MiniMax ทิ้ง 'คำสอนดั้งเดิม' รายได้องค์กรพุ่ง 700% แอบเปลี่ยนตัวเองเป็น 'พ่อค้าขายจอบ'

ในความทรงจำของหลายคน เมื่อพูดถึง MiniMax สิ่งแรกที่หวนขึ้นมาอาจจะยังเป็น AI คู่หู Talkie ที่เคยโด่งดังในต่างประเทศ หรือไม่ก็ Xingye และ Hailuo AI ที่ผู้ใช้ในประเทศจีนรู้จักกันดี ตลอดช่วงเวลาที่ผ่านมา ยูนิคอร์นโมเดลภาษาขนาดใหญ่แห่งนี้มักถูกติดป้ายว่าเป็น 'บริษัทเน้นผู้บริโภค (C-end)' จากภายนอก

แต่สถานการณ์ได้เปลี่ยนแปลงไปอย่างสิ้นเชิงในช่วงหนึ่งปีที่ผ่านมา

จากรายงานการเงินกลางปี 2026 ฉบับล่าสุดที่ MiniMax เปิดเผย เมื่อเทียบกับหนึ่งปีก่อนที่สัดส่วนฝั่งผู้บริโภคครองอยู่ที่ประมาณ 70% นำหน้าฝั่งองค์กรที่มีเพียง 30% โครงสร้างรายได้ของบริษัทได้กลับด้านอย่างสมบูรณ์ โดยขณะนี้ฝั่งธุรกิจ (B-end) เข้าควบคุมในระดับเด็ดขาด

MiniMax ใช้เวลาเพียงหนึ่งปีในการปรับเปลี่ยนโครงสร้าง และปัจจุบันได้กลายเป็นบริษัทฐานประมวลผลที่ขับเคลื่อนโดยระบบนิเวศนักพัฒนาระดับโลก บริการ MaaS แบบมัลติโมดอล และโครงสร้างพื้นฐาน Agent เป็นแกนหลัก

ตามข้อมูลที่เปิดเผย ขนาดรายได้โดยรวมของ MiniMax เพิ่มขึ้นอย่างมหาศาล โดยในครึ่งปีแรกของปี 2026 มีรายได้รวมประมาณ 120 ล้านดอลลาร์สหรัฐ เพิ่มขึ้น 283.1% เมื่อเทียบกับช่วงเดียวกันของปีก่อน ซึ่งรายได้เพียงครึ่งปีก็ทะลุถึง 1.5 เท่าของรายได้ทั้งปี 2025

ในส่วนนี้ รายได้จากธุรกิจฝั่งองค์กร (B-end) ซึ่งประกอบด้วยแพลตฟอร์มเปิดและบริการองค์กรอื่นๆ สูงถึง 73.9 ล้านดอลลาร์สหรัฐ เพิ่มขึ้นกว่า 700% เมื่อเทียบกับช่วงเดียวกันของปีก่อน สัดส่วนรายได้พุ่งจาก 30.3% ในปีก่อนมาอยู่ที่ 63.4% กลายเป็นเสาหลักรายได้ที่ใหญ่ที่สุดของบริษัทในพริบตา

การเติบโตอย่างก้าวกระโดดของตลาดระดับองค์กร สร้างการเพิ่มขึ้นอย่างมีนัยสำคัญให้กับ ARR (รายได้ประจำปี) ของ MiniMax โดย ณ เดือนสิงหาคม ได้ไปถึง 800 ล้านดอลลาร์สหรัฐ ซึ่งธุรกิจ To B คิดเป็นสัดส่วนสูงถึงประมาณ 80% ส่วน To C มีเพียง 20%

(ข้อควรทราบคือ ARR ไม่ใช่ตัวเลขที่ผ่านการตรวจสอบตามหลักการบัญชีที่รับรองทั่วไป จึงอาจมีความอ่อนไหวต่อการประเมินมูลค่า แต่สำหรับบริษัทโมเดล AI และบริษัทประเภท SaaS ถือเป็นตัวชี้วัดที่มีคุณค่า)

นอกจากนี้ ในครึ่งปีแรก ตลาดต่างประเทศของ MiniMax มีสัดส่วนรายได้ประมาณ 60% ซึ่งเน้นย้ำภาพลักษณ์ความเป็นบริษัทระดับโลกอีกครั้ง

ในขณะที่รายได้พุ่งสูงขึ้น ค่าใช้จ่ายในการขายและจัดจำหน่ายลดลง 17.9% เมื่อเทียบกับช่วงเดียวกันของปีก่อน มาอยู่ที่ 27 ล้านดอลลาร์สหรัฐ ส่วนกำไรขั้นต้นเพิ่มขึ้น 464.8% เป็น 20.81 ล้านดอลลาร์สหรัฐ

ด้านการขาดทุน ขาดทุนสุทธิในช่วงเวลานี้ลดลงจากประมาณ 400 ล้านดอลลาร์สหรัฐในช่วงเดียวกันของปีก่อน มาอยู่ที่ประมาณ 360 ล้านดอลลาร์สหรัฐ

นี่หมายความว่า MiniMax ได้ลาจากขั้นตอนเริ่มต้นที่ต้องพึ่งพาการซื้อสื่อเพื่อดึงดูดผู้ใช้งานแอปพลิเคชันบนมือถือฝั่งผู้บริโภคอย่างสิ้นเชิง หลังจากทุ่มเทให้กับโมเดลพื้นฐานและความสามารถแบบมัลติโมดอลอย่างเต็มที่ บริษัทได้หันมาขับเคลื่อนด้วยการเติบโตตามธรรมชาติผ่านระบบนิเวศขององค์กรและนักพัฒนา

ลองมาเปรียบเทียบข้ามเครือข่ายอย่างง่าย:

• ตามรายงานของ The Information DeepSeek มีรายได้ 70.7 ล้านดอลลาร์สหรัฐในช่วง 7 เดือนแรกของปีนี้ หากตัดเดือนกรกฎาคมที่คึกคักออกไป คร่าวๆ แล้วรายได้ครึ่งปีแรกของ MiniMax จะอยู่ที่ประมาณ 2 เท่าของ DeepSeek

• แม้ว่ารายได้สุทธิของ DeepSeek จะต่ำกว่า MiniMax แต่ใน 7 เดือนแรกสามารถทำรายได้ทั้งปี 2025 ได้ถึง 10 เท่า อัตราการเติบโตสูงกว่า MiniMax อย่างมาก

• ขาดทุนสุทธิใน 7 เดือนแรกของ DeepSeek อยู่ที่ 106 ล้านดอลลาร์สหรัฐ ส่วนขาดทุนสุทธิของ MiniMax ในช่วงเวลานี้สูงกว่า DeepSeek ประมาณ 3.4 เท่า

ฉันทมติเก่าและใหม่

MiniMax เปิดเผยว่า การเพิ่มขึ้นแบบก้าวกระโดดของปริมาณการใช้ Token เป็นเหตุผลสำคัญที่ทำให้รายได้ในช่วงนี้พุ่งสูงขึ้น

เฉพาะในเดือนกรกฎาคมของปีนี้ ปริมาณการใช้ Token บนทุกแพลตฟอร์มของ MiniMax สูงถึง 20 เท่าของเดือนมกราคม ณ ปัจจุบัน จำนวนลูกค้าองค์กรและนักพัฒนาระดับโลกพุ่งผ่าน 2 ล้านราย ซึ่งมากกว่า 10 เท่าของช่วงปลายปี 2025

การที่ปริมาณการใช้ Token เพิ่มขึ้นแบบไม่เป็นเส้นตรงอย่างเหลือเชื่อเช่นนี้ คำตอบอยู่ที่การเปลี่ยนแปลงของพาราไดม์การใช้งานโมเดล

Yan Junjie ซีอีโอของบริษัท เปิดเผยว่า พาราไดม์การใช้งานโมเดลได้เปลี่ยนจาก 'การสนทนาโดยตรงระหว่างมนุษย์กับ AI' ไปสู่ 'การโต้ตอบแบบหลายรอบเชิงลำดับระหว่าง Agent กับ AI' อย่างเต็มรูปแบบ

ความต้องการด้านการอนุมาน (Inference) ที่ขับเคลื่อนโดย Agent เติบโตขึ้นอย่างรวดเร็ว เร็วกว่าการเติบโตของจำนวนผู้ใช้งานและจำนวนข้อความของมนุษย์อย่างเห็นได้ชัด สิ่งนี้ส่งผลให้ปริมาณการใช้ Token ต่อผู้ใช้งานหนึ่งคนเพิ่มขึ้นแบบทวีคูณ

นี่ถือเป็น 'ฉันทมติเก่า' ในอุตสาหกรรมโมเดลที่เปลี่ยนแปลงอยู่ตลอดเวลา

และฉันทมติใหม่ที่สำคัญยิ่งกว่า คือ Post-training ได้กลายเป็นขีดจำกัดใหม่ของ Scaling

จากข้อมูลที่เปิดเผยต่อสาธารณะของ Zhipu GLM 5.3, DeepSeek V4 Flash (เวอร์ชัน 0731) และ Gemini 3.

Yan Junjie ยังได้ชี้ให้เห็นถึงการเปลี่ยนแปลงของฉันทมติอุตสาหกรรมใหม่นี้ในการประชุมผลประกอบการ โดยระบุว่า ปัจจุบัน Scaling ของโมเดลภาษาขนาดใหญ่กำลังขยายตัวอย่างรวดเร็วจาก Pre-training เพียงอย่างเดียว ไปสู่ Mid-training, Post-training และ Reinforcement Learning

ในขั้นตอน Post-training การสร้างข้อมูลสังเคราะห์จำนวนมหาศาล, Environment Rollout (การอนุมาน/การสร้าง) ใน Reinforcement Learning และการตรวจสอบความถูกต้องจากการลองผิดลองถูกของงานที่สร้างขึ้น ล้วนมีแก่นแท้เป็นการคำนวณอนุมานทั้งสิ้น และยิ่งต้นทุนการอนุมานต่อหน่วยกำลังคำนวณต่ำลงเท่าไหร่ ปริมาณการรองรับข้อมูลยิ่งมากขึ้นเท่านั้น โมเดลก็จะสามารถรองรับวิถีและขนาดการทดลองได้มากขึ้นในระหว่าง Post-training นี่คือเหตุผลที่ทำให้ผู้ผลิตโมเดลจำนวนมากรวมถึง MiniMax ใช้สัดส่วนกำลังคำนวณในขั้นตอน Mid-training และ Post-training สูงขึ้นเรื่อยๆ

Yan Junjie ระบุว่า ภายใต้ขนาดกำลังคำนวณที่เท่ากัน อัตราการเพิ่มขึ้นของประสิทธิภาพการอนุมาน มีความสัมพันธ์แบบเชิงเส้นโดยประมาณกับอัตราการขยายตัวของขนาด Post-training ซึ่งความหมายคร่าวๆ ของประโยคนี้คือ ยิ่งใส่แรงใน Post-training มากเท่าไหร่ ประสิทธิภาพการอนุมานก็จะเพิ่มขึ้นมากเท่านั้น และผลลัพธ์สุดท้ายที่โมเดลส่งออกมาก็จะยิ่งดีขึ้น

กล่าวอีกนัยหนึ่ง ไม่ว่าผู้คนจะมองว่า Scaling Law กำลังชนกำแพงหรือไม่ หรือขนาดพารามิเตอร์ของโมเดลได้ไปถึงขีดจำกัดแล้วหรือไม่ — Post-training...