ซีอีโอ CBA สั่นคลอนความเชื่อ 'AI ถูก' ชี้ต้นทุนพุ่งไม่เป็นเส้นตรง พร้อมบัญญัติศัพท์ 'Work Slop'

"ในช่วงแรก เราอยากให้พนักงานเริ่มใช้เครื่องมือ และมันก็แทบไม่มีต้นทุนเลย [...] แต่ตอนนี้วิธีที่โมเดลทำงาน ปริมาณบริบทที่คุณใส่เข้าไปได้ ทำให้ต้นทุนของคุณไม่ได้เพิ่มเป็นเส้นตรงอีกต่อไป" โคมินอธิบาย สิ่งนี้ก่อให้เกิดสิ่งที่เขาเรียกว่า "ความท้าทายในการจัดการที่กำลังทวีความสำคัญ" (Key Emerging Management Challenge) กล่าวคือ CFO และ CTO ติดอยู่ในวงจรงบประมาณรายปีที่ไม่สามารถรับมือกับความผันผวนของต้นทุนต่องานที่อาจแกว่งตัวสูงถึง 10-50 เท่า ขึ้นอยู่กับความซับซ้อนได้

พลวัตนี้ไม่ใช่เรื่องไกลตัว การเปลี่ยนไปใช้ ระบบคิดค่าบริการตามการใช้งาน (Usage-based Billing) สำหรับ Copilot ของ GitHub ในวันที่ 1 มิถุนายน 2026 ทำให้เรื่องนี้เป็นรูปธรรมอย่างเจ็บปวด จากเดิมที่ค่าสมาชิกแบบเหมาจ่ายครอบคลุมคำขอทั้งหมด ปัจจุบัน ทุก Token ไม่ว่าจะเป็นข้อมูลนำเข้า ผลลัพธ์ หรือบริบทที่ถูกแคชไว้ ล้วนถูกคิดเงินผ่าน "GitHub AI Credits" โดย 1 เครดิตมีค่าเท่ากับ 0.01 ดอลลาร์สหรัฐ ผู้ใช้ระดับหนักที่รัน Agentic Coding Session (การเขียนโค้ดแบบมีตัวแทนช่วยคิด) กำลังเห็นบิลพุ่งสูงขึ้นทันตา โดยบางรายงานว่าค่าใช้จ่ายเพิ่มขึ้น 10-50 เท่า การรัน Agentic Session ที่ซับซ้อนเพียงครั้งเดียวกับโมเดลระดับสูง ก็สามารถเผาผลาญเครดิตรายเดือนทั้งหมดในครั้งเดียวได้

นิยาม 'Work Slop' (ขยะงาน): ต้นทุนแฝงของผลลัพธ์ AI ที่ไร้ค่า

คำเตือนสำคัญประการที่สองของโคมินเป็นเรื่องของคุณภาพ เขาใช้คำว่า "work slop" เพื่ออธิบายการเพิ่มจำนวนของข้อความ โค้ด และบทวิเคราะห์ที่สร้างโดย AI ซึ่งดูเหมือนมีประสิทธิภาพ แต่แทบไม่สร้างมูลค่าที่แท้จริง ผลลัพธ์เหล่านี้ไม่เพียงแค่ล้มเหลวในการช่วยงาน แต่มันยังสร้างต้นทุนแฝงอย่างมาก: คอนเทนต์ทุกชิ้นจาก AI ที่เข้าสู่กระบวนการทำงานต้องถูกตรวจทาน ตรวจสอบข้อเท็จจริง แก้ไข หรือโยนทิ้งโดยพนักงานที่เป็นมนุษย์

นี่คือภาพสะท้อนในระดับองค์กรของปรากฏการณ์ "AI Slop" ในโลกออนไลน์ของผู้บริโภค—ไม่ว่าจะเป็นสแปมในเสิร์ชเอนจิน โพสต์โซเชียลมีเดียสูตรสำเร็จ หรือเนื้อหาขยะที่สร้างขึ้นมาดื้อๆ แต่ในสภาพแวดล้อมขององค์กร ความเสี่ยงนั้นสูงกว่า "work slop" สามารถบั่นทอนการตัดสินใจภายใน เอกสารการปฏิบัติตามกฎระเบียบ และแม้กระทั่งผลิตภัณฑ์ที่ต้องพบปะลูกค้าอย่างเงียบๆ หากมันเล็ดลอดผ่านการตรวจสอบคุณภาพที่ไม่เข้มงวดพอ ยิ่งบริษัทใช้ AI ในทุกฟังก์ชันการทำงานโดยปราศจากการตรวจสอบที่เข้มข้น กองงานไร้ค่าที่พวกเขาต้องจ่ายเงินให้มนุษย์มาเก็บกวาดก็ยิ่งมากขึ้นเท่านั้น

เดิมพันทางเทคโนโลยี 2.4 พันล้านดอลลาร์ออสเตรเลียของ CBA และสมการแรงงาน

คำเตือนของโคมินไม่ใช่คำพูดของคนนอก CBA ลงทุนในเทคโนโลยีประมาณ ปีละ 2.4 พันล้านดอลลาร์ออสเตรเลีย มากกว่าธนาคารใหญ่รายอื่นๆ ในออสเตรเลียอย่างน้อย 500 ล้านดอลลาร์ การใช้จ่ายนั้นถูกวางกรอบว่าเป็นการเดิมพันเชิงกลยุทธ์ในการเพิ่มประสิทธิภาพการทำงานที่นำโดย AI แต่ความคิดเห็นของโคมินก็ยอมรับว่าตัวเลขงบประมาณนี้กำลังเผชิญกับภาวะเงินเฟ้อที่คาดเดาไม่ได้แบบเดียวกับที่เขากำลังเตือนคนอื่น

ในขณะเดียวกัน CBA กำลังแสดงให้เห็นถึงผลกระทบของผลิตภาพจาก AI ต่อพนักงานแบบเรียลไทม์ ธนาคารปลดพนักงาน ประมาณ 300 ตำแหน่ง ในช่วงต้นปี 2026 เพิ่มเติมจากพนักงานสนับสนุน 90 ตำแหน่งที่ถูกแทนที่โดยแชทบอท AI ไปก่อนหน้านี้ และอีก 120 ตำแหน่งที่ถูกยกเลิกในเดือนเมษายน โคมินพูดอย่างชัดเจนว่า AI "จะเข้ามาแย่งงานในธุรกิจทั่วทั้งระบบเศรษฐกิจ" และบริษัทต่างๆ ต้องช่วยให้พนักงานเตรียมพร้อมสำหรับอนาคต แทนที่จะแสร้งทำเป็นว่าไม่มีอะไรเกิดขึ้น

ทว่า CBA ก็ได้ทุ่มงบประมาณ 90 ล้านดอลลาร์ออสเตรเลีย ในระยะเวลาสามปีให้กับ "โครงการ Future Workforce" ซึ่งเป็นโครงการริเริ่มเพื่อการ Re-skill ครั้งสำคัญสำหรับพนักงานมากกว่า 30,000 คน โปรแกรมนี้รวมถึงแพลตฟอร์มอาชีพภายในใหม่ที่เรียกว่า "Grow Your Career" การฝึกอบรมที่เน้น AI และการทำแผนที่ทักษะที่ออกแบบมาเพื่อให้การย้ายงานภายในองค์กรโปร่งใสขึ้น จุดยืนสองด้านเช่นนี้—การปลดงานในขณะที่ Re-skill—เป็นภาพสะท้อนที่ตรงไปตรงมาของมุมมองของโคมินที่ว่า การเปลี่ยนแปลงครั้งนี้มาถึงแล้ว และบริษัทต่างๆ จำเป็นต้องมีกลยุทธ์สำหรับพนักงานที่จะยังอยู่กับองค์กร ไม่น้อยไปกว่าพนักงานที่จะต้องจากไป

ผลกระทบเชิงกลยุทธ์สำหรับทุกองค์กร

การบรรจบกันของคำเตือนของโคมิน การกระทำของ CBA เอง และแรงกระตุ้นทันทีจากการเปลี่ยนแปลงการคิดเงินของ GitHub Copilot ชี้ไปยังหลักการที่จำเป็นสามประการสำหรับทุกองค์กรที่รัน AI ในระบบจริง:

1. การจัดทำงบประมาณต้องกลายเป็นแบบพลวัตและวัดผลได้ ยุคของงบประมาณ AI รายปีแบบตายตัวจบลงแล้ว โมเดลการคิดเงินแบบ Token ทำให้ AI กลายเป็นบริการที่มีต้นทุนแปรผัน เปรียบได้กับ Cloud Computing ที่บริษัทต่างๆ จำเป็นต้องมีการตรวจสอบต้นทุนแบบเรียลไทม์ การจัดสรรเครดิตให้แต่ละทีม การกำหนดเพดานการใช้งาน และความสามารถในการปรับงบประมาณกลางรอบ—วินัยที่บริษัทคลาวด์เนทีฟเรียนรู้มาตั้งแต่สิบปีก่อน แต่องค์กรดั้งเดิมหลายแห่งยังไม่ได้นำมาใช้กับ AI

2. การควบคุมคุณภาพไม่ใช่ทางเลือกอีกต่อไป "work slop" สร้างความเชื่อมโยงโดยตรงระหว่างความล้มเหลวด้านคุณภาพกับการบานปลายของต้นทุน ทุกผลลัพธ์จาก AI ที่ไม่ได้ตรวจสอบและเข้าสู่ระบบงาน เรียกร้องการตรวจสอบจากมนุษย์ในภายหลัง องค์กรต่างๆ ต้องบังคับใช้ด่านตรวจสอบคุณภาพ (Quality Gates) การตรวจสอบโดยมนุษย์ที่ยังคงอยู่ในกระบวนการ (Human-in-the-loop Validation) และการตรวจสอบย้อนหลังของผลลัพธ์ หากไม่มีระบบเหล่านี้ ต้นทุนจะสูงขึ้นในขณะที่มูลค่าที่ได้จะไม่เพิ่มขึ้นเลย

3. กลยุทธ์ด้านกำลังคนต้องวางแผนรองรับทั้งการลดขนาดองค์กรและการเพิ่มทักษะไปพร้อมกัน โมเดลของ CBA ให้บทเรียนที่ดี: AI ลดจำนวนพนักงานในบางทีม ในขณะที่การลงทุนเพื่อ Re-skill สร้างเส้นทางอาชีพใหม่ให้กับพนักงานกลุ่มอื่น โปรแกรม 90 ล้านดอลลาร์ออสเตรเลียส่งสัญญาณว่า ทางเลือกแทนการเลิกจ้างไม่ใช่การปกป้องตำแหน่งงาน แต่เป็นการเปลี่ยนแปลงบทบาทหน้าที่ และบริษัทต่างๆ มีหน้าที่ในการนำทางพนักงานของตนให้ผ่านพ้นการเปลี่ยนแปลงนี้ไปได้

สารสำคัญของโคมินคือ AI ในภาคองค์กรได้เข้าสู่ช่วงที่ยากขึ้นอย่างมาก ผลได้ง่ายๆ ถูกเก็บเกี่ยวไปหมดแล้ว สิ่งที่เหลืออยู่นั้นซับซ้อน มีราคาแพง และเรียกร้องวินัยที่องค์กรส่วนใหญ่ขาด ใบแจ้งหนี้สำหรับการขาดวินัยนั้นกำลังมาถึงแล้ว ในรูปแบบของทั้งต้นทุน Token ที่คาดเดาไม่ได้ และกอง "work slop" ที่เพิ่มพูนขึ้นซึ่งใครสักคนจะต้องจัดการ