AI productivity ไม่ใช่แค่ทำงานเสร็จเร็ว แต่คือเวลาไปจนถึงคุณภาพ
ต้นทุนแฝง AI คือเวลาทรัพยากรและความซับซ้อนที่เพิ่มขึ้นจากการใช้ระบบ AI ซึ่งไม่ได้ปรากฏในตัวเลขประสิทธิภาพพื้นฐาน เช่น จำนวนงานที่ทำเสร็จหรือเวลาที่ดูเหมือนจะถูกประหยัด แต่ฝังอยู่ในขั้นตอนตรวจสอบแก้ไขดูแลพรอมต์ บริหารบริบท และบำรุงรักษาผลลัพธ์ เพื่อให้ AI output มีคุณภาพเพียงพอสำหรับใช้จริงในองค์กร เมื่อองค์กรวิ่งตามคำสัญญาว่า AI จะเร่งทุกอย่างให้เร็วขึ้น พวกเขามักวัดแค่ความเร็วในการสร้างโค้ดหรือคอนเทนต์ แต่ไม่รวมเวลาแก้ไข AI และงานบำรุงรักษาที่ตามมา ต้นทุนแฝง AI จึงกลายเป็นหนี้คุณภาพที่สะสมอยู่ในระบบโดยไม่มีใครรับรู้ กรณี GitHub ที่หยุดโมเดลอัตราคงที่ของ Copilot และหันไปเก็บแบบใช้ตามการใช้งานเมื่อ 1 มิถุนายน 2026 ทำให้ผู้ใช้เอเจนต์จำนวนหนึ่งเจอใบแจ้งหนี้พุ่งขึ้นจนตกใจ นี่คือสัญญาณชัดว่าความเร็วจาก AI ไม่ได้มาฟรี เมื่อเริ่มเก็บตามการใช้จริง ต้นทุนที่ถูกปิดบังด้วยโมเดลเหมาจ่ายก็ผุดขึ้นมาให้เห็นทันที
จากเร่งเขียนโค้ดสู่บิลที่บวม ต้นทุนโทเค็นและเวิร์กโฟลว์เอเจนต์
กรณี Copilot สะท้อนให้เห็นว่าต้นทุนแฝง AI ปะทุออกมารุนแรงที่สุดเมื่อองค์กรเริ่มใช้เวิร์กโฟลว์แบบเอเจนต์เต็มที่ โมเดลไม่ได้แพงขึ้น แต่การใช้ที่ขยายตัวแบบไร้กรอบทำให้ต้นทุนสะสมอย่างเงียบ Stanford Digital Economy Lab พบว่างานเขียนโค้ดแบบเอเจนต์ในโมเดลแนวหน้าจำนวนแปดรุ่นใช้โทเค็นมากกว่าการสนทนาโค้ดแบบง่ายถึงพันเท่า โดยตัวแปรสำคัญไม่ใช่ผลลัพธ์ของโมเดล แต่เป็นบริบทอินพุตที่ถูกส่งซ้ำในทุกขั้น ยิ่งส่งเอกสารทั้งกองให้โมเดลอ่านทุกครั้ง ยิ่งเผาโทเค็นโดยคุณภาพไม่ได้ดีขึ้นตามสัดส่วน ความแม่นยำมักขึ้นสูงสุดที่ระดับบริบทปานกลาง แล้วหลังจากนั้นคือค่าใช้จ่ายที่บวมโดยไม่เพิ่มคุณค่า การพึ่งโมเดลอัตราคงที่ทำให้องค์กรไม่มีแรงจูงใจจะถามคำถามพื้นฐานว่า บริบทไหนจำเป็น บริบทไหนคือขยะ เมื่อราคาถูกลง องค์กรกลับเพิ่มการใช้สี่จุดห้าเท่า ขณะที่ราคาต่อโทเค็นลดลงครึ่งหนึ่งตามการวิเคราะห์ของ Bain & Company ผลคือใบเรียกเก็บยังสูงอย่างดื้อดึง เพราะปริมาณโทเค็นที่ใช้ไม่มีเบรก ที่น่ากังวลกว่าคือแบบจำลองความน่าเชื่อถือของเอเจนต์สิบขั้น ที่แม้แต่ละขั้นมีโอกาสถูกต้อง 95 เปอร์เซ็นต์ เวิร์กโฟลว์ทั้งหมดมีโอกาสสำเร็จรวดเดียวโดยไม่ผิดเพี้ยนราว 60 เปอร์เซ็นต์เท่านั้น ความล้มเหลวแต่ละครั้งต้องลองใหม่โดยส่งบริบทสะสมซ้ำ ทำให้การใช้โทเค็นเพิ่มขึ้นราว 40 เปอร์เซ็นต์เมื่อเทียบกับระบบที่ไม่ล้มเหลวเลย นี่คือเงินและเวลาที่มองเห็นบนใบแจ้งหนี้ แต่ไม่เคยโผล่ในสเปรดชีต ROI ของฝ่ายบริหาร
เมื่อ AI กลายเป็น ‘slop grenades’ หนี้คุณภาพกระแทกทีมทำงาน
ปัญหาที่รุนแรงไม่แพ้ต้นทุนโทเค็นคือคุณภาพ AI output ที่ดูเผิน ๆ เหมือนงานดี แต่แฝงความเละในรายละเอียด ผู้นำเทคโนโลยีบางรายที่เคยเร่งให้พนักงานใช้ AI กลับเริ่มเบรก ตัวอย่างหนึ่งคือผู้บริหาร Shopify ที่เคยบอกพนักงานว่าการใช้ AI เป็นความคาดหวังพื้นฐาน และต้องพิสูจน์ก่อนว่าไม่สามารถใช้ AI ทำงานที่ต้องการได้ จึงจะขอทรัพยากรเพิ่ม ล่าสุดเขากลับตำหนิว่าพนักงานกำลังผลิตอีเมลและโค้ดที่ไม่ได้ตรวจสอบด้วย AI แล้วโยนออกไปโดยไม่รับผิดชอบต่อความเละ เราเรียกสิ่งเหล่านี้ว่า slop grenades ที่คนขว้างใส่กัน เขากล่าวในรายการพอดแคสต์ว่ามันเป็นเรื่องแย่มาก งานแบบนี้ถูกนักวิจัยตั้งชื่อว่า workslop คือผลลัพธ์จาก AI ที่ดูถูกต้องและเป็นทางการบนผิวหน้า แต่ขาดองค์ประกอบที่ทำให้งานมีประโยชน์จริง ผลสำรวจจาก BetterUp Labs และ Stanford Social Media Lab พบว่ากว่า 52.7 เปอร์เซ็นต์ของพนักงานสำนักงานเต็มเวลาในสหรัฐอเมริการายงานว่าตัวเองเคยส่ง workslop ให้เพื่อนร่วมงาน และพบมากขึ้นในองค์กรที่ส่งเสริมให้ใช้ AI ด้านผู้รับกว่า 38 เปอร์เซ็นต์บอกว่าเคยได้รับ workslop และประเมินว่าต้องใช้เวลาเฉลี่ย 3.4 ชั่วโมงต่อเดือนเพื่อแก้และปรับให้ใช้ได้จริง นี่คือเวลาแก้ไข AI ที่ไม่เคยถูกนับอยู่ในตัวชี้วัด productivity แต่บั่นทอนทั้งประสิทธิภาพและความสัมพันธ์ในทีม เมื่อเพื่อนร่วมงานเริ่มมองผู้ส่งงานแบบนี้ว่าทั้งไม่เก่งและไม่เป็นมิตร
องค์กรกำลังวัดความเร็ว แต่ไม่วัดเวลาไปจนถึงคุณภาพ
ข้อมูลจาก Work AI ของ Glean เปิดโปงช่องโหว่ใหญ่ของวิธีคิดเรื่อง AI productivity ผลสำรวจพนักงาน 6,000 คนพบว่าการอัตโนมัติช่วยประหยัดเวลาราว 11 ชั่วโมงต่อสัปดาห์ แต่เกือบหกชั่วโมงครึ่งกลับสูญไปกับงานบำรุงรักษา เช่น ให้บริบทกับระบบ AI ตรวจสอบงาน และทำความสะอาดข้อผิดพลาด เวลาแก้ไข AI จึงกลืนกินผลประหยัดไปกว่าครึ่ง เหลือการประหยัดสุทธิราวสี่ชั่วโมงครึ่งต่อสัปดาห์เท่านั้น น้อยกว่าครึ่งของเวลาที่ดูน่าตื่นเต้นบนสไลด์นำเสนอ เมื่อองค์กรประกาศว่า AI ทำให้ทีมเขียนโค้ดได้เร็วขึ้น สร้างคอนเทนต์ได้มากขึ้น ตัวเลขที่ใช้คือจำนวนบรรทัดโค้ด จำนวนบทความ หรือเวลาที่เครื่องสร้างร่างแรก แต่ไม่มีใครรวมเวลาในการตรวจอ่าน ทดสอบ regression ของพรอมต์ และดูแลบริบทให้สะอาด ซึ่งเป็นงานเพิ่มที่ต้องทำทุกครั้งที่มีการเปลี่ยนโมเดลหรือข้อมูล คำพูดที่ว่า การตรวจสอบผลลัพธ์ของ AI ไม่ใช่บั๊ก แต่เป็นส่วนหนึ่งของงบประมาณ สะท้อนความจริงว่าเราไม่ควรหลอกตัวเองว่าการใช้ AI คือการตัดขั้นตอนมนุษย์ออกไปทั้งหมด การรีวิวต้องเกิดขึ้นเสมอ ปัญหาคือองค์กรแทบไม่เคยเอาเวลาตรวจสอบนี้ไปใส่ในสูตรคำนวณว่า AI ประหยัดได้เท่าใดจริง ๆ ผลคือ ROI บนกระดาษดูดี แต่คุณภาพจริงในระบบกลับดรอปลง และทีมต้องทำงานหนักขึ้นเพื่ออุดช่องโหว่ที่ AI สร้างไว้
จะใช้ AI ให้คุ้ม ต้องยอมรับต้นทุนแฝงและออกแบบให้คุณภาพมาก่อน
องค์กรที่กำลังวิ่งเข้าสู่ยุค AI อย่างดุเดือดกำลังทำผิดพลาดเหมือนกันคือ วัดเฉพาะผลผลิตที่เพิ่มขึ้น แต่ไม่วัดเวลาไปจนถึงคุณภาพ และไม่มองว่าต้นทุนแฝง AI คือส่วนหนึ่งของดีไซน์ระบบ ไม่ใช่ผลข้างเคียงที่ละเลยได้ การเกินงบประมาณ AI ที่เกิดขึ้นกับเกือบเจ็ดในสิบบริษัทในสหรัฐอเมริกาตามการอ้างอิงจากแหล่งข่าวด้านการเงิน เป็นสัญญาณว่าการใช้ AI แบบไม่มีวินัยด้านต้นทุนกำลังย้อนกลับมาทำร้ายงบประมาณและความเชื่อมั่นภายในองค์กร ถ้าอยากให้ AI productivity เป็นของจริง ไม่ใช่ภาพลวงตา องค์กรต้องเปลี่ยนจากการถามว่า AI ทำให้เราเร็วขึ้นแค่ไหน ไปถามว่า เวลาไปจนถึงคุณภาพลดลงจริงหรือไม่ ต้องออกแบบพรอมต์ให้มีเวอร์ชันและชุดทดสอบ regression ตั้งมาตรฐานการรีวิว AI output เหมือนการรีวิวโค้ด และสร้างวัฒนธรรมที่ไม่ยอมรับงานแบบ slop grenades ที่โยนภาระไปให้คนอื่นตรวจแก้ สุดท้ายแล้ว AI ไม่ได้เป็นทั้งฮีโร่หรือวายร้าย มันเป็นเครื่องมือที่ขยายทั้งประสิทธิภาพและการทำงานซ้ำ ถ้าองค์กรไม่ยอมรับต้นทุนแฝงและหนี้คุณภาพที่มันสร้าง หนี้นั้นจะสะสมจนทำให้ทีมช้าลง ขณะที่ผู้นำยังหลงกับตัวเลขความเร็วบนผิวหน้า การมองเห็นต้นทุนทั้งหมดอย่างซื่อสัตย์เท่านั้น ที่จะทำให้ AI กลายเป็นสินทรัพย์ ไม่ใช่ภาระระยะยาว
