ปัญหาการดึงมูลค่าของ AI

AI อาจเป็นหนึ่งในเทคโนโลยีที่สร้างมูลค่าได้ทรงพลังที่สุดในประวัติศาสตร์ แต่ก็ยังมีปัญหาในการดักจับมูลค่า (value capture)

Alex Karp กล่าวว่าบริษัทที่ซื้อ AI เสี่ยงที่จะรั่วไหลทรัพย์สินทางปัญญาของตนไปยัง Anthropic และ OpenAI ขณะที่ Satya Nadella เรียกคำตอบนี้ว่า อธิปไตย (sovereignty): บริษัทที่ยังคงควบคุมสติปัญญาของตนเองแทนที่จะเช่ากลับมาทีละคำถาม พวกเขากำลังพูดในสิ่งที่คล้ายกัน แต่สื่อสารต่างกันเล็กน้อย: สินทรัพย์ที่หายากไม่ได้มีเพียงแค่โมเดลอีกต่อไป แต่ยังรวมถึงบริบทและความรู้เชิงปฏิบัติ (know-how) ที่โมเดลเรียนรู้จากรูปแบบรวมของข้อมูลทั่วทั้งบริษัทและคู่แข่งของคุณ

ยกตัวอย่างอุตสาหกรรมประกันภัย ลองนึกภาพ State Farm, Progressive, Allstate, Travelers, Chubb, AIG, Liberty Mutual และบริษัทประกันขนาดเล็กอีกกว่า 100 ราย ต่างใช้โมเดลเดียวกันในการดำเนินการเคลaim ทุกบริษัทป้อนข้อมูลบริบทเดียวกันให้กับโมเดล: คำอธิบายอุบัติเหตุ รูปถ่าย ประมาณการซ่อม บันทึกของผู้ปรับสินไหม การอนุมัติที่ใกล้เคียงจุดวิกฤต ธงแจ้งเตือนการทุจริต การแทนที่ (override) การจ่ายเงิน การอุทธรณ์ และผลลัพธ์การเรียกคืน

ในตอนแรก สิ่งนี้มีประโยชน์อย่างเห็นได้ชัด โมเดลดำเนินการเคลaim ได้เร็วขึ้น ชี้กรณีที่น่าสงสัย เรียนรู้ว่าประมาณการซ่อมแบบใดที่สูงเกินจริง รูปแบบทางการแพทย์แบบใดที่ดูผิดปกติ และการแทนที่ใดที่กลายเป็นขาดทุนในภายหลัง

แต่ถ้าโมเดลเดียวกันเรียนรู้จากทุกบริษัท การตัดสินใจในการเคลaimของคุณยังคงเป็นข้อได้เปรียบของคุณหรือไม่? ข้อยกเว้นในการรับประกันภัยที่ปกป้องอัตราส่วนการขาดทุนของคุณกลายเป็นเกณฑ์มาตรฐาน รูปแบบการทุจริตที่ทีมของคุณจับได้ตั้งแต่เนิ่นกลายเป็นฟีเจอร์ที่ขายกลับคืนสู่ตลาด

สังเกตสิ่งที่คุณรักษาไว้และสิ่งที่คุณสูญเสีย บริษัทประกันยังคงเป็นเจ้าของความเสี่ยง ความสัมพันธ์กับลูกค้า หน่วยงานกำกับดูแล และอัตราส่วนการขาดทุน โมเดลที่ใช้ร่วมกันกลับเป็นเจ้าของเส้นโค้งการเรียนรู้ (learning curve) มากขึ้นเรื่อยๆ ความผิดพลาด การแทนที่ และสัญชาตญาณในการเคลaimที่ได้มาอย่างยากลำบากของคุณกลายเป็นสัญญาณฝึกสอน (training signal)

สัญชาตญาณนั้นเป็นส่วนหนึ่งของทรัพย์สินทางปัญญาที่แท้จริงของคุณ ไม่ใช่ประเภทที่จดทะเบียน เช่น สิทธิบัตรและแบรนด์ แต่เป็นประเภทที่ใช้ปฏิบัติการ: วิธีที่พนักงานของคุณกำหนดราคาความเสี่ยง จับการทุจริต อ่านความคลุมเครือ และใช้ทุกสิ่งที่บริษัทรู้ โมเดลสามารถทำลายปราการ (moat) หนึ่งของคุณได้โดยทำให้การตัดสินใจที่หายากนั้นสามารถทำซ้ำได้

นี่คือเหตุผลที่องค์กรที่มุ่งเน้นเฉพาะการปกป้องข้อมูลกำลังคิดแคบเกินไป สินทรัพย์ที่ลึกซึ้งกว่าคือบริบทและความรู้เชิงปฏิบัติของสถาบัน: การตัดสินใจในหัวของผู้คนเกี่ยวกับงานวิชาชีพที่ยาก

ห้องปฏิบัติการเข้าใจสิ่งนี้ มีรายงานว่า OpenAI และ Anthropic กำลังขยายข้อมูล 10 เท่าทุกปี และใช้เงินหลายพันล้านในการระดมผู้เชี่ยวชาญเฉพาะด้านเพื่อสร้างงาน (tasks) ที่ฝึกอบรมเอเยนต์ (agents) งานคือผลงานของผู้เชี่ยวชาญที่ถูกบรรจุเป็นสิ่งที่โมเดลสามารถเรียนรู้ได้: พรอมต์ (prompt) สภาพแวดล้อม การกระทำ เกณฑ์การให้คะแนน (rubric) ตัวตรวจสอบ (verifier) และคะแนน

ต่อไปมาดูวิทยาศาสตร์ชีวภาพ Anthropic ได้ทำให้ทิศทางของตนชัดเจน: เครื่องมือสำหรับนักวิจัยในวันนี้ การค้นพบอัตโนมัติมากขึ้นในอนาคต Claude for Life Sciences และ Claude Science นำวรรณกรรม เอเยนต์ สิ่งประดิษฐ์ทางวิทยาศาสตร์ (scientific artifacts) ความสามารถในการทำซ้ำ (reproducibility) และการคำนวณ (compute) มาไว้ใน 'เวิร์กเบนช์' (workbench) เดียว หากบริษัทเทคโนโลยีชีวภาพหลายพันแห่งใช้ระบบนั้นเกี่ยวกับเป้าหมาย (targets) การทดสอบ (assays) ความปลอดภัย จุดยุติ (endpoints) และการตัดสินใจหยุดหรือดำเนินต่อ (kill-or-continue) ฝันร้ายไม่ใช่ว่า Anthropic เห็นการค้นพบเฉพาะของบริษัทชีวเทคแห่งใดแห่งหนึ่ง แต่คือว่า Anthropic เรียนรู้ว่าคำถามและการตัดสินใจในการค้นหายาที่สำคัญมีลักษณะอย่างไรจากบริษัทหลายพันแห่ง ขณะเดียวกันก็เข้าสู่พื้นที่นั้นด้วย

ผลิตภัณฑ์ฝั่งบริษัท (first-party products) คือวิธีการดักจับ 'การเรียนรู้' นี้ในระดับใหญ่ ในด้านประกันภัย โมเดลจะละลายความได้เปรียบของคุณให้กลายเป็นพื้นฐานของอุตสาหกรรม ในด้านเภสัชกรรม มันสามารถทำเช่นนั้นแล้วแข่งขันกับคุณโดยใช้สิ่งที่หลายคนสอนมัน นอกจากนี้ยังทำให้ปราการที่แท้จริงของคุณเสี่ยงมากขึ้น (รายละเอียดเพิ่มเติมภายหลัง)

ผมคิดว่าไม่มีใครโต้แย้งความจริงที่ว่า AI สร้างมูลค่าโดยทำให้ความรู้เชิงปฏิบัติส่วนตัวสามารถใช้งานได้ในระดับใหญ่ แต่มันก็ทำให้ 'ความรู้เชิงปฏิบัติ' นั้นหายากน้อยลงด้วย หากทุกบริษัทประกัน ธนาคาร หรือเทคโนโลยีชีวภาพสามารถเข้าถึงความสามารถเดียวกันผ่านโมเดลเดียวกัน สิ่งที่เคยเป็นความได้เปรียบของคุณจะกลายเป็นพื้นฐานของอุตสาหกรรม มูลค่าไม่ได้หายไป แต่มันถูกแบ่ง: ลูกค้าได้ราคาที่ต่ำกว่าหรือบริการที่ดีขึ้น ผู้ขายโมเดลได้การเรียนรู้ และคุณได้รับผลผลิตที่เพิ่มขึ้นล่วงหน้า (front-loaded productivity gain) ซึ่งการแข่งขันจะบั่นทอนลง

นี่คือสาเหตุที่มูลค่าที่ยั่งยืนเพียงเล็กน้อยยังคงอยู่กับคุณ

1. หากทุกคนมีความได้เปรียบเท่ากัน ลูกค้าจะเป็นผู้รักษาไว้ ลองนึกภาพผู้ผลิตรถยนต์ที่ใช้โมเดลเพื่อเจรจาชิ้นส่วนเซมิคอนดักเตอร์ เรซิน ค่าขนส่ง กำลังการผลิตตามสัญญา และชิ้นส่วนทดแทน ความได้เปรียบคือการซื้อได้ดีกว่าผู้ผลิตรายอื่น: รู้ว่าการขาดแคลนซัพพลายเออร์รายใดเป็นของจริง ใบเสนอราคาใดมีมาร์จิ้นส่วนเกิน และเมื่อใดที่การรักษาอุปทานสำคัญกว่าการบีบราคา หากผู้ผลิตทุกรายดำเนินการจัดซื้อผ่านโมเดลเดียวกัน โมเดลไม่ได้แค่ลดต้นทุน แต่มันทำให้การซื้อ 'คล้ายคลึง' มากขึ้น ผู้ซื้อที่ดีที่สุดจะสูญเสียส่วนต่างระหว่างกระบวนการของตนกับของคนอื่น ซัพพลายเออร์ก็ปรับตัวเช่นกัน: เมื่อผู้ซื้อทุกรายมาพร้อมกับการวิเคราะห์ต้นทุนที่ควรจะเป็น (should-cost analysis) แผนที่แหล่งสำรอง (alternate-source map) และสคริปต์การเจรจาเดียวกัน กลยุทธ์ก็กลายเป็นสิ่งที่ถูกคิดราคาไว้แล้ว
2. โมเดลยังดักจับสิ่งที่ทบทวีคูณ (compounds) ด้วย ลองนึกภาพบริษัทเทคโนโลยีชีวภาพที่จำกัดทรัพยากร 1,000 แห่งที่ใช้ Claude for Life Sciences เพราะพวกเขาไม่มีแพลตฟอร์มภายในของบริษัทยาขนาดใหญ่ แต่ละบริษัทเป็นเจ้าของสารประกอบ (compound) ต้นทุนห้องปฏิบัติการ โปรแกรมที่ล้มเหลว และเส้นทางการกำกับดูแล แต่เวิร์กเบนช์สามารถเห็นรูปแบบข้ามทั้งหมด: สัญญาณพิษ (tox signal) ใดที่ฆ่าโปรแกรม การทดสอบใดที่ให้ความมั่นใจที่ผิด จุดยุติใดที่อ่อนแอ และกลุ่มผู้ป่วยย่อยใดที่ไม่เหมาะสม หากมันนั่งข้ามบริษัทชีวเทคและเภสัชกรรมมากพอ มันจะเห็นรูปแบบความล้มเหลวที่ไม่มีบริษัทใดเห็นได้ ในขณะที่ความได้เปรียบของข้อมูลอยู่ที่ความพิเศษ (exclusivity) เวิร์กเบนช์ที่ใช้ร่วมกันทำลายความพิเศษด้วยการรวมกลุ่ม (aggregation) และเนื่องจาก Anthropic ตั้งใจที่จะพัฒนายาของตนเอง เครื่องมือที่คุณนำมาใช้เพื่อประสิทธิภาพจึงถูกสร้างขึ้นโดยหน่วยงานที่เป้าหมายสุดท้ายอาจจะทำสิ่งที่คุณทำ โดยใช้สิ่งที่มันเรียนรู้จากการดูภาคสนามทำมัน
3. คุณบริจาคสิ่งที่พิเศษและได้รับค่าเฉลี่ย คุณบริจาคการตัดสินใจ ข้อมูล บริบท และการตัดสินใจที่แตกต่าง: รูปแบบการทุจริตที่ทีมของคุณเพียงทีมเดียวจับได้ การบลัฟของซัพพลายเออร์ที่ผู้ซื้อของคุณเพิกเฉย การเทรดที่ผู้จัดการพอร์ต (PM) ของคุณหยุดก่อนที่ตลาดจะเห็น คุณได้รับส่วนผสมของทุกคน Citadel จะไม่มีวันต้องการให้ทุกพอร์ต (pod) ในโลกได้รับการฝึกอบรมตามเกณฑ์การหยุด (kill criteria) ของ PM ที่ดีที่สุด สำหรับบริษัทที่ดีที่สุด นั่นคือการเทรดที่ขาดทุน: คุณมอบการตัดสินใจที่เหนือกว่าค่าเฉลี่ยและได้รับค่าเฉลี่ย
4. สิทธิ์ในข้อมูลไม่ใช่สิทธิ์ในการเรียนรู้ บริษัทต่างๆ รู้วิธีการเจรจาเรื่องการเก็บรักษา การรักษาความลับ ความปลอดภัย การควบคุมการเข้าถึง และการเลือกไม่เข้าร่วมการฝึกอบรม (training opt-outs) แต่คำถามที่สำคัญกว่าคือใครเป็นเจ้าของการตัดสินใจที่ได้มา: งาน วงจรป้อนกลับ (feedback loops) การประเมิน (evals) ร่องรอยเวิร์กโฟลว์ (workflow traces) การแก้ไข รูปแบบความล้มเหลว รูปแบบการตัดสินใจ ทักษะของเอเยนต์ และข้อมูลเชิงลึกของผลิตภัณฑ์ เมื่อบริษัทโมเดลรู้ปัญหาที่ยากแล้ว มันก็สามารถได้รับตรรกะของงานด้วยวิธีอื่น มันสามารถจัดหาผู้เชี่ยวชาญเพื่อสร้างกรณีที่ทดสอบการตัดสินใจเดียวกัน: โมเดลควรขึ้นอัตรา ปรับการรับประกันภัยให้เข้มงวดขึ้น ชี้ธงการทุจริต ยกเว้นกลุ่ม หรือยอมรับอัตราส่วนการขาดทุนที่แย่ลงเพื่อรักษาลูกค้าที่ทำกำไรหรือไม่? เหตุผลกลายเป็นสิ่งที่ฝึกอบรมได้
5. ผลประโยชน์มาก่อน; การพึ่งพาทบทวีคูณ การนำไปใช้ครั้งแรกสร้างการกระโดดของผลผลิตจริง แต่เมื่อคู่แข่งใช้โมเดลเดียวกัน การกระโดดนั้นกลายเป็นพื้นฐาน และสิ่งที่เหลืออยู่ไม่ใช่ความได้เปรียบของคุณ แต่เป็นการพึ่งพาของคุณต่อการอัปเกรดครั้งถัดไป ทุกคนจะได้รับประโยชน์แรกเริ่ม แต่ผู้ขายจะได้รับเส้นโค้งการเรียนรู้ที่เกิดขึ้นซ้ำ ปีแรก โมเดลในโรงงานช่วยลดเวลาหยุดทำงาน แต่แล้วคู่แข่งทุกรายก็มีเวิร์กโฟลว์การบำรุงรักษาเชิงคาดการณ์ (predictive maintenance) แบบเดียวกัน และผู้ขายเป็นเจ้าของสัญชาตญาณกระบวนการที่คุณต้องพึ่งพาในตอนนี้

ทั้งหมดนี้ไม่ได้หมายความว่าไม่มีการดักจับมูลค่าเลย ผู้บุกเบิก (first mover) จะได้กำไรจริงในช่วงเวลาก่อนที่คู่แข่งจะนำไปใช้ ปัญหาเดียวคือมูลค่าที่ยั่งยืนตกเป็นของใครก็ตามที่เป็นเจ้าของการเรียนรู้ และโดยค่าเริ่มต้นแล้ว นั่นไม่ใช่คุณ ซึ่งทำให้ทุกอย่างกลายเป็นการตัดสินใจทีละเวิร์กโฟลว์ ทีละงาน ในที่ที่งานของคุณเป็นงานทั่วไป ให้รวมมันและรับผลประโยชน์ เพราะที่นั่นคุณกำลังปกป้องความธรรมดา ในที่ที่การตัดสินใจของพนักงานของคุณคือผลิตภัณฑ์ ให้เก็บมันไว้ห่างจากโมเดลที่ใช้ร่วมกัน

นี่คือวิธีที่ง่ายที่สุดในการมองมัน ลองนึกถึง TikTok, YouTube และ Google: คุณคิดว่าคุณเป็นลูกค้า แต่คุณคือวัตถุดิบ ทุกวิดีโอที่คุณดูจบสอนอัลกอริทึมว่าอะไรได้ผล และการเรียนรู้นั้นคือผลิตภัณฑ์ที่แท้จริง ขายให้กับผู้โฆษณารายถัดไป และใช้เพื่อดึงดูดผู้ใช้รายถัดไป

นั่นคือวิธีที่ CEO ควรมอง Anthropic และ OpenAI: TikTok สำหรับข้อมูลองค์กร แต่ฟีดคืองานของคุณ และสัญญาณการมีส่วนร่วม (engagement signal) คือการตัดสินใจของคุณ ผู้ให้บริการโมเดลคือเครื่องจักรนั้นที่มุ่งเป้าไปที่ความรู้เชิงปฏิบัติที่มีราคาแพงที่สุดในบริษัทของคุณ ผู้เชี่ยวชาญของคุณปรากฏตัวเพื่อขอความช่วยเหลือเกี่ยวกับการเคลaim การเทรด ข้อสัญญา ซัพพลายเออร์ การทดลอง การประเมินความเสี่ยง และปัญหาการผลิต ทุกความลังเล การแทนที่ การยกระดับ การอนุมัติ การปฏิเสธ และการมองครั้งที่สอง สอนโมเดลว่าบริษัทของคุณคิดอย่างไร

บน TikTok อย่างน้อยผู้สร้างก็ได้รับเงิน ที่นี่ คุณจัดหาข้อมูล บริบท และการเรียนรู้ ('ความรู้เชิงปฏิบัติ') จากข้อมูล และแพลตฟอร์มสามารถขายผลิตภัณฑ์สำเร็จรูปกลับคืนสู่อุตสาหกรรมทั้งหมดของคุณ หรือในที่สุดเลือกที่จะแข่งขันกับคุณในกรณีของเภสัชกรรม

ดังนั้นคำถามสำหรับผู้บริหารจึงง่าย: คุณต้องการ TikTok ของบริษัทคุณเอง หรือคุณต้องการใช้แบบที่ใช้ร่วมกัน? คุณอาจต้องใช้ทั้งสองทาง

ก่อนที่จะนำเวิร์กโฟลว์ที่มีมูลค่าสูงใดๆ ไปไว้ใน Anthropic, OpenAI หรือโมเดลที่ใช้ร่วมกันอื่นๆ ให้ถามคำถามหนึ่ง: หากคู่แข่งทุกรายเรียนรู้ว่าเราจัดการการตัดสินใจนี้อย่างไร เราจะยังดีกว่าพวกเขาหรือไม่?