Thị trường AI dọc lớn nhất đang ẩn ngay trước mắt

• Ngành càng phân mảnh và vận hành càng phức tạp thì lại càng là thị trường tối ưu để hệ thống AI dọc xây dựng hào lũy phòng thủ mạnh mẽ, nhưng phần lớn nhà sáng lập và nhà đầu tư đang bỏ qua điều này
• Tự động hóa một tác vụ đơn lẻ, gọn gàng thì rất dễ bị sao chép, nhưng những quy trình công việc đan xen giữa quy định, tích hợp hệ thống legacy và xử lý ngoại lệ mà hệ thống ăn sâu vào đó thì đối thủ, khách hàng lẫn các phòng thí nghiệm AI đều khó lòng bắt kịp
• Nếu đo lại quy mô thị trường không phải theo ngân sách phần mềm mà theo chi phí dịch vụ và lao động, những thị trường AI dọc vốn trông nhỏ sẽ lộ ra là những khu vực chi tiêu khổng lồ
• Khi sản phẩm chuyển từ giai đoạn hỗ trợ công việc sang thay thế chính công việc đó, phạm vi có thể tính phí trên cùng một khách hàng có thể mở rộng lên hàng chục lần
• Trong 5 năm tới, từng ngành sẽ dần xác định cách tiếp cận nào chiến thắng giữa nền tảng AI dọc chuyên biệt theo mục đích, việc bổ sung AI vào SoR hiện hữu, hay tự xây dựng AI nội bộ

---

Vì sao thị trường này lại bị che khuất

• Hai đặc tính che giấu những thị trường AI dọc tốt nhất cũng đồng thời chính là hào lũy phòng thủ của các thị trường đó
• Đặc tính đầu tiên là workflow grit: môi trường công việc phức tạp đầy rẫy xử lý ngoại lệ, tích hợp legacy, phê duyệt của con người, tuân thủ và các chế độ lỗi có chi phí rất cao
  • Những tác vụ sạch sẽ, được định nghĩa rõ ràng thì dễ xây dựng, dễ demo và dễ bán, nhưng ngay khi trí tuệ trở nên có thể cấy ghép sang nơi khác thì nó sẽ bị hàng hóa hóa (commoditize)
  • Các công việc hẹp, ít rủi ro và dễ cắm vào hệ thống hiện có thì đối thủ có thể sao chép tính năng, khách hàng có thể tự làm, hoặc các frontier lab có thể trực tiếp tung ra sản phẩm
• Quy trình có độ grit cao chặn được cả ba mối đe dọa: lab không muốn xử lý độ phức tạp vận hành, khách hàng thiếu năng lực kỹ thuật, còn đối thủ không thể rút ngắn lượng công việc phải làm
• Để AI dùng được trong quy trình có độ grit cao, cần nhiều hơn là chỉ truy cập mô hình: phải cấu trúc hóa dữ liệu phi cấu trúc, tích hợp hệ thống legacy, thiết kế vòng phê duyệt, xác định tỷ lệ lỗi chấp nhận được và xây dựng niềm tin trong môi trường nơi sai sót rất đắt giá
  • Chính phần việc này âm thầm tích lũy thành một bản đồ độc quyền về vận hành quy trình mà người mới vào thị trường không thể sao chép chỉ bằng cách mua cùng một mô hình
• Ban đầu phần thưởng có vẻ nhỏ, nhưng chính công việc vận hành khó nhằn này lại trao quyền mở rộng sang các quy trình lân cận và các hạng mục ngân sách lớn hơn

Ví dụ thực tế: vay mua ô tô, thanh toán bảo hiểm y tế, logistics hàng hóa

• Salient: xây dựng tác nhân giọng nói AI gọi cho những người vay mua ô tô đang quá hạn thanh toán. Hệ thống vận hành dưới các quy định FDCPA, TCPA và Reg F, trong môi trường mà chỉ một vi phạm đơn lẻ cũng có thể kéo theo chế tài từ cơ quan quản lý
  • AI phải điều hướng các quy tắc chồng chéo cấp bang và liên bang, đàm phán thanh toán theo thời gian thực, tuân thủ giới hạn tần suất cuộc gọi và chuyển sang nhân viên con người khi cần
  • Chi phí một cuộc gọi thu hồi nợ do con người thực hiện là $4~$12, trong khi cuộc gọi bằng AI chỉ tốn một phần nhỏ của mức đó
• Charta Health: tự động hóa rà soát hồ sơ bệnh án trước khi gửi yêu cầu thanh toán trong bối cảnh phải xử lý các quy tắc khác nhau của hãng bảo hiểm theo từng chuyên khoa và khu vực, mã CPT và các mô thức bị từ chối thanh toán
• Trong logistics hàng hóa, HappyRobot, Pallet, Augment và các công ty khác đang xây dựng tác nhân AI để xử lý vô số cuộc gọi thoại, email và cập nhật cổng thông tin cần thiết nhằm điều phối giữa hãng vận tải, chủ hàng và kho bãi
  • Việc "gọi cho tài xế xe tải để xác nhận tình trạng bốc xếp" nghe có vẻ không phải quy mô venture, nhưng mỗi lô hàng đều bao gồm hàng chục điểm chạm thủ công và ngành logistics chi hơn 1 nghìn tỷ USD mỗi năm cho chi phí vận hành phi vật lý

Đặc tính thứ hai: cấu trúc thị trường

• Cấu trúc thị trường phân mảnh trên hàng nghìn đơn vị vận hành và có DNA công nghệ thấp ở phía người mua
• Nhà cung cấp AI ngang muốn đạt hiệu quả triển khai thì cần khách hàng tập trung và có giá trị cao, nhưng khi doanh thu lại phân tán trên hàng nghìn doanh nghiệp vừa và nhỏ, mỗi bên dùng hệ thống khác nhau và dữ liệu phi cấu trúc khác nhau, thì người chơi tổng quát không thể biện minh cho nỗ lực GTM
• Các đơn vị như nhà điều hành bất động sản, công ty dịch vụ hiện trường hay phòng khám phục hồi chức năng ngoại trú không có năng lực kỹ thuật để tự xây dựng AI production trong nội bộ, và họ nhìn công nghệ như thứ để mua chứ không phải thứ để sở hữu
• Sự phân mảnh tạo ra khoảng trống để xây dựng, còn xu hướng không tự phát triển nội bộ lại khuếch đại khoảng trống đó, giúp có thời gian để tích lũy ngữ cảnh vận hành theo cấp số nhân trước bất kỳ ai khác

Ví dụ: thị trường thuế và kế toán tại Mỹ

• Thị trường thuế và kế toán tại Mỹ là ngành 145 tỷ USD, với đuôi dài gồm khoảng 46.000 công ty CPA, trong đó 86% có dưới 10 nhân viên
  • Đồng thời thị trường cũng bao gồm Big Four và các hãng quy mô quốc gia lớn
• Blue J: nền tảng nghiên cứu thuế dựa trên AI, đã đạt traction ở cả hai đầu thị trường. Hiện phục vụ hơn 2.800 tổ chức, với mức sử dụng tăng hơn 700% so với cùng kỳ năm trước
• Cấu trúc đuôi dài khiến thị trường trở nên kém hấp dẫn với người chơi tổng quát, còn workflow grit như luật thuế chồng chéo, các mô thức tình huống thực tế mơ hồ và những câu trả lời mà chuyên gia phải đặt uy tín của mình vào đó lại tạo nên một điểm vào bền vững ngay cả trong môi trường khách hàng khó tính

Sự gia cố kép của hào lũy phòng thủ

• Độ phức tạp vận hành tạo ra chi phí chuyển đổi (switching costs): nếu gỡ bỏ hệ thống thì cần tuyển lại nhân sự, tái xây dựng quy trình và từ bỏ ngữ cảnh quy trình đã tích lũy suốt nhiều năm
• Sự phân mảnh không tự nhiên giảm đi theo thời gian, và người mua cũng không bỗng dưng sở hữu DNA kỹ thuật
• Đến khi OpenAI hay Anthropic nhận ra thị trường này tồn tại, ngữ cảnh vận hành và nền tảng phân phối của hệ thống AI dọc đã kịp tích lũy lãi kép suốt nhiều năm

Goldilocks TAM

• Phần lớn thị trường AI dọc bị che khuất vì mọi người đo sai quy mô thị trường
• Cách tiếp cận tiêu chuẩn là xem chi tiêu phần mềm trong danh mục đó là TAM, nhưng ở những ngành phân mảnh và vận hành phức tạp, ngân sách phần mềm thường khá nhỏ
• Thước đo đúng phải là số tiền ngành đó chi cho chính công việc: lực lượng lao động thực hiện công việc, nhà cung cấp thuê ngoài, agency, nhà thầu và các khoản ngân sách dịch vụ và lao động
• Cách định nghĩa lại này cũng giải thích vì sao những đối thủ nguy hiểm nhất lại bỏ qua thị trường: nếu nhìn “AI cho hoạt động cho thuê bất động sản” bằng lăng kính ngân sách phần mềm, nó sẽ có vẻ là ngách nên frontier lab không có lý do để huy động nguồn lực
  • Nhưng nếu nhìn bằng ngân sách lao động và dịch vụ thì nó là một thị trường khổng lồ, và đến lúc điều đó lộ rõ thì hệ thống AI dọc đã tích lũy lợi thế trong nhiều năm
• Điều kiện của Goldilocks TAM: đủ lớn để tạo ra kết quả theo chuẩn venture nhưng lại ngụy trang dưới bề mặt phần mềm có vẻ khiêm tốn, bị bỏ qua vì độ phức tạp vận hành và có thể mở rộng mạnh mẽ sau khi thiết lập được vị thế hệ thống

Từ hỗ trợ sang thay thế

• Tăng trưởng bùng nổ xuất hiện khi sản phẩm chuyển từ hỗ trợ công việc sang thực hiện công việc đó
• Ví dụ một công ty quản lý bất động sản: chi $30.000 mỗi năm cho phần mềm cho thuê và $300.000 cho nhân sự cho thuê
  • Khi sản phẩm bắt đầu thực hiện chính công việc đó, bạn không còn bán vào hạng mục $30K mà là hạng mục $300K
  • Nếu mở rộng ra toàn bộ quy trình và hoạt động vận hành, có thể tiếp cận tổng ngân sách vận hành hơn $1M
  • Trên cùng một khách hàng, cùng một công ty, phạm vi có thể tính phí tăng gấp 30 lần

Ví dụ: EliseAI

• EliseAI: nền tảng quản lý bất động sản bằng AI, khởi đầu từ một thị trường proptech có vẻ giới hạn
  • Ban đầu bắt đầu với một giải pháp tự động hóa cho thuê một SKU ở mức ~$50K ACV
  • Khi sản phẩm chuyển từ hỗ trợ sang thay thế công việc cho thuê, công ty mở rộng tiếp sang bảo trì, thu tiền và AI guided tour, bao phủ toàn bộ vòng đời người thuê
  • Hiện đang phục vụ 1 trong 8 căn hộ tại Mỹ, và các nhà quản lý, nhà vận hành bất động sản chi hàng triệu USD trở lên cho nền tảng này
  • Công ty cũng đã mở rộng sang y tế, nhắm tới 600 tỷ USD chi phí hành chính hằng năm bằng cùng một playbook
• Không phải TAM lớn lên cùng với sản phẩm, mà chính sản phẩm đã phơi bày TAM vốn dĩ lớn đến mức nào

Điều gì xảy ra nếu đến đích trước

• Ở những thị trường này, các công ty AI dọc đạt tới vị thế hệ thống không chỉ xây dựng nên doanh nghiệp lớn mà còn định hình cách cả ngành vận hành trong thập kỷ tới
• Anthropic và OpenAI là mối đe dọa thực sự với lớp ứng dụng, nhưng họ phải đồng thời xử lý những ưu tiên xung đột nhau
  • Họ phải tiếp tục đầu tư vào tiến bộ ở frontier model, trong khi việc tối đa hóa doanh thu dựa trên token sẽ ngày càng xung đột lợi ích với khách hàng cuối khi tác nhân AI được triển khai rộng hơn
  • Trên nền đó, họ còn phải đồng thời xây dựng các ứng dụng tùy biến chất lượng cao cho hàng chục ngành dọc khác nhau
• Trong phần lớn thị trường, AI dọc chuyên biệt theo mục đích được dự báo sẽ vượt các lab về năng lực thực thi nhờ sự tập trung tuyệt đối
• 5 năm tới sẽ quyết định cách tiếp cận nào chiến thắng ở từng thị trường: nền tảng chuyên biệt mở rộng AI wedge thành hệ thống dọc, SoR hiện hữu giữ vị thế thị trường bằng cách phủ thêm AI “đủ tốt”, hay AI nội bộ xây trên Anthropic/OpenAI
• Chiến lược cốt lõi: chọn một điểm vào sắc bén và phức tạp về vận hành trong thị trường trông quá nhỏ, mở rộng ra toàn bộ quy trình để giành quyền lực, thay thế lao động và trở thành hệ thống mà khách hàng không thể vận hành nếu thiếu nó
• "Model thắng trong demo, wedge thắng trong pilot, còn hệ thống thắng trên thị trường"