ใช้ AI ทำ Porter's Five Forces ได้แค่ไหน? ตอนที่ 4 กับ Anthropic ให้ AI ประเมินแรงกดดันในตลาดโมเดล AI แล้วเถียงตัวเอง

สามตอนแรกมองจากในบริษัทออกไป ตอนนี้ถอยออกมามองทั้งอุตสาหกรรมด้วยเครื่องมือที่เก่าที่สุดในชุด คือ Porter's Five Forces และเพิ่มกติกาใหม่หนึ่งข้อที่ทำให้ตอนนี้ต่างจากสามตอนก่อน หลังจาก AI ให้คะแนนแรงกดดันทั้ง 5 แล้ว เราสั่งให้มันทำหน้าที่ "ฝ่ายค้าน" เถียงคะแนนของตัวเองด้วยเอกสารชุดเดิม ผลคือคะแนน 1 ใน 5 พลิก อีก 2 แรงลดความมั่นใจ และ AI จับได้เองว่าตัวเองนับซ้ำ

1. Porter's Five Forces คืออะไร และทำไมต้องให้ AI เถียงตัวเอง

Porter's Five Forces คือกรอบของ Michael Porter (ฉบับปรับปรุงใน Harvard Business Review ปี 2551) ที่บอกว่ากำไรของอุตสาหกรรมหนึ่งถูกกำหนดด้วยแรงกดดัน 5 แรง ไม่ใช่ด้วยความเก่งของบริษัทใดบริษัทหนึ่ง ถ้าแรงส่วนใหญ่สูง ต่อให้เป็นผู้นำตลาดก็กำไรบาง ถ้าแรงส่วนใหญ่ต่ำ บริษัทธรรมดาก็อยู่สบาย งานของนักวิเคราะห์คือให้คะแนนแต่ละแรงว่า สูง กลาง หรือต่ำ พร้อมหลักฐาน

สิ่งที่ทำให้ Five Forces เหมาะกับการทดสอบ AI มากกว่ากรอบอื่นคือ คะแนนมันดูมั่นใจเสมอ คนอ่านเห็นคำว่า "สูง" พร้อมหลักฐาน 5 ข้อ ก็เชื่อ ทั้งที่ Porter เองเขียนไว้ว่าคะแนนขึ้นกับการกำหนดขอบเขตอุตสาหกรรมและขอบฟ้าเวลา เปลี่ยนสองอย่างนี้ คะแนนเปลี่ยนโดยที่ข้อเท็จจริงไม่เปลี่ยนเลย คำถามของเราจึงไม่ใช่แค่ AI ให้คะแนนได้ไหม แต่คือถ้าบังคับให้มันเถียงคะแนนตัวเอง มันจะยอมรับตรงไหนว่าคะแนนยืนอยู่บนมุมมอง ไม่ใช่บนข้อมูล

2. วิธีทดลอง: ให้คะแนนก่อน แล้วสั่งให้เถียงคะแนนตัวเอง

เอกสารแนบ 31 รายการคือ 25 รายการจากตอนที่แล้ว บวก 6 รายการที่ Five Forces ต้องมีแต่สามตอนก่อนไม่ต้องใช้ ได้แก่ ผลประกอบการ NVIDIA ไตรมาสล่าสุด (ฝั่งซัพพลายเออร์ชิป) รายงานการย้ายงานของบุคลากร AI ของ SignalFire ประมาณการต้นทุนฝึกโมเดลของ Epoch AI ผลสำรวจ CIO 100 รายของ Andreessen Horowitz บทความต้นฉบับของ Porter ใน HBR และสรุปข้อสรุปตอนที่ 1–3 ของเราเองเป็นรายการที่ 31 เพื่อให้ AI ตรวจความสอดคล้องกับสิ่งที่มันเคยสรุปไว้

คุณเป็นที่ปรึกษากลยุทธ์ธุรกิจ ช่วยทำ Porter's Five Forces ของอุตสาหกรรม
"โมเดล AI ระดับ frontier สำหรับองค์กร" ซึ่งเป็นตลาดที่ Anthropic แข่งอยู่
จากเอกสารแนบด้านล่าง

กติกา
1. ตอบเป็นภาษาไทย ภาษาคนทำงาน ไม่ต้องเกริ่น
2. ทำครบ 5 แรง: การแข่งขันในอุตสาหกรรม · ภัยจากผู้เข้าใหม่ · อำนาจต่อรองของ
   ซัพพลายเออร์ (ชิป คลาวด์ พลังงาน บุคลากร) · อำนาจต่อรองของผู้ซื้อ (องค์กร
   นักพัฒนา และไฮเปอร์สเกลเลอร์ในฐานะช่องทาง) · ภัยจากสินค้าทดแทน (โมเดล
   open-weight ที่โฮสต์เอง โมเดลที่ผู้ซื้อทำเอง หรือไม่ใช้ AI)
3. แต่ละแรงให้ (ก) คะแนน สูง / กลาง / ต่ำ (ข) ปัจจัย 3–5 ข้อ ตั้งรหัส R1, N1,
   S1, B1, T1 ... ทุกข้ออ้าง [n] และกำกับว่า ข้อเท็จจริง หรือ ตีความ
   (ค) "สิ่งที่จะทำให้คะแนนเปลี่ยน" 1–2 ข้อ (ง) ผลต่อ Anthropic 1 ประโยค
4. ห้ามเดาตัวเลข ถ้าเอกสารไม่ครอบคลุมให้กำกับ (ความรู้เดิม อาจล้าสมัย)
5. ปิดท้ายด้วย (ก) ตารางสรุป 5 แรง: คะแนน · ความมั่นใจ · เหตุผลสั้น
   (ข) ตาราง "สิ่งที่คนต้องตัดสินใจหรือตรวจสอบเพิ่ม"
6. ไม่ต้องค้นเว็บ

คำสั่งขั้นที่สองแนบผลขั้นแรกทั้งฉบับกับเอกสารชุดเดิม แล้วเปลี่ยนบทบาท

ต่อจาก Porter's Five Forces ด้านล่าง ขอให้คุณทำหน้าที่ "ฝ่ายค้าน"
เถียงคะแนนของแต่ละแรงด้วยเอกสารชุดเดียวกัน

กติกา
1. ตอบเป็นภาษาไทย ภาษาคนทำงาน ไม่ต้องเกริ่น
2. แต่ละแรงให้ (ก) ข้อโต้แย้งที่แข็งที่สุดว่าคะแนนควรเป็นตรงข้าม (ถ้าเดิมสูง
   ให้เถียงว่ากลางหรือต่ำ ถ้าเดิมต่ำ ให้เถียงว่าสูง) ทุกข้ออ้าง [n] ห้ามเพิ่ม
   ข้อเท็จจริงใหม่ที่ไม่มีในเอกสารแนบ (ข) จุดอ่อนของข้อโต้แย้งนั้นเอง
   (ค) คะแนนสุดท้ายหลังชั่งสองฝั่ง พร้อมความมั่นใจ และบอกว่าเปลี่ยนจากเดิม
   หรือไม่ เพราะอะไร (ง) "สิ่งที่จะทำให้ผมเปลี่ยนใจ" คือหลักฐานอะไรที่ถ้าได้เห็น
   จะกลับคะแนน
3. ตรวจความสอดคล้องกับตอนก่อน [31]: คะแนนสุดท้ายหนุนหรือขัดข้อสรุปของ
   SWOT/TOWS/CVP ตรงไหน ระบุรหัสข้อ
4. ปิดท้ายด้วย (ก) ตารางสรุป (ข) ตาราง "สิ่งที่คนต้องตัดสินใจ" ที่ขึ้นกับมุมมอง
   หรือความเสี่ยงที่ยอมรับได้ ไม่ใช่ข้อมูล
5. ไม่ต้องค้นเว็บ

กติกาข้อ 2 (ก) "ห้ามเพิ่มข้อเท็จจริงใหม่" สำคัญที่สุด เพราะถ้าปล่อยให้ฝ่ายค้านหาหลักฐานใหม่ได้ มันจะชนะเสมอ สิ่งที่เราอยากรู้คือเอกสารชุดเดิมรองรับคะแนนตรงข้ามได้แค่ไหน วิธีเขียนกติกาแบบนี้เราอธิบายไว้ใน คู่มือเขียน prompt ให้ Claude สองขั้นใช้เวลาขั้นละราว 5–7 นาที ได้คำตอบราว 13,000 และ 18,600 ตัวอักษร ขั้นฝ่ายค้านยาวกว่าขั้นให้คะแนน เพราะต้องเขียนทั้งข้อโต้แย้ง จุดอ่อนของข้อโต้แย้ง และคำตัดสิน

3. ผลขั้นที่ 1: สูง 3 แรง กลาง 2 แรง และคำอธิบายที่ฟังดูลงตัวเกินไป

AI เริ่มด้วยการกำหนดขอบเขตเอง คือตลาดขายโมเดล frontier ให้องค์กรผ่าน API คลาวด์ และเครื่องมือ ผู้เล่นหลักตามเอกสารมี 3 ราย และจัดโมเดลจีนกับ open-weight เป็นสินค้าทดแทนตามโจทย์ที่เราให้ จากนั้นให้คะแนนทั้ง 5 แรงพร้อมปัจจัย 25 ข้อ ทุกข้อมีเลขอ้างอิงและป้ายข้อเท็จจริงหรือตีความ

ภาพรวมที่ AI สรุปคือ "3 ใน 5 แรงสูง สอดคล้องกับอัตรากำไรขั้นต้นราว 44%" อ่านแล้วลงตัวมาก และนั่นคือปัญหา สามอย่างที่ควรสังเกตก่อนไปขั้นที่ 2

• AI แยกชั้นเองโดยไม่ได้สั่ง ผู้เข้าใหม่แยกเป็น "ระดับ frontier แท้ = ต่ำ" กับ "ระดับใกล้ frontier = สูง" แล้วเฉลี่ยเป็นกลาง ผู้ซื้อแยกเป็นองค์กรใหญ่ นักพัฒนา และคลาวด์ในฐานะช่องทาง ให้คะแนนต่างกัน นี่คือสิ่งที่ที่ปรึกษาเก่งทำ และเป็นจุดที่ทำให้คะแนนรวมอ่านแล้วน่าเชื่อ
• AI ระบุวันที่ของหลักฐานเทียบกับวันที่ของภัย หลักฐานว่าผู้ซื้อ "ไม่ไวต่อราคา" และส่วนแบ่งงานโค้ด 54% เก็บเมื่อ พ.ย. 2568 ส่วนการลดราคา 80% ของคู่แข่งเกิด ก.ค. 2569 AI เขียนกำกับเองว่าหลักฐานเก่ากว่าภัย และใส่เป็นรายการแรกในตาราง "สิ่งที่ต้องตรวจสอบเพิ่ม" 12 รายการ
• แต่ AI ก็นับซ้ำโดยไม่รู้ตัว โมเดลจีน 6 ตัวถูกใช้ดันคะแนนผู้เข้าใหม่จากต่ำเป็นกลาง (ข้อ N2) และถูกใช้เป็นหลักฐานหลักของสินค้าทดแทน (ข้อ T1) พร้อมกัน ทั้งที่ขอบเขตที่มันกำหนดเองบอกว่าโมเดลจีนเป็นสินค้าทดแทน เราไม่ได้ทักตรงนี้ เพราะอยากรู้ว่าขั้นฝ่ายค้านจะจับได้เองไหม

4. ผลขั้นที่ 2: ฝ่ายค้านพลิก 1 แรง ลดความมั่นใจ 2 แรง และจับได้ว่านับซ้ำ

ตารางนี้คือทั้งกระบวนการในหน้าเดียว คอลัมน์ที่ 2 คือข้อโต้แย้งที่แข็งที่สุดที่ AI หาได้จากเอกสารชุดเดิม คอลัมน์ที่ 3 คือจุดอ่อนของข้อโต้แย้งนั้นที่ AI ชี้เอง คอลัมน์ที่ 4 คือคำตัดสิน และคอลัมน์สุดท้ายคือของที่มีค่าที่สุดในตอนนี้ คลิกที่ภาพเพื่อเปิดขนาดเต็ม

สิ่งที่เกิดขึ้นทีละแรง

• สินค้าทดแทน พลิกจากสูงเป็นกลาง ฝ่ายค้านชี้ว่าคะแนนเดิมยืนบนสองขาที่เอกสารเองบั่นทอน ราคา "เซนต์" ไม่นิ่ง (DeepSeek ขึ้นราคา 50–1,100% ในเดือนเดียว) และหลักฐานการใช้ 80% เป็นสตาร์ทอัพ ไม่ใช่ฐานรายได้ที่เป็นบัญชีเกิน $1M กว่า 500 ราย ที่สำคัญคือประโยคที่ AI กำกับคำตัดสินเอง "กลางเพราะยังไม่มีหลักฐานองค์กร ไม่ใช่กลางเพราะพิสูจน์แล้วว่าปลอดภัย" และบอกว่าถ้าลูกค้ารายใหญ่รายใดย้ายงานไป open-weight ใน production ต้องกลับเป็นสูงทันที
• ผู้เข้าใหม่ คะแนนเท่าเดิมแต่ที่มาเปลี่ยน ฝ่ายค้านจับได้ว่า N2 นับซ้ำกับแรงที่ 5 AI ยอมรับ ย้ายโมเดลจีนไปแรงที่ 5 ทั้งก้อน แล้วแทนด้วยข้อใหม่ N6 ผู้เข้าใหม่ที่อันตรายคือคลาวด์ที่เป็นซัพพลายเออร์อยู่แล้ว โดยมี Google ที่ส่วนแบ่งขึ้นจาก 7% เป็น 21% เป็นตัวอย่างที่เกิดแล้ว คะแนนยังกลาง แต่แหล่งภัยชัดกว่าและใกล้กว่าเดิม
• การแข่งขัน สูงเท่าเดิม แต่ความมั่นใจลดจากสูงเป็นกลาง ฝ่ายค้านชนะประเด็นเดียวแต่สำคัญ คือตลาดที่โต 3 เท่าและของขาดเป็นปัจจัยที่ Porter ระบุว่าลดความรุนแรงของการแข่งขัน แต่ขั้นแรกไม่ได้ถ่วงเลย AI ตัดสินว่ามันจำกัดสงครามราคาแค่ตอนนี้ ไม่ได้ลบโครงสร้าง จึงคงคะแนนแต่ยอมรับว่าหลักฐานราคามีหนึ่งต่อหนึ่ง
• ซัพพลายเออร์ สูงเท่าเดิม ความมั่นใจลด และได้ข้อค้นพบใหม่ ฝ่ายค้านมีข้อเท็จจริงสองข้อที่ขั้นแรกมองข้าม ซัพพลายเออร์ประมูลกันเองและจ่ายเงินลงทุนเพื่อให้ได้ขาย และสัดส่วนต้นทุน compute ลดลง แต่ AI ตอบว่าเงินลงทุนคือความเป็นเจ้าของ ไม่ใช่ส่วนลด และเงินไหลสุทธิไปทางซัพพลายเออร์ ข้อค้นพบใหม่คือ อัตรากำไร 44% ควรอธิบายด้วยแรงนี้แรงเดียว ไม่ใช่ด้วย "3 ใน 5 แรงสูง" อย่างที่ภาพรวมเดิมสรุป
• ผู้ซื้อ กลางเท่าเดิม แต่ปรับชั้นย่อย ฝ่ายค้านถูกที่ว่าหลักฐานยอดจ่ายที่โตกว่า 40 เท่าและการที่ Notion, Slack, Figma สร้างสินค้าบน Claude ไม่รองรับคำว่า "สูง" สำหรับองค์กรใหญ่ AI ปรับองค์กรใหญ่ลงเป็นกลาง แต่ยกระดับ use case ที่ไม่ใช่โค้ดเป็นกลาง–สูง เพราะ "โมเดลต่างกันตาม use case" แปลว่าแต่ละงานถูกประมูลแยก

นี่คือผลสุดท้ายในเลย์เอาต์มาตรฐานของ Porter ป้ายสีคือคะแนนหลังขั้นฝ่ายค้าน บรรทัดเล็กใต้ป้ายคือคะแนนเดิมและความมั่นใจ ข้อความใต้เส้นประในแต่ละกล่องคือ "จะเปลี่ยนถ้า" ที่ AI เขียนเอง

กติกาข้อ 3 ให้ AI ตรวจว่าคะแนนสุดท้ายหนุนหรือขัดข้อสรุปของตอนที่ 2 และ 3 ผลคือขัด 2 จุดและหนุนที่เหลือ ซึ่งเป็นสิ่งที่เราอยากเห็น เพราะถ้าหนุนหมดแปลว่ามันแค่เขียนตามของเดิม

รหัส W/T/WT/WO/ST อ้างอิงจาก ตอนที่ 2 SWOT และ TOWS · ข้อสรุป CVP จาก ตอนที่ 3

5. สิ่งที่คนต้องตัดสินใจ: 9 ประเด็นที่ข้อมูลเพิ่มก็ตอบไม่ได้

ตารางสุดท้ายของขั้นฝ่ายค้านต่างจากตาราง "สิ่งที่ต้องตรวจสอบเพิ่ม" ของขั้นแรก ตารางแรกคือของที่หาข้อมูลมาเติมได้ ตารางนี้คือของที่ต่อให้มีข้อมูลครบก็ยังต้องมีคนเลือก เพราะขึ้นกับมุมมองหรือความเสี่ยงที่รับได้ AI ระบุได้ 9 ประเด็น

ประเด็นที่ 1 และ 2 คือสิ่งที่ Porter เขียนไว้เองว่าเป็นต้นตอของการวิเคราะห์ที่ผิด (กำหนดอุตสาหกรรมกว้างหรือแคบเกินไป และดูภาพนิ่งแทนแนวโน้ม) AI ไปเจอทั้งสองข้อจากการเถียงตัวเอง ไม่ใช่จากการอ่านกรอบ · MCP = Model Context Protocol มาตรฐานเปิดสำหรับเชื่อมโมเดลกับข้อมูลและเครื่องมือ

6. สิ่งที่เรียนรู้: ขั้นฝ่ายค้านคือส่วนที่ทำให้ผลของ AI ตรวจได้

สรุปจากสี่ตอน AI ไปได้ 5 ขั้น จัดข้อมูล แยกข้อเท็จจริงจากความเห็น จับคู่เป็นทางเลือก ตั้งสมมติฐานเรื่องลูกค้า และตอนนี้คือให้คะแนนแล้วหักล้างคะแนนตัวเองด้วยเอกสารชุดเดิม ขั้นสุดท้ายนี้ต่างจากขั้นอื่นตรงที่มันไม่ได้เพิ่มข้อมูล แต่เพิ่มความรู้ว่าข้อมูลที่มีรองรับข้อสรุปแค่ไหน

• ที่ AI ทำได้ดีกว่าที่คาด จับการนับซ้ำของตัวเองได้ แยกว่าข้อไหนเป็นข้อเท็จจริง ข้อไหนเป็นการกำหนดขอบเขต (โมเดลจีนเป็นผู้เข้าใหม่หรือสินค้าทดแทน "ไม่ใช่ข้อเท็จจริง") ยอมพลิกคะแนนเมื่อแพ้ และกำกับคำตัดสินที่พลิกด้วยประโยคที่กันไม่ให้คนอ่านสบายใจเกินไป
• ที่ต้องเป็นคน ตอบ 9 ประเด็นในตารางที่ 5 ซึ่งเป็นเรื่องมุมมองและความเสี่ยงที่รับได้ เติมข้อมูลภายในที่เอกสารสาธารณะไม่มี (สัดส่วนรายได้ผ่านช่องทาง เงื่อนไขภาระผูกพัน แนวโน้มราคาต่อหน่วย) และรับผิดชอบคะแนนที่จะเอาไปใช้ตัดสินใจลงทุน
• ที่ต้องระวังเป็นพิเศษ ขั้นที่ 1 อ่านลื่นกว่าขั้นที่ 2 เสมอ เพราะขั้นที่ 2 เต็มไปด้วยเงื่อนไข ถ้าเอาไปนำเสนอผู้บริหาร คนมักเลือกขั้นที่ 1 ให้เลือกขั้นที่ 2 แล้วนำเสนอด้วยคอลัมน์ "สิ่งที่จะทำให้เปลี่ยนใจ" เป็นหลัก

7. เอาไปใช้กับบริษัทตัวเอง: แรงซัพพลายเออร์และผู้ซื้อของคุณอยู่ในระบบอยู่แล้ว

Five Forces ของบริษัทใหญ่ในข่าวต้องพึ่งรายงานนักวิเคราะห์ แต่สองใน 5 แรงของบริษัทคุณเอง คืออำนาจต่อรองของซัพพลายเออร์และของผู้ซื้อ มีหลักฐานอยู่ในระบบ ERP (Enterprise Resource Planning) อยู่แล้ว และเป็นหลักฐานที่ดีกว่าข่าว เพราะเป็นตัวเลขจริงของคุณ

1. กำหนดขอบเขตให้แคบและเขียนลงกระดาษก่อน ประเด็นที่ 1 และ 2 ในตารางที่ 5 คือจุดที่การวิเคราะห์ส่วนใหญ่พังตั้งแต่ต้น ระบุว่าอุตสาหกรรมคืออะไร ขายให้ใคร ในพื้นที่ไหน มองไป 12 เดือนหรือ 3–5 ปี แล้วใส่ไว้ในคำสั่งบรรทัดแรก ถ้าไม่ระบุ AI จะกำหนดเอง และคุณจะเถียงกับคะแนนโดยไม่รู้ว่าเถียงเรื่องขอบเขต
2. ดึงแรงซัพพลายเออร์และผู้ซื้อจากระบบ ส่งออกประวัติการจัดซื้อแยกตามซัพพลายเออร์ย้อนหลัง 2–3 ปี จะเห็นทันทีว่ามูลค่าซื้อกระจุกที่กี่ราย ราคาต่อหน่วยของวัตถุดิบหลักขึ้นกี่ครั้ง และมีซัพพลายเออร์สำรองไหม ฝั่งผู้ซื้อส่งออกยอดขายและลูกหนี้แยกตามลูกค้า จะเห็นว่าลูกค้า 5 อันดับแรกเป็นกี่เปอร์เซ็นต์ของรายได้ และรายไหนต่อรองส่วนลดหรือยืดเครดิตได้ ใส่วันที่ทุกไฟล์ เรื่องการอ่านข้อมูลจัดซื้ออ่านที่ ระบบจัดซื้อใน ERP
3. เอกสารสาธารณะสำหรับอีก 3 แรง การแข่งขัน ผู้เข้าใหม่ และสินค้าทดแทน ใช้ข่าวอุตสาหกรรม รายงานสมาคม และราคาของคู่แข่งที่ประกาศ ทำเป็นเอกสารแนบใส่เลขและวันที่เหมือนที่เราทำ ข้อไหนไม่มีเอกสารให้ AI กำกับว่า "ความรู้เดิม" วิธีแนบไฟล์และให้ทีมใช้เอกสารชุดเดียวกันอ่านที่ ใช้ Claude อ่านไฟล์ Excel, CSV, PDF และ Claude Projects
4. รันสองขั้นเสมอ และอย่าข้ามขั้นฝ่ายค้าน ใช้คำสั่งขั้นที่ 1 แล้วต่อด้วยขั้นที่ 2 ทันที กติกา "ห้ามเพิ่มข้อเท็จจริงใหม่" ต้องอยู่ ถ้าฝ่ายค้านพลิกคะแนนได้ด้วยเอกสารชุดเดิม แปลว่าคะแนนนั้นไม่ควรเอาไปใช้จนกว่าจะหาข้อมูลเพิ่ม
5. เอาคอลัมน์ "สิ่งที่จะทำให้เปลี่ยนใจ" ไปทำเป็นตัวชี้วัดรายไตรมาส เช่น สัดส่วนซื้อจากซัพพลายเออร์รายใหญ่สุด สัดส่วนรายได้จากลูกค้า 5 อันดับแรก จำนวนครั้งที่ต้องลดราคาสู้คู่แข่ง ดูจากระบบทุกไตรมาส เมื่อตัวเลขข้ามเส้นที่ AI เขียนไว้ ค่อยกลับมาให้คะแนนใหม่ นี่คือการเปลี่ยน Five Forces จากเอกสารครั้งเดียวเป็นเครื่องมือบริหารความเสี่ยง อ่านต่อที่ การบริหารความเสี่ยงองค์กร และเรื่องบทบาทผู้บริหารกับการตัดสินใจบนข้อมูลจริงที่ ERP สำเร็จหรือล้มอยู่ที่ผู้บริหาร

อ่านย้อนหลังทั้งชุด: ตอนที่ 1 Business Model Canvas · ตอนที่ 2 SWOT และ TOWS Matrix · ตอนที่ 3 Customer Value Proposition · ตอนที่ 4 บทความนี้ ทั้งสี่ตอนใช้เอกสารชุดเดียวกันที่ขยายขึ้นเรื่อย ๆ จาก 21 เป็น 31 รายการ

สรุป

• AI ให้คะแนน Porter's Five Forces ครบ 5 แรง พร้อมปัจจัย 25 ข้อที่มีเลขอ้างอิงและป้ายข้อเท็จจริงหรือตีความ ในเวลาไม่ถึง 10 นาที ขั้นแรกได้สูง 3 กลาง 2
• เมื่อสั่งให้เถียงตัวเองด้วยเอกสารชุดเดิม สินค้าทดแทนพลิกจากสูงเป็นกลาง ความมั่นใจของการแข่งขันและซัพพลายเออร์ลดลง และ AI จับได้เองว่านับโมเดลจีนซ้ำสองแรง
• ข้อสรุปที่เปลี่ยนคือคำอธิบายอัตรากำไร 44% ไม่ได้มาจาก "3 ใน 5 แรงสูง" แต่มาจากซัพพลายเออร์ที่เป็นผู้ถือหุ้น คู่แข่ง และช่องทางพร้อมกัน แรงเดียว
• ของที่มีค่าที่สุดคือ "สิ่งที่จะทำให้เปลี่ยนใจ" ของทุกแรง และตาราง 9 ประเด็นที่ต่อให้มีข้อมูลครบก็ยังต้องมีคนตัดสินใจ
• สำหรับบริษัทของคุณ แรงซัพพลายเออร์และแรงผู้ซื้ออยู่ในระบบ ERP อยู่แล้ว ดึงออกมาใส่วันที่ รันสองขั้น แล้วเอาเงื่อนไขเปลี่ยนใจไปเป็นตัวชี้วัดรายไตรมาส

คะแนน Five Forces ที่ AI ให้ครั้งแรกอ่านลื่นและมั่นใจ แต่ครั้งที่สองที่มันเถียงตัวเอง ทำให้รู้ว่าคะแนนไหนยืนบนข้อเท็จจริง คะแนนไหนยืนบนการกำหนดขอบเขต สิ่งที่ควรเก็บไว้ใช้จึงไม่ใช่คะแนน แต่คือเงื่อนไขที่บอกว่าเมื่อไรคะแนนจะเปลี่ยน

- ข้อสรุปจากการทดลองตอนที่ 4 26 กันยายน 2569

แหล่งอ้างอิง

• [1] Anthropic: Anthropic raises $30B Series G at $380B post-money valuation (12 ก.พ. 2569)
• [2] Anthropic: Anthropic raises $65B Series H at $965B valuation (28 พ.ค. 2569)
• [3] TechCrunch (อ้าง Bloomberg): Anthropic's annualized revenue surges to $65B (17 ส.ค. 2569)
• [4] Axios (อ้าง The New York Times): Anthropic tops $100 billion revenue pace, report says (18 ก.ย. 2569)
• [5] Anthropic: Expanding our use of Google Cloud TPUs and services (23 ต.ค. 2568)
• [6] Anthropic: Anthropic expands Google and Broadcom compute deal (6 เม.ย. 2569)
• [7] Amazon: Amazon announces $5B Anthropic investment, up to $20B more (20 เม.ย. 2569)
• [8] Microsoft: Microsoft, NVIDIA and Anthropic announce strategic partnerships (18 พ.ย. 2568)
• [9] Anthropic: Seoul becomes third Anthropic office in Asia-Pacific (และ Sydney fourth office, 10 มี.ค. 2569) (23 ต.ค. 2568)
• [10] Claude: Pricing page (ตรวจ 26 ก.ย. 2569)
• [11] Yahoo Finance: Anthropic's gross margin is the most important number in tech (10 มิ.ย. 2569)
• [12] GSA: GSA strikes another OneGov deal with Anthropic (ขยายถึง 31 ต.ค. 2569 ตามรายงาน Nextgov ก.ย. 2569) (12 ส.ค. 2568)
• [13] Anthropic: The Long-Term Benefit Trust (ก.ย. 2566)
• [14] Anthropic: Claude Cowork และหน้าผลิตภัณฑ์ที่ claude.com (ตรวจ 26 ก.ย. 2569)
• [15] Sacra: Anthropic revenue, valuation & funding (ประมาณการบุคคลที่สาม) (2569)
• [16] Yahoo Finance / Quartz (อ้าง Bloomberg): OpenAI annualized revenue tops $40 billion ahead of IPO (14 ส.ค. 2569)
• [17] Menlo Ventures: 2025 — The State of Generative AI in the Enterprise (9 ธ.ค. 2568)
• [18] State Street Investment Management: Beyond DeepSeek — China's 2026 model wave and the repricing of the AI stack (21 ก.ย. 2569)
• [19] EU Artificial Intelligence Act: Implementation timeline (อัปเดต 31 ส.ค. 2569)
• [20] PYMNTS: Google Cloud rides enterprise AI demand to 82% growth (ผลประกอบการ Alphabet Q2/2569) (22 ก.ค. 2569)
• [21] บทความตอนที่ 1 ของเรา: ใช้ AI เขียน Business Model Canvas ได้แค่ไหน? — BMC ที่ตรวจแล้ว (26 ก.ย. 2569)
• [22] Menlo Ventures (รายงานเดียวกับ [17]) ส่วนที่ว่าด้วยเหตุผลที่องค์กรเลือกผู้ขายและความไวต่อราคา (9 ธ.ค. 2568)
• [23] Claude: Customer stories (ตรวจ 26 ก.ย. 2569)
• [24] Anthropic Economic Index: Economic primitives (15 ม.ค. 2569) และ Cadences (26 มิ.ย. 2569)
• [25] บทความตอนที่ 2 ของเรา: ใช้ AI ทำ SWOT และ TOWS Matrix ได้แค่ไหน? (26 ก.ย. 2569)
• [26] NVIDIA: Financial results for first quarter fiscal 2027 (ไตรมาสสิ้นสุด 26 เม.ย. 2569) (20 พ.ค. 2569)
• [27] SignalFire: State of Tech Talent Report 2025 (20 พ.ค. 2568)
• [28] Epoch AI: How much does it cost to train frontier AI models? (3 มิ.ย. 2567)
• [29] Andreessen Horowitz: How 100 Enterprise CIOs Are Building and Buying Gen AI in 2025 (10 มิ.ย. 2568)
• [30] Porter, M. E. (2008): The Five Competitive Forces That Shape Strategy, Harvard Business Review (ม.ค. 2551)
• [31] บทความตอนที่ 3 ของเรา: ใช้ AI ทำ Customer Value Proposition (CVP) ได้แค่ไหน? — สรุปข้อสรุปตอน 1–3 ใช้เป็นเอกสารแนบรายการที่ 31 (26 ก.ย. 2569)