ผู้นำทางความคิด
ความเป็นจริงทางเศรษฐกิจของการขยายภาระงาน AI แบบเอเจนต์

ประเด็นสำคัญความไม่สามารถคาดการณ์ต้นทุนของ AI…
ดูเพิ่มเติม
- ความไม่สามารถคาดการณ์ต้นทุนของ AI เกิดจากกระบวนการทำงานแบบไดนามิกที่ไม่ถูกบันทึกโดยการตรวจสอบระบบคลาวด์แบบดั้งเดิม
- ระบบเอเจนต์ทวีคูณต้นทุนผ่านสายโซ่ของการเรียกใช้โมเดลและการดำเนินการค้นคืนข้อมูล
- ปัจจุบันองค์กรต่างๆ จัดการต้นทุนในฐานะเกณฑ์ความน่าเชื่อถือหลักสำหรับการปรับใช้ AI
1. ภาวะช็อกจากค่าใช้จ่ายที่ซ่อนอยู่หลังการนำ AI ไปใช้
ในโครงการนำร่องระยะแรก ระบบ AI ดูเหมือนจะมีประสิทธิภาพทางเศรษฐกิจเมื่อมองเผิน ๆ ปริมาณการใช้งานยังต่ำ ขอบเขตกรณีใช้งานถูกกำหนดไว้อย่างจำกัด และทีมงานติดตามพฤติกรรมใน สภาพแวดล้อมที่ควบคุมได้ ภายใต้เงื่อนไขเหล่านี้ ค่าใช้จ่ายมักจะถูกประเมินที่ระดับการเรียกใช้แบบจำลองหรือ เวิร์กโฟลว์ที่จำกัด ซึ่งทำให้ได้ความประทับใจว่าการขยายขนาดจะง่ายดาย อย่างน้อยที่สุด นั่นคือสิ่งที่ทีมงานส่วนใหญ่คิด
ความประทับใจนั้นได้รับการย้ำเตือนจากการที่การใช้จ่ายด้าน AI เชิงสร้างสรรค์ไม่มีสัญญาณของการชะลอตัว หนึ่ง รายงานล่าสุด ประมาณการการใช้จ่ายขององค์กรสำหรับแอปพลิเคชัน AI เชิงสร้างสรรค์ถึงหลายสิบพันล้านดอลลาร์ในปี 2025 เพิ่มขึ้นมากกว่าสามเท่าเมื่อเทียบกับปีก่อนหน้า
แต่ความเป็นจริงเปลี่ยนแปลงไปเมื่อเอเจนต์ถูกส่งออกไปให้ผู้ใช้จริงและความซับซ้อนในการดำเนินการ
สภาพแวดล้อมการผลิตนำพาไปสู่รูปแบบการโต้ตอบที่ไม่คาดคิด การสนทนาที่ยาวขึ้น กระบวนการเบื้องหลัง และเส้นทางการส่งต่องานไปยังแบบจำลองที่มีความสามารถสูงขึ้น การร้องขอหนึ่งครั้งสามารถกระตุ้นการดำเนินการหลายอย่างที่ไม่เห็นได้ชัดเจนระหว่างการทดสอบ องค์กรต้องเผชิญกับความท้าทายที่หลายทีมอธิบายว่าเป็น “การแปลกใจของใบเรียกเก็บเงิน” ซึ่งเป็นการเพิ่มขึ้นของการใช้จ่ายอย่างไม่คาดคิดโดยไม่มีความเข้าใจที่ชัดเจนว่าพฤติกรรมหรือ เวิร์กโฟลว์ใดที่สร้างมันขึ้นมา
ในขั้นตอนนี้ ความท้าทายไม่ใช่แค่การปรับให้เหมาะสมของแบบจำลอง แต่เป็นการได้รับการมองเห็นในการดำเนินการที่แท้จริงที่ขับเคลื่อนค่าใช้จ่าย AI
2. เหตุใดภาระงาน AI จึงทำให้โมเดลค่าใช้จ่ายคลาวด์แบบดั้งเดิมใช้ไม่ได้ผล
ก่อนหน้านี้ การจัดการค่าใช้จ่ายแบบดั้งเดิมบนคลาวด์เกิดขึ้นรอบการทำงานที่ค่อนข้างคาดการณ์ได้ การใช้ทรัพยากรสามารถวัดได้ในหน่วยที่มั่นคง เช่น ชั่วโมงการประมวลผล การจัดเก็บ หรือปริมาณการร้องขอ และแม้แต่การปรับให้เหมาะสมผ่านกลยุทธ์การจัดเตรียมหรือการควบคุมการใช้งาน สิ่งสำคัญที่ต้องทราบคือเส้นทางการดำเนินการโดยทั่วไปเป็นแบบกำหนดไว้ล่วงหน้า ซึ่งทำให้สามารถคาดการณ์การใช้จ่ายได้ด้วยความแม่นยำที่สมเหตุสมผลและค่าใช้จ่ายสามารถจัดสรรให้กับบริการหรือทีมงานเฉพาะได้
การทำงานของ AI นำเสนอโมเดลค่าใช้จ่ายที่แตกต่าง การใช้จ่ายส่วนใหญ่เชื่อมโยงกับการใช้โทเค็น ขนาดบริบท ลำดับการเรียกใช้แบบจำลองต่อเนื่องกัน และการตัดสินใจแบบไดนามิกใน เวิร์กโฟลว์ที่แตกต่างกันไปในแต่ละการโต้ตอบ
การร้องขอของผู้ใช้เดียวกันอาจตามเส้นทางการดำเนินการที่แตกต่างกันไปขึ้นอยู่กับเกณฑ์ความมั่นใจ การตอบสนองของเครื่องมือ หรือตรรกะการใช้ทางเลือกสำรอง ซึ่งเหตุผลที่ค่าใช้จ่ายไม่ใช่เชิงเส้นหรือคาดการณ์ได้ง่ายๆ เช่นเดิม แดชบอร์ด FinOps แบบดั้งเดิมให้ความสามารถในการมองเห็นในการใช้ทรัพยากร แต่ปัญหาจริงๆ คือการมองเห็นพฤติกรรมในการดำเนินการที่แท้จริง ไม่ใช่แค่การมอบทรัพยากรเท่านั้น องค์กรไม่สามารถกำหนดเศรษฐศาสตร์ของระบบ AI ได้โดยวิธีการแบบดั้งเดิม
3. พื้นผิวค่าใช้จ่ายที่ขยายตัวของระบบ Agentic
เมื่อองค์กรเปลี่ยนจากการอนุมานแบบหนึ่งขั้นไปสู่สถาปัตยกรรม Agentic ค่าใช้จ่ายของระบบ AI กลายเป็นเรื่องที่ซับซ้อนมากขึ้น การวิเคราะห์ทางอุตสาหกรรมล่าสุดแม้แต่ คาดการณ์ ว่ามากกว่า 40% ของโครงการ AI Agentic จะไม่สามารถเข้าสู่การใช้งานจริงได้ภายในปี 2027 โดยส่วนหนึ่งเป็นผลจากต้นทุนและความซับซ้อนที่แท้จริงของการนำเวิร์กโฟลว์เอเจนต์หลายขั้นตอนไปใช้ในวงกว้าง
การร้องขอของผู้ใช้ไม่ได้รับการแก้ไขผ่านการเรียกใช้แบบจำลองเพียงครั้งเดียว แต่ผ่าน เวิร์กโฟลว์ที่ประสานกันซึ่งอาจเกี่ยวข้องกับการวางแผนขั้นตอน เช่น การค้นหา การดำเนินการเครื่องมือ และการโต้ตอบระหว่างเอเจนต์หลายตัว
ไม่ต้องพูดถึงว่า เวิร์กโฟลว์ที่กล่าวถึงข้างต้นเพิ่มความสามารถ เช่น การสร้างเนื้อหาที่เสริมด้วยการค้นคืนข้อมูล (RAG) หรือการทำงานร่วมกันระหว่างเอเจนต์หลายตัว ซึ่งนำไปสู่การดำเนินการเพิ่มเติมที่ต้องจ่ายเงินซึ่งสะสมขึ้นเมื่อเวลาผ่านไป
การโต้ตอบหนึ่งครั้งสามารถกระตุ้นการเรียกใช้เพื่อสร้างเวกเตอร์ฝังตัว การค้นหาในฐานข้อมูลเวกเตอร์ ลูปการให้เหตุผลแบบเชิงต่อเนื่อง และการส่งต่องานไปยังแบบจำลองที่มีความสามารถสูงขึ้นเมื่อความมั่นใจลดลง แม้ว่าการดำเนินการแต่ละครั้งอาจดูไม่สำคัญในแง่ของต้นทุน แต่ผลกระทบรวมกันของมันจะกำหนดเศรษฐศาสตร์ของระบบ
4. ทำไมการปรับให้เหมาะสมของ Prompt เพียงอย่างเดียวไม่สามารถแก้ไขปัญหาการใช้จ่ายในขณะทำงาน
การปรับให้เหมาะสมของ Prompt เป็นหนึ่งในวิธีการที่ทีมงานใช้เมื่อพยายามควบคุมค่าใช้จ่าย AI การลดการใช้โทเค็น การปรับปรุงคำสั่ง หรือการปรับปรุงโครงสร้างคำตอบสามารถให้ผลการปรับปรุงประสิทธิภาพที่มีความหมายที่ระดับการเรียกใช้แบบจำลองแต่ละครั้ง การปรับให้เหมาะสมมุ่งเน้นไปที่ส่วนเล็กๆ ของภาพเศรษฐกิจที่กว้างขึ้น ในสภาพแวดล้อมการผลิต ส่วนใหญ่ของความผันผวนของค่าใช้จ่ายถูกขับเคลื่อนโดยรูปแบบพฤติกรรมใน เวิร์กโฟลว์ ไม่ใช่แค่ความยาวของ Prompt
ความไม่มีประสิทธิภาพบ่อยครั้งเกิดขึ้นจากการลองใหม่โดยไม่จำเป็น การค้นหาที่ลึกเกินไป การส่งต่องานไปยังแบบจำลองที่มีค่าใช้จ่ายสูงขึ้น หรือเอเจนต์ที่ทำงานโดยไม่เปลี่ยนผลลัพธ์อย่างมีนัยสำคัญ หากไม่มีการมองเห็นในการติดตามการดำเนินการและผลกระทบทางธุรกิจ การปรับให้เหมาะสมของ Prompt สามารถย้ายค่าใช้จ่ายจากส่วนหนึ่งของระบบไปสู่อีกส่วนหนึ่งได้
เมื่อระบบ AI กลายเป็นระบบอัตโนมัติและเชื่อมโยงกันมากขึ้น การจัดการค่าใช้จ่ายต้องใช้การควบคุมระบบที่กำหนดว่าเอเจนต์ทำงานอย่างไรในเวลาจริง ไม่ใช่แค่การปรับให้เหมาะสมในท้องถิ่นในการร้องขอแต่ละครั้ง
การสำรวจ AI FinOps ล่าสุด ที่ครอบคลุมค่าใช้จ่ายบนคลาวด์มูลค่าหลายหมื่นล้านกล่าวถึงการเปลี่ยนแปลงไปสู่การมองเห็นค่าใช้จ่าย AI ในเวลาจริง งบประมาณต่อทีม และการแจ้งเตือนงบประมาณอัตโนมัติ ความคิดคือการรักษาค่าใช้จ่ายให้เป็น SLO การดำเนินการที่ไม่ใช่แค่มาตรการทางการเงิน
5. วิธีการทางสถาปัตยกรรมที่เกิดขึ้นใหม่สำหรับการควบคุมค่าใช้จ่าย AI
เพื่อตอบสนองต่อความผันผวนของค่าใช้จ่ายที่เพิ่มขึ้น องค์กรกำลังคิดใหม่ว่าควรนำการควบคุมทางเศรษฐกิจไปใช้ภายในระบบ AI ที่ไหนและอย่างไร แทนที่จะรักษาการปรับให้เหมาะสมของค่าใช้จ่ายเป็นงานด้านการเงินที่ทำย้อนหลัง ทีมงานกำลังแนะนำกลไกทางสถาปัตยกรรมที่มีอิทธิพลต่อค่าใช้จ่ายในขณะทำงาน
รูปแบบที่เริ่มเห็นคือการใช้เลเยอร์การกำหนดเส้นทางและการประสานงานที่เลือกแบบจำลองหรือ เวิร์กโฟลว์แบบไดนามิกตามความซับซ้อนของงาน เป้าหมายด้านเวลาแฝง หรือการจำกัดงบประมาณ ซึ่งช่วยให้องค์กรมีความสมดุลระหว่างคุณภาพและประสิทธิภาพโดยไม่ต้องอาศัยตัวเลือกการกำหนดค่าที่คงที่
เส้นทางอื่นๆ ที่ทีมงานใช้ ได้แก่ การควบคุมการดำเนินการตามนโยบาย กลยุทธ์การทำซ้ำที่ตระหนักถึงค่าใช้จ่าย และการสังเกตการณ์จากศูนย์กลางที่ระบุค่าใช้จ่ายของ เวิร์กโฟลว์เฉพาะ
การประเมินมักใช้เป็นเครื่องมือในการกำกับดูแล โดยทีมงานนำไปใช้ต่อเฉพาะการกำหนดค่าที่ผ่านเกณฑ์ค่าใช้จ่ายและประสิทธิภาพที่กำหนดไว้ล่วงหน้า
6. ค่าใช้จ่ายเป็นประตูความน่าเชื่อถือถัดไปสำหรับ AI ขององค์กร
เมื่อระบบ AI ถูกฝังอยู่ใน เวิร์กโฟลว์ทางธุรกิจหลัก องค์กรเริ่มรักษาค่าใช้จ่ายให้เป็นข้อจำกัดในการใช้งานร่วมกับคุณภาพ ความปลอดภัย และความน่าเชื่อถือ เช่นเดียวกับวัตถุประสงค์ระดับบริการที่กำหนดขอบเขตการทำงานที่ยอมรับได้ ขอบเขตเศรษฐศาสตร์หน่วยเป็นข้อกำหนดเบื้องต้นสำหรับการขยายการทำงานอัตโนมัติอย่างปลอดภัย ระบบที่ไม่สามารถตอบสนองโปรไฟล์ค่าใช้จ่ายที่คาดการณ์ได้นั้นยากที่จะให้เหตุผลในการดำเนินการ ไม่ว่าจะมีความสามารถทางเทคนิคอย่างไร
การเปลี่ยนแปลงนี้กระตุ้นทีมงานให้นำ “ประตูค่าใช้จ่าย” มาใช้ก่อนที่จะมีการใช้งานที่กว้างขึ้น โดยได้รับการสนับสนุนจากการตรวจสอบอย่างต่อเนื่องเมื่อระบบอยู่ในขณะทำงาน เมื่อเวลาผ่านไป การจัดการค่าใช้จ่ายมีแนวโน้มที่จะพัฒนาไปสู่วิชาการทางวิศวกรรมที่ดำเนินอยู่ตลอดเวลา ไม่ใช่แค่ความพยายามในการปรับให้เหมาะสมเพียงครั้งเดียว องค์กรที่ขยาย AI ได้สำเร็จที่สุดจะเป็นองค์กรที่ออกแบบสำหรับการควบคุมทางเศรษฐกิจตั้งแต่เริ่มต้น โดยทำให้แน่ใจว่าการปรับปรุงความสามารถใดๆ จะถูกจับคู่กับโมเดลการดำเนินการที่ยั่งยืน
ในระยะถัดไปของการนำ AI ไปใช้ในองค์กร เราอาจเห็นการควบคุมทางเศรษฐกิจกลายเป็นเรื่องพื้นฐานในการออกแบบระบบไม่แพ้กับความน่าเชื่อถือและความปลอดภัย











