Gartner เตือน ต้นทุน AI เขียนโค้ดอาจสูงกว่าเงินเดือนนักพัฒนาภายในปี 2028

ทำไมต้นทุน AI เขียนโค้ดจึงอาจแซงเงินเดือน

Gartner มองว่ามีแรงผลัก 2 ด้านที่กำลังเกิดขึ้นพร้อมกัน

• การใช้โทเคนพุ่งขึ้นอย่างรวดเร็ว — โทเคนคือหน่วยข้อความและข้อมูลที่โมเดลภาษาขนาดใหญ่ หรือ LLM ใช้ในการอ่าน จดจำ และสร้างคำตอบ โดยเป็นหนึ่งในฐานสำคัญของการคิดค่าบริการ ยิ่งนักพัฒนาใช้ AI แบบเอเจนต์ให้ทำงานต่อเนื่องและเป็นอิสระมากขึ้น ปริมาณโทเคนก็ยิ่งเพิ่มเร็วกว่าการลดลงของราคาต่อโทเคน
• เปลี่ยนจากค่าสมาชิกแบบเหมาจ่ายเป็นจ่ายตามการใช้งาน — ผู้ให้บริการรายใหญ่ เช่น Anthropic, Cursor และ GitHub Copilot หันมาใช้ระบบคิดเงินแบบวัดปริมาณการใช้หรือคิดตามโทเคนมากขึ้น แทนแพ็กเกจรายเดือนแบบคงที่ ทำให้ค่าใช้จ่ายเพิ่มขึ้นตามจำนวนคำสั่งและงานที่ AI ประมวลผล

Nitish Tyagi นักวิเคราะห์อาวุโสระดับ principal analyst ของ Gartner บอกกับ The Register ว่า บิล AI เขียนโค้ดของบางองค์กรกำลังขยับจากประมาณ 20 หรือ 100 ดอลลาร์ต่อคนต่อเดือน ไปเป็น 2,000 หรือแม้แต่ 5,000 ดอลลาร์

อย่างไรก็ตาม ตัวเลขของ Gartner เป็นการคาดการณ์จากสมมติฐานที่ระบุไว้ ไม่ใช่ข้อสรุปที่รับประกันว่าจะเกิดขึ้นแน่นอน Tyagi ระบุว่า “ค่าใช้จ่ายด้าน AI เขียนโค้ดจะเพิ่มขึ้นอย่างต่อเนื่อง เพราะการลงทุนด้านโครงสร้างพื้นฐานและปัญหาด้านความสามารถในการทำกำไรจะผลักให้ราคาโมเดลสูงขึ้น”

Uber ใช้งบทั้งปีหมดใน 4 เดือน ก่อนตั้งเพดาน 1,500 ดอลลาร์

กรณีของ Uber เป็นหนึ่งในหลักฐานที่เห็นภาพชัดที่สุด บริษัทใช้ งบ AI เขียนโค้ดสำหรับปี 2026 หมดภายในเวลาเพียง 4 เดือน หรือภายในเดือนเมษายน 2026

หลังจากนั้น Uber ตั้งเพดานการใช้จ่ายสำหรับซอฟต์แวร์เขียนโค้ดแบบเอเจนต์ เช่น Claude Code ของ Anthropic และ Cursor ไว้ที่ 1,500 ดอลลาร์ต่อเดือนต่อเครื่องมือต่อพนักงาน

การใช้งานเพิ่มขึ้นอย่างรวดเร็ว โดยในเดือนมีนาคม 2026 วิศวกรของ Uber 84% ใช้ Claude Code เพิ่มจาก 32% ในช่วงปลายปี 2025 ก่อนมีการตั้งเพดาน ค่าใช้จ่ายต่อวิศวกรอยู่ที่ราว 500–2,000 ดอลลาร์ต่อเดือน

ประเด็นสำคัญไม่ใช่เพียงจำนวนเงิน แต่คือการพิสูจน์ว่าค่าใช้จ่ายดังกล่าวสร้างคุณค่าให้ธุรกิจมากพอหรือไม่ โดยประธานเจ้าหน้าที่ฝ่ายปฏิบัติการของ Uber ถูกอ้างว่า “ความเชื่อมโยงระหว่างการใช้จ่ายด้าน AI กับคุณค่าที่ลูกค้าได้รับยังไม่เกิดขึ้น”

บริษัทอื่นก็เริ่มรับมือกับบิล AI ที่คาดเดายาก

• Microsoft ยกเลิกการเข้าถึง Claude Code ของนักพัฒนา หลังเปิดใช้งานได้เพียงไม่กี่เดือน ท่ามกลางความกังวลเรื่องต้นทุน
• Priceline พบว่าราคาเครื่องมือ AI เขียนโค้ดเพิ่มขึ้นถึง 5 เท่า
• Gartner คาดการณ์เพิ่มเติมว่า ภายในปี 2027 บริษัท 40% ที่ใช้เครื่องมือ AI เขียนโค้ดแบบคิดค่าบริการตามการใช้งาน จะเผชิญค่าใช้จ่ายที่ไม่ได้วางแผนไว้และสูงกว่า 2 เท่าของงบประมาณที่คาดการณ์

Accenture ชี้ว่า คนที่ใช้โทเคนมากที่สุดอาจไม่ใช่นักพัฒนา

กรณีของ Accenture ยังสะท้อนอีกมุมที่หลายองค์กรอาจมองข้าม นั่นคือการใช้โทเคนจำนวนมากไม่ได้มาจากทีมวิศวกรรมเสมอไป

จากเสียงบันทึกที่รั่วไหลและรายงานข่าว ผู้ใช้งานที่ไม่ใช่วิศวกรเป็นกลุ่มที่ใช้โทเคน AI มากที่สุด โดยนำเครื่องมือ AI มาแปลงไฟล์ PDF เป็นสไลด์ Accenture มีแผนเปิดตัวผลิตภัณฑ์ชื่อ “Token IQ” เพื่อช่วยให้ผู้บริหารมองเห็นว่าการใช้จ่ายด้าน AI สร้างผลตอบแทนเพียงพอหรือไม่

ปัญหาใหญ่ขององค์กร: ใช้เงินไปเท่าไรยังตอบไม่ได้

แม้บริษัทจำนวนมากจะมีแดชบอร์ดและขั้นตอนอนุมัติการใช้งาน AI แต่การรู้ว่า AI ใช้เงินไปเท่าไรแบบทันเวลายังคงเป็นช่องว่างสำคัญ

ผลสำรวจ KPMG Q2 2026 Global AI Pulse ซึ่งเผยแพร่เมื่อวันที่ 24 มิถุนายน 2026 และสำรวจผู้บริหารระดับสูงกว่า 2,100 คนใน 20 ประเทศ พบว่า มีองค์กรเพียง 26% ที่มองเห็นต้นทุนการใช้งาน AI แบบเรียลไทม์

รายละเอียดของการมองเห็นต้นทุนมีดังนี้

• 50% มีข้อมูลเพียงบางส่วน
• 22% มีข้อมูลน้อยมากหรือแทบไม่มีเลย และอาจรู้ค่าใช้จ่ายเมื่อได้รับใบเรียกเก็บเงินแล้ว

Steve Chase หัวหน้าฝ่าย AI ระดับโลกของ KPMG อธิบายว่า ปัญหานี้เป็นความเสี่ยงด้านความไม่โปร่งใสทางการเงินโดยตรง โดยลูกค้าบางรายใช้งบโทเคนและงบคลาวด์ทั้งปีหมดภายในเวลาไม่กี่เดือน ขณะที่การใช้งานโทเคนของลูกค้ารายหนึ่งเพิ่มขึ้นถึง 6 เท่า

เมื่อระบบคิดเงินเปลี่ยนมาอิงปริมาณโทเคน ค่าใช้จ่าย AI จึงไม่แน่นอนและควบคุมได้ยากด้วยระบบการเงินไอทีแบบเดิม

Gartner แนะนำให้คุม AI เหมือนศูนย์ต้นทุนจริง

Gartner แนะนำให้องค์กรวาง “รูปแบบการปฏิบัติงานที่มีวินัย” แทนการเปิดให้ใช้ AI อย่างไร้ขอบเขต โดยมีแนวทางสำคัญดังนี้

• กำหนดกรอบการตัดสินใจตามกรณีใช้งาน — ระบุให้ชัดว่างานประเภทใดควรใช้ AI เขียนโค้ด และควรให้อิสระกับ AI ในระดับใด โดยแบ่งรูปแบบการทำงานเป็น 3 ระดับ ได้แก่ นักพัฒนาควบคุมเอง นักพัฒนาทำงานร่วมกับเอเจนต์ และเอเจนต์ทำงานเป็นหลัก
• เลือกโมเดลให้เหมาะกับความซับซ้อนของงาน — งานที่ทำซ้ำบ่อยและมีขอบเขตชัด เช่น เขียนเทสต์ รีแฟกเตอร์ สร้างโครงร่างโปรแกรม ทำเอกสาร หรือแก้บั๊กทั่วไป ควรส่งให้โมเดลขนาดเล็กและราคาถูกกว่า แทนการใช้โมเดลระดับแนวหน้ากับทุกงาน
• ใช้ context engineering — ปรับปรุงบริบทและข้อมูลนำเข้าที่ส่งให้ AI เพื่อไม่ให้โมเดลประมวลผลข้อมูลที่ไม่เกี่ยวข้องหรือซ้ำซ้อน ซึ่งช่วยลดการใช้โทเคนโดยเปล่าประโยชน์
• ใช้แคช การประมวลผลแบบกลุ่ม และระบบติดตาม — แคชข้อมูลที่ใช้ซ้ำและรวมคำขอเป็นชุดเพื่อลดการคำนวณซ้ำ พร้อมติดตามปริมาณโทเคนของแต่ละคนและแต่ละทีมแบบเรียลไทม์
• ประเมินความพร้อมของทีม — ผู้นำฝ่ายวิศวกรรมควรตรวจสอบรูปแบบการใช้โทเคนและวุฒิภาวะของกระบวนการพัฒนาซอฟต์แวร์ ก่อนขยับไปสู่การพัฒนาแบบอัตโนมัติเต็มรูปแบบ
• สร้างชั้นกำกับดูแลแบบ FinOps — ใช้แนวคิดการบริหารต้นทุนคลาวด์มาปรับกับ AI โดยมีการติดตามการใช้งานแบบทันที งบประมาณรายบุคคล และระบบตรวจจับความผิดปกติอัตโนมัติเมื่อการใช้โทเคนพุ่งผิดปกติ

Gartner ยังชี้ว่า AI ช่วยเพิ่มปริมาณงานได้อย่างมีนัยสำคัญในงานที่กำหนดขอบเขตและผลลัพธ์ได้ชัด เช่น การเขียนเทสต์ รีแฟกเตอร์ การสร้างโครงร่าง การจัดทำเอกสาร และการแก้บั๊กง่าย ๆ แต่ช่วยได้เพียงเล็กน้อยกับงานตัดสินใจด้านสถาปัตยกรรม การดีบักปัญหาใหม่ ๆ และการให้เหตุผลข้ามหลายระบบ

ดังนั้น องค์กรควรประเมินก่อนว่างานของทีมมีสัดส่วนเท่าใดที่อยู่ในกลุ่ม “ใช้ AI แล้วเกิดผลสูง” จากนั้นจึงทุ่มทรัพยากรไปยังงานกลุ่มนั้น แทนการวัดความสำเร็จจากจำนวนครั้งที่พนักงานเรียกใช้ AI

บทสรุป: ไม่ใช่การเลิกใช้ AI แต่ต้องเลิกใช้แบบไร้เพดาน

ยุคของการใช้จ่ายกับ AI เขียนโค้ดโดยไม่ติดตามต้นทุนกำลังสิ้นสุดลง เครื่องมือเหล่านี้ยังสร้างผลิตภาพได้จริง โดยเฉพาะงานที่มีโจทย์ชัดเจน แต่หากไม่มีระบบกำกับดูแล ค่าใช้จ่ายอาจเพิ่มเร็วกว่าผลิตภาพที่องค์กรคาดหวัง

บทเรียนจาก Uber และคำแนะนำของ Gartner จึงไม่ใช่การถอยจาก AI แต่คือการปฏิบัติต่อ AI ในฐานะศูนย์ต้นทุนจริงขององค์กร ต้องรู้ว่าใครใช้ ใช้กับงานอะไร ใช้โมเดลใด ใช้โทเคนเท่าไร และการใช้จ่ายนั้นสร้างคุณค่าให้ธุรกิจมากน้อยเพียงใด