“Useful Intelligence per Dollar” เมตริกใหม่ที่อาจเปลี่ยนวิธีวัด ROI ของ AI ในองค์กร

“เป็นเวลาหลายปีที่ซอฟต์แวร์ถูกวัดผลจากการนำไปใช้ ไม่ว่าจะเป็นจำนวนไลเซนส์ ผู้ใช้งานที่ใช้งานจริง หรือการต่ออายุ แต่ AI แตกต่างออกไป เพราะควรวัดจากงานที่ทำสำเร็จ” Friar ระบุในโพสต์บน LinkedIn

ประเด็นสำคัญคือ ราคาต่อโทเคนที่ถูกที่สุดอาจไม่ได้ทำให้ต้นทุนต่อผลงานสำเร็จต่ำที่สุด หากโมเดลทำงานผิดพลาดบ่อยจนต้องให้คนตรวจ แก้ไข หรือลองใหม่หลายครั้ง ต้นทุนจริงอาจสูงกว่าโมเดลที่มีราคาสูงกว่าแต่ทำงานสำเร็จตั้งแต่ครั้งแรก

4 คำถามสำหรับวัด ROI ของ AI

กรอบของ Friar เปลี่ยนการวัดผลจากคำถามว่า “มีคนใช้ AI มากแค่ไหน” ไปสู่คำถามว่า “AI สร้างผลงานที่มีคุณค่าได้มากเพียงใด” โดยมี 4 มิติหลัก

1. AI กำลังทำงานที่มีความหมายหรือไม่?

องค์กรควรวัดจำนวนงานที่เกิดผลลัพธ์จริง เช่น การแก้ปัญหาให้ลูกค้า การส่งโค้ดขึ้นระบบ หรือการตรวจทานสัญญา แทนการนับจำนวนคำสั่งหรือจำนวนพรอมป์ที่ป้อนเข้าไป

Friar เขียนไว้ว่า “โทเคนจะสร้างคุณค่าเมื่อถูกเปลี่ยนให้เป็นงานที่ผู้คนสามารถนำไปใช้ได้” นั่นหมายถึงการเปลี่ยนจากตัวชี้วัดด้านกิจกรรม เช่น จำนวนครั้งที่เรียกใช้ AI ไปเป็นตัวชี้วัดด้านผลลัพธ์ เช่น งานที่เสร็จและนำไปใช้ได้จริง

2. งานที่สำเร็จแต่ละชิ้นมีต้นทุนเท่าไร?

การคำนวณควรรวมต้นทุนทั้งหมดของงานที่ผ่านเกณฑ์คุณภาพ ไม่ใช่เฉพาะค่าอินเฟอเรนซ์ของ AI แต่รวมถึงการประมวลผลซ้ำ การตรวจสอบโดยมนุษย์ และการแก้ไขงานด้วย

โมเดลราคาถูกที่ทำงานพลาดบ่อยอาจมีต้นทุนต่อผลลัพธ์ที่สำเร็จสูงกว่าโมเดลระดับพรีเมียมซึ่งทำงานถูกต้องตั้งแต่ครั้งเดียว วิธีคิดนี้ช่วยให้ผู้บริหารมองเห็น “ต้นทุนแฝง” ที่มักไม่ปรากฏในใบเรียกเก็บเงินค่าใช้บริการ AI

3. AI ทำงานได้ถูกต้องบ่อยแค่ไหน?

องค์กรควรติดตาม ความน่าเชื่อถือในการทำงาน หรือสัดส่วนของผลลัพธ์ที่พร้อมใช้งานทันที เทียบกับผลลัพธ์ที่ต้องแก้ไข ส่งต่อให้ผู้เชี่ยวชาญ หรือให้มนุษย์ตรวจสอบเพิ่มเติม

ยิ่งต้องแทรกแซงโดยมนุษย์น้อย ต้นทุนรวมก็มีแนวโน้มลดลง ขณะเดียวกันความไว้วางใจต่อระบบก็เพิ่มขึ้น มิตินี้จึงทำหน้าที่คล้ายตัวชี้วัดประกันคุณภาพ โดยย้ำว่าความสม่ำเสมอมีความสำคัญไม่แพ้ความสามารถของโมเดล

4. เมื่อใช้งานมากขึ้น เงินลงทุนด้าน AI สร้างคุณค่าเพิ่มขึ้นหรือไม่?

องค์กรต้องดูว่าเมื่อขยายการใช้งาน AI แล้ว ระบบสามารถทำงานคุณภาพสูงได้มากขึ้นโดยที่ต้นทุนไม่เพิ่มขึ้นแบบทวีคูณหรือไม่ แนวคิดนี้ยังเชื่อมโยงกับ ผลตอบแทนจากการประมวลผล หรือ Return on Compute (ROC) ซึ่งเป็นแนวคิดที่ยืมมาจากการเงินของธุรกิจเซมิคอนดักเตอร์และศูนย์ข้อมูล

คำถามนี้ช่วยแยกให้เห็นว่าการลงทุนใน AI ก่อให้เกิดผลตอบแทนที่เพิ่มพูนขึ้นเรื่อย ๆ หรือกำลังให้ผลตอบแทนลดลงเมื่อใช้งานมากขึ้น ซึ่งเป็นข้อมูลสำคัญต่อการตัดสินใจว่าจะขยายระบบต่อหรือไม่

องค์กรนำกรอบนี้ไปใช้ได้อย่างไร?

แนวทางดังกล่าวสามารถตรวจสอบย้อนหลังได้ด้วยเครื่องมือที่องค์กรมีอยู่แล้ว ขั้นตอนหลักคือ

1. กำหนดให้ชัดเจนว่า “งานเสร็จสมบูรณ์” หมายถึงอะไรสำหรับกระบวนการแต่ละประเภท
2. นับจำนวนงานที่ทำสำเร็จและผ่านเกณฑ์คุณภาพ
3. รวมต้นทุนทั้งหมดของการทำงาน รวมถึงเวลาหรือแรงงานของมนุษย์
4. ติดตามอัตราผ่านเกณฑ์ คุณภาพของผลลัพธ์ และแนวโน้มการทำงานในระยะยาว

กรอบนี้มอง AI ในฐานะ สินทรัพย์ที่ช่วยสร้างผลผลิต มากกว่าจะมองเป็นเพียงใบอนุญาตซอฟต์แวร์ จึงเปิดทางให้ซีเอฟโอและผู้บริหารฝ่ายเทคโนโลยีตอบคำถามที่ Friar ได้ยินจากเพื่อนร่วมอาชีพบ่อยครั้งว่า “เราจะสร้างคุณค่าจากงบประมาณ AI ให้มากขึ้นได้อย่างไร?”

เหตุใดเรื่องนี้จึงสำคัญในเวลานี้?

ข้อเสนอนี้เกิดขึ้นในช่วงที่การใช้จ่ายด้าน AI ในภาคธุรกิจเพิ่มขึ้นอย่างรวดเร็ว โดย OpenAI ระบุว่าบริษัทมีรายได้ 1,000 ล้านดอลลาร์ต่อเดือน และจำหน่ายที่นั่งสำหรับลูกค้าองค์กรแล้วมากกว่า 500 ล้านที่นั่ง

อย่างไรก็ตาม หลายองค์กรยังไม่มีกรอบวัด ROI ที่ชัดเจน จนเกิด “ช่องว่างระหว่างความสามารถของ AI กับคุณค่าที่บริษัทสามารถดึงออกมาได้” ก่อนหน้านี้ Friar เรียกความไม่สอดคล้องดังกล่าวว่า “capability overhang” ซึ่งหมายถึงช่องว่างระหว่างสิ่งที่ AI ทำได้กับคุณค่าทางธุรกิจที่องค์กรสามารถนำไปใช้จริง

การเชื่อมคำถามทั้ง 4 ข้อเข้ากับข้อมูลต้นทุนและคุณภาพที่ตรวจสอบได้ อาจช่วยให้องค์กรเปลี่ยนจากการลงทุน AI บนความคาดหวังหรือความเชื่อ ไปสู่การตัดสินใจที่มีหลักฐานรองรับมากขึ้น และวัดได้ชัดเจนขึ้นว่า AI กำลังช่วยสร้างงานที่มีคุณค่าจริง หรือเพียงเพิ่มตัวเลขการใช้งานเท่านั้น