เมื่อค่าใช้งาน AI ไม่คงที่อีกต่อไป ทำไมบิลซอฟต์แวร์ถึงพุ่ง และองค์กรควรตอบโต้อย่างไร

จากสมัครเหมาจ่ายสู่คิดตามโทเคน นิยามใหม่ของค่าใช้งาน AI

ค่าใช้งาน AI คือรูปแบบต้นทุนที่เกิดขึ้นทุกครั้งที่ระบบปัญญาประดิษฐ์ถูกเรียกใช้งาน โดยเฉพาะ generative AI ที่ต้องประมวลผลข้อความหรือคำสั่งใหม่ทุกรอบ จึงเปลี่ยนจากการเหมาจ่ายรายเดือนแบบซอฟต์แวร์ดั้งเดิม มาเป็นการคิดค่าบริการตามจำนวนคำสั่ง ปริมาณข้อมูล และโทเคนที่ใช้จริง ทำให้งบประมาณซอฟต์แวร์ AI ผูกกับพฤติกรรมการใช้งานของผู้ใช้ทุกคนในองค์กร ไม่ใช่แค่จำนวนที่นั่งหรือไลเซนส์อีกต่อไป

แรงสั่นสะเทือนเริ่มจากงานวิจัยการใช้จ่ายซอฟต์แวร์ของแพลตฟอร์มจัดซื้อที่พบว่า ผู้เล่น AI เนทีฟอย่าง Anthropic และ OpenAI กำลังแย่งส่วนแบ่งงบประมาณซอฟต์แวร์จากผู้ขายดั้งเดิมอย่างรวดเร็ว เมื่อผู้ให้บริการรายเก่าถูกแย่งพื้นที่ พวกเขาตอบโต้ด้วยการโปรโมตแจกทดลองใช้ฟรี ให้ส่วนลดหนัก แต่ในขณะเดียวกันก็แอบเปลี่ยนจากแพ็กเกจใช้ไม่อั้น มาเป็นการเรียกเก็บตามการใช้งานแบบละเอียดทุกคำสั่ง สะท้อนทิศทางชัดเจนว่าโลกซอฟต์แวร์กำลังทิ้งโมเดลสมัครเหมาจ่าย แล้วหันสู่โมเดลคิดตามโทเคนอย่างจริงจัง

โมเดลคิดตามการใช้งาน ทำไมบิลถึงพุ่งสูงกว่าค่าเหมาจ่ายถึง 13 เท่า

หัวใจของปัญหาไม่ได้อยู่ที่ AI แพงขึ้น แต่คือโครงสร้างการเรียกเก็บตามการใช้งานที่เปิดโอกาสให้ค่าใช้จ่ายเหวี่ยงแบบไร้เพดาน เมื่อทุกคำสั่ง ทุกคำตอบ และทุกงานอัตโนมัติของ generative AI ต้องใช้คอมพิวต์ใหม่ทุกครั้ง ต้นทุน generative AI จึงเป็นต้นทุนผันแปรเต็มรูปแบบ ไม่ใช่ต้นทุนคงที่แบบซอฟต์แวร์ยุคเก่าอีกต่อไป หรือในคำเปรียบเทียบของผู้ร่วมก่อตั้งบริษัทหนึ่งคือ "ซอฟต์แวร์ควรเป็นเหมือนพิซซ่า ทำตามสั่ง ณ ตอนใช้" ซึ่งก็แปลว่าทุกชิ้นมีต้นทุนของตัวเอง

กรณีศึกษาที่น่าตกใจคือบริษัทซอฟต์แวร์ด้านการตรวจจับการทุจริตอย่างหนึ่ง ที่ใช้งบซอฟต์แวร์รวมต่อปีในระดับหลายหลักล้าน แต่ค่าใช้งาน AI ของเครื่องมือช่วยเขียนโค้ด GitHub Copilot กลับพุ่งจากที่ประเมินไว้เพียงระดับหนึ่งต่อเดือน ไปเป็นมากกว่าเดิมถึง 13 เท่า ภายในเวลาแค่เดือนเดียว หลังผู้ให้บริการเปลี่ยนโครงสร้างราคาเป็นการคิดตามการใช้งานเต็มรูปแบบ นี่คือคำเตือนตรงว่า การเรียกเก็บตามการใช้งานอาจทำลายแผนงบประมาณซอฟต์แวร์ AI ที่เคยตั้งไว้ล่วงหน้าได้แทบทั้งหมด

ประสิทธิภาพคนละเรื่องกับบิล: เมื่อโทเคนกินงบเร็วกว่า AI ช่วยประหยัด

หลายองค์กรพุ่งเข้าเก็บเกี่ยวประโยชน์จาก generative AI เพราะหวังเพิ่มประสิทธิภาพ แต่กลับพบว่าต้นทุนโทเคนที่ระเบิดตัวเร็วกว่า productivity ที่เพิ่มขึ้น เมื่อผู้ให้บริการดั้งเดิมเลิกการรวมฟีเจอร์ AI แบบใช้งานไม่จำกัดในแพ็กเกจสมัครรายเดือน แล้วหันมาเก็บตามปริมาณการเรียกใช้และทรัพยากรที่บริโภค พอช่วงทดลองฟรีกับส่วนลดจบลง หลายบริษัทจึงได้สติทีหลังว่า ภาระควบคุมการใช้งานและค่าใช้จ่ายถูกโยนกลับมาให้ทีม IT เต็มๆ และต้นทุนที่ซ่อนอยู่เหล่านี้อาจสูงกว่ามูลค่าที่เทคโนโลยีสร้างขึ้นเสียอีก

ในมุมของต้นทุน generative AI ปัญหาไม่ได้คือ AI ทำงานมาก แต่คือ AI ทำงานเร็วเกินจนมนุษย์คุมไม่ทัน ปัจจุบัน AI เอเยนต์สามารถค้นคว้า เขียนโค้ด เรียก API ทำงานอัตโนมัติ และแม้แต่ชำระเงินแทนมนุษย์ได้ภายในเวลาไม่นาน สิ่งนี้ให้สเกลที่ไม่เคยมีมาก่อน แต่ก็ทำให้การบริโภคโทเคนและค่าใช้งาน AI สามารถพุ่งทะลุคาดการณ์เดิมแบบก้าวกระโดด ดังนั้นทุกโทเคนที่ถูกใช้จึงกลายเป็นหน่วยต้นทุนใหม่ที่ฝ่ายการเงินต้องมองให้ทะลุ ไม่เช่นนั้นงบประมาณซอฟต์แวร์ AI จะกลายเป็นหลุมดำโดยไม่รู้ตัว

โทเคนคือหน่วยการค้าใหม่ การเรียกเก็บตามการใช้งานจึงเลี่ยงไม่ได้

เมื่อผู้ใช้สองคนสามารถสร้างภาระงานต่อ AI ต่างกันมหาศาลในระบบเดียวกัน การคิดราคาแบบเหมาจ่ายหัวต่อจึงไม่สะท้อนต้นทุนจริงอีกต่อไป ทุกปฏิสัมพันธ์กับ AI มีต้นทุนจริง ทำให้โทเคนถูกยกระดับเป็นหน่วยวัดและควบคุมการใช้งานหลัก ผลคือบริษัท AI จำนวนมากหันไปใช้โมเดลการเรียกเก็บตามการใช้งาน หรือโมเดลผสม ที่รัดกุมกับต้นทุนมากกว่า และสามารถติดตามการใช้และเรียกเก็บเงินแบบเรียลไทม์

ตัวอย่างเช่นแพลตฟอร์มสร้างซอฟต์แวร์ด้วย AI รายหนึ่งที่เริ่มจากแพ็กเกจสมัครเหมาจ่าย ก่อนจะปรับเป็นโมเดลคิดตามโทเคน เมื่อผู้ใช้ใช้โทเคนเกินโควตาฟรีในแพ็กเกจ จะเริ่มมีการเรียกเก็บตามปริมาณโทเคนที่ใช้จริง แต่มิติที่องค์กรจำนวนมากยังประเมินต่ำคือความเสี่ยงจากการใช้โทเคนฟรีอย่างผิดวัตถุประสงค์ การสมัครหลายบัญชีเพื่อวนใช้ฟรีที่ทำให้ทุกโทเคนที่ถูกใช้โดยผู้ไม่ตั้งใจจ่าย กลายเป็นต้นทุนที่ไม่มีวันได้เงินคืน งานวิจัยหนึ่งพบว่า มากกว่าหนึ่งในหกของการสมัครใช้บริการ AI มีความเชื่อมโยงกับการใช้หลายบัญชีลักษณะนี้

ยุคของ IT CFO คนเดียวกัน: ต้องเห็นทุกโทเคนก่อนบิลระเบิด

สิ่งที่น่ากังวลที่สุดไม่ใช่แค่ค่าใช้งาน AI แพงขึ้น แต่คือความไม่แน่นอนจนฝ่าย IT คุมงบไม่ได้ โครงสร้างค่าบริการที่ผันผวนทำให้ผู้บริหารเทคโนโลยีจำนวนมากรู้สึกเหมือนกำลังเดินในสนามทุ่นระเบิดทางการเงิน เมื่อผู้ให้บริการผลักภาระการจัดการการใช้โทเคนกลับมาที่ลูกค้า ทีม IT ถูกบังคับให้ทุ่มเวลาไปทำความเข้าใจว่า ควรใช้เครื่องมือ AI อย่างไรจึงจะได้ผลลัพธ์ที่คุ้มที่สุดและคุมต้นทุนอยู่

ตัวอย่างหนึ่งคือผู้บริหารด้านข้อมูลของบริษัทซอฟต์แวร์รายเดียวกับที่เจอบิลพุ่ง ซึ่งตัดสินใจตั้งเพดานการใช้งานให้พนักงาน จำกัดโควตาเครื่องมืออย่าง GitHub Copilot และเครื่องมือ AI อื่น เพื่อหยุดเลือดจากค่าใช้จ่ายที่บานปลาย ในโลกที่ซอฟต์แวร์ถูกออกแบบให้คิดราคาตามการใช้งานจริง ผู้นำ IT ต้องทำหน้าที่เสมือน CFO ฝั่งเทคโนโลยี คือต้องมองเห็นการใช้โทเคนแบบเรียลไทม์ กำหนดนโยบายการใช้ที่ชัดเจน และตั้งระดับความเสี่ยงที่องค์กรรับได้กับการใช้โทเคนผิดปกติหรือการสมัครหลายบัญชี ก่อนที่บิลจะมาถึงช้าไปหนึ่งเดือน

บทสรุป: AI ไม่ใช่หลุมดำงบประมาณ หากองค์กรยอมรับว่าทุกโทเคนมีราคา

แก่นของการระเบิดบิลซอฟต์แวร์ไม่ได้อยู่ที่ AI เป็นตัวร้าย แต่คือองค์กรยังคิดแบบยุคสมัครเหมาจ่ายในขณะที่โลกกำลังเปลี่ยนไปสู่การเรียกเก็บตามการใช้งานเต็มรูปแบบ ค่าใช้งาน AI จึงกลายเป็นสิ่งที่ถูกมองข้ามจนกลายเป็นต้นทุนที่ไม่มีเพดาน ทั้งที่ในความเป็นจริง ทุกโทเคนที่ถูกใช้คือต้นทุนที่จับต้องได้และสามารถบริหารได้ หากองค์กรยอมรับความจริงนี้ตั้งแต่ต้น งบประมาณซอฟต์แวร์ AI จะไม่ใช่หลุมดำ แต่เป็นเครื่องมือสร้างความได้เปรียบทางธุรกิจอย่างมีวินัย

ทางออกจึงไม่ใช่การถอยห่างจาก generative AI แต่คือการเอาจริงกับการวัด การจำกัด และการผูกค่าใช้จ่ายเข้ากับผลลัพธ์อย่างโปร่งใส AI จะคุ้มก็ต่อเมื่อการเพิ่มประสิทธิภาพไม่ทำให้งบพังจากการใช้โทเคนเกินจำเป็น ผู้บริหารที่กล้าเปิดบิล AI มาดูอย่างละเอียด สร้างโครงสร้างนโยบายการใช้ที่เข้ม และมองค่าใช้งาน AI เป็นต้นทุนผันแปรที่ต้องดีไซน์ ไม่ใช่ของแถมในแพ็กเกจสมัครรายเดือน จะเป็นคนที่พาองค์กรผ่านยุคซอฟต์แวร์ทำตามสั่งใบนี้ไปได้โดยไม่ถูกค่าใช้จ่ายกลืน