Service as Software (SaS) ແມ່ນຫຍັງ? ເຫດຜົນທີ່ຮູບແບບການໃຫ້ບໍລິການ SaaS ແລະຍຸດທະສາດລາຄາປ່ຽນແປງໃນຍຸກ AI

Service as Software (SaS) ແມ່ນຮູບແບບການໃຫ້ບໍລິການຊອບແວໃໝ່ ທີ່ AI Agent ຈະດຳເນີນຂະບວນການເຮັດວຽກຢ່າງອິດສະຫຼະ ແລະ ຄິດໄລ່ຄ່າບໍລິການຕາມຜົນງານທີ່ໄດ້ຮັບ.

ໃນຂະນະທີ່ SaaS ແບບດັ້ງເດີມເປັນຮູບແບບ "ການສະໜອງເຄື່ອງມືເພື່ອໃຫ້ມະນຸດນຳໄປໃຊ້", SaS ໝາຍເຖິງການປ່ຽນຜ່ານໄປສູ່ຮູບແບບ "ການທີ່ AI ເປັນຜູ້ປະຕິບັດວຽກງານນັ້ນດ້ວຍຕົນເອງ". ການປ່ຽນແປງນີ້ກຳລັງຕັ້ງຄຳຖາມໃໝ່ຢ່າງຮາກຖານຕໍ່ວິທີການກຳນົດລາຄາ, ການຕັດສິນໃຈໃນການຈັດຊື້ ແລະ ການອອກແບບຂະບວນການເຮັດວຽກໃນຂະແໜງ B2B.

ບົດຄວາມນີ້ຈະອະທິບາຍຢ່າງເປັນລະບົບ ຕັ້ງແຕ່ຄວາມແຕກຕ່າງທີ່ສຳຄັນລະຫວ່າງ SaaS ແລະ SaS, ການປ່ຽນແປງຂອງຕະຫຼາດທີ່ເລັ່ງໃຫ້ເກີດການປ່ຽນຜ່ານ, ການບໍລິຫານຄວາມສ່ຽງໃນການນຳໃຊ້, ໄປຈົນເຖິງມາດຕະຖານການຄັດເລືອກທີ່ເໝາະສົມກັບອົງກອນຂອງທ່ານ. ບົດຄວາມນີ້ຈະສະໜອງແນວທາງການຕັດສິນໃຈທີ່ນຳໄປໃຊ້ໄດ້ຈິງສຳລັບຜູ້ນຳທຸລະກິດ ແລະ ພະນັກງານ IT ທີ່ມີສ່ວນຮ່ວມໃນການຕັດສິນໃຈດ້ານການຈັດຊື້ຊອບແວ ແລະ ການເຮັດວຽກແບບອັດຕະໂນມັດ.

Service as Software (SaS) ແມ່ນຮູບແບບການໃຫ້ບໍລິການຊອບແວໃໝ່ ທີ່ AI Agent ຈະດຳເນີນຂະບວນການເຮັດວຽກຢ່າງເປັນອິດສະຫຼະ ແລະ ຄິດໄລ່ຄ່າບໍລິການຕາມຜົນງານທີ່ໄດ້ຮັບ. ໃນຂະນະທີ່ SaaS ແບບດັ້ງເດີມຂາຍ "ສິດໃນການເຂົ້າເຖິງເຄື່ອງມື", SaS ມີຄວາມແຕກຕ່າງຢ່າງສິ້ນເຊີງໃນດ້ານການສະໜອງ "ການປະຕິບັດວຽກງານຕົວຈິງ".

ດ້ວຍພື້ນຖານຈາກການພັດທະນາຢ່າງວ່ອງໄວຂອງ Generative AI ແລະ LLM ເຮັດໃຫ້ສາມາດຕັດສິນໃຈ ແລະ ປະຕິບັດວຽກງານທີ່ຊັບຊ້ອນໄດ້ຫຼາຍກວ່າການທົດແທນວຽກງານງ່າຍໆ, ຈຶ່ງເຮັດໃຫ້ຮູບແບບນີ້ໄດ້ຮັບຄວາມສົນໃຈເພີ່ມທະວີຂຶ້ນເລື້ອຍໆ. ໃນພາກຕໍ່ໄປ, ພວກເຮົາຈະມາເບິ່ງນິຍາມຂອງ SaS ແລະ ຄວາມແຕກຕ່າງທີ່ຊັດເຈນກັບ SaaS ຢ່າງລະອຽດ.

Service as Software (SaS) ໝາຍເຖິງຮູບແບບທີ່ AI Agent ຄວບຄຸມຊອບແວຢ່າງອິດສະຫຼະ ແລະ ປະຕິບັດຂະບວນການເຮັດວຽກແທນມະນຸດ.

ຄວາມແຕກຕ່າງທີ່ໃຫຍ່ທີ່ສຸດເມື່ອທຽບກັບ SaaS (Software as a Service) ແບບດັ້ງເດີມ ແມ່ນຢູ່ທີ່ຈຸດທີ່ວ່າ "ສະໜອງເຄື່ອງມື ຫຼື ສະໜອງຜົນລັອກ".

• SaaS: ຂາຍສິດທິໃນການເຂົ້າເຖິງຊອບແວເປັນລາຍເດືອນ ຫຼື ລາຍປີ ໂດຍຜູ້ໃຊ້ເປັນຜູ້ຄວບຄຸມ ແລະ ສ້າງມູນຄ່າດ້ວຍຕົນເອງ.
• SaS: AI Agent ປະຕິບັດວຽກງານຢ່າງອິດສະຫຼະ ແລະ ຄິດຄ່າບໍລິການຕາມຜົນລັອກທີ່ສຳເລັດ.

ເພື່ອໃຫ້ເຫັນພາບທີ່ຊັດເຈນ, ໃຫ້ຍົກຕົວຢ່າງການຈັດການໃບແຈ້ງໜີ້. ໃນ SaaS, ທ່ານຊື້ "ໃບອະນຸຍາດຊອບແວບັນຊີ" ແລະ ພະນັກງານເປັນຜູ້ປ້ອນຂໍ້ມູນ ແລະ ກວດສອບ. ສ່ວນໃນ SaS, ຈະຄິດຄ່າບໍລິການໃນຮູບແບບ "X ເຢນ ຕໍ່ໃບແຈ້ງໜີ້ 1 ສະບັບ" ໂດຍ AI Agent ຈະຮັບຜິດຊອບຕັ້ງແຕ່ການສະກັດຂໍ້ມູນ, ການລົງບັນຊີ ຈົນເຖິງການສົ່ງອະນຸມັດຢ່າງຄົບວົງຈອນ.

ຄວາມແຕກຕ່າງນີ້ສົ່ງຜົນໂດຍກົງຕໍ່ໂຄງສ້າງລາຄາ:

• SaaS: ຄ່າບໍລິການຄົງທີ່ທີ່ເຊື່ອມໂຍງກັບການໃຊ້ຊັບພະຍາກອນ ເຊັ່ນ: ຈຳນວນຜູ້ໃຊ້ (Seat) ຫຼື ປະລິມານການເກັບຂໍ້ມູນ.
• SaS: ຄ່າບໍລິການຕາມຜົນລັອກທີ່ເຊື່ອມໂຍງກັບຈຳນວນວຽກທີ່ສຳເລັດ, ຈຳນວນຊົ່ວໂມງທີ່ຫຼຸດລົງ, ຫຼື ຄວາມຖືກຕ້ອງຂອງວຽກ.

ເຖິງແມ່ນວ່າ SaS ມັກຈະຖືກນຳໄປປຽບທຽບກັບ BPO (Business Process Outsourcing), ແຕ່ເນື່ອງຈາກ SaS ໃຊ້ AI Agent ໃນການປະຕິບັດວຽກງານແທນທີ່ຈະໃຊ້ແຮງງານຄົນ, ຕົ້ນທຶນໃນການຂະຫຍາຍຕົວ (Scale-up) ຈຶ່ງມີທ່າອ່ຽງທີ່ຈະຖືກຄວບຄຸມໄດ້ດີກວ່າ. ນອກຈາກນີ້, ເນື່ອງຈາກມີການເກັບບັນທຶກການເຮັດວຽກຂອງ Agent ໄວ້, ຈຶ່ງສາມາດຄາດຫວັງເຖິງການເຫັນພາບລວມຂອງຂະບວນການເຮັດວຽກໄດ້ຈາກມຸມມອງຂອງ AI Observability.

ຢ່າງໃດກໍຕາມ, SaS ຍັງເປັນຮູບແບບທີ່ຢູ່ໃນລະຫວ່າງການພັດທະນາ, ເຊິ່ງນິຍາມ ແລະ ຂອບເຂດອາດແຕກຕ່າງກັນໄປຕາມແຕ່ລະຜູ້ໃຫ້ບໍລິການ (Vendor). ເມື່ອພິຈາລະນາການນຳມາໃຊ້ງານ, ສິ່ງສຳຄັນຄືຕ້ອງກວດສອບເອກະສານທາງການ ແລະ ເງື່ອນໄຂໃນສັນຍາໃຫ້ລະອຽດ.

ເບື້ອງຫຼັງທີ່ SaS ໄດ້ຮັບຄວາມສົນໃຈຢ່າງວ່ອງໄວນັ້ນ ແມ່ນເກີດຈາກການປ່ຽນແປງທາງໂຄງສ້າງຫຼາຍຢ່າງທີ່ເກີດຂຶ້ນພ້ອມກັນ.

ຄວາມສຸກງອມທາງດ້ານເຕັກໂນໂລຊີ

ຄວາມຖືກຕ້ອງໃນການປະມວນຜົນຂອງ LLM (Large Language Model) ໄດ້ຮັບການປັບປຸງໃຫ້ດີຂຶ້ນ ຈົນ AI Agent ສາມາດປະຕິບັດວຽກງານທີ່ສັບຊ້ອນ ເຊິ່ງເຄີຍຕ້ອງອາໄສການຕັດສິນໃຈຂອງມະນຸດໄດ້ຢ່າງອິດສະຫຼະ. ດ້ວຍການນຳໃຊ້ Multi-step reasoning ແລະ Agent orchestration ມາໃຊ້ງານຈິງ, ບົດບາດຂອງມັນຈຶ່ງກຳລັງປ່ຽນຈາກ "ຜູ້ຊ່ວຍ" ໄປສູ່ "ຜູ້ປະຕິບັດງານແທນ".

ການປ່ຽນແປງໂຄງສ້າງຕົ້ນທຶນ

SaaS ແບບດັ້ງເດີມມັກຈະເກັບຄ່າບໍລິການລາຍເດືອນຕາມຈຳນວນຜູ້ໃຊ້ (Seat). ແຕ່ເມື່ອ AI Agent ເຂົ້າມາຮັບຜິດຊອບວຽກງານບາງສ່ວນ, ຂໍ້ສົມມຸດຖານທີ່ວ່າ "ໃບອະນຸຍາດສຳລັບຄົນໃຊ້" ກໍເລີ່ມສັ່ນຄອນ. ຮູບແບບການເກັບຄ່າບໍລິການທີ່ເຊື່ອມໂຍງກັບຜົນງານ ຫຼື ປະລິມານການປະມວນຜົນ ຈຶ່ງກາຍເປັນທາງເລືອກທີ່ສົມເຫດສົມຜົນຫຼາຍຂຶ້ນສຳລັບທັງບໍລິສັດຜູ້ໃຊ້ງານ ແລະ ຜູ້ໃຫ້ບໍລິການ.

ການແຂ່ງຂັນກັບ BPO

ໃນຂົງເຂດ BPO (Business Process Outsourcing) ແລະ ການພັດທະນາແບບ Off-shore ເຊິ່ງເຄີຍຖືກນຳໃຊ້ເປັນວິທີການຫຼຸດຜ່ອນຕົ້ນທຶນນັ້ນ, AI Agent ໄດ້ກາຍມາເປັນທາງເລືອກໃໝ່ທີ່ເຂົ້າມາທົດແທນ. ໂດຍສະເພາະໃນວຽກງານປະຈຳວັນ ເຊັ່ນ: ການປ້ອນຂໍ້ມູນ, ການຈັດການເອກະສານ ແລະ ການບໍລິການເບື້ອງຕົ້ນ, ມີລາຍງານວ່າບໍລິການຮູບແບບ SaS ເລີ່ມມີຄວາມສາມາດໃນການແຂ່ງຂັນສູງຂຶ້ນ.

ສະຫຼຸບເຫດຜົນທີ່ເຮັດໃຫ້ໄດ້ຮັບຄວາມສົນໃຈເພີ່ມຂຶ້ນ:

• ຄວາມສາມາດໃນການປະຕິບັດງານແບບອິດສະຫຼະຂອງ AI Agent ກຳລັງເຂົ້າສູ່ລະດັບທີ່ນຳໃຊ້ໄດ້ຈິງ
• ຮູບແບບການເກັບຄ່າບໍລິການຕາມຜົນງານ ຊ່ວຍໃຫ້ບໍລິສັດຜູ້ໃຊ້ງານເຫັນພາບ ROI (ຜົນຕອບແທນຈາກການລົງທຶນ) ໄດ້ງ່າຍຂຶ້ນ
• ຄວາມຕ້ອງການໃນການ "ທົດແທນແຮງງານ" ເພີ່ມທະວີຂຶ້ນເລື້ອຍໆ ໂດຍມີປັດໄຈມາຈາກການຂາດແຄນແຮງງານ
• ຜູ້ໃຫ້ບໍລິການ SaaS ທີ່ມີຢູ່ແລ້ວ ກຳລັງເລັ່ງເພີ່ມຟັງຊັນການເຮັດວຽກຂອງ Agent ເຂົ້າໄປໃນລະບົບ

ໃນພາກຕໍ່ໄປ, ພວກເຮົາຈະເຈາະເລິກເຖິງ 3 ການປ່ຽນແປງທີ່ເປັນຮູບປະທຳ ເຊິ່ງຈະເປັນຕົວເລັ່ງໃຫ້ເກີດການປ່ຽນຜ່ານນີ້.

ການປ່ຽນແປງຈາກ SaaS ໄປສູ່ SaS ບໍ່ແມ່ນພຽງແຕ່ການປ່ຽນແປງຮູບແບບລາຄາເທົ່ານັ້ນ. ການປ່ຽນແປງທາງໂຄງສ້າງສາມດ້ານ ຄື: ເທັກໂນໂລຊີ, ເສດຖະກິດ ແລະ ຕະຫຼາດແຮງງານ ໄດ້ເກີດຂຶ້ນຊ້ອນກັນ ເຮັດໃຫ້ການປ່ຽນຜ່ານນີ້ກາຍເປັນສິ່ງທີ່ບໍ່ສາມາດຫວນຄືນໄດ້. ຕໍ່ໄປນີ້ແມ່ນການເຈາະເລິກເຖິງການປ່ຽນແປງດັ່ງກ່າວຕາມລຳດັບ.

ຄວາມສາມາດໃນການປະຕິບັດງານແບບອັດຕະໂນມັດຂອງ AI Agent ໄດ້ມາຮອດຈຸດປ່ຽນແປງທາງດ້ານຄຸນນະພາບໃນໄລຍະສອງສາມປີຜ່ານມາ. ຈາກການຕອບຄຳຖາມແບບງ່າຍໆ ໄດ້ພັດທະນາກ້າວໄປສູ່ຂັ້ນຕອນການເຊື່ອມຕໍ່ຫຼາຍເຄື່ອງມືເພື່ອເຮັດໃຫ້ຂະບວນການເຮັດວຽກສຳເລັດສົມບູນ. ການປ່ຽນແປງນີ້ເອງຄືປັດໄຈສຳຄັນທີ່ສຸດທີ່ເຮັດໃຫ້ການຫັນປ່ຽນຈາກ SaaS ໄປສູ່ SaS ກາຍເປັນທາງເລືອກທີ່ເປັນຈິງ.

ຄວາມກ້າວໜ້າທາງເທັກໂນໂລຊີຫຼັກທີ່ສະໜັບສະໜູນການຍົກລະດັບຄວາມສາມາດ

• ການຂະຫຍາຍ Context Window: ປະລິມານຂໍ້ມູນທີ່ LLM ສາມາດຮັກສາ ແລະ ປະມວນຜົນໄດ້ໃນຄັ້ງດຽວເພີ່ມຂຶ້ນຢ່າງຫຼວງຫຼາຍ, ເຮັດໃຫ້ສາມາດປະຕິບັດຂະບວນການເຮັດວຽກທີ່ຍາວນານໄດ້ຢ່າງຕໍ່ເນື່ອງ
• ການເພີ່ມຄວາມຖືກຕ້ອງຂອງການໃຫ້ເຫດຜົນແບບຫຼາຍຂັ້ນຕອນ (Multi-step reasoning): ດ້ວຍການປະກົດຕົວຂອງຮູບແບບການໃຫ້ເຫດຜົນ (Reasoning models), ເຮັດໃຫ້ສາມາດຄິດວິເຄາະເປັນຂັ້ນຕອນ ແລະ ນຳໄປສູ່ຜົນລັດທີ່ຖືກຕ້ອງ ແມ່ນແຕ່ໃນວຽກງານທີ່ຕ້ອງໃຊ້ການຕັດສິນໃຈທີ່ຊັບຊ້ອນ
• ການເອີ້ນໃຊ້ເຄື່ອງມື ແລະ ການເຊື່ອມຕໍ່ພາຍນອກ: ດ້ວຍການມາດຕະຖານ ຫຼື Specification ຢ່າງ MCP (Model Context Protocol), ເຮັດໃຫ້ມີສະພາບແວດລ້ອມທີ່ AI Agent ສາມາດຄວບຄຸມ ERP ຫຼື API ພາຍນອກໄດ້ຢ່າງລຽບງ່າຍ
• ການຈັດການ Agent (Agent orchestration): ດ້ວຍການແຜ່ຫຼາຍຂອງລະບົບ Multi-agent, ເຮັດໃຫ້ Agent ທີ່ມີຄວາມຊ່ຽວຊານຫຼາຍຕົວສາມາດແບ່ງງານ ແລະ ຮ່ວມມືກັນເພື່ອປະມວນຜົນວຽກງານຂະໜາດໃຫຍ່ໄດ້

ດ້ວຍການນຳເອົາສິ່ງເຫຼົ່ານີ້ມາລວມກັນ, ຕົວຢ່າງເຊັ່ນ: ຂະບວນການບັນຊີທີ່ຕໍ່ເນື່ອງກັນຢ່າງ "ການຮັບໃບແຈ້ງໜີ້ → ການກວດສອບເນື້ອໃນ → ການລົງທະບຽນໃນ ERP → ການຮ້ອງຂໍອະນຸມັດການຈ່າຍເງິນ" ກໍມີລາຍງານວ່າສາມາດເຮັດໃຫ້ສຳເລັດໄດ້ໂດຍບໍ່ຕ້ອງມີຄົນເຂົ້າໄປກ່ຽວຂ້ອງ.

ສິ່ງທີ່ສຳຄັນຄື, Agent ໄດ້ກ້າວຂ້າມຂັ້ນຕອນຂອງການ "ຮັບຄຳສັ່ງແລ້ວຈຶ່ງເຮັດວຽກ" ໄປສູ່ຈຸດທີ່ສາມາດອອກແບບ ແລະ ປະຕິບັດຕາມຂັ້ນຕອນໄດ້ຢ່າງອິດສະຫຼະເມື່ອໄດ້ຮັບເປົ້າໝາຍ, ເຊິ່ງເປັນການເຮັດວຽກແບບ Outside the Loop ທີ່ກຳລັງຈະກາຍເປັນຈິງ. ດ້ວຍເຫດນີ້, ຊອບແວຈຶ່ງກາຍເປັນຜູ້ສ້າງຜົນລັດດ້ວຍຕົນເອງ, ແລະ ຄວາມສົມເຫດສົມຜົນທາງເສດຖະກິດຂອງຮູບແບບທຸລະກິດແບບ SaS ກໍເກີດຂຶ້ນ.

SaaS ແບບດັ້ງເດີມມັກໃຊ້ຮູບແບບ "Seat License" ເປັນຫຼັກ. ກົນໄກການຈ່າຍຄ່າທຳນຽມລາຍເດືອນແບບຄົງທີ່ຕາມຈຳນວນຜູ້ໃຊ້ ເຮັດໃຫ້ສາມາດຄາດຄະເນງົບປະມານໃນການນຳໃຊ້ໄດ້ງ່າຍ ແຕ່ໃນທາງກັບກັນ ກໍມີບັນຫາຄືຄ່າໃຊ້ຈ່າຍບໍ່ໄດ້ເຊື່ອມໂຍງກັບຄວາມຖີ່ໃນການໃຊ້ງານຕົວຈິງ ຫຼື ຜົນງານທີ່ໄດ້ຮັບ.

ໃນຍຸກ SaS, ໂຄງສ້າງການເກັບຄ່າທຳນຽມນີ້ຈະປ່ຽນແປງໄປຈາກຮາກຖານ. ຮູບແບບການເກັບຄ່າທຳນຽມຫຼັກໆສາມາດແບ່ງອອກໄດ້ເປັນ 3 ປະເພດດັ່ງນີ້:

• ການເກັບຄ່າທຳນຽມຕາມການໃຊ້ງານ (Usage-based): ເກັບຄ່າທຳນຽມຕາມຈຳນວນ Token ທີ່ປະມວນຜົນ, ຈຳນວນຄັ້ງທີ່ຮຽກໃຊ້ API ຫຼື ຈຳນວນວຽກທີ່ປະຕິບັດສຳເລັດ.
• ການເກັບຄ່າທຳນຽມຕາມຜົນງານ (Outcome-based): ເກັບຄ່າທຳນຽມເຊື່ອມໂຍງກັບຜົນງານທາງທຸລະກິດ ເຊັ່ນ: ຈຳນວນປີ້ (Ticket) ທີ່ແກ້ໄຂໄດ້ ຫຼື ຈຳນວນການເຈລະຈາທຸລະກິດທີ່ປະສົບຄວາມສຳເລັດ.
• ຮູບແບບປະສົມ (Hybrid): ຮູບແບບທີ່ລວມເອົາຄ່າທຳນຽມພື້ນຖານ (ການຮັບປະກັນຂັ້ນຕໍ່າ) + ສ່ວນເພີ່ມເຕີມຕາມຜົນງານ.

ສິ່ງທີ່ຊຸກຍູ້ໃຫ້ເກີດການປ່ຽນແປງນີ້ ຄືການທີ່ "ໜ່ວຍງານຂອງວຽກ" ໃນ AI Agent ສາມາດວັດແທກເປັນປະລິມານໄດ້ງ່າຍ. ເຖິງວ່າເວລາການເຮັດວຽກຂອງມະນຸດຈະເຮັດໃຫ້ເຫັນພາບໄດ້ຍາກ ແຕ່ຈຳນວນວຽກທີ່ Agent ປະມວນຜົນ ແລະ ອັດຕາການແກ້ໄຂບັນຫາສາມາດດຶງຂໍ້ມູນອອກມາໄດ້ໂດຍກົງຈາກ Log. ຝ່າຍຜູ້ຂາຍກໍສາມາດພິສູດຜົນງານໄດ້ງ່າຍ ແລະ ຝ່າຍລູກຄ້າກໍສາມາດຄິດໄລ່ຜົນຕອບແທນຈາກການລົງທຶນ (AI ROI) ໄດ້ງ່າຍເຊັ່ນກັນ.

ສິ່ງທີ່ຄວນລະວັງຄື ໃນຮູບແບບການເກັບຄ່າທຳນຽມຕາມຜົນງານ "ການກຳນົດນິຍາມຂອງຜົນງານ" ຈະກາຍເປັນຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ ຂອງສັນຍາ.

• ຈະຖືເອົາຫຍັງເປັນ "ການແກ້ໄຂບັນຫາສຳເລັດ"
• ການເກັບຄ່າທຳນຽມຈະເປັນແນວໃດຫາກມະນຸດຕ້ອງເຂົ້າໄປແຊກແຊງວຽກງານອີກຄັ້ງ
• ໃຜເປັນຜູ້ມີສິດໃນຂໍ້ມູນທີ່ໃຊ້ສຳລັບການວັດແທກຜົນງານ

ຫາກເຮັດສັນຍາໂດຍປ່ອຍໃຫ້ສິ່ງເຫຼົ່ານີ້ບໍ່ຊັດເຈນ ອາດມີຄວາມສ່ຽງທີ່ການຄາດຄະເນຕົ້ນທຶນຈະຜິດພາດໃນຂະບວນການຕໍ່ໄປ. ການລະບຸຕົວຊີ້ວັດຜົນງານ (KPI) ແລະ ວິທີການໄດ້ມາເຊິ່ງຂໍ້ມູນໃຫ້ຊັດເຈນເປັນລາຍລັກອັກສອນກ່ອນການນຳໃຊ້ ແມ່ນເງື່ອນໄຂເບື້ອງຕົ້ນຂອງການບໍລິຫານຈັດການຄ່າໃຊ້ຈ່າຍທີ່ມີປະສິດທິພາບ.

ໃນຮູບແບບທຸລະກິດແບບດັ້ງເດີມ, ຖ້າປະລິມານວຽກງານເພີ່ມຂຶ້ນ ກໍຈຳເປັນຕ້ອງໄດ້ເພີ່ມຈຳນວນບຸກຄະລາກອນໃຫ້ ເພີ່ມທະວີຂຶ້ນເລື້ອຍໆ ຕາມໄປນຳ. ແຕ່ດ້ວຍການແຜ່ຫຼາຍຂອງ Generative AI ແລະ AI Agent, ສົມມຸດຕິຖານນີ້ກຳລັງຖືກທຳລາຍລົງຈາກຮາກຖານ.

ເມື່ອຫວນກັບໄປເບິ່ງໂຄງສ້າງຕົ້ນທຶນໃນສະໄໝກ່ອນ, ຈະເຫັນໄດ້ວ່າມີລັກສະນະດັ່ງນີ້:

• ຄ່າໃຊ້ຈ່າຍດ້ານບຸກຄະລາກອນເປັນຕົ້ນທຶນຄົງທີ່ທີ່ມີນ້ຳໜັກຫຼາຍ ເຮັດໃຫ້ຍາກທີ່ຈະປັບຕົວໃຫ້ຍືດຫຍຸ່ນຕາມການເພີ່ມ ຫຼື ຫຼຸດຂອງປະລິມານວຽກງານ
• ຄ່າລິຂະສິດຊອບແວມີມູນຄ່າໜ້ອຍກວ່າເມື່ອທຽບກັບຄ່າໃຊ້ຈ່າຍດ້ານບຸກຄະລາກອນ ແລະ ຖືກຈັດຢູ່ໃນຕຳແໜ່ງທີ່ເປັນພຽງສ່ວນເສີມ
• ການຂະຫຍາຍຕົວ (Scale-up) ຕ້ອງໃຊ້ຕົ້ນທຶນ ແລະ ເວລາໃນການຮັບສະໝັກ ແລະ ຝຶກອົບຮົມ ເຮັດໃຫ້ມີຂໍ້ຈຳກັດດ້ານຄວາມໄວ

ໂຄງສ້າງນີ້ກຳລັງເລີ່ມປີ້ນກັບກັນ. AI Agent ບໍ່ຈຳເປັນຕ້ອງໃຊ້ບຸກຄະລາກອນເພີ່ມ ແລະ ສາມາດຂະຫຍາຍຕົວໄດ້ຕາມປະລິມານການປະມວນຜົນ. ເນື່ອງຈາກສາມາດເຮັດວຽກໄດ້ຢ່າງຕໍ່ເນື່ອງທັງໃນຍາມກາງຄືນ ແລະ ວັນພັກ, ຕົ້ນທຶນໃນການໄດ້ມາເຊິ່ງຜົນຜະລິດເທົ່າເດີມຈຶ່ງມີທ່າອ່ຽງຫຼຸດລົງຢ່າງຫຼວງຫຼາຍ.

ສິ່ງທີ່ສົ່ງຜົນກະທົບຫຼາຍທີ່ສຸດຄື ວຽກງານປະຈຳທີ່ເຄີຍອາໄສແຮງງານຄົນໃນ BPO (Business Process Outsourcing). ໃນຂົງເຂດຕ່າງໆ ເຊັ່ນ: ການປ້ອນຂໍ້ມູນ, ການຈັດການໃບເກັບເງິນ, ແລະ ການຮັບເລື່ອງເບື້ອງຕົ້ນຈາກລູກຄ້າ, ມີການລາຍງານກໍລະນີທີ່ໂຄງສ້າງຕົ້ນທຶນປ່ຽນແປງໄປຍ້ອນການປ່ຽນມາໃຊ້ AI Agent ແທນ.

ໃນທາງກັບກັນ, ລັກສະນະຂອງຕົ້ນທຶນຊອບແວກໍມີການປ່ຽນແປງເຊັ່ນກັນ. ໃນຮູບແບບການຄິດໄລ່ຄ່າໃຊ້ຈ່າຍຕາມຜົນງານແບບ SaaS, ຄ່າໃຊ້ຈ່າຍຈະເກີດຂຶ້ນຕາມຈຳນວນການປະມວນຜົນ ຫຼື ຜົນສຳເລັດທີ່ບັນລຸໄດ້. ເຖິງຈະສາມາດຄວບຄຸມການລົງທຶນເບື້ອງຕົ້ນໄດ້, ແຕ່ຕ້ອງລະວັງຈຸດທີ່ວ່າ ບໍ່ສາມາດເວົ້າໄດ້ຢ່າງເຕັມປາກວ່າ "ຈະຖືກລົງ" ສະເໝີໄປ ເນື່ອງຈາກຍິ່ງປະລິມານວຽກງານເພີ່ມຂຶ້ນ ຄ່າໃຊ້ຈ່າຍກໍຈະສູງຂຶ້ນຕາມໄປນຳ.

ສິ່ງທີ່ສຳຄັນຄືການປຽບທຽບຕົ້ນທຶນລວມ. ຈຳເປັນຕ້ອງມີການຄິດໄລ່ຕົ້ນທຶນທັງໝົດ ເຊິ່ງລວມເຖິງຄ່າໃຊ້ຈ່າຍດ້ານບຸກຄະລາກອນ, ຄ່າບໍລິຫານຈັດການ, ແລະ ຄ່າໃຊ້ຈ່າຍໃນການແກ້ໄຂຂໍ້ຜິດພາດ ເພື່ອຕັດສິນໃຈເຖິງຄວາມສົມເຫດສົມຜົນທາງເສດຖະກິດໃນການນຳໃຊ້ SaaS.

ການນຳໃຊ້ Service as Software ຈະນຳມາເຊິ່ງຜົນປະໂຫຍດທີ່ຊັດເຈນ ເຊັ່ນ: ການປັບປຸງໂຄງສ້າງຕົ້ນທຶນ ແລະ ການເພີ່ມປະສິດທິພາບໃນການເຮັດວຽກ, ໃນຂະນະດຽວກັນກໍຈຳເປັນຕ້ອງມີການກຽມພ້ອມຮັບມືກັບຄວາມສ່ຽງໃໝ່ໆທີ່ອາດຈະເກີດຂຶ້ນ. ດ້ວຍລັກສະນະສະເພາະຂອງຮູບແບບການຄິດໄລ່ຄ່າບໍລິການຕາມຜົນງານ (成果課金モデル), ມັນງ່າຍທີ່ຈະເຮັດໃຫ້ເກີດຊ່ອງຫວ່າງລະຫວ່າງຄວາມຄາດຫວັງກັບຄວາມເປັນຈິງ, ດັ່ງນັ້ນການອອກແບບໄວ້ລ່ວງໜ້າຈຶ່ງເປັນປັດໄຈຕັດສິນຄວາມສຳເລັດ. ໃນຫົວຂໍ້ H3 ຕໍ່ໄປນີ້, ພວກເຮົາຈະສະຫຼຸບຜົນປະໂຫຍດທີ່ເປັນຮູບປະທຳ ແລະ ຈຸດທີ່ຄວນລະວັງໃນເວລາເລີ່ມນຳໃຊ້.

ຜົນປະໂຫຍດທີ່ບໍລິສັດທີ່ນຳໃຊ້ SaS ຈະໄດ້ຮັບຢ່າງເຫັນໄດ້ຊັດເຈນ ສາມາດສະຫຼຸບໄດ້ເປັນ 3 ປະການດັ່ງນີ້:

① ຄ່າໃຊ້ຈ່າຍເຊື່ອມໂຍງກັບ "ຜົນງານ" ເຮັດໃຫ້ຄ່າໃຊ້ຈ່າຍຄົງທີ່ທີ່ບໍ່ຈຳເປັນຫຼຸດລົງ

SaaS ແບບດັ້ງເດີມຈະມີຄ່າໃຊ້ຈ່າຍຄົງທີ່ລາຍເດືອນຕາມຈຳນວນຜູ້ໃຊ້ ຫຼື ຈຳນວນຟັງຊັນ ເຊິ່ງມັກຈະເຮັດໃຫ້ເກີດການຈ່າຍເງິນໃຫ້ກັບຟັງຊັນທີ່ບໍ່ໄດ້ນຳໃຊ້ຢ່າງເຕັມປະສິດທິພາບ. ໃນຂະນະທີ່ SaS ຈະເນັ້ນການຄິດໄລ່ຄ່າໃຊ້ຈ່າຍຕາມປະລິມານການປະມວນຜົນ ຫຼື ຜົນສຳເລັດທີ່ບັນລຸໄດ້ ເຮັດໃຫ້ຄ່າໃຊ້ຈ່າຍເຊື່ອມໂຍງກັບການເພີ່ມຂຶ້ນ ຫຼື ຫຼຸດລົງຂອງປະລິມານວຽກໄດ້ງ່າຍຂຶ້ນ. ມີລາຍງານວ່າໃນອຸດສາຫະກຳທີ່ມີຄວາມແຕກຕ່າງລະຫວ່າງຊ່ວງວຽກໜັກ ແລະ ວຽກເບົາສູງ, ປະສິດທິພາບດ້ານຄ່າໃຊ້ຈ່າຍຈະຖືກປັບປຸງໃຫ້ດີຂຶ້ນຢ່າງເຫັນໄດ້ຊັດ.

② ການເສີມຈຸດອ່ອນດ້ານການຂາດແຄນບຸກຄະລາກອນ ແລະ ການເພີ່ມປະສິດທິພາບຂອງຂະບວນການເຮັດວຽກ (Throughput)

ເນື່ອງຈາກ AI Agent ເປັນຜູ້ຮັບຜິດຊອບໃນການປະຕິບັດວຽກງານຢ່າງອິດສະຫຼະ, ຈຶ່ງສາມາດສ້າງລະບົບທີ່ບໍ່ໄດ້ຮັບຜົນກະທົບຈາກບັນຫາການຂາດແຄນແຮງງານ ຫຼື ຄ່າໃຊ້ຈ່າຍດ້ານບຸກຄະລາກອນທີ່ເພີ່ມສູງຂຶ້ນ. ການມອບໝາຍວຽກງານທີ່ຕ້ອງເຮັດຊ້ຳໆ ເຊັ່ນ: ການປ້ອນຂໍ້ມູນ, ການກວດສອບເອກະສານ, ແລະ ການຕອບຮັບເບື້ອງຕົ້ນຕໍ່ການສອບຖາມ ໃຫ້ກັບ Agent ຈະຊ່ວຍໃຫ້ບຸກຄະລາກອນສາມາດສຸມໃສ່ວຽກງານທີ່ຕ້ອງໃຊ້ການຕັດສິນໃຈທີ່ມີມູນຄ່າສູງກວ່າໄດ້. ໂດຍຂຶ້ນຢູ່ກັບການອອກແບບ HITL (Human-in-the-Loop), ມັນເປັນໄປໄດ້ທີ່ຈະເພີ່ມປະສິດທິພາບຂອງຂະບວນການເຮັດວຽກ (Throughput) ໄປພ້ອມກັບການຮັກສາຄຸນນະພາບ.

③ ຮອບວຽນການປັບປຸງວຽກງານຈະໄວຂຶ້ນ

ສຳລັບ SaS, ຜູ້ໃຫ້ບໍລິການຈະດຳເນີນການປັບປຸງໂມເດວ ແລະ ອັບເດດເຫດຜົນທາງອັດຕະໂນມັດ (Automation Logic) ຢ່າງຕໍ່ເນື່ອງ, ເຮັດໃຫ້ບໍລິສັດທີ່ນຳໃຊ້ສາມາດຍົກລະດັບປະສິດທິພາບໄດ້ໂດຍບໍ່ຈຳເປັນຕ້ອງດຳເນີນການອັບເກຣດເວີຊັນຂະໜາດໃຫຍ່ດ້ວຍຕົນເອງ. ການນຳໃຊ້ຮ່ວມກັບ Process Mining ຈະຊ່ວຍໃຫ້ສາມາດເຫັນພາບຈຸດຕິດຂັດ (Bottleneck) ແລະ ສະສົມການປັບປຸງວຽກງານໄດ້ຢ່າງຕໍ່ເນື່ອງ.

ຜົນປະໂຫຍດທັງ 3 ປະການນີ້ມີຄວາມສຳພັນທີ່ເສີມສ້າງເຊິ່ງກັນ ແລະ ກັນ. ຢ່າງໃດກໍຕາມ, ຈຸດທີ່ຕ້ອງເນັ້ນຢ້ຳຄືຜົນປະໂຫຍດເຫຼົ່ານີ້ຈະເກີດຂຶ້ນໄດ້ກໍຕໍ່ເມື່ອມີການອອກແບບວຽກງານ ແລະ ລະບົບການດຳເນີນງານທີ່ພ້ອມແລ້ວເທົ່ານັ້ນ ເຊິ່ງພວກເຮົາຈະມາພິຈາລະນາຢ່າງລະອຽດໃນພາກຕໍ່ໄປ.

ການນຳໃຊ້ SaS ເຂົ້າມາຊ່ວຍນັ້ນ ຈະນຳມາເຊິ່ງຜົນປະໂຫຍດດ້ານການຫຼຸດຜ່ອນຕົ້ນທຶນ ແລະ ການເຮັດວຽກແບບອັດຕະໂນມັດ ແຕ່ໃນຂະນະດຽວກັນ ກໍມີຄວາມສ່ຽງທີ່ມັກຈະຖືກມອງຂ້າມ. ການຮັບຮູ້ ແລະ ວາງມາດຕະການປ້ອງກັນໄວ້ລ່ວງໜ້າ ຄືເງື່ອນໄຂເບື້ອງຕົ້ນຂອງການເຮັດວຽກທີ່ໝັ້ນຄົງ.

ຄວາມສ່ຽງຫຼັກ ແລະ ມາດຕະການປ້ອງກັນ

• ການຮັບປະກັນຄຸນນະພາບ ແລະ ຄວາມແມ່ນຍຳແມ່ນເຮັດໄດ້ຍາກ ໃນຮູບແບບການຈ່າຍເງິນຕາມຜົນງານ (成果課金モデル), ຖ້າຫາກສັນຍາໂດຍທີ່ນິຍາມຂອງ "ຜົນງານ" ຍັງບໍ່ຈະແຈ້ງ ກໍມັກຈະເກີດຊ່ອງວ່າງລະຫວ່າງຄວາມຄາດຫວັງ. ສິ່ງສຳຄັນຄືການຕົກລົງ KPI (ຕົວຢ່າງ: ຈຳນວນການປະມວນຜົນ, ອັດຕາຄວາມຜິດພາດ, ອັດຕາການອະນຸມັດ) ໃຫ້ເປັນຕົວເລກທີ່ຊັດເຈນກ່ອນການເຮັດສັນຍາ.

• ການຂາດຄວາມຮັບຜິດຊອບເນື່ອງຈາກກາຍເປັນກ່ອງດຳ (Black Box) ເນື່ອງຈາກ AI Agent ດຳເນີນການດ້ວຍຕົນເອງ ຈຶ່ງເຮັດໃຫ້ເຫດຜົນໃນການຕັດສິນໃຈເບິ່ງເຫັນໄດ້ຍາກ. ຄວນນຳໃຊ້ເຄື່ອງມື AI Observability ເພື່ອສ້າງລະບົບທີ່ສາມາດບັນທຶກ ແລະ ກວດສອບບັນທຶກການປະມວນຜົນ ລວມເຖິງປະຫວັດການຕັດສິນໃຈໄດ້.

• ການເພິ່ງພາຂໍ້ມູນ ແລະ ຄວາມສ່ຽງດ້ານຄວາມເປັນສ່ວນຕົວ ເນື່ອງຈາກໂຄງສ້າງທີ່ຕ້ອງສົ່ງຂໍ້ມູນໃຫ້ຜູ້ໃຫ້ບໍລິການ SaS, ຈຶ່ງມີຄວາມສ່ຽງຕໍ່ການຮົ່ວໄຫຼຂອງຂໍ້ມູນ ຫຼື ການນຳໃຊ້ຜິດວັດຖຸປະສົງ. ຄວນລະບຸຂອບເຂດການນຳໃຊ້ຂໍ້ມູນ, ສະຖານທີ່ຈັດເກັບ ແລະ ນະໂຍບາຍການລຶບຂໍ້ມູນໃຫ້ຊັດເຈນໃນສັນຍາ ພ້ອມທັງນຳໃຊ້ການຄວບຄຸມທາງດ້ານເຕັກນິກ ເຊັ່ນ: Zero Trust Network Access (ZTNA) ຄວບຄູ່ກັນໄປ.

• ບັນຫາ Vendor Lock-in ທີ່ຮ້າຍແຮງຂຶ້ນ ການເພິ່ງພາ Agent ຂອງຜູ້ໃຫ້ບໍລິການ SaS ໃນຂະບວນການເຮັດວຽກ ມັກຈະເຮັດໃຫ້ຕົ້ນທຶນໃນການປ່ຽນແປງຜູ້ໃຫ້ບໍລິການສູງກວ່າ SaaS ແບບດັ້ງເດີມ. ຄວນກວດສອບມາດຕະຖານ ຫຼື Specification ຂອງ API ແລະ ຂໍ້ກຳນົດໃນການສົ່ງອອກຂໍ້ມູນ (Data Export) ໄວ້ລ່ວງໜ້າ ລວມທັງການອອກແບບຍຸດທະສາດການຖອນຕົວ (Exit Strategy) ໄວ້.

• ການລະເລີຍການອອກແບບ HITL (Human-in-the-Loop) ບາງກໍລະນີມີການຕັດຂະບວນການກວດສອບໂດຍມະນຸດອອກ ເພື່ອຮີບຮ້ອນເຮັດໃຫ້ເປັນລະບົບອັດຕະໂນມັດຢ່າງສົມບູນ. ສຳລັບການຕັດສິນໃຈທີ່ມີຄວາມສ່ຽງສູງ (ເຊັ່ນ: ການອະນຸມັດສັນຍາ, ການຕັດສິນໃຈດ້ານສິນເຊື່ອ) ຕ້ອງມີການນຳໃຊ້ HITL ເຂົ້າໄປຮ່ວມສະເໝີ ແລະ ຕ້ອງກຳນົດຂະບວນການສົ່ງກັບ (Feedback loop) ເມື່ອເກີດຂໍ້ຜິດພາດ.

ໃນໄລຍະເລີ່ມຕົ້ນຂອງການນຳໃຊ້, ການດຳເນີນງານໃນຂະໜາດ PoC (Proof of Concept) ແລະ ການຊອກຫາຂົງເຂດທີ່ຄວາມສ່ຽງມັກຈະປາກົດອອກມາໃຫ້ເຫັນກ່ອນນັ້ນ ເປັນວິທີການທີ່ເໝາະສົມກັບຄວາມເປັນຈິງ.

SaaS ແລະ SaS ບໍ່ແມ່ນບັນຫາເລື່ອງວ່າອັນໃດດີກວ່າກັນ, ແຕ່ແມ່ນການເລືອກໃຊ້ໃຫ້ເໝາະສົມກັບລັກສະນະຂອງວຽກງານ ແລະ ເປົ້າໝາຍ. ຖ້າຕັດສິນໃຈຜິດພາດ ອາດມີຄວາມສ່ຽງທີ່ເຮັດໃຫ້ຕົ້ນທຶນເພີ່ມຂຶ້ນ ຫຼື ຄຸນນະພາບຫຼຸດລົງ. ໃນພາກນີ້, ພວກເຮົາຈະຈັດລະບຽບແນວຄິດການເລືອກໂດຍອີງໃສ່ຄຸນລັກສະນະຂອງວຽກງານ ແລະ ຈຸດກວດສອບທີ່ເປັນຮູບປະທຳເພື່ອຕັດສິນໃຈວ່າຄວນນຳມາໃຊ້ຫຼືບໍ່.

ການເລືອກລະຫວ່າງ SaaS ແລະ SaS ແມ່ນຂຶ້ນຢູ່ກັບ "ລັກສະນະຂອງວຽກງານ". ມັນຈະຕັດສິນໃຈໄດ້ງ່າຍຂຶ້ນຫາກຈັດປະເພດຕາມແກນທີ່ວ່າ: ຜູ້ທີ່ນຳໃຊ້ເຄື່ອງມືແມ່ນມະນຸດ ຫຼື ຕົວແທນ AI (AI agent) ເປັນຜູ້ສ້າງຜົນງານ.

ວຽກງານທີ່ເໝາະສົມກັບ SaaS

• ວຽກງານທີ່ການຕັດສິນໃຈ ແລະ ຄວາມຄິດສ້າງສັນຂອງມະນຸດເປັນສິ່ງຈຳເປັນ (ການວາງແຜນຍຸດທະສາດ, ການເຈລະຈາກັບລູກຄ້າ ແລະ ອື່ນໆ)
• ວຽກງານທີ່ມີຂັ້ນຕອນການປະຕິບັດງານທີ່ໄດ້ມາດຕະຖານ ແລະ ຜູ້ໃຊ້ເປັນຜູ້ດຳເນີນການດ້ວຍຕົນເອງ
• ວຽກງານທີ່ທາງກົດໝາຍກຳນົດໃຫ້ຕ້ອງມີຂັ້ນຕອນການອະນຸມັດໂດຍມະນຸດ ເພື່ອຄວາມສອດຄ່ອງຕາມຂໍ້ກຳນົດ (Compliance)

ວຽກງານທີ່ເໝາະສົມກັບ SaS

• ວຽກງານປະຈຳທີ່ເກີດຂຶ້ນຊ້ຳໆ (ການກວດສອບໃບແຈ້ງໜີ້, ການປ້ອນຂໍ້ມູນ, ການສ້າງລາຍງານ ແລະ ອື່ນໆ)
• ວຽກງານທີ່ຕ້ອງປະມວນຜົນເອກະສານຈຳນວນຫຼາຍ ຫຼື ຂໍ້ມູນທີ່ບໍ່ມີໂຄງສ້າງ (Unstructured data)
• ວຽກງານການກວດສອບ ແລະ ການຈັດປະເພດ ທີ່ສາມາດກຳນົດກົດເກນ ຫຼື ຕົວເລກໃນການຕັດສິນໃຈໄດ້

ຕົວຢ່າງເຊັ່ນ: ຖ້າເບິ່ງທີ່ພະແນກບັນຊີ, ການອະນຸມັດຂັ້ນສຸດທ້າຍສຳລັບການປິດງົບປະຈຳເດືອນແມ່ນເໝາະສົມກັບ Workflow ທີ່ອີງໃສ່ SaaS ເຊິ່ງມະນຸດເປັນຜູ້ຮັບຜິດຊອບ. ໃນທາງກົງກັນຂ້າມ, ການປຽບທຽບຂໍ້ມູນບັນຊີ ຫຼື ການປະມວນຜົນ OCR ແລະ ການຈັດປະເພດໃບຮັບເງິນ ແມ່ນມີຄວາມສອດຄ່ອງສູງກັບບໍລິການຮູບແບບ SaS ທີ່ຕົວແທນ AI ສາມາດດຳເນີນການໄດ້ດ້ວຍຕົນເອງ.

ວຽກງານປະຈຳທີ່ເຄີຍຈ້າງພາຍນອກຜ່ານ BPO (Business Process Outsourcing) ມີທ່າອ່ຽງທີ່ຈະກາຍເປັນຜູ້ສະໝັກອັນດັບຕົ້ນໆໃນການປ່ຽນຜ່ານໄປສູ່ SaS. ເນື່ອງຈາກໂຄງສ້າງຕົ້ນທຶນຈະປ່ຽນຈາກ "ຄ່າແຮງງານ + ຄ່າບໍລິຫານຈັດການ" ມາເປັນ "ຈຳນວນຜົນງານ × ລາຄາຕໍ່ໜ່ວຍ", ເຊິ່ງສາມາດຕັ້ງເປົ້າໝາຍໃນການປ່ຽນເປັນຕົ້ນທຶນຜັນແປ ແລະ ສ້າງຄວາມສະເໝີພາບດ້ານຄຸນນະພາບໄປພ້ອມໆກັນ.

ຢ່າງໃດກໍຕາມ, ການແບ່ງວຽກງານອອກເປັນສອງສ່ວນອາດຈະບໍ່ພຽງພໍ, ການໃຊ້ ໂຄງສ້າງແບບປະສົມ (Hybrid) ກໍເປັນທາງເລືອກທີ່ເປັນໄປໄດ້ໃນຄວາມເປັນຈິງ. ຮູບແບບ On the Loop ທີ່ຕົວແທນ AI ເປັນຜູ້ກະກຽມຂໍ້ມູນເບື້ອງຕົ້ນ ແລະ ໃຫ້ມະນຸດກວດສອບສະເພາະກໍລະນີຍົກເວັ້ນເທົ່ານັ້ນ ແມ່ນສາມາດນຳເອົາຂໍ້ດີຂອງທັງ SaaS ແລະ SaS ມາໃຊ້ໃຫ້ເກີດປະໂຫຍດໄດ້. ການອອກແບບວ່າຈະນຳໃຊ້ຮູບແບບໃດໃນຂັ້ນຕອນໃດ ໂດຍການເບິ່ງພາບລວມຂອງຂະບວນການເຮັດວຽກທັງໝົດ ແມ່ນສິ່ງທີ່ມີຄວາມສຳຄັນ.

ເມື່ອພິຈາລະນາການນຳໃຊ້ SaS, ການກວດສອບຕາມຈຸດຕ່າງໆຕໍ່ໄປນີ້ຕາມລຳດັບ ຈະຊ່ວຍເພີ່ມຄວາມຊັດເຈນໃນການຕັດສິນໃຈລົງທຶນໃຫ້ສູງຂຶ້ນ.

ກວດສອບລະດັບຄວາມເປັນມາດຕະຖານຂອງວຽກງານ

• ຂະບວນການເຮັດວຽກມີການບັນທຶກເປັນເອກະສານ ແລະ ມີມາດຕະຖານການຕັດສິນໃຈທີ່ຊັດເຈນຫຼືບໍ່?
• ອັດຕາສ່ວນຂອງການຈັດການກໍລະນີຍົກເວັ້ນ (Exception handling) ຢູ່ໃນລະດັບຕໍ່າກວ່າ 20% ຂອງທັງໝົດຫຼືບໍ່?
• ຕົວຊີ້ວັດຜົນສຳເລັດ (KPI) ສາມາດກຳນົດເປັນຕົວເລກໄດ້ຫຼືບໍ່?

ວຽກງານໃດທີ່ຕອບໂຈດທັງໝົດຂ້າງເທິງນີ້ ຈະມີຕົ້ນທຶນໃນການປ່ຽນຜ່ານໄປສູ່ AI Agent ທີ່ຕໍ່າ. ໃນທາງກົງກັນຂ້າມ, ວຽກງານທີ່ມີກໍລະນີຍົກເວັ້ນຫຼາຍ ຄວນເລີ່ມຈາກການເຮັດ Process Mining ເພື່ອເຮັດໃຫ້ສະພາບປັດຈຸບັນເຫັນພາບໄດ້ຊັດເຈນກ່ອນການຕັດສິນໃຈ.

ການຄິດໄລ່ໂຄງສ້າງຕົ້ນທຶນ

ປຽບທຽບຜົນລວມຂອງຄ່າໃຊ້ຈ່າຍດ້ານບຸກຄະລາກອນ ແລະ ຄ່າໃບອະນຸຍາດ (License) ໃນປັດຈຸບັນ ກັບຄ່າໃຊ້ຈ່າຍແບບຄິດໄລ່ຕາມຜົນງານ (Outcome-based pricing) ຂອງ SaS. ຮູບແບບການຄິດໄລ່ຕາມຜົນງານຈະມີຄວາມໄດ້ປຽບດ້ານຕົ້ນທຶນຫຼາຍກວ່າໃນວຽກງານທີ່ມີຄວາມຜັນຜວນຂອງປະລິມານງານສູງ, ໃນຂະນະທີ່ວຽກງານທີ່ມີປະລິມານການປະມວນຜົນຄົງທີ່, SaaS ແບບຄ່າໃຊ້ຈ່າຍຄົງທີ່ອາດຈະມີລາຄາຖືກກວ່າ. ເພື່ອເປັນຂໍ້ມູນອ້າງອີງໃນເວລາຂຽນບົດຄວາມນີ້, ຄວນກວດສອບລາຄາຕໍ່ໜ່ວຍຫຼ້າສຸດຈາກໜ້າເວັບໄຊຂອງແຕ່ລະຜູ້ໃຫ້ບໍລິການ.

ການປະເມີນຄວາມພ້ອມດ້ານຂໍ້ມູນ ແລະ ຄວາມປອດໄພ

• ຂໍ້ມູນທີ່ຈຳເປັນສຳລັບການຮຽນຮູ້ ແລະ ການວິເຄາະ (Inference) ໄດ້ຮັບການຈັດກຽມ ແລະ ເຮັດຄວາມສະອາດ (Cleansing) ແລ້ວຫຼືບໍ່?
• ນະໂຍບາຍການຈັດການຂໍ້ມູນສ່ວນບຸກຄົນ ແລະ ຂໍ້ມູນລັບໄດ້ຮັບການຈັດຕັ້ງປະຕິບັດແລ້ວຫຼືບໍ່?
• ສາມາດສ້າງລະບົບການຕິດຕາມກວດກາໂດຍໃຊ້ HITL (Human-in-the-Loop) ໄດ້ຫຼືບໍ່?

ໂດຍສະເພາະໃນຂະແໜງການເງິນ, ການແພດ ແລະ ກົດໝາຍ, ຂັ້ນຕອນການກວດສອບໂດຍມະນຸດຕໍ່ການຕັດສິນໃຈຂອງ AI Agent ອາດຈະເປັນສິ່ງທີ່ຈຳເປັນຕາມຂໍ້ກຳນົດທາງກົດໝາຍ.

ການປະເມີນຂະໜາດຂອງ PoC (Proof of Concept)

ສິ່ງສຳຄັນຄືບໍ່ຄວນເລີ່ມຕົ້ນດ້ວຍການນຳໃຊ້ທົ່ວທັງອົງກອນໃນທັນທີ, ແຕ່ຄວນເລີ່ມຈາກວຽກງານດຽວ ຫຼື ທີມດຽວໃນຂະໜາດນ້ອຍກ່ອນ. ຄວນກຳນົດໄລຍະເວລາທົດລອງ (Pilot period) ໄວ້ປະມານ 3 ເດືອນ ເພື່ອໃຊ້ເປັນມາດຖານໃນການຕັດສິນໃຈວ່າຈະນຳໃຊ້ຢ່າງເຕັມຮູບແບບຫຼືບໍ່ ໂດຍອີງຕາມອັດຕາຄວາມສຳເລັດຂອງຕົວຊີ້ວັດຜົນງານ.

ການນຳໃຊ້ SaS ຖ້າຫາກພະຍາຍາມປ່ຽນແທນທຸກວຽກງານໃນຄັ້ງດຽວ ຈະເຮັດໃຫ້ຄວາມສ່ຽງໃນການລົ້ມເຫຼວສູງຂຶ້ນ. ຈຸດເລີ່ມຕົ້ນຄວນແມ່ນການເຮັດໃຫ້ຂະບວນການເຮັດວຽກໃນປັດຈຸບັນເຫັນພາບໄດ້ຊັດເຈນ ແລະ ກໍານົດຂົງເຂດທີ່ AI Agent ຈະສາມາດສ້າງປະສິດທິຜົນໄດ້ດີ. ຫຼັງຈາກນັ້ນ, ການດຳເນີນການແບບເປັນຂັ້ນຕອນໂດຍການກວດສອບຜົນລັດໃນຂະບວນການ ຫຼື Pipeline ນຳຮ່ອງຂະໜາດນ້ອຍ ຖືວ່າເປັນວິທີທີ່ມີປະສິດທິຜົນໃນການຄວບຄຸມຄວາມວຸ້ນວາຍພາຍໃນໜ້າວຽກ ພ້ອມທັງເປັນການກວດສອບ ROI ໄປໃນຕົວ.

ການນຳເອົາ SaS ມາໃຊ້ໃຫ້ປະສົບຜົນສຳເລັດນັ້ນ, ຈຸດເລີ່ມຕົ້ນແມ່ນການເຂົ້າໃຈສະພາບການເຮັດວຽກຕົວຈິງຂອງບໍລິສັດຢ່າງຖືກຕ້ອງ. ການນຳເອົາ AI agent ມາໃຊ້ໂດຍປາດສະຈາກການວາງແຜນທີ່ດີນັ້ນ ຍາກທີ່ຈະເຫັນຜົນຕອບແທນທີ່ຄຸ້ມຄ່າ (ROI).

3 ຈຸດທີ່ຄວນກວດສອບໃນການວິເຄາະສະພາບການປັດຈຸບັນ

• ຄວາມຖີ່ຂອງການເຮັດວຽກຊ້ຳໆ: ເກີດຂຶ້ນເລື້ອຍໆໃນລະດັບລາຍເດືອນ, ລາຍອາທິດ ຫຼື ລາຍວັນ ຫຼື ບໍ່?
• ຄວາມຊັດເຈນຂອງກົດລະບຽບ: ເກນການຕັດສິນໃຈມີການຈັດເຮັດເປັນເອກະສານ ແລະ ມີຂໍ້ຍົກເວັ້ນໜ້ອຍແມ່ນຫຼືບໍ່?
• ສະພາບການກຽມພ້ອມຂອງຂໍ້ມູນ: ມີຂໍ້ມູນທີ່ມີໂຄງສ້າງ ຫຼື ບັນທຶກປະຫວັດທີ່ AI ສາມາດອ້າງອີງໄດ້ຫຼືບໍ່?

ວຽກງານທີ່ຕອບໂຈດທັງ 3 ຂໍ້ນີ້ ມີແນວໂນ້ມທີ່ຈະໄດ້ຮັບຜົນປະໂຫຍດຈາກການອັດຕະໂນມັດຜ່ານ SaS ໄດ້ງ່າຍກວ່າ.

ເກນການຄັດເລືອກວຽກງານນຳຮ່ອງ (Pilot)

ຫຼັກການພື້ນຖານໃນການເລືອກວຽກງານນຳຮ່ອງຄັ້ງທຳອິດ ຄືການເລືອກວຽກທີ່ "ປະສົບຜົນສຳເລັດໄດ້ງ່າຍ ແລະ ຖ້າຜິດພາດກໍມີຜົນກະທົບຈຳກັດ".

• ວຽກງານພາຍໃນບໍລິສັດ (ມີຜົນກະທົບຕໍ່ລູກຄ້າພາຍນອກໜ້ອຍ)
• ຈຳນວນການດຳເນີນງານສາມາດວັດແທກໄດ້ ແລະ ງ່າຍຕໍ່ການປະເມີນຜົນ
• ສາມາດເຊື່ອມຕໍ່ API ກັບເຄື່ອງມື SaaS ທີ່ມີຢູ່ແລ້ວໄດ້

ຕົວຢ່າງເຊັ່ນ: ການຈັດແບ່ງປະເພດຄຳຖາມພາຍໃນເບື້ອງຕົ້ນ ຫຼື ການສ້າງລາຍງານຕາມແບບຟອມໂດຍອັດຕະໂນມັດ ມັກຈະຖືກຍົກມາເປັນວຽກທີ່ເໝາະສົມສຳລັບການນຳຮ່ອງ.

ການນຳໃຊ້ Process Mining

ການໃຊ້ເຄື່ອງມື Process Mining (ການຂຸດຄົ້ນຂະບວນການ) ຈະຊ່ວຍໃຫ້ສາມາດເຫັນພາບຂະບວນການທີ່ມີໂອກາດໃນການເຮັດອັດຕະໂນມັດສູງຈາກບັນທຶກການເຮັດວຽກຕົວຈິງ. ເນື່ອງຈາກສາມາດຄັດເລືອກເປົ້າໝາຍນຳຮ່ອງໂດຍອີງໃສ່ຂໍ້ມູນແທນທີ່ຈະໃຊ້ຄວາມຮູ້ສຶກ, ຈຶ່ງເຮັດໃຫ້ຄວາມຖືກຕ້ອງໃນການຕັດສິນໃຈເພີ່ມຂຶ້ນ.

ໃນຂັ້ນຕອນການວິເຄາະສະພາບການປັດຈຸບັນ, ຖ້າຫາກພິຈາລະນາເຖິງຄວາມຈຳເປັນຂອງ HITL (Human-in-the-Loop) ໄປພ້ອມກັນ ກໍຈະສາມາດອອກແບບໄລຍະການປ່ຽນຜ່ານຕໍ່ໄປໄດ້ຢ່າງລຽບງ່າຍ.

ເມື່ອຢືນຢັນຜົນສຳເລັດໃນຂັ້ນຕອນທົດລອງ (Pilot) ໄດ້ແລ້ວ, ວິທີການທີ່ຖືກຕ້ອງແມ່ນການຂະຫຍາຍຜົນແບບເປັນຂັ້ນຕອນ ບໍ່ຄວນຮີບຮ້ອນດຳເນີນການຍ້າຍລະບົບໃນຄັ້ງດຽວ. ຄວນພິຈາລະນາລະດັບຄວາມຊຳນານຂອງອົງກອນ ແລະ ຄວາມຊັບຊ້ອນຂອງການເຊື່ອມຕໍ່ລະບົບ, ພ້ອມທັງແບ່ງໄລຍະເພື່ອແຈກຢາຍຄວາມສ່ຽງ.

ແນວທາງໄລຍະການຍ້າຍລະບົບ

• ໄລຍະທີ 1 (ໄລຍະກວດສອບ): ຍົກລະດັບວຽກງານທົດລອງ (Pilot) ຂຶ້ນສູ່ສະພາບແວດລ້ອມການໃຊ້ງານຈິງ. ນຳໃຊ້ AI Agent ຄວບຄູ່ກັບ HITL (Human-in-the-Loop) ໂດຍຮັກສາຮູບແບບການດຳເນີນງານທີ່ໃຫ້ມະນຸດເປັນຜູ້ກວດສອບຜົນລັອກ.
• ໄລຍະທີ 2 (ໄລຍະຂະຫຍາຍ): ຂະຫຍາຍຜົນໄປສູ່ຂະບວນການວຽກງານທີ່ກ່ຽວຂ້ອງໃນ ແນວນອນ ຫຼື Horizontal. ໃຫ້ດຳເນີນການຕໍ່ເມື່ອໝັ້ນໃຈວ່າ KPI ຕ່າງໆ ເຊັ່ນ: ອັດຕາຄວາມຜິດພາດ ແລະ ຄວາມໄວໃນການປະມວນຜົນມີຄວາມສະຖຽນແລ້ວ.
• ໄລຍະທີ 3 (ໄລຍະປັບໃຫ້ເໝາະສົມ): ເພີ່ມອັດຕາສ່ວນການເຮັດວຽກແບບອັດຕະໂນມັດ ແລະ ປ່ຽນບົດບາດຂອງມະນຸດໄປສູ່ On the Loop, ພ້ອມທັງປັບປຸງກົດລະບຽບການຈັດການກໍລະນີຍົກເວັ້ນໃຫ້ມີຄວາມລະອຽດຍິ່ງຂຶ້ນ.

ການວັດແທກຜົນໃນແຕ່ລະໄລຍະຖືເປັນສິ່ງທີ່ຂາດບໍ່ໄດ້ໃນການເພີ່ມຄວາມຊັດເຈນໃຫ້ກັບການຕັດສິນໃຈລົງທຶນ.

ດັດຊະນີຫຼັກທີ່ຄວນວັດແທກ

• ຕົ້ນທຶນການປະມວນຜົນ: ການປ່ຽນແປງຂອງຕົ້ນທຶນຕໍ່ໜຶ່ງລາຍການ ເມື່ອທຽບກັບຍຸກ SaaS.
• Throughput: ການເພີ່ມຂຶ້ນ ຫຼື ຫຼຸດລົງຂອງຈຳນວນລາຍການທີ່ປະມວນຜົນໄດ້ຕໍ່ຫົວໜ່ວຍເວລາ.
• ອັດຕາຄວາມຜິດພາດ ແລະ ອັດຕາການສົ່ງກັບ: ເພື່ອປະລິມານຄຸນນະພາບຜົນລັອກຂອງ AI Agent.
• AI ROI (ຜົນຕອບແທນຈາກການລົງທຶນ AI): ຄຳນວນປະສິດທິຜົນໃນການຫຼຸດຜ່ອນວຽກງານເມື່ອທຽບກັບຕົ້ນທຶນການນຳໃຊ້.

ຄວນນຳຜົນການວັດແທກມາສ້າງເປັນ Dashboard ຜ່ານເຄື່ອງມື AI Observability ເພື່ອໃຫ້ຝ່າຍບໍລິຫານສາມາດເບິ່ງເຫັນພາບລວມໄດ້. ຍິ່ງຂໍ້ມູນສະສົມຫຼາຍເທົ່າໃດ, ຮອບວຽນການປັບປຸງຄວາມແມ່ນຍຳຂອງ Agent ກໍຈະໄວຂຶ້ນເທົ່ານັ້ນ ແລະ Agentic Flywheel ກໍຈະເລີ່ມໝູນວຽນ.

ຫຼັງຈາກການຍ້າຍລະບົບສຳເລັດແລ້ວ ຢ່າລະເລີຍການທົບທວນຄືນຢ່າງສະໝ່ຳສະເໝີ. ການກຽມພ້ອມລະບົບເພື່ອອັບເດດການອອກແບບຂອງ Agent ຢ່າງຕໍ່ເນື່ອງ ໃຫ້ສອດຄ່ອງກັບການປ່ຽນແປງຂອງຄວາມຕ້ອງການທາງທຸລະກິດ ແລະ ການເປີດຕົວ ຫຼື Launch ໂມເດວໃໝ່ໆ ຈະນຳໄປສູ່ຜົນສຳເລັດໃນໄລຍະຍາວ.

Q1. SaS ແລະ SaaS ມີຄວາມແຕກຕ່າງກັນແນວໃດ?

ຄວາມແຕກຕ່າງທີ່ໃຫຍ່ທີ່ສຸດແມ່ນ "ການຈ່າຍຄ່າບໍລິການໃຫ້ກັບສິ່ງໃດ". SaaS ຈະຄິດໄລ່ຄ່າບໍລິການເປັນລາຍເດືອນ ຫຼື ລາຍປີ ສຳລັບສິດທິໃນການເຂົ້າເຖິງຊອບແວ. ໃນຂະນະທີ່ SaS ຈະຄິດໄລ່ຄ່າບໍລິການຕາມຈຳນວນວຽກທີ່ AI Agent ໄດ້ເຮັດສຳເລັດແທ້ ຫຼື ຜົນງານທີ່ບັນລຸໄດ້. ເປັນຮູບແບບການຊື້ຜົນລວມຂອງການປະຕິບັດງານຕົວຈິງ ບໍ່ແມ່ນສິດທິໃນການໃຊ້ເຄື່ອງມື.

Q2. ເຄື່ອງມື SaaS ທີ່ມີຢູ່ຈະຖືກປ່ຽນແທນດ້ວຍ SaS ທັງໝົດບໍ?

ບໍ່ແມ່ນທັງໝົດທີ່ຈະຖືກປ່ຽນແທນ. ວຽກທີ່ມີກົດລະບຽບຊັດເຈນ ແລະ ມີການເຮັດຊ້ຳໆສູງ (ເຊັ່ນ: ການປ້ອນຂໍ້ມູນ, ການສ້າງລາຍງານ, ການຕອບກັບການສອບຖາມ) ມັກຈະມີຄວາມສອດຄ່ອງກັບ SaS ສູງ. ໃນທາງກົງກັນຂ້າມ, ໃນວຽກທີ່ຕ້ອງການການຕັດສິນໃຈຂອງມະນຸດຂັ້ນສູງ ຫຼື ຄວາມຄິດສ້າງສັນ, ຫຼື ໃນຂົງເຂດທີ່ຕ້ອງການການຈັດການດ້ານການປະຕິບັດຕາມກົດລະບຽບ (Compliance) ຢ່າງເຂັ້ມງວດ, ການໃຊ້ງານຮ່ວມກັບ SaaS ຍັງເປັນທາງເລືອກທີ່ເໝາະສົມໃນໄລຍະນີ້.

Q3. ຮູບແບບການຄິດໄລ່ຄ່າບໍລິການຕາມຜົນງານ (成果課金モデル) ສາມາດນຳໃຊ້ກັບວິສາຫະກິດຂະໜາດນ້ອຍ ແລະ ກາງ (SMEs) ໄດ້ບໍ?

ມີຫຼາຍກໍລະນີທີ່ສາມາດນຳໃຊ້ໄດ້. ການທີ່ສາມາດຄວບຄຸມຄ່າໃຊ້ຈ່າຍໃນເບື້ອງຕົ້ນໄດ້ນັ້ນ ມັກຈະເປັນຜົນດີຕໍ່ວິສາຫະກິດຂະໜາດນ້ອຍ ແລະ ກາງ. ຢ່າງໃດກໍຕາມ, ຖ້າບໍ່ມີການກຳນົດນິຍາມຂອງ "ຜົນງານ" ແລະ ວິທີການວັດແທກໃຫ້ຊັດເຈນກ່ອນການເຮັດສັນຍາ, ກໍອາດຈະມີຄວາມສ່ຽງທີ່ເຮັດໃຫ້ຍອດເງິນທີ່ຕ້ອງຈ່າຍຄາດການໄດ້ຍາກ. ແນະນຳໃຫ້ເລີ່ມຕົ້ນຈາກການທົດລອງຂະໜາດນ້ອຍໃນວຽກດຽວກ່ອນ.

Q4. ການນຳໃຊ້ SaS ຈະເຮັດໃຫ້ຄວາມສ່ຽງດ້ານຄວາມປອດໄພເພີ່ມທະວີຂຶ້ນເລື້ອຍໆ ບໍ?

ເນື່ອງຈາກຂອບເຂດທີ່ AI Agent ສາມາດເຂົ້າເຖິງລະບົບພາຍໃນບໍລິສັດໄດ້ກວ້າງຂຶ້ນ, ຄວາມສຳຄັນຂອງການຈັດການສິດທິ ແລະ ການກວດສອບບັນທຶກ (Log Audit) ຈຶ່ງເພີ່ມທະວີຂຶ້ນເລື້ອຍໆ. ການນຳເອົາແນວຄິດ Zero Trust Network Access (ZTNA) ມາໃຊ້ ແລະ ການອອກແບບໂດຍຈຳກັດສິດທິທີ່ມອບໃຫ້ Agent ໃຫ້ເຫຼືອພຽງເທົ່າທີ່ຈຳເປັນເທົ່ານັ້ນ ແມ່ນມີປະສິດທິຜົນ. ກະລຸນາກວດສອບນະໂຍບາຍຄວາມປອດໄພຂອງຜູ້ໃຫ້ບໍລິການ ແລະ ເງື່ອນໄຂການຈັດການຂໍ້ມູນໃນສັນຍາໃຫ້ລະອຽດກ່ອນການນຳໃຊ້.

Service as Software (SaS) ແມ່ນຮູບແບບການໃຫ້ບໍລິການຊອບແວໃໝ່ ທີ່ AI Agent ຈະປະຕິບັດວຽກງານຕ່າງໆດ້ວຍຕົນເອງ ແລະ ຄິດໄລ່ຄ່າບໍລິການຕາມຜົນງານທີ່ໄດ້ຮັບ.

ຖ້າຫາກ SaaS ແບບດັ້ງເດີມແມ່ນຮູບແບບການ "ສະໜອງເຄື່ອງມື", SaS ກໍໝາຍເຖິງການປ່ຽນຜ່ານໄປສູ່ຮູບແບບການ "ສະໜອງຜົນງານ". ເນື່ອງຈາກໂຄງສ້າງຕົ້ນທຶນ, ການອອກແບບວຽກງານ ແລະ ເກນການຄັດເລືອກຜູ້ໃຫ້ບໍລິການຈະປ່ຽນແປງໄປຈາກພື້ນຖານ, ຈຶ່ງມີຄຸນຄ່າສູງທີ່ຈະຕ້ອງທຳຄວາມເຂົ້າໃຈໄວ.

ເມື່ອພິຈາລະນານຳມາໃຊ້, ຂໍໃຫ້ເລີ່ມຕົ້ນຈາກ 3 ຈຸດດັ່ງນີ້:

• ເລີ່ມຕົ້ນເຮັດ PoC (Proof of Concept) ຂະໜາດນ້ອຍຈາກວຽກງານທີ່ມີການເຮັດຊ້ຳໆສູງ
• ກຳນົດຕົວຊີ້ວັດຜົນງານ (KPI) ລ່ວງໜ້າ ແລະ ຈັດຕັ້ງກົນໄກການວັດແທກປະສິດທິຜົນໃຫ້ພ້ອມ
• ດຳເນີນການອອກແບບ AI Governance ແລະ HITL (Human-in-the-Loop) ໄປພ້ອມໆກັນ

SaS ບໍ່ແມ່ນສິ່ງທີ່ວິເສດທີ່ສຸດ, ແຕ່ຖ້ານຳໄປໃຊ້ກັບວຽກງານທີ່ເໝາະສົມ ກໍມີຄວາມເປັນໄປໄດ້ທີ່ຈະສາມາດຫຼຸດຕົ້ນທຶນແຮງງານ ແລະ ສ້າງຄວາມສະຖຽນລະພາບດ້ານຄຸນນະພາບໄປພ້ອມກັນໄດ້. ການທົບທວນຄຸນລັກສະນະວຽກງານຂອງບໍລິສັດຕົນເອງກ່ອນ, ແລະ ການອອກແບບຍຸດທະສາດໃນການເລືອກໃຊ້ລະຫວ່າງ SaaS ແລະ SaS ຈະນຳໄປສູ່ຄວາມໄດ້ປຽບໃນການແຂ່ງຂັນໃນຍຸກ AI.