OpenAI ทดลองโมเดลคิดค่าบริการ AI แบบ “จ่ายเมื่อทำงานสำเร็จ” สำหรับลูกค้าองค์กร

OpenAI reportedly กำลังเปิดให้ลูกค้าองค์กรรายใหญ่บางรายทดลองจ่ายเงินเฉพาะเมื่อ AI agent ทำภารกิจทางธุรกิจที่ตกลงกันไว้สำเร็จ การจัดรูปแบบดังกล่าวยังเป็นเพียงโครงการนำร่องแบบจำกัดวง ไม่ใช่แพ็กเกจราคาที่ประกาศใช้อย่างเป็นทางการ และ OpenAI ยังไม่ได้เปิดเผยว่างานใดเข้าร่วม อัตราค่าบริการเท่าไร หรือเงื่อนไขในสัญญาเป็นอย่างไร 5

ประเด็นนี้มีความสำคัญขึ้นมาเพราะ AI agent แบบอัตโนมัติอาจใช้ทรัพยากรประมวลผลมากกว่าแชตบอตทั่วไปอย่างมาก หากคิดเงินตามโทเคน ค่าใช้จ่ายจะเพิ่มขึ้นตามพรอมต์ คำตอบ การลองใหม่ และการเรียกใช้เครื่องมือ แต่การคิดราคาแบบอิงผลลัพธ์จะผูกค่าบริการเข้ากับผลงานที่ลูกค้าและผู้ให้บริการกำหนดร่วมกันล่วงหน้า

ต่างจากการคิดเงินตามโทเคนอย่างไร

อัตราค่าบริการ API และแพ็กเกจองค์กรที่ OpenAI เผยแพร่ในปัจจุบัน คิดตามโทเคนอินพุต โทเคนอินพุตที่แคชไว้ และโทเคนเอาต์พุตต่อ 1 ล้านโทเคน 1 2 ภายใต้ระบบนี้ ลูกค้าจ่ายตามการใช้งานโมเดล ไม่ว่าเอเจนต์จะทำภารกิจสำเร็จในท้ายที่สุดหรือไม่

การคิดค่าบริการตามผลลัพธ์เปลี่ยน “จังหวะที่เกิดการเรียกเก็บเงิน” จากคำถามว่า “ระบบประมวลผลกี่โทเคน?” เป็น “เอเจนต์ทำผลลัพธ์ที่ตกลงกันไว้ได้หรือไม่?” ผลลัพธ์ที่เข้าเกณฑ์อาจเป็นการแก้ปัญหาให้ลูกค้าสำเร็จ การทำเวิร์กโฟลว์จนจบ หรือการอัปเดตข้อมูลในระบบธุรกิจที่ผ่านการตรวจสอบแล้ว แต่ OpenAI ยังไม่ได้เปิดเผยรายละเอียดของผลลัพธ์ในโครงการนำร่องนี้ 5

ความแตกต่างดังกล่าวทำให้ OpenAI ต้องรับความเสี่ยงจากการทำงานมากขึ้นบางส่วน การลองหลายครั้ง กระบวนการให้เหตุผลที่ยาว หรือการทำงานที่ล้มเหลว อาจเพิ่มต้นทุนของบริษัทโดยไม่ทำให้เกิดรายการที่เรียกเก็บเงินได้

ทำไมองค์กรจึงกังวลกับต้นทุนของ AI agent

การคิดเงินตามการใช้งานแบบเดิมค่อนข้างคาดการณ์ได้เมื่อใช้กับแอปพลิเคชันที่มีรูปแบบการใช้งานชัดเจน แต่การประเมินงบประมาณจะยากขึ้นเมื่อเอเจนต์เลือกเส้นทางการทำงานเอง เรียกใช้เครื่องมือซ้ำหลายครั้ง แบ่งงานให้เอเจนต์อื่น หรือทำงานหลายกระบวนการพร้อมกัน

กรณีที่ถูกอ้างถึงอย่างมากคือ นักพัฒนารายหนึ่งซึ่งใช้งานเอเจนต์ 100 ตัวและมียอดค่าโทเคน OpenAI รวม 1.3 ล้านดอลลาร์ภายใน 30 วัน 5 แม้จะเป็นกรณีสุดขั้ว แต่ก็สะท้อนความกังวลทางธุรกิจได้ชัดเจน นั่นคือ สำหรับระบบอัตโนมัติ ค่าใช้จ่ายอาจเพิ่มตามจำนวนครั้งที่พยายามและระดับกิจกรรม มากกว่าจะเพิ่มตามคุณค่าของงานที่ทำสำเร็จ

สัญญาที่คิดเงินตามผลลัพธ์อาจช่วยให้องค์กรวางงบประมาณได้ง่ายขึ้น และอาจลดความเสี่ยงที่ลูกค้าต้องจ่ายเต็มจำนวนสำหรับความพยายามที่ไม่ก่อให้เกิดผลงาน หากสัญญากำหนดให้ความล้มเหลวไม่ถือเป็นรายการที่ต้องจ่าย อย่างไรก็ตาม ยังไม่มีข้อมูลว่าโครงการนำร่องของ OpenAI ให้ความคุ้มครองในลักษณะนี้หรือไม่ และจะจัดการกับข้อยกเว้นอย่างไร

งานแบบใดมีโอกาสเริ่มใช้โมเดลนี้ก่อน

การคิดเงินตามผลลัพธ์บริหารจัดการได้ง่ายที่สุดเมื่อภารกิจมีขอบเขตชัดเจน และมีเหตุการณ์ที่ใช้ยืนยันการทำงานเสร็จได้อย่างเป็นรูปธรรม งานบริการลูกค้าจึงเป็นตัวอย่างที่โดดเด่น เพราะสามารถตรวจสอบได้จากสถานะของทิกเก็ต การสนทนากับลูกค้า หรือการที่ไม่ต้องส่งต่อให้พนักงานมนุษย์อีก

เวิร์กโฟลว์อื่นที่อาจเหมาะสม ได้แก่ งานเขียนโค้ดที่กำหนดขอบเขตชัดเจน งานเคลม การคัดกรองลูกค้าเป้าหมาย หรืองานหลังบ้านบางประเภท ทั้งหมดนี้เป็นความเป็นไปได้ ไม่ใช่กรณีใช้งานที่ OpenAI เปิดเผยแล้ว เงื่อนไขร่วมคือคู่สัญญาต้องระบุได้ตั้งแต่ต้นว่าอะไรถือเป็น “ความสำเร็จ”

ในทางปฏิบัติ สัญญาน่าจะต้องกำหนดเรื่องต่อไปนี้ให้ชัดเจน:

• เงื่อนไขที่ถือว่างานสำเร็จอย่างละเอียด
• เกณฑ์ด้านคุณภาพและความแม่นยำ
• การส่งต่องานให้มนุษย์ถือเป็นความล้มเหลวหรือความสำเร็จบางส่วนหรือไม่
• วิธีจัดการกับการลองใหม่และกรณียกเว้น
• เหตุการณ์ในระบบใดใช้ยืนยันว่าภารกิจเสร็จสมบูรณ์
• วิธีแก้ไขข้อพิพาทเกี่ยวกับการเรียกเก็บเงิน

หากไม่มีกติกาเหล่านี้ คำว่า “จ่ายเมื่อ AI ทำงานสำเร็จ” ก็อาจเป็นเพียงคำโฆษณาที่ฟังดูดี แต่ยังคลุมเครือในเชิงพาณิชย์

ตลาดมีโมเดลที่ผูกค่าบริการกับผลลัพธ์อยู่แล้ว

การทดลองของ OpenAI สอดคล้องกับแนวโน้มที่บริษัทซอฟต์แวร์หลายรายกำลังปรับวิธีคิดค่าบริการสำหรับ AI agent อย่างไรก็ตาม แต่ละโมเดลมีรายละเอียดแตกต่างกัน:

• Intercom Fin: Intercom ระบุว่า Fin คิดค่าบริการ 0.99 ดอลลาร์ต่อผลลัพธ์ที่แก้ปัญหาได้ โดย AI ต้องจัดการปัญหาของลูกค้าจนจบกระบวนการโดยไม่ต้องให้มนุษย์เข้ามาช่วย 8
• Zendesk: Zendesk ใช้คำว่า “Verified Resolution” หรือการแก้ปัญหาที่ผ่านการยืนยันแล้ว สำหรับงานที่ AI ดำเนินการสำเร็จ โดยผูกค่าใช้จ่ายเข้ากับผลลัพธ์แทนการคิดเพียงตามจำนวนผู้ใช้งาน 14
• Salesforce Agentforce: Salesforce เริ่มต้นด้วยโมเดลราคา 2 ดอลลาร์ต่อหนึ่งบทสนทนา ก่อนเปิดตัว Flex Credits โดยการดำเนินการมาตรฐานหนึ่งครั้งใช้ 20 เครดิต หรือประมาณ 0.10 ดอลลาร์ต่อครั้งตามการเปรียบเทียบของ Intercom รูปแบบนี้เป็นการคิดตามการใช้งานต่อแอ็กชัน ไม่ได้หมายความว่าจะจ่ายเฉพาะเมื่อบรรลุผลลัพธ์ทางธุรกิจสุดท้ายเสมอไป 8

ตัวอย่างเหล่านี้แสดงให้เห็นว่า “การคิดตามผลลัพธ์” กับ “การคิดตามการใช้งาน” ไม่ควรถูกใช้แทนกันทั้งหมด การคิดเป็นรายแอ็กชันหรือรายบทสนทนาอาจทำให้เข้าใจปริมาณการใช้งานได้ง่ายขึ้น แต่ลูกค้าอาจยังต้องจ่ายแม้เป้าหมายทางธุรกิจในภาพรวมจะไม่สำเร็จ

ผลสำรวจองค์กรสะท้อนว่าไม่มีโมเดลเดียวที่ชนะขาด

ข้อมูลจาก Futurum ชี้ว่าตลาดกำลังแยกเป็นหลายแนวทาง ไม่ได้หมายความว่าองค์กรจะเลิกใช้การคิดราคาแบบรายที่นั่งทั้งหมด

ผลสำรวจ Futurum ชุดหนึ่งจากผู้มีอำนาจตัดสินใจด้านไอทีทั่วโลก 830 รายพบว่า 43% ต้องการให้ฟังก์ชัน Generative AI คิดค่าบริการตามการใช้งาน ขณะที่ 27% ต้องการโมเดลที่อิงผลลัพธ์ 14 ส่วนผลสำรวจช่วงครึ่งหลังของปี 2026 อีกชุดพบว่า สำหรับฟังก์ชัน AI ที่คิดค่าบริการแยกต่างหาก ผู้ตอบแบบสำรวจ 42.3% ชอบการคิดตามจำนวนที่นั่ง 36.6% ชอบการคิดตามการใช้งาน และ 21.1% ชอบการคิดตามผลลัพธ์ ขณะที่ซอฟต์แวร์หลักมีผู้สนับสนุนการคิดตามการใช้งาน 28.9% และการคิดตามผลลัพธ์ 22.2% เทียบกับการคิดรายที่นั่งเพียง 12.6%

ข้อสรุปจึงไม่ใช่ว่าองค์กรต่างเลือกโมเดลเดียวกันทั้งหมด แต่ความต้องการน่าจะขึ้นอยู่กับบทบาทของ AI ฟีเจอร์ช่วยงานที่มีรูปแบบการใช้งานคาดการณ์ได้อาจเหมาะกับราคาแบบรายที่นั่งหรือค่าบริการเสริม ส่วนบริการอัตโนมัติที่ทำงานวัดผลได้อาจอธิบายความคุ้มค่าได้ง่ายกว่าด้วยการคิดตามการใช้งานหรือผลลัพธ์

ทำไมโมเดลนี้อาจแพร่หลาย และอะไรอาจขวางทาง

จุดดึงดูดของโมเดลนี้ชัดเจนสำหรับทั้งสองฝ่าย ลูกค้าสามารถเชื่อมโยงค่าใช้จ่ายเข้ากับคุณค่าที่ได้รับ ขณะที่ผู้ให้บริการมีแรงจูงใจมากขึ้นในการเพิ่มความน่าเชื่อถือและลดการทำงานที่สูญเปล่า นอกจากนี้ยังอาจช่วยให้ฝ่ายการเงินอนุมัติการใช้งานเอเจนต์ได้ง่ายขึ้น เพราะไม่ต้องรับความเสี่ยงจากค่าโทเคนที่เพิ่มขึ้นแบบไม่จำกัด

แต่การคิดตามผลลัพธ์ก็ทำให้ผู้ให้บริการต้องแบกรับต้นทุนที่ไม่สามารถส่งต่อให้ลูกค้าโดยอัตโนมัติได้อีกต่อไป อีกทั้งยังสร้างแรงจูงใจที่ต้องควบคุมอย่างรอบคอบ หากเอเจนต์ถูกปรับให้ทำคะแนนตามตัวชี้วัดที่แคบเกินไป ระบบอาจทำตามสัญญาได้ในทางเทคนิค แต่กลับทำให้ประสบการณ์ลูกค้าโดยรวมแย่ลง

การระบุว่าใครเป็นผู้สร้างผลลัพธ์ก็เป็นอุปสรรคสำคัญ ลองนึกถึงเวิร์กโฟลว์ที่ใช้หลายโมเดล เครื่องมือภายนอก พนักงาน และระบบองค์กรร่วมกัน หากเอเจนต์ทำได้เพียงบางส่วน หรือมนุษย์เป็นผู้ตัดสินใจขั้นสุดท้าย ก็อาจยากที่จะชี้ชัดว่า OpenAI เป็นผู้ส่งมอบผลลัพธ์ที่ควรเรียกเก็บเงินหรือไม่

ด้วยเหตุนี้ การคิดค่าบริการตามผลลัพธ์จึงมีแนวโน้มขยายจากงานที่แคบและตรวจสอบได้ก่อน มากกว่าจะเริ่มจากงานความรู้แบบปลายเปิด ส่วนโมเดลแบบผสมที่รวมค่าที่นั่ง ปริมาณการใช้งาน เครดิต และค่าธรรมเนียมตามผลลัพธ์บางประเภท อาจยังเป็นทางเลือกที่ใช้งานได้จริงกว่าในการติดตั้งระบบซับซ้อน Futurum ระบุว่าโมเดลแบบผสมเป็นจุดกึ่งกลางสำคัญ ขณะที่ผู้ให้บริการกำลังทดลองเชื่อมโยงราคา AI เข้ากับคุณค่าที่ลูกค้าได้รับ 14

สิ่งที่โครงการนำร่องนี้อาจสื่อถึงอนาคต

หากข้อตกลงที่มีรายงานนี้ขยายตัว ก็อาจสะท้อนการเปลี่ยนแปลงครั้งสำคัญของเศรษฐศาสตร์ AI สำหรับองค์กร ผู้ให้บริการจะไม่ได้ขายเพียงสิทธิ์เข้าถึงโมเดลหรือปริมาณการใช้โทเคน แต่จะขาย “งานที่ทำเสร็จ” มากขึ้น

อย่างไรก็ตาม หลักฐานในเวลานี้รองรับข้อสรุปที่จำกัดกว่านั้น นั่นคือ OpenAI reportedly กำลังทดสอบการคิดค่าบริการตามผลลัพธ์กับลูกค้าองค์กรรายใหญ่บางราย แต่บริษัทยังไม่ได้เผยแพร่แผนราคาสำหรับตลาดทั่วไป และยังไม่มีรายละเอียดสัญญามากพอที่จะประเมินอัตราค่าบริการ ขอบเขต หรือความสำเร็จทางธุรกิจของโครงการ 5 จึงควรมองการทดลองนี้เป็นการทดสอบระยะแรกว่า ผู้ให้บริการ AI agent จะทำให้คำสัญญาแบบ “จ่ายเพื่อผลลัพธ์” มีนิยามที่แม่นยำพอสำหรับการจัดซื้อระดับองค์กรได้หรือไม่