สรุปจากคลิป ดูคลิปต้นฉบับ
ตลาดใหม่มูลค่าแสนล้าน กำลังย้ายจากคน ไปสู่ AI Agents
สิ่งที่หลายธุรกิจยังมองไม่ชัด คืออินเทอร์เน็ตกำลังเปลี่ยน “ลูกค้า” จากมนุษย์ไปเป็น AI agents ทีละน้อย และพอการเปลี่ยนนี้ชัดขึ้น เว็บ แอป และ workflow แบบเดิมอาจไม่พออีกต่อไป คลิป The Next $100B Market: Selling To AI Agents จากช่อง Greg Isenberg วางภาพนี้ได้คมมากว่า ในรอบ 10 ปีข้างหน้า เราอาจไม่ได้ขายของให้คนโดยตรงเท่านั้น แต่ต้องขายให้ซอฟต์แวร์ที่ทำหน้าที่แทนคนด้วย
ประเด็นที่น่าสนใจไม่ใช่แค่ “AI จะมา” แต่คือวิธีคิดใหม่ทั้งระบบ ตั้งแต่การหาลูกค้า การทำหน้าเว็บ การชำระเงิน การซัพพอร์ต ไปจนถึงการวัดผลการตลาด ถ้า AI agents เป็นคนค้นหา ประเมิน ตัดสินใจ และลงมือทำแทนเจ้าของงบหรือทีมงาน ธุรกิจที่ยังออกแบบทุกอย่างเพื่อมนุษย์อย่างเดียว อาจเริ่มหายไปจากเรดาร์ของลูกค้ากลุ่มใหม่โดยไม่รู้ตัว
สารบัญ
- Step 1: เข้าใจก่อนว่า “ลูกค้า” บนอินเทอร์เน็ตกำลังเปลี่ยนหน้า
- Step 2: มองเส้นทางการซื้อแบบใหม่ ผ่าน agent buyer journey
- Step 3: รู้ให้ชัดว่า AI agents ต้องการอะไร ที่มนุษย์ไม่จำเป็นต้องใช้ตรงๆ
- Step 4: ดูตัวอย่างจริง แล้วจะเห็นว่าตลาดนี้ไม่ได้ไกลตัว
- Step 5: เปลี่ยนเว็บไซต์ให้ “อ่านได้โดย agent” ไม่ใช่แค่สวยสำหรับคน
- Step 6: ปรับวิธีคิดการตลาดและการขาย จาก SEO ไปสู่ AEO
- Step 7: มองหาโอกาสธุรกิจใหม่ ที่เกิดจาก infrastructure สำหรับ agents
- Actionable Insights
- Troubleshooting
- การต่อยอด
- สรุป Checklist ทั้งหมด
Step 1: เข้าใจก่อนว่า “ลูกค้า” บนอินเทอร์เน็ตกำลังเปลี่ยนหน้า
เว็บยุคเดิมถูกสร้างมาเพื่อดึงความสนใจจากคน เราออกแบบหน้าแรกให้สวย เขียนข้อความให้โน้มน้าว มีรีวิว มีเดโม มีราคา เพื่อให้คนอ่าน เปรียบเทียบ แล้วกดซื้อ
แต่ในยุค agentic internet ฝั่งที่เข้ามาใช้งานอาจไม่ใช่คนเสมอไป AI agents จะเป็นตัวค้นหาเครื่องมือ เปรียบเทียบทางเลือก อ่านเอกสาร ตรวจนโยบาย กดใช้งาน จ่ายเงิน ต่ออายุ และแนะนำบริการต่อให้ agent ตัวอื่น
นี่คือจุดเปลี่ยนสำคัญมาก เพราะมนุษย์ต้องการการโน้มน้าว แต่ agent ต้องการ ความสามารถที่อธิบายเป็นโครงสร้างชัดเจน สิทธิ์ในการทำงาน และความน่าเชื่อถือ ถ้าเว็บของเราสวยแต่ agent ใช้งานไม่ได้ ก็เท่ากับว่าเราเปิดหน้าร้านไว้ให้คนเดินผ่าน แต่ปิดประตูไม่ให้ระบบอัตโนมัติเข้ามาทำธุรกรรม
สำหรับธุรกิจไทย ภาพนี้เกิดขึ้นได้จริงในหลายแบบ เช่น ผู้บริหารใช้ AI ช่วยคัดเลือก software, ทีมจัดซื้อใช้ agent เปรียบเทียบ vendor, หรือทีมปฏิบัติการใช้ AI จัดการงานบริการหลังการขาย ถ้า product ของเราไม่พร้อมให้ agent เข้าใจและเรียกใช้ เราจะเสียโอกาสตั้งแต่รอบพิจารณาแรก
Step 2: มองเส้นทางการซื้อแบบใหม่ ผ่าน agent buyer journey
คลิปนี้เสนอภาพที่ช่วยให้เราเข้าใจมากขึ้นว่า agent ไม่ได้เป็นแค่ chatbot ตอบคำถาม แต่กำลังกลายเป็น “ผู้ซื้อ” หรือ “ผู้ช่วยตัดสินใจ” ตัวจริงในหลายกรณี โดยเส้นทางหลักมีประมาณนี้
- ค้นหา เช่น หา payroll tool สำหรับฟรีแลนซ์ 40 คน
- ประเมิน อ่านเอกสาร ราคา API รีวิว และข้อจำกัด
- ตรวจความน่าเชื่อถือ เช็ก policy ขอบเขตการใช้งาน และสิทธิ์
- ทำธุรกรรม จ่ายเงิน จอง สมัคร หรือเซ็นยืนยัน
- ใช้งานเครื่องมือ เปิด ticket เปลี่ยนค่า settings สั่งงานระบบ
- แนะนำต่อ ส่งต่อผลลัพธ์หรือคำแนะนำให้ agent ตัวอื่น
มุมที่น่าคิดต่อคือ funnel แบบเดิมของหลายบริษัทหยุดอยู่ที่ “กรอกฟอร์มเพื่อนัดเดโม” แต่ funnel แบบ agent อาจเริ่มจาก “ให้ระบบเช็กว่า service นี้ทำอะไรได้บ้าง” ถ้าไม่มีข้อมูลที่เครื่องอ่านได้ ไม่มี endpoint ให้ลองใช้ และไม่มีคำอธิบายสิทธิ์ที่ชัดเจน agent ก็เดินต่อไม่ได้
สิ่งนี้ทำให้การตลาดกับการออกแบบ product เริ่มแยกจากกันยากขึ้น เพราะการทำให้ agent ตัดสินใจได้ ต้องอาศัยข้อมูลจาก product จริง ไม่ใช่แค่ข้อความขายของบนหน้า landing page
Step 3: รู้ให้ชัดว่า AI agents ต้องการอะไร ที่มนุษย์ไม่จำเป็นต้องใช้ตรงๆ
กรอบคิดสำคัญในคลิปคือ infrastructure สำหรับ agent ซึ่งต่างจากสิ่งที่มนุษย์คุ้นเคย แม้จะมีหน้าตาคล้ายพนักงานคนหนึ่งในทีมก็ตาม โดยแกนหลักมี 6 อย่าง
- Identity agent นี้กำลังทำงานแทนใคร
- Tools เรียกใช้ action อะไรได้บ้างอย่างปลอดภัย
- Inbox รับอีเมล OTP เอกสาร และเธรดงานที่เกี่ยวข้อง
- Memory จำ preference กฎ และข้อกำหนดของเรา
- Wallet ใช้จ่ายได้แค่ไหน ใครอนุมัติ และมีวงเงินเท่าไร
- Receipts บันทึกว่า agent เห็นอะไร ตัดสินใจอะไร และเปลี่ยนอะไรไปบ้าง
จุดนี้มีประโยชน์มากสำหรับเจ้าของธุรกิจ เพราะทำให้เราเลิกมอง AI เป็นของลอยๆ แล้วเริ่มมองเป็น “แรงงานดิจิทัล” ที่ต้องมีตัวตน สิทธิ์ หน่วยความจำ งบประมาณ และร่องรอยการทำงาน
ถ้าให้เห็นภาพแบบธุรกิจไทย ลองนึกถึง agent สำหรับผู้จัดการร้านหลายสาขา มันอาจต้องรู้ว่ากำลังทำแทนสำนักงานใหญ่หรือสาขาย่อย ใช้จ่ายค่าสื่อโฆษณาได้ไม่เกินเท่าไร เปลี่ยนโปรโมชั่นได้ในบางช่วงเวลาเท่านั้น และทุกการเปลี่ยนแปลงต้องมี log ย้อนหลังให้ตรวจได้
ถ้าไม่มีองค์ประกอบเหล่านี้ การเอา AI มาใช้จริงมักติดอยู่ที่ความกลัวเรื่องความผิดพลาดและความรับผิดชอบ ซึ่งเป็นปัญหาที่เจอบ่อยในองค์กร ไม่ใช่เพราะ model ไม่เก่ง แต่เพราะระบบรองรับยังไม่ครบ
Step 4: ดูตัวอย่างจริง แล้วจะเห็นว่าตลาดนี้ไม่ได้ไกลตัว
คลิปยกตัวอย่างที่ดีหลายแบบ และทำให้เห็นว่าตลาดนี้ไม่ได้เริ่มจากศูนย์แล้ว
กรณีที่ 1: inbox สำหรับ AI agents
มีบริการอย่าง AgentMail ที่วางตัวเป็น inbox API สำหรับ agent แนวคิดง่ายมาก คือถ้ามนุษย์มีอีเมล Agent ก็ควรมีช่องทางรับส่งอีเมล เอกสาร OTP และข้อความติดตามงานของตัวเองเช่นกัน
สิ่งที่น่าสนใจคือ นี่ไม่ใช่ feature เล็กๆ แต่เป็น infrastructure ชั้นต้นของเศรษฐกิจ machine-to-machine เพราะถ้า agent ติดต่อไม่ได้ รับเอกสารไม่ได้ หรือยืนยันตัวตนไม่ได้ มันก็ทำงานแทนเราได้ไม่ครบ
กรณีที่ 2: wallet สำหรับ agent
อีกตัวอย่างคือการให้ agent มีความสามารถด้านการจ่ายเงิน ภายใต้กฎ เช่น จำกัดวงเงิน ต้องขออนุมัติในบางกรณี ใช้ token ร่วมกันได้ และมี audit trail ย้อนกลับได้
ตรงนี้โยงกับโลกธุรกิจชัดมาก โดยเฉพาะงานจัดซื้อ สมัคร SaaS ซื้อโฆษณา จ่ายค่าบริการ หรือวางมัดจำบางอย่าง ถ้า payment layer สำหรับ agent ดีพอ การสั่งงานจะไม่หยุดแค่ “แนะนำ” แต่ไปถึง “ลงมือทำ” ได้เลย
กรณีที่ 3: support agent
ลองนึกถึง agent ที่เปิด ticket แนบ log ขอคืนเงิน ติดตามสถานะ และปรับเรื่องให้อัตโนมัติเมื่อไม่มีคนตอบ งานซัพพอร์ตจำนวนมากในองค์กรจริงมีลักษณะซ้ำๆ และกินเวลาทีมพอสมควร
มุมที่เราเห็นต่างเล็กน้อยจากความตื่นเต้นในคลิปคือ แม้ use case นี้มีศักยภาพสูง แต่ถ้าระบบหลังบ้านของบริษัทไม่เปิด action แบบชัดเจน agent จะจบแค่ช่วยเขียนข้อความ ไม่ได้ช่วยปิดงาน ดังนั้นใครอยากใช้ AI ฝั่งซัพพอร์ต ต้องกลับมาทำระบบหลังบ้านด้วย
กรณีที่ 4: procurement และงานเปรียบเทียบ vendor
agent สามารถช่วย CFO หรือทีมจัดซื้ออ่านเอกสาร เปรียบเทียบหลายเจ้า เช็กเงื่อนไข และคัดตัวเลือกที่ตรงนโยบายบริษัท นี่คือ use case ที่เหมาะมากกับ B2B เพราะการซื้อไม่ใช่แค่เรื่องชอบหรือไม่ชอบ แต่ต้องผ่านข้อกำหนดชัดเจน
กรณีที่ 5: local business และงานจอง
ตัวอย่างอย่างการจองร้านอาหาร เปลี่ยนเวลาโรงแรม วางมัดจำ และอัปเดตปฏิทิน สะท้อนว่าธุรกิจท้องถิ่นก็โดนผลกระทบเช่นกัน ร้านอาหาร โรงแรม คลินิก หรือธุรกิจบริการในไทย ควรเริ่มคิดว่าระบบจองของเรารองรับ agent หรือยัง
Step 5: เปลี่ยนเว็บไซต์ให้ “อ่านได้โดย agent” ไม่ใช่แค่สวยสำหรับคน
หนึ่งในช่วงที่ใช้งานได้จริงที่สุดของคลิป คือแนวคิดเรื่อง agent-readable website ธุรกิจจำนวนมากลงทุนกับหน้า homepage เพื่อสื่อสารกับคน แต่สำหรับ agent หน้าเว็บที่ดีต้องมีข้อมูลแบบโครงสร้างชัด
องค์ประกอบที่ควรมี ได้แก่
- เอกสารที่จัดโครงสร้างชัดเจน
- schema หรือรูปแบบข้อมูลที่สม่ำเสมอ
- policy และข้อจำกัดการใช้งาน
- ตัวอย่างการเรียกใช้จริง
- endpoints หรือ action ที่ทำงานได้
- SDK, OAuth, checkout, sandbox และ receipts
อีกข้อเสนอที่น่าสนใจคือการมีหน้า /agents แยกต่างหากบนเว็บไซต์ เพื่อเป็นทางเข้าเฉพาะสำหรับระบบอัตโนมัติ แนวคิดนี้ดีมาก เพราะช่วยแยกภาษาการขายสำหรับมนุษย์ออกจากภาษาปฏิบัติการสำหรับ machine
ถ้าเอามาปรับใช้กับธุรกิจไทย เราไม่จำเป็นต้องเริ่มใหญ่ทันที อาจเริ่มจาก
- ทำหน้ารวม capability ของระบบ
- ระบุว่าทำ action อะไรได้บ้าง
- บอกเงื่อนไขราคาให้เครื่องอ่านง่าย
- ทำ FAQ แบบมีโครงสร้าง
- เปิด sandbox หรือ demo flow แบบจำกัดขอบเขต
ถ้า agent เข้าใจบริการของเราไม่ได้อย่างปลอดภัย ในทางปฏิบัติเท่ากับเราไม่มีตัวตนสำหรับลูกค้ากลุ่มนี้
Step 6: ปรับวิธีคิดการตลาดและการขาย จาก SEO ไปสู่ AEO
อีกจุดที่กระทบธุรกิจโดยตรงคือการขยับจาก SEO ไปสู่ AEO หรือการทำให้ agent เลือกอ้างอิง เชื่อถือ และแนะนำเราได้ ไม่ว่าจะผ่าน ChatGPT, Perplexity หรือระบบช่วยตัดสินใจแบบอื่น
ความต่างสำคัญคือ SEO เดิมเน้นให้คนค้นหาเจอ ส่วน AEO เน้นให้ AI ตอบกลับโดยหยิบเราไปเป็นคำตอบหรือทางเลือกที่น่าเชื่อถือ
สำหรับธุรกิจ นี่แปลว่า:
- Call to action แบบฟอร์ม อาจต้องเสริมด้วย action endpoint
- บทความซัพพอร์ต อาจต้องเปลี่ยนเป็น workflow ที่ลงมือทำได้
- landing page ต้องมี capability manifest ไม่ใช่แค่ slogan
- sales process ต้องพร้อมให้ agent มาคัดกรอง vendor ก่อนถึงคน
- analytics ต้องเริ่มตอบได้ว่า agent เข้ามาทำอะไร และติดตรงไหน
มุมนี้สำคัญมากกับคนทำการตลาดในไทย เพราะถ้ายังวัดผลแค่ทราฟฟิกจากคน เราอาจมองไม่เห็นการเปลี่ยนแปลงที่กำลังเกิดขึ้น quietly ด้านหลัง ตัวอย่างเช่นมีระบบอัตโนมัติเข้ามาอ่านราคา เช็กแพ็กเกจ หรือทดสอบ flow อยู่แล้ว แต่เราไม่เคยเก็บข้อมูลมาวิเคราะห์
อ่านเสริมเรื่อง structured data และเอกสารสำหรับระบบค้นหาได้จาก Google Search Central และถ้าอยากเห็นแนวคิด model context protocol เพิ่มเติม ลองดูข้อมูลจาก Model Context Protocol
Step 7: มองหาโอกาสธุรกิจใหม่ ที่เกิดจาก infrastructure สำหรับ agents
ช่วงท้ายคลิปมีไอเดียธุรกิจหลายแบบที่น่าหยิบมาคิดต่อ และหลายอันเหมาะกับผู้ประกอบการที่ไม่จำเป็นต้องเป็น developer ลึกมาก ถ้ามีทีมเทคนิคหรือพาร์ตเนอร์ช่วย
ตัวอย่างหมวดที่น่าสนใจ ได้แก่
- เอเจนซีทำ AEO หรือ agent SEO
- ระบบ identity และ permission สำหรับ agent
- ระบบ receipts และ audit trail
- เครื่องมือสร้าง docs ที่อ่านได้โดย agent
- ระบบความปลอดภัยสำหรับ inbox ของ agent
- บริการทำ pricing page ให้ agent อ่านได้
- MCP server สำหรับแฟรนไชส์หรือหลายสาขา
- agent support desk
- sandbox สำหรับให้ agent ทดลอง SaaS
ถ้ามองแบบเจ้าของธุรกิจไทย โอกาสไม่ได้มีแค่การสร้าง startup ใหม่ แต่อาจเป็นการหยิบสิ่งนี้ไปแตกเป็นบริการ เช่น บริษัทรับทำเว็บไซต์อาจเพิ่มแพ็กเกจ /agents page บริษัทที่ปรึกษา digital transformation อาจเพิ่มบริการออกแบบ workflow ให้ AI สั่งงานข้ามระบบ หรือ SaaS ไทยอาจเพิ่ม capability layer สำหรับ agent เป็นช่องทางรายได้ใหม่
อย่างไรก็ตาม ต้องพูดตรงๆ ว่าตลาดนี้ยังใหม่มาก การรีบสร้างของแบบใหญ่โดยไม่มีลูกค้าชัดเจนอาจเสี่ยง สิ่งที่ควรทำคือเริ่มจาก pain ที่มีอยู่แล้วในธุรกิจ ไม่ใช่เริ่มจาก buzzword
Actionable Insights
- สำรวจทันทีว่า product หรือบริการของเรามีส่วนไหนที่ agent ค้นหา ประเมิน หรือสั่งงานแทนคนได้บ้าง
- ทำหน้า capability แบบสั้นๆ แยกจากหน้า marketing เพื่ออธิบายว่าระบบทำอะไรได้ ใช้อย่างไร และมีข้อจำกัดอะไร
- เปลี่ยนงานซัพพอร์ตที่ซ้ำบ่อย 1 งาน ให้กลายเป็น action ที่ทำได้จริง เช่น คืนเงิน เปลี่ยนนัด หรือเปิด ticket
- เริ่มเก็บ analytics ว่ามีระบบอัตโนมัติเข้ามาใช้เว็บหรือ API อย่างไร และติดขั้นตอนไหน
- ทดสอบ AEO ด้วยการถาม AI tools ยอดนิยมว่าแนะนำหมวดธุรกิจของเราอย่างไร แล้วดูว่าเราถูกพูดถึงหรือไม่
Troubleshooting
- ปัญหา: AI หาเว็บเราเจอ แต่ทำอะไรต่อไม่ได้
สาเหตุ: มีแต่หน้า marketing ไม่มี docs, schema หรือ action endpoint
วิธีแก้: ทำหน้าข้อมูลเชิงโครงสร้าง ระบุ capability ชัดเจน เพิ่มตัวอย่างการใช้งาน และเปิด flow ที่ทดลองได้ - ปัญหา: ทีมไม่กล้าให้ agent ทำงานแทนจริง
สาเหตุ: ไม่มีระบบสิทธิ์ วงเงิน และ audit trail
วิธีแก้: เริ่มจากงานความเสี่ยงต่ำ กำหนด permission ชัด จำกัดวงเงิน และเก็บ log ทุก action - ปัญหา: เอา AI มาใช้แล้วจบที่ช่วยตอบ ไม่ช่วยปิดงาน
สาเหตุ: ระบบหลังบ้านยังไม่เปิดให้ลงมือทำจริง
วิธีแก้: เลือก 1 workflow สำคัญ แล้วเชื่อม action จริง เช่น สร้าง ticket คืนเงิน หรืออัปเดตสถานะ - ปัญหา: ไม่รู้จะวัดผล agent traffic อย่างไร
สาเหตุ: analytics เดิมออกแบบมาสำหรับพฤติกรรมคน
วิธีแก้: เพิ่ม event สำหรับ bot หรือ agent, บันทึกเส้นทางการเรียกใช้, และดูจุดที่คำสั่งล้มเหลว - ปัญหา: ลงมือสร้างของสำหรับ agents แต่ไม่มีคนใช้
สาเหตุ: เริ่มจากเทคโนโลยี ไม่ได้เริ่มจาก pain ที่ชัด
วิธีแก้: คุยกับลูกค้าเดิมก่อน ดูว่างานไหนซ้ำ งานไหนใช้กฎชัด และงานไหนต้องวิ่งข้ามหลายระบบ
การต่อยอด
- ทำหน้า /agents เวอร์ชันแรกของธุรกิจเรา เพื่อเป็นศูนย์รวมข้อมูลที่ machine ใช้งานได้
- เลือก 1 use case ภายในองค์กร เช่น procurement หรือ support แล้วทดลองใช้ agent แบบมีขอบเขตชัด
- ถ้าเป็นบริษัทบริการ ลองแตกแพ็กเกจใหม่ เช่น agent-readiness audit หรือ AEO setup สำหรับธุรกิจไทย
สรุป Checklist ทั้งหมด
- ☐ เข้าใจว่า AI agents กำลังเป็นลูกค้าหรือผู้ช่วยตัดสินใจบนอินเทอร์เน็ต
- ☐ วาด agent buyer journey ของธุรกิจเราเอง
- ☐ เช็กว่าเรามี identity, tools, inbox, memory, wallet และ receipts รองรับหรือยัง
- ☐ หา 1-2 use case ที่ agent ช่วยทำงานแทนคนได้จริง
- ☐ ปรับเว็บไซต์ให้มีข้อมูลเชิงโครงสร้างและ action ที่ชัดเจน
- ☐ สร้างหน้า /agents หรือ capability page แยกจากหน้า marketing
- ☐ ปรับการตลาดจาก SEO ไปคิดเรื่อง AEO มากขึ้น
- ☐ เริ่มเก็บ agent analytics เพิ่มจาก analytics แบบเดิม
- ☐ เลือกงานซ้ำๆ ความเสี่ยงต่ำ มาทดลอง automation ก่อน
- ☐ ประเมินโอกาสรายได้ใหม่จากบริการหรือ product สำหรับ agent economy
สรุปสั้นที่สุดของคลิปนี้คือ ตลาดใหม่มูลค่าแสนล้านอาจไม่ได้อยู่ที่การสร้าง AI model ตัวใหม่ แต่อยู่ที่การสร้างธุรกิจที่ทำให้ AI agents ใช้งาน ซื้อของ และทำงานร่วมกับระบบต่างๆ ได้จริง ถ้าเมื่อก่อนเราสร้างเว็บเพื่อให้คนเข้าใจแบรนด์ ต่อจากนี้เราต้องสร้างระบบให้ agent เข้าใจความสามารถของเราได้ด้วย ใครเริ่มก่อน จะไม่ได้แค่ได้ทราฟฟิกก่อน แต่อาจได้ตำแหน่งในห่วงโซ่ใหม่ของอินเทอร์เน็ตก่อนด้วย