AI Productivity กับความเข้าใจผิดเรื่องเวลาและผลงาน
AI Productivity คือการใช้เครื่องมือปัญญาประดิษฐ์เพื่อเพิ่มผลลัพธ์งานที่มีคุณค่า โดยอ้างว่าช่วยลดเวลา ลดขั้นตอน และลดภาระงานซ้ำ ๆ แต่ในโลกการทำงานจริง ประสิทธิภาพ AI จริงกลับขึ้นอยู่กับว่ากิจกรรมที่ระบบทำให้ถูกวัดเป็น “ผลงานที่ใช้การได้” ไม่ใช่เพียงปริมาณงานหรือความคึกคักของการใช้งานเครื่องมือเทคโนโลยี ซึ่งหากองค์กรยังแยกไม่ออกระหว่างความยุ่งกับความมีประสิทธิภาพ ต้นทุน AI productivity ก็จะยิ่งพุ่งขึ้นโดยไม่ได้สร้างมูลค่าให้ธุรกิจเลย. ทุกวันนี้คำว่า productivity กลายเป็นคำฮิตในโลกการทำงาน และถูกผูกเข้ากับการใช้ AI แทบทุกรูปแบบ. แต่ปัญหาคือองค์กรและผู้พัฒนา AI จำนวนมากยังเข้าใจว่า “ทำเยอะ = ผลิตภาพสูง” เมื่อมาตรวัด productivity คือจำนวนเอาต์พุต แม้แต่เอาต์พุตที่เป็นขยะก็ถูกนับเป็นความสำเร็จ. ตัวอย่างง่าย ๆ คือระบบผู้ช่วยรับสายด้วย AI ที่ถามก่อนว่าเป็นเหตุฉุกเฉินหรือไม่ แล้วปล่อยให้ผู้โทรรอเงียบ ๆ ถึงสองนาทีจนต้องวางสายแล้วหันไปใช้ข้อความแทน เหตุการณ์แบบนี้สะท้อนชัดว่ากิจกรรมที่เพิ่มขึ้นไม่ได้เท่ากับคุณค่าเพิ่มขึ้นเลย.
เมื่อโครงการ GenAI เสี่ยงล้มเหลวเพราะวิ่งตามโมเดลใหญ่
องค์กรจำนวนมากกำลังค้นพบด้านมืดของโครงการ GenAI ล้มเหลว เพราะหลงเชื่อว่าการเพิ่มขนาดโมเดลและใช้งานให้มากที่สุดคือคำตอบของ productivity ทั้งที่ต้นทุน AI productivity กลับบานปลายจากโครงสร้างเทคโนโลยีที่ไม่ตรงกับงานจริง และขาดความเข้าใจเชิงปฏิบัติการ. ผลวิจัยจากการ์ทเนอร์ระบุว่า ภายในปี 2571 อย่างน้อย 50% ของโครงการ GenAI จะใช้งบเกินกว่าที่ตั้งไว้ เนื่องมาจากการเลือกสถาปัตยกรรมไม่เหมาะสมและขาดความเข้าใจวิธีนำไปใช้ในระดับปฏิบัติ. คำเตือนนี้คือสัญญาณชัดว่าตลาดเข้าสู่จุดเปลี่ยน ยุคที่องค์กรยอมจ่ายต้นทุนมหาศาลเพื่อแลกกับการพัฒนาสมรรถนะเล็ก ๆ น้อย ๆ เริ่มหมดเวลาแล้ว. เมื่อทรัพยากรด้านพลังงาน น้ำ และฮาร์ดแวร์ที่ใช้ขับเคลื่อนโครงสร้างพื้นฐาน AI โตขึ้นตามการใช้งานทุกยูสเคส การตัดสินใจ “ใช้โมเดลใหญ่ที่สุดกับทุกงาน” จึงไม่ใช่กลยุทธ์ล้ำสมัย แต่กลายเป็นความเสี่ยงทำลายกำไร ความยั่งยืน และความเชื่อมั่นของนักลงทุนในระยะกลางแบบเต็ม ๆ. หนึ่งในประโยคที่ควรถูกเขียนแปะไว้บนบอร์ดทุกทีม AI คือ “ภายในปี 2571 อย่างน้อย 50% ของโครงการ GenAI จะมีค่าใช้จ่ายบานปลายเกินกว่างบประมาณที่ตั้งไว้” เพราะมันบังคับให้องค์กรถามตัวเองว่า เรากำลังสร้างมูลค่าหรือกำลังสร้างหนี้เพิ่มให้อนาคต.
AI Coding Agents: เวลาอาจจะลด แต่ Token cost กำลังลุกเป็นไฟ
ในฝั่งซอฟต์แวร์ AI Coding Agents ถูกยกเป็นตัวอย่างคลาสสิกของเครื่องมือที่สัญญาว่าจะลดเวลางานเขียนโค้ด แต่ดึงต้นทุน AI productivity ให้พุ่งขึ้นแทน เมื่อวิศวกรเริ่มส่งต่อเกือบทุกงานให้ AI ความสะดวกที่ได้กลับแลกมาด้วยค่า Token ที่สูงจนกระทบงบไอทีขององค์กรหลายแห่ง. หนึ่งในบริษัทที่ใช้ AI หนักมาก ระบุว่าวิศวกรอ่านหรือเขียนโค้ดด้วยตัวเองเพียงประมาณ 1% ขณะที่อีก 99% เป็นหน้าที่ของ AI Agents ทั้งหมด. ตัวเลขนี้ฟังดูเหมือนความฝันเรื่อง productivity แต่หากไม่ควบคุม การจัดการ Token cost ก็จะกลายเป็นฝันร้ายด้านงบประมาณ. ปัญหาใหญ่คือองค์กรชอบใช้โมเดลระดับท็อปหรือ frontier models กับทุกงานโดยไม่จำเป็น ซึ่งเป็นปัจจัยหลักให้ค่าใช้จ่าย AI บานปลาย. ฝั่งผู้บริหารจึงเริ่มขยับไปสู่แนวทาง Multi-Model สลับใช้โมเดลตามความเหมาะสม ไม่ยึดติดกับโมเดลใหญ่ตัวเดียว. แนวทางเช่น “วางโครงสร้างด้วยโมเดลใหญ่ แล้วส่งต่อภาระงานย่อยให้โมเดลเล็ก” ช่วยให้ลดต้นทุนการประมวลผลโดยยังรักษาคุณภาพงาน. อีกด้านหนึ่ง บริษัทบางแห่งกำหนดลำดับชั้นงบประมาณ หรือ cost tiers รายเดือนให้พนักงาน เพื่อป้องกัน Token รั่วไหล และให้ผู้จัดการเห็นพฤติกรรมการใช้งานและจำนวน PR ของทีม แล้วปรับเพิ่มหรือลดงบตามความจำเป็น. กรอบคิดสำคัญจึงไม่ใช่ “ให้ AI เขียนโค้ดแทนมากที่สุด” แต่เป็น “ให้ AI เขียนโค้ดภายใต้งบ Token ที่มีวินัย” เพราะ productivity ที่แลกมาด้วยงบที่ควบคุมไม่ได้คือ productivity ปลอม.
เส้นแบ่งระหว่างงานสร้างสรรค์ของคน กับอัตโนมัติที่ไร้คนกำกับ
สิ่งที่หลายองค์กรพลาดเมื่อพูดถึงประสิทธิภาพ AI จริง คือการไม่แยกความต่างระหว่างการใช้ AI เป็นเครื่องมือช่วยคิดของมนุษย์ กับการปล่อยให้ระบบทำงานอัตโนมัติแบบไม่มีใครดูแล ในโลกงานสร้างสรรค์ เจ้าของงานบางคนใช้ AI เพื่อโต้แย้งกับแนวคิดของตัวเอง ช่วยมองรูรั่วในเหตุผล หรือเปิดมุมมองอื่นที่ยังไม่เคยคิด. นี่คือการใช้ AI ในฐานะคู่สนทนาที่เสริมศักยภาพสมองมนุษย์ ไม่ใช่แทนที่. แต่ในฝั่งโค้ด เราเห็นกรณีที่วิศวกรเขียนโค้ดเองเพียง 1% ส่วน 99% ปล่อยให้ AI Agents จัดการ โดยเฉพาะงาน greenfield ที่เขียนระบบใหม่ซึ่ง AI ทำได้ดี. อย่างไรก็ตามเมื่อเจองาน brownfield ที่ต้องแก้ไขและดูแลโค้ดเดิม การปล่อยให้ระบบทำงานล้วน ๆ โดยไม่มีมนุษย์กำกับ กลับสร้างความเสี่ยงทั้งด้านคุณภาพและต้นทุน เพราะ AI ยังทำงานกับความซับซ้อนของบริบทเดิมได้ไม่ดีพอ ต้องมีคนเข้ามาตัดสินใจและตรวจสอบ. เส้นแบ่งนี้สำคัญต่อผลตอบแทนจากการลงทุน (ROI) อย่างมาก หากงานหลักคือการคิดเชิงกลยุทธ์และออกแบบประสบการณ์ การผลักคนออกไปแล้วเอา AI มาทำแทนย่อมทำให้มูลค่าหลักของงานหายไป แต่ถ้านำ AI มาเป็นตัวช่วยในส่วนที่ต้องใช้แรงงานซ้ำ ๆ และปล่อยให้คนตัดสินใจในจุดสำคัญ ROI ของโครงการ AI จะชัดเจนกว่ามาก.
จาก Scale-At-Any-Price สู่ Efficiency-first: กลยุทธ์ใหม่ขององค์กร AI
ภาพรวมทั้งหมดชี้ไปในทิศทางเดียวกันว่า องค์กรไม่สามารถใช้แนวคิด Scale-At-Any-Price ได้อีกต่อไปเมื่อพูดถึง AI ต้องเปลี่ยนไปให้ความสำคัญกับประสิทธิภาพเป็นอันดับแรก หรือ Efficiency-first หากต้องการเติบโตแบบยั่งยืนและรักษากำไรในระยะยาว. การจะทำให้ประสิทธิภาพ AI เกิดขึ้นจริง ไม่ใช่เรื่องของการซื้อโมเดลใหญ่กว่าเพื่อน แต่คือการออกแบบยูสเคสและต้นทุน AI productivity อย่างมีสติ. ขั้นตอนพื้นฐานคือการจัดลำดับความสำคัญของยูสเคสอย่างเป็นระบบ ประเมินทั้งคุณค่า ความเป็นไปได้ และผลตอบแทนจากการลงทุน เพื่อให้ทรัพยากรถูกทุ่มไปกับโครงการที่สร้างมูลค่าได้เป็นรูปธรรมและสอดคล้องกับความสามารถขององค์กร. จากนั้นต้องฝังแนวทางปฏิบัติที่ดีในทุกเลเยอร์ของเทคโนโลยี AI ตั้งแต่การเลือกสถาปัตยกรรม ไปจนถึงกระบวนการทำงานที่ลดการกินทรัพยากรเกินจำเป็น. ในด้านการจัดการ Token cost การใช้แนวทาง Multi-Model และการกำหนด cost tiers รายเดือนแบบที่หลายบริษัททำอยู่ แสดงให้เห็นว่าองค์กรเริ่มมอง AI เป็นระบบที่ต้องบริหารต้นทุน ไม่ใช่ของเล่นใหม่ที่ใครใช้เท่าไรก็ได้. เมื่อรวมกับการให้ความรู้แก่ผู้ใช้และทีมพัฒนาเรื่องมูลค่าทางธุรกิจของการเพิ่มประสิทธิภาพ AI เป้าหมายที่สมเหตุสมผลจึงไม่ใช่การมี AI ในทุกกระบวนการ แต่เป็นการมี AI ในกระบวนการที่สร้างมูลค่าได้มากกว่าต้นทุนที่ใช้ไป. บทสรุปคือ AI Productivity จะกลายเป็นข้อได้เปรียบเชิงการแข่งขันก็ต่อเมื่อองค์กรกล้ายอมรับว่า “กิจกรรมไม่เท่ากับผลงาน” และเลือกลงทุนในระบบ AI ที่ควบคุมต้นทุนได้ มีคนกำกับในจุดที่สำคัญ และกล้าปฏิเสธการวิ่งตามโมเดลใหญ่เพียงเพราะกระแส.
