เหตุใดต้นทุนโทเค็นจึงทำให้งบประมาณของ CFO พังในปี 2026

ภายในเวลาไม่ถึงหนึ่งปี ต้นทุนโทเค็น AI ได้เปลี่ยนจากรายละเอียดเล็กน้อยทางเทคโนโลยีมาเป็นปัญหางบประมาณระดับคณะกรรมการบริษัท เมื่อสิบสองเดือนก่อน “ต้นทุนโทเค็น” ยังไม่ใช่รายการที่ CFO ส่วนใหญ่เฝ้าจับตา แต่ตอนนี้กลับปรากฏอยู่ในทุกที่ที่ไม่ควรเกิดขึ้น ทั้งในข่าว บันทึกภายใน การระงับงบประมาณ และการประชุมรายงานผลประกอบการ

Uber เปิดให้วิศวกรใช้ Claude Code ในช่วงปลายปี 2025 พอถึงเดือนเมษายน 2026 บริษัทก็ใช้งบประมาณประจำปีสำหรับ AI ช่วยเขียนโค้ดหมดภายในสี่เดือน บริษัทจึงตอบสนองด้วยการจำกัดค่าใช้จ่ายไว้ที่ 1,500 ดอลลาร์ต่อพนักงาน ต่อเดือน ต่อเครื่องมือ ตามที่ Bloomberg รายงานเป็นแห่งแรก หากอนุญาตให้ใช้เครื่องมือเขียนโค้ดแบบเอเจนต์สองตัวร่วมกัน เช่น Claude และ Cursor เพดานดังกล่าวจะเพิ่มเป็นสองเท่า คือ 3,000 ดอลลาร์ต่อเดือนต่อวิศวกร หรือ 36,000 ดอลลาร์ต่อปีสำหรับการใช้ AI ของคนหนึ่งคน มีการประเมินว่า Uber มีวิศวกรประมาณ 4,000 คน ซึ่งเท่ากับค่าใช้จ่ายด้าน AI ราว 144 ล้านดอลลาร์

ค่าใช้จ่ายของ Meta อาจสูงยิ่งกว่านั้น บันทึกภายใน ฉบับหนึ่งเตือนว่า ต้นทุนโทเค็น AI กำลังมุ่งไปแตะระดับหลายพันล้านดอลลาร์ในปี 2026 เหตุผลอยู่ที่กลไกการทำงานของเอเจนต์เมื่อใช้งานในวงกว้าง เมื่อเอเจนต์ AI เชื่อมต่อกับโค้ดเบสเพื่อแก้บั๊กหรือเขียนซอฟต์แวร์ มันจะประมวลผลโทเค็นหลายพันรายการจากบริบทเบื้องหลังทุกครั้งที่รับพรอมป์ต์ ลองนำพฤติกรรมนี้ไปไว้ในองค์กรขนาดเท่า Meta แล้วเสริมด้วยนโยบายระดับองค์กรที่ผลักดันให้ฝ่ายวิศวกรรมใช้ Claude การใช้โทเค็นก็ไม่ได้เพียงเพิ่มขึ้น แต่พุ่งทะยานอย่างรุนแรง

ตาม ดัชนี AI ของ Ramp ซึ่งติดตามการจ่ายเงินจริงให้ผู้ให้บริการของธุรกิจกว่า 70,000 แห่ง บริษัทกลุ่ม 1% แรกที่นำ AI มาใช้กำลังใช้จ่ายด้าน AI ประมาณ 7,500 ดอลลาร์ต่อพนักงานต่อเดือน และค่าใช้จ่ายดังกล่าวเพิ่มขึ้น 14.1% เมื่อเทียบเดือนต่อเดือน ผู้บริหารของ Mercor สตาร์ทอัพด้านการสรรหาบุคลากรด้วย AI กล่าวต่อสาธารณะ ว่า ในบางองค์กร ต้นทุนโทเค็น AI เริ่มเข้าใกล้หรือสูงกว่าค่าตอบแทนพนักงานแล้ว

เรื่องนี้มีบทเรียนที่ชัดเจน หากบริษัทเทคโนโลยีที่ใหญ่ที่สุดในโลกยังประหลาดใจกับค่าใช้จ่ายนี้ได้ ทุกองค์กรก็มีโอกาสเผชิญแบบเดียวกัน การใช้โทเค็นกลายเป็นหมวดค่าใช้จ่ายใหม่อย่างแท้จริง ซึ่งเมื่อสองปีก่อนไม่มีอยู่ในงบกำไรขาดทุนใดๆ และไม่ได้มีพฤติกรรมเหมือนต้นทุนซอฟต์แวร์ที่ฝ่ายการเงินใช้เวลาหลายทศวรรษเรียนรู้วิธีสร้างแบบจำลองและนำไปคำนวณ ROI แบบดั้งเดิม การทำความเข้าใจว่า เหตุใดต้นทุนโทเค็น AI จึงมีพฤติกรรมต่างจากค่าใช้จ่ายซอฟต์แวร์แบบเดิมมาก คือก้าวแรกในการควบคุมต้นทุนเหล่านี้

เหตุใดต้นทุนโทเค็น AI จึงคาดการณ์ได้ยาก

การจัดทำงบประมาณซอฟต์แวร์แบบดั้งเดิมตั้งอยู่บนสมมติฐานง่ายๆ ว่า ต้นทุนเพิ่มตามจำนวนพนักงาน พนักงานเพิ่มสิบคนหมายถึงที่นั่งใช้งานเพิ่มสิบที่ในราคาที่ทราบแน่นอน จึงคาดการณ์และวางแผนได้ง่ายเมื่อบริษัทเติบโตหรือซื้อสิทธิ์ใช้งานแพลตฟอร์มซอฟต์แวร์ใหม่

โทเค็น AI ทำลายสมมติฐานนั้น ต้นทุนเพิ่มตามการใช้งาน ไม่ใช่จำนวนพนักงาน และการใช้งานก็แตกต่างกันอย่างมาก คาดการณ์ได้ยาก และในกรณีของเอเจนต์อัตโนมัติยังไม่ผูกกับมนุษย์ที่นั่งอยู่หน้าแป้นพิมพ์ด้วยซ้ำ วิศวกรเพียงคนเดียวที่เปิดเซสชันเขียนโค้ดแบบเอเจนต์อาจใช้เงินหลายพันดอลลาร์ในหนึ่งเดือนโดยไม่มีสัญญาณเตือน เพราะมิเตอร์ยังเดินต่อไม่ว่าผลลัพธ์จะมีประโยชน์หรือไม่ โมเดลจำนวนมากยังสร้างโทเค็นที่ซ่อนอยู่และมองไม่เห็นหลายพันรายการเพื่อ “คิด” ทีละขั้นก่อนตอบ ทำให้ต้นทุนต่อพรอมป์ต์เพิ่มขึ้นหลายเท่า

นี่คือส่วนที่องค์กรส่วนใหญ่ยังไม่ได้รวมไว้ในการประเมินราคา เงินทุกดอลลาร์ที่เพิ่มขึ้นจาก AI แบบเอเจนต์ต้องมาจากที่ใดที่หนึ่ง สำหรับ CFO ส่วนใหญ่ นี่ไม่ใช่เศษเงินที่กองทุนนวัตกรรมจะดูดซับได้ แต่เป็นค่าใช้จ่ายใหม่หลายล้านดอลลาร์ที่เมื่อสองปีก่อนไม่มีอยู่จริง จึงเกิดการแลกเปลี่ยนอย่างแท้จริงกับจำนวนพนักงาน การลงทุนด้านเทคโนโลยีอื่น หรือเงินงบประมาณตามดุลยพินิจในส่วนอื่นของธุรกิจ

ความเสี่ยงด้านค่าใช้จ่าย AI ระดับองค์กรสามระดับ

เมื่อพิจารณาวิธีที่องค์กรต่างๆ ใช้จ่ายกับ AI จริงๆ จะเห็นรูปแบบที่ชัดเจนขึ้น ความเสี่ยงด้านต้นทุน AI ไม่ได้กระจายเท่ากัน แต่กระจุกอยู่ในบางจุด และในองค์กรทั่วไปทุกวันนี้ น่าจะมีเพียงหนึ่งในสามระดับเท่านั้นที่อยู่ภายใต้การควบคุม

ผู้ใช้ทางธุรกิจในฝ่ายขาย การตลาด และการปฏิบัติการ ส่วนใหญ่ใช้เครื่องมือที่คิดราคาต่อที่นั่ง คืออัตราคงที่ 20 ถึง 30 ดอลลาร์ต่อผู้ใช้ต่อเดือน นี่คือระดับที่ฝ่ายการเงินรู้วิธีจัดงบประมาณอยู่แล้ว เพราะมีพฤติกรรมเหมือนรายการ SaaS อื่นๆ ที่ซื้อกันมาตลอดยี่สิบปี

นักพัฒนาที่ใช้เครื่องมือเขียนโค้ดแบบเอเจนต์คือที่มาของเรื่องแบบ Uber และหมวดหมู่นี้ทั้งหมวดเพิ่งเปลี่ยนจากค่าธรรมเนียมคงที่ไปสู่การคิดราคาตามมิเตอร์ GitHub Copilot เปลี่ยนไปใช้การเรียกเก็บเงินตามโทเค็น ในเดือนมิถุนายน 2026 และนักพัฒนาคาดการณ์ว่าบิลจะกระโดดจาก 29 เป็น 750 ดอลลาร์ต่อเดือน และจาก 50 เป็น 3,000 ดอลลาร์ต่อเดือนในเซสชันแบบเอเจนต์ที่ใช้งานหนัก Uber ไม่ใช่กรณีผิดปกติ แต่เป็นภาพล่วงหน้าว่าหมวดหมู่นี้ทั้งหมดกำลังมุ่งไปทางใด

เอเจนต์อัตโนมัติคือระดับที่แทบยังไม่มีใครสร้างแบบจำลอง ไม่มีแนวคิดเรื่อง “ที่นั่ง” สำหรับเอเจนต์ มันทำงานโดยไม่มีคนเฝ้า เปิดเอเจนต์ย่อย ลองใหม่เมื่อทำงานล้มเหลว และใช้โทเค็นตลอดเวลา ไม่ว่าจะสร้างสิ่งที่มีมูลค่าได้หรือไม่ก็ตาม ระดับนี้มีข้อมูลต้นทุนน้อยที่สุดและแทบไม่มีแบบอย่างในการจัดทำงบประมาณ

กล่าวอย่างง่ายที่สุด ระดับที่ CFO คุ้นเคยมากที่สุดกลับมีความเสี่ยงทางการเงินต่ำที่สุด ส่วนสองระดับที่ทำให้งบประมาณบานปลายจริงๆ กำลังเปลี่ยนออกจากการกำหนดราคาที่คาดการณ์ได้ ในเวลาเดียวกับที่การใช้งานเพิ่มขึ้นเร็วที่สุด

อุดช่องว่างในการบริหารต้นทุน AI

สิ่งที่ Uber, Meta และชุดข้อมูล Ramp ในวงกว้างมีเหมือนกันคือการขาดทัศนวิสัย องค์กรส่วนใหญ่ไม่มีชั้นควบคุมระหว่างพนักงานหรือเอเจนต์ที่เปิดใช้เครื่องมือกับผู้ให้บริการโมเดล เพดานค่าใช้จ่ายแบบที่ Uber ใช้เป็นวิธีแก้ที่ไม่ละเอียดและเกิดขึ้นหลังปัญหา ทั้งที่ปัญหานี้ต้องการการควบคุมตั้งแต่ต้นทาง

เครื่องมือหมวดใหม่ที่มักเรียกว่า agent orchestration หรือ agent gateway ถูกสร้างขึ้นเพื่ออุดช่องว่างนี้ โดยส่งงานแต่ละชิ้นไปยังโมเดลที่ราคาถูกที่สุดแต่ยังรับมือกับงานนั้นได้ บังคับใช้วงเงินก่อนที่จะมีการใช้จ่ายเกิน และให้ฝ่ายการเงินเห็นมิเตอร์แบบเรียลไทม์แทนที่จะต้องตกใจทุกสิ้นเดือน

หมวดหมู่นี้เปลี่ยนแปลงรวดเร็วและกำลังแยกออกเป็นหลายชั้นที่ชัดเจน ชั้นแรกคือเกตเวย์ควบคุมต้นทุน ซึ่งอยู่ระหว่างแอปพลิเคชันขององค์กรกับผู้ให้บริการโมเดล โดยเพิ่มเพดานค่าใช้จ่ายต่อทีม การส่งงานง่ายๆ ไปยังโมเดลที่ถูกกว่าโดยอัตโนมัติ และการแคชคำตอบ สิ่งเหล่านี้เป็นคันโยกเดียวกับที่ Uber ใช้ด้วยตนเองตอนกำหนดเพดาน ชั้นที่สองคือ agent orchestration ซึ่งมุ่งประสานเอเจนต์หลายตัวให้ทำงานร่วมกัน และกำลังสร้างการมองเห็นต้นทุนไว้ภายในมากขึ้น แทนที่จะเพิ่มเป็นส่วนเสริมภายหลัง ส่วนชั้นใหม่ที่ออกแบบมาสำหรับฝ่ายการเงินเริ่มปฏิบัติต่อค่าใช้จ่าย AI แบบเดียวกับที่ทีม FinOps ปฏิบัติต่อค่าใช้จ่ายคลาวด์มานาน คือแจกแจงตามทีมและฟีเจอร์ ตั้งงบประมาณ และทบทวนทุกเดือน แทนที่จะมาพบค่าใช้จ่ายหลังเกิดเหตุ

นอกจากนี้ยังมีแนวทางด้านสถาปัตยกรรมที่มุ่งจำกัดค่าใช้จ่ายด้วยการลดการพึ่งพา LLM ขนาดใหญ่ บางบริษัทเริ่มสร้างสถาปัตยกรรม SLM/LLM แบบผสม โดยฝึกโมเดลภาษาขนาดเล็กกับงานองค์กรชุดแคบๆ เช่น นโยบายภายใน บริการลูกค้า การประมวลผลเอกสารเงินกู้ หรือการแยกข้อมูลจากบัญชีสินค้าที่จัดส่ง เศรษฐศาสตร์ของแนวทางนี้อาจน่าสนใจอย่างมาก

ตาม การเปรียบเทียบ LLM สำหรับองค์กรในปี 2026 ที่ปริมาณหนึ่งล้านบทสนทนาต่อเดือน LLM แนวหน้าที่ให้บริการแบบโฮสต์มีค่าใช้จ่าย 15,000 ถึง 75,000 ดอลลาร์ต่อเดือน ขณะที่โมเดลภาษาขนาดเล็กที่ปรับแต่งเฉพาะและติดตั้งภายในองค์กรมีค่าใช้จ่าย 150 ถึง 800 ดอลลาร์ต่อเดือนที่ปริมาณเท่ากัน ตัวอย่างเช่น Goldman Sachs บริหารค่าใช้จ่าย AI ในวงกว้างผ่านโมเดลเกตเวย์แบบรวมศูนย์ ซึ่งจำแนกคำขอแต่ละรายการตามประเภทงานแล้วส่งไปยังโมเดลที่คุ้มค่าที่สุดสำหรับงานนั้น ตั้งแต่โมเดลโอเพนซอร์สน้ำหนักเบาไปจนถึง LLM แนวหน้า โดยทั้งหมดอยู่ภายในขอบเขตความปลอดภัยของบริษัทเอง

สิ่งที่เหมือนกันคือ เครื่องมือส่วนใหญ่ในปัจจุบันสร้างขึ้นโดยวิศวกรและเพื่อวิศวกร เพื่อเร่งผลิตภาพผ่านการใช้เอเจนต์ ชั้นที่องค์กรส่วนใหญ่ยังขาดคือชั้นที่สร้างขึ้นเพื่อตอบคำถามของ CFO โดยตรงว่า ทีมใด งบประมาณใด เราจะคาดการณ์ค่าใช้จ่ายอย่างไร และค่าใช้จ่ายนี้รองรับกรณีใช้งานทางธุรกิจใด ช่องว่างนี้น่าจะมีความสำคัญที่สุดเมื่อค่าใช้จ่าย AI แบบเอเจนต์เพิ่มพูนต่อไป

เมื่อสองปีก่อน เรื่องเหล่านี้ยังไม่ปรากฏเป็นรายการค่าใช้จ่าย วันนี้ต้นทุนโทเค็น AI เป็นหนึ่งในรายการบนงบดุลที่เติบโตเร็วที่สุดและมีผู้เข้าใจน้อยที่สุด และการบริหารต้นทุน AI กำลังกลายเป็นวินัยหลักของฝ่ายการเงินอย่างรวดเร็ว แทนที่จะเป็นโครงการเสริม เราเคยเห็นเรื่องคล้ายกันเมื่อเริ่มนำคลาวด์มาใช้และต้นทุนพุ่งสูงในระลอกแรก องค์กรที่วางแผนเปิดใช้ AI แบบเอเจนต์ควรให้ฝ่ายวิศวกรรมและการเงินพูดคุยเรื่องนี้ตั้งแต่ตอนนี้และกำหนดแนวทางบริหารจัดการ Uber และ Meta แสดงให้เห็นแล้วว่าจะเกิดอะไรขึ้นเมื่อมีการสนทนานี้หลังเกิดเหตุ แทนที่จะคุยกันล่วงหน้า