เงินที่จ่ายไปบอกได้ว่าใช้ไปเท่าไหร่ แต่ไม่เคยบอกว่าควรใช้ไปหรือเปล่า
หลายองค์กรตอนนี้มี AI agent วิ่งอยู่เบื้องหลังเป็นสิบเป็นยี่สิบตัว ตั้งแต่ผู้ช่วยเขียนโค้ด แชตบอทบริการลูกค้า ไปจนถึงเครื่องมือที่แผนกต่าง ๆ ตั้งขึ้นเองโดยไม่บอกฝ่ายไอทีกลาง ตัวเลขค่าใช้จ่ายพุ่งขึ้นทุกเดือน วิศวกรบางคนถึงขั้นโพสต์ยอดเงินที่จ่ายไปค่าโทเคนหลักแสนดอลลาร์ลง LinkedIn เหมือนเป็นเหรียญกล้าหาญ แต่คำถามที่ผู้บริหารตอบไม่ได้กลับง่ายกว่านั้นมาก คือ "แล้วบริษัทได้อะไรกลับมาจากตัวเลขนี้บ้าง" บทความนี้สรุปจากบทสัมภาษณ์ของ McKinsey ที่เผยแพร่เดือนกรกฎาคม 2026 ระหว่าง Lari Hämäläinen หัวหน้าทีมอาวุโสของ McKinsey กับ David Tepper ซีอีโอและผู้ร่วมก่อตั้ง Pay-i บริษัทซอฟต์แวร์สัญชาติซีแอตเทิลที่ทำเรื่องวัดผลเศรษฐศาสตร์ของระบบ gen AI ในองค์กรโดยเฉพาะ และมองปัญหานี้ผ่านมุมที่น่าสนใจไม่น้อย
เงินที่จ่ายไปบอกว่าใช้ไปเท่าไหร่ ไม่ได้บอกว่าควรใช้ไปหรือเปล่า
Tepper ใช้เวลา 19 ปีที่ Microsoft ดูแลการใช้งาน gen AI ภายในของ Azure ช่วงที่ ChatGPT เพิ่งเปิดตัว เขาเล่าว่าครั้งหนึ่งแค่ปรับจูนการใช้งานเล็กน้อย ก็ประหยัดเงินได้ 300,000 ดอลลาร์ต่อสัปดาห์แบบต่อเนื่อง นั่นคือจุดที่เขาตระหนักว่าเศรษฐศาสตร์ของ gen AI ต่างจากระบบคลาวด์แบบเดิมโดยสิ้นเชิง คลาวด์มีต้นทุนตั้งต้นสูงแล้วต้นทุนส่วนเพิ่มต่อผู้ใช้ค่อย ๆ ขยับ แต่ gen AI เป็นเศรษฐกิจแบบ "ใช้เท่าไหร่จ่ายเท่านั้น" ตั้งแต่การเรียกใช้ครั้งแรก
จากประสบการณ์สร้าง Pay-i เขาพบสิ่งที่สองที่สำคัญกว่านั้น คือแม้ราคาต่อโทเคนจะลดลงเรื่อย ๆ แต่สิ่งที่องค์กรสั่งให้ AI ทำกลับเพิ่มขึ้นเร็วกว่าหลายเท่าตัว เขาสรุปไว้เป็นประโยคที่คมมาก — "โทเคนไม่ใช่คุณค่า โทเคนคือเงินที่จ่ายไป เงินที่จ่ายไปบอกได้ว่าคุณจ่ายไปเท่าไหร่ แต่ไม่เคยบอกว่าคุณควรจ่ายไปหรือเปล่า"
"เอเจนต์ 47 ตัวของฉัน ตัวไหนคุ้มค่าจริง"
Tepper เล่าว่าเมื่อ 18 เดือนก่อน คนที่โทรหาเขาคือวิศวกรที่อยากวัดต้นทุน แต่วันนี้คนที่โทรมาคือ CFO หรือ CIO ที่ไม่ได้ถามว่าจะลดค่าใช้จ่ายอย่างไร แต่ถามว่าจะอธิบายให้บอร์ดฟังอย่างไรว่าที่จ่ายไปนั้นคุ้มค่า ปัญหาคือองค์กรส่วนใหญ่ไม่เคยสร้างโครงสร้างการวัดผลที่จะเล่าเรื่องนี้ได้จริง มีทั้ง Copilot มีแชตบอทลูกค้า มีผู้ช่วยเขียนโค้ดหลายตัว และมักมีอีกหกเจ็ดอย่างที่หน่วยธุรกิจตั้งขึ้นเองโดยไม่แจ้งไอทีกลาง เขาเรียกปรากฏการณ์นี้ว่า "agent sprawl" หรือการขยายตัวของเอเจนต์แบบไร้การควบคุม
ในกรอบของศาสตร์แห่งเมตรัย ช่องว่างนี้อธิบายได้ด้วย ทฤษฎีการบิดเบือน (Distortion Theory) ซึ่งนิยามความบิดเบือนว่าคือค่าความต่างระหว่างความจริงกับสิ่งที่ถูกรับรู้ ในบริบทนี้ "สิ่งที่ถูกรับรู้" คือตัวเลขเงินที่จ่ายไปและปริมาณการใช้งานที่มองเห็นได้ชัดเจนในหน้าแดชบอร์ด ส่วน "ความจริง" คือคุณค่าทางธุรกิจที่เกิดขึ้นจริงจากงานนั้น ซึ่งมักไม่มีใครวัดเลย องค์กรจำนวนมากจึงเผชิญความบิดเบือนขนาดใหญ่โดยไม่รู้ตัว เพราะสิ่งที่มองเห็นได้ง่ายที่สุด คือตัวเลขค่าใช้จ่าย กลับไม่ใช่สิ่งเดียวกับสิ่งที่สำคัญที่สุด คือคุณค่าที่ได้กลับมา
ระบบที่ราบรื่นจากภายนอก แต่ไม่มีใครรู้ว่าข้างในเกิดอะไรขึ้น
Tepper ชี้ว่าเทคนิคการประเมินผลแบบเดิม เช่น การให้โมเดลอีกตัวมาตัดสินคำตอบ (LLM-as-judge) ใช้ได้ดีกับ pipeline ที่มีขั้นตอนตายตัว แต่พังทันทีเมื่อเจอเอเจนต์ที่ตัดสินใจเองว่าจะเรียกเครื่องมือไหน กี่ครั้ง และในลำดับใด เพราะเอเจนต์แบบนี้สร้างพรอมต์ของตัวเองไปเรื่อย ๆ ระหว่างทำงาน ทำให้ไม่มีชุดคำตอบมาตรฐานให้เทียบ เขาอธิบายไว้อย่างตรงไปตรงมาว่า "เวลาเอเจนต์ล้มเหลว มันแทบไม่เคยล้มเหลวที่ขั้นตอนสุดท้าย มันมักพลาดไปตั้งแต่สามขั้นตอนก่อนหน้า และขั้นตอนสุดท้ายอาจแค่กลบเกลื่อนความผิดพลาดนั้นไว้ ถ้าคุณตัดสินแค่ผลลัพธ์สุดท้าย คุณกำลังตัดสินการกลบเกลื่อน ไม่ใช่ตัดสินความผิดพลาดจริง"
ถ้าจะเปรียบเทียบเชิงโครงสร้าง (ซึ่งเป็นการเปรียบเทียบเท่านั้น ไม่ใช่การอ้างว่ากลไกเดียวกันเป๊ะ) ระบบเอเจนต์ที่ทำงานราบรื่นภายนอก ส่งมอบผลลัพธ์ตรงเวลา แต่ไม่มีใครรู้ว่าเส้นทางข้างในไปทางไหนมาทางไหน มีลักษณะคล้ายกับสิ่งที่ศาสตร์แห่งเมตรัยเรียกว่า Dissonant Continuity State หรือภาวะลื่นไหลปลอมในระดับบุคคล คือความราบรื่นที่มองเห็นจากภายนอก ไม่ได้รับประกันว่าสิ่งที่เกิดขึ้นข้างในสอดคล้องกับเป้าหมายที่แท้จริง
เลขคณิตง่าย ๆ ที่ตัดสินว่าควรปล่อยเอเจนต์ทำงานหรือไม่
จุดที่น่าสนใจที่สุดของบทสัมภาษณ์คือสูตรที่ Tepper ใช้ตัดสินว่าควรปล่อยให้เอเจนต์ทำงานหรือไม่ นั่นคือ เอเจนต์จะสร้างคุณค่าเมื่อ ความน่าจะเป็นที่จะสำเร็จ มากกว่า เวลาที่ใช้ตรวจสอบงาน หารด้วย เวลาที่คนทำงานนั้นเองทั้งหมด ยกตัวอย่างที่เขาเล่า งานที่คนทำเองใช้เวลาสองชั่วโมง แต่ตรวจสอบว่าเอเจนต์ทำถูกไหมใช้เวลาแค่หกนาที อัตราส่วนนี้ตกอยู่ราวร้อยละ 5 เท่านั้น หมายความว่าเอเจนต์แค่ต้องสำเร็จ 5 ครั้งจาก 100 ครั้งก็คุ้มค่าแล้ว
แต่สมการนี้ใช้ได้ก็ต่อเมื่อความล้มเหลวไม่ทิ้งผลกระทบไว้ในระบบ เช่น เอเจนต์ทำเอกสารผิดก็แค่ทิ้งแล้วทำใหม่ ไม่มีความเสียหายต่อเนื่อง แต่ถ้าเป็นเอเจนต์บริการลูกค้าที่บอกลูกค้าว่าคืนเงินได้ทั้งที่ทริปนั้นคืนเงินไม่ได้ ความผิดพลาดนั้นเปลี่ยนสภาพแวดล้อมไปแล้ว ต้องมีต้นทุนแก้ไขเพิ่มเข้ามาอีกชั้น สิ่งที่ Tepper เรียกว่า "agency tax" หรือภาษีของความเป็นอิสระ คือต้นทุนตรวจสอบบวกต้นทุนแก้ไขงาน ซึ่งในทางปฏิบัติแทบไม่เคยเป็นศูนย์
ถ้าเปรียบเทียบเชิงโครงสร้างอีกครั้ง (ในฐานะการเปรียบเทียบ ไม่ใช่การอธิบายกลไกเดียวกัน) ความสามารถในการตรวจสอบและแก้ไขงานของมนุษย์ในองค์กร ทำหน้าที่คล้าย Buffer Capacity ในกรอบเมตรัย คือทุนสำรองที่รองรับความเสี่ยงจากอิสระที่มอบให้เอเจนต์ ยิ่งงานที่เอเจนต์ทำมีผลกระทบเปลี่ยนสภาพแวดล้อมมากเท่าไหร่ ทุนสำรองที่ต้องมีไว้รองรับก็ยิ่งต้องสูงตามไปด้วย
ทำไมราคาต่อโทเคนที่ถูกลง ไม่ได้แปลว่าถูกลงจริง
Pay-i ติดตามพบว่าต้นทุนต่อโทเคนสำหรับโมเดลขนาดเท่าเดิมลดลงราวร้อยละ 6.67 ต่อเดือนมาตั้งแต่ปี 2022 หรือคิดเป็นลดลงราวร้อยละ 86 หากตรึงความสามารถของโมเดลไว้คงที่ นี่คือเรื่องเล่าที่ทำให้ CFO สบายใจ แต่ปัญหาคือไม่มีใครตรึงความสามารถไว้คงที่จริง ๆ เพราะเอเจนต์เป็นตัวคูณ งานหนึ่งงานอาจเรียกใช้โมเดลเฉลี่ยราวสามถึงสี่ตัวต่างผู้ให้บริการภายในการทำงานครั้งเดียว และงานเชิงเอเจนต์ใช้โทเคนมากกว่าการแชตทั่วไปได้ถึงราวหนึ่งพันเท่า หน้าต่างบริบท (context window) ก็ขยายขึ้นราว 250 เท่าตั้งแต่ยุค GPT-3 ต้นทุนต่องานที่เสร็จสมบูรณ์จึงเพิ่มขึ้นต่อเนื่องในแทบทุกกรณีที่ Pay-i สังเกตเห็น
นี่คือความบิดเบือนแบบเดียวกับที่กล่าวไปแล้ว เพียงแต่กลับด้าน — ตัวเลขราคาต่อหน่วยที่ลดลงคือ "สิ่งที่ถูกรับรู้" ซึ่งดูน่าพอใจ แต่ต้นทุนรวมต่องานจริงที่เพิ่มขึ้นคือ "ความจริง" ที่ซ่อนอยู่เบื้องหลังตัวเลขที่สวยงามนั้น
เจ็ดข้อที่ Tepper แนะนำให้ทำในไตรมาสหน้า
Tepper สรุปสิ่งที่ควรทำไว้เจ็ดข้อโดยคร่าว เริ่มจากการสำรวจว่าองค์กรมีเอเจนต์อะไรบ้าง ใครเป็นเจ้าของ และแต่ละตัวควรขยับตัวชี้วัดอะไร ตามด้วยการกำหนดตัวชี้วัดผลลัพธ์ทางธุรกิจให้ชัดเจนก่อนเริ่มใช้งานจริง ไม่ใช่ย้อนกลับมาหาทีหลัง จากนั้นต้องวัดผลให้ครอบคลุมมากกว่าแค่ตัวเลขเงินที่จ่ายไป ต้องรู้ด้วยว่าใครเป็นเจ้าของโครงสร้างการวัดผลนี้อย่างชัดเจน มองความจุการประมวลผลเป็นพอร์ตโฟลิโอรวมแทนที่จะแยกกองให้แต่ละงานเก็บไว้คนเดียว ทบทวนการเลือกใช้โมเดลทุกไตรมาสเพราะโมเดลชั้นนำเปลี่ยนเร็วมาก และสุดท้ายคือต้องตั้งทีมทำงานร่วมกันระหว่างฝ่ายการเงิน วิศวกรรม และเจ้าของธุรกิจ สำหรับเอเจนต์ทุกตัวที่มีนัยสำคัญ เพราะถ้าขาดข้อนี้ แต่ละฝ่ายจะปกป้องมุมของตัวเองโดยไม่มีใครเห็นภาพรวม
สรุป
คำถามที่แท้จริงไม่เคยเป็น "AI คุ้มไหม" ในภาพกว้าง แต่เป็น "เอเจนต์ตัวไหนที่คุ้มค่าจริง และเรารู้ได้อย่างไร" อย่างที่ Tepper ทิ้งท้ายไว้ว่า ROI ไม่ใช่ตัวชี้วัด (KPI) แต่เป็นสิ่งที่คำนวณได้จากตัวชี้วัดกับต้นทุนรวมกัน องค์กรที่วัดแค่เงินที่จ่ายไปจะเห็นแต่ตัวเลขที่ราบรื่นและน่ากังวลไปพร้อมกัน ราบรื่นเพราะมันไหลลื่นเป็นกราฟที่อ่านง่าย น่ากังวลเพราะไม่มีใครรู้ว่าความราบรื่นนั้นแปลว่าองค์กรกำลังเจริญงอกงามจริง หรือแค่กำลังใช้โทเคนไปเรื่อย ๆ อย่างมีระเบียบเท่านั้นเอง
บทความนี้สรุปเนื้อหาจากบทสัมภาษณ์ David Tepper ซีอีโอ Pay-i โดย Lari Hämäläinen แห่ง McKinsey ("Cost versus value: Managing agentic AI system performance," กรกฎาคม 2026) และตีความผ่านแนวคิดเรื่อง Distortion Theory, Dissonant Continuity State และ Buffer Capacity ภายใต้กรอบศาสตร์แห่งเมตรัย (Metraiology) โดย ศักดา เลิศพิพัฒน์วาณิชย์