Anthropic, Gamma និង Clay នឹងរួមគ្នាដោះស្រាយការពិតជាក់ស្តែងនៃ Enterprise AI នៅឯកម្មវិធី Disrupt 2026

ថ្នាក់ដឹកនាំមកពីក្រុមហ៊ុនយក្សផ្នែក Foundation Model គឺ Anthropic រួមជាមួយក្រុមហ៊ុនត្រួសត្រាយផ្នែកសូហ្វវែរសហគ្រាសដែលមានការរីកចម្រើនលឿន Gamma និង Clay នឹងជួបជុំគ្នានៅក្នុងព្រឹត្តិការណ៍ TechCrunch Disrupt 2026 នាខែតុលានេះ នៅ San Francisco ដើម្បីដោះស្រាយសំណួរដ៏បន្ទាន់បំផុតដែលបច្ចេកវិទ្យាសហគ្រាសកំពុងប្រឈមមុខ៖ តើមានអ្វីកើតឡើងពិតប្រាកដ នៅពេលដែលក្រុមហ៊ុននានានាំយកបញ្ញាសិប្បនិម្មិត (AI) ចេញពីកន្លែងសាកល្បង demo ហើយដាក់ឱ្យដំណើរការក្នុងផលិតកម្មជាក់ស្តែង? វគ្គពិភាក្សានេះនឹងក្លាយជាប្រធានបទស្នូលនៅលើ AI Stage ដែលឧបត្ថម្ភដោយ Google for Startups ដោយផ្តោតលើឧបសគ្គផ្នែករចនាសម្ព័ន្ធ បច្ចេកទេស និងសេដ្ឋកិច្ចដែលអាជីវកម្មជួបប្រទះ នៅពេលផ្លាស់ប្តូរពីគំរូសាកល្បងថ្មីថ្មោង ទៅជាការដាក់ឱ្យប្រើប្រាស់ក្នុងសហគ្រាសប្រកបដោយភាពជឿជាក់។

ការប្រកាសនេះធ្វើឡើងស្របពេលដែលវិស័យបច្ចេកវិទ្យាកាន់តែទូលំទូលាយឈានដល់ចំណុចរបត់មួយ។ ខណៈដែលឆ្នាំ 2023 និង 2024 ត្រូវបានកំណត់ដោយការបង្ហាញគំរូ Generative AI ដ៏អស្ចារ្យ និងកញ្ចប់ថវិកាសាកល្បង (proof-of-concept) ហក់ឡើងខ្ពស់ ឆ្នាំ 2026 នេះបាននាំមកនូវការត្រួតពិនិត្យយ៉ាងហ្មត់ចត់ពីសំណាក់សាជីវកម្មនានា។ ព្រឹត្តិការណ៍ TechCrunch Disrupt 2026 ដែលនឹងប្រព្រឹត្តទៅចាប់ពី ថ្ងៃទី 13 ដល់ថ្ងៃទី 15 ខែតុលា ឆ្នាំ 2026 នៅ Moscone West ក្នុងទីក្រុង San Francisco បានពង្រីកកម្មវិធីរបស់ខ្លួន ដោយបន្ថែម Real World AI Stage ទន្ទឹមនឹង AI Stage និង Builders Stage ដ៏ល្បីល្បាញ ដើម្បីដោះស្រាយគម្លាតដែលកំពុងកើនឡើងរវាងមហិច្ឆតា AI និងការអនុវត្តជាក់ស្តែងរបស់សហគ្រាស។

លើសពីការផ្សព្វផ្សាយបំផ្លើស៖ ការផ្សារភ្ជាប់គម្លាត "Demo Chasm" នៃ AI

អស់រយៈពេលជិត 4 ឆ្នាំមកហើយ ឧស្សាហកម្មបច្ចេកវិទ្យាបានជន់ជោរទៅដោយការបង្ហាញសាកល្បងដ៏ល្បីល្បាញ ដែលបង្ហាញពីភ្នាក់ងារ AI សរសេរកូដស្មុគស្មាញ រៀបចំស្លាយទីផ្សារ និងបង្កើតទិន្នន័យអតិថិជនលក់ផ្ទាល់ខ្លួនក្នុងរយៈពេលប៉ុន្មានវិនាទី។ ទោះជាយ៉ាងណាក៏ដោយ ថ្នាក់ដឹកនាំផ្នែក IT របស់សហគ្រាសបានរកឃើញថា ការបង្កើតគំរូសាកល្បងដែលដំណើរការបាន 80% នៃពេលវេលាក្នុងបរិយាកាសដែលគ្រប់គ្រងបាន គឺជារឿងសាមញ្ញ បើប្រៀបធៀបទៅនឹងការដាក់ឱ្យដំណើរការសូហ្វវែរដែលដំណើរការប្រកបដោយភាពជឿជាក់រហូតដល់ 99.9% uptime ក្រោមបទប្បញ្ញត្តិ ការអនុលោមតាមច្បាប់ និងកំហិតឯកជនភាពយ៉ាងតឹងរ៉ឹង។

ការស្រាវជ្រាវឧស្សាហកម្មពេញមួយឆ្នាំ 2025 និង 2026 បង្ហាញថា ជាង 50% នៃគម្រោងផ្តួចផ្តើម Generative AI របស់សាជីវកម្មនានាបានជាប់គាំងក្នុងអំឡុងពេល ឬភ្លាមៗបន្ទាប់ពីដំណាក់កាលសាកល្បង pilot។ មូលហេតុចម្បងកម្របណ្តាលមកពីកង្វះខាតបញ្ញាស្នូលរបស់ Large Language Models (LLMs) ណាស់។ ផ្ទុយទៅវិញ ការដាក់ឱ្យដំណើរការនៅក្នុងសហគ្រាសតែងតែបរាជ័យដោយសារតែហានិភ័យនៃការបង្កើតព័ត៌មានមិនពិត (hallucination) លទ្ធផលមិនទៀងទាត់ ការតភ្ជាប់មិនរលូនជាមួយប្រព័ន្ធទិន្នន័យចាស់ៗ និងការចំណាយលើការប្រើប្រាស់ token ដែលមិនអាចទាយទុកជាមុនបាន។

នៅ Disrupt 2026 ការពិភាក្សានឹងផ្តោតដោយផ្ទាល់លើការឆ្លងកាត់ "demo chasm" នេះ។ ជាជាងចាត់ទុក AI ជាការពិសោធន៍ក្នុងមន្ទីរពិសោធន៍ដែលគ្មានទីបញ្ចប់ Anthropic, Gamma និង Clay នឹងគូសបញ្ជាក់ពីរបៀបដែលក្រុមការងារសូហ្វវែរទំនើបត្រូវតែរៀបចំរបាំងការពារជាក់លាក់ ប្រព័ន្ធវាយតម្លៃដែលមានរចនាសម្ព័ន្ធត្រឹមត្រូវ និងលំហូរការងារដែលមានការត្រួតពិនិត្យពីមនុស្ស ដើម្បីផ្តល់នូវតម្លៃអាជីវកម្មដែលអាចផ្ទៀងផ្ទាត់បាន។

បញ្ជីរាយនាមនៅ Disrupt 2026៖ ស្រទាប់គ្រឹះ ការរចនា និងការរៀបចំទិន្នន័យ

រូបថត: TechCrunch (ប្រភព)

កិច្ចពិភាក្សានេះប្រមូលផ្តុំនូវទស្សនវិស័យសំខាន់ៗចំនួន 3 ជុំវិញស្ថាបត្យកម្ម AI សហគ្រាសទំនើប៖

• Anthropic (ស្រទាប់គ្រឹះ Foundation Layer)៖ ក្នុងនាមជាអ្នកអភិវឌ្ឍ Claude និងជាមន្ទីរពិសោធន៍ស្រាវជ្រាវ AI ឈានមុខគេមួយលើពិភពលោក Anthropic តំណាងឱ្យស្រទាប់បញ្ញាគ្រឹះ។ Anthropic បានបង្កើតភាពលេចធ្លោក្នុងចំណោមអតិថិជនសហគ្រាស តាមរយៈការផ្តោតយ៉ាងខ្លាំងលើសុវត្ថិភាព, constitutional AI, លទ្ធភាពតម្រង់ទិស និងពិធីការតភ្ជាប់បើកចំហ ដូចជា Model Context Protocol (MCP)។
• Gamma (ស្រទាប់បង្ហាញ និងចំណេះដឹង Presentation & Knowledge Layer)៖ ដឹកនាំដោយសហស្ថាបនិក និងជានាយកប្រតិបត្តិ Grant Lee ក្រុមហ៊ុន Gamma បានផ្លាស់ប្តូរសំណុំកម្មវិធីផលិតភាពដែលប្រើប្រាស់យូរអង្វែងមកហើយ។ បង្កើតឡើងជុំវិញលំហូរការងារពី prompt ទៅជាការធ្វើបទបង្ហាញ Gamma សម្រេចបានប្រាក់ចំណូលប្រចាំឆ្នាំដដែលៗ $100 million ARR និងបានពង្រីកអ្នកប្រើប្រាស់រហូតដល់ជាង 70 million នាក់ ដោយមានបុគ្គលិកត្រឹមតែប្រមាណ 50 នាក់ ប៉ុណ្ណោះ ដែលបង្ហាញពីរបៀបដែលផលិតផល AI-native អាចសម្រេចបានប្រសិទ្ធភាពទុនដែលមិនធ្លាប់មានពីមុនមក។
• Clay (ការរៀបចំទិន្នន័យ និងយុទ្ធសាស្ត្រទីផ្សារ Data & Go-to-Market Orchestration)៖ សហស្ថាបនិក និងដឹកនាំដោយនាយកប្រតិបត្តិ Kareem Amin ក្រុមហ៊ុន Clay បានលេចធ្លោជាម៉ាស៊ីនពង្រឹងទិន្នន័យ និងរៀបចំការលក់ដែលដំណើរការដោយ AI ដ៏ច្បាស់លាស់។ តាមរយៈការតភ្ជាប់អ្នកផ្តល់ទិន្នន័យច្រើនជាង 50 ប្រភព ទៅក្នុងវដ្តសកម្មភាពស្វ័យប្រវត្តដែលដំណើរការដោយ AI ក្រុមហ៊ុន Clay មិនត្រឹមតែជាកន្លែងរក្សាកំណត់ត្រា CRM អកម្មប៉ុណ្ណោះទេ ប៉ុន្តែជាម៉ាស៊ីនអនុវត្តសកម្មភាពយ៉ាងសកម្មសម្រាប់ក្រុមការងារទីផ្សារ។

អ្វីខ្លះដែលជួបការខូចខាតនៅពេលសហគ្រាសដាក់ឱ្យដំណើរការ AI ពិតប្រាកដ

នៅពេលដែលផ្នែក IT របស់សហគ្រាសភ្ជាប់ LLM ឈានមុខគេទៅកាន់មូលដ្ឋានទិន្នន័យកម្មសិទ្ធិរបស់ក្រុមហ៊ុន ហេដ្ឋារចនាសម្ព័ន្ធសាជីវកម្មដែលមានស្រាប់តែងតែជួបប្រទះការបរាជ័យទូទៅចំនួនបួន៖

1. អន្ទាក់នៃបរិបទ និងការតភ្ជាប់ (The Context and Integration Trap)៖ ម៉ូឌែលគ្រឹះស្តង់ដារខ្វះការមើលឃើញតាមពេលវេលាជាក់ស្តែងទៅក្នុងឃ្លាំងទិន្នន័យដាច់ដោយឡែករបស់សាជីវកម្ម។ បើគ្មានស្តង់ដារបើកចំហដូចជា MCP ដើម្បីធ្វើឱ្យការតភ្ជាប់ទិន្នន័យខាងក្រៅទៅកាន់ LLM មានលក្ខណៈស្តង់ដារតែមួយទេនោះ ការបង្កើត API ជាក់លាក់ដាច់ដោយឡែកនឹងក្លាយជាសុបិន្តអាក្រក់ក្នុងការថែទាំយ៉ាងឆាប់រហ័ស។
2. កង្វះខាតគុណភាពនៃលទ្ធផល (The Output Quality Deficit)៖ នៅក្នុងសូហ្វវែរផលិតភាព និងការច្នៃប្រឌិត សេចក្តីព្រាងដំបូងរបស់ AI ច្រើនតែជួបប្រទះបញ្ហារចនាប័ទ្មទូទៅពេក ដែលគេនិយមហៅថា "AI slop"។ ការដាក់ឱ្យដំណើរការ AI ក្នុងទ្រង់ទ្រាយធំ តម្រូវឱ្យមានប្រព័ន្ធដែលអនុលោមតាមគោលការណ៍ណែនាំម៉ាកយីហោក្រុមហ៊ុន សម្លេងនៃការសន្ទនា និងការបង្ហាញព័ត៌មានផ្លូវច្បាប់យ៉ាងតឹងរ៉ឹងដោយស្វ័យប្រវត្តិ ដោយមិនចាំបាច់ឱ្យអ្នកប្រើប្រាស់ចុងក្រោយសរសេរ prompt យ៉ាងស្មុគស្មាញនោះឡើយ។
3. គុណភាពទិន្នន័យ និងការប្រឈមនឹង Hallucination (Data Quality and Hallucination Exposure)៖ AI ដែលត្រូវបានដាក់ឱ្យប្រើប្រាស់ក្នុងមុខងារទំនាក់ទំនងអតិថិជន ឬទីផ្សារខាងក្រៅ មិនអាចមានកំហុសលើការពិតឡើយ។ សហគ្រាសត្រូវតែអនុវត្តការផ្ទៀងផ្ទាត់ជាដំណាក់កាល "waterfall" ដោយស្វ័យប្រវត្តិ ដោយសាកសួរប្រភពទិន្នន័យបញ្ជាក់ជាច្រើន មុនពេលផ្ញើអ៊ីមែលផ្សព្វផ្សាយ ឬកត់ត្រាទិន្នន័យស្វ័យប្រវត្តិទៅក្នុងមូលដ្ឋានទិន្នន័យ។
4. ព្រំដែនក្រហមផ្នែកសុវត្ថិភាព និងការអនុលោមតាមច្បាប់ (Security and Compliance Redlines)៖ ស្ថាប័នធំៗក្នុងវិស័យសេវាកម្មហិរញ្ញវត្ថុ ការថែទាំសុខភាព និងវិស័យការពារជាតិ អនុវត្តច្បាប់តឹងរ៉ឹងប្រឆាំងនឹងការប្រើប្រាស់ទិន្នន័យអតិថិជនដើម្បីបង្វឹកម៉ូឌែលឡើងវិញ។ ការធានានូវការរក្សាទុកទិន្នន័យតាមទីតាំងកំណត់ ការអនុលោមតាម SOC 2 Type II និងការមិនរក្សាទុកទិន្នន័យ (zero-day data retention) នៅតែជារឿងដែលមិនអាចចរចាបាន។

ការគិតគូរឡើងវិញលើ SaaS៖ ការផ្លាស់ប្តូរពីការគិតថ្លៃតាមកៅអី ទៅជាលទ្ធផលការងារ

រូបថត: TechCrunch (ប្រភព)

ការផ្តោតសំខាន់មួយនៃវគ្គពិភាក្សាខាងមុខនេះ គឺការផ្លាស់ប្តូរសេដ្ឋកិច្ចដ៏ធំធេងដែលកំពុងកែប្រែទម្រង់នៃការកំណត់តម្លៃសូហ្វវែរសហគ្រាស។ ក្រុមហ៊ុន Software-as-a-service (SaaS) បែបប្រពៃណីបានកសាងអាណាចក្ររាប់ពាន់លានដុល្លារ ដោយគិតថ្លៃជាវប្រចាំខែតាមចំនួនអ្នកប្រើប្រាស់ក្នុងម្នាក់ៗ ឬ "កៅអី (seat)"។ ប៉ុន្តែ វេទិកា AI-native ត្រូវបានបង្កើតឡើងជាមូលដ្ឋានដើម្បីកាត់បន្ថយការខិតខំប្រឹងប្រែងដោយដៃរបស់មនុស្ស ដែលធ្វើឱ្យការគិតថ្លៃតាមចំនួនកៅអីក្លាយជារឿងហួសសម័យ។

ទាំង Gamma និង Clay បានត្រួសត្រាយគំរូដែលរួមបញ្ចូលគ្នានូវក្រេឌីតផ្អែកលើការប្រើប្រាស់ ការប្រើប្រាស់ API និងកម្រិតតម្លៃដែលផ្តល់ជូនផ្អែកលើតម្លៃការងារជាក់ស្តែង។ នៅពេលដែលលំហូរការងារស្វ័យប្រវត្តអាចគ្រប់គ្រងការស្រាវជ្រាវ និងការសរសេរខ្លឹមសារដែលពីមុនតម្រូវឱ្យមានក្រុមតំណាងផ្នែកអភិវឌ្ឍន៍ការលក់ចំនួន 10 នាក់ សហគ្រាសរំពឹងថានឹងបង់ថ្លៃសម្រាប់តែការងារដែលបានសម្រេចប៉ុណ្ណោះ មិនមែនបង់ថ្លៃសម្រាប់គណនីសូហ្វវែរដែលបានរក្សាទុកនោះទេ។ ក្រុមអ្នកពិភាក្សានឹងស្វែងយល់ពីរបៀបដែលអ្នកទិញក្នុងកម្រិតសហគ្រាសកំពុងកែសម្រួលលក្ខណៈវិនិច្ឆ័យលទ្ធកម្មរបស់ពួកគេយ៉ាងសកម្ម ដើម្បីទាមទារនូវផលចំណេញត្រឡប់មកវិញលើការវិនិយោគ (ROI) យ៉ាងច្បាស់លាស់ដែលផ្សារភ្ជាប់ដោយផ្ទាល់ទៅនឹងប្រសិទ្ធភាពកម្លាំងពលកម្ម និងទិន្នផលការងារ ជាជាងអត្រានៃការប្រើប្រាស់សូហ្វវែរ។

ដំបូន្មានជាក់ស្តែងសម្រាប់អ្នកទិញបច្ចេកវិទ្យាកម្រិតសហគ្រាស

សម្រាប់ CIO ថ្នាក់ដឹកនាំផលិតផល និងក្រុមវិស្វករដែលកំពុងរៀបចំការដាក់ឱ្យប្រើប្រាស់ AI ក្នុងសហគ្រាសនាពេលបច្ចុប្បន្ន បទពិសោធន៍រួមគ្នារបស់ Anthropic, Gamma និង Clay ផ្តល់នូវការណែនាំដែលអាចអនុវត្តបាន៖

• បំបែក UI ចេញពីម៉ូឌែល (Decouple the UI from the Model)៖ ចាត់ទុក Foundation Model ជាម៉ាស៊ីនទំនិញដែលអាចផ្លាស់ប្តូរបាន។ រៀបចំស្ថាបត្យកម្មសហគ្រាសជុំវិញស្រទាប់ពិធីការដ៏រឹងមាំ (ដូចជា MCP) ដូច្នេះលំហូរការងារអាចប្តូររវាងម៉ូឌែលថ្មីជាង ថោកជាង ឬលឿនជាងបានយ៉ាងរលូន ដោយមិនចាំបាច់រៀបចំប្រព័ន្ធឡើងវិញទាំងស្រុង។
• ផ្តោតលើ "ប្រព័ន្ធនៃសកម្មភាព" មិនមែនត្រឹមតែ "ប្រព័ន្ធនៃកំណត់ត្រា" នោះទេ៖ មូលដ្ឋានទិន្នន័យរក្សាទុក ដូចជា CRM ចាស់ៗ លែងគ្រប់គ្រាន់ទៀតហើយ។ តម្លៃរបស់សហគ្រាសនឹងហូរទៅកាន់ឧបករណ៍ដែលអាចសំយោគទិន្នន័យដោយផ្ទាល់ និងផ្តួចផ្តើមសកម្មភាពអាជីវកម្មជាក់ស្តែងដោយស្វ័យប្រវត្តិ។
• កំណត់ឱ្យមានវដ្តនៃការផ្តល់មតិត្រឡប់យ៉ាងតឹងរ៉ឹង៖ បង្កើតប្រព័ន្ធវាយតម្លៃជាបន្តបន្ទាប់ដែលបុគ្គលិកអាចវាយតម្លៃ កែតម្រូវ និងរាយការណ៍ពីកំហុស AI បានយ៉ាងងាយស្រួល។ ប្រព័ន្ធដែលបានដាក់ឱ្យដំណើរការត្រូវតែរៀនសូត្រយ៉ាងសកម្មពីការកែតម្រូវរបស់មនុស្ស ជាជាងការបង្កើតកំហុសដដែលៗនៅទូទាំងផ្នែកផ្សេងៗនៃស្ថាប័ន។

អ្វីដែលនឹងកើតឡើងបន្ទាប់

TechCrunch Disrupt 2026 នឹងប្រព្រឹត្តទៅនៅ ថ្ងៃទី 13 ដល់ 15 ខែតុលា ឆ្នាំ 2026 នៅមជ្ឈមណ្ឌលសន្និបាត Moscone West ក្នុងទីក្រុង San Francisco។ ទន្ទឹមនឹងការពិភាក្សានៅលើ AI Stage ដែលមានការចូលរួមពី Anthropic, Gamma និង Clay ព្រឹត្តិការណ៍នេះក៏នឹងបង្ហាញការប្រកួតប្រជែង Startup Battlefield 200 ដ៏ល្បីល្បាញ ដែលប្រមូលផ្តុំវិនិយោគិនទុនបណ្តាក់ទុន ស្ថាបនិកដំណាក់កាលដំបូង និងប្រតិបត្តិករស្ថាប័ននានា។ អ្នកចូលរួមដែលចុះឈ្មោះមុនព្រឹត្តិការណ៍អាចទាញយកអត្ថប្រយោជន៍ពីអត្រាតម្លៃពិសេសនៃសន្និសីទ រួមទាំងការបញ្ចុះតម្លៃ 50% សម្រាប់សំបុត្រទីពីរ។

ខណៈដែលកញ្ចប់ថវិកា AI របស់សាជីវកម្មប្រឈមនឹងការត្រួតពិនិត្យយ៉ាងតឹងរ៉ឹងមិនធ្លាប់មានពីមុនមកមុនឈានដល់វគ្គរៀបចំផែនការឆ្នាំ 2027 ការយល់ដឹងស៊ីជម្រៅដែលត្រូវបានបង្ហាញនៅលើឆាក Disrupt នឹងផ្តល់នូវផែនទីបង្ហាញផ្លូវដ៏សំខាន់មួយថាតើ AI នឹងបន្តវិវឌ្ឍទៅជាសូហ្វវែរប្រតិបត្តិការដ៏រឹងមាំ ឬនៅតែបន្តជាប់គាំងនៅក្នុងវដ្តនៃការពិសោធន៍សាកល្បង proof-of-concept គ្មានទីបញ្ចប់។

សំណួរដែលសួរញឹកញាប់

តើ TechCrunch Disrupt 2026 នឹងប្រព្រឹត្តទៅនៅពេលណា និងនៅឯណា? TechCrunch Disrupt 2026 នឹងប្រព្រឹត្តទៅចាប់ពីថ្ងៃទី 13 ដល់ថ្ងៃទី 15 ខែតុលា ឆ្នាំ 2026 នៅ Moscone West ក្នុងទីក្រុង San Francisco រដ្ឋ California។

តើអ្វីជាការផ្តោតសំខាន់នៃវគ្គពិភាក្សាដែលមានការចូលរួមពី Anthropic, Gamma និង Clay? វគ្គពិភាក្សានេះស្វែងយល់ពីឧបសគ្គផ្នែកបច្ចេកទេស ការរៀបចំ និងប្រតិបត្តិការដែលក្រុមហ៊ុននានាជួបប្រទះ នៅពេលបម្លែងបញ្ញាសិប្បនិម្មិតពីការបង្ហាញគំរូសាកល្បង ទៅកាន់បរិយាកាសសហគ្រាសជាក់ស្តែងក្នុងទ្រង់ទ្រាយធំ។

ហេតុអ្វីបានជាគម្រោងសាកល្បង AI របស់សហគ្រាសតែងតែជាប់គាំងមុនពេលដាក់ឱ្យដំណើរការពេញលេញ? គម្រោងសាកល្បងភាគច្រើនជាប់គាំងដោយសារតែទិន្នន័យនៅដាច់ដោយឡែកពីគ្នា លទ្ធផលម៉ូឌែលដែលមិនទៀងទាត់ ឧបសគ្គនៃការអនុលោមតាមបទប្បញ្ញត្តិនិងសុវត្ថិភាពដ៏តឹងរ៉ឹង ព្រមទាំងភាពស្មុគស្មាញនៃប្រតិបត្តិការក្នុងការតភ្ជាប់ LLM ទៅក្នុងលំហូរការងារចាស់ៗរបស់សហគ្រាស។

តើ AI កម្រិតសហគ្រាសកំពុងផ្លាស់ប្តូរការកំណត់តម្លៃសូហ្វវែរបែបប្រពៃណីយ៉ាងដូចម្តេច? AI កម្រិតសហគ្រាសកំពុងផ្លាស់ប្តូរការកំណត់តម្លៃរបស់អ្នកផ្គត់ផ្គង់ចេញពីការជាវតាមចំនួនកៅអីអ្នកប្រើប្រាស់ធម្មតា ទៅជារចនាសម្ព័ន្ធតម្លៃផ្អែកលើការប្រើប្រាស់ ផ្អែកលើក្រេឌីត និងផ្អែកលើលទ្ធផលជាក់ស្តែង ដែលគិតថ្លៃលើការងារដែលបានសម្រេច ជាជាងគណនីអ្នកប្រើប្រាស់សកម្ម។

ប្រភព

• TechCrunch