บริษัท AI เริ่มจ่ายเงินตามผลลัพธ์: Sierra มูลค่า 1.5 หมื่นล้านดอลลาร์ โมเดล RaaS จะยุติฟองสบู่ AI ได้หรือไม่?

ตั้งแต่ที่ Jensen Huang กล่าวในงาน GTC Conference ว่าสนับสนุนให้บริษัทต่างๆ นำปริมาณการใช้ Token มาเป็นหนึ่งใน KPI ของวิศวกร ก็เกิดปรากฏการณ์ที่อธิบายได้ยากมากมายตามมา

เริ่มจากภายใน Meta ที่เกิด “การแข่งขันเผา Token” พนักงานเพื่อทำ KPI จึงเขียน Bot ที่เป็นลูปไม่รู้จบ ใช้ Prompt ที่ไม่มีประสิทธิภาพเพื่อปั่นข้อมูล ตามมาด้วยพนักงาน Amazon ที่เพื่อพิสูจน์ว่าตน “ใช้ Agent ความถี่สูง” แม้กระทั่งงานที่ไม่จำเป็นต้องทำอัตโนมัติ ก็ยังบังคับทำให้เป็นอัตโนมัติ มองเผินๆ เหมือนเป็นพนักงานบริษัทใหญ่ที่ “อินไซด์เรื่องอัตราการใช้ AI” แต่ปัญหาที่ซ่อนอยู่เบื้องหลังนั้นร้ายแรงกว่า: เมื่อบริษัทไม่สามารถวัดมูลค่าที่แท้จริงของ AI ได้ ก็ทำได้แค่ถอยไปใช้ “ปริมาณการเรียกใช้” แทน “ผลผลิต”

ปรากฏการณ์ที่บิดเบือนนี้กำลังกลายเป็นปัญหาที่ทั้งอุตสาหกรรมต้องเผชิญร่วมกัน

ข้อมูลจาก McKinsey แสดงให้เห็นว่า 88% ของบริษัทต่างๆ ได้ใช้ AI อย่างเป็นปกติในอย่างน้อยหนึ่งหน้าที่ แต่บริษัทที่สามารถถูกนิยามว่าเป็น “องค์กรที่มีประสิทธิภาพสูงด้าน AI” (คือ EBIT เพิ่มขึ้นจาก AI มากกว่า 5%) นั้นมีน้อยกว่า 6% งบประมาณ พลังคำนวณ และเวลาของวิศวกรจำนวนมากถูกทุ่มลงไป แต่สิ่งที่ได้กลับมามักเป็นเพียงบิลที่ “ดูเหมือนยุ่งมาก” บริษัทรู้ว่า AI มีความสำคัญ และรู้ว่าคู่แข่งกำลังใช้มัน แต่ปัญหาหลักคือ: เงินที่จ่ายไปนี้คุ้มค่าหรือไม่? ไม่มีใครสามารถให้คำตอบที่ชัดเจนได้

นี่คือจุดที่น่าอึดอัดใจที่สุดในกระบวนการนำ AI ไปใช้จริงในช่วงสองปีที่ผ่านมา

เพราะสิ่งที่บริษัท AI ส่วนใหญ่ขายนั้น โดยพื้นฐานแล้วยังคงเป็น “เครื่องมือ” ว่าเครื่องมือนั้นสร้างมูลค่าที่แท้จริงหรือไม่ ความเสี่ยงโดยธรรมชาติตกเป็นของผู้ซื้อ ยิ่งไปกว่านั้น เครื่องมือ AI ในครั้งนี้ไม่เพียงแต่แพงกว่าและซับซ้อนกว่า แต่ยังพึ่งพาข้อมูล กระบวนการ และการทำงานร่วมกันขององค์กรเองอย่างสูง ดังนั้นหลายบริษัทจึงทำได้แค่จับจ้องที่ “ตัวชี้วัดกระบวนการ” เช่น Token, จำนวนครั้งที่เรียกใช้, ความถี่ในการใช้ Agent เพื่อพยายามคาดเดาว่า AI สร้างผลลัพธ์ที่แท้จริงหรือไม่

แต่ประเด็นสำคัญคือ สิ่งที่บริษัทต้องการซื้อจริงๆ ไม่เคยเป็น Token

CEO จะไม่ดีใจที่พนักงานเรียกใช้โมเดลบ่อยขึ้น และคณะกรรมการจะไม่ยอมรับ ROI เพียงเพราะอัตราการใช้ Agent เพิ่มขึ้น สิ่งที่บริษัทต้องการจริงๆ นั้นเรียบง่ายเสมอ: ผลลัพธ์ — และต้องเป็นผลลัพธ์ที่สามารถตรวจสอบได้ สามารถระบุสาเหตุได้ และดีที่สุดคือสามารถเขียนลงในรายงานผลประกอบการได้โดยตรง

เพียงแต่ในอดีต มีบริษัท AI น้อยมากที่กล้ารับผิดชอบต่อผลลัพธ์นี้

และตอนนี้ บริษัทกลุ่มหนึ่งเริ่มพยายามเปลี่ยนสถานการณ์นี้: พวกเขาไม่ได้เรียกเก็บเงินตาม “การขายเครื่องมือ” อีกต่อไป แต่เรียกเก็บเงินตามผลลัพธ์โดยตรง ทำให้ AI รับผิดชอบ KPI จริงๆ ในจำนวนนี้ Sierra ใน Silicon Valley และ Lingxi Tech ในประเทศจีน ถือเป็นตัวแทนของการบุกเบิกโมเดลนี้ทั้งในและต่างประเทศ

เมื่อบริษัท AI เริ่มรับผิดชอบต่อผลลัพธ์

ในเดือนมีนาคมปีนี้ บทความของ Sequoia ได้ทำให้แนวคิดที่ชื่อว่า “RaaS (Result-as-a-Service)” เป็นที่นิยม

บทความเริ่มต้นด้วยการคาดการณ์ว่า: “บริษัทมูลค่าล้านล้านดอลลาร์ถัดไป จะเป็นบริษัทซอฟต์แวร์ที่ปลอมตัวเป็นบริษัทบริการ”

จะเข้าใจได้อย่างไร? มาดูรูปแบบธุรกิจ AI สองแบบที่กำหนดในบทความก่อน: Copilot และ Autopilot แบบแรกขายเครื่องมือ — ผู้เชี่ยวชาญใช้ AI เพื่อเพิ่มประสิทธิภาพ แต่การจ้างคนใช้ AI ยังต้องเสียเงินเพิ่ม แบบหลังขาย “ผลงาน” เอง: AI ส่งมอบผลลัพธ์โดยตรง ลูกค้าจ่ายเฉพาะผลลัพธ์ทางธุรกิจที่วัดได้ ไม่ใช่การสมัครใช้ซอฟต์แวร์

Sequoia ตัดสินว่าแบบหลังมีมูลค่าสูงกว่ามาก เพราะข้อมูลแสดงให้เห็นว่า ทุกๆ 1 ดอลลาร์ที่บริษัทใช้จ่ายไปกับเครื่องมือซอฟต์แวร์ จะต้องใช้จ่ายเพิ่มอีกประมาณ 6 ดอลลาร์กับบริการและบุคลากรที่เกี่ยวข้อง ความก้าวหน้าของ AI ทำให้ “การขายผลลัพธ์” เป็นไปได้ บริษัท Autopilot สามารถเข้าสู่ตลาดงบประมาณแรงงานที่ใหญ่กว่าเครื่องมือมากได้โดยตรง

บทความนี้สร้างความฮือฮาในวงการ ด้วยเหตุผลง่ายๆ: สถาบันการลงทุนชั้นนำได้ชี้ให้เห็นถึงแนวโน้มและความสำคัญของ “การขายผลลัพธ์” ด้วยตนเอง ซึ่งเท่ากับเป็นการชี้ทิศทางการลงทุนหลักระลอกต่อไปให้นักลงทุน

อย่างไรก็ตาม ก็มีผู้สงสัยว่านี่เป็นแค่การสร้างกระแสของสถาบันการลงทุน แต่ข่าวการระดมทุนที่ตามมาทำให้ตลาดเริ่มพิจารณาน้ำหนักของแนวคิดนี้อย่างจริงจัง

ข่าวนี้มาจากบริษัทชื่อ Sierra บริษัทนี้ก่อตั้งร่วมกันโดย Bret Taylor ประธานคณะกรรมการ OpenAI และ Clay Bavor อดีตผู้บริหารระดับสูงของ Google มีเป้าหมายในการให้โซลูชันประสบการณ์ลูกค้าที่ปรับแต่งได้ผ่าน AI (เช่น ช่วยผู้ใช้แก้ไขออเดอร์ คืนเงิน ปรับสต็อก) แนวคิดหลักคือให้ลูกค้า “จ่ายเงินเมื่องานสำเร็จ” ในเดือนพฤษภาคมปีนี้ บริษัทประกาศระดมทุนได้ 950 ล้านดอลลาร์ ทำให้มูลค่าบริษัทเกิน 15,000 ล้านดอลลาร์

ต้องรู้ว่ามูลค่านี้สูงกว่า ARR (150 ล้านดอลลาร์) ถึงกว่า 100 เท่า สำหรับเส้นทางใหม่ที่เพิ่งถูกวางบนโต๊ะ นี่แทบจะไม่ใช่การประเมินมูลค่าสูงในความหมายทั่วไปอีกต่อไป แต่เหมือนเป็นการเดิมพันที่ชัดเจนมากกว่า

และสิ่งที่ทำให้นักลงทุนเชื่อมั่นจริงๆ คือความคืบหน้าทางการค้าของ Sierra เอง ปัจจุบัน พวกเขาครอบคลุมลูกค้ามากกว่า 40% ของ Fortune 50 ในสถานการณ์ที่ประสบการณ์ลูกค้าและบริการอัตโนมัติเป็นแกนหลักสูงและให้ความสำคัญกับเสถียรภาพและ ROI อย่างมาก บริษัทใหญ่จะไม่ซื้อจำนวนมากเพียงเพราะ “แนวคิดน่าสนใจ” ในแง่หนึ่ง ลูกค้าเหล่านี้เองคือผู้ลงคะแนนที่เข้มงวดที่สุด

และการที่ Sierra ได้ลูกค้าเหล่านี้มา ก็กำลังบอกสิ่งหนึ่ง: RaaS ไม่ได้หยุดอยู่แค่ใน PowerPoint และเรื่องราวการระดมทุนอีกต่อไป แต่เริ่มต้นการตรวจสอบเชิงพาณิชย์ขนาดใหญ่อย่างแท้จริง

ในประเทศจีน ก็มีสิ่งที่คล้ายกันเกิดขึ้น และบริษัทจีนยังได้พิสูจน์เพิ่มเติมอีกสิ่งหนึ่ง: โมเดล RaaS สามารถทำกำไรในระดับ规模化และมีกระแสเงินสดเป็นบวก

สิ่งที่ทำให้ตลาดสังเกตเห็นสิ่งนี้คือบริษัทชื่อ Lingxi Tech

พูดตามตรง ในประเทศจีน มีหลายบริษัทที่อ้างว่าเดินตามเส้นทาง RaaS แต่ในขั้นตอนนี้ มีเพียงไม่กี่แห่งที่สามารถแสดงข้อมูลผลกำไรได้จริง และ Lingxi ก็เป็นหนึ่งในกลุ่มน้อยนั้น

สิ่งที่พวกเขาทำนั้น สามารถเข้าใจได้ว่า “ให้ AI Agent ไปขายของโดยตรง” ในอุตสาหกรรมต่างๆ เช่น ประกันภัย รถยนต์ AI ของ Lingxi จะสื่อสารกับผู้ใช้ปลายทาง (C-end) โดยตรง ตั้งแต่การประเมินเบื้องต้นว่าผู้ใช้สนใจหรือไม่ การติดตามและแนะนำในระหว่างทาง ไปจนถึงการปิดการขายขั้นสุดท้าย กระบวนการขายทั้งหมดดำเนินการโดย AI อย่างอิสระ จุดที่ยากที่สุดของกระบวนการนี้คือ ในที่สุดต้องวัดที่ผลลัพธ์ — ผู้ใช้สั่งซื้อจริงหรือไม่ กรมธรรม์สำเร็จหรือไม่ เงินเข้าบัญชีจริงหรือไม่ นี่คือมาตรฐานทองคำ

แต่ตั้งแต่ปี 2019 เป็นต้นมา Lingxi เลือกที่จะรับผิดชอบต่อผลลัพธ์ของสิ่งนี้ และเดินทางมาจนถึงทุกวันนี้: จากอัตรากำไรขั้นต้นติดลบในช่วงแรก สู่การมีกำไรสุทธิในระดับบริษัทเป็นบวกในปี 2024 และในปี 2025 ก็สามารถทำกำไรในระดับ规模化และมีกระแสเงินสดเป็นบวก ข้อมูลแสดงให้เห็นว่าหลังจากที่บริษัทประกันชั้นนำรายหนึ่งนำ Intelligent Agent ของพวกเขาไปใช้ เบี้ยประกันใหม่เพิ่มขึ้นกว่า 2,000 ล้านหยวน และหากใช้รูปแบบผสมคนกับเครื่องจักรแบบดั้งเดิมเพื่อให้ได้ปริมาณที่เพิ่มขึ้นเท่ากัน มักจะต้องใช้ทีมขาย 800 ถึง 1,000 คน

ไม่ว่าจะเป็น Sierra ใน Silicon Valley หรือ Lingxi ในประเทศจีน พวกเขากำลังทำสิ่งเดียวกันที่ต้องใช้ความกล้า: รับความไม่แน่นอนที่ตามธรรมเนียมแล้วลูกค้าต้องแบกรับ มาไว้ที่ตนเอง

ในบริบทที่ AI ยังคงถูกมองว่าเป็น “เครื่องมือเพิ่มประสิทธิภาพ” โดยคนส่วนใหญ่ การเลือกนี้โดยพื้นฐานแล้วต้องอาศัยความมั่นใจทางเทคโนโลยีที่เพียงพอ เพราะ只有当คุณเชื่ออย่างแท้จริงว่าระบบของคุณสามารถทำงานให้สำเร็จได้อย่างเสถียร ปรับปรุงผลลัพธ์อย่างต่อเนื่อง และควบคุมความผันผวนในระยะยาวได้ คุณถึงจะกล้าเซ็นสัญญาเช่นนี้ มิฉะนั้น หากผลลัพธ์ไม่เป็นไปตามมาตรฐานเพียงครั้งเดียว ก็จะกลายเป็นขาดทุนเป็นเงินจริงๆ

และด้วยเหตุนี้เอง สิ่งที่น่าสนใจจริงๆ ของ RaaS ไม่เคยเป็นเพียงนวัตกรรมรูปแบบธุรกิจ แต่เป็นเพราะมันจะบังคับให้บริษัทมุ่งสู่การสำรวจเทคโนโลยีในอีกมิติหนึ่งโดยธรรมชาติ และนี่คือสิ่งที่ควรค่าแก่การแยกแยะมากที่สุดของ Sierra และ Lingxi ต่อไป

การรับผิดชอบต่อผลลัพธ์ ไม่สามารถพึ่งพาแค่ฐานโมเดลใหญ่ได้

Sierra และ Lingxi เมื่อมองเผินๆ ธุรกิจแตกต่างกันมาก Sierra ติด “Better customer experiences. Built on Sierra.” ไว้ในตำแหน่งที่เห็นได้ชัดเจนที่สุดบนเว็บไซต์ ผลิตภัณฑ์หลัก Agent OS ช่วยให้บริษัทต่างๆ สร้าง AI ฝ่ายบริการลูกค้าในปริมาณมาก พูดถึงประสบการณ์ ส่วน Lingxi มุ่งหน้าสู่สถานการณ์การขาย เช่น ประกันภัย รถยนต์ พูดถึงการปิดการขาย

แต่มองจากระดับพื้นฐานแล้ว ทั้งสองบริษัทเผชิญกับปัญหาพื้นฐานเดียวกัน: จะทำให้ AI ทำงานให้สำเร็จอย่างเสถียรในสถานการณ์ทางธุรกิจจริง และรับผิดชอบต่อผลลัพธ์ได้อย่างไร จุดเริ่มต้นร่วมกันนี้เองที่ผลักดันให้เกิดเส้นทางเทคโนโลยีที่คล้ายคลึงกันอย่างมาก

ประการแรก ทั้งสองไม่ได้ขายแค่ความสามารถของโมเดล แต่ขายการทำงานให้สำเร็จ — เป้าหมายการออกแบบ Agent ตั้งแต่แรกเริ่มชี้ไปที่ผลลัพธ์ทางธุรกิจ ไม่ใช่แค่คุณภาพการสร้างข้อความ เพื่อสิ่งนี้ พวกเขาทั้งสองได้สร้างระบบการดำเนินการ ความจำ และการประเมินเพิ่มเติมบนโมเดลใหญ่ และได้แทรกแซงโมเดลเองเป็นครั้งที่สอง เพื่อให้เชื่อถือได้มากขึ้นในสถานการณ์เฉพาะ ผิดพลาดน้อยลง และเข้าใจชัดเจนขึ้นว่าอะไรคือผลลัพธ์ที่ดี ที่สำคัญกว่านั้น ระบบทั้งสองไม่ได้หยุดนิ่ง — พวกมันทำงานอย่างต่อเนื่องในธุรกิจจริง เรียนรู้อย่างต่อเนื่อง ยิ่งใช้ยิ่งแข็งแกร่ง

ลักษณะร่วมเหล่านี้ทำให้พวกเขาดูเหมือนเดินอยู่บนเส้นทางใหญ่เดียวกัน แต่ทางแยกถัดไป — ความแตกต่างโดยธรรมชาติระหว่างประสบการณ์ลูกค้าและการขาย จะผลักดันทั้งสองไปสู่ความลึกทางเทคโนโลยีที่แตกต่างกันโดยสิ้นเชิง

เมื่อตอบถูก ≠ ปิดการขายได้

เนื่องจากมุ่งเป้าไปที่ประสบการณ์ลูกค้า แก่นหลักของ Sierra คือ “ทำให้ถูกต้อง” เป้าหมายคือตอบคำถามให้ถูก ผิดพลาดน้อย ไม่มีความเสี่ยงด้านการปฏิบัติตามกฎระเบียบ รอบเป้าหมายนี้ Sierra สร้างระบบการจัดเรียงโมเดลที่ประณีต: โมเดลต่างชนิดกันกว่า 15 รุ่นทำงานร่วมกันตามลักษณะของงาน จากนั้นโมเดลผู้ดูแลจะตรวจสอบผลลัพธ์ทุกครั้งแบบเรียลไทม์ นี่เป็นแนวคิดทางเทคนิคที่偏向 “การจัดการโครงสร้างองค์กร” — ควบคุมความถูกต้อง ระบบก็จะทำงานได้อย่างเสถียร

สำหรับ Lingxi ที่เน้นสถานการณ์การขาย ความท้าทายหลักที่พวกเขาเผชิญนั้นแตกต่างไปจากเดิมอย่างสิ้นเชิง ประเด็นสำคัญไม่ได้อยู่ที่ “พูดถูกหรือไม่” — เพราะคำพูดที่สวยหรูแค่ไหน ก็ไม่เท่ากับการเซ็นสัญญาสำเร็จ ยกตัวอย่าง ผู้หญิงคนหนึ่งที่กำลังปรึกษาเรื่องประกันภัยบอกว่า “ต้องกลับไปปรึกษาสามีก่อน” โมเดลใหญ่ทั่วไปอาจตอบกลับไปว่า “ได้ค่ะ คุณกลับไปปรึกษาก่อนก็ได้” เมื่อมองเผินๆ คำตอบนี้ก็ไม่ผิดอะไร แต่ในแนวหน้าของการขายจริง พนักงานขายระดับสูงจะไม่มีทางปล่อยให้บทสนทนาจบลงเพียงเท่านี้ แต่จะจับความกังวลที่แท้จริงที่ซ่อนอยู่เบื้องหลังคำพูดนี้ได้อย่างเฉียบคม (เช่น กลัวซื้อผลิตภัณฑ์ผิด หรือยังมีข้อสงสัยเกี่ยวกับขอบเขตความคุ้มครอง) และดำเนินการสื่อสารต่อไป

ในสถานการณ์เช่นนี้ โมเดลต้องเรียนรู้ที่จะโน้มเอียงไปในทิศทางที่มีอัตราการแปลงสูงอย่างจริงจัง ดังนั้นสิ่งที่ Lingxi ต้องการจริงๆ คือระบบการให้รางวัลและลงโทษที่สมบูรณ์แบบ — ให้แรงจูงใจเชิงบวกเมื่อพฤติกรรมถูกต้อง ลงโทษเมื่อไม่เป็นไปตามคาดหวัง และผ่านการฝึกอบรมหลังการฝึก (post-training) เพื่อปรับน้ำหนักของโมเดลไปในทิศทางที่ต้องการอย่างต่อเนื่อง

อย่างไรก็ตาม กระบวนการ post-training นี้คดเคี้ยวกว่าการฝึกโมเดลให้ทำงานอย่างการเขียนโปรแกรมมากนัก จุดยากของสถานการณ์การขายเป็นระบบ: ข้อมูลหายาก สัญญาณ稀疏 การระบุสาเหตุซับซ้อน และไม่สามารถตรวจสอบในสภาพแวดล้อมเสมือนได้เลย

众所周知 อัตราการปิดการขายนั้นต่ำมาก ในสถานการณ์จริงอาจมีเพียงไม่กี่เปอร์เซ็นต์ ผู้ใช้ส่วนใหญ่จะไม่ปิดการขายในที่สุด ซึ่งหมายความว่าคุณได้รับข้อเสนอแนะเชิงบวกโดยธรรมชาติที่หายาก ไม่สามารถเหมือนกับการฝึกโมเดลโค้ด — เขียนโค้ดสักส่วน รันดูว่ามีข้อผิดพลาดหรือไม่ ก็จะได้คำตัดสินที่ชัดเจนทันที ทำให้เกิดข้อมูลการฝึกจำนวนมหาศาล ผลลัพธ์การขายถูกกำหนดโดยคนจริงๆ คุณไม่สามารถสร้างผู้ใช้เสมือนขึ้นมาและตั้งค่า “แค่พูดแบบนี้เขาจะซื้อแน่ๆ” ในสภาพแวดล้อมในอุดมคติ สภาพแวดล้อมเช่นนี้ไม่มีอยู่จริง

การระบุสาเหตุเป็นปัญหาที่ซับซ้อนยิ่งกว่า การขายสำเร็จครั้งหนึ่ง เป็นเพราะกลยุทธ์คำพูดของ AI ดีเลิศ หรือเพราะลูกค้ามีความตั้งใจซื้ออยู่แล้ว? การสูญเสียลูกค้าครั้งหนึ่ง เป็นเพราะกลยุทธ์ AI ผิดพลาด หรือเพราะลูกค้าล้มเลิกด้วยเหตุผลส่วนตัว? โดยพื้นฐานแล้ว นี่เป็นปัญหาเดียวกันกับ “การสูบบุหรี่ทำให้เกิดมะเร็งปอดหรือไม่” — ไม่สามารถตรวจสอบโดยตรงผ่านกรณีบุคคล ต้องพึ่งพาการวิเคราะห์เชิงสาเหตุทางสถิติจากตัวอย่างจริงจำนวนมาก เพื่อสร้างตรรกะการระบุสาเหตุที่เชื่อถือได้

แต่วิธีการทางสถิติก็ไม่ใช่คำตอบสากล หลายครั้ง โมเดลใหญ่ที่基于สถิติไม่สามารถแยกแยะความสัมพันธ์เชิงสาเหตุที่แท้จริงจากความสัมพันธ์เทียมได้ นี่คือที่มาของสิ่งที่เรียกว่า “ภาพหลอน” (hallucination) เมื่อโมเดลสังเกตเห็นความสัมพันธ์ทางสถิติระหว่าง “ระยะเวลาการสื่อสารนาน” กับ “การปิดการขาย” มันอาจพยายามยืดบทสนทนาออกไปอย่างหนัก แต่ไม่รู้ว่าถ้าผู้ใช้บ่นตลอดเวลา คุยนานแค่ไหนก็ไม่ซื้อ การพึ่งพาแค่สถิติเชิงสาเหตุ โมเดล很容易被ตัวแปรสับสนนำทางผิด นี่คือหลุมพรางที่最容易เจอในสถานการณ์การขาย นี่คือสาเหตุที่ไม่ว่าโมเดลใหญ่ทั่วไปจะเก่งแค่ไหน ก็ยากที่จะจัดการเรื่องการแปลงการขายได้โดยตรง

จุด突破ของ Lingxi: ให้โมเดลเรียนรู้ “สาเหตุ”

เนื่องจากสถานการณ์การขายมีปัญหาข้างต้น ในที่สุด Lingxi ก็เดินออกมาในเส้นทาง post-training ที่แตกต่างจากโมเดลใหญ่ทั่วไปโดยสิ้นเชิง กุญแจสำคัญของเส้นทางนี้ ไม่ใช่แค่ทำให้โมเดล “พูดเก่งขึ้น” แต่ให้โมเดลเรียนรู้ในช่วง post-training ว่า: ทำไมผู้ใช้ถึงซื้อ กลยุทธ์ใดมีประสิทธิภาพจริงและทำไม และกลยุทธ์ใดควรได้รับการเสริมกำลังอย่างต่อเนื่อง

เพื่อให้บรรลุเป้าหมายนี้ สิ่งแรกที่ต้องแก้ไขคือปัญหา “การระบุสาเหตุ”

ดังที่กล่าวไว้ก่อนหน้านี้ จุดยากที่สุดประการหนึ่งของการขายคือ โมเดล很容易被ความสัมพันธ์ทางสถิติเทียมนำทางผิด ปัญหาไม่ได้อยู่ที่โมเดลไม่รู้จักสถิติ แต่อยู่ที่มันไม่รู้ว่า “สาเหตุ” ที่แท้จริงที่ได้ผลคืออะไร

ดังนั้น สิ่งที่ Lingxi สะสมไว้ไม่ใช่ข้อมูลบทสนทนาทั่วไป แต่เป็นชุดข้อมูลห่วงโซ่เต็มรูปแบบที่สมบูรณ์เชิงสาเหตุเท่าที่เป็นไปได้: ผู้ใช้อยู่ในสถานะใดในขณะนั้น เรียกดูหน้าใด AI ใช้กลยุทธ์นี้เพราะอะไร ผู้ใช้ให้ข้อเสนอแนะอะไรตามมา… ข้อมูลเหล่านี้จะถูกบันทึกอย่างสมบูรณ์ และตกผลึกเป็นแผนที่ความรู้เชิงสาเหตุเฉพาะด้าน (domain causal knowledge graph) เพื่อใช้เป็น底盘ข้อเท็จจริงในการ约束ผลลัพธ์ของโมเดล เฉพาะเมื่อ “สาเหตุ” สมบูรณ์เพียงพอ โมเดลจะไม่เรียนรู้แค่ความสัมพันธ์ผิวเผิน

แต่ข้อมูลเป็นเพียงพื้นฐาน สิ่งที่ยากกว่าคือการเปลี่ยนประสบการณ์การขายให้เป็นความสามารถของโมเดลอย่างแท้จริง

พนักงานขายระดับสูงหลายคนอาจไม่สามารถอธิบายได้อย่างแม่นยำว่าทำไมตัวเองถึงเก่ง แต่พวกเขามักจะรู้ว่า: ควรเดินหน้าในสถานการณ์ใด ควรเปลี่ยนหัวข้อในสถานการณ์ใด และในสถานการณ์ใดที่ความกังวลที่แท้จริงของผู้ใช้ไม่ได้ถูกพูดออกมา สิ่งที่ Lingxi ทำคือ การแยกประสบการณ์ที่เดิมอยู่ในสมองมนุษย์ออกเป็นตรรกะเชิงสาเหตุของ “การระบุสถานะผู้ใช้ — การเลือกกลยุทธ์ — การ反馈ผลลัพธ์” จากนั้นจึงตกผลึกเข้าไปในโมเดลผ่าน post-training วิธีการ “ตรรกะเชิงสาเหตุ” นี้ทำงานร่วมกับ “สถิติเชิงสาเหตุ” ทำให้ผลลัพธ์ของโมเดลเชื่อถือได้มากขึ้น ทำให้โมเดลรู้ว่าอะไรควรได้รับรางวัล อะไรควรถูกลงโทษ และกลยุทธ์ใดที่ควรค่าแก่การขยายผลอย่างต่อเนื่องด้วยการเรียนรู้แบบเสริมกำลัง

นอกจากนี้ การ推理เชิงตรงกันข้ามกับข้อเท็จจริง (counterfactual reasoning) ก็มีบทบาทสำคัญเช่นกัน ระบบไม่เพียงบันทึก “ทำอะไรไป” แต่ยังประเมิน “ถ้าไม่ได้ทำจะเกิดอะไรขึ้น” — สำหรับทุกครั้งที่ไม่มีการปิดการขาย ระบบจะทบทวน: เช่น เมื่อแนะนำประกันภัยให้พ่อแม่มือใหม่ ถ้าตอนนั้นไม่ได้พูดถึงความคุ้มค่าเงิน แต่คุยเรื่องช่องว่างความคุ้มครองของลูกต่อไป อัตราการแปลงจะคาดการณ์ได้เท่าไหร่? ความสามารถในการดึงความรู้จาก “สิ่งที่ไม่ได้เกิดขึ้น” นี้ ทำให้โมเดลยังคงเรียนรู้ได้อย่างต่อเนื่องแม้ข้อมูลจริงจะ稀疏

เมื่อความสามารถเหล่านี้ถูกสร้างขึ้น วิวัฒนาการอัตโนมัติของระบบก็เริ่มทำงานจริงๆ

เนื่องจาก Lingxi เรียกเก็บเงินตามผลลัพธ์อยู่แล้ว โดยธรรมชาติแล้วมันจะได้รับวงจร反馈ที่ตรงที่สุด กลยุทธ์ใดนำมาซึ่งการแปลงที่สูงขึ้น ผู้ใช้ใดจะ流失ที่จุดใด วิธีการแทรกแซงใดที่จริงๆ แล้วให้ผลตรงกันข้าม ระบบสามารถประเมิน ระบุสาเหตุ และปรับกลยุทธ์ในสภาพแวดล้อมทางธุรกิจจริงได้อย่างต่อเนื่อง

ในขณะเดียวกัน กฎทางธุรกิจใหม่ กรณีความสำเร็จและบทเรียนความล้มเหลว ก็จะถูกแปรรูปเป็นชิ้นส่วนความรู้เชิงสาเหตุที่มีโครงสร้างอย่างต่อเนื่อง และตกผลึกกลับเข้าไปในโมเดลและแผนที่ความรู้ เมื่อขนาดบริการขยายใหญ่ขึ้น การสะสมความเข้าใจผู้ใช้ การเลือกกลยุทธ์ และความสามารถในการส่งมอบของระบบก็จะลึกซึ้งยิ่งขึ้น ในที่สุดก็形成ระบบ post-training ที่ปรับปรุงตนเองและวิวัฒนาการตนเองอย่างต่อเนื่อง

ดังนั้น อุปสรรคของ Lingxi โดยพื้นฐานแล้วไม่ใช่เทคโนโลยีจุดใดจุดหนึ่ง แต่เป็นวงล้อที่เสริมกำลังตนเองอย่างต่อเนื่อง: ข้อมูลที่สมบูรณ์เชิงสาเหตุ การทำให้ know-how ทางธุรกิจเป็น AI และการ迭代อย่างต่อเนื่องในสภาพแวดล้อมทางธุรกิจจริง ทั้งสามสิ่งนี้ประสานกัน ในที่สุดก็形成ระบบ post-training ที่ยิ่งวิ่งยิ่งเร็ว

และสิ่งที่支撑วงล้อนี้ให้หมุนต่อไปคือทีม post-training ที่ยอดเยี่ยม นอกเหนือจากวิศวกรอัลกอริทึมจากมหาวิทยาลัยชั้นนำและบริษัทใหญ่แล้ว Lingxi ยังดึงดูดผู้เชี่ยวชาญด้านการขายที่深耕ในอุตสาหกรรมมานานกว่าสิบปีมาเป็นเวลานาน พวกเขาไม่ได้มีส่วนร่วมแค่ “การ标注ข้อมูล” แต่ยังช่วยระบบตอบคำถามที่ยากกว่า: ความสามารถที่แท้จริงและมีประสิทธิภาพของพนักงานขายระดับสูง ควรถูก AI เข้าใจ แยกแยะ และทำซ้ำได้อย่างไร

RaaS: การกลับคืนสู่คุณค่าของ AI

เมื่อเราดึงมุมมองกลับมาจากรายละเอียดทางเทคนิคที่เฉพาะเจาะจง จะพบว่าการสำรวจของ Sierra และ Lingxi กำลังตอบคำถามพื้นฐานยิ่งกว่าของอุตสาหกรรม AI: AI ควรสร้างคุณค่าได้อย่างไร และควรถูกกำหนดราคาอย่างไร?

ในช่วงสองปีนี้ แนวโน้มหนึ่งเริ่มชัดเจนขึ้นเรื่อยๆ: อุปสรรคของเครื่องมือจุดเดียวกำลังถูกทำลายอย่างรวดเร็ว การปรากฏตัวของผลิตภัณฑ์ Agent อย่าง Claude Code ทำให้เครื่องมือเฉพาะทางหลายอย่างกลายเป็นสิ่งที่ “สร้างเมื่อใช้ ใช้แล้วทิ้ง” คุณค่าของเครื่องมือเองกำลังถูกเจือจางในอัตราที่เห็นได้ชัด แต่ในขณะเดียวกัน คุณค่าของอีกสิ่งหนึ่งกลับเพิ่มสูงขึ้น: บริการที่ทำงานให้เสร็จและทำให้ดีจริงๆ

เหตุผลง่ายมาก เครื่องมือเป็นเพียงค้อนในกระบวนการ คุณซื้อค้อนมา ก็ต้องตอกตะปูเอง ถ้าตอกเบี้ยว ตอกผิด ความรับผิดชอบก็อยู่ที่คุณ แต่บริการส่งมอบคือ “การตอกตะปูให้ดี” เอง — ผลลัพธ์แน่นอน ความเสี่ยงถูกโอนย้าย

นี่คือสิ่งที่ผู้คนคาดหวังให้ AI ทำได้จริงตั้งแต่第一天ที่มันถือกำเนิด — กลายเป็นแรงงานดิจิทัลที่สามารถรับผิดชอบ KPI ได้อย่างอิสระ ใครก็ตามที่ทำสิ่งนี้ได้จริง ตลาดที่พวกเขาจะได้รับ จะใหญ่กว่าซอฟต์แวร์แบบดั้งเดิมเป็นเท่าตัว

และสิ่งที่ควรค่าแก่การ关注ใน赛道 RaaS นี้คือ คูเมืองของมันจะไม่ถูก削弱ด้วยการอัปเกรดโมเดลพื้นฐาน แต่กลับ可能ลึกขึ้นเรื่อยๆ

เพราะ SaaS ขายเครื่องมือ ลูกค้าวันนี้ซื้อได้ พรุ่งนี้ก็เปลี่ยนได้ แต่เมื่อ RaaS เริ่มส่งมอบผลลัพธ์แบบ end-to-end มันจะค่อยๆ ฝังตัวเข้าไปในกระบวนการทางธุรกิจที่แท้จริงของลูกค้า ที่สำคัญกว่านั้น ทุกครั้งที่ส่งมอบจริง จะตกตะกอนข้อมูลผลลัพธ์ใหม่ know-how ในอุตสาหกรรม ประสบการณ์กลยุทธ์ และตรรกะการปฏิบัติตามกฎระเบียบ สิ่งเหล่านี้จะไม่ถูกรีเซ็ตเป็นศูนย์เพียงเพราะโมเดลพื้นฐานถูกอัปเกรด ตรงกันข้าม ยิ่งโมเดลแข็งแกร่ง คุณค่าของสิ่งเหล่านี้ก็จะถูกขยายมากขึ้น

นอกจากนี้ยังมีการเปลี่ยนแปลงที่容易被มองข้าม: เมื่อลูกค้าเริ่มชินกับการ “จ่ายตามผลลัพธ์” พวกเขาจะกลับมาใช้มาตรฐานนี้ไป要求ผู้ให้บริการ AI ทุกรายที่ตามมา

นี่คือสาเหตุที่ Lingxi กล่าวว่า ลูกค้ารายใหญ่บางรายของพวกเขาเริ่มไม่สนใจอีกต่อไปว่า “คุณใช้โมเดลไหน” “พารามิเตอร์เท่าไหร่” แต่ถามตรงๆ ว่า: “คุณสามารถเพิ่มอัตราการแปลงได้จริงหรือไม่?” เมื่ออุตสาหกรรมเริ่มประเมิน AI ด้วยผลลัพธ์而不是ฟังก์ชัน ตรรกะการแข่งขันทั้งหมดจะถูก改写อย่างสิ้นเชิง

ดังนั้น ผู้ที่มาก่อนจริงๆ ไม่ได้ครอบครองแค่ช่วงเวลา แต่ครอบครองความสามารถในการกำหนดกฎ

กลับไปที่จุดเริ่มต้นของบทความ สถานการณ์ที่ไร้สาระภายในบริษัทใหญ่ที่疯狂 “เผา token” เพื่อเพิ่มอัตราการใช้ AI โดยพื้นฐานแล้วเผยให้เห็นปัญหาเดียวกัน: คุณค่าของ AI ไม่เคยถูกทำให้เป็นจริงอย่างแท้จริง และสิ่งที่สำคัญจริงๆ ของ RaaS ก็คือมันนำสิ่งนี้กลับมาสู่เส้นทางที่ถูกต้อง

โดยพื้นฐานแล้ว นี่คือการกลับคืนสู่คุณค่า: ให้ AI รับผิดชอบต่อผลลัพธ์อย่างแท้จริง ให้ผลประโยชน์และความเสี่ยงสอดคล้องกัน และให้คำว่า “生产力” กลับมาสู่มาตรวัดที่เรียบง่ายที่สุดในโลกธุรกิจเป็นครั้งแรก — ว่าสามารถทำให้สิ่งต่างๆ สำเร็จได้หรือไม่

รายงานของ Morgan Stanley ที่เผยแพร่เมื่อต้นปี 2026 นิยาม AI ว่าเป็นการปฏิวัติทางเทคโนโลยีครั้งที่หก ประวัติศาสตร์ของการปฏิวัติทางเทคโนโลยีห้าครั้งก่อนหน้านี้ได้พิสูจน์ซ้ำแล้วซ้ำเล่า: ผู้ให้บริการโครงสร้างพื้นฐานที่ขาย “พลั่ว” ในระยะสั้นได้กำไรก่อน แต่คุณค่าสูงสุดในระยะยาวกลับตกตะกอนอยู่ในชั้นแอปพลิเคชันและผู้ใช้ เนื่องจากความ滞后ของ红利ด้านผลผลิตนี้ ผลกระทบที่实质ของ AI ต่อผลผลิตอาจไม่ปรากฏชัดเจนจนกระทั่งหลังปี 2030 เมื่อฟองสบู่จางลงและเสียงรบกวน消散ไป บริษัทที่สามารถ穿越วงจรได้อย่างแท้จริงคือบริษัทที่กล้ารับผิดชอบต่อผลลัพธ์และเปลี่ยนเทคโนโลยีให้เป็นผลผลิต

นี่คือรากฐานที่ทำให้โมเดล RaaS ได้รับความเชื่อมั่นในตลาดระยะยาว ไม่ว่าจะเป็น Lingxi หรือ Sierra การปฏิบัติของพวกเขาไม่ได้หยุดอยู่แค่ระดับแนวคิด แต่กำลังทำซ้ำตรรกะทางธุรกิจที่ได้รับการพิสูจน์แล้วหลายครั้งในประวัติศาสตร์: ใครก็ตามที่สามารถใช้คุณค่าของ “เครื่องมือ” ได้อย่างสูงสุดและส่งมอบผลลัพธ์ที่สมบูรณ์อย่างแท้จริง ใครผู้นั้นจะ主导โครงสร้างของทศวรรษหน้า