ทำไมองค์กรชั้นนำลดต้นทุน AI ต่อพนักงานได้เกือบ 10% ทั้งที่การใช้งานยังขยายตัว

จากยุคทดลองสู่ยุคประสิทธิภาพ ทำไมต้นทุน AI ต่อพนักงานถึงเริ่มลดลง

การลดต้นทุน AI ต่อพนักงานคือแนวโน้มที่องค์กรนำเทคโนโลยี AI มาใช้อย่างแพร่หลาย แต่หันมาเน้นการจัดการค่าใช้จ่าย AI ให้คุ้มค่ามากขึ้น โดยมุ่งควบคุมการใช้ AI token ปรับเลือกโมเดลที่เหมาะสม และออกแบบกระบวนการใช้งานที่ลดสิ้นเปลืองแทนการเพิ่มงบประมาณไม่จำกัด เพื่อให้ประสิทธิภาพ AI ในองค์กรยังเติบโต ขณะที่ค่าใช้จ่ายต่อหัวค่อย ๆ ลดลงอย่างมีเป้าหมาย ข้อมูลการใช้จ่ายจากผู้ให้บริการด้าน Payment ระดับองค์กรที่ดูแลลูกค้ามากกว่า 70,000 ราย แสดงให้เห็นว่าอัตราการเติบโตของการนำ AI มาใช้เริ่มชะลอลงในเดือนสิงหาคม โดยมีเพียง 56% ของลูกค้าที่เพิ่มงบซื้อบริการ AI เมื่อเทียบเดือนต่อเดือนเพิ่มขึ้นแค่ 0.4% เท่านั้น สำหรับผู้เขียน นี่ไม่ใช่สัญญาณว่า AI หมดกระแส แต่เป็นจุดหักเหจากการเห่อตามเทรนด์สู่การคิดเชิงต้นทุนอย่างจริงจัง ในกลุ่มบริษัท Top 1% ที่ใช้เครื่องมือ AI หนักที่สุด ค่าใช้จ่าย AI ต่อพนักงานลดลงเกือบ 10% ซึ่งสะท้อนชัดว่าผู้นำตลาดกำลังหาทางใช้งานให้คุ้มแทนการเทเม็ดเงินอย่างเดียว ถ้าองค์กรเหล่านี้ยังขยายการใช้ AI แต่ค่าใช้จ่ายต่อคนกลับลดลง แปลว่าเกมแข่งขันครั้งต่อไปไม่ใช่ใครใช้ AI มากที่สุด แต่คือใครใช้ AI ได้มีประสิทธิภาพที่สุด

ต้นทุน Token ลด ราคาถูกลง แต่เกมนี้ไม่ใช่ใครใช้เยอะสุดอีกต่อไป

ปัจจัยสำคัญที่ผลักให้การจัดการค่าใช้จ่าย AI กลายเป็นวาระใหม่ในห้องประชุม คือการเปลี่ยนโมเดลราคาไปสู่การคิดตามปริมาณการใช้ Token ผู้ให้บริการโมเดลภาษาขนาดใหญ่เลิกยุคใช้งานไม่จำกัด แล้วหันมาคิดค่าบริการตามจำนวน Token ที่โมเดลอ่านและตอบกลับ ทำให้องค์กรที่ใช้ AI หนักต้องเผชิญบิลค่าใช้จ่ายที่ผันผวนตามพฤติกรรมผู้ใช้ การแข่งขันระหว่างผู้เล่นรายใหญ่ทำให้ต้นทุนเฉลี่ยต่อ Token ปรับลดลงอย่างต่อเนื่อง จากระดับสูงสุดในเดือนมีนาคมสู่ระดับที่ต่ำกว่าเดิมอย่างมีนัยสำคัญ การลดราคานี้เปิดโอกาสให้องค์กรเข้าถึงความสามารถของ AI ได้ง่ายขึ้น แต่ก็หลอกตาได้เช่นกัน ถ้าไม่จัดการการใช้ Token อย่างมีระบบ ปริมาณการใช้งานที่พุ่งขึ้นสามารถกลืนกินข้อได้เปรียบด้านราคาที่ลดลงจนหมด สิ่งที่น่าสนใจคือหลายองค์กรไม่เลือกใช้แต่โมเดลเรือธงราคาแพงอีกต่อไป แต่หันไปใช้โมเดลรุ่นรองหรือรุ่นเก่าที่รองรับงานส่วนใหญ่ได้ คำถามเชิงกลยุทธ์จึงไม่ใช่ “โมเดลไหนดีที่สุดในโลก” แต่คือ “โมเดลไหนดีพอสำหรับงาน พร้อมทำให้ค่าใช้จ่าย AI ต่อพนักงานลดลงจริง” การคิดแบบนี้คือจุดเริ่มต้นของยุคประสิทธิภาพ AI ในองค์กรที่แท้จริง

บทเรียนจาก McKinsey: ควบคุมการใช้ AI token โดยไม่ฆ่าความสร้างสรรค์

องค์กรที่ใช้ AI หนักสุดอย่างบริษัทที่ปรึกษาระดับโลกต้องแก้โจทย์ยากระหว่างการเปิดให้คนทำงานลองใช้ AI อย่างเสรี กับความเสี่ยงค่าใช้จ่ายที่บานปลาย แนวทางหนึ่งที่น่าสนใจคือการไม่จำกัดโควต้าแบบแข็ง แต่เลือกให้ข้อมูลและเตือนเมื่อการใช้ AI token เริ่มสูงเกินไป แทนที่จะตัดโอกาสทดลองไปเลย บริษัทแห่งหนึ่งติดตามการใช้ AI ของพนักงานรายบุคคล และส่งอีเมลแจ้งเตือนเมื่อการใช้งานเกินระดับที่เหมาะสม เปรียบเหมือนระบบแจ้งเตือนการใช้ดาต้ามือถือในเครื่องของบริษัท เพื่อให้คนทำงานรู้ว่าแบบไหนสิ้นเปลือง และมีทางเลือกที่ทำงานเสร็จเท่าเดิมแต่ใช้ Token น้อยลง สำหรับผู้เขียน นี่คือแนวทางที่ฉลาด เพราะมองพนักงานเป็นผู้ร่วมออกแบบ ไม่ใช่ผู้ต้องถูกควบคุม เบื้องหลังยังมีสถาปัตยกรรมที่เน้นประสิทธิภาพ เช่น AI gateway ภายในที่ช่วยปรับคำขอก่อนส่งไปยังผู้ให้บริการโมเดล การใช้ circuit breaker เพื่อหยุดการเข้าถึงชั่วคราวเมื่อพบการใช้ Token สูงผิดปกติและต้องตรวจสอบว่ามีคุณค่าจริงหรือไม่ รวมถึงการใช้การแคชชิ่งเพื่อตอบคำถามซ้ำโดยไม่ต้องใช้ Token ใหม่ทุกครั้ง แนวทางเหล่านี้พิสูจน์ว่า การควบคุมการใช้ AI token ไม่จำเป็นต้องเท่ากับการปิดกั้นการใช้ AI ถ้ามีข้อมูลและการออกแบบระบบรองรับที่ดี

องค์กรควรมองต้นทุนต่อผลลัพธ์ ไม่ใช่แค่ต่อพนักงานคนเดียว

แม้แนวโน้มลดต้นทุน AI ต่อพนักงานจะดึงดูดสายตา แต่ถ้าผู้บริหารมองแค่ตัวเลขนี้ก็อาจหลงทางได้ ผู้นำด้าน AI ในองค์กรที่ปรึกษารายใหญ่เสนอแนวคิดสำคัญว่า บริษัทควรประเมินต้นทุน Token ต่อผลลัพธ์ ไม่ใช่แค่ต่อหัวพนักงาน เพราะการลดการใช้ AI แบบเหวี่ยงแหอาจทำให้พลาดประโยชน์ระยะยาว หรือไปเพิ่มต้นทุนแรงงานและเวลาในส่วนอื่นโดยไม่รู้ตัว ตามบล็อกภายในขององค์กรเดียวกัน ปริมาณ Token ที่ประมวลผลในแต่ละเดือนสูงถึงระดับหลายล้านล้านหน่วย โดยมีเพียงประมาณ 10% ของผู้ใช้ที่สร้างการใช้ไปประมาณ 65% ของทั้งหมด ซึ่งมักเป็นที่ปรึกษาและวิศวกรซอฟต์แวร์ที่ใช้ AI หนัก ตัวเลขนี้ชี้ให้เห็นว่า การออกแบบนโยบายใช้ AI ต้องแยกกลุ่มผู้ใช้ ไม่ใช่บังคับทุกคนแบบเดียวกัน ผลกระทบต่อคนทำงานคือ ถ้าองค์กรออกแบบระบบการแจ้งเตือน การฝึกอบรม และโครงสร้างต้นทุนอย่างสมดุล คนทำงานย่อมใช้ AI เพื่อเพิ่มผลิตภาพส่วนบุคคลและเร่งงานลูกค้าได้ โดยยังมีผลประโยชน์มากกว่าต้นทุนอยู่มาก ผู้เขียนเห็นด้วยกับแนวคิดที่เน้นการให้ข้อมูลและเสริมความรู้ มากกว่าการสั่งห้าม เพราะในยุค AI ถ้าองค์กรปิดกั้นการใช้มากไป ความสามารถแข่งขันระยะยาวจะถูกคู่แข่งที่บริหารค่าใช้จ่ายได้ฉลาดกว่าแซงหน้าอย่างรวดเร็ว

มองไปข้างหน้า: ลดต้นทุน AI ให้ทันก่อนต้นทุนโครงสร้างพื้นฐานไล่ทัน

เมื่อฝั่งองค์กรธุรกิจเริ่มเข้าสู่ยุคลดต้นทุนและจัดการค่าใช้จ่าย AI อย่างจริงจัง ฝั่งผู้พัฒนาโมเดลและผู้ให้บริการโครงสร้างพื้นฐานขนาดใหญ่กลับเผชิญแรงกดดันอีกแบบ พวกเขาลงทุนในชิปและศูนย์ข้อมูลมูลค่าสูงมากเพื่อรองรับการเติบโตของการใช้ AI แต่เมื่ออัตราการเติบโตของการนำ AI มาใช้เริ่มชะลอตัว รายได้จากการใช้งานจริงยังชดเชยต้นทุนไม่ได้ทัน ทำให้ต้องเร่งขยายฐานผู้ใช้สู่กลุ่มคนทั่วไปมากกว่ากลุ่มโปรแกรมเมอร์เท่านั้น ในอีกหกเดือนข้างหน้า ผู้นำด้าน AI บางรายคาดว่าระดับการใช้ AI ในองค์กรอาจสูงขึ้นจนเริ่มเห็นปัญหารุนแรงมากขึ้น แต่ก็เตรียมรับมือด้วยมาตรการควบคุมการใช้ Token เพิ่มเติมควบคู่กับระบบแจ้งเตือนอยู่แล้ว สิ่งที่สำคัญคือแม้แนวโน้มจะหันไปคุมค่าใช้จ่าย แต่ก็ยังมีคุณค่าในการสนับสนุนให้เกิดการใช้งาน AI ต่อไป ไม่ใช่หันไปจำกัดแบบตัดโอกาส มุมมองของผู้เขียนคือ องค์กรที่ชนะเกม AI ระยะยาวจะเป็นกลุ่มที่สร้างวัฒนธรรมใช้ AI เป็นส่วนหนึ่งของงานประจำวัน พร้อมระบบการจัดการค่าใช้จ่าย AI ที่โปร่งใสและมีข้อมูลรองรับ ใช้ทั้งแนวคิดลดต้นทุน AI ต่อพนักงาน และการมองต้นทุนต่อผลลัพธ์ควบคู่กันไป เมื่อทำได้สมดุล องค์กรก็จะได้ทั้งความสามารถแข่งขันใหม่จาก AI โดยไม่ถูกต้นทุนถ่วงจนไปไม่ถึงเส้นชัย