สัมภาษณ์
Sadeepa Wijesekara รองประธานฝ่าย Private Cloud AI ของ HPE – บทสัมภาษณ์

ประเด็นสำคัญเศรษฐศาสตร์ของ AI…
ดูเพิ่มเติม
- เศรษฐศาสตร์ของ AI จะกลายเป็นสาขาวิชาทางธุรกิจก็ต่อเมื่อโครงการนำร่องขยายสู่การผลิตจริงและฝ่ายการเงินเข้ามามีส่วนร่วมในการหารือ
- ต้นทุนต่อโทเคนวัดปริมาณการใช้ ขณะที่ต้นทุนต่อผลลัพธ์ทางธุรกิจเผยให้เห็นว่าการลงทุนนั้นสมเหตุสมผลจริงหรือไม่
- เวิร์กโฟลว์แบบเอเจนติกสามารถเพิ่มปริมาณการใช้โทเคนได้อย่างมหาศาล แม้ราคาการประมวลผลจะยังคงลดลงอย่างต่อเนื่อง
Sadeepa Wijesekara ดำรงตำแหน่งรองประธานฝ่าย Private Cloud AI ที่ Hewlett Packard Enterprise (HPE) โดยเป็นผู้นำงานด้านซอฟต์แวร์และแพลตฟอร์ม AI สำหรับสภาพแวดล้อมคลาวด์ส่วนตัว เขามุ่งช่วยให้องค์กรนำ AI มาใช้งานได้อย่างปลอดภัยและในวงกว้าง พร้อมเชื่อมโยงการตัดสินใจด้านโครงสร้างพื้นฐานเข้ากับความต้องการของธุรกิจ เขานำมุมมองด้านวิศวกรรมมาพิจารณาเศรษฐศาสตร์ของ AI ที่ใช้งานจริง ซึ่งครอบคลุมการจัดการภาระงาน การเลือกโมเดล และต้นทุนในการทำให้ระบบที่มีความเป็นอิสระมากขึ้นเรื่อย ๆ ทำงานได้อย่างเชื่อถือได้
Hewlett Packard Enterprise (HPE) ให้บริการเทคโนโลยีสำหรับองค์กร ครอบคลุม AI คลาวด์ ระบบเครือข่าย การประมวลผล และพื้นที่จัดเก็บข้อมูล กลุ่มผลิตภัณฑ์ Private Cloud AI รองรับองค์กรที่นำภาระงาน AI ไปใช้งานบนโครงสร้างพื้นฐานที่ตนควบคุมได้ ควบคู่ไปกับคลาวด์แบบไฮบริดและบริการภายนอก ในบทสัมภาษณ์นี้ Wijesekara กล่าวถึงเหตุผลที่ควรวัดการใช้จ่ายด้าน AI เทียบกับผลลัพธ์ทางธุรกิจ วิธีที่เวิร์กโฟลว์แบบเอเจนต์เปลี่ยนรูปแบบการใช้งาน ตลอดจนปัจจัยด้านการเงินและการดำเนินงานที่กำหนดการตัดสินใจเกี่ยวกับโมเดล การจัดการประสานงาน และโครงสร้างพื้นฐาน
HPE ขยายการนำ AI มาใช้ในหมู่พนักงานมากกว่า 70,000 คน ประสบการณ์นี้สอนอะไรคุณเกี่ยวกับจุดที่เศรษฐศาสตร์ของ AI เปลี่ยนจากเรื่องที่ฝ่ายไอทีต้องรับผิดชอบไปเป็นวินัยทางธุรกิจในวงกว้าง?
เศรษฐศาสตร์ของ AI กลายเป็นวินัยทางธุรกิจในวงกว้างเมื่อบริษัทเปลี่ยนจากโครงการนำร่องไปสู่การใช้งานจริง โครงการนำร่องอาจแสดงให้เห็นว่า AI ทำงานหนึ่งได้หรือไม่ แต่ก็อาจซ่อนความไม่มีประสิทธิภาพไว้ได้ เพราะมีผู้ใช้จำนวนน้อย เมื่อจำนวนผู้ใช้เพิ่มจาก 10 คนเป็น 10,000 คน บริษัทต้องคำนึงถึงต้นทุน เวลาแฝง และความน่าเชื่อถือ พร้อมทั้งทำความเข้าใจคุณค่าที่ AI สร้างขึ้น เมื่อถึงจุดนั้น การพูดคุยต้องครอบคลุมฝ่ายการเงินและผู้บริหารที่รับผิดชอบกระบวนการทางธุรกิจซึ่ง AI สนับสนุนด้วย ฝ่ายไอทีสามารถวัดทรัพยากรที่แอปพลิเคชันใช้ได้ แต่ผู้บริหารธุรกิจต้องพิจารณาว่าผลลัพธ์คุ้มค่ากับการลงทุนหรือไม่
หลายองค์กรยังคงให้ความสำคัญอย่างมากกับตัวชี้วัดอย่างต้นทุนต่อโทเค็นในการประเมิน Generative AI เหตุใดคุณจึงมองว่าต้นทุนต่อผลลัพธ์ทางธุรกิจเป็นตัวชี้วัดที่มีความหมายมากกว่า และองค์กรควรคำนวณตัวเลขนี้ในทางปฏิบัติอย่างไร?
ต้นทุนต่อโทเค็นบอกได้ว่าคุณใช้ AI ไปมากเพียงใด แต่ไม่ได้บอกว่าการใช้งานนั้นสร้างผลลัพธ์ที่เป็นประโยชน์หรือไม่ บริษัทควรกำหนดผลลัพธ์ทางธุรกิจที่ต้องการก่อน แล้วจึงคำนวณต้นทุนทั้งหมดที่จำเป็นต่อการสร้างผลลัพธ์นั้น โมเดลเป็นเพียงส่วนหนึ่งของต้นทุนดังกล่าว นอกเหนือจากซอฟต์แวร์ พื้นที่จัดเก็บข้อมูล การเคลื่อนย้ายข้อมูล การกำกับดูแล และบุคลากร การเปรียบเทียบต้นทุนเหล่านี้กับคุณค่าที่สร้างขึ้นในกระบวนการทางธุรกิจเฉพาะด้าน จะช่วยให้บริษัทเห็นชัดขึ้นว่าการลงทุนมีความคุ้มค่าทางเศรษฐกิจหรือไม่
เมื่อ AI เปลี่ยนจากผู้ช่วยส่วนบุคคลไปสู่ระบบแบบเอเจนต์และระบบหลายเอเจนต์ที่ทำงานต่อเนื่องเป็นลำดับขั้นได้ การใช้ทรัพยากรอาจเพิ่มขึ้นมากเพียงใด แม้ต้นทุนพื้นฐานของการอนุมานจะลดลงอย่างต่อเนื่อง?
การใช้ทรัพยากรอาจเพิ่มขึ้นอย่างรวดเร็วมาก เพราะคำขอจากผู้ใช้เพียงครั้งเดียวอาจกระตุ้นให้เกิดงานเบื้องหลังอีกมาก เอเจนต์อาจค้นคืนข้อมูลและเรียกใช้เครื่องมือต่าง ๆ ระหว่างดำเนินงานหลายขั้นตอนก่อนสร้างผลลัพธ์ ในการเปรียบเทียบตัวอย่างหนึ่งของ HPE การโต้ตอบกับแชตบอตพื้นฐานใช้ประมาณ 400 โทเค็น ขณะที่คำขอ RAG แบบเอเจนต์ใช้ประมาณ 21,500 โทเค็น แม้ราคาโทเค็นจะลดลง แต่การใช้ทรัพยากรโดยรวมก็ยังเพิ่มขึ้นอย่างมากได้ เมื่อ AI เข้ามารับงานที่ซับซ้อนยิ่งขึ้น
บริษัทควรประเมินอย่างไรว่ากรณีใช้งาน AI สร้างคุณค่าทางเศรษฐกิจอย่างแท้จริง แทนที่จะเพียงเพิ่มตัวชี้วัดด้านผลิตภาพหรือสร้างการสาธิตที่น่าประทับใจ?
ก่อนขยายการใช้งาน ควรผูกกรณีใช้งานเข้ากับแผนธุรกิจที่มีตัวชี้วัดผลการดำเนินงานหลัก (KPI) ชัดเจน บริษัทต้องเข้าใจต้นทุนของกระบวนการทางธุรกิจ และดูว่าต้นทุนเปลี่ยนแปลงอย่างไรเมื่อนำ AI มาใช้ นอกจากนี้ยังต้องแยกให้ออกระหว่างการปรับปรุงกิจกรรมหนึ่งกับการปรับปรุงผลลัพธ์ทางธุรกิจ การประหยัดเวลาจะมีความหมายมากขึ้นเมื่อช่วยให้แก้ปัญหาของลูกค้าได้มากขึ้น ลดข้อผิดพลาด หรือทำงานที่ก่อนหน้านี้ไม่ได้ทำให้เสร็จ การประเมินควรคำนึงถึงคุณภาพของผลลัพธ์ รวมถึงการตรวจทานหรือแก้ไขงานเพิ่มเติมที่จำเป็น การสาธิตที่ประสบความสำเร็จพิสูจน์ให้เห็นถึงขีดความสามารถ ส่วนการปรับปรุงกระบวนการทางธุรกิจที่วัดผลได้จะช่วยสนับสนุนการตัดสินใจขยายการใช้งาน ในบางกรณี การวิเคราะห์อาจชี้ว่า AI ไม่ใช่คำตอบที่เหมาะสม
การกำหนดเส้นทางโมเดลและการจัดการประสานงานของ AI กำลังได้รับการกล่าวถึงมากขึ้นในฐานะวิธีควบคุมต้นทุน องค์กรจะได้รับคุณค่ามากเพียงใดจากการเลือกใช้โมเดลขนาดเล็ก โมเดลแนวหน้าที่มีขีดความสามารถสูง โมเดลเฉพาะทาง หรือซอฟต์แวร์แบบดั้งเดิมอย่างยืดหยุ่นตามลักษณะงาน?
การเลือกโมเดลให้เหมาะกับงานมีประโยชน์อย่างมาก เราพบว่าบริษัทต่าง ๆ ส่งงานที่แตกต่างกันมากไปยังโมเดลแนวหน้าราคาแพงตัวเดียวกัน เพราะในช่วงแรกให้ความสำคัญกับการเริ่มใช้งาน AI ให้ได้ก่อน วิธีนี้อาจจัดการได้เมื่อมีผู้ใช้เพียงไม่กี่คน แต่ต้นทุนจะเพิ่มขึ้นอย่างรวดเร็วเมื่อมีการใช้งานแพร่หลายขึ้น โมเดลแนวหน้าอาจเหมาะกับงานให้เหตุผลที่ซับซ้อน ขณะที่โมเดลขนาดเล็กกว่าอาจเพียงพอสำหรับงานทั่วไป โมเดลเฉพาะทางอาจเหมาะกับโดเมนใดโดเมนหนึ่งมากกว่า ส่วนงานที่คาดการณ์ได้และเป็นไปตามกฎเกณฑ์อาจจัดการได้อย่างมีประสิทธิภาพกว่าด้วยซอฟต์แวร์แบบดั้งเดิม การประสานการทำงานช่วยนำตัวเลือกเหล่านี้มารวมไว้ในเวิร์กโฟลว์เดียวกัน โดยเลือกใช้โมเดลที่มีความสามารถสูงกว่าเมื่องานนั้นจำเป็น เมื่อโมเดลแบบเปิดน้ำหนักมีความสามารถมากขึ้น บริษัทก็มีโอกาสเพิ่มขึ้นที่จะนำงานบางประเภทไปรันบนโครงสร้างพื้นฐานของตนเอง แทนการจ่ายเงินเพื่อใช้โมเดลจากภายนอก ในระดับองค์กร การตัดสินใจเลือกเส้นทางการประมวลผลเหล่านี้สร้างความแตกต่างด้านต้นทุนได้อย่างมีนัยสำคัญ โดยยังคงรักษาคุณภาพตามที่ธุรกิจต้องการไว้ได้
ต้นทุนและความคุ้มค่าของการรันงาน AI จะเปลี่ยนจากการเช่าทรัพยากรประมวลผลผ่าน API หรือคลาวด์สาธารณะ มาเป็นการเป็นเจ้าของหรือควบคุมโครงสร้างพื้นฐานที่อยู่เบื้องหลังมากขึ้นเมื่อใด องค์กรควรพิจารณาตัวแปรใดบ้างเมื่อตัดสินใจเรื่องนี้
ผมมองเรื่องนี้เหมือนการเช่ากับการซื้อ การเช่าอาจเหมาะสมในช่วงที่บริษัทกำลังทดลอง หรือเมื่อความต้องการผันผวนอย่างมาก เมื่อการใช้งานมีปริมาณมากขึ้นและคาดการณ์ได้มากขึ้น การเป็นเจ้าของหรือควบคุมโครงสร้างพื้นฐานมากขึ้นก็อาจเริ่มคุ้มค่าในเชิงเศรษฐกิจ การเป็นเจ้าของโครงสร้างพื้นฐานยังเปิดโอกาสให้ทดลองใช้ AI เพิ่มเติมในช่วงที่มีการใช้งานน้อย ทำให้ใช้ประโยชน์จากเงินลงทุนที่จ่ายไปแล้วได้ดียิ่งขึ้น บริษัทต้องพิจารณาทั้งลักษณะของงาน ตลอดจนค่าไฟฟ้า การจัดการ และการดูแลให้ระบบทันสมัยอยู่เสมอ สำหรับองค์กรขนาดใหญ่หลายแห่ง แนวทางที่เหมาะสมน่าจะประกอบด้วยทั้งโครงสร้างพื้นฐานส่วนตัวและบริการจากภายนอก โดยเลือกใช้ให้เหมาะกับลักษณะงาน
HPE กำลังขยายโครงสร้างพื้นฐาน AI ส่วนตัว ขณะที่องค์กรต่าง ๆ นำงานจำนวนมากขึ้นเข้าสู่การใช้งานจริง คุณมองว่า AI ส่วนตัวจะได้เปรียบด้านเศรษฐกิจมากที่สุดในด้านใด เมื่อเทียบกับการใช้ AI ผ่านบริการคลาวด์สาธารณะทั้งหมด
AI ส่วนตัวอาจได้เปรียบด้านเศรษฐกิจอย่างมากสำหรับงานที่ดำเนินต่อเนื่อง ซึ่งบริษัทสามารถใช้ขีดความสามารถที่ตนเป็นเจ้าของได้อย่างคุ้มค่า ในการวิเคราะห์ครั้งหนึ่งของ HPE ภายใต้สมมติฐานด้านภาระงานที่กำหนดไว้ ประเมินว่า HPE Private Cloud AI มีต้นทุนประมาณ 45 ดอลลาร์ต่อโหนดต่อชั่วโมง เทียบกับประมาณ 102 ดอลลาร์สำหรับการกำหนดค่าคลาวด์เช่าแบบเทียบเท่ากัน ผลลัพธ์ดังกล่าวจะแตกต่างกันไปตามภาระงาน และควรคำนวณใหม่สำหรับแต่ละสภาพแวดล้อม AI ส่วนตัวยังช่วยให้บริษัทมีรูปแบบทางการเงินอีกแบบหนึ่ง โดยทำให้โครงสร้างพื้นฐานกลายเป็นสินทรัพย์ที่สร้างมูลค่าให้แก่องค์กร
AI เอเจนต์มีต้นทุนที่มากกว่าการอนุมาน ซึ่งรวมถึงการดึงข้อมูล การเรียกใช้เครื่องมือ การติดตามตรวจสอบ ความปลอดภัย และการกำกับดูแล องค์กรมักประเมินต้นทุนด้านใดต่ำเกินไปเมื่อตั้งงบประมาณสำหรับ AI แบบเอเจนต์ในระดับใหญ่
ผมคิดว่าบริษัทมีแนวโน้มจะประเมินงานที่ต้องทำเพื่อให้เอเจนต์ทำงานได้อย่างเชื่อถือ ปลอดภัย และเป็นประโยชน์ต่อเนื่องในระยะยาวต่ำเกินไป นอกเหนือจากการอนุมานแล้ว ยังมีต้นทุนที่เกี่ยวข้องกับการดึงและเตรียมข้อมูล การเข้าถึงเครื่องมือภายนอก และการถ่ายโอนข้อมูลระหว่างระบบ การเรียกใช้เครื่องมือซ้ำหลายครั้งหรือความพยายามที่ไม่สำเร็จอาจเพิ่มค่าใช้จ่ายโดยไม่ได้ทำให้งานเสร็จสมบูรณ์ บริษัทยังต้องจัดสรรงบประมาณสำหรับการประเมินผลลัพธ์ การติดตามพฤติกรรมของเอเจนต์ การจัดการสิทธิ์การเข้าถึง และการดูแลมาตรการควบคุมด้านความปลอดภัยและการกำกับดูแลให้ทำงานต่อเนื่อง การกำกับดูแลโดยมนุษย์ก็ต้องรวมอยู่ในการคำนวณนี้ด้วย ซึ่งรวมถึงเวลาที่ใช้ตรวจสอบกรณียกเว้นหรือแก้ไขข้อผิดพลาด การทำความเข้าใจต้นทุนของงานที่เสร็จสมบูรณ์อย่างมีประสิทธิภาพจำเป็นต้องมองเห็นเวิร์กโฟลว์ทั้งหมดนี้
คุณเน้นย้ำถึงการติดตามการใช้ AI โดยเทียบกับกรณีทางธุรกิจแต่ละกรณี กรอบการวัดผลภายในองค์กรที่มีประสิทธิภาพควรเป็นอย่างไร และองค์กรควรประเมินบ่อยเพียงใดว่าแอปพลิเคชัน AI ยังคุ้มกับต้นทุนการประมวลผลและการดำเนินงานที่ต้องจ่ายต่อเนื่องหรือไม่
กรอบการวัดผลควรเชื่อมโยงการใช้งานเข้ากับกรณีทางธุรกิจโดยตรง บริษัทจำเป็นต้องทราบว่าแอปพลิเคชันใดใช้ทรัพยากร และคาดหวังให้สร้างผลลัพธ์อะไร ที่ HPE เราติดตาม KPI และต้นทุนต่อหน่วยที่อยู่เบื้องหลังของแต่ละกรณีใช้งาน เพื่อวัดว่าแอปพลิเคชันนั้นสร้างผลลัพธ์ตามที่คาดหวังหรือไม่ ผมอยากเห็นการติดตามในระดับแผนกและกระบวนการทางธุรกิจแต่ละส่วนด้วย เพื่อให้ CFO เข้าใจได้ว่าปัจจุบันกระบวนการหนึ่งมีต้นทุนเท่าใด เมื่อเทียบกับต้นทุนเมื่อนำ AI มาใช้ เรื่องนี้ควรดำเนินการอย่างต่อเนื่อง เพราะการใช้งานและความคุ้มค่าทางเศรษฐกิจของแอปพลิเคชันอาจเปลี่ยนแปลงไปตามเวลา บริษัทยังควรประเมินใหม่เมื่อมีการเปลี่ยนแปลงครั้งสำคัญเกี่ยวกับโมเดล ราคา หรือเวิร์กโฟลว์ เนื่องจากการเปลี่ยนแปลงเหล่านั้นอาจส่งผลต่อทั้งต้นทุนและมูลค่าของแอปพลิเคชัน
เมื่อมองไปข้างหน้า 3 ถึง 5 ปี ในขณะที่ AI ฝังตัวอยู่ในกระบวนการทางธุรกิจส่วนใหญ่ คุณคาดว่าเศรษฐศาสตร์ของ AI ระดับองค์กรจะเปลี่ยนแปลงไปอย่างไร การบริหารการใช้ AI ในที่สุดจะคล้ายกับแนวปฏิบัติอย่าง FinOps สำหรับคลาวด์หรือไม่ หรือองค์กรจะต้องมีรูปแบบการดำเนินงานใหม่ทั้งหมด
ผมคิดว่าเศรษฐศาสตร์ของ AI จะต่อยอดจากแนวปฏิบัติด้าน FinOps เช่น การมองเห็นต้นทุน การจัดสรรต้นทุน และความรับผิดชอบ พร้อมขยายขอบเขตไปสู่การวัดคุณภาพและคุณค่าของงานที่ AI ทำ เมื่อเอเจนต์เข้ามาดำเนินงานในขั้นตอนต่าง ๆ ของกระบวนการทางธุรกิจมากขึ้น บริษัทต่าง ๆ จะต้องเข้าใจต้นทุนในการทำให้กระบวนการนั้นสำเร็จ ซึ่งรวมถึงการลองใหม่ การแทรกแซงของมนุษย์ และการพิจารณาว่าผลลัพธ์เป็นไปตามมาตรฐานที่กำหนดหรือไม่ ผมคาดว่าเรื่องนี้จะกลายเป็นความรับผิดชอบร่วมกันของฝ่ายไอที ฝ่ายการเงิน และฝ่ายปฏิบัติการทางธุรกิจ เรายังอยู่ในช่วงเริ่มต้นของการกำหนดแนวทางที่สอดคล้องกันเพื่อเปรียบเทียบเรื่องเหล่านี้ระหว่างองค์กรและอุตสาหกรรมต่าง ๆ ในระยะยาว ผมอยากเห็นการกำหนดตัวชี้วัดมาตรฐานที่ช่วยให้บริษัทต่าง ๆ เข้าใจได้ว่าตนดำเนินงานโดยใช้ AI อย่างมีประสิทธิภาพเพียงใด และสะท้อนเรื่องนี้ในงบกำไรขาดทุน (P&L) ได้
ขอขอบคุณสำหรับบทสัมภาษณ์ที่ยอดเยี่ยมนี้ ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมเกี่ยวกับ AI บนคลาวด์ส่วนตัว โครงสร้างพื้นฐานสำหรับองค์กร และการปรับขนาดเวิร์กโหลด AI สามารถเยี่ยมชม HPE ได้












