เมื่อการไล่ใช้ AI token แซงหน้าการวัดค่า AI
กระแสการใช้ AI token ในองค์กรคือการที่ธุรกิจเพิ่มปริมาณการเรียกใช้โมเดล AI ผ่าน token อย่างรวดเร็วเพื่อเร่งการทดลองและนำไปใช้จริง แต่กลับไม่มีกรอบที่ชัดเจนในการวัดผลลัพธ์เชิงธุรกิจจากต้นทุน AI token ทั้งที่การใช้เพิ่มขึ้นต่อเนื่อง จนเกิดช่องว่างระหว่างค่าใช้จ่ายกับประสิทธิภาพ AI ที่วัดได้ และเปิดความเสี่ยงให้การลงทุนกลายเป็นเพียงการเผางบประมาณด้านเทคโนโลยีโดยไม่มีตัวชี้วัดว่าตอบโจทย์กลยุทธ์หรือเปล่า.
ที่ผ่านมาองค์กรไล่ตาม AI รุ่นใหม่ด้วยแนวคิด “เร็วและก่อนใคร” โดยเปิดบัญชีคลาวด์ ขอ API key แล้วยอมรับต้นทุนเพื่อแลกกับความเร็วในการทดลองโมเดล แต่เมื่อยอดใช้พุ่งและงานเริ่มเข้าสู่การใช้งานจริง คำถามเปลี่ยนจาก “ใช้โมเดลอะไร” มาเป็น “ใช้ที่ไหน ใช้เท่าไร และคุ้มค่าหรือไม่” การวัดค่า AI จึงกลายเป็นจุดอ่อนสำคัญทั้งด้านการจัดการต้นทุน AI และการตัดสินใจลงทุนต่อในระยะยาว.
Tokenmaxxing: เผา token โดยไม่รู้ว่าได้อะไรกลับมา
ปัญหาหลักของยุค AI 2.0 คือปรากฏการณ์ “tokenmaxxing” การมุ่งเพิ่มการใช้ token ให้มากที่สุดโดยไม่ได้เชื่อมโยงกับผลลัพธ์เชิงธุรกิจที่ชัดเจน บริษัทจำนวนมากกำลังวัดความสำเร็จจากตัวเลขปริมาณการเรียกโมเดล แทนที่จะถามว่า token เหล่านั้นสร้างคุณค่าอะไรให้ลูกค้าและทีมงานบ้าง ช่องว่างนี้ทำให้ต้นทุน AI token พุ่งขึ้นอย่างต่อเนื่อง ขณะที่ ROI กลับคลุมเครือและอธิบายต่อ CFO ได้ยาก.
ตัวอย่างที่เห็นชัดคือทีมวิศวกรรมกว่า 5,000 คนของบริษัทหนึ่งใช้ Claude Code จนงบ AI ทั้งปีหมดในสี่เดือน และเคสการใช้งานที่ล้มเหลวทำให้เกิดค่าใช้จ่ายเกินงบในองค์กรใหญ่ ในรายงานจากผู้พัฒนาโมเดลพบว่า “รายได้ต่อพนักงานไม่สัมพันธ์อย่างมีนัยสำคัญกับปริมาณ token ที่พนักงานใช้” จากการวิเคราะห์กว่า 1,500 องค์กร ประโยคนี้ควรถูกเขียนไว้หน้าประตูทุกทีม AI เพื่อเตือนว่าการใช้เยอะไม่ได้หมายถึงมีประสิทธิภาพ AI สูงขึ้นเสมอไป.
ทำไมเศรษฐศาสตร์ต้นทุน AI token สำคัญกว่าการเข้าถึงโมเดล
เรากำลังเดินออกจากยุค AI 1.0 ที่ใครเข้าถึงโมเดลล้ำได้ก่อนก็ชนะ ไปสู่ AI 2.0 ที่ผู้ชนะคือคนเข้าใจเศรษฐศาสตร์การอนุมาน (inference economics) และการจัดการต้นทุน AI อย่างละเอียด ราคา token ต่อหนึ่งล้านครั้งอาจต่างกันไม่มากในเดโมเดียว แต่เมื่อโซลูชันต้องรองรับเหตุการณ์ระดับหลายร้อยล้านครั้ง ความต่างนี้คือระหว่างฟีเจอร์ทำเงินกับฟีเจอร์เผางบองค์กร.
ธนาคารที่ใช้ AI แนะนำ “next best action” แบบเรียลไทม์ในแอป สาขา หรือคอลเซ็นเตอร์ แสดงให้เห็นว่าการปรับการสื่อสารให้ตรงบริบทลูกค้าสามารถเพิ่มรายได้ 5–15% ได้จริง แต่แต่ละการตัดสินใจอาจเชื่อมต่อโมเดล 5–20 ครั้ง พร้อม context window ขนาดใหญ่ ทำให้ต้นทุน AI token ทวีคูณอย่างรวดเร็ว ผู้บริหารด้านเทคโนโลยีจึงเลิกถามแค่ว่าจะใช้โมเดลใด แต่ถามว่าภาระงานแต่ละประเภทควรวิ่งบนโครงสร้างไหนและมีต้นทุนเท่าไร การตัดสินใจ “next best action” จึงไม่ใช่เรื่องการตลาดอีกต่อไป แต่เป็นเรื่องเศรษฐศาสตร์เต็มตัว.
ตัวอย่างกรอบวัดค่า AI และประสิทธิภาพ AI ที่ทำได้จริง
เมื่อการใช้ token พุ่ง องค์กรจึงถูกกดดันให้วัดค่า AI ให้ได้ว่าต้นทุนที่ลงไปแปลงเป็นคุณค่าอะไรบ้าง การนับจำนวน token เป็นเพียงระดับพื้นฐานในการติดตามการใช้งาน แต่ไม่เพียงพอจะบอกว่าโครงการ AI มีคุณค่าทางธุรกิจอย่างไร หลายองค์กรเริ่มวัดทั้งประสิทธิภาพ AI และผลลัพธ์ เช่น เวลาที่ลดลง คุณภาพงานที่ดีขึ้น หรือความเร็วในการส่งมอบเป้าหมายหลักของบริษัท แทนการดูเพียง token usage report.
มีบริษัทหนึ่งสร้างดัชนี “AI Efficiency Index” เพื่อวัดประสิทธิภาพการใช้ token ต่อพนักงาน โดยใช้สูตร Tokens / Dollar * ln(1 + Tokens / 1,000,000) ดัชนีนี้ช่วยชี้ว่าใครใช้ token ได้คุ้มที่สุด ขณะเดียวกัน องค์กรเทคโนโลยีอีกรายรายงานว่าพนักงานพัฒนาใช้ AI ภายใน workflow อย่างมีการควบคุมด้านการจัดการต้นทุน AI และเห็นผลิตภาพของนักพัฒนาเพิ่มขึ้นถึง 67% จากการใช้เครื่องมือ AI จุดร่วมของตัวอย่างเหล่านี้คือการถามคำถามใหม่ว่า “token ที่ใช้ช่วยให้ส่งมอบผลลัพธ์สำคัญได้เร็วขึ้นและดีกว่าหรือไม่” ไม่ใช่แค่ถามว่าใช้ไปกี่ token.
อนาคตของต้นทุน AI token: จากการทดลองสู่ความรับผิดชอบ
รายงานหนึ่งชี้ว่าการจัดซื้อ AI เข้าสู่ช่วง “Trough of Disillusionment” แล้ว นั่นคือองค์กรเลิกตื่นเต้นกับโครงการทดลองแบบวิสัยทัศน์ และหันมาโฟกัสว่าการขยายการใช้งานต้องมี ROI ที่คาดการณ์ได้ พร้อมกันนั้นมีการคาดการณ์ว่าการใช้ token รายเดือนจะเพิ่มขึ้น 24 เท่าไปถึงระดับ 120 quadrillion token เมื่อผู้ใช้ทั่วไปและองค์กรรับ AI agent ในวงกว้าง ถ้าต้นทุน AI token ขยายตัวเร็วขนาดนั้น แต่กรอบวัดค่า AI ยังไม่ชัดเจน ใครไม่เตรียมระบบรับผิดชอบต้นทุนไว้วันนี้ จะต้องรับบิลมหาศาลในวันหน้า.
แม้ผู้ให้บริการบางรายเชื่อว่าบริษัทจะเลิกสนใจตัวเลข token และมอง AI เป็นโครงสร้างพื้นฐานเหมือนไฟฟ้า แต่ในทางปฏิบัติมีถึง 80% ของผู้ซื้อซอฟต์แวร์ที่กำหนดงบการใช้ token หรือ LLM ให้ทีมเทคนิคอย่างชัดเจน ขณะเดียวกัน ในภาคธนาคารมีตัวอย่างการใช้ผู้ช่วย AI ตอบคำถามลูกค้ามากกว่า 1.5 ล้านเคสในปีแรก ทำให้ประหยัดทรัพยากรได้อย่างมาก สิ่งเหล่านี้สะท้อนว่าดีลในอนาคตไม่ใช่การแข่งขันว่าใครใช้ AI เยอะที่สุด แต่เป็นการแข่งขันว่าใครมีกรอบความรับผิดชอบด้านต้นทุน AI ที่ชัดเจน และรู้ว่าทุก token ที่ใช้กำลังซื้อคุณค่าอะไรกลับมาจริง ๆ.
