โดย Maksym Misichenko · Yahoo Finance ·
สิ่งที่ตัวแทน AI คิดเกี่ยวกับข่าวนี้
แม้ว่า AI จะมีศักยภาพอย่างมากในการลดต้นทุนและปรับปรุงกระบวนการ แต่ผู้ร่วมอภิปรายเห็นพ้องกันว่าความเสี่ยงในการดำเนินการ รวมถึงความท้าทายในการจัดสรรแรงงานใหม่และ 'ภาษี AI' เป็นอุปสรรคสำคัญ ข้อสรุปคือ แม้ว่า AI จะสามารถให้ผลลัพธ์ที่น่าประทับใจในระยะสั้น แต่การรักษาผลประโยชน์เหล่านี้ในระยะยาวคือความท้าทายที่แท้จริง
ความเสี่ยง: 'ช่องว่างในการดำเนินการ' และความเสี่ยงของ 'ประสิทธิภาพซอมบี้' (zombie efficiency) ซึ่งบริษัทล้มเหลวในการจัดสรรแรงงานใหม่หลังจากทำงานอัตโนมัติ ทำให้เกิดการบีบอัดอัตรากำไร
โอกาส: ปราการ AI ด้านกระบวนการที่เป็นกรรมสิทธิ์ (proprietary process AI moats) และการออกแบบกระบวนการตั้งแต่ต้นจนจบ ซึ่งสามารถให้ผลการลดต้นทุนที่ยั่งยืนและความแตกต่างของ ROIC
การวิเคราะห์นี้สร้างขึ้นโดย StockScreener pipeline — LLM สี่ตัวชั้นนำ (Claude, GPT, Gemini, Grok) ได้รับ prompt เดียวกันและมีการป้องกันต่อภาพหลอนในตัว อ่านวิธีการ →
สี่วิธีสร้างความได้เปรียบด้านต้นทุนที่ยั่งยืนจาก AI
Paul Goydan
ใช้เวลา 4 นาทีในการอ่าน
จากการให้คำปรึกษาแก่บริษัทต่างๆ ในหลากหลายอุตสาหกรรมเกี่ยวกับการเปลี่ยนแปลงต้นทุนมานานกว่าสองทศวรรษแล้ว ผมได้เห็นช่องว่างที่เพิ่มขึ้นอย่างต่อเนื่องเมื่อ AI และระบบเชิงตัวแทนปรับเปลี่ยนเศรษฐศาสตร์ของการทำธุรกิจ สิ่งที่ชัดเจนคือ บริษัทส่วนใหญ่ยังคงประสบปัญหาในการเปลี่ยนโครงการนำร่อง AI ให้เป็นกำไร อย่างไรก็ตาม มีบริษัทจำนวนน้อยที่ประสบความสำเร็จ ซึ่งบางส่วนเป็นผลมาจากการเชื่อมโยงความพยายามด้าน AI และการลดต้นทุนของตน
จากการวิเคราะห์ล่าสุดของ BCG กลุ่มผู้นำด้าน AI เหล่านี้สามารถลดต้นทุนได้มากกว่า 3 เท่า มีอัตรากำไร EBIT สูงขึ้น 1.6 เท่า และผลตอบแทนจากการลงทุนที่สูงขึ้น 2.7 เท่าเมื่อเทียบกับคู่แข่ง นอกจากนี้ พวกเขายังสร้างข้อได้เปรียบอื่นๆ เช่น การเพิ่มความโปร่งใส การตัดสินใจที่รวดเร็วขึ้น และการจัดสรรเงินทุนอย่างมีประสิทธิภาพมากขึ้นเพื่อขับเคลื่อนการเติบโตและนวัตกรรม
ด้วยวิธีนี้ บริษัทเหล่านี้จึงเพิ่มข้อได้เปรียบด้านต้นทุนจาก AI และปรับปรุงประสิทธิภาพโดยรวม พวกเขาแสดงให้เห็นถึงความเป็นไปได้และให้ข้อมูลเชิงลึกว่าผู้อื่นสามารถตามทันได้อย่างไร
ความท้าทายที่ต้องเอาชนะ
เราเห็นความท้าทายทั่วไปบางประการในโปรแกรมลดต้นทุนที่สร้างขึ้นรอบๆ AI:
ความคิดริเริ่มที่กระจัดกระจายมากเกินไป ขาดขนาด บริษัทจำนวนมากทำการทดลอง AI ทั่วทุกหนแห่งและขาดลำดับความสำคัญที่ชัดเจน พวกเขาเจือจางความพยายามและนำ AI ไปใช้ในพื้นที่ที่อาจไม่มีผลกระทบมากที่สุด
ปัญหาพื้นฐานเกี่ยวกับข้อมูลและเทคโนโลยี การทดลอง AI ที่ประสบความสำเร็จอาจเป็นเรื่องยากที่จะขยายขนาด องค์กรมักจะขาดโครงสร้างพื้นฐานด้าน IT หรือข้อมูลที่เหมาะสม และข้อกำหนดในการทดสอบและความยืดหยุ่นสำหรับการใช้งานทั่วทั้งบริษัทมีความซับซ้อนกว่าสำหรับความคิดริเริ่มที่แยกโดดเดี่ยวมาก
ขาดความมุ่งเน้นในการฝึกอบรมและพัฒนาทักษะพนักงาน บางครั้งพนักงานจะละเลยความคิดริเริ่ม AI ใหม่ๆ ซึ่งมักเป็นเพราะพวกเขาขาดทักษะและความสามารถที่จำเป็นในการใช้เครื่องมือใหม่ๆ
ความล้มเหลวในการออกแบบเวิร์กโฟลว์และกระบวนการใหม่ ในการใช้งาน AI ทั่วไป 10% ของมูลค่าจะมาจากอัลกอริทึม และ 20% จะมาจากเทคโนโลยีและข้อมูล ส่วนที่เหลือ 70% จะมาจาก การจัดการการเปลี่ยนแปลงกระบวนการ—ส่วนใหญ่มาจาก การออกแบบเวิร์กสตรีมและกระบวนการให้จบท้าย
ความไม่สามารถที่จะเปลี่ยนผลกำไรจากการเพิ่มประสิทธิภาพให้เป็นมูลค่าทางการเงิน แม้ว่าองค์กรจะปรับปรุงประสิทธิภาพด้วย AI แต่ผลกำไรเหล่านั้นมักจะหายไปก่อนที่จะส่งผลกระทบต่อ P&L
แผนสี่ส่วนสู่ความสำเร็จ
เพื่อเอาชนะความท้าทายเหล่านี้ บริษัทชั้นนำมุ่งเน้นไปที่การรวม AI เข้ากับลำดับขั้นตอนแบบดั้งเดิมของตัวปรับคันโยกต้นทุน เป้าหมายของพวกเขาคือการส่งมอบผลลัพธ์ทันทีและเป็นระบบผ่านความสำคัญหลักสี่ประการ
เริ่มต้นด้วยแอปพลิเคชันที่ได้รับการพิสูจน์แล้วเพื่อเป็นเงินทุนสำหรับการเดินทาง แทนที่จะเร่งดำเนินการฝัง AI ทั่วทุกหน่วยธุรกิจและฟังก์ชัน บริษัทควรเริ่มต้นด้วยโครงการจำนวนน้อยที่ใช้โซลูชันที่ค่อนข้างเติบโตและให้ผลลัพธ์ที่รวดเร็ว
การจัดซื้อจัดจ้างเป็นตัวเลือกที่ดี โดยทั่วไปแล้วจะแสดงถึงสัดส่วนที่สำคัญของการใช้จ่ายของบริษัท ธุรกรรมมีความตรงไปตรงมา ช่วงของปัญหาที่อาจเกิดขึ้นมีขนาดเล็ก และโซลูชัน AI ที่ได้รับการพิสูจน์แล้วมีอยู่แล้วเพื่อปรับปรุงประสิทธิภาพ ตัวอย่างเช่น เมื่อบริษัทใช้ AI เพื่อเพิ่มประสิทธิภาพฐานซัพพลายเออร์ มาตรฐานราคา และเจรจาต่อรองส่วนลด พวกเขาสามารถประหยัดได้ 5% ถึง 25% ในช่วงสามถึงหกเดือน
พื้นที่อื่นๆ ที่แอปพลิเคชัน AI สามารถสร้างผลลัพธ์ที่รวดเร็วได้ ได้แก่ การวิเคราะห์การตลาด วิศวกรรมซอฟต์แวร์ ศูนย์บริการลูกค้า การพัฒนาผลิตภัณฑ์ การเงิน และการสนับสนุนภาคสนามสำหรับทีมขาย
สร้างเวิร์กโฟลว์และกระบวนการใหม่เพื่อสร้างผลกระทบที่มากขึ้น AI สามารถนำไปใช้กับกระบวนการที่มีอยู่ได้ แต่คุณค่าที่แท้จริงมาจาก การเพิ่มประสิทธิภาพและการออกแบบเวิร์กสตรีมใหม่ เป้าหมายคือการผสานรวมการไหลของข้อมูลข้ามแผนกและฟังก์ชัน โดยใช้ประโยชน์จากเทคโนโลยีดิจิทัลและ AI เพื่อเพิ่มประสิทธิภาพอย่างมาก นี่คือความพยายามที่ใหญ่ขึ้น และเป็นสิ่งหนึ่งที่บริษัทมักจะประเมินความยากลำบากต่ำ โดยเฉพาะอย่างยิ่งในการออกแบบกระบวนการที่ข้ามขอบเขตตามหน้าที่
เนื่องจากความซับซ้อนนั้น แนวทางที่ชาญฉลาดคือการเริ่มต้นด้วยกระบวนการหนึ่งและการออกแบบใหม่ทั้งหมดตั้งแต่ต้นจนจบตลอดห่วงโซ่คุณค่าทั้งหมด สิ่งนี้จะนำบริษัทไปสู่การสร้างผลกำไรที่ก้าวกระโดดในด้านผลิตภาพ ประสิทธิภาพ และการสร้างมูลค่า
ใช้ AI เชิงตัวแทนในสถานการณ์ที่เหมาะสม ระบบ AI เชิงตัวแทนเป็นระบบที่สามารถสังเกต วางแผน และดำเนินการโดยอัตโนมัติ แทนที่จะให้ข้อมูลเชิงลึก ซึ่งสามารถลดต้นทุนได้อย่างมาก โดยเฉพาะอย่างยิ่งในฟังก์ชันต่างๆ เช่น HR การเงิน บริการลูกค้า และ IT แต่สิ่งสำคัญคือต้องใช้ตัวแทนในวิธีที่ถูกต้อง
สำหรับกระบวนการที่ตรงไปตรงมาโซลูชันระบบอัตโนมัติพื้นฐานก็เพียงพอ ในพื้นที่ที่มีข้อกำหนดด้านกฎระเบียบที่เข้มงวด การกำกับดูแลของมนุษย์เป็นสิ่งจำเป็น จุดหวานสำหรับแอปพลิเคชัน AI เชิงตัวแทนอยู่ในช่วงกลาง: กระบวนการและสภาพแวดล้อมที่ซับซ้อนซึ่งความเสี่ยงและการสัมผัสต่อความไวทางจริยธรรมหรือการกำกับดูแลค่อนข้างต่ำ
ติดตามมูลค่าอย่างเข้มงวด ขั้นตอนที่สำคัญที่สุดอาจเป็น การเชื่อมโยงประสิทธิภาพที่เกี่ยวข้องกับ AI กับผลกระทบต่อ P&L ด้านล่าง นั่นหมายถึงการสร้างแผนธุรกิจที่ชัดเจนพร้อมเมตริก กำหนดเวลา และ ROI ที่คาดการณ์ไว้ นอกจากนี้ ทีมงานยังต้องตัดสินใจเชิงกลยุทธ์ว่าจะจัดสรรเวลาของพนักงานที่ได้รับการปลดปล่อยไปได้อย่างไร
ตัวอย่างเช่น หาก AI ปรับปรุงประสิทธิภาพของกิจกรรมเฉพาะ 15% ทีมงานที่สนับสนุนงานนั้นสามารถดำเนินการด้วยระดับการจัดหาพนักงานที่น้อยลงหรือเปลี่ยนกำลังการผลิตเพิ่มเติมไปยังกิจกรรมที่สร้างมูลค่าอื่นๆ ผู้จัดการอาจตัดสินใจที่จะคืนเวลาให้กับพนักงานเพื่อปรับปรุงขวัญกำลังใจ ไม่ว่าวิธีการจัดการ สิ่งนี้ ทีมผู้บริหารระดับสูงจำเป็นต้องพิจารณาผลกระทบเหล่านี้
ด้วยการใช้มาตรการเหล่านี้ บริษัทสามารถรวม AI เข้ากับความพยายามด้านต้นทุนและสร้างความได้เปรียบทางการแข่งขันที่ยั่งยืนได้
ความคิดเห็นที่แสดงในบทความแสดงความคิดเห็นของ Fortune.com เป็นเพียงความคิดเห็นของผู้เขียนเท่านั้นและไม่จำเป็นต้องสะท้อนความคิดเห็นและความเชื่อของ Fortune
โมเดล AI ชั้นนำ 4 ตัวอภิปรายบทความนี้
"ความเสี่ยงหลักสำหรับนักลงทุนคือการเข้าใจผิดว่าผลประโยชน์ด้านประสิทธิภาพชั่วคราวจาก AI เป็นความได้เปรียบทางการแข่งขันที่ถาวร โดยเฉพาะอย่างยิ่งเมื่อผลประโยชน์เหล่านั้นถูกหักล้างด้วยหนี้สินทางเทคนิคและต้นทุนโครงสร้างพื้นฐานที่เพิ่มขึ้น"
บทความระบุอย่างถูกต้องว่ามูลค่าของ AI คือ 70% ของการปรับโครงสร้างกระบวนการใหม่ ไม่ใช่แค่การปรับใช้โมเดล อย่างไรก็ตาม บทความมองข้าม 'ภาษี AI'—การเพิ่มขึ้นอย่างมหาศาลของ Opex ที่จำเป็นสำหรับการประมวลผลบนคลาวด์และบุคลากรที่มีความเชี่ยวชาญ ซึ่งมักจะบดบังการบีบอัดอัตรากำไรที่ซ่อนอยู่ แม้ว่าผู้นำจะเห็น EBIT สูงขึ้น 1.6 เท่า แต่นี่น่าจะเป็น survivorship bias; บริษัทที่มีเงินทุนในการปรับปรุงระบบ IT แบบเดิมๆ ก็เป็นผู้ที่มีประสิทธิภาพสูงอยู่แล้ว ความเสี่ยงที่แท้จริงคือ 'กับดักประสิทธิภาพ' (efficiency trap): การใช้ AI เพื่อเพิ่มประสิทธิภาพโมเดลธุรกิจที่หดตัวหรือคงที่ แทนที่จะสร้างแหล่งรายได้ใหม่ นักลงทุนควรมองหาบริษัทที่มีปราการข้อมูลที่เป็นกรรมสิทธิ์ (proprietary data moats) ไม่ใช่แค่บริษัทที่ใช้ตัวแทนสำเร็จรูปเพื่อลดต้นทุนการจัดซื้อจัดจ้าง
หาก AI ขับเคลื่อนการลดต้นทุนการจัดซื้อจัดจ้างได้ 5-25% จริง การขยายอัตรากำไรที่เกิดขึ้นอาจกระตุ้นให้เกิดการประเมินมูลค่าใหม่ที่สำคัญสำหรับบริษัทอุตสาหกรรมที่ล้าหลัง แม้จะไม่มีการเติบโตของรายได้ก็ตาม
"แผนสี่ขั้นตอนของบทความ แม้จะสมเหตุสมผล แต่ก็สร้างมูลค่าที่สูงเกินจริงให้กับบริษัทที่ปรึกษาด้านการจัดการเช่น BCG เนื่องจากองค์กรต่างๆ จ้างงานภายนอกในส่วนที่ยากของการออกแบบกระบวนการและการขยายขนาด"
กรอบงานของ Goydan ที่ได้รับการสนับสนุนจาก BCG ให้ความสำคัญกับชัยชนะอย่างรวดเร็ว เช่น AI ด้านการจัดซื้อจัดจ้าง (ประหยัด 5-25% ใน 3-6 เดือน) เพื่อเป็นทุนในการปฏิรูปที่กว้างขึ้น ซึ่ง 70% ของมูลค่าอยู่ที่การออกแบบกระบวนการตั้งแต่ต้นจนจบ—ความท้าทายข้ามสายงานที่เหนียวแน่นอย่างไม่น่าเชื่อซึ่งถูกมองข้ามไปที่นี่ การลดต้นทุน 3 เท่าและ ROIC 2.7 เท่าของผู้นำนั้นน่าประทับใจ แต่มีแนวโน้มที่จะเป็นผู้รอดชีวิตในกลุ่มบนสุดท่ามกลางอุปสรรคด้านข้อมูล/โครงสร้างพื้นฐานที่แพร่หลายและช่องว่างด้านบุคลากร จุดที่เหมาะสมที่สุดของ AI ตัวแทน (agentic AI) รู้สึกแคบเมื่อพิจารณาถึงความเสี่ยงด้านกฎระเบียบ การเชื่อมโยง P&L ที่ติดตามอย่างเข้มงวดเป็นสิ่งสำคัญ มิฉะนั้นผลประโยชน์จะหายไป การตั้งค่านี้จะส่งความต้องการไปยังบริษัทที่ปรึกษาที่จัดการกับความซับซ้อน
บริษัทที่ปรึกษาอย่าง BCG เคยโฆษณาการเปลี่ยนแปลงมาก่อน แต่โปรแกรมต้นทุนส่วนใหญ่จะจางหายไปหลังจากการได้ผลประโยชน์เบื้องต้นเนื่องจากความเหนื่อยล้าในการดำเนินการและการต่อต้านทางวัฒนธรรม ซึ่งอาจทำให้บริษัทมีค่าธรรมเนียมสูงแต่ไม่มี ROI ที่ยั่งยืน
"ความได้เปรียบด้านต้นทุนจาก AI นั้นมีอยู่จริง แต่ถูกจำกัดโดยการจัดการการเปลี่ยนแปลงองค์กร ไม่ใช่เทคโนโลยี—และบทความสับสนระหว่างลูกค้าที่ดีที่สุดของ BCG กับสิ่งที่สามารถทำซ้ำได้ทั่วทั้งอุตสาหกรรม"
นี่คือตำราของที่ปรึกษาที่แต่งกายเป็นกลยุทธ์—มีประโยชน์แต่กล่าวเกินจริง บทความระบุอย่างถูกต้องว่า 70% ของมูลค่า AI มาจากการออกแบบกระบวนการใหม่ ไม่ใช่อัลกอริทึม ซึ่งเป็นเรื่องที่ซื่อสัตย์ แต่ 'ผู้นำด้าน AI' ที่ให้ผลการลดต้นทุน 3 เท่าและอัตรากำไร EBIT 1.6 เท่า? นั่นคือกลุ่มลูกค้าของ BCG เอง ซึ่งมีแนวโน้มที่จะเป็น survivorship bias และมองย้อนหลัง ความเสี่ยงที่แท้จริง: บริษัทส่วนใหญ่จะดำเนินการตามขั้นตอนที่ 1-3 อย่างมีประสิทธิภาพ แต่จะล้มเหลวในขั้นตอนที่ 4—การจับมูลค่าแรงงานที่ว่างขึ้นจริง การจัดสรรแรงงานใหม่ไม่ค่อยเกิดขึ้น การลดจำนวนพนักงานเผชิญกับการต่อต้าน ความเสียหายต่อขวัญกำลังใจจะกัดกินผลประโยชน์ ตัวอย่างการจัดซื้อจัดจ้าง (ประหยัด 5-25% ใน 3-6 เดือน) เป็นการเลือกเฉพาะจุด; ฟังก์ชันส่วนใหญ่ขาดความชัดเจนดังกล่าว สิ่งนี้อ่านเหมือนเป็นการมองโลกในแง่ดีเกี่ยวกับ *ศักยภาพ* ของ AI ไม่ใช่เกี่ยวกับโอกาสในการดำเนินการ
หาก 70% ของมูลค่าต้องการการออกแบบกระบวนการใหม่ และบริษัทส่วนใหญ่ได้ล้มเหลวในการเปลี่ยนแปลงกระบวนการแบบดั้งเดิมแล้ว เหตุใดจึงสันนิษฐานว่า AI จะเปลี่ยนแปลงความสามารถในการดำเนินการ? บทความไม่ได้ให้หลักฐานใดๆ ว่า 'บริษัทชั้นนำ' เหล่านี้แตกต่างกันจริงๆ ในการดำเนินงาน—พวกเขาอาจมีเพียงการบัญชีต้นทุนที่ดีกว่า
"ความได้เปรียบด้านต้นทุนที่ขับเคลื่อนด้วย AI อย่างยั่งยืนต้องการการออกแบบกระบวนการตั้งแต่ต้นจนจบและการกำกับดูแลที่แข็งแกร่ง ไม่ใช่แค่เทคโนโลยี หากไม่มีสิ่งเหล่านี้ ROI จะต่ำกว่าที่คาดหวังและช่องว่างทางการแข่งขันจะปิดลง"
บทความโต้แย้งว่าการลดต้นทุนที่ขับเคลื่อนด้วย AI สามารถสร้างความได้เปรียบที่ยั่งยืนผ่านคันโยกสี่ประการ: เริ่มต้นด้วยแอปพลิเคชันที่พิสูจน์แล้ว ปรับปรุงเวิร์กโฟลว์ใหม่ ใช้ AI ตัวแทน (agentic AI) ในที่ที่ปลอดภัย และติดตามมูลค่าอย่างเข้มงวด อ้างอิงการศึกษาของ BCG ที่อ้างว่าผู้นำบรรลุการลดต้นทุนประมาณ 3 เท่า อัตรากำไร EBIT 1.6 เท่า และ ROIC 2.7 เท่า เมื่อเทียบกับคู่แข่ง ซึ่งบ่งชี้ถึงความทนทาน อย่างไรก็ตาม ส่วนที่ยากยังคงอยู่: ความพร้อมของข้อมูล การกำกับดูแล โครงการนำร่องที่กระจัดกระจาย และมูลค่าส่วนใหญ่จากการออกแบบกระบวนการตั้งแต่ต้นจนจบข้ามฟังก์ชัน การมองโลกในแง่ดีเกี่ยวกับส่วนลดการจัดซื้อจัดจ้าง 5-25% ใน 3-6 เดือนอาจกล่าวเกินจริง; AI ตัวแทน (agentic AI) นำมาซึ่งความเสี่ยงด้านกฎระเบียบและขวัญกำลังใจ กรอบเวลา ROI อาจยืดเยื้อเมื่อคู่แข่งปิดช่องว่าง
ข้อโต้แย้งที่แข็งแกร่งที่สุดคือตัวเลขของ BCG มาจากกลุ่มที่เลือกสรรซึ่งมีการกำกับดูแลและขนาดที่พิสูจน์แล้ว หากบริษัทอื่นๆ สามารถทำตามแบบแผนนั้นและผลักดันการเปลี่ยนแปลงองค์กรได้ ความได้เปรียบด้านต้นทุนก็อาจจะยั่งยืน
"ความล้มเหลวในการลดจำนวนพนักงานพร้อมๆ กับการเพิ่ม Opex บนคลาวด์จะนำไปสู่การบีบอัดอัตรากำไร แทนที่จะเป็นการขยาย EBIT ที่สัญญาไว้"
Claude พูดถูกที่เน้นย้ำถึง 'ช่องว่างในการดำเนินการ' แต่พลาดผลกระทบอันดับสองของ 'ภาษี AI' ที่ Gemini กล่าวถึง หากบริษัทล้มเหลวในการจัดสรรแรงงานใหม่ พวกเขาไม่ได้แค่ล้มเหลวในการจับมูลค่า—พวกเขากำลังเพิ่มฐานต้นทุนคงที่ของตนเอง สิ่งนี้สร้างสถานการณ์ 'ประสิทธิภาพซอมบี้' (zombie efficiency) ที่บริษัทต่างๆ ใช้จ่ายอย่างหนักกับคลาวด์และบุคลากรเพื่อทำงานอัตโนมัติ แต่ยังคงรักษาจำนวนพนักงานไว้ ซึ่งนำไปสู่การบีบอัดอัตรากำไร ซึ่งน่าจะลงโทษผู้ที่ล้าหลังเมื่อวงจร capex ที่ขับเคลื่อนด้วยความคาดหวังเบื้องต้นสิ้นสุดลง
"ตัวชี้วัดของผู้นำบ่งชี้ถึงการเพิ่มประสิทธิภาพแรงงานที่ประสบความสำเร็จ ซึ่งขับเคลื่อนการรวมภาคส่วนและปราการสำหรับผู้เล่นที่มีขนาดใหญ่"
ประสิทธิภาพซอมบี้ (zombie efficiency) ของ Gemini มองข้ามข้อเรียกร้องหลักของ BCG: การลดต้นทุน 3 เท่าของผู้นำ *รวมถึง* การจัดสรรแรงงานใหม่ ดังที่เห็นได้จาก EBIT ที่เพิ่มขึ้น 1.6 เท่า แม้จะมีภาษี AI—ผู้รอดชีวิตจะปรับปรุงตั้งแต่ต้นจนจบ ผู้ที่ล้าหลังล้มเหลวในเรื่องนี้จะเร่งการรวมภาคส่วน ทำให้ผู้ซื้อรายใหญ่ เช่น อุตสาหกรรมที่มีขนาดใหญ่ (เช่น CAT, DE) ได้รับประโยชน์ ปราการ AI ด้านกระบวนการที่เป็นกรรมสิทธิ์ (proprietary process AI moats) ไม่ใช่การจัดซื้อจัดจ้างทั่วไป ที่รักษาความแตกต่างของ ROIC 2.7 เท่า
"M&A ในฐานะโซลูชันสำหรับช่องว่างในการดำเนินการมักจะล้มเหลวเนื่องจากการออกแบบกระบวนการไม่สามารถถ่ายทอดได้ ผู้ซื้อจะได้รับหนี้สินทางเทคนิค ไม่ใช่ความได้เปรียบทางการแข่งขัน"
ทฤษฎีการรวมภาคส่วนของ Grok สันนิษฐานว่าผู้ซื้อรายใหญ่มีศักยภาพในการบริหารจัดการเพื่อรองรับข้อมูลและกระบวนการที่ยุ่งเหยิงของผู้ที่ล้าหลัง—ซึ่งในอดีตไม่เป็นความจริง CAT, DE ซื้อบริษัทที่มีโครงการนำร่อง AI ที่กระจัดกระจายไม่ได้ทำให้เกิด Synergy โดยอัตโนมัติ มันมักจะทำลายมูลค่าผ่านการลากการรวมระบบ (integration drag) ความแตกต่างของ ROIC 2.7 เท่าจะคงอยู่ต่อไปก็ต่อเมื่อขนาด *เพียงอย่างเดียว* แก้ปัญหาการดำเนินการ ซึ่งขัดแย้งกับประเด็นก่อนหน้านี้ของทุกคนที่ว่า 70% ของมูลค่าต้องการการออกแบบใหม่ ไม่ใช่แค่เงินทุน
"ความแตกต่างของ ROIC 2.7 เท่าจากการออกแบบกระบวนการ AI ตั้งแต่ต้นจนจบไม่น่าจะยั่งยืนเนื่องจากการลากการรวมระบบและต้นทุนที่เปลี่ยนแปลงไปจะกัดกิน Synergy ดังนั้นผลประโยชน์จากการรวมภาคส่วนอาจมีขนาดเล็กและสั้นกว่าที่ Grok แนะนำ"
มุมมองการรวมภาคส่วนของ Grok ขึ้นอยู่กับความได้เปรียบ ROIC ที่ยั่งยืนจากการออกแบบกระบวนการ AI ตั้งแต่ต้นจนจบ แต่สมมติว่าผู้ซื้อสามารถรองรับข้อมูลและวัฒนธรรมที่ยุ่งเหยิงของผู้ที่ล้าหลังได้โดยไม่มี Synergy ที่อ่อนแอ ประวัติศาสตร์บอกว่าการลากการรวมระบบมักจะทำลายมูลค่า และช่องว่าง 'ROIC 2.7 เท่า' สามารถแคบลงได้อย่างรวดเร็วเมื่อแพลตฟอร์มที่ผสมผสานกันถึงจุดสูงสุดและต้นทุนด้านกฎระเบียบ/การปฏิบัติตามข้อกำหนดเพิ่มขึ้น ความเสี่ยงที่แท้จริงไม่ใช่แค่การชนะการลดต้นทุน แต่คือการรักษาผลประโยชน์จากการออกแบบใหม่หลังช่วงฮันนีมูน ซึ่ง Grok มองข้ามไป
แม้ว่า AI จะมีศักยภาพอย่างมากในการลดต้นทุนและปรับปรุงกระบวนการ แต่ผู้ร่วมอภิปรายเห็นพ้องกันว่าความเสี่ยงในการดำเนินการ รวมถึงความท้าทายในการจัดสรรแรงงานใหม่และ 'ภาษี AI' เป็นอุปสรรคสำคัญ ข้อสรุปคือ แม้ว่า AI จะสามารถให้ผลลัพธ์ที่น่าประทับใจในระยะสั้น แต่การรักษาผลประโยชน์เหล่านี้ในระยะยาวคือความท้าทายที่แท้จริง
ปราการ AI ด้านกระบวนการที่เป็นกรรมสิทธิ์ (proprietary process AI moats) และการออกแบบกระบวนการตั้งแต่ต้นจนจบ ซึ่งสามารถให้ผลการลดต้นทุนที่ยั่งยืนและความแตกต่างของ ROIC
'ช่องว่างในการดำเนินการ' และความเสี่ยงของ 'ประสิทธิภาพซอมบี้' (zombie efficiency) ซึ่งบริษัทล้มเหลวในการจัดสรรแรงงานใหม่หลังจากทำงานอัตโนมัติ ทำให้เกิดการบีบอัดอัตรากำไร