ทำไมครึ่งหนึ่งของโครงการ GenAI เสี่ยงงบบานปลาย

บทสรุปสั้นๆ: ปัญหา GenAI วันนี้ไม่ใช่เทคโนโลยี แต่เป็นงบประมาณ

โครงการ GenAI ขององค์กรคือการลงทุนด้านปัญญาประดิษฐ์ที่นำโมเดลสร้างข้อมูล เช่น ข้อความ ภาพ หรือโค้ด มาใช้ในกระบวนการธุรกิจจริง แต่เมื่อองค์กรเร่งทดลองและขยายผลโดยยังไม่มีธรรมาภิบาล AI ที่ชัด ไม่มีการออกแบบสถาปัตยกรรมให้ตรงงาน และไม่เข้าใจต้นทุน AI โครงการอย่างลึกซึ้ง ผลที่ตามมาคืองบประมาณ GenAI บานปลาย ต้นทุนดำเนินการสูงกว่าที่คาด และโครงการ AI ล้มเหลวเพราะผลตอบแทนไม่สมราคา ซึ่งกำลังกลายเป็นปัญหาหลักของผู้บริหารเทคโนโลยีในหลายองค์กร

สัญญาณเตือนเริ่มดังชัด เมื่อผู้เชี่ยวชาญด้านการวิเคราะห์ชี้ว่า ภายในปี 2571 อย่างน้อย 50% ของโครงการ GenAI มีแนวโน้มใช้งบประมาณสูงกว่าที่วางไว้ จากการเลือกสถาปัตยกรรมที่ไม่เหมาะสมและขาดความรู้ในการนำ AI ไปใช้งานจริงในระดับองค์กร ถ้าองค์กรยังคิดแบบ “ทำไปก่อน ค่อยแก้ทีหลัง” งบประมาณ GenAI จะกลายเป็นกับดักระยะยาว มากกว่าจะเป็นเครื่องมือสร้างความได้เปรียบทางการแข่งขัน

องค์กรเร่งลงทุน AI แต่ขาดธรรมาภิบาลและการคุมต้นทุน

ถ้ามองจากตัวเลข การลงทุน AI กำลังทะยานขึ้นอย่างชัดเจน ผลสำรวจ CIO Playbook ระบุว่า 96% ขององค์กรในภูมิภาคมีแผนเพิ่มการลงทุนด้าน AI ในปีนี้ โดยเฉลี่ยเพิ่มขึ้น 15% และ 66% ก้าวผ่านการทดลองเบื้องต้นไปสู่การใช้งาน AI ทั่วทั้งองค์กรแล้ว นี่สะท้อนว่าผู้บริหารไม่สงสัยแล้วว่า AI ใช้งานได้จริงหรือไม่ แต่กำลังเผชิญโจทย์ใหม่คือจะบริหารต้นทุน AI โครงการให้สมเหตุสมผลอย่างไร

ปัญหาคือการใช้งานเดินหน้าเร็วเกินกว่ากรอบธรรมาภิบาล AI จะตามทัน แม้ 60% ขององค์กรมีประสบการณ์ใช้ AI แล้ว แต่มีเพียงราวหนึ่งในสี่ที่มีกรอบธรรมาภิบาล AI ครอบคลุม การไม่มีขอบเขตนโยบาย ความรับผิดชอบ และตัวชี้วัดที่ชัด ทำให้โครงการ AI ถูกขับเคลื่อนด้วย “ความตื่นเต้นทางเทคโนโลยี” มากกว่าหลักการลงทุนที่รอบคอบ ผลคือมีการเลือกโมเดลใหญ่เกินจำเป็น ใช้ทรัพยากรโครงสร้างพื้นฐานเกินความต้องการ และไม่ประเมินต้นทุนแฝงด้านพลังงาน น้ำ และฮาร์ดแวร์ที่เพิ่มขึ้นตาม

ในมุมมองผู้เขียน นี่คือภาพขององค์กรที่ยังใช้กรอบคิดยุคดิจิทัลเดิมกับเทคโนโลยี AI ยุคใหม่ คือเชื่อว่าลงทุนเพื่อเติบโตอย่างไม่จำกัด แต่ละเลยว่าทุกโทเคนที่ประมวลผล ทุกคำถามที่ระบบตอบ มีต้นทุนที่ต้องจ่ายทั้งในงบประมาณและผลกระทบต่อสิ่งแวดล้อม หากไม่ยอมยกธรรมาภิบาล AI ขึ้นมาเป็นวาระระดับบอร์ด ต้นทุนที่สูญไปจะกลายเป็นรอยรั่วถาวรในงบเทคโนโลยีองค์กร

Agentic AI: ความฉลาดที่มาพร้อมต้นทุนมหาศาล

ปีนี้ Agentic AI กำลังขึ้นมาเป็นคำใหม่ในโต๊ะประชุมผู้บริหาร แซงหน้า Generative AI ในฐานะประเด็นสำคัญอันดับต้นๆ จุดต่างคือ Agentic AI ไม่ใช่แค่โมเดลตอบคำถามครั้งเดียว แต่เป็น “ตัวแทนดิจิทัล” ที่ต้องคิด วิเคราะห์ ค้นหาข้อมูล ตรวจสอบผลลัพธ์ เรียกใช้เครื่องมือ และประเมินซ้ำต่อเนื่อง การดำเนินการยาวๆ แบบนี้คือสูตรสำเร็จของต้นทุนที่พุ่งขึ้นอย่างรวดเร็ว

ข้อมูลล่าสุดชี้ว่า 92% ขององค์กรที่นำ Agentic AI ไปใช้งาน รายงานว่ามีค่าใช้จ่ายสูงกว่างบประมาณที่กำหนดไว้ สาเหตุใหญ่คือการออกแบบให้ทำงานบนโครงสร้างพื้นฐานคลาวด์ที่คิดค่าบริการตามโทเคน ซึ่งเหมาะกับการใช้งานเป็นครั้งคราว แต่ไม่ใช่กับงานปริมาณสูงและต่อเนื่อง เช่น การจัดสรรงานบริการลูกค้า หรือระบบค้นหาข้อมูลแบบ Retrieval-Augmented Search เมื่อใช้คลาวด์แบบเดิมกับงานลักษณะนี้ ต้นทุน AI โครงการจึงบานปลายเกินควบคุมอย่างแทบจะหลีกเลี่ยงไม่ได้

มุมมองสำคัญที่องค์กรจำนวนมากมองข้ามคือ “เทคโนโลยีที่ฉลาดกว่า ไม่ได้แปลว่าคุ้มค่ากว่าเสมอไป” งานที่มีแพทเทิร์นชัดเจน ต่อเนื่อง และมีปริมาณสูง อาจเหมาะกับการย้ายไปประมวลผลแบบ On-Premises หรือ Edge มากกว่า เพื่อให้ควบคุมต้นทุนและประสิทธิภาพได้ดีขึ้น ถ้าองค์กรยังยึดติดกับแนวคิด Scale-at-Any-Price คือขยายการใช้งานไม่ว่าต้นทุนเท่าไร งบประมาณ GenAI และ Agentic AI จะกลายเป็นหลุมดำที่ดูดทรัพยากรทางธุรกิจออกไปโดยแทบไม่สร้างคุณค่าเพิ่ม

ต้นทุนแฝงและการเลือกสถาปัตยกรรมที่ผิดทาง

ต้นทุน AI โครงการไม่ได้อยู่แค่ในใบแจ้งค่าคลาวด์หรือบิลฮาร์ดแวร์ แต่ฝังอยู่ในทุกการตัดสินใจด้านสถาปัตยกรรมที่องค์กรทำ การเร่งนำ AI มาใช้โดยไม่มีแผนที่ชัดเจนมักจบลงที่การเลือกโมเดลภาษาขนาดใหญ่ที่ซับซ้อนเกินความต้องการ หรือออกแบบระบบให้ใช้ทรัพยากรมากเกินไป ทำให้ต้นทุนดำเนินงานเพิ่มขึ้น ขณะที่ความยืดหยุ่นลดลง

ประเด็นที่น่าคิดคือการใช้ทรัพยากรเกินจำเป็นยังเพิ่มการใช้พลังงานและการปล่อยคาร์บอน ซึ่งกระทบเป้าหมายด้าน ESG และความเชื่อมั่นของนักลงทุนที่มองทั้งผลตอบแทนและความยั่งยืนไปพร้อมกัน ถ้าองค์กรยังวัดความสำเร็จของ AI ด้วยคำว่า “แรงที่สุด ใหญ่ที่สุด” ยุคที่แข่งกันใช้โมเดลทรงพลังที่สุดโดยไม่สนต้นทุนจะกลายเป็นยุคที่งบไอทีบวมจนเบียดงบลงทุนด้านอื่นอย่างหลีกเลี่ยงไม่ได้ ผู้เขียนเห็นด้วยกับข้อเสนอที่ว่าจากนี้ องค์กรที่ชนะเกม AI ไม่ใช่ผู้ใช้โมเดลใหญ่ที่สุด แต่คือผู้ที่เลือกใช้ให้เหมาะสมที่สุด

แนวทาง Efficiency-first ที่ผู้เชี่ยวชาญเสนอจึงไม่ใช่คำสวยหรู แต่เป็นหลักเอาตัวรอดในโลก AI ปัจจุบัน การจัดลำดับความสำคัญของ Use Case ตามมูลค่าทางธุรกิจและ ROI การผสานเทคนิค AI หลายแบบเข้าด้วยกัน การเลือกโมเดลขนาดเล็กสำหรับงาน inference และการบริหารปริมาณงานตามช่วงเวลาการใช้ไฟฟ้า ล้วนเป็นตัวอย่างของการตัดสินใจเชิงสถาปัตยกรรมที่ช่วยดึงโครงการ AI กลับมาสู่กรอบงบประมาณที่ควบคุมได้ สิ่งที่ขาดจึงไม่ใช่ “เทคโนโลยีใหม่” แต่เป็น “วินัยในการเลือกว่าเทคโนโลยีไหนควรใช้กับงานไหน”

จากการใช้แบบฉุกเฉินสู่ธรรมาภิบาล AI เชิงกลยุทธ์

ตัวอย่างระดับโลกอย่างการนำ AI ไปใช้ใน FIFA World Cup 2026™ แสดงให้เห็นว่าเมื่อวางรากฐานดี AI สามารถเข้าไปอยู่ในกระบวนการปฏิบัติงานจริง เทคโนโลยีอย่าง FIFA AI Pro™ ศูนย์บัญชาการอัจฉริยะ ระบบ AI Stabilization สำหรับ Referee View™ และอวาตาร์นักฟุตบอลสามมิติ ช่วยสนับสนุนการตัดสินของผู้ตัดสินและทำให้แฟนบอลเข้าใจเหตุผลเบื้องหลังการตัดสินมากขึ้น นี่ไม่ใช่แค่การโชว์เทคโนโลยี แต่คือการใช้ AI แบบมีกรอบ เป้าหมาย และตัวชี้วัดผลลัพธ์ที่ชัด

ข้อเท็จจริงคือ การนำ AI มาใช้งานกลายเป็นความจริงของภาคธุรกิจแล้ว แต่ช่องว่างระหว่างต้นทุนที่คาดกับต้นทุนจริงยังเป็นโจทย์ใหญ่ที่ต้องจัดการ องค์กรที่จะประสบความสำเร็จไม่จำเป็นต้องเป็นผู้เริ่มใช้ AI เร็วที่สุด แต่ต้องเป็นผู้ที่วางรากฐานด้านสถาปัตยกรรม ธรรมาภิบาล และรูปแบบเชิงธุรกิจให้เหมาะสมตั้งแต่แรก ในมุมของผู้เขียน นี่คือการเปลี่ยนจากการใช้ AI แบบ reactive คือเห็นคนอื่นทำก็ทำตาม ไปสู่การใช้แบบ strategic ที่ทุกโครงการ AI ต้องผ่านการประเมินมูลค่า ความเสี่ยง และต้นทุนอย่างเป็นระบบก่อนลงมือ

สำหรับองค์กรขนาดกลางหรือองค์กรที่มีทรัพยากรจำกัด การสร้างทีมที่เข้าใจทั้งเวิร์กโหลด AI โครงสร้างพื้นฐาน และธรรมาภิบาลอาจยังเป็นเรื่องไกลตัว จึงจำเป็นต้องเลือกพาร์ทเนอร์ที่ช่วยให้บริการครบวงจร ตั้งแต่ฮาร์ดแวร์ Edge Cloud ซอฟต์แวร์ ไปจนถึงบริการติดตั้งและดูแลระบบ แต่ไม่ว่ามีหรือไม่มีพาร์ทเนอร์ สิ่งที่ผู้บริหารควรทำทันทีคือยกประเด็นงบประมาณ GenAI และธรรมาภิบาล AI ขึ้นมาเป็นหัวข้อหลักของกลยุทธ์เทคโนโลยีองค์กร จากนั้นเลิกคิดแบบ Scale-at-Any-Price แล้วหันมาใช้แนวคิด Efficiency-first เป็นเข็มทิศใหม่ในการลงทุน AI เพราะสุดท้ายแล้ว โครงการ AI ล้มเหลวไม่ใช่เพราะเทคโนโลยีไม่ดี แต่เพราะองค์กรไม่ยอมออกแบบกรอบการใช้ให้คุ้มค่าตั้งแต่วันแรก