ชื่อเรื่องต้นฉบับ: Token Budget Wars
ผู้เขียนต้นฉบับ: Jaya Gupta
เรียบเรียง/แปล: Peggy

หมายเหตุบรรณาธิการ: AI สำหรับองค์กรกำลังก้าวจากขั้น “จะนำมาใช้หรือไม่” ไปสู่ขั้น “จะคำนวณความคุ้มค่าอย่างไร”

ในช่วงสองปีที่ผ่านมา บริษัทจำนวนมากผลักดันให้พนักงานใช้ AI มากขึ้น ส่วนใหญ่ก็เพื่อให้ทันกระแสเทคโนโลยีและแรงกดดันด้านการแข่งขัน แต่เมื่อค่าใช้จ่ายด้านการอนุมานของ AI เปลี่ยนจากงบทดลองมาเป็นค่าใช้จ่ายในการดำเนินงานที่เกิดขึ้นอย่างต่อเนื่อง CEO และ CFO ก็เริ่มตั้งคำถามที่เป็นรูปธรรมมากขึ้นว่า: AI สร้างมูลค่าได้จริงเท่าไร? ต้นทุน token ทุก ๆ 1 ดอลลาร์ แลกกลับมาเป็นผลลัพธ์จริงอะไรบ้าง?

นี่คือแก่นของ “Token Budget Wars” หรือสงครามงบประมาณ token สิ่งที่เรียกว่าสงครามงบประมาณ token ไม่ได้หมายถึงแค่องค์กรต้องการกดบิลค่า AI ให้ต่ำลงเท่านั้น แต่คือการประเมินใหม่ว่าธุรกิจใดควรได้รับการลงทุนด้านพลังประมวลผลมากขึ้น งานใดควรเปลี่ยนไปใช้โมเดลที่ถูกกว่า กระบวนการใดสามารถทดแทนการจ้างเอาต์ซอร์สหรือแรงงานคนได้ และอะไรเป็นเพียงการใช้ทรัพยากรอย่างสูญเปล่า

ประเด็นที่น่าจับตาที่สุดในบทความนี้คือ ปริมาณการใช้งาน AI ไม่ได้เท่ากับมูลค่าเสมอไป ในยุค SaaS ปริมาณการใช้งานมักหมายความว่าซอฟต์แวร์ถูกนำไปใช้จริง แต่ในยุค AI การใช้ token บอกได้เพียงว่า “มิเตอร์กำลังวิ่งอยู่” เวิร์กโฟลว์เดียวกัน อาจมีต้นทุนต่างกันหลายเท่า เพราะความแตกต่างของพรอมป์ บริบท การเลือกโมเดล และจำนวนครั้งที่ต้องลองใหม่ บิลที่สูงขึ้นอาจหมายความว่า AI กำลังทำงานจริง ๆ ก็ได้ หรืออาจหมายความว่าระบบกำลังวนไปมาอย่างไร้ประสิทธิภาพก็ได้เช่นกัน

ดังนั้น ระยะถัดไปของ AI สำหรับองค์กร ประเด็นสำคัญจึงไม่ใช่แค่ความสามารถของโมเดล แต่คือการเชื่อมโยงต้นทุน token เข้ากับผลลัพธ์ทางธุรกิจได้หรือไม่ ระยะแรกพิสูจน์แล้วว่า AI สามารถทำงานได้ ส่วนระยะที่สองต้องตอบให้ได้ว่า: งานเหล่านี้คุ้มค่าที่จะจ่ายเงินจริงหรือไม่

ต่อไปนี้คือเนื้อหาต้นฉบับ:

AI สำหรับองค์กรได้เปลี่ยนจาก “จะนำมาใช้หรือไม่” ไปสู่ “จะจัดสรรอย่างไร” แล้ว

ในระดับผู้บริหารของบริษัท “สกุลเงิน” ใหม่คือความสามารถในการวัดผลตอบแทนจากการลงทุนใน AI ของคุณ ทุกฟังก์ชันงานถูกถามด้วยคำถามเดียวกันว่า: คุณสร้างผลลัพธ์อะไรออกมา? ต้นทุนเท่าไร? ในช่วงสองปีที่ผ่านมา CEO ทั้งหลายตื่นเช้ามาดู Jim Cramer ทาง CNBC (#bearish) พร้อมกับเห็นคู่แข่งประกาศว่าประสิทธิภาพการผลิตเพิ่มขึ้น จากนั้นก็สั่งให้ทั้งบริษัทหันไปใช้ AI แต่ตอนนี้ สิ่งที่สร้างแรงกดดันอย่างแท้จริงคือคำถามถัดมาว่า: พิสูจน์มูลค่าให้ฉันเห็น

Claude เปิดตัวในเดือนพฤศจิกายน 2025 และในเวลานั้น งบประมาณประจำปี 2026 ขององค์กรส่วนใหญ่ก็ถูกล็อกไว้แล้ว เมื่อเข้าสู่ไตรมาสแรก ปริมาณการใช้งานจริงขององค์กรได้พุ่งเกินแผนเดิมไปมาก ต้นทุนการอนุมานไม่ได้เป็นเพียงรายการงบประมาณสำหรับการทดลองอีกต่อไป แต่กลายเป็นต้นทุนการดำเนินงานที่เกิดขึ้นอย่างต่อเนื่อง สิ่งที่ตามมาคือคำถามใหม่: AI สร้างมูลค่าจริง ๆ อยู่ที่ตรงไหนกันแน่?

คำถามนี้ตอบได้ยากมาก เพราะอรรถประโยชน์ของ token ยังไม่ได้ถูกวัดเชิงปริมาณ ใบเรียกเก็บเงินไม่สามารถบอกคุณได้ว่า ค่าใช้จ่ายก้อนนี้แท้จริงแล้วเป็นการทดแทนแรงงานมนุษย์ สร้างรายได้ ลดความเสี่ยง เร่งกระบวนการให้เร็วขึ้น หรือเป็นเพียงกลุ่มวิศวกรที่ปั่นใช้ token อย่างบ้าคลั่งเพื่อไต่อันดับบนลีดเดอร์บอร์ด (#metamates) เมื่อค่าใช้จ่ายอยู่แค่ระดับไม่กี่แสนดอลลาร์ มันยังดูเหมือนการทดลองหนึ่ง แต่เมื่อเกินจุดวิกฤตบางอย่าง เช่น ขึ้นไปแตะระดับเจ็ดหลัก มันก็จะกลายเป็นโครงสร้างพื้นฐาน ความแตกต่างทางเทคนิคเริ่มส่งผลอย่างมีนัยสำคัญต่องบกำไรขาดทุน: เวิร์กโฟลว์เดียวกัน ชุดอินพุตเดียวกัน แต่การรันสองครั้งอาจมีต้นทุน token ต่างกันได้ 5 ถึง 10 เท่า ทั้งที่ภายนอกดูเหมือนไม่มีปัญหาอะไรเลย ในระดับการทดลอง ความผันผวนแบบนี้ก็มีราคาแพงมากอยู่แล้ว แต่เมื่อเข้าสู่ระดับโครงสร้างพื้นฐาน มันจะกลายเป็นตัวเลขที่ CFO ต้องอธิบายต่อ CEO

อาจเรียกสิ่งนี้ว่า “อรรถประโยชน์ส่วนเพิ่มของ token”: มูลค่าทางธุรกิจที่สร้างขึ้นจากต้นทุนการอนุมานที่เพิ่มขึ้นทุก ๆ 1 ดอลลาร์ นี่คือตัวเลขที่สำคัญจริง ๆ ในช่วงการขยายสเกล และเป็นตัวเลขที่บริษัทส่วนใหญ่ในปัจจุบันยังมองไม่เห็น

คำถามในห้องประชุมคณะกรรมการกำลังเปลี่ยนจาก “AI มีประโยชน์หรือไม่” ไปเป็น “AI สร้างแรงทวีคูณอย่างแท้จริงตรงไหนกันแน่” และด้วยเหตุนี้เอง สิ่งที่เรียกว่าสงครามงบประมาณ token โดยแก่นแท้แล้วคือการแย่งชิงสิทธิ์ในการจัดสรร token

ส่วนเหตุผลที่การแย่งชิงความเป็นเจ้าของ token ร้อนแรงขึ้นอย่างรวดเร็วนั้น เป็นเพราะมันกำลังปะทะกับสัญชาตญาณของผู้บริหารระดับสูงที่ดำรงอยู่มายาวนานสามสิบปี: ทีมใหญ่หมายถึงตำแหน่งใหญ่ ขอบเขตความรับผิดชอบใหญ่ และอำนาจที่มากกว่า ในอดีต สัญลักษณ์ที่มองเห็นได้ของความสำเร็จของผู้บริหารระดับสูง คือขนาดของทีมที่พวกเขาบริหาร ไม่ว่าจะเป็นผู้ใต้บังคับบัญชาโดยตรง ผู้ใต้บังคับบัญชาทางอ้อม และจำนวนคนในโครงสร้างองค์กร

แต่เมื่อ intelligence กลายเป็นทรัพยากรที่ขาดแคลน สัญลักษณ์ใหม่จึงกลายเป็นว่า: คุณสามารถจัดสรรและควบคุม intelligence ได้มากแค่ไหน

โดยแก่นแท้แล้ว ค่าใช้จ่ายด้าน AI กำลังแข่งขันกับต้นทุนแรงงานมนุษย์

คำขอใช้งบประมาณ AI ส่วนใหญ่ โดยแก่นแท้แล้วเป็นข้ออ้างหนึ่งในสามประเภท: ทดแทนแรงงานเอาต์ซอร์ส ทดแทนแรงงานภายใน หรือสร้างรายได้ใหม่

พนักงานหนึ่งคนมีเงินเดือน สัญญาเอาต์ซอร์ส BPO หนึ่งฉบับมีราคาตามจำนวน ticket, เคลม, ใบแจ้งหนี้ หรือการตรวจสอบ มนุษย์สามารถเข้าใจหน่วยวัดเหล่านี้ได้ แต่ต้นทุนการอนุมานซับซ้อนกว่า เพราะต้นทุนในการทำภารกิจหนึ่งให้สำเร็จในท้ายที่สุด ขึ้นอยู่กับว่าระบบทำงานอย่างไรระหว่างการดำเนินการ งานเคลมหนึ่งรายการที่ต้องลองใหม่สามครั้ง ต้องให้มนุษย์แก้ไข และต้องเรียกใช้โมเดลระดับแนวหน้า อาจมีราคาแพงกว่าแรงงานเอาต์ซอร์สที่มันตั้งใจจะเข้ามาทดแทนเสียอีก ด้วยเหตุนี้เอง บทสนทนาจึงกำลังเปลี่ยนไปเป็น: ต้นทุนในการทำให้ได้ผลลัพธ์หนึ่งคือเท่าไร เช่น ต้นทุนต่อ ticket ที่แก้ไขสำเร็จแต่ละรายการ ต่อเคลมที่ดำเนินการแล้วแต่ละรายการ ต่อสัญญาที่ตรวจสอบแล้วแต่ละฉบับ ต่อใบแจ้งหนี้ที่ทำเสร็จแล้วแต่ละใบ ต่อหนึ่งตำแหน่งงานใหม่ที่หลีกเลี่ยงการเพิ่มได้ ต่อลูกค้าหนึ่งรายที่รักษาไว้ได้ หรือ ต้นทุนต่อรายได้ทุก ๆ 1 ดอลลาร์ที่แปลงกลับมาได้

ผู้บริหารต่างตระหนักแล้วว่า BPO เป็นจุดที่ง่ายที่สุดในการสร้างเกณฑ์มาตรฐาน เพราะงานเหล่านี้เดิมทีก็ถูกคิดราคาตาม “หน่วยงานที่ทำเสร็จ” อยู่แล้ว ในทางตรงกันข้าม การเปรียบเทียบพนักงานภายในกับ AI นั้นยากกว่ามาก เพราะพนักงานทำหลายอย่างในแต่ละวัน รวมถึงการไถ TikTok ตอนพักกลางวันด้วย การเพิ่มขึ้นของผลิตภาพมักสะท้อนออกมาในรูปของการหลีกเลี่ยงการจ้างงานเพิ่มเติม หรือการปลดปล่อยกำลังการผลิตที่กระจัดกระจาย และผู้จัดการก็มักต่อต้านการลดจำนวนทีมลงเพียงเพราะมีการทำงานอัตโนมัติบางส่วน BPO จึงมอบเส้นฐานที่วัดเชิงปริมาณได้ให้กับทีมธุรกิจ

สิ่งนี้แตกต่างจากตรรกะของ SaaS ในอดีต SaaS เคยฝึกให้องค์กรมองปริมาณการใช้งานเป็นตัวชี้วัดแทนคุณค่า

แต่ AI ได้ทำลายตรรกะดังกล่าว ปริมาณทรัพยากร inference ที่เวิร์กโฟลว์เดียวกันใช้ อาจแตกต่างกันอย่างมหาศาล ขึ้นอยู่กับพรอมป์ บริบทที่ดึงมาได้ โมเดลที่เลือก เครื่องมือที่เรียกใช้ จำนวนครั้งที่ลองใหม่ และว่า agent ติดขัดหรือไม่ หน่วยบนใบเรียกเก็บเงิน——token——นั้นคงที่ แต่ปริมาณงานที่มันเป็นตัวแทนกลับไม่คงที่

พูดให้แม่นยำยิ่งขึ้นคือ สัญญาณและสัญญาณรบกวนใช้หน่วยวัดเดียวกัน การที่บิล token เพิ่มขึ้น อาจหมายความว่างานจริงกำลังถูกทำให้เสร็จ แต่ก็อาจหมายความว่าพลังประมวลผลกำลังถูกสิ้นเปลืองไปกับพรอมป์ที่แย่ บริบทที่ไม่เกี่ยวข้อง การเรียกใช้เครื่องมือที่ไม่จำเป็น การใช้เหตุผลซ้ำซ้อน และโมเดลที่มีขีดความสามารถเกินความจำเป็น บริษัทสองแห่งอาจมีบิล token เท่ากันทุกประการ แต่ธุรกิจที่ทำงานอยู่เบื้องหลังกลับแตกต่างกันอย่างสิ้นเชิง แห่งหนึ่งกำลังเปลี่ยนการ inference ให้กลายเป็นผลลัพธ์ อีกแห่งหนึ่งกำลังจ่ายเงินให้กับการลองผิดลองถูกที่ไร้ประสิทธิผล แต่ทั้งสองกรณีกลับดูเหมือนกันทุกประการในรายการบนใบเรียกเก็บเงิน

ปริมาณการใช้งานของ SaaS บอกคุณว่า ซอฟต์แวร์ถูกนำไปใช้แล้ว ส่วนปริมาณการใช้งานของ AI บอกคุณได้เพียงว่า มิเตอร์กำลังเดินอยู่ แต่มันไม่ได้บอกคุณว่า บริษัทกำลังเดินเครื่องได้จริงหรือไม่

ทำไมอรรถประโยชน์ส่วนเพิ่มของ token จึงมองเห็นได้ยาก?

หลัก ๆ มีสามประการ

ประการแรกคือหางยาวของการลองใหม่ หากความน่าจะเป็นที่ agent จะทำเวิร์กโฟลว์ให้ถูกต้องตั้งแต่ครั้งแรกคือ p，那么 token ที่คาดว่าจะใช้ต่อเวิร์กโฟลว์ที่แก้สำเร็จหนึ่งรายการ โดยคร่าว ๆ จะขยายตาม T/p โดยที่ T คือ ต้นทุนพื้นฐาน หากอัตราการทำสำเร็จลดลงจาก 90% เหลือ 70% ต้นทุนที่มีผลจริงต่อการแก้ปัญหาแต่ละครั้งจะเพิ่มขึ้นประมาณ 28% ไม่ใช่ 20% เพราะความล้มเหลวสร้างผลกระทบแบบทบต้น ในเวิร์กโฟลว์ขององค์กร อินพุตมักยุ่งเหยิง และกรณียกเว้นก็มีความสำคัญ ความล้มเหลวไม่เพียงทำให้ความแม่นยำลดลง แต่ยังเปลี่ยนสมการทางเศรษฐศาสตร์ด้วย

ประการที่สองคือการบวมตัวของบริบท สำหรับการดำเนินการที่พึ่งพากลไก attention อย่างมาก ต้นทุน inference โดยคร่าว ๆ จะเพิ่มขึ้นตามความยาวของบริบทในลักษณะ O(n²) ดังนั้น เมื่อความยาวของบริบทเพิ่มเป็นสองเท่า ต้นทุน inference โดยคร่าว ๆ จะกลายเป็นสี่เท่า ทุกคนต่างต้องการให้โมเดลมีข้อมูลเพียงพอ ระบบจึงมักจัดสรรเกินความจำเป็น เดิมทีเอกสารห้าฉบับก็เพียงพอแล้ว แต่การดึงข้อมูลกลับดึงมาห้าสิบฉบับ ตัวเชื่อมต่อเทอีเมลทั้งเธรดเข้ามาโดยตรง และ agent ก็ยังคงทำงานต่อไปพร้อมกับประวัติการสนทนาที่ล้าสมัยไปนานแล้ว

ประการที่สามคือการกำหนดเส้นทาง (routing) เมื่อทีมไม่รู้ว่าโมเดลใด “ดีพอ” ค่าเริ่มต้นก็มักจะเป็นการใช้โมเดลที่แข็งแกร่งที่สุด งานจำแนกประเภทพื้นฐานงานหนึ่ง อาจถูกรันบนโมเดลเดียวกับที่เดิมทีใช้สำหรับการให้เหตุผลที่ซับซ้อน เมื่อจำนวนการเรียกใช้งานเพิ่มขึ้นถึงระดับหลายล้านครั้ง การส่งงานง่าย ๆ ให้โมเดลขนาดเล็กทำ หรือส่งงานทั้งหมดให้โมเดลแนวหน้าทำ มักเป็นความแตกต่างระหว่างบิลที่ควบคุมได้กับปัญหาระดับคณะกรรมการบริษัท

อุตสาหกรรมที่ไม่ใช่ซอฟต์แวร์จะรับรู้ความเจ็บปวดนี้ในรูปแบบของ “การทรานส์ฟอร์ม” บริษัทซอฟต์แวร์จะเห็นปัญหานี้ก่อน เพราะงานที่ถูกปรับให้เหมาะสมนั้นเดิมทีก็ถูกติดตั้งเครื่องมือวัดไว้อย่างเพียงพออยู่แล้ว ทีมวิศวกรรมมีตัวชี้วัดอย่าง PR, commit, deployment, incident, cycle time, mean time to repair และอื่น ๆ อีกทั้งตัวชี้วัดเหล่านี้ยังเชื่อมโยงกับผลิตภัณฑ์ แม้จะไม่สมบูรณ์แบบ แต่ลักษณะงานประเภทนี้วัดผลได้ง่ายกว่า

องค์กรที่ไม่ใช่ซอฟต์แวร์จะรู้สึกถึงปัญหานี้ลึกซึ้งกว่า เพราะงานของพวกเขาเป็นงานเชิงปฏิบัติการ เช่น การเคลมประกัน การรับประกันภัย ตั๋วงานฝ่ายบริการลูกค้า การตรวจสอบการปฏิบัติตามกฎระเบียบ ความผิดปกติในซัพพลายเชน ข้อพิพาทด้านการชำระเงิน หรือบริษัทที่ถือครองสินทรัพย์ในโลกจริงก็จะเผชิญปัญหาเดียวกัน เวิร์กโฟลว์เหล่านี้ในอดีตมักวัดด้วยกำลังคน ระยะเวลารอบงาน อัตราการบรรลุ SLA และอัตราความผิดพลาด และมักมีข้อกำหนดที่สูงกว่า คือต้องยืนหยัดได้ในการตรวจสอบ ไม่ใช่แค่ถูกต้องในเชิงค่าเฉลี่ย หน่วยของงานและหน่วยของต้นทุนไม่ได้ใช้ภาษาเดียวกัน และไม่ได้อยู่ในองค์กรเดียวกัน ทีมเทคโนโลยีมองเห็นการใช้ token ฝ่ายธุรกิจมองเห็นการเปลี่ยนแปลงของเวิร์กโฟลว์ แต่การเชื่อมสองสิ่งนี้เข้าด้วยกันจำเป็นต้องให้หลายทีมตกลงกันก่อนว่า “แท้จริงแล้วกำลังวัดอะไรอยู่”

ผมคิดว่า บริษัทซอฟต์แวร์จะรับรู้การถกเถียงเรื่องงบประมาณ token ในฐานะปัญหาการวัดผลิตภาพ ซึ่งก็สอดคล้องกับปรากฏการณ์ “การปลดพนักงานเพราะ AI” จำนวนมากที่เกิดขึ้นก่อนหน้านี้ ส่วนองค์กรที่ไม่ใช่ซอฟต์แวร์จะรับรู้มันในฐานะปัญหาการทรานส์ฟอร์ม

ชั้นที่ขาดหายไปคือการระบุที่มาของผลลัพธ์ตั้งแต่ token ไปจนถึงผลลัพธ์ องค์กรจำเป็นต้องมีชั้นแปลงค่า ที่เชื่อมค่าใช้จ่ายด้านการให้เหตุผลเข้ากับงานที่เสร็จสมบูรณ์และผลลัพธ์ทางธุรกิจที่เกิดขึ้น ชั้นนี้ต้องตอบคำถามสามข้อ: ต้นทุนที่แท้จริงของเวิร์กโฟลว์นี้คือเท่าไร รวมถึงการลองใหม่และการแก้ไข? ในเส้นทางการทำงานของ agent ส่วนใดสำคัญจริง ๆ และส่วนใดเป็นเพียงการวนเวียนที่ไร้ผล? งานนี้ได้เปลี่ยนรูปแบบการดำเนินงานหรือไม่ เช่น เจ้าหน้าที่บริการลูกค้าแต่ละคนจัดการตั๋วงานน้อยลง รอบเวลาการเคลมสั้นลง งบประมาณ BPO ลดลง หรือการจ้างงานถูกเลื่อนออกไป? ชั้นถัดไปคือการระบุที่มาของผลลัพธ์ด้วยภาษาธุรกิจ ไม่ใช่พูดง่าย ๆ ว่า “เวิร์กโฟลว์นี้มีค่าใช้จ่าย 2.13 ดอลลาร์” แต่ต้องพูดได้ว่า: การให้ agent จัดการเคลมประเภทนี้มีต้นทุนถูกกว่า BPO แต่หากกรมธรรม์กำหนดให้ต้องมีเอกสารข้อยกเว้นเพิ่มเติม หางยาวของการลองใหม่จะทำลายความคุ้มค่าทางเศรษฐศาสตร์

การวัดผลจะกลายเป็นความทรงจำ เพื่อเชื่อม token หนึ่งกับผลลัพธ์หนึ่ง องค์กรต้องจับทุกสิ่งที่เกิดขึ้นระหว่างทาง: agent เห็นอะไร ค้นคืนอะไร เรียกใช้เครื่องมือใด มองข้ามอะไร ลองใหม่ที่จุดไหน เมื่อใดที่มนุษย์เข้ามาแทนที่ ใช้กฎข้อยกเว้นใด แบบอย่างใดมีผล และเพราะเหตุใดเส้นทางหนึ่งจึงสำเร็จ แต่อีกเส้นทางหนึ่งจึงล้มเหลว ชั้นการวัดผลต้องบันทึกเส้นทางการตัดสินใจ และนี่เองคือสิ่งที่ในอดีตองค์กรแทบไม่เคยมีอย่างแท้จริง ระบบบันทึกสามารถจับได้ว่าเกิดอะไรขึ้น แต่แทบไม่สามารถจับได้ว่าเพราะเหตุใด ตัวอย่างเช่น CRM สามารถบอกคุณได้ว่าดีลหนึ่งถูกเลื่อนออกไป แต่ไม่สามารถบอกคุณได้ถึงการตัดสินใจที่ไม่ได้ถูกเขียนลงไปเบื้องหลังการคาดการณ์ยอดขายนั้น

เหตุผลเบื้องหลังการตัดสินใจเป็นหนึ่งในสินทรัพย์ของบริษัทที่เสื่อมสภาพง่ายที่สุดและหายไปได้ง่ายที่สุด เพราะมันกระจัดกระจายอยู่ในเธรด Slack, อีเมลต่อกันเป็นสาย, การประชุมเพื่อยกระดับปัญหา และอยู่ในหัวของผู้คน แต่ปัญหาคือ คนลาออกได้ และกระบวนการก็เปลี่ยนแปลงได้

AI เปลี่ยนเรื่องนี้ไป เพราะ agent จะสร้างร่องรอยการทำงานขึ้นมา ทุกการค้นคืนข้อมูล การเรียกใช้เครื่องมือ การลองใหม่ การยกระดับปัญหา การแก้ไขโดยมนุษย์ และการตัดสินใจสุดท้าย ล้วนกลายเป็นส่วนหนึ่งของเส้นทางจากบริบท ไปสู่การลงมือทำ และไปถึงผลลัพธ์ ในช่วงแรก บริษัทจะเก็บร่องรอยเหล่านี้ไว้เพื่อพิสูจน์ความสมเหตุสมผลของค่าใช้จ่าย แต่ทันทีที่ร่องรอยเหล่านี้ถูกเก็บไว้ มันจะมีมูลค่ามากกว่ารายงานต้นทุนเสียอีก เพราะมันจะกลายเป็นบันทึกถาวรว่าองค์กรตัดสินใจจริง ๆ อย่างไร (แค่ก ๆ, context graph ถึงช่วงนี้ผมจะได้ยินคำนี้จนเอียนแล้วก็เถอะ)

ชั้นการจัดสรรต่างหากคือรางวัลที่แท้จริง หากการใช้เหตุผลกลายเป็นทรัพยากรแบบคิดเงินตามปริมาณการใช้งานในโมเดลปฏิบัติการลูกค้า ทุกดอลลาร์ที่ใช้ไปก็ต้องพิสูจน์ให้ได้ว่าคุ้มค่า ผู้ให้บริการรายใดสามารถอธิบายได้ว่า token เปลี่ยนเป็นผลลัพธ์เมื่อใด เมื่อใดที่ไม่เปลี่ยน และเพราะอะไร?

องค์กรต่าง ๆ จะไม่ได้ค้นหาคำตอบเรื่องนี้ทั้งหมดด้วยตัวเอง พวกเขาจะซื้อสิ่งนี้ในรูปแบบของการทรานส์ฟอร์ม องค์กร Fortune 500 เคยเล่นบทเดิมนี้ซ้ำแล้วซ้ำเล่ามาแล้ว: รัดเข็มขัดให้แน่น จ้าง McKinsey ดึงอดีตพนักงาน Palantir ทุกคนในตลาดเข้ามา แล้วให้ CEO ขับเคลื่อนการเปลี่ยนแปลงจากบนลงล่าง การระบุแหล่งที่มาจาก token ไปสู่ผลลัพธ์ก็จะปรากฏขึ้นในลักษณะคล้ายกับ ERP, BI และการทรานส์ฟอร์มดิจิทัล: มาในฐานะ “โครงการ” ที่มีผู้บริหารระดับสูงสนับสนุน มีชุดโครงสร้างพื้นฐานรองรับอยู่ข้างใต้ และท้ายที่สุดจะกลายเป็นแหล่งความจริงชุดใหม่ ผู้ก่อตั้งที่ทำเรื่องนี้สำเร็จได้ จะสร้างทีมผู้ก่อตั้งในรูปแบบที่แตกต่างออกไป และตัวพวกเขาเองก็จะแตกต่างจากต้นแบบของผู้ประกอบการแบบดั้งเดิมด้วย

ใครก็ตามที่ครอบครองการระบุแหล่งที่มาจาก token ไปสู่ผลลัพธ์ ก็จะสามารถตัดสินใจเรื่องการจัดสรรได้ว่า: เวิร์กโฟลว์ใดควรได้รับพลังประมวลผลมากขึ้น เวิร์กโฟลว์ใดควรถูกจำกัด เวิร์กโฟลว์ใดควรสลับไปใช้โมเดลที่ถูกกว่า เวิร์กโฟลว์ใดควรให้มนุษย์ทำต่อ และเวิร์กโฟลว์ใดสามารถเข้ามาแทนที่ BPO ได้ และทันทีที่คุณสามารถตัดสินใจเรื่องเหล่านี้ได้ คุณก็จะควบคุมทิศทางการไหลของงบประมาณ AI ภายในองค์กร และได้รับความไว้วางใจที่จำเป็นต่อการจัดสรรทรัพยากรก้อนนี้

ระยะแรกของ enterprise AI ได้พิสูจน์แล้วว่า: โมเดลสามารถทำงานได้ ระยะถัดไปจะเป็นตัวตัดสินว่า: งานเหล่านี้มีมากน้อยเพียงใดที่คุ้มค่าต่อการจ่ายเงิน ดังที่ Charlie Munger เคยกล่าวไว้: แสดงแรงจูงใจให้ผมดู แล้วผมจะบอกคุณได้ว่าผลลัพธ์จะเป็นอย่างไร

[ลิงก์ต้นฉบับ]

ยินดีต้อนรับสู่ชุมชนทางการของ BlockBeats:

กลุ่ม Telegram สมัครสมาชิก: https://t.me/theblockbeats

กลุ่ม Telegram พูดคุย: https://t.me/BlockBeats_App

บัญชี Twitter ทางการ: https://twitter.com/BlockBeatsAsia