ใกล้หมดยุค AI Subscription ราคา $20 ชวนดูต้นทุนและโมเดลธุรกิจของผู้ให้บริการ AI และสิ่งที่ผู้ใช้อย่างเราต้องเตรียมปรับตัว

หลังการมาของ ChatGPT 3.5 ที่สร้างปรากฏการณ์ AI ยุคใหม่ขึ้นมาในปี 2022 ผ่าน 4 ปี จนตอนนี้เราอยู่ในปี 2026 ที่มี AI ตระกูล LLM (Large Language Model) ออกมาแข่งกันหลายตัวมาก ไม่ว่าจะเป็น ChatGPT ของ OpenAI, Gemini ของ Google, Claude ของ Anthropic และ Qwen ของ Alibaba โดยแต่ละเจ้าก็จะมีแพคเกจแบบเสียเงินออกมาในราคาใกล้เคียงกันที่ $20 หรือราวๆ 700 บาทไทย ที่แต่แรกก็ใช้ได้เรียกว่าไม่อั้น เพื่อดึงดูดผู้ใช้งานให้เข้าสู่ระบบของตัวเอง จนต่อมาที่ Adoption เริ่มสูงขึ้น เราก็เริ่มเห็นการจำกัดโควต้าการใช้งานขึ้นมาเป็นช่วงๆ ตั้งแต่การนับการใช้งานต่อช่วงเวลาทุกๆ กี่ชั่วโมง หรือการออกแพคเกจเสริมคิดเป็นจำนวน Token ที่ใช้งาน จนคำพูดว่า "Quota หมด" หรือ "Token เกลี้ยงแล้ว" เป็นคนที่ได้ยินทั่วไปไม่ว่าจะเป็นฝั่งคนเขียนโปรแกรม หรือคนทำงานอื่นๆ ที่นำ AI พวกนี้ไปใช้

ผมเองในฐานะคนทำงานเขียนโปรแกรม และทดลองใช้งานพวก AI-Assisted IDE (โปรแกรมเขียนโปรแกรม) หรือ AI Tool ต่างๆ มาก็เห็นความเปลี่ยนแปลงดังกล่าวไม่ต่างจากทุกคน และทำให้ผมมองภาพใหญ่ขึ้นและตั้งข้อสังเกตว่า โมเดลธุรกิจของผู้ใหญ่บริการ AI ทั้งหลายในตลาด อยู่ในเฟสไหนกัน?

Start-up Business Model ... with a Catch

ผมเชื่อว่าใครที่ติดตามธุรกิจฝั่งบริษัทเทคฯ มาเป็นเวลาหนึ่ง น่าจะต้องคุ้นเคยกับโมเดลธุรกิจแบบ Start-up กล่าวโดยสั้นสำหรับผู้ที่อาจจะไม่คุ้นหูก็คือ เป็นธุรกิจที่สร้าง solution ให้กับ pain point ของกลุ่มคนกลุ่มหนึ่ง ที่มีปริมาณมากพอให้ขยายตลาดได้ เมื่อนักลงทุนเห็นคุณค่าและทิศทางจนพร้อมลงทุน บริษัทก็จะเน้นการเติบโตอย่างรวดเร็ว โดยบริหารเงินลงทุนมา "เผา" เพื่อเรียกลูกค้าใหม่เข้าระบบให้เยอะมากที่สุด

ส่วนของการดึงคนเข้าระบบที่ว่ามา ไม่ต่างอะไรกับที่ AI Company ทั้งหลายเหล่านี้กำลังทำอยู่เลยครับ เพียงแต่ว่าแต่ละเจ้าก็อาจจะมีจุดดึงดูดที่แตกต่างกันออกไป ยกตัวอย่างให้เห็นภาพก็คือ

• Google - ใช้การมัดแพ็คเกจ Google Workspace Ecosystem (Drive, Doc, Sheet, etc) กับ AI Tool อย่าง Gemini, Veo, Whisk, Antigravity (รวมถึง YouTube Premium สำหรับแพคเกจ Ultra ด้วย)

• Claude - นอกจากแชทบนเว็บและแอป ก็มี Tool ยอดฮิตอย่าง Claude Code, Claude Cowork

• OpenAI - ตัวระบบแชทบนเว็บและแอป กับ Codex

จะเห็นว่าแต่ละเจ้าก็จะพยายามรวมหรือสร้างจุดเด่นของตัวเองให้มากที่สุด แต่คำถามที่คนหัวธุรกิจมองปุ๊บจะถามเลยก็คือ ให้ขนาดนี้ เอาตรงไหนมากำไร?

ใช่ครับ AI Company เหล่านี้ยังไม่มีใครทำกำไรจากบริการ AI เลยสักเจ้า

ทำไมราคา $20 ต่อเดือน กำลังจะหายไป?

ผมเลยอยากชวนมาคิดตามว่า ปัจจุบันบริษัทเหล่านี้อยู่ได้อย่างไร และอนาคตของโมเดลธุรกิจของพวกเขาคืออะไร ผมจะขอเริ่มจากสิ่งที่ผู้อ่านทุกคนน่าจะเข้าใจได้ง่ายที่สุดก่อน ให้มองดูโมเดลธุรกิจของ Netflix ครับ จำได้มั้ยครับว่าพอ Netflix กลายเป็นสิ่งที่คนทั่วโลก subscribe สิ่งที่ Netflix ทำคืออะไร

ขึ้นราคารายเดือน

จำกัดจำนวนอุปกรณ์ที่เข้าถึงภายใน subscription เดียวกัน

แล้วล่าสุดที่อเมริกาก็ประกาศขึ้นราคาอีกรอบแล้วครับ

เมื่อได้ผู้ใช้งานที่เยอะมากพอ และมี churn rate (อัตราการเสียลูกค้า) ที่ควบคุมได้ ธุรกิจเหล่านี้จะทำกำไรเพิ่มด้วยการขึ้นราคา

สิ่งนี้คือสิ่งที่ผมมองว่า "ตรงไปตรงมา" ที่สุดของการทำธุรกิจ แต่สำหรับบริบทของ AI Company ที่นับว่ายังเป็นธุรกิจที่ใหม่มากๆ ผมอยากชวนมาสำรวจว่ายังมีมุมไหนอีกบ้างที่ธุรกิจเค้าต้องบริหาร ต้นทุนของพวกเค้าคือเท่าไร และพวกเขาต้องทำยังไงให้ธุรกิจยังรันต่อไปได้

ต้นทุนของ AI Company

1. Fix Cost, Management Fees & Compensation

   ขึ้นชื่อว่าเป็นบริษัท แน่นอว่าสิ่งที่เป็นต้นทุนชัดเจนก็คือ fix cost ทุกสิ่ง ค่าใช้จ่ายการดำเนินงานต่างๆ และเงินเดือนพนักงาน ส่วนนี้คนอาจจะไม่ได้สนใจมากนัก แต่ก็เป็นมูลค่าที่ไม่น้อยครับ เพราะระหว่างที่ตลาดงาน AI ดุเดือดขนาดนี้ การดึงตัวข้ามบริษัทก็เป็นสิ่งที่เกิดขึ้นมาแล้ว ค่าตัวของ Engineer ที่เข้าไปเสริมทีมพัฒนาระบบก็น่าจะเรียกว่าเป็นตำแหน่งงานที่น่าจะเงินเดือนสูงอันดับต้นๆ ในวงการเทคฯ ตอนนี้แล้ว แล้วอย่างอื่นล่ะ มีอะไรอีกบ้าง?

2. Compute Power

   ใครที่ตามข่าวฝั่งเทคฯ มาเป็นระยะๆ ต้องเคยเห็นบทความเกี่ยวกับกำลังประมวลผลผ่านตาอย่างแน่นอน รวมถึงข่าวการแย่งซื้อชิปประมวลผล การเช่า Cloud Computing เพื่อใช้ "ฝึก" (ต่อจากนี้จะใช้คำว่า "เทรน") AI ของแต่ละบริษัท สิ่งนี้น่าจะนับเป็นหนึ่งในต้นทุนที่แพงที่สุดของบริษัทเหล่านี้ แทบทุกบริษัทต้องพึ่งพา NVIDIA ในการผลิตชิบเหล่านี้ให้ เพราะตลาดมองว่าชิปของ NVIDIA มีพลังประมวลผลสูงที่สุดในตอนนี้ รวมถึง ecosystem การพัฒนา AI ที่ปูทางมาอย่างยาวนาน (AMD เองก็ผลิตชิปได้เริ่มสูสีแล้ว แต่อาจจะยังไม่เป็นที่ยอมรับในมุม switching cost ในตอนนี้) ตัวเลขคร่าวๆ ถ้าอ้างอิงตัวเลขการใช้งาน NVIDIA B200 จากเว็บไซต์ Silicon Analyst ระบุว่าการเทรน AI ด้วย B200 256 ตัวเป็นเวลา 2 สัปดาห์จะมีราคาประมาณ $1.2M - $1.5M แล้วลองคิดดูว่าบริษัทเหล่านี้เรียกว่าน่าจะเทรนแทบจะตลอดเวลา ต้นทุกเหล่านี้ขึ้นไปขนาดไหน

3. Inference Cost

   คำนี้คนที่ไม่ได้ติดตามวงการอาจจะไม่คุ้นหู แต่ถ้าพูดให้เข้าใจง่าย Inference คือการที่ AI ประมวลผล Prompt ของผู้ใช้งานแล้วตอบสนอง ไม่ว่าจะเป็นตอบแชท, เลือกใช้ Tool/MCP ต่างๆ เวลาที่คนพูดถึงค่าใช้จ่ายส่วนนี้มักจะหมายถึง ค่าไฟ, ค่าเช่า Infrastructure อย่างพวก server, internet bandwidth ที่ใช้ส่ง-รับ ข้อมูลกับผู้ใช้ เป็นค่าใช้จ่ายที่เกิดทุกครั้งที่คนใช้งาน AI และที่น่าสนใจคือส่วนนี้มักยังไม่ถูกบวกค่าใช้จ่ายจากการ R&D หรือค่าลิขสิทธิ์หรือสิทธิบัตรต่างๆ ที่ทางบริษัทคิดค้นขึ้นมา -- แล้วใช่ครับ ที่บอกว่าเป็นค่าใช้จ่ายที่เกิดขึ้นทุกครั้งที่ใช้ หมายความว่า ถ้าสิ่งที่ AI ตอบสนองกลับมาไม่ถูกต้อง ไม่ถูกใจ ผู้ใช้งาน บริษัทก็ต้องจ่ายอยู่ดี อ้อ แล้วพวกนี้ก็ตกไปอยุ่กับชั่วโมงการใช้งานชิป NVIDIA อีกนั่นแหละครับ

ตัวอย่างค่าใช้จ่ายที่กล่าวมาคือต้นทุนหลักๆ ของบริษัท AI ซึ่งจริงๆ มันมีมากกว่านี้แน่ๆ ไม่ว่าจะเป็น Marketing cost หรือการออกงาน จัดงานต่างๆ และการแจก Subscription ให้กับผู้ใช้ที่เข้าเงื่อนไข เช่น การสนับสนุน Open Source software

รายจ่ายเยอะขนาดนี้ เอาเงินที่ไหนมาจ่าย?

ถ้าเป็นธุรกิจปกติ ก็ต้องเอาเงินกำไรจากลูกค้าไปจ่ายใช่มั้ยครับ? แต่สำหรับบริษัทเหล่านี้ ต้นทุนสูงมากตั้งแต่ของยังไม่พร้อมขาย (ค่าเทรน) และยิ่งพัฒนา AI ตัวใหม่โดยมีเป้าหมายให้เก่งขึ้นๆ ค่าใช้จ่ายก็สูงขึ้นตาม อย่าง Anthropic ที่ดูจะได้โมเมนตัมจากผู้ใช้งานที่หันมาใช้งานมากขึ้นในปี 2026 ถูกประเมินจากหลายสำนักว่าขาดทุนอยู่ที่ราว $4B - $5.2B แม้ว่าในมุมของรายได้จะโตเป็น 10 เท่าก็ตาม สาเหตุหลักมาจาก Cash burn rate จากการเทรน AI

สิ่งที่ทำให้ AI Company เหล่านี้ยังมีเงินมาหล่อเลี้ยง หลักๆ ก็คือเงินลงทุนจากนักลงทุนทั้งหลายนั่นเอง เราจะเห็นข่าวอยู่เป็นระยะๆ ว่า เดี๋ยวก็ OpenAI รับเงินลงทุน เดี๋ยวก็ Anthropic รับเงินลงทุน อย่างปี 2026 แค่สี่เดือนที่ผ่านมา ฝั่ง Anthropic ก็เพิ่งได้ทุน Series G ไป $30B เมื่อเดือนกุมภาพันธ์ ส่วนฝั่ง OpenAI แม้จะล้มดีล $1B กับ Disney ไปแต่ก็ได้ทุนอีกรอบจากหลายบริษเทคฯ รวม $122B

มองแบบนี้ แล้วนักลงทุนจะกำไรเมื่อไรนะ?

แน่นอนว่านักลงทุนต้องคาดหวังการลงทุนให้งอกเงย และหวังผลกำไรในท้ายที่สุด เราเลยจะเริ่มเห็นทิศทางที่เปลี่ยนไปของ AI Company ในการบริหารเงินที่ได้รับในช่วงหลัง ว่าจะเริ่มหันไปมองการลงทุนใน Data Center ของตัวเอง ซื้อ Hardware มาเป็นของตัวเอง หรือแม้กระทั่งจะเริ่มลงทุนด้านชิป หาทางเลือกอื่นนอกจาก NVIDIA เช่น การทำดีลใช้งาน TPU ของ Google (TPU เป็นชิประมวลผล AI ที่ทาง Google ออกแบบและสั่งผลิตเอง) ตลอดจนการลงทุนสร้างโรงไฟฟ้าเพื่อมาป้อนให้กับ Data Center ที่จะเปิดใหม่ด้วย แน่นอนว่าการสร้าง Infrastructure เพิ่มแบบนี้ไม่ได้ใช้เงินน้อยๆ รวมถึงระยะเวลาในการสร้างด้วย เท่ากับว่าระหว่างนี้ AI Company จะยังต้องแบกรับรายจ่ายมหาศาลต่อไป จนกว่า Infrastructure ที่ตัวเองสร้างจะพร้อมใช้งานและเริ่มทำให้ควบคุมต้นทุนได้มากขึ้น

ข้อมูลจากเอกสารการเงิน ณ ตอนนี้ ของฝั่ง OpenAI และ Anthropic มองว่าบริษัทอาจจะเริ่ม "เท่าทุน" ได้ในปี 2026 ส่วนจะกำไรเมื่อไรนั่น OpenAI เล็งไว้ที่ปี 2030 ส่วน Anthropic มองว่าถ้าหักส่วนของค่าใช้จ่ายงานวิจัยออก น่าจะกำไรได้ในปี 2028 ซึ่งอยู่ที่ว่าทั้งสองบริษัทจะประเมินได้แม่นยำแค่ไหน ในขณะที่อัตราค่าใช้จ่ายในการเทรน AI ยังโตขึ้นเรื่อยๆ เลยเคยประเมินกันพลาดมาแล้ว

Train ตั้งนาน เก่งขึ้นนิดเดียว

แม้ว่าเราจะเห็นแต่ละบริษัทออกมา "ขิง" กันตลอดเวลาพัฒนา AI Model ตัวใหม่ล่าสุดได้ และได้คะแนน Benchmark ที่สูงขึ้นเป็นอันดับทอปตลาด แต่ความเป็นจริงแล้ว ด้วยต้นทุนมหาศาล การลงแรงและเวลาในการพัฒนา Model นั้น อาจจะเริ่มไม่คุ้มกับผลลัพธ์ที่ได้กลับมาแล้วรึเปล่า?

*หมายเหตุ: กราฟนี้พลอตโดย AI โดยอ้างอิงจากข้อมูล Benchmark ที่มีอยู่จริง

กราฟนี้แสดงให้เห็นถึงความเก่ง (แกน Y), ทรัพยากรที่ใช้ (RAM/VRAM อย่างเดียว ยังไม่ได้พูดถึงมิติอื่น) และความใหญ่ของวงกลมของแต่ละ Model แทนขนาด Parameter ของ Model นั้นๆ (Parameter เป็นค่านึงที่บอกว่า Model นั้นๆ มีความซับซ้อนในการมองข้อมูลต่างๆ ขนาดนั้น ยิ่งเลขเยอะ ยิ่งมีความซับซ้อนสูง)

ผมมองว่ามีสิ่งที่น่าสนใจอยู่ 2 ประเด็น

1. กลุ่ม Frontier AI Model หรือตัวทอปๆ ทั้งหลายนั้น คะแนนความเก่งจะเริ่มไม่หนีกันเท่าไรแล้ว ยิ่งเมื่อเรามองถึงวันเวลาที่ปล่อยออกมาด้วย และกลุ่มนี้คือกลุ่มที่สร้างขึ้นมาเพื่อทดสอบขัดความสามารถของ AI จากทีมวิจัย ว่าเราจะสร้าง AI ออกมาได้เก่งขนาดไหน จะไปถึง Artificial General Intelligence (AGI) อย่างที่คิดไว้ได้รึเปล่า พวกนี้บริษัทพร้อมจะทุ่มงบมหาศาล ทีมงานระดับเทพ และทรัพยากรไม่อั้น เพื่อสร้างมันขึ้นมา คำถามคือ ถ้าจะไปต่อจากนี้ นอกจากเราอาจจะต้องมี Benchmark ใหม่ๆ มาช่วยแล้ว (ซึ่งก็เป็นงานการวิจัยเช่นกัน) พวกเขาต้องเผาเงินไปอีกเท่าไร?

2. การเปิดตัวของ Gemma 4 (4B) ที่ทาง Google ปล่อยออกมาไม่กี่วันก่อน กลับสร้างความตื่นเต้นให้กับวงการ เพราะด้วยขนาด Parameter ที่เล็กระดับ 4 Billion Parameter ที่สามารถนำ Model มาใช้งานบน GPU ระดับ consumer ได้ กลับได้ผล Benchmark ที่สูงกว่า Frontier Model ในอดีตอย่าง GPT-3.5 แบบห่างชั้นเลย สิ่งนี้ทำให้เห็นว่ายังมีพื้นที่ที่ Google มองเห็นอยู่คือการ Optimize model ให้เก่งขึ้น โดยไม่ต้องใช้ทรัพยากรมากเท่าเมื่อก่อน

คำถามที่ผุดขึ้นมาในหัวผมจากข้อมูลเหล่านี้คือ: ตอนนี้ตลาด AI กำลัง "แข่ง" อะไรกันนะ?

เพราะถ้าหากเรามี Model ที่เล็กพอให้ cost การใช้งานมันต่ำได้ โดยที่เก่งพอๆ กันตัวแพงกว่า เราก็เลือกใช้ตัวราคาถูกสิ ยิ่งขนาดเล็ก ยิ่งใช้ Token น้อย แปลว่า Limit ที่เราเจอมันก็จะใช้ยาวนานขึ้น หรือเผลอๆ เราอาจจะจ่ายน้อยลงได้ด้วยมั้ย? ประเด็นนี้ผมจะพูดถึงในหัวข้อถัดไป

ได้ข้อสรุปหรือยังว่า ทำไมราคา $20 ต่อเดือนกำลังจะหายไป

ที่ผู้อ่านเห็นมาทั้งหมดคือค่าใช้จ่ายของ AI Company ที่ยังแอบๆ จากผู้ใช้อย่างพวกเราอยู่ครับ และต้นทุนที่สูงขึ้นทุกปี ทุก Model ใหม่ที่ฝึก ถ้าเมื่อไรที่ทางบริษัทได้ผู้ใช้ที่มากพอ เริ่มมั่นคงขึ้น และผู้ใช้งานได้ประโยชน์ระดับเลิกใช้ไม่ได้ การทยอยปรับราคาให้สอดคล้องกับต้นทุนพวกนี้ก็เป็นสิ่งที่หลักเลี่ยงไม่ได้อย่างแน่นอนครับ ยิ่ง ณ ตอนนั้นแล้วคงไม่มีนักลงทุนมาหยอดเงินให้กับบริษัทเหมือนตอนนี้แล้วด้วย ผมจึงเชื่อว่าการใช้งาน Frontier Model จะไม่มีทางทำราคาให้กำไรได้กับ subscription เดือนละ $20 อย่างแน่นอน

หน้าตาของแพคเกจ AI Subscription จะเปลี่ยนไป

เราใช้ AI Model ที่เก่งเกินความจำเป็นหรือเปล่า?

จากที่เมื่อครู่ผมทิ้งไว้ว่า AI Model ขนาดเล็กก็เก่งขึ้นๆ แล้วเรายังต้องใช้งานตัวทอปอย่าง Claude Opus, GPT-5.4, Gemini 3.1 Ultra กันอยู่หรอ?

ในช่วงที่ผ่านมาที่ทุกคนต่างเชียร์ Claude โดยเฉพาะในแวดวงคนเขียนโปรแกรม ผมก็เห็นคนใกล้ตัวเยอะที่ใช้งาน Claude Code รวมถึงผมเองก็ใช้งาน Claude Extension ประกอบในการช่วยเขียน สลับกับการใช้งาน Antigravity ของ Google ที่มีโควต้าของ Gemini Pro, Claude Sonnet, Claude Opus มาให้ใช้ จนกระทั่งมีอยู่ช่วงนึงที่ทั้ง 2 เจ้าเริ่มปรับ Usage Limit (และ Antigravity มี bug ที่จู่ๆ usage ก็ไหลลดลงๆ ทั้งๆ ที่ไม่ได้ใช้) ผมเลยลองเปลี่ยนใจมาใช้งาน Gemini Flash แทน

ผมพบว่า Gemini Flash ทำงานที่ปกติผมใช้ Model ตัวที่ "เก่ง" กว่าทำได้เกือบหมดเลย แถมตอบสนองเร็วกว่ามาก เร็วระดับที่จะพิมพ์สั่งไว้แล้วจะลุกไปหยิบน้ำในตู้เย็นออฟฟิศ ยังไม่ทันออกจากโต๊ะเลย มันตอบเสร็จแล้ว เลยทำให้ผมคิดที่จะลองใช้งาน Gemini Flash ให้เป็นประจำมากขึ้น เพราะทำงานได้ไวขึ้นด้วย และผมไม่เคยเจอปัญหาใช้งานจนหมดโควต้าอีกเลย เพราะว่า Model นี้มันใช้ Token น้อยมาก (relatively)

หลายๆ คนอาจจะเริ่มเห็นคนออกมาพูดกันบ้างแล้วว่า เราอาจจะต้องหันมาพิจารณาเรื่อง "ประสิทธิภาพต่อ token" หรือการมองว่าใครใช้ AI ได้ประหยัด token กว่าโดยที่ได้งานเท่ากัน คือมาตรฐานใหม่ในการดูว่าใคร "ใช้ AI เป็น"

พร้อมกันนี้ ก็ทำให้ผมคิดว่า ที่เราใช้ AI แล้วบ่นว่า Model ตัวเล็กไม่ฉลาด มันเป็นภาพจำเก่าหรือเปล่า ถ้าสักแต่ว่าจะเอาคำถามว่า

จะเอารถไปล้างหน้าปากซอย 100 เมตร จะเดินหรือขับรถไปดี

แล้วคิดว่าเป็น Benchmark วัดความเก่ง ผมว่าเรามองกันผิดจุด เพราะนั่นไม่ได้สะท้อนความสามารถที่คุณจะเอาไปทำประโยชน์ในงานที่มันถูกออกแบบมาได้เลย

เราจะใช้งาน AI Model ตัวทอปได้ลดลง

จากองค์ประกอบหลายๆ อย่าง และข่าวการปรับลดโควต้าการใช้งานของทั้ง Antigravity ของ Google และ Claude ของ Anthropic ทำให้ผมมองว่าเราหนีไม่พ้นวลีที่ว่า "ของดีต้องจ่ายแพง" ผมมองว่าในอนาคตอันใกล้ แพคเกจ $20 เราอาจจะแทบไม่ได้โควต้าสำหรับใช้งาน Frontier Model กันแล้ว แต่จะเป็นกลุ่ม Mini/Flash แทน

• Gemini -> Gemini Flash

• Claude -> Claude Haiku

• ChatGPT -> ChatGPT 5.4 mini

ผมอยากจะชี้ให้เห็นว่าสำหรับฝั่ง AI Company แนวทางการปรับแบบมีมันสมเหตุสมผลมากๆ ทั้งในเชิงเทคโนโลยีและเรื่องการเงิน เพราะ Model พวกนี้เกือบจะเก่งเท่าตัวบนๆ ที่เราใช้กันอยู่แล้ว แถมไวกว่าด้วย (น่าสงสัยว่าทำไมคนเราไม่ค่อยพูดถึงความไวของ Model นะ หรือเพราะการ "นั่งรอ" มันมีความสุข?) และในเชิงต้นทุนของบริษัท Inference cost ก็ต่ำกว่าหลายเท่าตัว

ลองคิดดูว่าถ้าทุกวัน คนส่วนใหญ่กำลังใช้งาน Inference ที่เป็น Model ตัวบนๆ แทบจะตลอดเวลา พอเค้าปรับลด Usage Limit ลงมา เค้าจะประหยัดค่า Inference ไปขนาดไหนกัน ผมมองว่าเยอะพอที่จะชี้เป็นชี้ตายบริษัทได้เลยครับ หรืออีกกรณีศึกษานึงก็คือ Sora ของ OpenAI ที่ประกาศปิดตัวเพราะว่า "คนใช้เยอะเกินไป" อันนั้นคือผลจากการใช้กำลังปรมวลผลเยอะจนค่าใช้จ่ายอ่วมเลยครับ

ใช้เยอะ จ่ายเยอะ ตามการใช้งานจริง

นอกจากการปรับโควต้า Model ตัวบนแล้ว ผมเชื่อว่า Model ตัวที่ลดหลั่นลงมา ก็จะมี Monthly Cap โผล่ขึ้นมาเช่นกัน

ผมอยากให้มองสิ่งที่เกิดขึ้นแล้วจากปัญหาการ "ใช้เยอะไป" คือกรณีที่ Anthropic ปรับโควต้าการใช้งานผ่าน 3rd party อย่าง OpenClaw แม้ว่าจะใช้แพคเกจ Pro หรือ Max ที่แพงหูฉี่ก็ตาม สิ่งนี้น่าจะเป็นอีกสัญญาณว่า Inference cost เป็นปัจจัยสำคัญมากๆ ในการคำนวณต้นทุนของ AI Company เหล่านี้ และวิธีแก้ปัญหาเหล่านี้แบบคลาสสิคที่ทุกคนรู้กันก็คือ จะใช้เยอะ ก็จ่ายเยอะสิ

ถ้าให้ผมย้อนคำกล่าวที่ว่า AI is the new utility ก็นี่แหละครับ ช่วงเวลานี้จะมาถึงแล้ว เหมือนเราใช้น้ำ ใช้ไฟบ้าน หรือแพคเกจเน็ตมือถือที่ใช้ data เยอะๆ ก็ต้องจ่ายแพง จ่ายซื้อ data เพิ่ม และสิ่งนี้ไม่ใช่กำลังจะมา แต่มาแล้วจากทาง Google ครับ

ถ้าใครใช้ Antigravity ในช่วงนี้แล้วเปิดหน้า setting ขึ้นมาดู จะเห็นว่ามีตัวเลือกให้เราใช้งาน AI Credit ได้เมื่อเราใช้งานโควต้าจนหมดแล้ว แล้วระบบจะหักค่าใช้งานเราจาก Credit ที่เรามีออกไป Google ชัดเจนมากกับแนวคิดนี้ เพราะก่อนจะมาที่ Antigravity พวก GenAI Tool อย่าง Veo ก็ใช้ AI Credit ในการจำกัดการสร้างวิดีโอเช่นกัน

และผมค่อนข้างมั่นใจว่า อีกสักพักเจ้าอื่นก็จะทำตามครับ

ความต้องการ Resource มหาศาลยังไม่หยุดลงง่ายๆ

อีกปัจจัยที่จะกระตุ้นให้ทาง AI Company ต้องปรับราคาก้คือต้นทุนฝั่ง Hardware ในสัมภาษณ์นึง Dareo Amodei ผู้เป็น CEO ของ Anthropic ยกตัวอย่างการใช้ compute power คร่าวๆ ไว้ว่า ถ้ามีอยู่ 100% เค้าต้องแบ่งส่วนนึงไปเทรน AI Model ใหม่ๆ และอีกส่วนนึงไว้ให้บริการ Inference

ข้อมูล ณ เวลานี้ค่อนข้างชัดเจนว่าการเทรน AI Model ใช้ compute power สูงขึ้นเรื่อยๆ อย่างไม่หยุดหย่อน และขณะเดียวกันยอดผู้ใช้บริการก็เติบโตตามมาเช่นกัน สิ่งที่บริษัทเหล่านี้ต้องการคือ compute power รวมที่เพิ่มขึ้นเพื่อให้สอดคล้องกับการใช้งานจริง

ลองคิดดูว่าถ้าคน adopt การใช้งาน AI แบบ Multiagent กันมากขึ้นกว่านี้ กำลังประมวลผลที่ต้องใช้จะเพิ่มขึ้นขนาดไหนกัน?

สิ่งนี้จะเป็นอีกหนึ่งในปัจจัยว่า ทำไมการใช้ Model ตัวทอปๆ อาจจะแพงขึ้นไปอีก หรือการเข้าถึงอาจจะ "แย่งกันใช้" จนกว่า compute power จะถึงจุดที่บาลานซ์

แบบนี้ Product ที่ใช้ AI เป็น backbone จะคุมราคาต้นทุนกันยังไง?

การใช้งาน AI ไม่ได้มีแค่การพิมพ์แชท หรือการเอามาช่วยเขียนโค้ด หนึ่งในการใช้งานยอดฮิตที่ทุกคนต่างก็พูดว่าน่าจะเอา AI ไปใช้ได้ก็คือ Customer Support นั่นเอง แต่การจับ AI ไปเสียบเข้ากับช่องแชทของลูกค้า ก็ไม่ใช่เรื่อง มันต้องมีระบบของบริการนั้นๆ มาครอบ ไม่ว่าจะเป็นข้อมูลบริการและสินค้า นโยบายบริษัท และต่างๆ อีกมากมาย การเชื่อมโยง Knowledge Base แบบนี้ แม้ว่าจะเป็นท่ามาตรฐานที่ใครๆ ก็ทำกัน แต่ไม่ได้มีอะไรการันตีว่า AI จะหยิบข้อมูลมาประกอบและตอบลูกค้าได้ถูกต้องแม่นยำ 100% และทุกครั้งที่ตอบผิด ค่าใช้จ่ายของ AI ก็ถูกคิดไปแล้ว

มีผู้ให้บริการ solution อย่าง Intercom.com เสนอการคิดราคาการใช้งานแบบ Success-based pricing หรือจะคิดเงินคนใช้งาน ต่อเมื่อ AI สามารถจบงานได้สำเร็จ โดยเบื้องหลังคือการคำนวณเลขและความน่าจะเป็น ดู success rate ต่างๆ นานามาสร้างโมเดลราคา และออกแบบการทำงานของระบบให้ตัดสินใจได้ว่าเมื่อไรคือสามารถ "ปิดเคส" กับลูกค้าได้จริง (เช่น ลูกค้าคลิกปุ่มว่าได้คำตอบแล้ว, ไม่มีการติดต่อมาใหม่ภายในกี่วัน) แล้วจึงคิดเงินค่าบริการ โดยออกแบบให้ราคา ต่อ 1 success ถัวเฉลี่ยกับโอกาส fail แล้วยังกำไรนั่นเอง หรืออย่าง Saleforce เองก็มี solution คล้ายๆ กันที่คิดเงินเป็นต่อบทสนทนา (per conversation)

การเปลี่ยนแปลงของราคาจากฝั่ง AI Company ที่เป็น backbone ก็คงส่งผลกระทบมาถึงบ้าง แต่ด้วยโมเดลราคาที่คิดเผื่อ absorb โอกาสที่ทำงานไม่สำเร็จแล้ว การปรับสูตรคำนวณก็คงไม่ได้เป็นเรื่องใหญ่ขนาดนั้น ... แต่การปรับราคาจริงๆ อาจจะเป็นเรื่องที่ต้องคิดหลายตลบหน่อยก่อนจะเปลี่ยนตาม

ความเห็นส่วนตัวเกี่ยวกับโมเดลราคาที่น่าจะเปลี่ยนไป

• งานเทคนิค ใช้งานทางตรง -> Base price / Seat price + Pay per usage

• งานอื่นๆ -> ผู้ให้บริการจะครอบความซับซ้อน แล้วคิด pricing model ออกมาให้ ไม่ต่างกับ service ปกติทั่วไป

เราต้องปรับตัวยังไง?

Disclaimer ไว้ก่อนเลยว่าต่อจากนี้น่าจะเป็น Opinion ล้วนๆ ไม่ได้มีแหล่งอ้างอิงอะไร แต่สิ่งที่ผมมองจากความเปลี่ยนแปลง และสิ่งที่กำลังจะเป็นไปต่อจากนี้ เรามีเรื่องที่ต้องเตรียมตัวคือ

ใช้ Model ขนาดเล็กให้ชินซะ

อาจจะดูห้วน และเหมือนอวดเก่งว่าผมใช้ Model เล็กเก่งเว้ย -- ไม่ใช่ครับ

ที่ผมเล่ามาทั้งหมดก็เพื่อจะขมวดปมว่า ราคา ณ ปัจจุบันที่เราจ่ายเนี่ยมันถูกกว่าความเป็นจริงไปมาก พอถึงเวลาที่เราใช้กันจนขาดไม่ได้แล้ว บริษัทพากันขึ้นราคาเพื่อทำกำไร เราจะอ่วมเพราะค่าใช้จ่าย Subscription พวกนี้ โดยคนที่จะได้รับผลกระทบหนักสุดก็คือระดับบุคล หรือธุรกิจขนาดเล็ก-กลาง พวก SME ทั้งหลายนี่แหละครับ ลองคิดว่าคุณค่าพวกนี้อยู่ per seat แล้วราคาขยับขึ้น 1.5 เท่า, 2 เท่า ขึ้นมา พร้อมกับโดนจำกัดปริมาณการใช้ Model ตัว "เก่ง" ที่คุณใช้ประจำ ผมว่ามันไม่สนุกแน่ๆ

ผมอยากเสริมอีกประเด็นด้วยว่า ผมคิดว่าทักษะการจับประเด็น ย่อยบริบทให้ตรงจุด จะเป็นทักษะทีสำคัญในการใช้ Model ขนาดเล็กได้มีประสิทธิภาพมากขึ้น ส่วนงานที่ยังต้องใช้ความซับซ้อนสูง ก็อาจจะต้องทดลองเปรียบเทียบกันดูครับ ว่าจะคุ้มจริงมั้ยกับความแตกต่าง ถ้าราคาถูกขยับขึ้นไปแล้ว

Enterprise Company อาจจะยังกล้าจ่ายราคาแพง

ถึงจุดที่ราคาขึ้นไปแล้ว ผมว่าบริษัทขนาดใหญ่ทั้งหลาย น่าจะยอมจ่ายให้กับ AI ต่อ สิ่งนี้อาจจะเป็นองค์ประกอบจากหลากหลายมิติที่ซับซ้อนกว่าระดับ SME เพราะบริษัทเหล่านี้จะต้องพิจารณาเรื่องต่างๆ ไม่ว่าจะเป็น

• Competency เพือให้แข่งกับคู่แข่งได้

• การลงทุนที่ต้องการ Return of Investment / Sunken cost

• Productivity / Output ที่เพิ่มได้จริงๆ -- เช่น ถ้า Multiagent ช่วยงานได้จริงๆ และยังคุ้มราคาที่จ่ายอยู่

• ภาพลักษณ์ หน้าตา ของบริษัทว่าทันสมัย

ส่วนนี้เป็นส่วนที่ค่อนข้างไปทางคาดเดามากกว่ามีข้อมูลสนับสนุนครับ แต่การขยับตัวขององค์กรระดับใหญ่ น่าจะมี resistant ในการเปลี่ยนแปลงพอสมควร ถ้าจะเกิดการยกเลิก/ลดการใช้ลง ก็คงต้องใช้เวลาเหมือนกันครับ

Benchmark จะต้องถูกปรับ

การทดสอบ AI Model ใหม่ๆ เป้นอีกศาสตร์หนึ่งที่นับว่าใหม่มาก และผมเชื่อว่ายังต้องผ่านการปรับปรุงกันอีกมาก และถ้าบวกกับประสบการณ์จากผู้ใช้งานเองก็แสดงความคิดเห็นแตกต่างกันไปว่าบางที AI Model ออกมาใหม่ดูโง่ลงกว่าเดิม ทำนู่นทำนี่ไม่เก่งเหมือนเดิม ขณะที่ Benchmark คะแนนสูงปรี๊ดทำสถิติโลก ผมเลยมองว่า มองไว้อ้างอิงได้ แต่อย่ามองแค่ตัวเลข ให้มองมันเป็นความสัมพัทธ์กันระหว่างแต่ละ Model แล้วทดสอบใช้งานดูครับ ว่าผลลัพธ์จริงๆ "ใช่" สำหรับเราหรือเปล่า

เราหนี AI ไม่พ้นแน่ๆ

ใช่ครับ ผมก็เป็นอีกคนที่มองว่าเราหนีไม่พ้นการใช้งาน AI แน่ๆ ไม่ทางใดก็ทางหนึ่ง หรือบริษัทก็สั่งให้เราใช้ และสุดท้ายมันจะกลายเป็นส่วนนึงในชีวิตประจำวันของเรา ไม่ว่าจะอยากหรือไม่ก็ตาม และนั่นทำให้มันกลายเป็น "ค่าใช้จ่าย" ประจำของเราไปด้วย

ที่คนกล่าวว่า AI is the new utility นี่ผมว่าไม่เกินจริงเลย แต่เป็นในมุมว่า หนีไม่พ้น ใช้ชีวิตอยู่ก็ต้องใช้มัน เหมือนค่าน้ำ ค่าไฟ และเราก็คงต้อง "ประหยัด" การใช้งานมันเหมือนค่าน้ำ ค่าไฟ เช่นเดียวกันครับ

แถมถ้าต้นทุนการผลิตอย่างไฟฟ้าได้รับผลกระทบ ราคาน้ำมันได้รับผลกระทบ ราคา AI ก็คงปรับเปลี่ยนได้ ไม่ต่างกับ utility ที่เราคุ้นเคยนี่แหละครับ