ในขณะที่การปฏิวัติ AI สัญญาว่าจะสร้างผลิตภาพที่ไม่เคยมีมาก่อน แต่บริษัทขนาดใหญ่กลับต้องเผชิญกับอุปสรรคสำคัญ นั่นคือพวกเขาไม่สามารถเชื่อมต่อโมเดลที่ซับซ้อนเข้ากับสภาพแวดล้อมระบบเก่า (legacy) ที่ยุ่งเหยิงได้ June สตาร์ทอัพน้องใหม่ พยายามแก้ปัญหาวิกฤตการติดตั้งใช้งาน (deployment) นี้โดยการใช้ AI เพื่อทำให้กระบวนการที่ปัจจุบันต้องใช้กองทัพที่ปรึกษาราคาแพงกลายเป็นระบบอัตโนมัติ

ความย้อนแย้งของการนำ AI มาใช้งาน

ในขณะที่โมเดล AI มีความสามารถมากขึ้น ความต้องการบริการจากผู้เชี่ยวชาญแบบแมนนวลกลับเพิ่มสูงขึ้นตามไปด้วย บริษัทต่างๆ เริ่มจ้าง "Forward-Deployed Engineers" (FDEs) ซึ่งเป็นทีมที่เข้าไปฝังตัวอยู่ในองค์กรเพื่อทำหน้าที่เชื่อมต่อโมเดล AI ดิบเข้ากับโครงสร้างพื้นฐานเดิมของบริษัทด้วยตนเอง

Efrat Rapoport อดีตผู้บริหารจาก Salesforce กล่าวว่า การจ้างคนเพิ่มขึ้นเพื่อจัดการกับความซับซ้อนนั้นเป็นสิ่งที่ไม่ยั่งยืน แนวทางแบบแมนนวลดังกล่าวสร้างคอขวดที่ขัดขวางไม่ให้แม้แต่ LLM ที่ทรงพลังที่สุดสามารถส่งมอบคุณค่าที่แท้จริงให้กับบริษัทในกลุ่ม Fortune 500 ได้

การแก้ปัญหาความยุ่งเหยิงของข้อมูลในระบบเก่า

อุปสรรคที่ใหญ่ที่สุดไม่ใช่ความฉลาดของโมเดล แต่คือ "ความยุ่งเหยิงที่อยู่เบื้องล่าง" องค์กรขนาดใหญ่ดำเนินงานผ่านแพลตฟอร์มที่ปะติดปะต่อกันอย่างไม่เป็นระเบียบ ไม่ว่าจะเป็น Salesforce, ServiceNow, Databricks หรือ Workday ซึ่งเต็มไปด้วยหนี้ทางเทคนิค (technical debt) ฟิลด์ข้อมูลที่ซ้ำซ้อน และเวิร์กโฟลว์ที่ไม่สอดคล้องกัน

แพลตฟอร์มของ June จะทำการสแกนระบบของบริษัท เรียนรู้กระบวนการที่เป็นเอกลักษณ์ และสร้างแผนงานการติดตั้งใช้งาน (deployment roadmap) แบบทีละขั้นตอนโดยอัตโนมัติ แทนที่จะใช้สถาปนิกที่เป็นมนุษย์ในการวางแผนการเชื่อมต่อ June จะระบุจุดที่เป็นคอขวด แจ้งเตือนให้ผู้ใช้ทำความสะอาดข้อมูลที่ซ้ำซ้อนหรือเชื่อมต่อแหล่งข้อมูล และจากนั้นจึงสร้างการเชื่อมต่อ (integration) ให้โดยอัตโนมัติ

ก้าวข้าม "กล่องดำ" ของงานที่ปรึกษา

June เข้ามาแทนที่โมเดลการทำงานแบบแมนนวลที่มีความยุ่งยากและต้นทุนสูงด้วยเครื่องมือแบบบริการตนเอง (self-service) สำหรับ CMG ผู้ให้บริการสินเชื่อที่อยู่อาศัยรายใหญ่ในสหรัฐฯ ความแตกต่างนี้ถือเป็นการเปลี่ยนแปลงครั้งสำคัญ หลังจากที่ต้องดิ้นรนกับการใช้ Claude Code และ Salesforce ผ่านการปรึกษาแบบดั้งเดิม June ช่วยให้ทีมของพวกเขาสามารถระบุจุดติดตั้งใช้งานและดำเนินการต่อไปได้โดยไม่ต้องเผชิญกับอุปสรรคที่กินเวลานานหลายสัปดาห์

ด้วยการเปลี่ยน "งานวางระบบพื้นฐาน" (plumbing)—ตั้งแต่การทำความสะอาดข้อมูล การทำแผนผังข้อมูล ไปจนถึงการเพิ่มประสิทธิภาพเวิร์กโฟลว์—ให้เป็นระบบอัตโนมัติ June ช่วยให้บริษัทต่างๆ เปลี่ยนจากการทดลองแบบ "vibe-coding" ไปสู่การดำเนินงานที่ขับเคลื่อนด้วยเอเจนต์ (agent-powered operations) ที่ขยายขนาดได้ โดยไม่ต้องใช้ทีมวิศวกรเฉพาะทางจำนวนมหาศาล

ทำไมเรื่องนี้จึงสำคัญต่อภูมิทัศน์ของ AI

คลื่นลูกถัดไปของ AI จะไม่ได้ถูกตัดสินด้วยจำนวนพารามิเตอร์ แต่จะตัดสินด้วยว่าใครสามารถถักทอโมเดลเข้ากับกลไกทางเศรษฐกิจที่มีอยู่เดิมได้ หาก June ประสบความสำเร็จ อุตสาหกรรมอาจเปลี่ยนจากโมเดลที่เน้นการบริการ (service-heavy) ไปสู่โมเดลที่ขับเคลื่อนด้วยซอฟต์แวร์ (software-driven) ซึ่งจะช่วยลดอุปสรรคในการทำระบบอัตโนมัติสำหรับองค์กร และเร่งเข้าสู่ยุคของ "Agentic Workflow"

ประเด็นสำคัญ

  • การทำให้การเชื่อมต่อเป็นระบบอัตโนมัติ: June สแกนและทำแผนผังระบบเก่าที่ซับซ้อน จากนั้นจึงส่งมอบแผนงานอัตโนมัติเพื่อแก้ไขปัญหาข้อมูลกระจัดกระจายและหนี้ทางเทคนิค
  • การลดภาระด้านบุคลากร: แพลตฟอร์มนี้เปลี่ยนจากการใช้ Forward-Deployed Engineers ราคาแพง มาเป็นโมเดลการติดตั้งใช้งานแบบบริการตนเองที่ "สร้างได้เพียงแค่คลิก" (build-on-click)
  • ได้รับการสนับสนุนจากยักษ์ใหญ่: สร้างโดยทีมงานเบื้องหลัง Bonobo AI โดย June ได้รับเงินทุนระดับ pre-seed จำนวน 20 ล้านดอลลาร์ นำโดย Time Ventures ของ Marc Benioff

June เปิดตัวแพลตฟอร์มที่ขับเคลื่อนด้วย AI ซึ่งจะเชื่อมต่อโมเดลภาษาขนาดใหญ่ (LLMs) เข้ากับระบบองค์กรแบบเก่าโดยอัตโนมัติ โดยอ้างว่าสามารถขจัดความจำเป็นในการใช้ทีมวิศวกรแบบ forward-deployed ที่มีค่าใช้จ่ายสูงได้

คอขวดของการเชื่อมต่อระบบ

ในช่วงปีที่ผ่านมา องค์กรต่างๆ ใช้จ่ายเงินไปกับการซื้อ LLM ที่ทรงพลังมากขึ้นเรื่อยๆ แต่ส่วนใหญ่ยังคงสะดุดที่อุปสรรคแรก นั่นคือการเชื่อมต่อโมเดลเหล่านั้นเข้ากับแอปพลิเคชันทั้งแบบ on-prem และ cloud ที่ปะติดปะต่อกัน วิธีแก้ปัญหาแบบเดิมคือการจ้างทีม FDE ซึ่งเป็นที่ปรึกษาที่เข้าไปฝังตัวในบริษัท เพื่อทำหน้าที่ทำแผนผังการไหลของข้อมูลและเขียนโค้ดเชื่อมต่อ (glue code) ด้วยตนเอง

Efrat Rapoport เรียกแนวทางนั้นว่า "ไม่ยั่งยืน" การเพิ่มจำนวนพนักงานไม่ได้ช่วยลบฟิลด์ข้อมูลที่ซ้ำซ้อน ตารางที่ล้าสมัย หรือเวิร์กโฟลว์ที่แยกส่วนกัน แต่มันเป็นเพียงการประวิงเวลาคอขวดที่หลีกเลี่ยงไม่ได้เท่านั้น ความย้อนแย้งนั้นชัดเจน: เมื่อโมเดล AI มีความสามารถมากขึ้น ความต้องการบริการติดตั้งใช้งานแบบแมนนวลกลับเพิ่มขึ้น ไม่ใช่ลดลง

แพลตฟอร์มของ June ทำงานอย่างไร

June เปลี่ยนวิธีการใหม่ แทนที่จะส่งวิศวกรไปตรวจสอบสภาพแวดล้อมของลูกค้า แพลตฟอร์มนี้จะใช้ AI ของตัวเองในการสแกนเทคโนโลยีสแต็กที่มีอยู่ ไม่ว่าจะเป็น Salesforce, ServiceNow, Databricks, Workday หรือ ERP ที่ปรับแต่งเอง การสแกนจะสร้างแผนผังโดยละเอียดของโครงสร้างข้อมูล (data schemas), API endpoints และตัวกระตุ้นเวิร์กโฟลว์ (workflow triggers) จากแผนผังนั้น June จะระบุสิ่งต่อไปนี้โดยอัตโนมัติ:

  • ฟิลด์ข้อมูลที่ซ้ำซ้อนหรือถูกทิ้งไว้โดยไม่ได้ใช้งาน (orphaned) ซึ่งขัดขวางการฝึกโมเดล
  • สัญญา API (API contracts) ที่ไม่สอดคล้องกัน ซึ่งจะทำให้เกิดข้อผิดพลาดขณะรันไทม์
  • ช่องว่างในเวิร์กโฟลว์ที่เอเจนต์ซึ่งขับเคลื่อนด้วย LLM สามารถเข้าไปสร้างมูลค่าเพิ่มได้

The platform then generates a remediation plan, prompting the user to approve clean-up actions such as de-duplicating tables or establishing secure data pipelines. Once approved, the same AI engine executes the changes, builds the connectors, and deploys the LLM as a managed service.

In practice, the workflow replaces a multi-week consulting engagement with a "build-on-click" experience. Internal teams can iterate on integrations without waiting for external engineers.

A real-world test case

CMG, a major U.S. mortgage lender, struggled to connect Claude Code—a conversational AI tool—to its Salesforce instance. Traditional architectural consulting forced the firm into a series of back-and-forth meetings, each adding weeks of delay. After switching to June’s platform, CMG’s staff pinpointed exact integration points, ran the automated cleanup, and launched the LLM in days rather than weeks. The result: a functional agent that answers underwriting queries without an external FDE crew.

What’s at stake

The approach assumes an AI can reliably understand a company’s data-governance policies, security constraints, and regulatory requirements. A mis-configured connector could expose sensitive customer information or trigger downstream failures. Critics warn that fully automated integration may still need a human safety net, especially in heavily regulated sectors like finance or healthcare.

Industry ripple effects

June emerged from the team that built Bonobo AI and has already secured $20 million in pre-seed funding led by Marc Benioff’s Time Ventures. The backing signals investor confidence that the next wave of AI value will come from software that lowers deployment friction, not from ever larger model sizes.

Counter-point: the human factor

Automation does not erase all complexity. Legacy systems often carry undocumented customizations, and some integration points involve legacy code that cannot be rewritten without risking stability. June’s platform may accelerate the "plumbing" phase, but enterprises will still need domain experts to validate that automated fixes align with business rules and compliance mandates.

What to watch next

  • Adoption metrics: Early churn and the speed at which new firms move from pilot to production will reveal whether automation truly replaces human engineers.
  • Regulatory response: As AI embeds in core business functions, regulators may issue guidelines on automated integration, especially regarding data privacy.
  • Competitive landscape: Other startups and established vendors are racing to bundle AI deployment tools with their cloud platforms. How June differentiates its scanning and remediation engine will be critical.
  • Pricing transparency: Comparing platform costs with traditional consulting fees will determine its appeal to cost-conscious CFOs.

June’s claim to automate the messy, legacy-laden world of enterprise AI deployment is bold, and the initial results at CMG suggest the technology can cut weeks of work down to days. Whether the model can consistently handle the edge cases that keep consulting firms in business will decide if the AI integration market truly pivots from people-heavy to software-heavy. The next few quarters will tell if "build-on-click" becomes the new standard for turning LLMs into revenue-generating agents.