Gartner ชี้ agentic AI จ่อกระทบงบซอฟต์แวร์องค์กร 234 พันล้านดอลลาร์ ภายในปี 2030
Gartner ประเมินว่า agentic AI จะดึงงบซอฟต์แวร์องค์กรราว 234 พันล้านดอลลาร์เข้าสู่ความเสี่ยงภายในปี 2030 — อ่านผ่านแว่นคนทำ model risk และ vendor risk การเงิน
Gartner ชี้ agentic AI จ่อกระทบงบซอฟต์แวร์องค์กร 234 พันล้านดอลลาร์ ภายในปี 2030
Gartner ประเมินว่า agentic AI จะดึงงบซอฟต์แวร์องค์กรราว 234 พันล้านดอลลาร์เข้าสู่ความเสี่ยงภายในปี 2030 — อ่านผ่านแว่นคนทำ model risk และ vendor risk การเงิน
ต้นเดือนกรกฎาคม 2026 Gartner ออกบทวิเคราะห์ที่ผมคิดว่าคนทำสาย data/risk การเงินควรอ่านให้จบ ไม่ใช่เพราะมันเป็นข่าว AI อีกชิ้น แต่เพราะมันแตะจุดที่เราต้องรับผิดชอบจริง คือ "ความเสี่ยงจากผู้ให้บริการ" (vendor risk) และการตัดสินใจว่าจะซื้อหรือจะสร้างเครื่องมือเอง Gartner บอกว่างบซอฟต์แวร์องค์กรราว 234 พันล้านดอลลาร์ (สองแสนสามหมื่นสี่พันล้านดอลลาร์สหรัฐ) กำลังถูกดึงเข้าสู่ความเสี่ยงจากสิ่งที่เขาเรียกว่า agentic arbitrage ภายในปี 2030 ผมจะไม่เล่าแค่ตัวเลข แต่จะย่อยว่ามันแปลว่าอะไรกับคนที่ต้องเซ็นรับความเสี่ยงในแบงก์
1. Gartner บอกอะไร: 234 พันล้านดอลลาร์ กับคำว่า agentic arbitrage
หัวใจของรายงานอยู่ที่ประโยคเดียว Gartner ระบุว่า "As much as $234 billion in SaaS spending through 2030 is at risk from agentic arbitrage, which happens when agents programmed to complete tasks across multiple systems bypass user interfaces, the analyst firm found" พูดง่าย ๆ คือ เมื่อ AI agent ทำงานข้ามหลายระบบแทนคน มันข้ามหน้าจอ (user interface) ที่เดิมทีเป็นตัวขายของซอฟต์แวร์ไปเลย เราจึงไม่ต้องซื้อ license ตามจำนวนคนที่นั่งกดหน้าจอเหมือนเดิม
Gartner ยังประเมินขนาดของผลกระทบไว้ชัดว่า "Gartner estimates that the exposed spending would account for about 20% of enterprise software-as-a-service (SaaS) spending by the end of the decade" — งบที่เข้าข่ายเสี่ยงนี้คิดเป็นราว 20% ของงบ SaaS องค์กรทั้งหมดภายในสิ้นทศวรรษ นี่ไม่ใช่เศษเสี้ยว มันคือหนึ่งในห้าของกระเป๋าเงินซอฟต์แวร์องค์กร
คำว่า arbitrage ในที่นี้ตรงกับความหมายทางการเงินที่เราคุ้น คือการหากำไรจากช่องว่างของราคา เมื่อ agent ส่งมอบ "ผลลัพธ์" ได้โดยตรง มูลค่าที่เคยผูกกับ "ที่นั่งผู้ใช้งาน" ก็ย้ายไปอยู่ที่ผลลัพธ์แทน
ทำไมมันสำคัญกับเรา: ตัวเลข 234 พันล้านดอลลาร์ ไม่ได้แปลว่าเงินหายไป มันแปลว่าเงินกำลังย้ายที่ และของที่ย้ายที่คือสิ่งที่ vendor risk ต้องจับตา ถ้าโครงสร้างการคิดเงินของผู้ให้บริการหลักของแบงก์เปลี่ยน สัญญา การพึ่งพา และ concentration risk ที่เราประเมินไว้เมื่อปีก่อน อาจใช้ไม่ได้แล้วในปีหน้า
2. Saaspocalypse — ทำไมโมเดลธุรกิจซอฟต์แวร์ถึงสั่นคลอน
Gartner ใช้คำแรงว่านี่คือการนิยามใหม่ของ "Saaspocalypse" หรือ "the disaggregation of the legacy SaaS market as we know it today" — การแตกสลายของตลาด SaaS แบบที่เรารู้จัก แก่นของมันคือประโยคของนักวิเคราะห์ Gartner ที่ว่า "You are no longer buying software primarily for people; you are increasingly buying it for agents" เราไม่ได้ซื้อซอฟต์แวร์ให้คนใช้เป็นหลักอีกต่อไป แต่ซื้อให้ agent ใช้
จุดที่ผมคิดว่าคนทำ risk ต้องขีดเส้นใต้คือ มันตัดสายสัมพันธ์ระหว่าง "จำนวนผู้ใช้" กับ "รายได้" ของผู้ขายซอฟต์แวร์ เดิมทีผู้ให้บริการโตด้วยการเพิ่มที่นั่งผู้ใช้ แต่ถ้า agent หนึ่งตัวทำงานแทนคนสิบคน จำนวนที่นั่งก็ไม่โตตามการใช้งานอีก
แต่ Gartner ก็ไม่ได้บอกว่าตลาดจะพัง เขาประเมินว่างบซอฟต์แวร์โดยรวมยัง "software spending grows by roughly 12% through 2030, according to Brocklehurst" คือยังโตราว 12% ถึงปี 2030 เพียงแต่เงินจะไหลไปหาบริการที่เน้น "ผลลัพธ์" มากกว่าซอฟต์แวร์ที่ขายเป็นฟีเจอร์ นักวิเคราะห์ถึงกับบอกว่านี่ "is less an apocalypse and more of a metamorphosis" — ไม่ใช่วันสิ้นโลก แต่เป็นการแปรสภาพ
ทำไมมันสำคัญกับเรา: เวลาผมทำ third-party model risk คำถามแรกไม่ใช่ "เจ้านี้ดีไหม" แต่คือ "ถ้าโมเดลธุรกิจของเจ้านี้เปลี่ยน เราติดกับดักตรงไหน" การที่รายได้ vendor หลุดจากจำนวนผู้ใช้ แปลว่าแรงจูงใจของเขาจะเปลี่ยน ราคาจะเปลี่ยน และ roadmap ของผลิตภัณฑ์ที่เราพึ่งอยู่ก็อาจเปลี่ยนตาม เราต้องอ่านสัญญาใหม่ด้วยสมมติฐานใหม่
3. 70% คือ agent-washing — บทเรียน due diligence แบบ model risk
ท่ามกลางกระแส Gartner เตือนเรื่องคุณภาพของ agent ไว้ตรง ๆ นักวิเคราะห์บอกว่า "Our estimate is that about 70% are agent-washing" คือราว 70% ของสิ่งที่ถูกเรียกว่า agent วันนี้ เป็นการเอาผลิตภัณฑ์เดิม (chatbot, RPA, ผู้ช่วยอัตโนมัติ) มาแปะป้ายใหม่ ไม่ได้มีความสามารถ agentic จริงตามที่โฆษณา
นี่คือปัญหาเดียวกับที่ผมเจอในงาน model validation มาตลอด ป้ายกับของจริงไม่เท่ากัน เวลามี vendor เดินเข้ามาบอกว่า "โมเดลของเราแม่นกว่า" หรือ "agent ของเราทำงานเองได้" หน้าที่ของเราไม่ใช่เชื่อสไลด์ แต่คือตั้ง success metric ตั้ง baseline ก่อนเริ่ม แล้ววัดว่ามันสร้างมูลค่าจริงหรือแค่ดูดี ช่องว่างระหว่าง "ใช้ AI" กับ "ได้ผลจาก AI" เป็นธีมเดียวกับที่ผมเขียนไว้ในช่องว่างการใช้ AI ในภาคการเงิน และการคัดกรอง agent ที่อวดอ้างเกินจริงก็ต้องใช้วินัยเดียวกับเช็กลิสต์ธรรมาภิบาล AI agent สำหรับสายการเงิน
ทำไมมันสำคัญกับเรา: ตัวเลข 70% agent-washing แปลว่าโอกาสที่ของที่แบงก์กำลังจะเซ็นซื้อ "ไม่ใช่ agent จริง" สูงกว่าครึ่ง งาน due diligence ของสาย risk จึงมีมูลค่ามากขึ้น ไม่ใช่น้อยลง เพราะเราคือด่านที่แยก "คำโฆษณา" ออกจาก "ความสามารถที่พิสูจน์ได้"
4. มุมคนทำ data/risk การเงิน: vendor risk กับโจทย์สร้างเองหรือซื้อ
ถ้ามูลค่าย้ายจาก "ที่นั่งผู้ใช้" ไปที่ "ผลลัพธ์" สิ่งที่ตามมาคือคำถามเชิงกลยุทธ์ว่าแบงก์ควรพึ่ง vendor แค่ไหน และควรสร้าง agentic layer ของตัวเองตรงไหน แบงก์จ่ายค่าซอฟต์แวร์องค์กรมหาศาลทั้ง core banking, ระบบความเสี่ยง, KYC/AML และเครื่องมือวิเคราะห์ ถ้า agent เริ่มข้ามหน้าจอเหล่านี้ ต้นทุนและ lock-in ที่เราเคยยอมรับก็ต้องถูกตีราคาใหม่
ผมไม่ได้เชียร์ให้สร้างเองทุกอย่าง การสร้างเองมีต้นทุนซ่อนและความเสี่ยงเรื่องการดูแลระยะยาว แต่หลักการที่ผมใช้เสมอคือ ถ้ามันซับซ้อนหรือทำซ้ำไม่ได้ อย่าเพิ่งเอามาใช้ และถ้าสิ่งที่ vendor คิดเงินแพงคือ "หน้าจอ" ที่ agent กำลังจะข้ามพอดี การประเมินเศรษฐศาสตร์ของการรันเองบางส่วนก็คุ้มที่จะทำ ผมเคยเทียบต้นทุนแนวนี้ไว้ในเศรษฐศาสตร์การรันโมเดล local กับ API และกรอบการกำกับโมเดลในยุค AI ที่ผมยึดอยู่ก็อยู่ในการจัดการความเสี่ยงโมเดลยุค AI
ทำไมมันสำคัญกับเรา: โจทย์ "สร้างเองหรือซื้อ" ไม่ใช่แค่เรื่องต้นทุน มันคือเรื่อง control และ concentration risk ยิ่งเราพึ่ง vendor รายเดียวกับงานที่กระทบลูกค้าและเงินทุนมากเท่าไร ความเสี่ยงเวลาเขาเปลี่ยนโมเดลธุรกิจก็ยิ่งสูง การรักษาความสามารถในการรันบางส่วนเองไว้ คือประกันความเสี่ยงเชิงกลยุทธ์ ไม่ใช่แค่การประหยัด
5. แล้วเราควรทำอะไรตั้งแต่วันจันทร์
รายงานแบบนี้ประโยชน์จะเป็นศูนย์ถ้าอ่านจบแล้วปิดแท็บ ผมสรุปเป็นสิ่งที่คนทำ data/risk การเงินหยิบไปทำได้จริงตั้งแต่สัปดาห์นี้:
- ทำ inventory ว่า agent ไปแตะระบบไหนบ้าง — ก่อนจะประเมินความเสี่ยงได้ ต้องรู้ก่อนว่าในองค์กรมี agent หรือฟีเจอร์ agentic วิ่งอยู่ตรงไหน แตะข้อมูลลูกค้าหรือการตัดสินใจสินเชื่อหรือไม่
- ตั้ง success metric และ baseline ก่อนซื้อ — อย่าให้ vendor เป็นคนนิยามความสำเร็จ เขียนไว้ก่อนว่าถ้า agent เวิร์ก ตัวเลขไหนต้องขยับ แล้ววัดจริงหลังใช้ นี่คือด่านกัน agent-washing ที่ดีที่สุด
- อ่านสัญญาใหม่ด้วยสมมติฐานว่าโมเดลราคาจะเปลี่ยน — ใส่เงื่อนไขการย้ายออก (exit) และการพกพาข้อมูล (data portability) ให้ชัด เพราะถ้ารายได้ vendor หลุดจากจำนวนผู้ใช้ วิธีคิดเงินของเขาจะเปลี่ยนแน่
- คงคนไว้ในลูปที่จุดกระทบสิทธิลูกค้า — งานที่ agent ทำแล้วกระทบเครดิตหรือสิทธิลูกค้าโดยตรง ต้องมีจุดที่คนตรวจทานได้ก่อนผลลัพธ์ออกไปจริง
ทำไมมันสำคัญกับเรา: ทั้งสี่ข้อคือทักษะเดิมของสาย model risk ที่เอามาใช้กับของใหม่ เราไม่ต้องเป็นคนเขียน agent เก่งที่สุดในองค์กร แต่เราคือคนที่ตั้งคำถามว่า "ถ้ามันพลาด วงความเสียหายกว้างแค่ไหน และเรากู้กลับได้เร็วแค่ไหน" — คำถามนี้ยิ่งมีค่าเมื่อ agent เริ่มลงมือทำงานจริงแทนคน
ภาพรวม
รายงาน Gartner ต้นเดือนกรกฎาคม 2026 ไม่ได้บอกว่า agentic AI จะทำลายตลาดซอฟต์แวร์ มันบอกว่าเงินราว 234 พันล้านดอลลาร์กำลังย้ายที่ โมเดลธุรกิจที่ผูกกับ "จำนวนผู้ใช้" กำลังสั่นคลอน และของที่ถูกเรียกว่า agent ราว 70% ยังเป็นแค่การแปะป้าย สำหรับคนทำ data/risk การเงิน นี่ไม่ใช่ข่าวเทคโนโลยีไกลตัว แต่คือสัญญาณให้ทบทวน vendor risk, concentration risk และคำถามสร้างเองหรือซื้อ ด้วยสมมติฐานชุดใหม่ ใครตั้งกรอบวัดผลและคัดกรองของจริงจากของปลอมได้ก่อน คือคนที่ได้เปรียบ ไม่ใช่ใครซื้อ agent มาเยอะสุด
ถ้าอยากได้ระบบทำงานจริงที่เอา AI agent มาช่วยงาน data/risk การเงินแบบวัดผลได้ คุมได้ และรันเองบางส่วนเพื่อลดการพึ่ง vendor ผมรวบรวมวิธีประกอบทั้ง workspace ไว้ในคอร์ส Claude Code
เนื้อหานี้เพื่อการศึกษาและวิเคราะห์พร้อมอ้างอิง ไม่ใช่คำแนะนำการลงทุน