โดย Maksym Misichenko · CNBC ·
สิ่งที่ตัวแทน AI คิดเกี่ยวกับข่าวนี้
คณะกรรมการเห็นพ้องกันว่า งบประมาณ AI องค์กรกำลังหมดไปอย่างรวดเร็วเนื่องจากต้นทุนที่สูงของโมเดลชั้นนำ ซึ่งอาจนำไปสู่การประเมินมูลค่า AI ใหม่ และการบีบอัดอัตรากำไรที่อาจเกิดขึ้นสำหรับบริษัทเทคโนโลยี อย่างไรก็ตาม พวกเขาไม่เห็นด้วยว่านี่เป็นภัยคุกคามต่อการดำรงอยู่ หรือเป็นอุปสรรคชั่วคราว
ความเสี่ยง: การบีบอัดหลายเท่าที่เร็วขึ้นสำหรับบริษัทเทคโนโลยีเนื่องจากความต้องการคอมพิวต์ที่จำกัดและการหมดงบประมาณ (Grok, Gemini)
โอกาส: การจัดการที่ดีขึ้นและการแข่งขันที่ขับเคลื่อนต้นทุนให้ลดลงและปลดล็อกโมเดลธุรกิจใหม่ (ChatGPT)
การวิเคราะห์นี้สร้างขึ้นโดย StockScreener pipeline — LLM สี่ตัวชั้นนำ (Claude, GPT, Gemini, Grok) ได้รับ prompt เดียวกันและมีการป้องกันต่อภาพหลอนในตัว อ่านวิธีการ →
ปัญญาประดิษฐ์กำลังกลายเป็นสิ่งที่แพงกว่าที่ใครๆ คาดหวังไว้มาก และ CFO ของบริษัทชั้นนำในสหรัฐอเมริกาต้องเผชิญกับการแลกเปลี่ยนที่โหดร้ายใหม่: โทเค็นหรือมนุษย์
นั่นคือภาพที่ CEO ของบริษัท AI ระดับองค์กรสองรายซึ่งอยู่ในศูนย์กลางของการพัฒนาได้อธิบายให้ CNBC ฟังในสัปดาห์นี้ บัญชีของพวกเขาเกี่ยวกับสิ่งที่เกิดขึ้นภายใน Fortune 500 แสดงให้เห็นถึงภัยคุกคามที่ต้นทุนที่เพิ่มขึ้นก่อให้เกิดต่อการค้า AI ซึ่งเป็นความเสี่ยงที่ตลาดยังไม่ได้ตระหนักถึงในขณะที่ทำสถิติสูงสุดและสร้างบริษัทพันล้านดอลลาร์ใหม่ๆ เช่น Micron
หัวข้ออันดับหนึ่งสำหรับทุกองค์กรในขณะนี้คืองบประมาณ AI ที่สูงเกินจริง อาร์วินด์ เจน ผู้บริหารสูงสุดของบริษัท AI ระดับองค์กร Glean กล่าวกับ CNBC
"บริษัทต่างๆ บอกเราว่างบประมาณ AI ของพวกเขาจะหมดลงในหนึ่งหรือสองเดือน และนี่คืองบประมาณรายปี" เขากล่าว
เป็นเพราะต้นทุนของ AI ไม่ได้ลดลงตามที่ผู้ซื้อคาดหวัง แต่กลับสูงขึ้น การเปิดตัวโมเดลใหม่แต่ละรุ่นจากห้องปฏิบัติการแนวหน้ามีราคาแพงกว่ารุ่นก่อนหน้าประมาณสองเท่าต่อโทเค็น ซึ่งทำให้ AI ระดับองค์กรอยู่ในสิ่งที่เจนเรียกว่า "เส้นทางที่ไม่ยั่งยืนในขณะนี้"
"นี่เป็นครั้งแรกที่ฉันจำได้ว่าเทคโนโลยีมีค่าเท่ากับคน และคุณกำลังเปรียบเทียบสิ่งนั้น: เลือกเทคโนโลยีหรือคน เราไม่เคยมีการสนทนานี้ในอดีต เพราะเทคโนโลยีเป็นเพียงเศษเสี้ยวของต้นทุนโดยรวมของธุรกิจใดๆ" เขากล่าว
งบประมาณ AI ที่เพิ่มขึ้นนี้ เขากล่าวว่า มักจะมาแทนที่การเติบโตของจำนวนพนักงานในอนาคต
มาทัน กรินเบิร์ก ผู้บริหารสูงสุดของ Factory AI ซึ่งจัดเส้นทางงานวิศวกรรมผ่านโมเดล AI แนวหน้าทุกรุ่น อธิบายถึงการเปลี่ยนแปลงนี้ว่าเป็นปัญหาการจัดสรรทรัพยากรที่กำหนดซึ่งกำลังเกิดขึ้นในทีมผู้นำ
"บริษัทกล่าวว่า หากเราสามารถปรับปรุงสิ่งใดสิ่งหนึ่งได้ นี่คือจำนวนพนักงานที่เรามี หรือเป็นการใช้จ่าย AI ต่อพนักงาน?" กรินเบิร์กกล่าว
กรินเบิร์กกล่าวว่าบริษัทต่างๆ ได้ผ่านขั้นตอนที่แตกต่างกันสามขั้นตอนในช่วงประมาณหนึ่งปี ขั้นแรกเกี่ยวข้องกับบอร์ดที่เรียกร้องให้ CEO ของตนทำอะไรบางอย่างเกี่ยวกับ AI จากนั้นจึงมาถึงสิ่งที่เรียกว่า tokenmaxxing หรือการใช้ AI ด้วยทุกวิถีทางโดยไม่คำนึงถึงต้นทุน ในขั้นตอนที่สาม ทีมผู้นำกำลังประเมินความต้องการของตนเมื่อพูดถึงโมเดลระดับพรีเมียม
"เราจำเป็นต้องใช้ปัญญาประดิษฐ์ระดับ Opus สำหรับทุกงานหรือไม่?" กรินเบิร์กกล่าว "คุณไม่จำเป็นต้องทำ"
## จ่ายมากกว่าที่ได้รับคืน
ที่มาของแรงกดดันคือเทคโนโลยีใช้งานได้จริง แต่ยังไม่จ่ายคืนเลย
"AI ทำงานอย่างไรในปัจจุบัน มีประสิทธิภาพมาก แต่ไม่มีประสิทธิภาพ" เจนกล่าว "มูลค่าที่ AI สร้างในขณะนี้ยังตามหลังต้นทุนที่ธุรกิจกำลังเผชิญอยู่"
ปัญหาสำคัญส่วนหนึ่งคือความไม่มีประสิทธิภาพในการเลือกโมเดล การใช้งาน AI ระดับองค์กรประมาณ 95% ยังคงทำงานบนโมเดลแนวหน้าที่มีราคาแพงที่สุด แม้กระทั่งสำหรับงานที่สามารถจัดการได้ด้วยทางเลือกที่ถูกกว่า เจนกล่าว
มีวิธีแก้ไขง่ายๆ: จัดเส้นทางงานที่ง่ายให้กับระดับราคาที่ถูกกว่า เจนกล่าวว่านั่นคือผลผลิตที่ต่ำที่สุด
"คุณสามารถประหยัดได้ 10 เท่าด้วยการจัดเส้นทางโมเดลที่เหมาะสมตั้งแต่ต้น" เขากล่าว
นั่นเป็นสิ่งที่อยู่เบื้องหลัง Factory AI ซึ่งจะส่งแต่ละงานไปยังโมเดลที่เหมาะสมที่สุด กลเม็ด กรินเบิร์กกล่าวคือการตระหนักว่างานส่วนใหญ่ไม่จำเป็นต้องใช้ระดับสูงสุดเสมอไป เขาเปรียบเทียบช่องว่างระหว่างโมเดลแนวหน้าล่าสุดกับนักวิชาการผู้มีประสบการณ์สองคน
"Opus 4.7 เทียบกับ Opus 4.8 เหมือนกับความแตกต่างระหว่างศาสตราจารย์ที่สอนมา 13 ปี กับ 15 ปี สำหรับคนทั่วไป มันยากมากที่จะบอกความแตกต่าง" กรินเบิร์กกล่าว
การค้า AI ทั้งหมดตั้งอยู่บนการเดิมพันว่าความต้องการในอดีตจะยังคงอยู่ โดยผู้ซื้อส่วนใหญ่จะไม่สนใจต้นทุน แต่มุมมองจากภายใน Fortune 500 บ่งชี้ว่าความต้องการอาจมีความอ่อนไหวต่อราคามากกว่าที่การค้าสมมติไว้
อ่านเพิ่มเติมเกี่ยวกับสิ่งที่การคำนวณราคา AI หมายถึงสำหรับมูลค่าของ OpenAI และ Anthropic ซึ่งได้สร้างรูปแบบธุรกิจของตนบนราคาสูงสุด
โมเดล AI ชั้นนำ 4 ตัวอภิปรายบทความนี้
"งบประมาณที่หมดไปและการตัดสินใจระหว่างโทเค็นกับมนุษย์อย่างชัดเจน บ่งชี้ว่าอุปสงค์ AI มีความยืดหยุ่นต่อราคามากกว่าที่การกำหนดราคาตลาดในปัจจุบันคาดการณ์ไว้"
บทความนี้เผยให้เห็นจุดขัดแย้งที่แท้จริง: งบประมาณ AI องค์กรกำลังหมดไปใน 1-2 เดือน เนื่องจากโมเดลชั้นนำแต่ละรุ่นมีต้นทุนโทเค็นเพิ่มขึ้นเป็นสองเท่า ผลักดันให้ CFO ต้องเลือกระหว่างจำนวนพนักงานกับการใช้จ่าย ความอ่อนไหวต่อราคานี้เป็นสิ่งใหม่และตลาดประเมินต่ำเกินไปโดยคาดการณ์การเติบโตของอุปสงค์อย่างต่อเนื่อง อย่างไรก็ตาม บทความนี้มองข้ามความเร็วที่การจัดการโมเดลสามารถให้การประหยัด 10 เท่าที่กล่าวถึงได้ ซึ่งอาจปรับงบประมาณใหม่โดยไม่ต้องลดการใช้งาน หากชั้นการปรับให้เหมาะสมขยายตัวเร็วกว่าการขึ้นราคาโมเดล เส้นทางการสร้างรายได้สำหรับผู้ให้บริการระดับพรีเมียมอาจราบเรียบเร็วกว่าที่การประเมินมูลค่าล้านล้านดอลลาร์ในปัจจุบันรวมอยู่ด้วย
แม้แต่การจัดการที่ก้าวร้าวก็อาจล้มเหลวในการชดเชยการเพิ่มขึ้นของต้นทุน 2 เท่าซ้ำๆ ต่อรุ่นโมเดล ทำให้การใช้จ่ายสุทธิยังคงเพิ่มขึ้น และบังคับให้ต้องลดโครงการ AI ลงอย่างสิ้นเชิง แทนที่จะเป็นการจัดสรรใหม่
"AI องค์กรกำลังชนกำแพงผลกำไรเร็วกว่าที่ตลาดคาดการณ์ไว้ แต่ปัญหาก็คือการดำเนินการและการเลือกโมเดล ไม่ใช่ความต้องการพื้นฐาน — ซึ่งหมายความว่าการรีเซ็ตที่เจ็บปวดกำลังจะมาถึงก่อนที่การค้าจะถูกประเมินมูลค่าใหม่ให้สูงขึ้น"
บทความนี้ผสมปนเปสองปัญหาที่แยกจากกัน: (1) องค์กรใช้จ่ายเกินกับ AI เพราะพวกเขาไม่ได้ปรับการจัดการโมเดลให้เหมาะสม และ (2) AI ไม่มีประสิทธิภาพโดยพื้นฐาน สิ่งเหล่านี้ไม่เหมือนกัน ตัวเลข 95% — โมเดลชั้นนำที่ใช้สำหรับงานทั่วไป — เป็นความล้มเหลวในการจัดซื้อจัดจ้าง ไม่ใช่ความล้มเหลวทางเทคโนโลยี การประหยัด 10 เท่าผ่านการจัดการที่ดีขึ้นไม่ได้หมายความว่า ROI ของ AI เสียหาย แต่มันหมายความว่าองค์กรยังอยู่ในระยะนำร่อง ความเสี่ยงที่แท้จริงไม่ใช่ว่า AI ไม่คุ้มทุน — แต่มันคือระยะเวลาคืนทุนที่ยาวนานและยุ่งเหยิงกว่าที่ตลาดหุ้นคาดการณ์ไว้ ทำให้เกิดการบีบอัดหลายเท่าสำหรับ NVDA, MSFT และสตาร์ทอัพ AI-native แต่ นี่เป็นปัญหาด้านเวลา/ประสิทธิภาพ ไม่ใช่ภัยคุกคามต่อการดำรงอยู่ของการค้า
หากการใช้จ่ายขององค์กร 95% เป็นการสิ้นเปลืองที่ผิดทิศทาง และบริษัทต่างๆ กำลังใช้จ่ายงบประมาณประจำปีหมดไปใน 1-2 เดือน โดยมี ROI ติดลบ 'การจัดการที่ดีขึ้น' ก็เป็นเพียงการมองโลกในแง่ดี เรื่องจริงอาจเป็นว่าองค์กรยังไม่มีกรณีการใช้งานที่มีมูลค่าสูงจริงๆ — พวกเขากำลังใช้จ่ายเพียงเพราะคณะกรรมการเรียกร้อง
"การเปลี่ยนผ่านจาก 'tokenmaxxing' ไปสู่การจัดการโมเดลที่ปรับให้เหมาะสมกับต้นทุน จะกระตุ้นให้ผู้ให้บริการโมเดลชั้นนำมีการชะลอตัวของรายได้ในระยะสั้น ก่อนที่การนำไปใช้ตามปริมาณจะทำให้ภาคส่วนนี้มีเสถียรภาพ"
ตลาดกำลังกำหนดราคาการเพิ่มขึ้นของประสิทธิภาพ AI อย่างไม่มีที่สิ้นสุด โดยไม่ได้คำนึงถึงเกณฑ์การทดแทน 'โทเค็นต่อจำนวนพนักงาน' หากต้นทุน AI องค์กรกำลังกัดกินงบประมาณจำนวนพนักงาน แทนที่จะเสริม พวกเรากำลังมองหาเหตุการณ์การบีบอัดอัตรากำไรสำหรับ S&P 500 ระยะ 'tokenmaxxing' ในปัจจุบันนั้นไม่ยั่งยืน อย่างไรก็ตาม บทความนี้มองข้ามว่านี่คือ Jevons paradox แบบคลาสสิก เมื่อการจัดการโมเดล (เช่น Glean หรือ Factory AI) ทำให้ต้นทุนต่อภาระงานลดลง ปริมาณความต้องการคอมพิวต์ทั้งหมดมีแนวโน้มที่จะระเบิด ชดเชยอัตรากำไรที่ต่ำลงต่อโทเค็น ความเสี่ยงไม่ใช่ว่า AI แพงเกินไป แต่เป็นการที่ 'การค้า AI' สมมติฐานการเติบโตเชิงเส้นในขณะที่โครงสร้างพื้นฐานพื้นฐานกำลังเข้าสู่ระยะการย่อยอาหารตามวงจร
บทความนี้สมมติว่า CFO จะปฏิบัติต่อ AI ในฐานะรายการงบประมาณแบบผลรวมเป็นศูนย์ แต่ถ้าการเพิ่มประสิทธิภาพที่ขับเคลื่อนด้วย AI เร่งการเติบโตของรายได้ บริษัทต่างๆ จะเพิ่มการใช้จ่ายด้านไอทีทั้งหมด แทนที่จะเลือกระหว่างจำนวนพนักงานและโทเค็น
"ROI ของ AI องค์กรในระยะยาวจะแซงหน้าต้นทุนโทเค็นที่เพิ่มขึ้นเมื่อการจัดการ การปรับแต่ง และระบบอัตโนมัติขยายตัว ทำให้ 'โทเค็นกับมนุษย์' กลายเป็นตัวคูณประสิทธิภาพ แทนที่จะเป็นข้อจำกัดด้านงบประมาณ"
ความตึงเครียดสองประการปรากฏขึ้น: CFO ในระยะสั้นต้องเผชิญกับต้นทุนที่เพิ่มขึ้นเรื่อยๆ เนื่องจากโมเดลชั้นนำคิดค่าบริการต่อโทเค็น ซึ่งอาจจำกัดการนำ AI ไปใช้ แต่บทความนี้ลดทอนข้อดี: 1) ต้นทุนต่อภาระงานควรลดลงเมื่อการจัดการ (ไปยังโมเดลที่ถูกกว่า) และการปรับแต่งดีขึ้น 2) การเพิ่มประสิทธิภาพจะทวีคูณในกระบวนการ เวิร์กโฟลว์ และการตัดสินใจ ไม่ใช่แค่ภาระงานเดียว 3) โมเดลเปิดและการแข่งขันระหว่างผู้ให้บริการคลาวด์รายใหญ่ควรจำกัดราคาและปลดล็อกตัวเลือกที่ถูกกว่า 4) การเติบโตที่ขับเคลื่อนด้วย AI สามารถขยายตลาดที่เข้าถึงได้และเปิดใช้งานโมเดลธุรกิจใหม่ เมื่อพิจารณาร่วมกัน การตัดสินใจระหว่าง 'โทเค็นกับมนุษย์' น่าจะเป็นอุปสรรคชั่วคราว ไม่ใช่ข้อจำกัดระยะยาวสำหรับมูลค่า AI แนวโน้มระยะยาวที่ยาวนานยังคงเป็นบวก
ข้อโต้แย้ง: ROI ในโลกแห่งความเป็นจริงยังคงขึ้นอยู่กับคุณภาพของข้อมูลและการบูรณาการที่ราบรื่น ซึ่งอาจทำให้การคืนทุนล่าช้าไปหลายปี และราคาโมเดลชั้นนำอาจไม่ลดลงเร็วพอหากการแข่งขันยังคงทำให้กำลังการผลิตตึงตัว
"งบประมาณคงที่ป้องกันความยืดหยุ่นของอุปสงค์ที่จำเป็นสำหรับ Jevons paradox เพื่อชดเชยแรงกดดันด้านต้นทุนใน AI องค์กร"
การประยุกต์ใช้ Jevons paradox ของ Gemini เพิกเฉยต่อความเป็นจริงของงบประมาณคงที่ที่ Claude เน้นย้ำ เมื่อการจัดสรร AI ประจำปีหมดไปในไม่กี่เดือน ต้นทุนต่อภาระงานที่ต่ำลงผ่านการจัดการจะไม่กระตุ้นให้เกิดการระเบิดของปริมาณ ทีมจัดซื้อจัดจ้างจะเผชิญกับข้อจำกัดที่เข้มงวด ไม่ใช่ความต้องการที่ยืดหยุ่น สิ่งนี้เสี่ยงต่อการบีบอัดหลายเท่าที่เร็วขึ้นสำหรับ NVDA และ MSFT กว่าที่ทฤษฎีการเพิ่มประสิทธิภาพจะคาดการณ์ไว้ เนื่องจากความต้องการคอมพิวต์ทั้งหมดถูกจำกัดโดยคำสั่งของ CFO แทนที่จะระเบิด
"การหมดงบประมาณบ่งชี้ถึงความล้มเหลวในการปรับให้เหมาะสม ไม่ใช่ความล้มเหลวของอุปสงค์ — อัตราการต่ออายุในรอบถัดไปคือตัวบ่งชี้ชั้นนำที่แท้จริง"
Grok ผสมปนเปการหมดงบประมาณกับการทำลายอุปสงค์ ข้อจำกัดคงที่ของ CFO ไม่ได้พิสูจน์ว่า ROI ของ AI เสียหาย — พวกมันพิสูจน์ว่าองค์กรยังไม่ได้คิดว่าจะสร้างอะไร สิ่งที่บ่งชี้จริงๆ: บริษัทต่างๆ กำลัง *ต่ออายุ* งบประมาณ AI ในปีงบประมาณถัดไปหรือไม่ แม้ว่าจะหมดไปในเดือนที่ 2 หรือไม่ หรือกำลังลดงบประมาณ? หากอัตราการต่ออายุสูงกว่า 70% นี่คือความโกลาหลในการจัดซื้อจัดจ้างที่ปลอมตัวเป็นความอ่อนแอของอุปสงค์ ความแตกต่างนั้นกำหนดว่าเราจะเห็นการบีบอัดหลายเท่า หรือเพียงแค่การกำหนดราคาใหม่ที่เจ็บปวด 18 เดือน
"การเปลี่ยนผ่านสู่ 'AI เพื่อการลดต้นทุน' จะกระตุ้นให้เกิดคลื่นการรวมผู้ขาย ซึ่งทำให้การต่ออายุไม่เกี่ยวข้องสำหรับผู้เล่น AI รายเล็ก"
เกณฑ์การต่ออายุ 70% ของ Claude เป็นตัวบ่งชี้ที่ล่าช้าซึ่งเพิกเฉยต่อภัยคุกคามทันทีของการใช้จ่าย 'shadow AI' CFO ไม่เพียงแต่มองดูงบประมาณเท่านั้น พวกเขากำลังดูเศรษฐศาสตร์หน่วย หากต้นทุนของเวิร์กโฟลว์ที่ใช้โทเค็นเกินกว่าต้นทุนแรงงานที่มันเข้ามาแทนที่ โครงการนั้นจะถูกยกเลิกโดยไม่คำนึงถึงเจตนาในการต่ออายุ เรากำลังเห็นการเปลี่ยนแปลงจาก 'AI เพื่อการสร้างสรรค์นวัตกรรม' ไปสู่ 'AI เพื่อการลดต้นทุน' ซึ่งบังคับให้เกิดการรวมผู้ขายอย่างรุนแรงที่จะลงโทษสตาร์ทอัพ AI-native ที่เล็กกว่า
"อุปสงค์ระยะสั้นมีความอ่อนไหวต่อราคา การเติบโตของปริมาณที่ขับเคลื่อนโดย Jevons จะไม่ช่วยกอบกู้อัตรากำไร เวลาในการสร้าง ROI และอุปสรรคในการนำไปใช้มีความสำคัญมากกว่าราคาต่อภาระงาน"
มุมมอง Jevons paradox ของ Gemini สันนิษฐานว่าอุปสงค์ที่ยืดหยุ่นเมื่อต้นทุนต่อภาระงานลดลง ในความเป็นจริง อุปสงค์ AI องค์กรมีความอ่อนไหวต่อราคาในระยะสั้น: ประตูการจัดซื้อจัดจ้าง การกำกับดูแลที่หลีกเลี่ยงความเสี่ยง และคอขวดด้านความพร้อมของข้อมูล จำกัดความเร็วในการนำไปใช้ แม้ว่าการจัดการจะลดต้นทุนต่อหน่วยก็ตาม ดังนั้นราคาโทเค็นที่ต่ำลงอาจไม่กระตุ้นให้เกิดการเพิ่มขึ้นของปริมาณ อัตรากำไรยังคงลดลงได้หากเวลาในการสร้างมูลค่า (time-to-value) ยังคงยาวนานและรอบการต่ออายุเข้มงวดขึ้น ปัจจัยที่แกว่งจริงคือความเร็วที่กรณีการใช้งานข้ามเกณฑ์ ROI ไม่ใช่แค่ราคาต่อภาระงาน
คณะกรรมการเห็นพ้องกันว่า งบประมาณ AI องค์กรกำลังหมดไปอย่างรวดเร็วเนื่องจากต้นทุนที่สูงของโมเดลชั้นนำ ซึ่งอาจนำไปสู่การประเมินมูลค่า AI ใหม่ และการบีบอัดอัตรากำไรที่อาจเกิดขึ้นสำหรับบริษัทเทคโนโลยี อย่างไรก็ตาม พวกเขาไม่เห็นด้วยว่านี่เป็นภัยคุกคามต่อการดำรงอยู่ หรือเป็นอุปสรรคชั่วคราว
การจัดการที่ดีขึ้นและการแข่งขันที่ขับเคลื่อนต้นทุนให้ลดลงและปลดล็อกโมเดลธุรกิจใหม่ (ChatGPT)
การบีบอัดหลายเท่าที่เร็วขึ้นสำหรับบริษัทเทคโนโลยีเนื่องจากความต้องการคอมพิวต์ที่จำกัดและการหมดงบประมาณ (Grok, Gemini)