เมื่อโทเคนถูกลง แต่ AI Agent กลับแพงขึ้น: ทำไมต้นทุน AI อาจพุ่งเกิน 5 เท่า

ยิ่งโมเดลมีราคาถูกลง องค์กรก็ยิ่งมีแรงจูงใจให้นำโมเดลที่เก่งกว่าไปใช้กับงานที่ซับซ้อนขึ้น เช่น เพิ่มความสามารถในการให้เหตุผล เพิ่มเครื่องมือ เพิ่มบริบท และปล่อยให้ Agent ทำงานต่อเนื่องโดยมีมนุษย์แทรกแซงน้อยลง ทั้งหมดนี้ทำให้ปริมาณการประมวลผลต่อผลลัพธ์ทางธุรกิจหนึ่งรายการเพิ่มขึ้น

ทำไม AI Agent จึงใช้ทรัพยากรมากกว่าแชตบอต

AI Agent เพิ่มภาระการประมวลผลในหลายระดับ

• การวางแผนและให้เหตุผล: ระบบต้องแบ่งเป้าหมายเป็นขั้นตอน ประเมินทางเลือก และอาจย้อนกลับไปปรับแผน
• การใช้เครื่องมือ: การเรียกใช้ระบบค้นหา ฐานข้อมูล API ซอฟต์แวร์ หรือบริการอื่น ๆ ทำให้เกิดอินพุตและเอาต์พุตเพิ่มเติม
• การตรวจสอบ: Agent อาจต้องทดสอบ วิจารณ์ หรือยืนยันผลลัพธ์ทั้งระหว่างทางและเมื่อทำงานเสร็จ
• เวิร์กโฟลว์การเรียนรู้: การดึงความจำ การรับฟีดแบ็ก การประเมินผล และการปรับตัวล้วนเพิ่มกิจกรรมของโมเดล
• การประสานงานหลาย Agent: การมอบหมายงาน การส่งต่อ และการตรวจสอบโดย Agent อื่น ทำให้เกิดข้อความและบริบทซ้ำ
• การกู้คืนจากข้อผิดพลาด: การเรียกเครื่องมือที่ล้มเหลวหรือผลลัพธ์ที่มีความมั่นใจต่ำ อาจทำให้ระบบต้องลองใหม่และวางแผนใหม่

เมื่อบริบทสะสมมากขึ้น การเรียกโมเดลในขั้นตอนถัดไปก็อาจต้องส่งข้อมูลก่อนหน้าจำนวนมากไปด้วย ขณะเดียวกัน โมเดลที่มีความสามารถด้านการให้เหตุผลสูงก็มักใช้โทเคนและกำลังประมวลผลมากขึ้นเมื่อทำงานผ่านการตัดสินใจหลายขั้นตอน รายงานเกี่ยวกับการวิเคราะห์ของ Gartner ระบุว่า Agent อาจต้องใช้โทเคนมากกว่าแชตบอต 5–30 เท่าเพื่อทำงานที่เทียบเคียงกันได้ ทั้งนี้ขึ้นอยู่กับรูปแบบเวิร์กโฟลว์และการตั้งค่าโมเดล

ต้นทุนจึงไม่ได้ขึ้นอยู่กับราคาโทเคนเพียงอย่างเดียว แต่เป็นผลรวมของ ราคาโทเคน ปริมาณโทเคน รุ่นของโมเดล และโครงสร้างเวิร์กโฟลว์ หากทั้งสี่ส่วนเพิ่มขึ้นพร้อมกัน ค่าใช้จ่ายก็อาจพุ่งขึ้นอย่างรวดเร็ว

Tokenomics Model ของ Gartner สะท้อนอะไร

Gartner ใช้ “Tokenomics Model” เพื่อมองต้นทุน AI ผ่านสถานการณ์การทำงานหลายระดับ แทนการถือว่าคำขอทุกประเภทมีต้นทุนเท่ากัน ลำดับโดยรวมที่มีการรายงานต่อสาธารณะมีดังนี้

1. การทำงานแบบ Agent ขั้นพื้นฐาน มีต้นทุนสูงกว่าการโต้ตอบกับแชตบอตพื้นฐาน
2. การวางแผน เพิ่มภาระด้านการให้เหตุผลและการประสานงาน
3. การเรียนรู้และปรับปรุงแบบวนซ้ำ เพิ่มการดึงความจำ ฟีดแบ็ก การประเมิน และการปรับตัว
4. การให้เหตุผลขั้นสูง เป็นกลุ่มที่มีต้นทุนสูงที่สุด เนื่องจากต้องใช้การประมวลผลที่ซับซ้อนและต่อเนื่องมากกว่า

ข้อมูลสาธารณะสนับสนุนทิศทางของลำดับต้นทุนนี้ รวมถึงประเด็นสำคัญว่า การส่งงานไปยังโมเดลให้เหตุผลแบบ Agentic อาจทำให้ต้นทุน Inference เพิ่มขึ้นอย่างน้อย 5 เท่าเมื่อเทียบกับแชตบอตพื้นฐาน และอาจเพิ่มขึ้นอีกตามความซับซ้อนของงาน

อย่างไรก็ตาม รายงานที่เปิดเผยต่อสาธารณะยังไม่มีตัวเลขคูณต้นทุนแยกตามหมวด “พื้นฐาน การวางแผน การเรียนรู้ และการให้เหตุผลขั้นสูง” ที่น่าเชื่อถือเพียงพอ ดังนั้นจึงไม่ควรนำตัวเลขรายหมวดที่ยังไม่ได้รับการยืนยันมาเสนอเสมือนเป็นมาตรฐานอ้างอิงจาก Gartner

แล้วเรื่องนี้ขัดแย้งกับต้นทุนโมเดลระดับแนวหน้าที่ลดลงหรือไม่

ไม่ขัดแย้งกัน เพราะ Gartner ไม่ได้บอกว่าประสิทธิภาพฮาร์ดแวร์ สถาปัตยกรรมโมเดล หรือเศรษฐศาสตร์ของโทเคนจะหยุดพัฒนา แต่ชี้ให้เห็นว่า ประสิทธิภาพที่ดีขึ้นอาจกระตุ้นให้เกิดการใช้งานมากขึ้นและซับซ้อนขึ้น

เมื่อโมเดลขั้นสูงมีราคาถูกลง องค์กรสามารถสร้างแอปพลิเคชันที่ก่อนหน้านี้มีต้นทุนสูงเกินไปได้ อีกทั้งยังอาจเพิ่มความเป็นอิสระ ให้ Agent ใช้เครื่องมือมากขึ้น ทำงานกับบริบทที่ยาวขึ้น และคิดทบทวนหลายรอบ การปรับปรุงเหล่านี้ทำให้ปริมาณ Inference ต่อภารกิจหนึ่งเพิ่มขึ้น แม้ราคาต่อหน่วยจะลดลงก็ตาม

ประเด็นนี้สำคัญต่อการวางแผนผลิตภัณฑ์ AI เพราะราคาต่อโทเคนที่ลดลงช่วยให้ต้นทุนของงานเดิมที่มีปริมาณคงที่ถูกลงได้ แต่ไม่ได้รับประกันว่าต้นทุนต่อ “ผลลัพธ์ทางธุรกิจ” จะลดลง หากลักษณะของงานเปลี่ยนไปและมีขั้นตอนมากกว่าเดิม

องค์กรควรควบคุมต้นทุน AI Agent อย่างไร

1. แบ่งระดับการใช้ Inference

เลือกโมเดลให้เหมาะกับความยากของงาน งานที่เป็นกฎตายตัว การค้นคืนข้อมูล การจัดหมวดหมู่ หรือภารกิจที่มีความเสี่ยงต่ำ ควรส่งให้โมเดลขนาดเล็กหรือมีค่าใช้จ่ายต่ำกว่า ส่วนโมเดลให้เหตุผลระดับแนวหน้าควรสงวนไว้สำหรับขั้นตอนที่การทดสอบยืนยันแล้วว่า ความสามารถเพิ่มเติมช่วยยกระดับผลลัพธ์ได้คุ้มกับต้นทุน Gartner แนะนำแนวทางการแบ่งระดับ Inference การจำกัดโทเคน และการติดตามการใช้งาน

2. จำกัดความซับซ้อนของเวิร์กโฟลว์

องค์กรควรกำหนดเพดานให้กับตัวแปรที่อาจทำให้ Agent ใช้งานเกินงบประมาณ เช่น

• จำนวนรอบการทำงานและจำนวนโทเคนสูงสุด
• จำนวนครั้งที่ลองใหม่หรือวางแผนใหม่
• โควตาการเรียกใช้เครื่องมือ
• ขนาดบริบทสูงสุด
• จำนวน Agent ที่แตกแขนงออกไปทำงานพร้อมกัน
• เงื่อนไขหยุดเมื่อระบบมีความมั่นใจต่ำหรือทำงานซ้ำ ๆ

การแคชผลลัพธ์ที่ไม่เปลี่ยนแปลง การตัดหรือลดทอนประวัติ การใช้เอาต์พุตเครื่องมือที่มีโครงสร้าง และการส่งกรณีพิเศษให้มนุษย์ตัดสินใจ ล้วนช่วยลดการเรียกโมเดลที่ไม่จำเป็นได้ โดยยังคงความเป็นอิสระไว้ในขั้นตอนที่สร้างคุณค่า

3. วัดต้นทุนต่อผลลัพธ์ที่เสร็จสมบูรณ์

ต้นทุนต่อโทเคนและต้นทุนต่อการเรียก Agent ยังไม่ใช่ตัวชี้วัดที่เพียงพอ ทีมควรติดตามต้นทุนต่อผลลัพธ์ทางธุรกิจ เช่น ต้นทุนต่อเคสที่แก้ไขสำเร็จ การเคลมที่อนุมัติ ลูกค้าที่ผ่านการคัดกรอง หรือภารกิจด้านวิศวกรรมที่เสร็จสมบูรณ์ พร้อมวัดคุณภาพ ระยะเวลา อัตราความล้มเหลว และจำนวนครั้งที่ต้องให้มนุษย์เข้ามาช่วย

การทดลองที่น่าเชื่อถือควรมีขั้นตอนการทำงานเดิมเป็นฐาน มีเกณฑ์คุณภาพและเป้าหมายที่ชัดเจนก่อนเริ่มวัดผล หาก Agent ใช้โทเคนน้อยลงแต่ไม่สามารถให้ผลลัพธ์ที่ดีขึ้นหรือเร็วขึ้น การประหยัดดังกล่าวก็อาจไม่มีความหมายในทางธุรกิจ

4. ทำให้การคิดค่าบริการตามการใช้งานอยู่ภายใต้การกำกับดูแล

การคิดค่าบริการตามการใช้งานอาจทำให้องค์กรเผชิญค่าใช้จ่ายที่คาดไม่ถึง หากเวิร์กโฟลว์ทำงานวนซ้ำ ยาวนาน หรือมีความเป็นอิสระสูง องค์กรควรกำหนดเพดานงบประมาณ โควตารายเวิร์กโฟลว์ ระบบติดตามต้นทุนแบบเรียลไทม์ การแจ้งเตือน และระบบจัดสรรหรือแสดงต้นทุนให้แต่ละทีมเห็นก่อนขยายไปสู่การใช้งานจริงในวงกว้าง

5. ทบทวนโมเดลอย่างสม่ำเสมอ

เศรษฐศาสตร์ของโมเดลไม่ใช่สิ่งที่หยุดนิ่ง โมเดลระดับพรีเมียมที่ใช้ในวันนี้อาจถูกแทนที่ในอนาคตด้วยโมเดลที่ถูกกว่าแต่มีความสามารถเพียงพอ โมเดลที่ปรับแต่งเฉพาะงาน โมเดลที่ถูกกลั่นให้มีขนาดเล็กลง หรือระบบอัตโนมัติที่ทำงานตามกฎได้โดยไม่ต้องใช้โมเดลขนาดใหญ่

จึงควรประเมิน “โมเดลและเวิร์กโฟลว์” เป็นชุดเดียวกันอยู่เสมอ แทนที่จะยึดสถาปัตยกรรมปัจจุบันว่าเป็นคำตอบถาวร

6. เพิ่มความเป็นอิสระก็ต่อเมื่อพิสูจน์คุณค่าได้

Gartner คาดการณ์ว่าโครงการ Agentic AI มากกว่า 40% อาจถูกยกเลิกภายในสิ้นปี 2027 เนื่องจากต้นทุนที่เพิ่มขึ้น คุณค่าทางธุรกิจที่ไม่ชัดเจน หรือการควบคุมความเสี่ยงที่ไม่เพียงพอ ตัวเลขนี้เป็นคำเตือนว่าองค์กรไม่ควรเร่งขยายความเป็นอิสระของ AI ก่อนเข้าใจต้นทุนและระบบกำกับดูแลอย่างแท้จริง ไม่ได้หมายความว่าโครงการ Agent ทุกโครงการจะล้มเหลว

การใช้งานที่ออกแบบและปรับแต่งมาอย่างดีสามารถสร้างผลตอบแทนจากการลงทุนได้ หากช่วยเร่งหรือทดแทนกระบวนการที่มีคุณค่าและทำซ้ำเป็นประจำ การทดสอบที่สำคัญคือ คุณค่าเพิ่มเติมจากการให้เหตุผล การประสานงาน และความเป็นอิสระ ต้องมากกว่าต้นทุน Inference และค่าใช้จ่ายดำเนินงานที่เพิ่มขึ้น

สรุปสำหรับผู้วางแผน AI

สมมติฐานที่ปลอดภัยที่สุดคือ ราคาโทเคนกับต้นทุนรวมของ AI Agent อาจเคลื่อนไหวสวนทางกัน ให้มองโทเคนเป็นเพียงหนึ่งปัจจัยของงบประมาณ ไม่ใช่ทั้งหมด

องค์กรควรจำลองต้นทุนของเวิร์กโฟลว์ครบทั้งระบบ เลือกการตั้งค่าที่ใช้ความสามารถน้อยที่สุดแต่ยังผ่านเกณฑ์คุณภาพ กำหนดเพดานการทำงาน ติดตามต้นทุนต่อผลลัพธ์จริง และเพิ่มระดับความเป็นอิสระก็ต่อเมื่อหลักฐานจากการใช้งานจริงแสดงให้เห็นว่า AI Agent ช่วยปรับปรุงผลลัพธ์ทางธุรกิจได้อย่างคุ้มค่า