- Sự trỗi dậy của AI dựa trên LLM và workflow agent đang phá vỡ tận gốc logic kinh tế của SaaS, đồng thời việc chi phí intelligence giảm mạnh đang tái cấu trúc dòng chảy giá trị trong thị trường công nghệ doanh nghiệp
- Chỉ riêng lợi thế chi phí của dịch vụ AI là không đủ để xây dựng hào lũy bền vững; các startup phụ thuộc vào hạ tầng LLM sẽ đối mặt với bài toán người điều phối taxi — một cấu trúc đứng trên biên lợi nhuận đi vay
- Theo Jevons Paradox, tổng chi tiêu cho AI sẽ bùng nổ mạnh mẽ, nhưng giá trị đó không quay trở lại với toàn bộ những người chơi hiện có trên thị trường, mà đi kèm với sự tái cấu trúc quy mô lớn của chuỗi giá trị
- Những công ty chiến thắng trong Vertical AI không phải là nhà cung cấp dịch vụ bên ngoài, mà là những công ty xây dựng hệ thống được nhúng sâu vào vận hành của khách hàng — trọng lực dữ liệu, hiệu ứng mạng và khóa chặt nền tảng là then chốt
- Sau khi dùng chiến lược giá rẻ như một mũi nhọn có chủ đích để giành vị thế trên thị trường, việc chuyển hóa thành một nền tảng intelligence tổng hợp là chiến lược bền vững duy nhất
Chuyển dịch cấu trúc: từ SaaS sang kỷ nguyên AI agent
- Thị trường công nghệ doanh nghiệp đang trải qua một biến đổi cấu trúc tương đương với quá trình chuyển từ on-premise sang cloud
- Trong khoảng 20 năm, mô hình SaaS đã tạo ra hàng nghìn tỷ USD vốn hóa thị trường bằng cách lấy doanh thu lặp lại, cấp phép theo số ghế và mức độ tương tác của người dùng làm chỉ dấu đại diện cho giá trị
- Sự trỗi dậy của AI dựa trên LLM và workflow agent đang phá vỡ logic kinh tế của SaaS
- Động lực cốt lõi là chi phí intelligence giảm mạnh — với cùng một mức intelligence, chi phí đang giảm rất nhanh
- Tuy nhiên, do độ phức tạp của suy luận tăng lên, tổng chi tiêu token vẫn tiếp tục tăng (dù đơn giá token giảm)
- Với cạnh tranh khốc liệt giữa các lab có tiềm lực tài chính như OpenAI, Google, Anthropic và việc hiệu quả phần cứng/phần mềm tiếp tục cải thiện, xu hướng này khó có khả năng chậm lại
Áp lực giảm phát của dịch vụ AI
- Khi agent thay thế các dịch vụ thủ công truyền thống, điều xảy ra không phải là giữ nguyên mức chi tiêu đó, mà là hàng hóa hóa (commoditization) dịch vụ
- Những dịch vụ từng có giá 100.000 USD vài năm trước cuối cùng sẽ chỉ còn bằng một phần nhỏ của con số đó
- AI giá rẻ tạo ra áp lực giảm phát liên tục đối với các sản phẩm Vertical AI
- Những tính năng như trích xuất dữ liệu từ tài liệu, trả lời cuộc gọi đến, hay soạn thảo báo cáo tuân thủ hiện có thể là mũi nhọn rất tốt vì hạ tầng và bí quyết còn khan hiếm và tỷ lệ chấp nhận còn thấp, nhưng sớm muộn cũng sẽ trở thành điều kiện tối thiểu để tham gia cuộc chơi
- Trong mỗi danh mục đều đã có nhiều startup được tài trợ tốt và đang tăng trưởng, nên biên lợi nhuận vượt trội rốt cuộc sẽ bị cạnh tranh bào mòn
- Đến lúc đó, những startup không kịp xây hào lũy sẽ bị đào thải
Dịch vụ AI vs. phần mềm: mô thức cung ứng dịch vụ
- Khi chi phí biên của intelligence tiến gần về 0, giá trị cốt lõi của công nghệ doanh nghiệp chuyển từ công cụ hỗ trợ lao động sang cung cấp kết quả thay thế lao động
- Vertical AI có thể xử lý quy trình end-to-end nhiều hơn so với chỉ Vertical SaaS, nên giá trị cho khách hàng và mức sẵn sàng chi trả tăng mạnh, đồng thời có thể tiếp cận những ngân sách lớn hơn nhiều
- Tuy vậy, tác giả không đồng tình với quan điểm chủ lưu hiện nay rằng mô thức chi phối của phần mềm AI sẽ là cung ứng dịch vụ — tức mối quan hệ với khách hàng giống một nhà cung cấp bên ngoài hơn là một nền tảng nội bộ
TAM mở rộng không có nghĩa mọi startup đều thắng
- Chi phí intelligence lao dốc giúp TAM của dịch vụ AI mở rộng mạnh, nhưng cơ hội tăng thêm này không nhất thiết thuộc về đúng cùng một điểm trong chuỗi giá trị
- Ví dụ spreadsheet và ngành kế toán: sau khi Microsoft Excel ra mắt (1987), số nhân sự ghi sổ/kế toán viên văn phòng giảm từ khoảng 2 triệu xuống 1,5 triệu, nhưng số kế toán viên/kiểm toán viên tăng từ khoảng 1,3 triệu lên 1,5 triệu, còn số nhà phân tích quản trị/quản lý tài chính tăng từ khoảng 600.000 lên 1,5 triệu (theo nghiên cứu của Morgan Stanley)
- Spreadsheet không chỉ tự động hóa ghi sổ, mà còn đẩy giá trị lên cao hơn trên đường cong kỹ năng — từ lao động lặp lại sang phân tích bậc cao
- Ví dụ Uber và gọi xe: không chỉ có tái phân bổ trong chuỗi giá trị mà còn xảy ra xóa sổ toàn bộ tầng trung gian
- Thị trường taxi toàn cầu tăng từ khoảng 69 tỷ USD năm 2019 lên khoảng 271 tỷ USD năm 2024, trong khi thị trường taxi truyền thống trước Uber chỉ ở quy mô 30~50 tỷ USD
- Tổng chi tiêu cho việc “gọi xe để đi đâu đó” đã tăng khoảng 5~8 lần trong 15 năm, còn giá mỗi chuyến giảm còn khoảng một nửa (sau thời kỳ được VC trợ giá thì bật tăng lại khoảng 10~20%)
- Trong lịch sử, doanh thu thuộc về chủ sở hữu (vừa vận hành vừa sở hữu, chủ sở hữu medallion ở NYC, v.v.), môi giới (hãng taxi, điều phối viên, garage), và tài xế làm thuê
- Phần lớn các bên liên quan này đã bị phá hủy, còn doanh thu của agency bị Uber và Lyft hấp thụ
- Giá medallion tại NYC đã lao dốc từ đỉnh khoảng 1 triệu USD năm 2013 xuống dưới 100.000 USD hiện nay (dù có dấu hiệu phục hồi phần nào nhờ can thiệp của chính phủ)
Jevons Paradox và AI doanh nghiệp
- Chính nghịch lý Jevons đó hiện cũng đang diễn ra trong AI doanh nghiệp
- Khi giữ cố định chất lượng mô hình, ngữ cảnh và độ phức tạp suy luận, chi phí cho mỗi đơn vị intelligence đang lao dốc
- Chi phí suy luận ở mức GPT-3.5 đã giảm hơn 280 lần từ 11/2022 đến 10/2024
- Năm 2023, việc dùng LLM để đọc và phân loại toàn bộ email đến của một doanh nghiệp tầm trung còn là gánh nặng chi phí; nay ở mức khoảng $0.40 cho mỗi triệu token thì gần như không đáng kể
- Với công cụ AI coding, hiện 41% mã nguồn được tạo bởi AI hoặc có AI hỗ trợ — càng làm rào cản gia nhập giảm thêm
- Tổng chi tiêu cho AI lại tăng bùng nổ: doanh thu AI doanh nghiệp từ 1,7 tỷ USD năm 2023 lên 37 tỷ USD năm 2025, tức tăng 22 lần trong 2 năm
- Chi tiêu AI toàn cầu được dự báo vượt 2,5 nghìn tỷ USD vào năm 2026 (IDC)
- Gartner đã đẩy sớm hơn 2 năm dự báo về thời điểm AI chiếm 1/3 tổng chi tiêu CNTT
- Câu hỏi cốt lõi không phải là chiếc bánh có to lên hay không, mà là ai sẽ được ăn
Bài toán người điều phối taxi
- Có một lập luận phổ biến cho rằng AI Services (“Service-as-Software”) là mô hình kinh doanh chiến thắng
- Foundation Capital định khung đây là cơ hội 4,6 nghìn tỷ USD: ngân sách IT chỉ chiếm 1~2% GDP, còn lao động và dịch vụ truyền thống chiếm hơn 15%
- Lập luận là nếu AI làm công việc của kế toán, trợ lý pháp lý, hay chuyên viên phân tích tuân thủ, thì có thể định giá theo chi phí đầy đủ (fully-loaded cost) của chính các nhân sự đó
- Nhưng chỉ đơn thuần cung cấp sản phẩm analog như vậy thì không thể giữ được các ngân sách đó trong dài hạn
- Dịch vụ về bản chất là có thể bị hàng hóa hóa
- Phần lớn startup đang tăng trưởng nhờ phân phối phương án thay thế bằng AI lại không sở hữu IP (LLM) tạo ra phần chênh lệch kinh tế đó — các lab mới là bên sở hữu
- Workflow orchestration cơ bản, RAG, hay fine-tuning theo miền không phải là hào lũy bền vững
- Áp dụng bài toán người điều phối taxi vào AI: trước Uber, các đại lý điều phối taxi kiếm biên lợi nhuận từ việc ghép chuyến — họ có một mức phòng thủ nhất định nhờ sự tập trung của cung (mật độ tài xế theo khu vực) và cầu (độ nhận biết tại địa phương)
- Nhưng khi xuất hiện một nền tảng ghép cung-cầu hiệu quả hơn, mở rộng nguồn cung bằng cách đẩy quyền sở hữu xe ra ngoài, và mang lại chi phí thấp hơn cho người dùng, lợi thế cạnh tranh của điều phối viên biến mất
- Điều phối viên thua không phải vì mức take rate của Uber
- Uber lấy trung bình khoảng 30% thu nhập của tài xế, không khác quá nhiều so với tổng mức 30~50% mà các agency taxi truyền thống, bên cho thuê medallion và điều phối viên từng rút ra
- Hào lũy của Uber không nằm ở việc rút ít hơn, mà ở chỗ tích hợp mọi chức năng trung gian như điều phối, thanh toán, ghép nối, uy tín... vào một nền tảng duy nhất sở hữu mạng lưới
- Nếu giá trị chính của một công ty AI Service là “chúng tôi dùng LLM để cung cấp dịch vụ này rẻ hơn”, thì đó chính là một người điều phối đang ngồi trên biên lợi nhuận không thuộc về mình
- Đường chi phí này do các model lab, hyperscaler, nhà sản xuất chip và nhà cung cấp năng lượng kiểm soát
- Khi model rẻ hơn, hoặc đối thủ nối vào cùng API model và phá giá, lợi thế chi phí sẽ tiệm cận về 0
- Hiện trên toàn thế giới có khoảng 35.000 ứng dụng AI wrapper, cường độ cạnh tranh còn cao hơn nhiều so với các thời đại công nghệ trước
- Năng lực cung cấp dịch vụ với chi phí thấp và năng lực giữ được biên lợi nhuận đó là hai chuyện khác nhau — câu hỏi trọng tâm hiện nay là ai có thể bền vững nắm giữ phần thặng dư tiêu dùng sinh ra từ cú sập chi phí intelligence
Tính nhúng sâu và khả năng phòng thủ
- Những công ty có thể nắm giữ và duy trì phần thặng dư là những công ty xây được khả năng phòng thủ vượt lên trên đường chi phí
- Trong công nghệ doanh nghiệp, các nguồn gốc lịch sử của khả năng phòng thủ gồm: chuyên môn miền, tốc độ/thực thi, quan hệ đối tác/tích hợp, trọng lực dữ liệu, thương hiệu/niềm tin, khóa chặt nền tảng
- Ở giai đoạn đầu: chuyên môn miền và tốc độ/thực thi là lợi thế chính, nhưng suy yếu khá nhanh
- Quan hệ đối tác và tích hợp có thể bền hơn, nhưng giảm mức liên quan khi mở rộng quy mô
- Hào lũy cốt lõi nhất ở giai đoạn tăng trưởng là mức sử dụng/vòng lặp dữ liệu
- Một doanh nghiệp Vertical AI có thể phòng thủ ở quy mô lớn cần ít nhất một hoặc nhiều hào lũy như trọng lực dữ liệu, thương hiệu/niềm tin, hoặc khóa chặt nền tảng
- Trục quan trọng nhất để đánh giá một doanh nghiệp Vertical AI không phải là “dịch vụ vs. phần mềm” mà là “nội bộ (internal) vs. bên ngoài (external)”
- “Nội bộ” không nhất thiết có nghĩa là giao diện SaaS truyền thống nơi khách hàng đăng nhập mỗi ngày — sự đồng thuận cũ của ngành rằng giá trị phải gắn trực tiếp với thời lượng gõ phím không còn đúng nữa
- Câu hỏi cốt lõi là: công ty AI đó có được nhúng vào vận hành của khách hàng theo cách khó bị loại bỏ về mặt cấu trúc hay không?
- Công ty đó có nắm dữ liệu độc quyền do khách hàng tạo ra không? Có kết nối khách hàng với đối tác giao dịch, nhà cung cấp, hệ sinh thái theo cách khiến việc tái cấu trúc trở nên đau đớn không? Có tích hợp vào các workflow lân cận đến mức việc gỡ bỏ gây ra đứt gãy dây chuyền không?
- “Bên ngoài”: giống nhà cung cấp dịch vụ truyền thống — khách hàng gọi khi cần, nhưng nếu có thỏa thuận tốt hơn thì tuần sau có thể chuyển sang nơi khác
- Giải pháp bên ngoài vẫn có thể tạo giá trị thực và tăng trưởng nhanh khi chênh lệch chi phí lớn và mức độ chấp nhận còn sớm, nhưng vì đứng trên biên lợi nhuận đi vay nên sẽ chịu cùng động lực cạnh tranh với các startup AI Services khác, các incumbent SaaS có tiềm lực và thậm chí là chính bên mua
Khung 4 góc phần tư: ma trận đánh giá Vertical AI
- Có thể lập bản đồ landscape Vertical AI theo hai trục: nội bộ vs. bên ngoài (độ nhúng của sản phẩm vào vận hành khách hàng) và mũi nhọn vs. nền tảng (phạm vi và độ sâu sản phẩm)
- Durable (góc trên bên phải): nền tảng AI nội bộ — System of Intelligence & Action với lộ trình rõ ràng tới hào lũy tổng hợp, tiến hóa từ mũi nhọn ban đầu thành nền tảng đa sản phẩm. Abridge và EvenUp là ví dụ tiêu biểu
- Rare (góc trên bên trái): nền tảng bên ngoài — ACV cao, mang tính tư vấn, thường dùng chính sản phẩm AI nội bộ của họ cho bản thân. Do mức tập trung khách hàng cao và độ nhúng hạn chế nên không ổn định
- Commodity Risk (góc dưới bên trái): sản phẩm mũi nhọn bên ngoài — có tiềm năng tăng trưởng cực mạnh ở giai đoạn đầu, nhưng phải cạnh tranh bằng biên AI đi vay nên mang rủi ro sống còn
- Precarious (góc dưới bên phải): mũi nhọn nội bộ — có tiềm năng tăng trưởng ban đầu cao và có thể mở rộng thành nền tảng có khả năng phòng thủ, nhưng đối mặt với rủi ro bị incumbent dẫn đầu AI sao chép mũi nhọn
- Có hai con đường chuyển hóa giá trị: bên ngoài→nội bộ (đào sâu mức độ nhúng) và mũi nhọn→nền tảng (mở rộng bề rộng sản phẩm)
- Mũi nhọn→nền tảng là mô hình đã được kiểm chứng để xây dựng Vertical Software bền vững
- Một số startup bắt đầu từ mũi nhọn AI Services bên ngoài có độ mở rộng cao rồi cố gắng thực hiện đồng thời cả hai chuyển đổi
Vertical AI: thành lũy chống lại sự hàng hóa hóa
- Sức mạnh của Vertical AI nằm ở chỗ: động lực riêng của từng ngành là mảnh đất màu mỡ để xây giải pháp khác biệt được nhúng sâu vào khách hàng
- Những công ty Vertical SaaS tốt nhất (Veeva, Procore, Toast, ServiceTitan, v.v.) chiến thắng không phải vì họ rẻ hơn, mà vì họ trở thành system of record phản ánh chính xác hơn các nhu cầu đặc thù của người dùng
- Bạn có thể bỏ ra hàng triệu USD tiền tư vấn để tùy biến Salesforce hay NetSuite, nhưng nếu đã có một hệ thống được tạo ra ngay từ đầu cho chính mình thì chẳng cần phải làm vậy
- Họ tích lũy dữ liệu ngành độc quyền và dữ liệu first-party (dữ liệu thử nghiệm lâm sàng, dữ liệu chi phí công việc, dữ liệu doanh thu nhà hàng), tạo nên một cấu trúc mà càng dùng thì sản phẩm càng tốt hơn
- Họ kết nối các hệ sinh thái phân mảnh, mang tính đặc thù ngành dọc (hãng dược-phòng thử nghiệm lâm sàng, tổng thầu-thầu phụ, nhà hàng-mạng lưới giao hàng) để xây hào lũy hiệu ứng mạng
- Mũi nhọn có thể là một dịch vụ được cung cấp rẻ hơn, nhưng hào lũy là hệ thống được xây trên mũi nhọn đó — tận dụng vị thế nội bộ để phát triển dữ liệu độc quyền, hiệu ứng mạng, nền tảng đa sản phẩm, và “bộ não” của ngành, từ đó trở thành hạ tầng mà người ta phải dựa vào chứ không chỉ là một vendor
- Nếu không tạo được cú nhảy đó mà vẫn chỉ là nhà cung cấp dịch vụ AI bên ngoài cạnh tranh bằng giá, số phận sẽ giống người điều phối taxi — chứng kiến thị trường tăng 500% trong khi biên lợi nhuận tiến về 0
Người thắng cuộc chấp nhận sự hàng hóa hóa
- Một insight từ bàn tròn Vertical Collective của một nhà sáng lập: “Nhiều người xem cạnh tranh xuống đáy là điều xấu, nhưng chúng tôi nhìn ngược lại — chìa khóa thực sự là tạo ra giá trị mới”
- Nếu chỉ cạnh tranh bằng chi phí thì sẽ rất nguy hiểm, nhưng với vai trò là mũi nhọn có chủ đích để giành vị thế nhằm xây hào lũy như đã nói ở trên, nó lại rất mạnh
- Một số startup Vertical AI nên chủ động chấp nhận và thúc đẩy cuộc đua giá xuống đáy do sự hàng hóa hóa của AI Services gây ra
- Thu hút thật nhiều khách hàng bằng mức giá thấp đến mức gây sốc mà các đối thủ truyền thống không thể theo kịp
- Tự ăn mòn cơ hội doanh thu “đầu ra” trên mỗi khách hàng, nhưng đổi lại giành được tăng trưởng nhanh, niềm tin của ngành và quyền được phục vụ khách hàng theo các cách khác
- Làm suy yếu vị thế của các leader thị trường không thể cạnh tranh, tạo ra khoảng trống cạnh tranh, và giành pole position để mở rộng
- Chiến lược này là một biến thể của chiến lược “Nuking Pricing Power”: phát triển và hỗ trợ phiên bản giá rẻ (hoặc miễn phí) của hàng hóa bổ trợ để thúc đẩy chấp nhận nhanh và làm suy yếu quyền định giá của hàng hóa bổ trợ đó
- Nói đơn giản hơn: nếu sản phẩm chắc chắn sẽ bị hàng hóa hóa, thì tốt hơn là tự mình hàng hóa hóa nó để chiếm thị trường
Giả thuyết giá trị (Value Hypothesis)
- Mọi cuộc chuyển đổi mô thức trong công nghệ doanh nghiệp đều đi kèm với cuộc tranh đất và tái cấu trúc
- Điện toán đám mây đã tạo ra hàng nghìn startup SaaS trong giai đoạn 2005~2015, nhưng phần lớn bị hấp thụ, M&A hoặc biến mất; chỉ một số ít tốt nghiệp thành nền tảng bền vững định nghĩa danh mục
- Với Vertical AI, tác giả kỳ vọng mô thức tương tự, nhưng đi cùng cơ hội thị trường lớn hơn, tăng trưởng nhanh hơn, mô hình kiếm tiền sáng tạo hơn, hiệu quả vốn ban đầu cao hơn — và cũng chính vì vậy mà mức cạnh tranh sẽ chưa từng có
- Cái bẫy của nhà sáng lập AI Services là nhầm lẫn giữa một mũi nhọn có thể mở rộng với một doanh nghiệp có thể phòng thủ
- Những công ty tồn tại lâu dài sẽ là những công ty tận dụng được cửa sổ hiện tại — khi chênh lệch chi phí còn lớn, mức chấp nhận còn sớm, và incumbent còn chậm — để nhúng sâu vào vận hành của khách hàng đến mức việc thay thế không chỉ bất tiện mà còn đau đớn về mặt cấu trúc
- Đây không phải là ý tưởng mới mà là sự tái phát hiện ý tưởng lâu đời nhất của phần mềm doanh nghiệp
- Điểm mới nằm ở bề mặt: doanh nghiệp SaaS có thể nhúng vào vài workflow và thu dữ liệu trên màn hình tương tác của người dùng, còn nền tảng AI-native có thể nhúng vào mọi workflow, thu dữ liệu ở mọi tương tác bất kể có con người hiện diện hay không, và xây một hệ thống intelligence tổng hợp ngày càng tốt lên khi thực thi
- Chưa từng có thời điểm nào cơ hội xây “hạ tầng chịu tải (load-bearing infrastructure)” lại lớn đến vậy — và cũng chưa từng có cám dỗ hài lòng với vai trò “vendor rẻ hơn” lại mạnh đến vậy
- “Giả thuyết giá trị” của Andy Rachleff: giả thuyết của startup về cái gì, cho ai, và bằng cách nào thì ở lần thử đầu gần như không bao giờ đúng hẳn — nhà sáng lập phải tìm ra không phải người nói rằng họ quan tâm, mà là khách hàng thực sự tuyệt vọng với sản phẩm
- Khách hàng luôn quan tâm đến dịch vụ rẻ hơn, nhưng thứ họ thực sự muốn và sẵn sàng tiếp tục trả tiền để giữ lại là một hệ thống hiểu doanh nghiệp của họ hơn cả chính họ — hệ thống tích lũy tri thức thể chế, kết nối vào hệ sinh thái, và giá trị nội tại tăng lên sau mỗi tương tác
Tham khảo
- Nếu AI làm cho lao động con người hiệu quả hơn, thì mô hình SaaS cấp phép theo số ghế do Salesforce phổ biến hóa không còn hiệu lực nữa — sản phẩm càng tốt thì chi tiêu của khách hàng càng giảm
- Nếu mục tiêu của agent tự trị là thực hiện việc soạn thảo hợp đồng, xử lý ticket hỗ trợ khách hàng, đối soát sổ cái tài chính... mà không cần can thiệp thực chất của con người, thì “thời lượng nhìn màn hình” là vô nghĩa
- Trong mô thức mới, hiệu quả có thể được định nghĩa bằng sự vắng mặt của screen time
- Bản thân UI cũng đang trở nên có thể bị thay thế: “lớp ra quyết định” của dữ liệu, hành động và bản ghi vẫn quan trọng, nhưng chúng ta đang bước vào một thế giới nơi không khách hàng nào có cùng một UI
- Giao diện được nền tảng tự động tạo riêng cho từng người dùng (“inception software”)
- Cách tiếp cận dạng agent thông qua MCP hoặc “Bring Your-Own UI” (BYOUI) thông qua ứng dụng tùy biến do LLM tạo ra
Chưa có bình luận nào.