เจมี ไดมอนมอง AI อย่างไร: จาก JPMorgan ถึงคอขวดโครงสร้างพื้นฐาน

อีกคลิปของ Bloomberg รายงานว่าไดมอนกล่าวว่า JPMorgan ประหยัดเงินได้ต่อปีในระดับใกล้เคียงกับเงินที่ลงทุนด้าน AI และบริษัทมีกรณีใช้งาน AI แล้วหลายร้อยกรณี ภาพที่ได้จึงไม่ใช่การเปิดตัวผลิตภัณฑ์ AI เดี่ยว ๆ แต่เป็นการใช้ AI ปรับงานหลายชั้นพร้อมกัน เช่น ระบบควบคุมความเสี่ยง เครื่องมือช่วยพนักงาน ระบบอัตโนมัติในงานปฏิบัติการ การสนับสนุนการตัดสินใจ และงานบริการที่ลูกค้าเห็นโดยตรง

ที่ดาวอส ไดมอนยังบอกด้วยว่า AI กลายเป็นส่วนหนึ่งของการทบทวนธุรกิจตามปกติ ผู้บริหารจะถามทีมต่าง ๆ ว่ากำลังทำอะไรกับเทคโนโลยีและ AI ไม่ว่าจะเป็นฝ่ายการเงิน ทรัพยากรบุคคล หรือปฏิบัติการ ขณะที่เอกสารอัปเดตบริษัทของ JPMorgan ระบุว่าแพลตฟอร์มเทคโนโลยีของธนาคารยังเดินหน้าขับเคลื่อนนวัตกรรมและประสิทธิภาพทั่วทั้งองค์กร

ประโยชน์ที่เห็นได้: ผลิตภาพ ต้นทุน และความเร็วในการทำงาน

ประโยชน์ระยะใกล้ที่ชัดที่สุดคือประสิทธิภาพและผลิตภาพ ไดมอนเคยกล่าวว่าเงินลงทุนด้าน AI ของ JPMorgan เชื่อมโยงกับการประหยัดค่าใช้จ่ายต่อปีในระดับใกล้เคียงกัน และยังมองว่าโอกาสประหยัดต้นทุนที่ใหญ่กว่านั้นเป็นเพียง “ยอดภูเขาน้ำแข็ง”

รายงานเกี่ยวกับสารจากไดมอนถึงผู้ถือหุ้นระบุว่า เขาคาดว่า AI จะกระทบแทบทุกส่วนของการดำเนินงานในธนาคาร เพิ่มผลิตภาพ แต่ก็จะทำให้งานบางตำแหน่งหายไปด้วย อีกบทสรุปของจดหมายประจำปีระบุว่า AI จะมีอิทธิพลทั้งต่อบริการลูกค้าและระบบภายในที่พนักงานใช้ทำงาน

ดังนั้นท่าทีของไดมอนจึงออกไปทาง “ปฏิบัตินิยม” มากกว่าการขายฝันล้วน ๆ AI อาจทำให้งานธนาคารเร็วขึ้น ถูกลง และตัดสินใจได้ดีขึ้น แต่ผลลัพธ์เหล่านี้จะเกิดขึ้นผ่านการเปลี่ยนวิธีทำงาน ทีมงาน และกระบวนการจริง ไม่ใช่แค่ติดป้าย AI แล้วทุกอย่างดีขึ้นเอง

ผลกระทบต่อคนทำงาน: การย้ายบทบาท ไม่ใช่การเปลี่ยนผ่านที่ไร้แรงเสียดทาน

มุมมองของไดมอนไม่ได้บอกว่า AI จะช่วยทุกคนโดยไม่มีต้นทุน รายงานเดือนกุมภาพันธ์ 2026 ระบุว่า JPMorgan เปิดแผน “ย้ายกำลังคนครั้งใหญ่” สำหรับพนักงานที่บทบาทถูกแทนที่ด้วยระบบอัตโนมัติ โดยยังรักษาจำนวนพนักงานรวมใกล้ 318,500 คน พร้อมลดตำแหน่งในสายปฏิบัติการ 4% และสายสนับสนุน 2%

ที่ดาวอส ไดมอนยังเตือนว่า AI อาจเคลื่อนเร็วเกินกว่าที่สังคมจะปรับตัวทัน และกล่าวว่าภาครัฐกับภาคธุรกิจต้องร่วมกันหาวิธีฝึกทักษะใหม่ให้คนทำงาน

จากหลักฐานที่มีอยู่ สรุปได้อย่างระมัดระวังว่าไดมอนคาดว่า AI จะเปลี่ยนงาน ลบงานบางประเภทหรืองานย่อยบางส่วน และทำให้การยกระดับทักษะกลายเป็นโจทย์ใหญ่ แต่แหล่งข้อมูลที่ให้มายังไม่ยืนยันตัวเลขเฉพาะว่า JPMorgan จะลดตำแหน่งงานกี่ตำแหน่งเพราะ AI โดยตรง

คอขวดของบูม AI: ซอฟต์แวร์วิ่งเร็ว แต่โลกกายภาพขยายช้า

อีกด้านหนึ่งของเรื่อง AI คือข้อจำกัดทางโครงสร้างพื้นฐาน บูม AI ไม่ได้ขึ้นอยู่กับความสามารถของโมเดลหรือจำนวนชิปเท่านั้น แต่ขึ้นอยู่กับไฟฟ้า ศูนย์ข้อมูล ระบบระบายความร้อน เครือข่าย และชิ้นส่วนอุตสาหกรรมที่ต้องใช้เวลาในการผลิตและติดตั้งด้วย

Goldman Sachs ประเมินว่าการใช้จ่ายด้านโครงสร้างพื้นฐาน AI อาจแตะประมาณ 765 พันล้านดอลลาร์สหรัฐภายในปี 2026 และเพิ่มเป็น 1.6 ล้านล้านดอลลาร์สหรัฐภายในปี 2031 โดยมีการลงทุนสะสมเกือบ 7.6 ล้านล้านดอลลาร์สหรัฐระหว่างปี 2026-2031 ครอบคลุมคอมพิวติ้ง ศูนย์ข้อมูล และพลังงาน

1) ไฟฟ้าและการเชื่อมต่อเข้ากริด

ไฟฟ้าเป็นคอขวดที่มองเห็นชัดที่สุด รายงานของ Goldman Sachs ประเมินว่าจำเป็นต้องมีกำลังผลิตไฟฟ้าเพิ่มอีกราว 47 กิกะวัตต์ (GW) และระบุว่าคิวรอเชื่อมต่อโครงการใหม่เข้ากับโครงข่ายไฟฟ้ายังเป็นความท้าทายสำคัญ

Deloitte ประเมินแยกต่างหากว่า ความต้องการไฟฟ้าของศูนย์ข้อมูล AI ในสหรัฐฯ อาจเพิ่มจาก 4 กิกะวัตต์ในปี 2024 เป็น 123 กิกะวัตต์ภายในปี 2035 และผลสำรวจผู้บริหารบริษัทไฟฟ้ากับศูนย์ข้อมูลในสหรัฐฯ ระบุว่าแรงกดดันต่อกริดเป็นความท้าทายอันดับต้น ๆ ของการพัฒนาโครงสร้างพื้นฐานศูนย์ข้อมูล

2) ศูนย์ข้อมูล AI ไม่ใช่แค่ห้องวางเซิร์ฟเวอร์

ศูนย์ข้อมูลสำหรับ AI แตกต่างจากภาพจำของห้องเซิร์ฟเวอร์ทั่วไป Goldman Sachs อธิบายว่าศูนย์ข้อมูล AI ต้องถูกมองเป็นระบบไฟฟ้าและความร้อนแบบบูรณาการ สร้างรอบเซิร์ฟเวอร์ที่มีความหนาแน่นสูงมาก

McKinsey ก็ชี้ในทิศทางเดียวกันว่า AI กำลังเปลี่ยนศูนย์ข้อมูลจากการเป็นเพียงชุดเซิร์ฟเวอร์ ให้กลายเป็นระบบพลังงานและความร้อนที่เชื่อมกันแน่นเพื่อรองรับงานประมวลผลความหนาแน่นสูง McKinsey ยังระบุว่าหนึ่งในข้อจำกัดสำคัญต่อการเติบโตคือความสามารถของซัพพลายเออร์อุปกรณ์อุตสาหกรรมในการผลิตชิ้นส่วนสำคัญที่ต้องใช้เวลานำนานในห่วงโซ่มูลค่าศูนย์ข้อมูล

3) ความร้อนและระบบระบายความร้อน

เมื่อ AI ใช้ชิปเร่งความเร็วจำนวนมาก ความร้อนจึงกลายเป็นโจทย์ใหญ่ World Economic Forum ระบุว่า AI cluster ที่ครั้งหนึ่งใช้ GPU หลักร้อย ตอนนี้ต้องการจำนวนระดับหลายหมื่น และคอขวดไม่ได้อยู่แค่ซิลิคอนอีกต่อไป แต่รวมถึงความร้อน พลังงาน การเชื่อมต่อ และหน่วยความจำ

WEF ยังระบุว่าเมื่อ GPU ทำงานเต็มกำลัง ความหนาแน่นความร้อนสูงจนระบบระบายความร้อนด้วยอากาศรับมือได้ยาก ทำให้ liquid cooling, immersion cooling และสถาปัตยกรรมจัดการความร้อนแบบใหม่ ๆ ขยับจากสิ่งทดลองไปเป็นเงื่อนไขพื้นฐานที่จำเป็น

4) เครือข่าย ใยแก้วนำแสง และการเชื่อมต่อ

AI cluster ขนาดใหญ่ต้องการการเชื่อมต่อที่รวดเร็วและเสถียรระหว่างชิปเร่งความเร็วและระบบจำนวนมาก หลักฐานที่มีชี้ว่าคอขวดด้าน “การเชื่อมต่อ” กว้างขึ้นเรื่อย ๆ: WEF ระบุ connectivity เป็นหนึ่งในข้อจำกัดของการขยาย AI cluster ขณะที่อีกแหล่งรายงานว่าคอขวดกำลังขยับจากซิลิคอนไปสู่การเชื่อมต่อความเร็วสูงและพลังงานดิบที่ต้องใช้จริง

สำหรับใยแก้วนำแสงหรือ fiber optics ข้อมูลที่ให้มายังไม่ได้พิสูจน์เป็นตัวเลขว่ามีภาวะขาดแคลนเฉพาะด้านนี้แบบแยกเดี่ยว ข้อสรุปที่ปลอดภัยกว่าคือ fiber optics เป็นส่วนหนึ่งของปัญหา connectivity ที่ใหญ่กว่า ไม่ใช่คอขวดที่แหล่งข้อมูลชุดนี้ยืนยันว่าโดดเด่นที่สุด

5) วัตถุดิบ ชิ้นส่วน และห่วงโซ่อุปทาน

หลักฐานในชุดข้อมูลนี้หนักแน่นกว่าในประเด็น “อุปกรณ์และชิ้นส่วน” มากกว่าการชี้ว่าวัตถุดิบชนิดใดขาดแคลนเป็นพิเศษ McKinsey เน้นเรื่องชิ้นส่วนสำคัญในห่วงโซ่ศูนย์ข้อมูลที่ต้องใช้เวลานำนาน ส่วน WEF ระบุว่าการลงทุนศูนย์ข้อมูลจำนวนมากจะผูกกับระบบระบายความร้อน การผลิตไฟฟ้า และฮาร์ดแวร์ข้างเคียง

วัตถุดิบย่อมเกี่ยวข้องผ่านห่วงโซ่การผลิตฮาร์ดแวร์เหล่านี้ แต่แหล่งข้อมูลที่มีไม่ได้จัดอันดับสินค้าโภคภัณฑ์เฉพาะ หรือพิสูจน์ว่าวัสดุใดเป็นตัวจำกัดหลักที่สุดของบูม AI

สรุป: AI เดินหน้าแล้ว แต่ความเร็วอาจถูกกำหนดโดยไฟฟ้าและเหล็กกล้า

สารหลักจากไดมอนคือการนำ AI มาใช้ไม่ได้รอ “ความก้าวหน้ารอบหน้า” อีกแล้ว JPMorgan กำลังใช้ AI ในงานธนาคารหลัก ตั้งงบเทคโนโลยีระดับมหาศาล และเตรียมย้ายบทบาทพนักงานเมื่อระบบอัตโนมัติเปลี่ยนลักษณะงาน

แต่ภาพอีกด้านคือ AI รุ่นถัดไปไม่ได้ติดอยู่แค่ในโลกซอฟต์แวร์ ความเร็วของการขยายใช้งานอาจถูกกำหนดโดยสิ่งที่ขยายได้ยากกว่าโมเดลมาก ได้แก่ ไฟฟ้า การเชื่อมต่อเข้ากริด ศูนย์ข้อมูลความหนาแน่นสูง ระบบระบายความร้อน เครือข่าย และอุปกรณ์ที่ต้องใช้เวลาผลิตนาน

พูดสั้น ๆ คือ AI อาจ “เปลี่ยนแทบทุกอย่าง” อย่างที่ไดมอนว่าไว้ แต่จังหวะของการเปลี่ยนแปลงอาจไม่ได้ขึ้นอยู่กับโค้ดเพียงอย่างเดียว หากขึ้นอยู่กับสายส่งไฟฟ้า เครื่องทำความเย็น สายเชื่อมต่อ และศูนย์ข้อมูลที่สร้างได้ทันหรือไม่ด้วย