ลดต้นทุน AI ในองค์กรใหญ่ จากโทเคนจนถึงงานอัตโนมัติ

AI เป็นเครื่องจักรลดต้นทุน ใหม่ขององค์กร คืออะไรและสำคัญอย่างไร

AI เพื่อการลดต้นทุนในองค์กร หมายถึงการออกแบบการใช้โมเดลภาษาและระบบอัตโนมัติให้ทำงานซ้ำ งานตรวจสอบ และงานเอกสารจำนวนมาก แทนแรงคน โดยควบคุมต้นทุนโทเคนและต้นทุนระบบอย่างเข้ม เพื่อให้ต้นทุนต่อหนึ่งงานลดลงอย่างชัดเจน ขณะเดียวกันยังคงคุณภาพงานและเปิดโอกาสให้คนหันไปทำงานที่ต้องใช้การคิด วิเคราะห์ และการตัดสินใจเชิงกลยุทธ์มากขึ้น มุมสำคัญคือ AI ไม่ได้ประหยัดโดยการใช้แบบไม่จำกัด แต่ประหยัดจากการใช้แบบมีวินัย แพลตฟอร์มรุ่นใหม่คิดค่าบริการตามโทเคน ไม่ใช่เหมาจ่าย ทำให้การใช้ AI ประหยัด กลายเป็นโจทย์หลักของผู้บริหาร เมื่อ enterprise อยากได้ประสิทธิภาพ enterprise จริง ต้องคิดตั้งแต่โครงสร้างค่าใช้จ่าย ไปจนถึงการแบ่งงานระหว่างคนกับ AI ว่าอะไรควรอัตโนมัติ งานซ้ำ อะไรยังต้องมีมนุษย์กำกับ

บทเรียนจาก McKinsey เมื่อโทเคนกลายเป็นค่าไฟใหม่ขององค์กร

เมื่อผู้ให้บริการโมเดลเปลี่ยนจากคิดค่ารายเดือนเป็นคิดตามการใช้โทเคน ยุคใช้ AI แบบตามใจจบลงทันที บริษัทที่เคยผลักดันให้พนักงานทดลองใช้ AI ต้องหันกลับมามองตัวเลขต้นทุนที่พุ่งขึ้นอย่างรวดเร็วและเริ่มตั้งคำถามว่า ลดต้นทุน AI ได้จริงหรือไม่ถ้าปล่อยให้ทุกคนใช้ไม่จำกัด ผู้นำสาย AI ของ McKinsey เลือกไม่ตั้งเพดานการใช้ แต่ติดตามการใช้รายคนและส่งอีเมลเตือนเมื่อใช้มากเกินไป โดยเปรียบเทียบเหมือนการใช้ดาต้ามือถือในเครื่องของบริษัท ระบบเตือนนี้ถูกใช้ทั่วทั้งองค์กรในช่วงฤดูร้อนที่ผ่านมา จุดยืนของเขาคือควบคุมผ่านความโปร่งใสและการให้ความรู้ ไม่ใช่ผ่านข้อจำกัดแข็ง ๆ เพื่อให้คนยังกล้าลอง แต่รู้ว่าทำอย่างไรให้ การใช้ AI ประหยัด และคุ้มค่า

ข้อเท็จจริงที่น่าสนใจคือภายในเดือนพฤษภาคม บริษัทประมวลผลโทเคนระดับหลายล้านล้านต่อเดือน และพบว่าเพียงประมาณสิบเปอร์เซ็นต์ของผู้ใช้ใช้โทเคนถึงราวหกสิบห้าเปอร์เซ็นต์ของทั้งหมด โดยกลุ่มที่ใช้มากคือที่ปรึกษาและวิศวกรซอฟต์แวร์ นี่คือรูปแบบคลาสสิกของการใช้ทรัพยากรที่กระจุกตัว และเป็นเหตุผลที่ต้องมีแดชบอร์ดการใช้โทเคนแบบเข้มข้น เพราะถ้าไม่รู้ว่าใครใช้ทำอะไร จะไม่มีวันรู้เลยว่าต้นทุนไหนคุ้มค่า ต้นทุนไหนกำลังเผาเงินทิ้ง

จากโทเคนถึงเกตเวย์ AI ออกแบบระบบอย่างไรให้ enterprise ประสิทธิภาพสูงแต่ต้นทุนต่ำ

การลดต้นทุน AI ไม่ใช่แค่บอกให้คนใช้ให้น้อยลง แต่คือการใส่สมองลงในโครงสร้างเทคนิคขององค์กร McKinsey ใช้เกตเวย์ภายในเพื่อปรับคำขอก่อนถึงผู้ให้บริการโมเดล และตั้งตัวตัดวงจรที่หยุดการเข้าถึงชั่วคราวหากพบการใช้โทเคนสูงผิดปกติ เพื่อเช็กว่าการใช้นั้นสร้างคุณค่าหรือแค่เปลืองงบ การแคชคำตอบสำหรับคำถามซ้ำ ยังช่วยลดการยิงคำถามเดิมซ้ำ ๆ และรวมต้นทุนการใช้เข้ากองกลาง แทนการล็อกงบไว้ในไลเซนส์รายคนที่ใช้ไม่หมด องค์กรอื่นก็เดินแนวเดียวกัน บริษัทหนึ่งตั้งหน่วยงานดูผลตอบแทนจาก AI โดยเฉพาะ และใช้ตัวจัดเส้นทางหลังบ้านส่งคำขอของพนักงานไปยังโมเดลที่เหมาะกับงาน ผลคือการใช้โทเคนลดลงถึงหกสิบเปอร์เซ็นต์ตั้งแต่เดือนเมษายน นี่คือภาพของประสิทธิภาพ enterprise ที่แท้จริง ไม่ใช่แค่มี AI แต่คือมีสถาปัตยกรรมการใช้ AI ที่รู้ว่าทุกโทเคนต้องสร้างผลลัพธ์จับต้องได้

เคส OpenAI: เมื่อเช็กเครดิตจากงานน่าเบื่อกลายเป็นงานของโมเดล

ฝั่งผู้พัฒนาโมเดลรายใหญ่เองก็ใช้ AI เพื่อลดต้นทุนในแผนกการเงิน ผู้บริหารการเงินคนหนึ่งเล่าว่าองค์กรใช้ผลิตภัณฑ์ของตัวเองในงานตรวจสอบเครดิตที่เดิมทำปีละหลายพันครั้ง โดยมองว่างานเช็กเครดิตเป็นงานซ้ำที่ไม่น่าให้พนักงานหน้าใหม่ต้องนั่งทำตลอดเวลา แต่เหมาะกับการให้โมเดลที่ชาญฉลาดรับช่วงแทน ผลที่ได้ไม่ใช่แค่ลดค่าใช้จ่ายต่อครั้งลงอย่างมาก แต่ยังย่นเวลาทำงานและลดความผิดพลาดจากงานรูทีน

คำพูดที่น่าจดจำคือ เธอยอมรับอย่างตรงไปตรงมาว่า AI ทำให้ต้องใช้คนในทีมการเงินน้อยลง แต่ส่วนใหญ่คือการตัดงานที่เธอเองก็ไม่คิดว่าเป็นงานดีนัก เธอยังชี้ว่าโมเดลทำให้องค์กรย้ายงานไปสู่ขอบเขตที่ต้องใช้ปัญญามากขึ้น และปล่อยให้โมเดลจัดการงานซ้ำ งานอัตโนมัติ งานซ้ำ ที่ต้องการสเกลและความแม่นยำเป็นหลัก นี่คือคำตอบต่อคำถามว่าการใช้ AI ประหยัด ไม่ได้แปลว่าต้องไล่คนออกเสมอไป แต่อาจหมายถึงการจัดโครงสร้างงานใหม่ ให้คนอยู่ในจุดที่สร้างมูลค่าสูงกว่างานรูทีน

อะไรควรให้ AI ทำ อะไรต้องให้คนทำ และจะเดินต่ออย่างไร

บทเรียนจากองค์กรใหญ่ชัดเจนว่าการ ลดต้นทุน AI ที่ฉลาดคือการวัดต้นทุนต่อผลลัพธ์ ไม่ใช่ต่อหัวพนักงาน ผู้นำของ McKinsey เตือนว่าถ้ามุ่งลดโทเคนอย่างเดียว อาจไปเพิ่มต้นทุนในอีกฝั่งโดยไม่รู้ตัว เพราะงานอาจต้องย้อนกลับมาทำใหม่หรือใช้เวลามนุษย์มากขึ้น ผู้บริหารจึงต้องแยกให้ออกว่า งานแบบไหนให้ AI ทำแล้วคุ้มค่าที่สุด เช่น งานเช็กเครดิต งานเอกสาร งานตอบคำถามซ้ำ ส่วนงานที่เกี่ยวกับการตัดสินใจเชิงจริยธรรม การเจรจา หรือการคิดกลยุทธ์ ยังต้องมีมนุษย์กำกับ

เสียงเตือนจากนักวิทยาศาสตร์คอมพิวเตอร์ชื่อดังบอกว่าเทคโนโลยีนี้ยังอยู่ช่วงต้น และกำลังพัฒนาเร็วมาก แปลว่าต้นทุนต่อหน่วยงานที่เป็นอัตโนมัติจะยิ่งลดลงเรื่อย ๆ ขณะที่ศักยภาพงานที่ AI ทำได้จะขยายตัวต่อเนื่อง ในอีกหกเดือนข้างหน้า แม้ผู้บริหาร McKinsey เองยอมรับว่าระดับการใช้อาจเกินเลยมากกว่านี้ แต่ก็เตรียมมาตรการควบคุมเพิ่มไว้แล้ว บทสรุปสำหรับผู้นำ enterprise คือวันนี้ไม่ใช่คำถามว่าจะใช้ AI หรือไม่ แต่คือจะออกแบบกติกาอย่างไรให้ AI กลายเป็นสายพาน ลดต้นทุน และเพิ่มประสิทธิภาพ enterprise โดยไม่ผลักต้นทุนซ่อนรูปไปกองไว้ในอนาคต