ตัวเลขเหล่านี้ ซึ่งรายงานโดย The Information จากเอกสารที่แชร์ให้ผู้ถือหุ้น ตอกย้ำถึงความท้าทายหลักของอุตสาหกรรม AI: ความต้องการที่ระเบิดขึ้นยังไม่สามารถแปลผลเป็นกำไรที่ยั่งยืนได้ เดิมพันครั้งนี้สูงลิ่ว เพราะทั้ง OpenAI และ Anthropic ต่างก็ยื่นขอจดทะเบียนเข้าตลาดหลักทรัพย์ (IPO) แบบลับๆ ในช่วงกลางปี 2026 ซึ่งบีบให้พวกเขาต้องแสดงหนทางสู่การทำกำไรที่น่าเชื่อถือ

แก้เกมด้วยซอฟต์แวร์: การจัดเส้นทางแบบหลายโมเดล (Multi-Model Routing)

กลยุทธ์การลดต้นทุนด้านซอฟต์แวร์ที่ OpenAI พัฒนาขึ้นเพื่อลดต้นทุนการอนุมานผล (Inference) ลงมากกว่าครึ่งหนึ่งคือ การจัดเส้นทางแบบหลายโมเดล (Multi-Model Routing) เทคนิคนี้จะจัดเส้นทางคำถามที่ง่ายไปยังโมเดลขนาดเล็กและราคาถูกกว่าโดยอัตโนมัติ ในขณะที่สงวนโมเดลที่ทรงพลังที่สุด (และแพงที่สุด) ไว้สำหรับคำขอที่ซับซ้อนเท่านั้น

คำแนะนำในอุตสาหกรรมอธิบายถึงแนวทางแบบไฮบริดนี้ว่าสามารถ ลดต้นทุนได้ 30-75% ในเลเยอร์ของโมเดล โดยใช้เทคนิคการบีบอัด (Quantization), การกลั่น (Distillation), และการเลือกขนาดโมเดลที่เหมาะสม (Right-sizing) ควบคู่ไปกับการปรับแต่งเวลาทำงาน (Runtime Optimizations) เช่น การทำ Batch, Speculative Decoding, และการจัดการ KV Cache ซึ่งสามารถเพิ่มปริมาณงาน (Throughput) ได้ 40-80% OpenAI ยังได้นำแนวทางนี้ไปปฏิบัติจริงด้วยการเสนอ ลดราคา 50% สำหรับการประมวลผลแบบรอได้ (Deferred Inference) ผ่าน Batch API โดยลูกค้าต้องยอมรอผลลัพธ์นานถึง 24 ชั่วโมง

นอกเหนือจากการจัดเส้นทางแล้ว วิศวกรของ OpenAI ได้บอกกับ The Information ว่าเทคนิคต่างๆ มีประสิทธิภาพมากถึงขนาดที่ครั้งหนึ่งพวกเขาสามารถให้บริการ ChatGPT แก่ผู้ใช้ที่ไม่ได้ล็อกอินด้วย GPU Nvidia เพียงไม่กี่ร้อยตัวเท่านั้น

ริเริ่มด้านฮาร์ดแวร์: ชิปประมวลผล Jalapeño

เมื่อวันที่ 24 มิถุนายน 2026 OpenAI และ Broadcom ได้เปิดตัว Jalapeño ซึ่งเป็นชิปประมวลผลเพื่อการอนุมานผล (Inference Chip) แบบกำหนดเองตัวแรกของ OpenAI รายละเอียดสำคัญ:

• ประเภท: Application-Specific Integrated Circuit (ASIC)—ไม่ใช่ GPU ที่สร้างขึ้นมาเพื่อการประมวลผล LLM โดยเฉพาะ
• การลดต้นทุน: การทดสอบเบื้องต้นแสดงให้เห็นถึง ต้นทุนต่อการประมวลผลที่ต่ำลงประมาณ 50% เมื่อเทียบกับฮาร์ดแวร์ประมวลผล Inference ที่ใช้ GPU ของ NVIDIA ในปัจจุบัน
• ประสิทธิภาพ: ให้ประสิทธิภาพต่อวัตต์ที่ "ดีกว่าอย่างมีนัยสำคัญ" เมื่อเทียบกับเทคโนโลยีที่ดีที่สุดในปัจจุบัน
• การพัฒนา: ใช้เวลาเพียง เก้าเดือน ตั้งแต่การออกแบบจนถึงการผลิต โดยใช้โมเดล AI ของ OpenAI เองช่วยเร่งการออกแบบชิป
• การปรับใช้: เป้าหมายการปรับใช้ในระดับ Gigawatt ภายใน สิ้นปี 2026
• ความมุ่งมั่นระยะยาว: เป็นส่วนหนึ่งของ ข้อผูกพันด้านโครงสร้างพื้นฐานขนาด 10 GW จนถึงปี 2029
• การประหยัดรายปี: การลดต้นทุน 50% สามารถแปลผลเป็น การประหยัดได้ 500 ล้านถึง 1 พันล้านดอลลาร์ต่อปี สำหรับ OpenAI ภายในปี 2028

OpenAI อธิบายว่าชิปนี้คือ "ก้อนแรกในแผนงานซิลิคอนแบบกำหนดเองระยะยาวหลายปี" เพื่อสร้างระบบประมวลผลของตัวเอง และลดอำนาจการตั้งราคาของ NVIDIA ชิปนี้เป็นการบูรณาการในแนวตั้ง (Vertical Integration)—OpenAI จะใช้ชิปนี้สำหรับงานประมวลผลของตัวเองเท่านั้น ไม่ได้ขายให้กับลูกค้าภายนอก

แรงกดดันทางการเงินโดยละเอียด

ตัวเลขสำคัญจากเอกสารผู้ถือหุ้นใน Q1 2026:

• รายได้: 5.7 พันล้านดอลลาร์ (เพิ่มขึ้นประมาณ 3 เท่าจากปีก่อน)
• กระแสเงินสดติดลบ: 3.7 พันล้านดอลลาร์ (เพิ่มขึ้น 3 เท่าจากปีก่อนเช่นกัน)
• ขาดทุนจากการดำเนินงาน: 9.3 พันล้านดอลลาร์ ใน Q1 เพียงไตรมาสเดียว
• ขาดทุนสุทธิ: 21.3 พันล้านดอลลาร์ (รวมค่าตอบแทนจากหุ้น 2.3 พันล้านดอลลาร์ และค่าใช้จ่ายทางบัญชีที่ไม่ใช่เงินสด 12.4 พันล้านดอลลาร์)
• ค่าใช้จ่ายด้าน R&D: 8.6 พันล้านดอลลาร์
• อัตรากำไรขั้นต้น: ปรับตัวดีขึ้นเล็กน้อยเป็น 39%
• เงินสดสำรอง: 73 พันล้านดอลลาร์ในรูปเงินสดและหลักทรัพย์ ทำให้มีทุนสำรองเพียงพอแม้จะขาดทุนมหาศาล

อัตรากำไรจากการดำเนินงานของบริษัทอยู่ที่ประมาณ -122% หมายความว่าบริษัทขาดทุนประมาณ 1.22 ดอลลาร์สำหรับทุกๆ 1 ดอลลาร์ที่ทำได้ โดยรวมในปี 2025 OpenAI ขาดทุนประมาณ 38.5 พันล้านดอลลาร์ จากค่าใช้จ่าย 34 พันล้านดอลลาร์

การแข่งขันในอุตสาหกรรมในวงกว้าง: ราคา Inference ถล่มทลาย

การลดต้นทุนของ OpenAI เป็นส่วนหนึ่งของสงครามราคาในอุตสาหกรรมที่กำลังพลิกโฉมเศรษฐศาสตร์ของ AI:

• Anthropic มีการเติบโตของลูกค้าที่เร่งตัวขึ้น และ แซงหน้า OpenAI ในด้านการนำไปใช้ในองค์กรของสหรัฐฯ (34.4% เทียบกับ 32.3%) ณ เดือนพฤษภาคม 2026
• โมเดลโอเพนซอร์ส กำลังบีบราคาให้ลดลง: โมเดลน้ำหนักเปิดของจีน 4 ตัวสามารถเทียบชั้นการเขียนโค้ดระดับแนวหน้าได้ใน ราคาหนึ่งในสาม ของทางเลือกที่เป็นกรรมสิทธิ์ มีรายงานว่า DeepSeek V4 มีค่าใช้จ่ายในการรันถูกกว่า Claude Opus 4.6 ถึงห้าสิบเท่า
• Google Gemini 3.1 Flash มีราคา 0.10 ดอลลาร์ต่อล้าน Input Tokens ซึ่งเป็น การลดราคาลง 99.7% ในสามปี
• Anthropic's Claude Sonnet 4.6 มีประสิทธิภาพเหนือกว่า GPT-4 ทุกเกณฑ์มาตรฐานดั้งเดิมที่ราคา 3 ดอลลาร์ต่อล้าน Input Tokens
• ต้นทุนการประมวลผล Inference ลดลงประมาณ 50 เท่าในสามปี โดยตลาดคาดว่าจะเติบโตจาก 1.03 แสนล้านดอลลาร์ (2025) เป็น 2.55 แสนล้านดอลลาร์ (2030)
• OpenAI กำลัง พิจารณาลดราคาต่อ Token อย่างมีนัยสำคัญ สำหรับนักพัฒนาและลูกค้าองค์กร เพื่อตอบโต้การเคลื่อนไหวที่คล้ายกันของ Anthropic
• ลูกค้าหันมาใช้ เครื่องมือจัดเส้นทางแบบหลายโมเดล (Multi-Model Routing Tools) มากขึ้นเพื่อผสมผสานโมเดลราคาถูก และหลีกเลี่ยงการตั้งราคาระดับพรีเมียมจากผู้ให้บริการรายใดรายหนึ่ง

ผลกระทบต่ออุตสาหกรรม AI

การผสมผสานระหว่างการเพิ่มประสิทธิภาพซอฟต์แวร์และฮาร์ดแวร์ทำให้ OpenAI มีแนวโน้มที่จะลดต้นทุนการประมวลผลลงครึ่งหนึ่งได้แม้ในขณะที่กำลังขยายขนาด แต่บริษัทไม่ได้ดำเนินการเพียงลำพัง การล่มสลายของราคา Inference ในวงกว้าง—ซึ่งขับเคลื่อนโดยคู่แข่ง ทางเลือกโอเพนซอร์ส และฮาร์ดแวร์เฉพาะทาง—หมายความว่าอำนาจในการตั้งราคากำลังลดน้อยลงทั่วทั้งอุตสาหกรรม

สำหรับองค์กร นี่เป็นข่าวดี: ต้นทุนที่มีประสิทธิภาพในการรันงาน AI ลดลงเร็วกว่าการเติบโตของขีดความสามารถ Batch API ของ OpenAI เสนอส่วนลด 50% สำหรับงานที่รอได้ ในขณะที่ Multi-Model Routing สามารถลดต้นทุนได้ 40-60% โดยไม่ลดทอนคุณภาพ คำถามคือ ผู้ให้บริการรายใดจะสามารถรักษาราคาระดับพรีเมียมไว้ได้ในตลาดที่โมเดลโอเพนซอร์สจากจีนเสนอขีดความสามารถระดับแนวหน้าในราคาที่ต่ำกว่าหลายเท่า

ตัวเลขเหล่านี้ ซึ่งรายงานโดย The Information จากเอกสารที่แชร์ให้ผู้ถือหุ้น ตอกย้ำถึงความท้าทายหลักของอุตสาหกรรม AI: ความต้องการที่ระเบิดขึ้นยังไม่สามารถแปลผลเป็นกำไรที่ยั่งยืนได้ เดิมพันครั้งนี้สูงลิ่ว เพราะทั้ง OpenAI และ Anthropic ต่างก็ยื่นขอจดทะเบียนเข้าตลาดหลักทรัพย์ (IPO) แบบลับๆ ในช่วงกลางปี 2026 ซึ่งบีบให้พวกเขาต้องแสดงหนทางสู่การทำกำไรที่น่าเชื่อถือ

แก้เกมด้วยซอฟต์แวร์: การจัดเส้นทางแบบหลายโมเดล (Multi-Model Routing)

กลยุทธ์การลดต้นทุนด้านซอฟต์แวร์ที่ OpenAI พัฒนาขึ้นเพื่อลดต้นทุนการอนุมานผล (Inference) ลงมากกว่าครึ่งหนึ่งคือ การจัดเส้นทางแบบหลายโมเดล (Multi-Model Routing) เทคนิคนี้จะจัดเส้นทางคำถามที่ง่ายไปยังโมเดลขนาดเล็กและราคาถูกกว่าโดยอัตโนมัติ ในขณะที่สงวนโมเดลที่ทรงพลังที่สุด (และแพงที่สุด) ไว้สำหรับคำขอที่ซับซ้อนเท่านั้น

คำแนะนำในอุตสาหกรรมอธิบายถึงแนวทางแบบไฮบริดนี้ว่าสามารถ ลดต้นทุนได้ 30-75% ในเลเยอร์ของโมเดล โดยใช้เทคนิคการบีบอัด (Quantization), การกลั่น (Distillation), และการเลือกขนาดโมเดลที่เหมาะสม (Right-sizing) ควบคู่ไปกับการปรับแต่งเวลาทำงาน (Runtime Optimizations) เช่น การทำ Batch, Speculative Decoding, และการจัดการ KV Cache ซึ่งสามารถเพิ่มปริมาณงาน (Throughput) ได้ 40-80% OpenAI ยังได้นำแนวทางนี้ไปปฏิบัติจริงด้วยการเสนอ ลดราคา 50% สำหรับการประมวลผลแบบรอได้ (Deferred Inference) ผ่าน Batch API โดยลูกค้าต้องยอมรอผลลัพธ์นานถึง 24 ชั่วโมง

นอกเหนือจากการจัดเส้นทางแล้ว วิศวกรของ OpenAI ได้บอกกับ The Information ว่าเทคนิคต่างๆ มีประสิทธิภาพมากถึงขนาดที่ครั้งหนึ่งพวกเขาสามารถให้บริการ ChatGPT แก่ผู้ใช้ที่ไม่ได้ล็อกอินด้วย GPU Nvidia เพียงไม่กี่ร้อยตัวเท่านั้น

ริเริ่มด้านฮาร์ดแวร์: ชิปประมวลผล Jalapeño

เมื่อวันที่ 24 มิถุนายน 2026 OpenAI และ Broadcom ได้เปิดตัว Jalapeño ซึ่งเป็นชิปประมวลผลเพื่อการอนุมานผล (Inference Chip) แบบกำหนดเองตัวแรกของ OpenAI รายละเอียดสำคัญ:

• ประเภท: Application-Specific Integrated Circuit (ASIC)—ไม่ใช่ GPU ที่สร้างขึ้นมาเพื่อการประมวลผล LLM โดยเฉพาะ
• การลดต้นทุน: การทดสอบเบื้องต้นแสดงให้เห็นถึง ต้นทุนต่อการประมวลผลที่ต่ำลงประมาณ 50% เมื่อเทียบกับฮาร์ดแวร์ประมวลผล Inference ที่ใช้ GPU ของ NVIDIA ในปัจจุบัน
• ประสิทธิภาพ: ให้ประสิทธิภาพต่อวัตต์ที่ "ดีกว่าอย่างมีนัยสำคัญ" เมื่อเทียบกับเทคโนโลยีที่ดีที่สุดในปัจจุบัน
• การพัฒนา: ใช้เวลาเพียง เก้าเดือน ตั้งแต่การออกแบบจนถึงการผลิต โดยใช้โมเดล AI ของ OpenAI เองช่วยเร่งการออกแบบชิป
• การปรับใช้: เป้าหมายการปรับใช้ในระดับ Gigawatt ภายใน สิ้นปี 2026
• ความมุ่งมั่นระยะยาว: เป็นส่วนหนึ่งของ ข้อผูกพันด้านโครงสร้างพื้นฐานขนาด 10 GW จนถึงปี 2029
• การประหยัดรายปี: การลดต้นทุน 50% สามารถแปลผลเป็น การประหยัดได้ 500 ล้านถึง 1 พันล้านดอลลาร์ต่อปี สำหรับ OpenAI ภายในปี 2028

OpenAI อธิบายว่าชิปนี้คือ "ก้อนแรกในแผนงานซิลิคอนแบบกำหนดเองระยะยาวหลายปี" เพื่อสร้างระบบประมวลผลของตัวเอง และลดอำนาจการตั้งราคาของ NVIDIA ชิปนี้เป็นการบูรณาการในแนวตั้ง (Vertical Integration)—OpenAI จะใช้ชิปนี้สำหรับงานประมวลผลของตัวเองเท่านั้น ไม่ได้ขายให้กับลูกค้าภายนอก

แรงกดดันทางการเงินโดยละเอียด

ตัวเลขสำคัญจากเอกสารผู้ถือหุ้นใน Q1 2026:

• รายได้: 5.7 พันล้านดอลลาร์ (เพิ่มขึ้นประมาณ 3 เท่าจากปีก่อน)
• กระแสเงินสดติดลบ: 3.7 พันล้านดอลลาร์ (เพิ่มขึ้น 3 เท่าจากปีก่อนเช่นกัน)
• ขาดทุนจากการดำเนินงาน: 9.3 พันล้านดอลลาร์ ใน Q1 เพียงไตรมาสเดียว
• ขาดทุนสุทธิ: 21.3 พันล้านดอลลาร์ (รวมค่าตอบแทนจากหุ้น 2.3 พันล้านดอลลาร์ และค่าใช้จ่ายทางบัญชีที่ไม่ใช่เงินสด 12.4 พันล้านดอลลาร์)
• ค่าใช้จ่ายด้าน R&D: 8.6 พันล้านดอลลาร์
• อัตรากำไรขั้นต้น: ปรับตัวดีขึ้นเล็กน้อยเป็น 39%
• เงินสดสำรอง: 73 พันล้านดอลลาร์ในรูปเงินสดและหลักทรัพย์ ทำให้มีทุนสำรองเพียงพอแม้จะขาดทุนมหาศาล

อัตรากำไรจากการดำเนินงานของบริษัทอยู่ที่ประมาณ -122% หมายความว่าบริษัทขาดทุนประมาณ 1.22 ดอลลาร์สำหรับทุกๆ 1 ดอลลาร์ที่ทำได้ โดยรวมในปี 2025 OpenAI ขาดทุนประมาณ 38.5 พันล้านดอลลาร์ จากค่าใช้จ่าย 34 พันล้านดอลลาร์

การแข่งขันในอุตสาหกรรมในวงกว้าง: ราคา Inference ถล่มทลาย

การลดต้นทุนของ OpenAI เป็นส่วนหนึ่งของสงครามราคาในอุตสาหกรรมที่กำลังพลิกโฉมเศรษฐศาสตร์ของ AI:

• Anthropic มีการเติบโตของลูกค้าที่เร่งตัวขึ้น และ แซงหน้า OpenAI ในด้านการนำไปใช้ในองค์กรของสหรัฐฯ (34.4% เทียบกับ 32.3%) ณ เดือนพฤษภาคม 2026
• โมเดลโอเพนซอร์ส กำลังบีบราคาให้ลดลง: โมเดลน้ำหนักเปิดของจีน 4 ตัวสามารถเทียบชั้นการเขียนโค้ดระดับแนวหน้าได้ใน ราคาหนึ่งในสาม ของทางเลือกที่เป็นกรรมสิทธิ์ มีรายงานว่า DeepSeek V4 มีค่าใช้จ่ายในการรันถูกกว่า Claude Opus 4.6 ถึงห้าสิบเท่า
• Google Gemini 3.1 Flash มีราคา 0.10 ดอลลาร์ต่อล้าน Input Tokens ซึ่งเป็น การลดราคาลง 99.7% ในสามปี
• Anthropic's Claude Sonnet 4.6 มีประสิทธิภาพเหนือกว่า GPT-4 ทุกเกณฑ์มาตรฐานดั้งเดิมที่ราคา 3 ดอลลาร์ต่อล้าน Input Tokens
• ต้นทุนการประมวลผล Inference ลดลงประมาณ 50 เท่าในสามปี โดยตลาดคาดว่าจะเติบโตจาก 1.03 แสนล้านดอลลาร์ (2025) เป็น 2.55 แสนล้านดอลลาร์ (2030)
• OpenAI กำลัง พิจารณาลดราคาต่อ Token อย่างมีนัยสำคัญ สำหรับนักพัฒนาและลูกค้าองค์กร เพื่อตอบโต้การเคลื่อนไหวที่คล้ายกันของ Anthropic
• ลูกค้าหันมาใช้ เครื่องมือจัดเส้นทางแบบหลายโมเดล (Multi-Model Routing Tools) มากขึ้นเพื่อผสมผสานโมเดลราคาถูก และหลีกเลี่ยงการตั้งราคาระดับพรีเมียมจากผู้ให้บริการรายใดรายหนึ่ง

ผลกระทบต่ออุตสาหกรรม AI

การผสมผสานระหว่างการเพิ่มประสิทธิภาพซอฟต์แวร์และฮาร์ดแวร์ทำให้ OpenAI มีแนวโน้มที่จะลดต้นทุนการประมวลผลลงครึ่งหนึ่งได้แม้ในขณะที่กำลังขยายขนาด แต่บริษัทไม่ได้ดำเนินการเพียงลำพัง การล่มสลายของราคา Inference ในวงกว้าง—ซึ่งขับเคลื่อนโดยคู่แข่ง ทางเลือกโอเพนซอร์ส และฮาร์ดแวร์เฉพาะทาง—หมายความว่าอำนาจในการตั้งราคากำลังลดน้อยลงทั่วทั้งอุตสาหกรรม

สำหรับองค์กร นี่เป็นข่าวดี: ต้นทุนที่มีประสิทธิภาพในการรันงาน AI ลดลงเร็วกว่าการเติบโตของขีดความสามารถ Batch API ของ OpenAI เสนอส่วนลด 50% สำหรับงานที่รอได้ ในขณะที่ Multi-Model Routing สามารถลดต้นทุนได้ 40-60% โดยไม่ลดทอนคุณภาพ คำถามคือ ผู้ให้บริการรายใดจะสามารถรักษาราคาระดับพรีเมียมไว้ได้ในตลาดที่โมเดลโอเพนซอร์สจากจีนเสนอขีดความสามารถระดับแนวหน้าในราคาที่ต่ำกว่าหลายเท่า