สรุปบทเรียน Uber: เมื่อความคลั่ง 'Tokenmaxxing' จุดชนวนวิกฤตงบ AI สู่บททดสอบผลตอบแทนจริง

ความเร็วมหาศาลนี้ไม่ได้มาจากความกระตือรือร้นแต่เพียงอย่างเดียว Uber เริ่มให้วิศวกรใช้ Claude Code ในปลายปี 2025 และกระตุ้นการใช้งานอย่างจริงจังผ่าน กระดานผู้นำภายใน (Internal Leaderboards) ที่จัดอันดับนักพัฒนาตามปริมาณการใช้โทเค็น (Token Consumption) ภายในเดือนกุมภาพันธ์ การใช้งาน Claude Code เพิ่มขึ้นเกือบสองเท่า ต่อมาในเดือนมีนาคม วิศวกรของ Uber ถึง 84% ถูกจัดว่าเป็นผู้ใช้ที่ทำงานแบบ Agentic และ 65-72% ของโค้ดทั้งหมดในเครื่องมือ IDE นั้นถูกสร้างโดย AI AI Agent ภายในของ Uber ในตอนนี้สร้างการเปลี่ยนแปลงโค้ด (Code Changes) เกือบ 1,800 ครั้งต่อสัปดาห์ เท่ากับว่าบริษัทได้สร้างเกมการแข่งขันให้พนักงานใช้โทเค็นให้ได้มากที่สุด และแน่นอนว่าพวกเขาได้รับสิ่งที่สร้างแรงจูงใจนั้นกลับมาเต็มๆ

กับดักโมเดลงบประมาณแบบเก่า

ต้นตอของเรื่องนี้ไม่ได้มาจากแค่ความกระตือรือร้น แต่ Uber สร้างงบประมาณโดยใช้กรอบความคิดแบบ SaaS แบบคิดค่าบริการตามจำนวนผู้ใช้ (Per-Seat) ที่ใช้กันมาได้ดีตลอด 20 ปีสำหรับซอฟต์แวร์ที่มีราคาคาดการณ์ได้ แต่โมเดลการตั้งราคาของ Generative AI นั้นเดินด้วยหลักการที่แตกต่างอย่างสิ้นเชิง: ทุกโทเค็นที่ประมวลผลมีค่าใช้จ่าย และบิลค่าใช้จ่ายจะเพิ่มขึ้นตามน้ำหนักการใช้งานเครื่องมือ ไม่ใช่ตามจำนวนคนที่สามารถเข้าใช้ได้ Gartner รายงานว่า Agentic Workflows (การทำงานที่ AI ตัดสินใจและลงมือทำได้เอง) เผาผลาญโทเค็นมากกว่าการถามตอบกับแชทบอททั่วๆ ไปถึง 5 ถึง 30 เท่าต่องาน ทำให้เกิดเส้นโค้งต้นทุนที่การคาดการณ์แบบเดิมๆ ไม่สามารถรองรับได้

Uber วัดค่าใช้จ่ายของตัวเองได้ แต่ไม่ได้วัดผลกำไรที่ได้รับ วิศวกรประหยัดเวลาไปเท่าไหร่? หลีกเลี่ยงบั๊ก (Bugs) ได้มากแค่ไหน? มีอะไรที่ส่งผลต่อรายได้หรือประสบการณ์ของผู้โดยสาร? บริษัทไม่มีคำตอบที่ชัดเจนสำหรับคำถามเหล่านี้

จุดยืนของ COO: เมื่อความจริงเริ่มปรากฏ

ในการให้สัมภาษณ์กับ Business Insider เมื่อเดือนพฤษภาคม 2026 Andrew Macdonald ประธานฝ่ายปฏิบัติการของ Uber ได้ทำให้ความตึงเครียดนี้เด่นชัดขึ้นมา หลังจากการพูดคุยกับผู้นำทีมวิศวกรรมอาวุโส Macdonald กล่าวว่ามันกำลัง "ยากขึ้นที่จะหาเหตุผลอธิบาย" กับจำนวนเงินที่บริษัทใช้จ่ายไปกับ 'Tokenmaxxing' ทางด้าน AI นี้ เขายอมรับว่าการใช้โทเค็นที่สูงขึ้นไม่ได้แปรเปลี่ยนเป็นฟีเจอร์ที่มีประโยชน์ต่อผู้บริโภคที่เพิ่มขึ้นอย่างเป็นสัดส่วนกัน

"ความเชื่อมโยงนั้นยังมาไม่ถึง ใช่ไหมครับ? ผมคิดว่ามันอาจมีงานที่เสร็จเร็วขึ้นโดยนัยยะ แต่มันยากมากที่จะลากเส้นจากสถิติพวกนี้ไปหาข้อสรุปว่า 'โอเค ตอนนี้ธุรกิจเดินหน้าเร็วขึ้นแล้ว'"

ตัว CTO เองก็ยอมรับว่าบริษัทต้อง "กลับไปเริ่มต้นใหม่" กับการบริหารจัดการต้นทุนด้าน AI ปฏิสัมพันธ์ภายในนี้เผยให้เห็นความไม่ลงรอยกันของแรงจูงใจแบบคลาสสิก: ผู้นำผลักดันการนำเครื่องมือมาใช้อย่างหนักหน่วง ผ่านกระดานผู้นำและการจัดอันดับสาธารณะ แล้วก็มาพบว่าการใช้โทเค็นอย่างไร้ขีดจำกัดนั้นสร้างต้นทุนที่ทะยานขึ้นอย่างไม่มีการควบคุมโดยธรรมชาติ วิศวกรก็ทำตามเหตุผลด้วยการใช้งานเครื่องมือให้มากที่สุดตามที่ได้รับรางวัล ในทางกลับกัน ฝ่ายธุรกิจก็ใช้เหตุผลตั้งคำถามว่า การใช้งานเหล่านี้ส่งผลต่อกำไร, ประสบการณ์ผู้ใช้, หรือรายได้ของบริษัทจริงๆ หรือไม่

ภาพสะท้อนวงการอุตสาหกรรม

Uber ไม่ได้เป็นเคสที่โดดเดี่ยว Microsoft ได้รายงานการค้นพบในลักษณะเดียวกันว่า ผู้ช่วยเขียนโค้ดที่ขับเคลื่อนด้วย AI อาจมีราคาแพงกว่าแรงงานมนุษย์ที่พวกมันตั้งใจจะเข้ามาเสริมด้วยซ้ำ โจทย์ใหญ่เชิงโครงสร้างนี้ดำเนินไปทั่วทั้งองค์กรธุรกิจ: เครื่องมือ Generative AI ถูกตั้งราคาต่อโทเค็น, มูลค่าของมันนั้นประเมินแยกและวัดผลได้ยาก, และแรงจูงใจภายในองค์กรทางวิศวกรรมก็ผลักดันไปสู่การใช้งานสูงสุดมากกว่าประสิทธิภาพสูงสุด

ตัวคูณโทเค็น 5 ถึง 30 เท่าของ Gartner สำหรับ Agentic Workflows นั้นนับรวมทั้งอุตสาหกรรม ตัว Claude Code ของ Anthropic เพียงตัวเดียวนั้นสร้างรายได้ต่อปีถึง 2.5 พันล้านดอลลาร์สหรัฐ ภายในเดือนกุมภาพันธ์ 2026 เพิ่มขึ้นจาก 1 พันล้านดอลลาร์สหรัฐในเดือนพฤศจิกายน 2025 นับเป็นการเติบโตของซอฟต์แวร์องค์กรที่เร็วที่สุดในประวัติศาสตร์ การใช้จ่ายเป็นเรื่องจริงที่เกิดขึ้น แต่ผลตอบแทนยังไม่ปรากฏให้เห็น

โจทย์ที่อุตสาหกรรมต้องแก้ไข

กรณีของ Uber ทำให้เราเห็นถึงความท้าทายที่ยังไม่มีบริษัทยักษ์ใหญ่ไหนแก้ได้ตก: คุณจะตั้งงบประมาณสำหรับเทคโนโลยีที่มีต้นทุนแปรผันตามการใช้งาน, คุณภาพของผลลัพธ์วัดได้ยาก, และคุณต้องกระตุ้นการนำไปใช้เพื่อรักษาความสามารถในการแข่งขันได้อย่างไร ในขณะที่ CFO ก็ต้องมองเห็นผลกระทบต่อ P&L อย่างชัดเจน? จนกว่าองค์กรธุรกิจต่างๆ จะสร้างโมเดลการกำกับดูแลที่เชื่อมโยงค่าใช้จ่ายด้านโทเค็นเข้ากับผลลัพธ์ทางธุรกิจที่วัดผลได้อย่างเป็นรูปธรรม ปัญหา 'Tokenmaxxing' นี้ก็จะลุกลามออกไปไกลกว่า Uber บริษัทที่หาทางออกในการวัดและปรับแต่งผลตอบแทนจากการลงทุน AI (ROI) ที่แท้จริงได้ แทนที่จะวัดแค่การบริโภคโทเค็น นั่นคือบริษัทที่จะได้เปรียบอย่างมีนัยสำคัญยิ่งกว่าอันดับใดๆ บนกระดานผู้นำ