Thị trường AI dọc lớn nhất đang ẩn ngay trước mắt

• Chính những ngành bị phân mảnh và có vận hành phức tạp lại là thị trường tối ưu để hệ thống AI dọc xây dựng hào lũy 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 khi đã ăn sâu vào vận hành sẽ tạo ra cấu trúc mà đối thủ, khách hàng lẫn các phòng lab AI đều khó theo kịp
• Nếu định lại quy mô thị trường không theo ngân sách phần mềm mà theo chi phí dịch vụ và lao động, những thị trường dọc tưởng như nhỏ sẽ lộ ra là các vùng 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 thu phí trong cùng một khách hàng có thể mở rộng lên hàng chục lần
• Trong 5 năm tới, ở mỗi ngành sẽ dần ngã ngũ cách tiếp cận nào chiến thắng giữa nền tảng dọc chuyên biệt theo mục đích, bổ sung AI vào SoR hiện hữu, hay tự xây AI in-house

---

Vì sao thị trường này bị che khuất

• Hai đặc tính che giấu những thị trường AI dọc tốt nhất cũng đồng thời đóng vai trò hào lũy phòng thủ của chính chúng
• 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, dễ demo và dễ bán, nhưng ngay khi năng lực trí tuệ trở nên có thể chuyển sang nơi khác, chúng sẽ bị hàng hóa hóa (commoditize)
  • Những công việc hẹp, rủi ro thấp 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 tự tung ra
• Các workflow có grit cao chặn cả ba mối đe dọa đó: lab không muốn xử lý độ phức tạp vận hành, khách hàng thiếu năng lực kỹ thuật, còn đối thủ thì không thể rút ngắn công việc
• Để AI thực sự dùng được trong các workflow có grit cao, cần nhiều hơn là quyền 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
  • Khối công việc này âm thầm tích lũy thành một bản đồ độc quyền về vận hành workflow (proprietary map) mà người mới vào 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 workflow lân cận và các hạng mục ngân sách lớn hơn

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

• Salient: xây dựng AI voice agent gọi cho người vay mua ô tô bị quá hạn thanh toán. Hệ thống vận hành dưới các quy định FDCPA, TCPA và Reg F, trong môi trường mà chỉ một lần vi phạm cũng có thể dẫn đến hành động quản lý
  • AI phải điều hướng các quy định chồng chéo của bang và liên bang, thương lượng thanh toán theo thời gian thực, tuân thủ giới hạn tần suất gọi và chuyển sang nhân viên con người khi cần
  • Một cuộc gọi đòi nợ do con người thực hiện tốn $4~$12, trong khi cuộc gọi AI chỉ tốn một phần nhỏ của mức đó
• Charta Health: tự động hóa rà soát hồ sơ trước khi lập yêu cầu thanh toán qua các quy tắc bảo hiểm, mã CPT và mẫu từ chối khác nhau theo từng chuyên khoa và khu vực
• Trong logistics hàng hóa, HappyRobot, Pallet, Augment và các công ty tương tự đang xây dựng AI agent để xử lý vô số cuộc gọi thoại, email và cập nhật cổng thông tin cần thiết để điều phối giữa hãng vận tải, chủ hàng và kho bãi
  • Việc “gọi cho tài xế xe tải để xác nhận trạng thái bốc hàng” nghe không có vẻ là quy mô venture, nhưng mỗi lô hàng lại 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
• Các nhà cung cấp AI ngang muốn đạt hiệu quả kinh tế triển khai cần nhóm khách hàng tập trung và giá trị cao, nhưng khi doanh thu phân tán trên hàng nghìn doanh nghiệp vừa và nhỏ, mỗi nơi lại vận hành hệ thống khác nhau và dữ liệu phi cấu trúc, thì người chơi phổ dụng không thể biện minh cho nỗ lực GTM
• Các đơn vị vận hành bất động sản, công ty dịch vụ hiện trường, phòng khám phục hồi chức năng ngoại trú... không có năng lực kỹ thuật để tự xây AI production trong nội bộ, và nhìn nhận công nghệ là thứ để mua chứ không phải để sở hữu và tự phát triển
• Sự phân mảnh tạo ra khoảng trống để xây dựng, còn xu hướng ít tự phát triển lại khuếch đại khoảng trống đó, đem lại thời gian để tích lũy bối cảnh vận hành theo hiệu ứng lãi kép 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 quy mô $145 tỷ, với long tail khoảng 46.000 hãng CPA, trong đó 86% có dưới 10 nhân viên
  • Đồng thời vẫn bao gồm Big Four và các hãng quy mô quốc gia lớn
• Blue J: nền tảng nghiên cứu thuế dựa trên AI, đã tạo được traction ở cả hai đầu thị trường. Hiện phục vụ hơn 2.800 tổ chức, mức sử dụng tăng hơn 700% so với cùng kỳ năm trước
• Cấu trúc long tail khiến thị trường kém hấp dẫn với người chơi phổ dụng, còn workflow grit như luật thuế chồng chéo, các mẫu dữ kiện mơ hồ và các câu trả lời mà chuyên gia phải đặt uy tín của mình vào đó lại tạo nên điểm vào bền vững ngay cả trong môi trường người mua khó tính

Hào lũy được gia cố theo cấp số nhân

• Độ phức tạp vận hành tạo ra chi phí chuyển đổi (switching costs): nếu gỡ bỏ hệ thống, doanh nghiệp phải tuyển lại nhân sự, dựng lại quy trình và từ bỏ bối cảnh workflow đã tích lũy suốt nhiều năm
• Sự phân mảnh không tự nhiên biến mất theo thời gian, và người mua cũng không đột nhiên có được DNA kỹ sư
• Đến khi OpenAI hay Anthropic nhận ra sự tồn tại của thị trường này, bối cảnh vận hành và nền tảng phân phối của hệ thống dọc đã kịp tích lũy theo lãi kép suốt nhiều năm

Goldilocks TAM

• Lý do phần lớn thị trường AI dọc bị che khuất là vì quy mô thị trường bị đo sai
• Cách tiếp cận tiêu chuẩn là lấy chi tiêu phần mềm của danh mục đó làm TAM, nhưng trong các ngành phân mảnh và có vận hành phức tạp thì ngân sách phần mềm thường nhỏ
• Thước đo đúng phải là số tiền ngành đó chi cho chính công việc: chi cho nhân lực thực hiện công việc, nhà cung cấp thuê ngoài, agency, nhà thầu... tức 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” theo ngân sách phần mềm, nó trông như một ngách nhỏ nên frontier lab không có lý do để huy động nguồn lực
  • Nhưng nếu nhìn theo ngân sách lao động và dịch vụ thì đó là thị trường khổng lồ, và đến lúc điều đó lộ rõ thì hệ thống dọc đã tích lũy được nhiều năm
• Điều kiện của Goldilocks TAM: đủ lớn để tạo ra kết quả tầm venture nhưng được ngụy trang bởi bề mặt phần mềm khiêm tốn, bị bỏ qua vì độ phức tạp vận hành, và có thể mở rộng mạnh sau khi xác lập được vị thế hệ thống

Chuyển từ hỗ trợ sang thay thế

• Sự mở rộng xảy ra khi sản phẩm chuyển từ hỗ trợ công việc sang thực hiện công việc
• Ví dụ một công ty quản lý bất động sản: chi $30.000 mỗi năm cho phần mềm cho thuê, nhưng chi $300.000 cho nhân viên phụ trách cho thuê
  • Khi sản phẩm bắt đầu thực hiện chính công việc đó, doanh nghiệp không còn bán vào hạng mục $30K mà là hạng mục $300K
  • Nếu mở rộng khắp workflow và vận hành, có thể tiếp cận tổng ngân sách hoạt động trên $1M
  • Trong cùng một khách hàng, cùng một công ty, phạm vi có thể thu phí tăng 30 lần

Ví dụ: EliseAI

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

Điều gì xảy ra nếu đến đích trước

• Trong các thị trường này, những công ty AI dọc đạt đến vị thế hệ thống không chỉ xây được doanh nghiệp lớn, mà còn định hình cách cả ngành vận hành trong 10 năm tới
• Anthropic và OpenAI là mối đe dọa thực sự ở lớp ứng dụng, nhưng họ phải đồng thời giải quyết những ưu tiên xung đột nhau
  • Họ phải tiếp tục đầu tư vào việc đẩy đường biên mô hình, và việc tối đa hóa doanh thu dựa trên token sẽ ngày càng xung đột lợi ích với khách hàng cuối khi triển khai agent mở rộng
  • Trên nền đó, họ còn phải xây đồng thời các ứng dụng tùy biến chất lượng cao cho hàng chục vertical khác nhau
• Ở phần lớn thị trường, AI dọc chuyên biệt theo mục đích được dự báo sẽ vượt qua các lab về khả năng thực thi nhờ mức độ tập trung tuyệt đối
• 5 năm tới sẽ quyết định cách tiếp cận nào chiến thắng ở mỗi thị trường: nền tảng chuyên biệt mở rộng từ AI wedge thành hệ thống dọc, SoR (System of Record) hiện hữu duy trì vị thế bằng cách phủ thêm AI “đủ tốt”, hay AI in-house xây trên Anthropic/OpenAI
• Chiến lược cốt lõi: chọn một điểm vào sắc bén và phức tạp về vận hành trong một thị trường trông có vẻ quá nhỏ, mở rộng ra toàn bộ workflow để giành quyền kiểm soát, thay thế lao động và trở thành hệ thống mà khách hàng không thể vận hành nếu thiếu nó
• "Mô hình thắng trong demo, wedge thắng trong pilot, còn hệ thống thắng trên thị trường"