นาฬิกาเรือนที่สาม: นาฬิกากำไรจากกระบวนการทำงานขององค์กร

เพื่อให้ AI เข้าสู่รายงานกำไรและขาดทุนได้จริง บริษัทต้องทำการกำกับดูแลข้อมูล การเปิดสิทธิ์ การรวมระบบ การปรับโครงสร้างกระบวนการ การฝึกอบรมบุคลากร และการปรับองค์กร

เวลาที่ประหยัดต้องแปลเป็นการจ้างงานที่น้อยลง การจ้างงานภายนอกที่ลดลง ปริมาณธุรกิจที่เพิ่มขึ้น วงจรการส่งมอบที่สั้นลง อัตราการแปลงที่สูงขึ้น หรือการสูญเสียข้อผิดพลาดที่ต่ำลง

กระบวนการนี้อาจใช้เวลา 18 ถึง 48 เดือน และในอุตสาหกรรมที่ซับซ้อน อาจใช้เวลานานกว่านั้น

นาฬิกาเรือนที่สี่: นาฬิกาผลผลิตมหภาค

เมื่อ AI แพร่กระจายไปยังจำนวนบริษัท กระบวนการทำงาน และอุตสาหกรรมที่เพียงพอ และเสร็จสิ้นการปรับโครงสร้างองค์กรและทุน การมีส่วนร่วมของมันจะเข้าสู่ผลิตภาพปัจจัยรวมและข้อมูล GDP อย่างมีนัยสำคัญ

ในไตรมาสที่สอง ภาคธุรกิจที่ไม่ใช่ฟาร์มของสหรัฐฯ มีการเพิ่มขึ้นปีต่อปี 2.2% ในผลิตภาพแรงงาน ขณะที่ต้นทุนแรงงานต่อหน่วยเพิ่มขึ้น 1.4% นี่เป็นปรากฏการณ์เชิงบวก แต่ผลิตภาพแรงงานไม่ได้หมายถึงผลิตภาพปัจจัยรวม และการเติบโตของผลิตภาพในปัจจุบันไม่สามารถอ้างว่าเป็นผลทั้งหมดจาก AI กระบวนการนี้มักใช้เวลาหลายปี อาจต้องใช้เวลา 3 ถึง 7 ปีหรือแม้กระทั่งนานกว่านั้น

กรอบเวลาเหล่านี้ไม่ใช่การคาดการณ์ที่แม่นยำ แต่เป็นกรอบในการทำความเข้าใจจังหวะของอุตสาหกรรม

สิ่งที่สำคัญที่สุด: ความอดทนของตลาดทุน ตลาดพันธบัตร และการจัดการของบริษัทมักจะสั้นกว่าระยะเวลาที่จำเป็นสำหรับการปรับโครงสร้างองค์กรและการตระหนักถึงผลิตภาพมหภาค

นี่คือรากฐานของความผันผวนที่มักเกิดขึ้นในวงจรทุน AI

สิบ: ความเสี่ยงที่แท้จริงคือความไม่ตรงกันระหว่าง CapEx และกระแสเงินสดสุดท้าย

ในปัจจุบัน ความต้องการ AI ไม่ใช่เรื่องที่สมมติขึ้น: รายได้จากคลาวด์ การเรียกใช้โมเดล การใช้งานการเขียนโค้ด และการจัดซื้อของตัวช่วยกำลังเพิ่มขึ้น อย่างไรก็ตาม การเติบโตของความต้องการและการใช้จ่ายทุนสามารถอยู่ร่วมกันได้

ตามข้อมูล FY2026 ที่อ้างถึง ธุรกิจคลาวด์ของ Google กำลังเติบโตอย่างรวดเร็ว แต่การใช้จ่ายทุนรายไตรมาสได้เกินกระแสเงินสดจากการดำเนินงานแล้ว ส่งผลให้เกิดกระแสเงินสดฟรีติดลบ; AWS ของ Amazon ยังคงเติบโตสูง โดยธุรกิจ AI สร้างรายได้จริง แต่ในช่วงสิบสองเดือนที่ผ่านมา กระแสเงินสดฟรีก็ถูกกดดันอย่างมากจากการลงทุนในอุปกรณ์ AI; Microsoft มีการไหลเข้าของกระแสเงินสดจากการดำเนินงานและคุณภาพของคำสั่งซื้อทางการค้าที่แข็งแกร่งกว่า แต่การใช้จ่ายทุนรายไตรมาสยังคงเกินกระแสเงินสดฟรีอย่างมาก; Meta ยังคงสนับสนุน AI ผ่านธุรกิจโฆษณาของตน แต่บัฟเฟอร์สำหรับกระแสเงินสดฟรีก็แคบลงอย่างมาก

วงจรและมาตรฐานทางสถิติของบริษัทเหล่านี้ไม่สอดคล้องกันทั้งหมดและไม่สามารถเปรียบเทียบกันได้อย่างกลไก แต่ทิศทางนั้นสอดคล้องกันมาก: รายได้จาก AI กำลังเติบโต และความเข้มข้นของทุน AI ก็กำลังเติบโตอย่างรวดเร็วกว่า

ดังนั้น สิ่งที่ตลาดต้องการยืนยันจริงๆ ไม่ใช่ว่า AI มีรายได้หรือไม่ แต่คือ:

เมื่อไหร่ที่กำไรขั้นต้นที่เพิ่มขึ้นจาก AI รายได้จากธุรกิจที่มีอยู่ และการประหยัดค่าใช้จ่ายจะเกินต้นทุนการเสื่อมราคา พลังงาน ดอกเบี้ย ข้อตกลงการเช่า และต้นทุนการเปลี่ยนอุปกรณ์อย่างต่อเนื่อง?

มองลึกลงไป วงจรการระดมทุนในระยะแรกของอุตสาหกรรม AI ส่วนใหญ่ประกอบด้วย:

บริษัทโมเดลระดมทุน

→ การซื้อพลังการประมวลผลคลาวด์และ GPU

→ การเติบโตของรายได้สำหรับผู้ให้บริการคลาวด์

→ ผู้ให้บริการคลาวด์ยังคงสร้างศูนย์ข้อมูล

→ บริษัทชิป การสื่อสารด้วยแสง ไฟฟ้า และศูนย์ข้อมูลขยายการผลิต

→ ทั้งหมดนี้ทำให้ห่วงโซ่อุตสาหกรรมยังคงระดมทุน

วงจรนี้อาจใช้เวลานาน แต่รายได้ส่วนใหญ่ยังคงมาจากการใช้จ่ายที่เกิดจากการระดมทุนในตลาดทุน ไม่ใช่จากกระแสเงินสดที่เกิดจากบริษัทและผู้บริโภคแบบดั้งเดิม

ดังนั้น คุณภาพของความต้องการ AI สามารถแบ่งออกเป็นสามชั้น

ชั้นแรกประกอบด้วยบริษัทโมเดล ผู้ให้บริการคลาวด์ AI และผู้ดำเนินการศูนย์ข้อมูลที่ขยายผ่านทุน หุ้น หนี้ การเช่า และการระดมทุนโครงการ

ชั้นที่สองรวมถึงความต้องการปลายทางจากภาคเทคโนโลยี เช่น การเขียนโค้ด API โมเดล การเพิ่มประสิทธิภาพโฆษณา การค้นหา และคำแนะนำ

ชั้นที่สามประกอบด้วยภาคที่ไม่ใช่เทคโนโลยี เช่น ธนาคาร ประกันภัย การดูแลสุขภาพ การผลิต การค้าปลีก โลจิสติกส์ การเงิน และการบริการลูกค้า ซึ่งใช้กระแสเงินสดจากการดำเนินงานของตนเองในการซื้อ AI และได้รับผลตอบแทนจากกระบวนการธุรกิจจริง

เมื่อชั้นที่สามเริ่มเปิดตัวในขนาดใหญ่ วงจรทุน AI จะเปลี่ยนจาก "การขยายอุปทานที่ขับเคลื่อนโดยตลาดทุน" ไปสู่ "ความต้องการปลายทางที่สร้างขึ้นจากกิจกรรมการผลิตทั่วทั้งอุตสาหกรรม"

นี่คือเหตุผลว่าทำไมสถานการณ์ที่ไม่ใช่การเขียนโค้ดจึงมีความสำคัญมาก

มันไม่เพียงแต่หมายถึงรายได้ AI เพิ่มเติม แต่ยังหมายความว่าแหล่งเงินทุนสำหรับความต้องการ AI เริ่มเปลี่ยนจากการระดมทุนของบริษัทโมเดลและการใช้จ่ายทุนของบริษัทเทคโนโลยีไปสู่งบประมาณการดำเนินงานของระบบเศรษฐกิจทั้งหมด

สิบเอ็ด: การขาด "การเขียนโค้ดที่สอง" ที่ชัดเจนไม่ได้หมายความว่า AI ไม่มีประสิทธิภาพ

AI ในฐานะเทคโนโลยีทั่วไป ไม่จำเป็นต้องพึ่งพาแอปพลิเคชันเดียวเพื่อให้เกิดการค้า

คอมพิวเตอร์ส่วนบุคคลไม่ได้เปลี่ยนโลกผ่านซอฟต์แวร์เดียว อินเทอร์เน็ตไม่ได้พึ่งพาการค้นหาเพียงอย่างเดียว และการประมวลผลคลาวด์ไม่ได้ให้บริการเพียงธุรกิจเดียว

มูลค่าที่แท้จริงของ AI อาจไม่ใช่การสร้างแอปพลิเคชันซูเปอร์ที่แยกออกมาอีกครั้ง แต่ค่อยๆ กลายเป็นชั้นการดำเนินการพื้นฐานสำหรับซอฟต์แวร์ ข้อมูล กระบวนการ และธุรกรรมทั้งหมด

นี่คือการเปลี่ยนแปลงสามประการที่มักถูกมองข้าม

ประการแรก สระงบประมาณที่เกี่ยวข้องกับการไม่เขียนโค้ดมีขนาดใหญ่กว่ามาก

การเขียนโค้ดส่วนใหญ่เกี่ยวข้องกับวิศวกรซอฟต์แวร์และงบประมาณ IT ขณะที่ตัวแทนที่ไม่ใช่การเขียนโค้ด เมื่อเริ่มทำงานทางธุรกิจจริง สามารถเข้าสู่: งบประมาณซอฟต์แวร์ขององค์กร งบประมาณต้นทุนแรงงาน งบประมาณ BPO และการจ้างงานภายนอก งบประมาณการให้คำปรึกษาและบริการระดับมืออาชีพ งบประมาณการขายและการตลาด งบประมาณการเรียกร้องและการสูญเสียจากการฉ้อโกง งบประมาณการทำธุรกรรมและค่าคอมมิชชั่น

สิ่งนี้จะผลักดันโมเดลธุรกิจจากการเรียกเก็บเงินตามจำนวนที่นั่งไปสู่การเรียกเก็บเงินตามการใช้งาน ตามงาน และตามผลลัพธ์

ตรรกะของการเรียกเก็บเงินตามจำนวนที่นั่งคือการให้เครื่องมือแก่พนักงาน ขณะที่ตรรกะของการเรียกเก็บเงินตามผลลัพธ์คือ AI ได้ทำงานเสร็จแล้ว ตลาดที่ทั้งสองเผชิญมีความแตกต่างกันโดยสิ้นเชิง

ประการที่สอง การเขียนโค้ดกำลังกลายเป็นเทคโนโลยีพื้นฐานสำหรับกระบวนการที่ไม่ใช่การเขียนโค้ด

ในอนาคต พนักงานที่ไม่ใช่ทางเทคนิคจำนวนมากจะไม่คิดว่าตนเอง "เขียนโค้ด" แต่จะสร้างผ่านภาษาธรรมชาติ: เครื่องมือการกระทบยอดทางการเงิน แดชบอร์ดการขาย ระบบแจ้งเตือนสินค้าคงคลัง หน้าอนุมัติภายใน โปรแกรมการทำความสะอาดข้อมูลลูกค้า รายงานอัตโนมัติในกระบวนการตรวจสอบสัญญา และตัวแทนเฉพาะแผนก

ในอดีต กระบวนการที่ยาวนานเหล่านี้มีขนาดเล็กเกินไปและมีความต้องการเฉพาะทางมากเกินไป ทำให้ไม่คุ้มค่าที่จะให้บริษัทจัดซื้อ SaaS โดยเฉพาะหรือรอการพัฒนาจาก IT โดยพึ่งพา Excel อีเมล และการดำเนินการด้วยมือเป็นเวลานาน

หลังจากตัวแทนการเขียนโค้ดลดต้นทุนซอฟต์แวร์ที่กำหนดเองลง จำนวนมากของกระบวนการที่ไม่ใช่การเขียนโค้ดจะมีเงื่อนไขทางเศรษฐกิจเป็นครั้งแรกในการทำให้เป็นซอฟต์แวร์และตัวแทน

ดังนั้น สิ่งที่มีแนวโน้มจะเกิดขึ้นในอนาคตคือการเขียนโค้ดค่อยๆ ซ่อนอยู่ภายในกระบวนการทางธุรกิจที่ไม่ใช่การเขียนโค้ดในระดับพื้นฐาน

ประการที่สาม คำตอบในด้านผู้บริโภคอาจเป็นตัวแทนการกระทำส่วนบุคคล

ในด้าน To C ผู้บริโภคมักจะไม่จ่ายเงินสำหรับ "การประหยัดต้นทุนแรงงาน" โอกาสในระดับแพลตฟอร์มที่แท้จริงมีแนวโน้มที่จะเป็นตัวแทนการกระทำส่วนบุคคลที่มีหน่วยความจำระยะยาว สิทธิ์บัญชี และความสามารถในการทำธุรกรรม พวกเขาสามารถอ่านอีเมล จัดการตารางเวลา เปรียบเทียบเที่ยวบินและโรงแรม จัดการการคืนสินค้า จองแพทย์ จัดการบิล และประสานงานเรื่องครอบครัว

การแข่งขันใน AI สำหรับผู้บริโภคในครั้งถัดไปจะมุ่งเน้นไปที่ใครสามารถสร้างความไว้วางใจจากผู้ใช้ สิทธิ์บัญชี และการเข้าถึงการทำธุรกรรม และทำให้สิ่งต่างๆ สำเร็จได้จริง แน่นอนว่า จากมุมมองของการสนับสนุนการลงทุนโครงสร้างพื้นฐาน AI ในปัจจุบัน ตัวแทนกระบวนการทำงานขององค์กรยังคงมีความสำคัญมากกว่าการใช้งานผู้บริโภคเพียงอย่างเดียว เนื่องจากความต้องการขององค์กรมีความเสถียรมากกว่า งบประมาณมีขนาดใหญ่กว่า และง่ายกว่าที่จะสร้างการบริโภคที่มีเหตุผลอย่างต่อเนื่อง

สิบสอง: ความแตกต่างด้านเวลาไม่ได้หมายความว่ามีข้อผิดพลาดทางตรรกะ แต่สามารถทำให้เกิดวงจรการประเมินค่าและเครดิต

อนาคตสามารถแบ่งออกเป็นสามเส้นทางโดยประมาณ

1. การเปลี่ยนแปลงอย่างรวดเร็ว

การบริการลูกค้า การเงิน การบริหารทางการแพทย์ การดำเนินงาน IT การเรียกร้องประกันภัย และการปฏิบัติตามกฎหมายจะเข้าสู่สภาพแวดล้อมการผลิตอย่างรวดเร็วในปีหน้า สองปีข้างหน้า การบริโภคตัวแทนที่ไม่ใช่การเขียนโค้ดเร่งตัวขึ้น บริษัทเปลี่ยนจากการเรียกเก็บเงินตามจำนวนที่นั่งไปสู่การเรียกเก็บเงินตามการใช้งานและผลลัพธ์ และความต้องการ AI แพร่กระจายไปยังอุตสาหกรรมดั้งเดิมมากขึ้น

การเติบโตของรายได้ขององค์กรเริ่มแซงหน้าการเติบโตของพนักงานและค่าใช้จ่าย อัตรากระแสเงินสดฟรีของผู้ให้บริการคลาวด์ถึงจุดต่ำสุด และผลตอบแทนจากทุน AI ได้รับการยืนยัน

ในกรณีนี้ การใช้จ่ายทุนในปัจจุบันสามารถย่อยได้โดยทั่วไปโดยความต้องการในอนาคต และตลาดจะเปลี่ยนจากฮาร์ดแวร์ในระดับบนไปยังแพลตฟอร์ม ซอฟต์แวร์ และผู้ใช้ AI

2. สถานการณ์มาตรฐาน: ทิศทางที่ถูกต้อง แต่มีความผันผวนเป็นระยะ

ความต้องการที่ไม่ใช่การเขียนโค้ดยังคงเติบโต แต่การปรับใช้ขององค์กร การรวมระบบ และการปรับโครงสร้างองค์กรต้องใช้เวลา 2 ถึง 4 ปี

การเขียนโค้ดยังคงเติบโต แต่ค่อยๆ ช้าลง; การไม่เขียนโค้ดเติบโตอย่างรวดเร็วจากฐานที่ต่ำ แต่ชั่วคราวไม่เพียงพอที่จะเข้ามาแทนที่ทั้งหมด ในขณะเดียวกัน การใช้จ่ายทุน การเสื่อมราคา และดอกเบี้ยยังคงเพิ่มขึ้น ตลาดจะตั้งคำถามเกี่ยวกับผลตอบแทนจากการลงทุน AI เป็นระยะ ส่งผลให้เกิดการบีบอัดมูลค่าสำหรับบริษัทเซมิคอนดักเตอร์ ศูนย์ข้อมูล และบริษัทที่มีความเข้มข้นของทุนสูง

จากนั้น เมื่อใดก็ตามที่ข้อมูลการทำงานขององค์กร การใช้งาน และผลิตภาพดีขึ้น สินทรัพย์ AI จะเพิ่มขึ้นอีกครั้ง นี่อาจเป็นเส้นทางที่สมจริงที่สุด: ตรรกะระยะยาวยังคงอยู่ แต่ความอดทนของตลาดทุนสั้นกว่ารอบการเปลี่ยนแปลงองค์กรของบริษัท

ดังนั้น ตลาด AI อาจไม่เป็นเส้นที่เพิ่มขึ้นอย่างต่อเนื่อง แต่มีแนวโน้มที่จะประสบกับ:

การขยายการใช้จ่ายทุน

→ การตั้งคำถามเกี่ยวกับ ROI

→ การปรับปรุงข้อมูลความต้องการ

→ การขยายตัวอีกครั้ง

→ รอการสร้างผลกำไรอีกครั้ง

3. การเปลี่ยนแปลงช้า หรือแม้แต่การทำความสะอาดทุน

หากความสามารถของโมเดลพัฒนาช้า งานที่ไม่ใช่การเขียนโค้ดต้องการการดูแลจากมนุษย์เป็นเวลานาน บริษัทไม่เต็มใจที่จะให้ตัวแทนเข้าถึงระบบหลัก ขณะที่การแข่งขันด้านราคาของโมเดลเพิ่มขึ้นและรายได้ต่อหน่วยลดลง ผลตอบแทนจากทุนจะลดลง

แม้ว่า AI จะมีมูลค่าระยะยาวมหาศาล แต่การใช้จ่ายทุนในรอบหนึ่งอาจไม่ให้ผลตอบแทนที่สมเหตุสมผล

ทิศทางเทคโนโลยีที่ถูกต้องไม่ได้หมายความว่าการลงทุนแต่ละรายการ บริษัทแต่ละแห่ง และโครงสร้างการระดมทุนแต่ละรายการจะประสบความสำเร็จ

ฉันมีแนวโน้มที่จะเชื่อว่าฟิวเจอร์อยู่ระหว่างสถานการณ์มาตรฐานและการเปลี่ยนแปลงอย่างรวดเร็ว

สิบสาม: สิ่งที่ต้องติดตามต่อไป: ตัวชี้วัดการสังเกตหกประการและสามจุดตัด

เพื่อกำหนดว่าความต้องการที่ไม่ใช่การเขียนโค้ดกำลังเข้ามาแทนที่หรือไม่ ไม่สามารถมองแค่จำนวนตัวแทนที่ลงทะเบียน พารามิเตอร์ของโมเดล การเติบโตของโทเค็น และการใช้จ่ายทุน

1. สิ่งที่สำคัญกว่าคือการสังเกตตัวชี้วัดต่อไปนี้

1. ตัวแทนที่ใช้งาน ไม่ใช่ตัวแทนที่ลงทะเบียน

มุ่งเน้นไปที่ตัวแทนที่ใช้งานรายเดือน เวลาการทำงานต่อเนื่อง จำนวนงานอัตโนมัติ และสัดส่วนของสภาพแวดล้อมการผลิต

รายการสินทรัพย์สามารถพิสูจน์ได้ว่าบริษัทเริ่มการกำกับดูแล แต่ไม่สามารถพิสูจน์ได้ว่าตัวแทนกำลังทำงาน

สิ่งสำคัญไม่ใช่จำนวนการตอบสนองที่สร้างขึ้น แต่เป็นจำนวนเครื่องมือที่ใช้ จำนวนบันทึก ERP และ CRM ที่เขียนกลับ จำนวนการคืนเงินที่เริ่มต้น จำนวนใบแจ้งหนี้ที่ประมวลผล และจำนวนตั๋วที่ปิด

3. อัตราการทำงานด้วยตนเองและอัตราการส่งต่อด้วยมือ

งานกี่งานสามารถทำได้โดยไม่ต้องมีการแทรกแซงจากมนุษย์? สัดส่วนของสถานการณ์ผิดปกติลดลงอย่างต่อเนื่องหรือไม่?

นี่คือดัชนีหลักว่าตัวแทนสามารถเปลี่ยนจากผู้ช่วยไปเป็นแรงงานได้หรือไม่

4. การเปลี่ยนจากรายได้ตามจำนวนที่นั่งไปสู่การบริโภคและรายได้ตามผลลัพธ์

การขยายที่นั่งของ M365 Copilot ยังคงมีความสำคัญ แต่สิ่งที่มีค่ามากกว่าคือการเติบโตในการใช้งานในบริการลูกค้า การเงิน ห่วงโซ่อุปทาน และสถานการณ์ด้านการดูแลสุขภาพ รวมถึงรายได้ที่เกิดจากผลลัพธ์การประมวลผล

5. ขนาดที่แท้จริงและโครงสร้างลูกค้าของรายได้ Foundry

สิ่งสำคัญคือไม่เพียงแต่ดูอัตราการเติบโต แต่ยังดูว่ารายได้มาจากการผลิตที่ไม่ใช่การเขียนโค้ดมากเพียงใด มาจากลูกค้าขนาดใหญ่เพียงไม่กี่ราย และมีลูกกี่รายที่เปลี่ยนจาก PoC ไปสู่การผลิตอย่างต่อเนื่อง

6. บริษัทกำลังเก็บเกี่ยวผลิตภาพจริงหรือไม่?

เราต้องสังเกต: การเติบโตของรายได้เร็วกว่าอัตราการเติบโตของพนักงานหรือไม่? การจ้างงานของบุคลากรหลังบ้านชะลอตัวหรือไม่? ค่าใช้จ่ายในการจ้างงานภายนอกลดลงหรือไม่? อัตรา SG&A ดีขึ้นหรือไม่? ต้นทุนธุรกิจต่อหน่วยลดลงหรือไม่?

7. กำไรเพิ่มขึ้นจาก AI ของผู้ให้บริการคลาวด์สามารถครอบคลุมต้นทุนทุนได้หรือไม่?

ในที่สุด เราต้องตอบ:

กำไรขั้นต้นที่เพิ่มขึ้นจาก AI + รายได้จากธุรกิจที่มีอยู่ + การประหยัดค่าใช้จ่ายของลูกค้าสามารถครอบคลุมต้นทุนการอนุมาน การเสื่อมราคา พลังงาน ดอกเบี้ย และการเปลี่ยนอุปกรณ์ได้หรือไม่?

นี่คือ "การทดสอบหน่วย" ที่การลงทุนโครงสร้างพื้นฐาน AI มูลค่าหลายล้านล้านดอลลาร์ในปัจจุบันต้องผ่าน

2. จุดตัดสามจุด

จุดตัดแรกคือการตัดกันระหว่างการเติบโตของการเขียนโค้ดและการเติบโตที่ไม่ใช่การเขียนโค้ด

แม้ว่าการเขียนโค้ดยังคงเติบโตอยู่ แต่ตราบใดที่อัตราการเติบโตช้าลง การไม่เขียนโค้ดต้องเข้ามาแทนที่ในอัตราที่เร็วขึ้นเพื่อรักษาความลาดชันการเติบโตโดยรวมของแอปพลิเคชัน AI

จุดตัดที่สองคือการตัดกันระหว่างรายได้จาก AI และการเสื่อมราคา พลังงาน และดอกเบี้ยของ AI

เฉพาะเมื่อกำไรขั้นต้นที่เพิ่มขึ้นจาก AI ยังคงสูงกว่าต้นทุนโครงสร้างพื้นฐานเท่านั้นที่ผลตอบแทนจากทุนจะดีขึ้น

จุดตัดที่สามคือการตัดกันระหว่างการประหยัดเวลาในองค์กรและกำไรขององค์กร

เฉพาะเมื่อ AI ช่วยให้การเติบโตของรายได้แซงหน้าการเติบโตของพนักงานและค่าใช้จ่าย เรื่องราวเกี่ยวกับผลิตภาพจึงจะเข้าสู่รายงานทางการเงินอย่างแท้จริง

สรุป

สิ่งที่ตลาดกำลังมองหาคือไม่ใช่แอปพลิเคชันที่สอง แต่เป็นเครื่องยนต์ความต้องการที่สอง

สิ่งที่ใกล้เคียงที่สุดคือการบริการลูกค้าและตัวแทนเสียง แต่คำตอบที่ใหญ่กว่าคือเอเจนต์กระบวนการทำงานขององค์กรที่ประกอบด้วยการเงิน การดูแลสุขภาพ กฎหมาย ประกันภัย การขาย การจัดซื้อ การดำเนินงาน IT และห่วงโซ่อุปทาน

มูลค่าในระดับแพลตฟอร์มที่มีแนวโน้มมากที่สุดในด้าน C คือ ตัวแทนการกระทำส่วนบุคคลที่มีหน่วยความจำระยะยาว สิทธิ์บัญชี และความสามารถในการทำธุรกรรม

การพัฒนาทางวิทยาศาสตร์ของ AI เป็นสถานการณ์ที่สำคัญยิ่งกว่าสำหรับระยะยาวในอนาคต

ดังนั้น สรุปข้อสรุป:

เครื่องยนต์การเติบโตที่สองของ AI ไม่น่าจะปรากฏในรูปแบบของ "การเขียนโค้ดที่สอง" ที่บรรจุอย่างเรียบร้อย แต่จะปรากฏในรูปแบบของกระบวนการทางธุรกิจหลายร้อยกระบวนการที่เปลี่ยนจากการดำเนินการด้วยมือไปสู่การดำเนินการด้วย AI พร้อมกัน

ดังนั้น การขาดแอปพลิเคชันซูเปอร์ใหม่ที่ปรากฏขึ้นอย่างกะทันหันไม่ได้หมายความว่า AI กำลังล้มเหลว AI ยังคงสามารถสร้างมูลค่าทางเศรษฐกิจที่สำคัญผ่านการปรับปรุงผลิตภาพอย่างกว้างขวางและค่อยเป็นค่อยไป

อย่างไรก็ตาม สำหรับตลาดทุนในปัจจุบัน การพิสูจน์เพียงว่า "มีผู้คนจำนวนมากที่ใช้ AI" ไม่เพียงพออีกต่อไป ต่อไปนี้ต้องพิสูจน์:

AI สามารถทำงานจริงได้ บริษัทยินดีจ่ายตามการใช้งานและผลลัพธ์ อุตสาหกรรมที่ไม่ใช่เทคโนโลยีสามารถสร้างความต้องการจากผู้ใช้ปลายทางอย่างต่อเนื่อง การปรับปรุงผลิตภาพสามารถแปลเป็นอัตรากำไรและกระแสเงินสดฟรี และกำไรขั้นต้นใหม่สามารถครอบคลุมการเสื่อมราคา พลังงาน ดอกเบี้ย และการอัปเดตอุปกรณ์ได้ในที่สุด

ดังนั้น ความขัดแย้งหลักของตรรกะการลงทุน AI ในปัจจุบันไม่ได้อยู่ที่ "มีอนาคตหรือไม่" แต่เป็น:

การใช้จ่ายทุนและหนี้สินได้มาถึงแล้ว การเขียนโค้ดได้เปลี่ยนจากช่องว่างความคาดหวังไปสู่ฉันทามติ และรายได้ที่ไม่ใช่การเขียนโค้ดและผลิตภาพปัจจัยรวมกำลังเริ่มปรากฏ

การเขียนโค้ดได้เสร็จสิ้นขาแรก;

การบริการลูกค้า การดูแลสุขภาพ การเงิน การขาย ห่วงโซ่อุปทาน และตัวแทนส่วนบุคคลกำลังทำขาอีกขา

แรงขับเคลื่อนในระลอกถัดไปอยู่ที่ว่าฉากที่กระจัดกระจายเหล่านี้สามารถรวมกันเป็นรายได้ กระแสเงินสด และผลิตภาพที่ใหญ่พอสมควรก่อนที่ขาแรกจะแสดงการชะลอตัวอย่างมีนัยสำคัญ

นี่คือความแตกต่างด้านเวลาที่สำคัญที่สุดในชั้นการใช้งาน AI ในปัจจุบัน

ตามที่ได้กล่าวไปแล้ว บุคคลมีแนวโน้มที่จะเปลี่ยนจากสถานการณ์พื้นฐานไปสู่การเข้าครอบครองอย่างรวดเร็ว แต่ตลาดอาจสงสัยและกังวลก่อนที่จะเห็นหลักฐานใหม่ ซึ่งยังเป็นแหล่งที่มาของความผันผวนในตลาด

ตลาดจะมีการแยกแยะมากขึ้น:

ใครมีความต้องการจากผู้ใช้ปลายทางที่แท้จริงและใครมีเพียงคำสั่งภายในในห่วงโซ่อุตสาหกรรม;

ใครสามารถสร้างกระแสเงินสดฟรีและใครสามารถสร้างรายได้เท่านั้น;

ใครสามารถเรียกเก็บเงินจากงบประมาณแรงงานและการทำธุรกรรมและใครยังคงพึ่งพาการแข่งขันราคาต่ำของโทเค็น.

เนื้อหานี้จัดทำขึ้นเพื่อวัตถุประสงค์ด้านการให้ข้อมูลทั่วไปเท่านั้น และไม่ถือเป็นคำแนะนำด้านการเงิน การลงทุน กฎหมาย หรือภาษี อีเวนต์ รีวอร์ด โปรโมชันออนไลน์ หรือข้อมูลที่เกี่ยวข้องใดๆ ที่กล่าวถึงในที่นี้ ไม่ควรถือเป็นคำแนะนำ การชักชวน หรือคำเชิญชวนให้ซื้อ ขาย เทรด หรือดำเนินการอื่นใดเกี่ยวกับสินทรัพย์คริปโต สินทรัพย์คริปโตมีความผันผวนสูงและอาจส่งผลให้เกิดการขาดทุน ความพร้อมให้บริการของบริการ ผลิตภัณฑ์ และอีเวนต์ที่เกี่ยวข้องของ WEEX อาจแตกต่างกันไปตามภูมิภาค คุณมีหน้าที่ตรวจสอบให้แน่ใจว่าการเข้าร่วมของคุณเป็นไปตามกฎหมายและข้อบังคับท้องถิ่นที่ใช้บังคับ