องค์กรเปลี่ยนจากการปรับใช้ AI เป็นการจัดสรรงบประมาณสำหรับโทเค็น

สงครามงบประมาณโทเค็น

ผู้เขียนต้นฉบับ: Jaya Gupta

Peggy

บรรณาธิการหมายเหตุ: AI ขององค์กรกำลังก้าวเข้าสู่ระยะที่ไม่ได้ถามว่า “จะใช้หรือไม่” แต่เป็น “จะคำนวณผลลัพธ์อย่างไร”

ในสองปีที่ผ่านมา บริษัทหลายแห่งผลักดันให้พนักงานใช้ AI โดยส่วนใหญ่เพื่อให้ทันกับแนวโน้มเทคโนโลยีและแรงกดดันทางการแข่งขัน แต่เมื่อค่าใช้จ่ายในการประมวลผล AI เปลี่ยนจากงบประมาณการทดลองเป็นค่าใช้จ่ายในการดำเนินงานอย่างต่อเนื่อง ซีอีโอและซีเอฟโอเริ่มตั้งคำถามที่เป็นรูปธรรมมากขึ้น: AI สร้างมูลค่าได้มากแค่ไหน? ทุกหนึ่งดอลลาร์ของค่าใช้จ่ายโทเค็น ได้ผลลัพธ์จริงอะไรกลับมา?

นี่คือแก่นกลางของ “สงครามงบประมาณโทเค็น” สงครามงบประมาณโทเค็นไม่ได้หมายถึงแค่บริษัทต้องการลดค่าใช้จ่ายด้าน AI แต่ยังหมายถึงการทบทวนใหม่ว่าธุรกิจใดควรลงทุนทรัพยากรการประมวลผลเพิ่มเติม งานใดควรเปลี่ยนไปใช้โมเดลที่ถูกกว่า กระบวนการใดสามารถแทนที่ด้วยการจ้างภายนอกหรือแรงงานมนุษย์ และกระบวนการใดเป็นเพียงการใช้ทรัพยากรโดยไม่เกิดประโยชน์

สิ่งที่น่าสนใจที่สุดในบทความนี้คือ การใช้งาน AI ไม่ได้หมายถึงคุณค่าเสมอไป ในยุค SaaS การใช้งานมักหมายถึงการรับรองซอฟต์แวร์ แต่ในยุค AI การใช้โทเค็นแค่แสดงว่า “มิเตอร์กำลังทำงาน” กระบวนการเดียวกันอาจมีต้นทุนต่างกันหลายเท่า ขึ้นอยู่กับคำสั่ง บริบท การเลือกโมเดล และจำนวนครั้งที่ลองใหม่ ใบแจ้งหนี้ที่สูงขึ้นอาจเกิดจาก AI กำลังทำงานจริง หรืออาจเกิดจากระบบกำลังพยายามทำสิ่งที่ไม่มีประโยชน์

ดังนั้น ขั้นตอนถัดไปของ AI สำหรับธุรกิจ จุดสำคัญไม่ได้อยู่ที่ความสามารถของโมเดลเพียงอย่างเดียว แต่คือความสามารถในการเชื่อมโยงต้นทุน token กับผลลัพธ์ทางธุรกิจ ขั้นตอนแรกพิสูจน์แล้วว่า AI สามารถทำงานได้; ขั้นตอนที่สองต้องตอบคำถามว่า: งานเหล่านี้คุ้มค่าที่จะจ่ายเงินหรือไม่

以下为原文：

ในระดับผู้บริหารระดับสูงของบริษัท “สกุลเงิน” ใหม่คือความสามารถของคุณในการวัดผลตอบแทนจากการลงทุนด้วย AI แต่ละแผนกถูกถามคำถามเดียวกัน: คุณผลิตอะไรออกมา? ต้นทุนเท่าไหร่? ในสองปีที่ผ่านมา ซีอีโอต่างตื่นขึ้นมาในตอนเช้าเพื่อดู Jim Cramer บน CNBC (#bearish) ในขณะที่มองดูคู่แข่งประกาศเพิ่มผลิตภาพ แล้วสั่งให้ทุกคนในองค์กรใช้ AI ตอนนี้สิ่งที่สร้างแรงกดดันจริงๆ คือคำถามถัดไป: แสดงหลักฐานของคุณค่าให้ฉันดู

คลอดถูกเปิดตัวในเดือนพฤศจิกายน 2025 ขณะที่งบประมาณประจำปี 2026 ของบริษัทส่วนใหญ่ได้รับการยืนยันแล้ว ภายในไตรมาสแรก การใช้งานจริงของบริษัทได้เกินกว่าแผนเดิมอย่างมาก ต้นทุนการประมวลผลเชิงตรรกะไม่ใช่เพียงโครงการงบประมาณสำหรับการทดลองอีกต่อไป แต่กลายเป็นต้นทุนการดำเนินงานที่เกิดขึ้นอย่างต่อเนื่อง ตามมาด้วยคำถามใหม่: AI สร้างมูลค่าจริงได้ที่ไหน?

คำถามนี้ตอบได้ยาก เพราะประโยชน์ของโทเค็นยังไม่ได้ถูกวัดค่าอย่างเป็นรูปธรรม บิลไม่สามารถบอกคุณได้ว่าค่าใช้จ่ายนี้เป็นการแทนที่แรงงานมนุษย์ สร้างรายได้ ลดความเสี่ยง เร่งกระบวนการ หรือแค่กลุ่มวิศวกรที่กำลังไล่ตามอันดับในตารางคะแนน ( #metamates ) เมื่อค่าใช้จ่ายอยู่ที่หลายแสนดอลลาร์สหรัฐ มันยังดูเหมือนการทดลองอยู่ แต่เมื่อเกินจุดวิกฤต เช่น ถึงหลักล้านดอลลาร์ มันก็กลายเป็นโครงสร้างพื้นฐาน ความแตกต่างทางเทคนิคเริ่มส่งผลกระทบอย่างมีนัยสำคัญต่องบกำไรขาดทุน: กระบวนการเดียวกัน ข้อมูลนำเข้าชุดเดียวกัน แต่ต้นทุนโทเค็นในการรันสองครั้งอาจต่างกัน 5 ถึง 10 เท่า โดยดูภายนอกไม่มีปัญหาใดๆ ในระดับการทดลอง ความผันผวนนี้แพงอยู่แล้ว แต่เมื่อเข้าสู่ระดับโครงสร้างพื้นฐาน มันจะกลายเป็นตัวเลขที่ CFO ต้องอธิบายให้ CEO เข้าใจ

สามารถเรียกมันว่า “การใช้งานโทเค็นแบบขอบเขต”: มูลค่าทางธุรกิจที่สร้างขึ้นจากต้นทุนการประมวลผลเพิ่มเติมหนึ่งดอลลาร์ นี่คือตัวเลขที่สำคัญที่สุดในระยะการขยายขนาด และเป็นตัวเลขที่บริษัทส่วนใหญ่ยังมองไม่เห็นในขณะนี้

ปัญหาในคณะกรรมการกำลังเปลี่ยนจาก “AI มีประโยชน์ไหม” เป็น “AI สร้างเลเวอเรจได้จริงที่ไหน” และด้วยเหตุนี้เอง การแข่งขันเรื่องงบประมาณ token จึงแท้จริงแล้วเป็นการแย่งชิงสิทธิ์ในการจัดสรร token

การแข่งขันเพื่อครอบครองโทเค็นร้อนแรงขึ้นอย่างรวดเร็ว เพราะมันปะทะกับสัญชาตญาณของผู้บริหารที่ยั่งยืนมานานสามทศวรรษ: ทีมขนาดใหญ่หมายถึงตำแหน่งที่สูง ขอบเขตความรับผิดชอบที่กว้างขวาง และอำนาจที่มากขึ้น ในอดีต dấu ประสิทธิภาพของผู้บริหารระดับสูงมักวัดจากขนาดทีมที่พวกเขาดูแล—ลูกน้องโดยตรง ลูกน้องระดับถัดไป และจำนวนบุคคลในโครงสร้างองค์กร

แต่เมื่อปัญญาเป็นทรัพยากรที่ขาดแคลน สัญลักษณ์ใหม่ก็กลายเป็น: คุณสามารถจัดสรรปัญญาได้มากแค่ไหน

การใช้จ่ายด้าน AI กำลังแข่งขันกับต้นทุนแรงงานโดยตรง

การของบประมาณด้าน AI ส่วนใหญ่ โดยพื้นฐานแล้วอยู่ในหนึ่งในสามข้อเสนอเหล่านี้: แทนที่แรงงานนอกองค์กร แทนที่แรงงานภายใน หรือสร้างรายได้ใหม่

พนักงานหนึ่งคนมีเงินเดือน สัญญา BPO ภายนอกมีราคาที่คำนวณตามใบงาน การเคลม ใบแจ้งหนี้ หรือการตรวจสอบ มนุษย์สามารถเข้าใจหน่วยการวัดเหล่านี้ได้ แต่ต้นทุนการประมวลผลนั้นซับซ้อนกว่า เพราะต้นทุนสุดท้ายของการดำเนินงานหนึ่งงานขึ้นอยู่กับว่าระบบทำงานอย่างไรในระหว่างกระบวนการ ตัวอย่างเช่น การเคลมที่ต้องใช้การลองใหม่สามครั้ง การแก้ไขด้วยมนุษย์ และการเรียกใช้โมเดลขั้นสูง อาจมีต้นทุนสูงกว่าแรงงานภายนอกที่มันมีเป้าหมายจะแทนที่ ด้วยเหตุนี้ การอภิปรายจึงเริ่มเปลี่ยนไปสู่คำถามว่า: ต้นทุนในการบรรลุผลลัพธ์หนึ่งอย่างคือเท่าใด? เช่น ต้นทุนต่อใบงานที่แก้ไขแล้ว ต้นทุนต่อการเคลมที่ดำเนินการแล้ว ต้นทุนต่อสัญญาที่ตรวจสอบแล้ว ต้นทุนต่อใบแจ้งหนี้ที่เสร็จสมบูรณ์ ต้นทุนต่อตำแหน่งงานที่หลีกเลี่ยงไม่ต้องจ้างเพิ่ม ต้นทุนต่อลูกค้าที่รักษาไว้ได้ หรือต้นทุนต่อหนึ่งดอลลาร์ของรายได้ที่เปลี่ยนแปลงได้

ผู้บริหารได้ตระหนักแล้วว่า BPO เป็นจุดที่ง่ายที่สุดในการตั้งมาตรฐาน เนื่องจากงานเหล่านี้มีการคิดค่าตอบแทนตามหน่วยงานที่เสร็จสมบูรณ์อยู่แล้ว ในทางตรงกันข้าม การเปรียบเทียบพนักงานภายในกับ AI นั้นยากกว่ามาก เพราะพนักงานทำหลายสิ่งหลายอย่างในแต่ละวัน รวมถึงการเลื่อน TikTok ในช่วงพักกลางวัน; การเพิ่มประสิทธิภาพการผลิตมักแสดงออกมาในรูปแบบของการหลีกเลี่ยงการจ้างงานใหม่หรือการปลดปล่อยกำลังการผลิตที่กระจายตัว; และผู้จัดการมักต่อต้านการลดทีมงานเพียงเพราะมีการอัตโนมัติบางส่วน BPO จึงให้เส้นฐานที่วัดได้แก่ทีมธุรกิจ

สิ่งนี้แตกต่างจากตรรกะของ SaaS ซึ่งเคยฝึกให้ธุรกิจมองการใช้งานเป็นตัวชี้วัดค่า

แต่ AI ได้ทำลายจุดนี้ไปแล้ว ปริมาณทรัพยากรการให้เหตุผลที่ใช้ในกระบวนการทำงานเดียวกันอาจแตกต่างกันอย่างมากขึ้นอยู่กับคำสั่งที่ใช้ บริบทที่ดึงมาได้ โมเดลที่เลือก เครื่องมือที่เรียกใช้ จำนวนครั้งที่ลองใหม่ และว่าเอเจนต์ติดขัดหรือไม่ หน่วยบนใบแจ้งหนี้—token—นั้นคงที่ แต่ปริมาณงานที่มันแทนนั้นไม่คงที่

พูดให้แม่นยำกว่านั้น: สัญญาณและเสียงรบกวนใช้หน่วยการวัดเดียวกัน การเพิ่มขึ้นของบิลโทเค็นอาจหมายถึงงานที่แท้จริงกำลังดำเนินการอยู่ แต่ก็อาจหมายถึงพลังการประมวลผลกำลังถูกใช้ไปกับคำสั่งที่ไม่ดี บริบทที่ไม่เกี่ยวข้อง การเรียกใช้เครื่องมือที่ไม่จำเป็น การให้เหตุผลซ้ำซ้อน และโมเดลที่มีความสามารถเกินความจำเป็น บิลโทเค็นของสองบริษัทอาจเหมือนกันอย่างสมบูรณ์ แต่ธุรกิจที่ทำงานอยู่เบื้องหลังกลับต่างกันอย่างสิ้นเชิง: หนึ่งบริษัทกำลังแปลงการประมวลผลให้เป็นผลลัพธ์ อีกบริษัทหนึ่งกำลังจ่ายเงินให้กับความยุ่งเหยิงที่ไร้ประโยชน์ และทั้งสองสถานการณ์นี้ดูเหมือนกันอย่างสมบูรณ์ในรายการบิล

การใช้งาน SaaS บอกคุณว่า: ซอฟต์แวร์ได้รับการนำไปใช้แล้ว การใช้งาน AI สามารถบอกคุณได้เพียงว่า: เครื่องวัดการใช้งานกำลังทำงาน มันไม่สามารถบอกคุณได้ว่าบริษัทจริงๆ แล้วกำลังวิ่งไปข้างหน้าหรือไม่

มีสามประเด็นหลัก

ประการแรกคือการลองใหม่กับหางยาว หากความน่าจะเป็นที่เอเจนต์จะทำงานสำเร็จในครั้งแรกคือ p ค่าใช้จ่ายเฉลี่ยของโทเค็นต่อกระบวนการที่แก้ไขแล้วจะเพิ่มขึ้นประมาณ T/p โดยที่ T คือต้นทุนพื้นฐาน หากอัตราการเสร็จสิ้นลดลงจาก 90% เป็น 70% ต้นทุนที่มีประสิทธิภาพต่อการแก้ปัญหาจะเพิ่มขึ้นประมาณ 28% แทนที่จะเป็น 20% เนื่องจากความล้มเหลวสร้างผลกระทบแบบทบต้น ในกระบวนการทางธุรกิจ อินพุตมักจะไม่เป็นระเบียบ และกรณีผิดปกติก็มีความสำคัญอย่างยิ่ง ความล้มเหลวไม่เพียงแต่ลดความแม่นยำเท่านั้น แต่ยังเปลี่ยนสมการทางเศรษฐกิจอีกด้วย

ประการที่สองคือการขยายบริบท สำหรับการดำเนินการที่พึ่งพา cơ chếการให้ความสำคัญอย่างมาก ต้นทุนการให้เหตุผลจะเพิ่มขึ้นประมาณตามอัตราส่วน O(n²) ตามความยาวของบริบท ดังนั้น หากความยาวของบริบทเพิ่มเป็นสองเท่า ต้นทุนการให้เหตุผลจะเพิ่มขึ้นประมาณสี่เท่า ทุกคนต้องการให้โมเดลเข้าใจข้อมูลเพียงพอ ดังนั้นระบบมักจะจัดหาข้อมูลเกินความจำเป็น: แม้จะต้องการแค่ห้าเอกสาร แต่ระบบดึงมาถึงห้าสิบเอกสาร; ตัวเชื่อมต่อส่งข้อความทั้งสายอีเมลทั้งหมด; และเอเจนต์ยังคงทำงานต่อไปพร้อมกับประวัติการสนทนาที่ล้าสมัยแล้ว

ประการที่สามคือการจัดเส้นทาง เมื่อทีมไม่ทราบว่าโมเดลใด “เพียงพอ” ระบบจะใช้โมเดลที่ทรงพลังที่สุดเป็นค่าเริ่มต้น งานจำแนกพื้นฐานอาจถูกประมวลผลบนโมเดลเดียวกันที่ออกแบบมาสำหรับการให้เหตุผลที่ซับซ้อน เมื่อปริมาณการเรียกใช้งานถึงหลายล้านครั้ง การมอบงานง่ายๆ ให้กับโมเดลขนาดเล็ก หรือส่งทุกงานให้กับโมเดลชั้นนำ มักเป็นความแตกต่างระหว่างบิลที่ควบคุมได้กับปัญหาระดับคณะกรรมการ

อุตสาหกรรมที่ไม่ใช่ซอฟต์แวร์จะรู้สึกถึงความเจ็บปวดนี้ในรูปแบบของการ “เปลี่ยนผ่าน” บริษัทซอฟต์แวร์จะเป็นกลุ่มแรกที่เห็นปัญหานี้ เพราะงานที่ถูกปรับปรุงนั้นได้รับการวัดผลอย่างเพียงพออยู่แล้ว ทีมวิศวกรรมมีตัวชี้วัดต่างๆ เช่น PR, การส่งโค้ด, การปรับใช้, อุบัติเหตุ, เวลาในการทำงาน, เวลาเฉลี่ยในการแก้ไข ฯลฯ และตัวชี้วัดเหล่านี้เชื่อมโยงกับผลิตภัณฑ์ แม้จะไม่สมบูรณ์แบบ แต่งานประเภทนี้ง่ายต่อการวัดผลมากกว่า

บริษัทที่ไม่ใช่ซอฟต์แวร์จะรู้สึกถึงปัญหานี้อย่างลึกซึ้งยิ่งกว่า เพราะงานของพวกเขามีลักษณะการดำเนินงาน เช่น การชดเชย การรับประกัน ตั๋วบริการลูกค้า การตรวจสอบความสอดคล้อง ความผิดปกติของห่วงโซ่อุปทาน และข้อพิพาทการชำระเงิน หรือบริษัทที่มีสินทรัพย์ในโลกจริงก็จะเผชิญกับปัญหาเดียวกัน กระบวนการเหล่านี้ในอดีตมักถูกวัดด้วยการใช้แรงงานมนุษย์ เวลาในการดำเนินการ อัตราการบรรลุ SLA และอัตราความผิดพลาด และมักมีข้อกำหนดที่สูงกว่า ต้องสามารถผ่านการตรวจสอบได้ ไม่ใช่แค่ถูกต้องในเชิงเฉลี่ยเท่านั้น หน่วยงานงานและหน่วยต้นทุนไม่ได้ใช้ภาษาเดียวกัน และไม่อยู่ในองค์กรเดียวกัน ทีมเทคโนโลยีสามารถเห็นการใช้โทเค็น ขณะที่ทีมธุรกิจสามารถเห็นการเปลี่ยนแปลงของกระบวนการ แต่การเชื่อมโยงทั้งสองสิ่งนี้เข้าด้วยกัน จำเป็นต้องมีทีมหลายทีมตกลงกันก่อนว่า “เรากำลังวัดอะไรอยู่”

ฉันคิดว่าบริษัทซอฟต์แวร์จะรับรู้การแข่งขันด้านงบประมาณ token เป็นปัญหาการวัดผลิตภาพ ซึ่งสอดคล้องกับการปลดพนักงานด้าน AI ที่เกิดขึ้นก่อนหน้านี้; ในขณะที่บริษัทที่ไม่ใช่ซอฟต์แวร์จะรับรู้มันเป็นปัญหาการเปลี่ยนผ่าน

ชั้นที่ขาดหายไปคือการกำหนดต้นทุนจากโทเค็นไปยังผลลัพธ์ บริษัทจำเป็นต้องมีชั้นการแปลงที่เชื่อมโยงค่าใช้จ่ายในการประมวลผลกับงานที่เสร็จสิ้นและผลลัพธ์ทางธุรกิจที่เกิดขึ้น ชั้นนี้ต้องตอบคำถามสามข้อ: ต้นทุนจริงของ workflow นี้คือเท่าใด รวมถึงการลองใหม่และการแก้ไข? ในเส้นทางการดำเนินการของตัวแทน ส่วนใดสำคัญจริงๆ และส่วนใดเป็นเพียงการสูญเสียเวลาโดยไม่จำเป็น? งานนี้ได้เปลี่ยนรูปแบบการดำเนินงานหรือไม่—เช่น แต่ละฝ่ายบริการลูกค้าจัดการงานน้อยลง ระยะเวลาการเคลมสั้นลง งบประมาณ BPO ลดลง หรือการจ้างงานถูกเลื่อนออกไป? ชั้นถัดไปคือการกำหนดผลลัพธ์ด้วยภาษาทางธุรกิจ ไม่ใช่แค่พูดว่า “workflow นี้ใช้เงิน 2.13 ดอลลาร์” แต่ต้องพูดว่า: การจัดการเคลมนี้โดยตัวแทนถูกกว่า BPO แต่หากกรมธรรม์ต้องการเอกสารเพิ่มเติมที่ผิดปกติ การลองใหม่ในหางยาวจะทำลายความคุ้มค่าทางเศรษฐกิจ

การวัดผลจะกลายเป็นความจำ เพื่อเชื่อมโยงโทเค็นกับผลลัพธ์ บริษัทต้องจับภาพทุกสิ่งที่เกิดขึ้นระหว่างทาง: ตัวแทนเห็นอะไร ดึงข้อมูลอะไร ใช้เครื่องมือใดบ้าง ละเลยอะไร ลองใหม่ที่จุดไหน ถูกแทนที่ด้วยมนุษย์เมื่อใด ใช้กฎข้อยกเว้นใด และตัวอย่างใดมีผลบังคับใช้ รวมถึงเหตุผลที่เส้นทางหนึ่งประสบความสำเร็จในขณะที่อีกเส้นทางล้มเหลว ชั้นการวัดผลต้องบันทึกเส้นทางการตัดสินใจ ซึ่งเป็นสิ่งที่บริษัทต่างๆ แทบไม่เคยมีมาก่อนเลย การบันทึกระบบสามารถจับภาพว่าเกิดอะไรขึ้น แต่แทบไม่เคยจับภาพว่าทำไม เช่น CRM สามารถบอกคุณได้ว่าธุรกรรมหนึ่งล่าช้า แต่ไม่สามารถบอกคุณได้ว่าการคาดการณ์การขายมีการตัดสินใจที่ไม่ได้ถูกเขียนลงไว้อะไรบ้าง

เหตุผลในการตัดสินใจเป็นหนึ่งในทรัพย์สินที่เสี่ยงต่อการทุจริตและสูญหายได้ง่ายที่สุดในบริษัท เพราะมันอยู่ในเส้นทาง Slack ซีรีส์อีเมล การประชุมการขึ้นระดับ และในความทรงจำของมนุษย์ แต่ปัญหาคือ มนุษย์จะจากไป และกระบวนการก็จะเปลี่ยนไป

AI เปลี่ยนจุดนี้ไป เพราะตัวแทนจะสร้างเส้นทางการดำเนินการ ทุกการค้นหา การเรียกใช้เครื่องมือ การลองใหม่ การอัปเกรด การแก้ไขด้วยมนุษย์ และการตัดสินใจสุดท้าย ล้วนกลายเป็นส่วนหนึ่งของเส้นทางจากบริบทสู่การกระทำและผลลัพธ์ ในตอนแรก บริษัทจับบันทึกเส้นทางเหล่านี้เพื่อพิสูจน์ความคุ้มค่าของการใช้จ่าย แต่เมื่อเส้นทางเหล่านี้ถูกจับไว้แล้ว พวกมันจะมีค่ามากกว่ารายงานค่าใช้จ่ายเอง เพราะมันจะกลายเป็นบันทึกถาวรที่บันทึกว่าองค์กรดำเนินการตัดสินใจจริงๆ อย่างไร (咳, context graph แม้ว่าฉันจะได้ยินคำนี้จนเบื่อจริงๆ ในช่วงหลังนี้)

ชั้นการจัดสรรคือรางวัลที่แท้จริง หากการให้เหตุผลกลายเป็นทรัพยากรที่คิดค่าใช้จ่ายตามการใช้งานในโมเดลการดำเนินงานลูกค้า ทุกดอลลาร์ต้องพิสูจน์ได้ว่าคุ้มค่าที่จะใช้ ผู้ให้บริการใดสามารถอธิบายได้ว่า token เปลี่ยนเป็นผลลัพธ์เมื่อใด ไม่เปลี่ยนเป็นผลลัพธ์เมื่อใด และทำไม

บริษัทจะไม่ค้นพบสิ่งนี้ด้วยตัวเองทั้งหมด พวกเขาจะมองว่านี่เป็นการเปลี่ยนผ่านและซื้อมันเข้ามา บริษัทในรายชื่อฟอร์จูน 500 ได้เคยแสดงบทบาทนี้ซ้ำแล้วซ้ำเล่า: รัดเข็มขัดนิรภัย ว่าจ้างแมคคินซีย์ จ้างพนักงานเก่าของ Palantir ทุกคนในตลาด และขับเคลื่อนการเปลี่ยนแปลงจากซีอีโอลงมา การเชื่อมโยง Token กับผลลัพธ์ก็จะเกิดขึ้นในลักษณะเดียวกับ ERP, BI และการเปลี่ยนผ่านดิจิทัล: เข้ามาในรูปแบบของ “โครงการ” ที่มีการรับรองจากผู้บริหาร พร้อมโครงสร้างพื้นฐานรองรับด้านล่าง และสุดท้ายกลายเป็นแหล่งข้อมูลใหม่ที่เป็นมาตรฐาน ผู้ก่อตั้งที่สามารถทำสิ่งนี้ได้ จะสร้างทีมผู้ก่อตั้งในรูปแบบที่ต่างออกไป และตัวพวกเขาเองก็จะแตกต่างจากต้นแบบผู้ประกอบการแบบดั้งเดิม

ผู้ที่ควบคุมการระบุแหล่งที่มาของโทเค็นไปยังผลลัพธ์ จะสามารถตัดสินใจจัดสรรทรัพยากรได้: ว่ากระบวนการใดควรได้รับพลังการประมวลผลมากขึ้น กระบวนการใดควรจำกัด กระบวนการใดควรเปลี่ยนไปใช้โมเดลที่ถูกกว่า กระบวนการใดควรคงไว้ให้คนทำต่อ และกระบวนการใดสามารถแทนที่ BPO ได้ เมื่อคุณสามารถตัดสินใจเหล่านี้ได้ คุณก็จะควบคุมทิศทางของการใช้จ่าย AI ภายในองค์กร และได้รับความเชื่อมั่นที่จำเป็นในการจัดสรรทรัพยากรนี้

ขั้นตอนแรกของ AI สำหรับองค์กรได้พิสูจน์แล้วว่า โมเดลสามารถทำงานได้ ขั้นตอนต่อไปจะกำหนดว่า งานเหล่านั้นมีค่าค่าตอบแทนเท่าใด ตามที่ชาร์ลี แมนเกอร์ กล่าวว่า: “จงแสดงให้ฉันเห็นแรงจูงใจ ฉันจะบอกคุณถึงผลลัพธ์”

ลิงก์ต้นฉบับ