AI อาจไม่ได้ช่วยลดต้นทุน โทเคนแพงจนบริษัทเทคฯ เริ่มถอย ลดการใช้ AI นอก
ปัจจุบัน “AI” เข้ามามีบทบาทมากขึ้นในฐานะเครื่องมือเสริมการทำงานของมนุษย์ และค่อย ๆ กลายเป็นส่วนหนึ่งของโครงสร้างพื้นฐานในองค์กรขนาดใหญ่ บริษัทเทคโนโลยีชั้นนำหลายแห่งเร่งผลักดันให้พนักงานใช้เครื่องมือ AI อย่างกว้างขวาง ด้วยความหวังว่าจะช่วยลดเวลาการทำงาน เพิ่มประสิทธิภาพในกระบวนการผลิต และยกระดับผลิตภาพต่อหัวให้สูงขึ้น
ข่าวที่เกี่ยวข้อง
อย่างไรก็ตาม เบื้องหลังภาพฝันของการปฏิวัติผลิตภาพ ปัญหาเรื่องต้นทุนเริ่มปรากฏชัดมากขึ้น การใช้ AI ในระดับองค์กรไม่ได้มีลักษณะเป็นต้นทุนคงที่เหมือนซอฟต์แวร์ทั่วไป แต่ผูกอยู่กับปริมาณการใช้งานจริง โดยเฉพาะโมเดลคิดค่าบริการตามจำนวน “โทเคน” หรือหน่วยพื้นฐานที่ใช้ในการประมวลผลของ AI ยิ่งพนักงานใช้งานมากขึ้น คำสั่งมีความซับซ้อนมากขึ้น และองค์กรพึ่งพาโมเดลอัจฉริยะมากขึ้น ค่าใช้จ่ายรวมก็ยิ่งเพิ่มขึ้นตามไปด้วย
ล่าสุด กรณีของ Microsoft และ Uber สะท้อนสัญญาณสำคัญว่า เศรษฐศาสตร์ของ AI อาจซับซ้อนกว่าที่ภาคธุรกิจเคยประเมินไว้ในช่วงแรก
แม้ AI จะช่วยเพิ่มประสิทธิภาพการทำงานได้จริงในหลายกรณี แต่เมื่อนำไปใช้ในวงกว้าง ต้นทุนที่เกิดขึ้นอาจสูงจนบริษัทต้องกลับมาทบทวนว่า การใช้ AI เพื่อทดแทนหรือเสริมแรงงานมนุษย์นั้นคุ้มค่าทางเศรษฐกิจเพียงใด
Microsoft ถอยจาก Claude Code หลังการใช้งานภายในพุ่งเร็วเกินคาด
Microsoft กลายเป็นกรณีศึกษาที่น่าสนใจของบริษัทเทคโนโลยีขนาดใหญ่ที่ต้องยอมยกเลิกไม่ให้พนักงานใช้ AI จากผู้ให้บริการภายนอก เพื่อคุมต้นทุนไม่ให้บานปลาย หลังมีรายงานว่าบริษัทเริ่มยกเลิกไลเซนส์ Claude Code และหันไปสนับสนุนให้วิศวกรใช้ GitHub Copilot CLI แทน
ความเคลื่อนไหวนี้เกิดขึ้นเพียงราว 6 เดือนหลังจาก Microsoft เปิดให้พนักงานหลายพันคน ตั้งแต่นักพัฒนา ผู้จัดการโครงการ นักออกแบบ ไปจนถึงบุคลากรฝ่ายอื่น ๆ ทดลองใช้ Claude Code เพื่อช่วยงานเขียนโค้ดและพัฒนาผลิตภัณฑ์ ในช่วงแรก นี่ดูเหมือนเป็นการเปิดพื้นที่ให้พนักงานได้ทดลองใช้เครื่องมือ AI ใหม่ ๆ ตามแนวทางของบริษัทเทคโนโลยีที่ต้องการเพิ่มผลิตภาพจาก AI ให้เร็วที่สุด
แต่เมื่อ Claude Code ได้รับความนิยมอย่างรวดเร็ว และพนักงานบางส่วนเริ่มใช้เป็นเครื่องมือทำงานจริง ปัญหาที่ตามมาก็ชัดเจนขึ้น เพราะต้นทุนที่เกิดจากการใช้ AI Tokens สูงขึ้นจนบริษัทควบคุมค่าใช้จ่ายเหล่านี้ไม่ได้
ดังนั้น ในกรณีของ Microsoft การยกเลิกไลเซนส์ Claude Code จึงไม่ได้แปลว่า Microsoft ถอยห่างจาก AI เพราะบริษัทยังต้องการให้พนักงานใช้ AI ต่อไป เพียงแต่ต้องการย้ายการใช้งานไปอยู่ในเครื่องมือที่บริษัทควบคุมได้มากกว่า ทั้งในแง่ต้นทุน ระบบนิเวศ โครงสร้างพื้นฐาน และการเชื่อมต่อกับผลิตภัณฑ์ของตัวเอง การผลักดัน GitHub Copilot CLI จึงเป็นเหมือนการจัดระเบียบการใช้ AI ภายในองค์กรมากกว่าการหยุดใช้ AI
Uber, Meta และ Amazon กับแรงจูงใจที่ผลักให้ค่าใช้จ่าย AI บานปลาย
Microsoft ไม่ใช่บริษัทเดียวที่เริ่มพบแรงกดดันจากต้นทุนการใช้ AI ภายในองค์กร
กรณีของ Uber สะท้อนปัญหาในมิติที่ชัดเจนยิ่งขึ้น เมื่อ Praveen Neppalli Naga ประธานเจ้าหน้าที่ฝ่ายเทคโนโลยีของบริษัทเปิดเผยว่า Uber ใช้งบประมาณสำหรับเครื่องมือ AI เขียนโค้ดตลอดปี 2569 หมดไปแล้วภายในเวลาเพียง 4 เดือน ปัจจัยหนึ่งมาจากการที่บริษัทเคยเร่งกระตุ้นการใช้งานผ่านระบบลีดเดอร์บอร์ดภายใน ซึ่งจัดอันดับทีมตามระดับการใช้เครื่องมือ AI
กลไกเช่นนี้สะท้อนความย้อนแย้งของยุทธศาสตร์องค์กรในยุค AI
ด้านหนึ่ง บริษัทต้องการให้พนักงานใช้งาน AI มากขึ้นเพื่อเพิ่มประสิทธิภาพ แต่อีกด้านหนึ่ง การออกแบบแรงจูงใจที่เน้น “ปริมาณการใช้” อาจทำให้ต้นทุนพุ่งขึ้นโดยไม่จำเป็น
หากไม่มีระบบประเมินผลลัพธ์ทางธุรกิจควบคู่กัน การใช้ AI จำนวนมากจึงไม่ได้แปลว่าจะสร้างผลิตภาพสุทธิเพิ่มขึ้นเสมอไป โดยเฉพาะเมื่อค่าใช้จ่ายของเครื่องมือเหล่านี้ผูกกับปริมาณการประมวลผลจริง
แนวโน้มเดียวกันปรากฏในบริษัทเทคโนโลยีอื่นเช่นกัน ที่ Meta มีพนักงานสร้างลีดเดอร์บอร์ดชื่อ “Claudeonomics” เพื่อติดตามว่าพนักงานคนใดใช้ AI มากที่สุด ขณะที่ Amazon ผลักดันแนวคิดให้พนักงานใช้โทเคน AI ให้มากที่สุดเท่าที่เป็นไปได้
ปรากฏการณ์เหล่านี้สะท้อนวัฒนธรรมองค์กรที่มองการใช้ AI เป็นตัวชี้วัดความทันสมัยและประสิทธิภาพ แต่ในเชิงการเงิน การเพิ่มปริมาณการใช้งานโดยไม่จำกัดอาจกลายเป็นต้นทุนสะสมที่บริษัทต้องกลับมาควบคุมอย่างเข้มงวด
โทเคนถูกลง แต่บิลแพงขึ้น โจทย์ใหญ่ของเศรษฐศาสตร์ AI
หัวใจของปัญหาอยู่ที่ระบบต้นทุนของ AI ซึ่งแตกต่างจากซอฟต์แวร์องค์กรแบบเดิมอย่างมาก
ในอดีต บริษัทอาจซื้อไลเซนส์ซอฟต์แวร์ต่อผู้ใช้แล้วประเมินต้นทุนได้ค่อนข้างแน่นอน แต่ AI โดยเฉพาะโมเดลขนาดใหญ่และระบบ agentic AI มีต้นทุนที่เคลื่อนไหวตามการใช้งานจริง ยิ่งโมเดลต้องประมวลผลคำสั่งจำนวนมาก ทำงานหลายขั้นตอน หรือดำเนินภารกิจแทนมนุษย์มากขึ้น ก็ยิ่งใช้โทเคนมากขึ้นตามไปด้วย
Goldman Sachs คาดการณ์ว่า agentic AI อาจทำให้การบริโภคโทเคนเพิ่มขึ้นถึง 24 เท่าภายในปี 2573 เมื่อผู้บริโภคและองค์กรนำ AI agents มาใช้แพร่หลายมากขึ้น โดยอาจแตะระดับ 120 ควอดริลเลียนโทเคนต่อเดือน แม้ต้นทุนต่อโทเคนมีแนวโน้มลดลงตามพัฒนาการของเทคโนโลยี แต่หากปริมาณการใช้งานเติบโตเร็วกว่าการลดลงของราคาต่อหน่วย ค่าใช้จ่ายรวมขององค์กรก็ยังสามารถเพิ่มขึ้นอย่างรุนแรงได้
รายงานของ Gartner ชี้ไปในทิศทางเดียวกัน โดยคาดว่าภายในปี 2573 ต้นทุนการ inference ของ LLM ขนาดหนึ่งล้านล้านพารามิเตอร์จะลดลงเกือบ 90% เมื่อเทียบกับปี 2568 แต่ต้นทุน AI สำหรับองค์กรอาจไม่ได้ลดลงตาม เพราะโมเดลแบบ agentic ต้องใช้โทเคนต่อหนึ่งภารกิจมากกว่าโมเดลมาตรฐานอย่างมาก อีกทั้งผู้ให้บริการ AI อาจไม่ส่งผ่านต้นทุนที่ลดลงทั้งหมดไปยังลูกค้าองค์กร ผลลัพธ์คือ ภาวะที่ดูเหมือน “โทเคนถูกลง” อาจไม่ได้หมายความว่า “AI ถูกลง” ในทางปฏิบัติ
ความจริงข้อนี้ทำให้ภาพอนาคตที่ผู้บริหารเทคโนโลยีจำนวนมากวาดไว้ต้องเผชิญคำถามใหม่ Jensen Huang ซีอีโอของ Nvidia เคยกล่าวว่า วันหนึ่งอาจมี AI agents จำนวน 100 ตัวทำงานเคียงข้างพนักงานแต่ละคนในบริษัทของเขา วิสัยทัศน์ดังกล่าวสะท้อนโลกการทำงานแบบใหม่ที่แรงงานดิจิทัลแทรกซึมทั่วทั้งองค์กร
แต่หากทุก agent มีต้นทุนการประมวลผลของตัวเอง และทุกภารกิจต้องแลกกับการใช้โทเคนจำนวนมหาศาล อนาคตของ AI ในองค์กรอาจไม่ได้ถูกจำกัดด้วยศักยภาพทางเทคโนโลยีเพียงอย่างเดียว หากยังถูกจำกัดด้วยสมการต้นทุนที่บริษัทต้องพิสูจน์ให้ได้ว่า ผลิตภาพที่เพิ่มขึ้นนั้นมากพอจะชดเชยบิลค่า AI ที่สูงขึ้นหรือไม่
