หลังจากใช้ AI แล้ว บริษัทกลับดูเหมือนจะจนลง ตอน AI เพิ่งออกมา ผู้บริหารทุกคนคิดว่าถึงเวลาลดพนักงานและตัดต้นทุนแล้ว พวกเขาจินตนาการว่า AI หนึ่งตัวสามารถแทนคนได้สามคน ไม่ต้องนอนไม่ต้องพัก โทรหาเมื่อไหร่ก็ตอบทันที ไม่ต้องขึ้นเงินเดือน ไม่ต้องจ่ายประกันสังคม และสามารถทำงานได้ 24 ชั่วโมง ฟังดูสมบูรณ์แบบมาก แต่ความเป็นจริงคือ AI ไม่ได้เลื่อนเวลาหรือทำงานล่วงเวลาจริงๆ มันแค่ยิ่งทำมากขึ้น ก็ยิ่งคิดเงินมากขึ้น จนตอนนี้หลายบริษัทเริ่มร้องออกมาว่า “จ่ายค่า token ไม่ไหวแล้ว” หลายคนตอบสนองแรกคือ “ไม่น่าจะเป็นไปได้หรอก? AI ไม่ได้ถูกลงเรื่อยๆ หรือ? หลังจาก DeepSeek ออกมา ไม่ใช่ทุกคนพูดว่าต้นทุนโมเดลใหญ่ลดลงแล้ว?” แต่หลายคนลืมสิ่งหนึ่ง: โมเดลอาจถูกลงแล้ว แต่บริษัทใช้งานมันหนักขึ้นเรื่อยๆ จากที่แต่ละคนใช้ครั้งคราว กลายเป็นทุกคนใช้งาน แล้วก็กลายเป็นมี Agent หลายสิบตัวทำงานเองตลอด 24 ชั่วโมงในพื้นหลัง ผลลัพธ์คือการเรียกใช้งานแต่ละครั้งถูกลง แต่ใบแจ้งหนี้สิ้นเดือนกลับแพงขึ้นเรื่อยๆ ตัวอย่างเช่น Uber เปิดให้โปรแกรมเมอร์ 5,000 คนใช้งาน Claude Code ภายในไม่กี่เดือนก็ใช้เงินงบประมาณ AI ทั้งปีเกือบหมด ช่วงนี้ Microsoft ก็เริ่มเหยียบเบรก จำกัดสิทธิ์การใช้งาน Claude Code ในองค์กร และไม่อนุญาตให้โปรแกรมเมอร์เรียกใช้งานแบบไม่จำกัด พูดง่ายๆ ก็คือ ยุค “ใช้เท่าไหร่ก็ได้ตามใจ” จบลงแล้ว Amazon ตรงไปตรงมากว่านั้น พวกเขาเพิกถอนตารางอันดับการใช้งาน AI ในองค์กรทันที เหตุผลก็เรียบง่าย: เมื่อพวกเขาเห็นว่า “ใช้ AI เท่าไหร่” เป็นตัวชี้วัด พนักงานก็เริ่มแข่งกันใช้งาน token เพื่อขึ้นอันดับ ดูเหมือนทุกคนกำลังต้อนรับ AI อย่างกระตือรือร้น แต่ความจริงคือการเรียกใช้งานจำนวนมากไม่มีผลลัพธ์ใดๆ เลย—แค่ “ใช้เพื่อให้ได้ใช้” ในหนึ่งการทดลองหลาย Agent ของ miHoYo มี Agent หลายสิบตัวทำงานในพื้นหลังเรียกใช้งานซ้ำซ้อนกัน รอคอยกันและกัน และยืนยันกันและกัน: คุณถามฉันหนึ่งคำถาม ฉันตอบกลับหนึ่งครั้ง แล้วคุณยืนยันอีกครั้ง โดยไม่มีใครจบกระบวนการใดๆ เลย สายการเรียกใช้งานจึงยาวขึ้นเรื่อยๆ สุดท้ายหนึ่งคืนก็ใช้ token มูลค่าประมาณสองล้านหยวน ในขณะที่มูลค่าที่ได้รับแทบไม่มีเลย เมื่อเห็นสิ่งนี้ คนจำนวนมากอาจสงสัย: token คืออะไร? มันทำไมถึงสามารถทำลายบริษัทได้ขนาดนี้? จริงๆ แล้ว token เปรียบเสมือน “ค่าไฟฟ้า” ในโลกของ AI เมื่อคุณถามคำถามหนึ่งข้อในช่องแชท และ AI ตอบกลับภายในไม่กี่วินาที มันดูเหมือนฟรี แต่ในระบบหลังบ้านของบริษัท การพิมพ์ประโยคหนึ่ง การสร้างเนื้อหาหนึ่งชุด การเรียกใช้งานโมเดลหนึ่งครั้ง การให้ Agent ใช้งานเครื่องมือหนึ่งชิ้น แม้แต่การที่ AI พูดคุยกับ AI เอง ก็ล้วนสร้างการใช้งาน token และสำคัญกว่านั้น: การคิดราคาของ AI และซอฟต์แวร์แบบดั้งเดิมแตกต่างกันโดยสิ้นเชิง ในอดีต การซื้อซอฟต์แวร์ มีต้นทุนคงที่แทบจะแน่นอน: ราคาต่อบัญชีเท่าไหร่ งบประมาณรายปีเท่าไหร่—สามารถคำนวณได้เกือบแม่นยำตั้งแต่ต้นปี แต่ AI ไม่เหมือนกัน มันคิดเงินตามปริมาณการใช้งาน และปริมาณการใช้งานนี้จะเพิ่มขึ้นตามความซับซ้อนของธุรกิจ พนักงานหนึ่งคนถามคำถามไม่กี่ข้อ—ต้นทุนอาจน้อยมาก; เมื่อทีมทั้งหมดเริ่มใช้งาน—ค่าใช้จ่ายเริ่มเพิ่มขึ้น; เมื่อมีการเชื่อมต่อ Agent และให้ AI เรียกใช้งาน AI อีก—ใบแจ้งหนี้อาจพุ่งจากหลักพันเป็นหลักแสนหรือล้านหยวน แต่สองปีที่ผ่านมา สังคมทั้งหมดกำลังส่งเสริมให้ใช้งาน AI มากขึ้น เพิ่มการแทรกซึมของ AI เพิ่มความถี่ในการใช้งาน เพิ่มระดับความอัตโนมัติ—บางบริษัทแม้แต่นำ “ปริมาณการใช้งาน token” มาเป็นเกณฑ์ประเมินผล ในเศรษฐศาสตร์ มีกฎคลาสสิกชื่อ “กฎของ Goodhart”: เมื่อตัวชี้วัดกลายเป็นเป้าหมาย มันจะไม่มีประโยชน์อีกต่อไป ต่างประเทศแม้แต่มีคำใหม่เกิดขึ้นมาเฉพาะสำหรับเรื่องนี้: “Tokenmaxxing” —ซึ่งสามารถเข้าใจได้ว่า “ผลักดันการใช้งาน token ให้สูงสุด” บางคนให้ AI ปรับปรุงโค้ดเดียวกันซ้ำๆ หลายสิบครั้ง คนอื่นให้มันสร้างรายงานหลายสิบเวอร์ชันในครั้งเดียว บางคนแยกงานที่ทำได้ในไม่กี่ขั้นตอนออกเป็น Agent เยอะแยะเพื่อให้มองดูเหมือนฉลาดขึ้น—จน AI เหมือนกลายเป็นของตกแต่งที่ไร้ประโยชน์ เมื่อใช้งานเล็กๆ ยังพอรับไหวได้ แต่สิ่งที่ผลักดันต้นทุนให้วอกแวกจริงๆ ก็คือระบบหลาย Agent 理论上，这套系统很美：一个 Agent 负责规划，一个负责执行，一个负责检查，一个负责总结，像个数字版团队协作。 但现实跑起来，它更像一个没人主持的项目会。 你问我，我问你；你等我，我等你；确认一轮不够再来一轮。所有人都在动，但事情就是收不了尾。 ในระบบหลาย Agent ส่วนใหญ่ มีระหว่าง 30% ถึง 60% ของ token ถูกใช้ไปกับวงจรไร้ประโยชน์เหล่านี้ พูดง่ายๆ ก็คือ เงินจำนวนมากไม่ได้เปลี่ยนเป็นผลลัพธ์ใดๆ เลย—แต่ถูกเผาไปในกระบวนการ “ประชุม” กันระหว่าง AI ยิ่งไปกว่านั้น มันตลกร้ายกว่านั้น เพราะ Agent เหล่านี้ไม่ได้ขี้เกียจ—กลับตรงกันข้าม! พวกมันทำหน้าที่อย่างเคร่งครัด เดินตามกระบวนการอย่างเข้มงวด: Agent ก่อนเรียก Agent ถัดไป และ Agent ถัดไปกลับมาตรวจสอบ Agent ก่อนจนระบบติดอยู่ในวงจรปิด คล้ายกับบริษัทบางแห่งที่มีคนหลายสิบคนประชุมกันจากเย็นจนถึงเช้า คนละคนพูดหมด คนละคนมีส่วนร่วมเต็มที่—แต่ไม่มีใครตัดสินใจ และการประชุมถูกคิดค่าตามวินาที และประเด็นสำคัญคือ การ “ประชุม” เหล่านี้ถูกจำลองซ้ำๆ เปลี่ยนรูปแบบ และซ้อนเข้าไปในระบบอย่างไม่มีจุดสิ้นสุด เมื่อขนาดขยายใหญ่ขึ้น ต้นทุนจึงพุ่งขึ้นแบบเลขชี้กำลัง เพราะต้นทุนของ AI ไม่มีลักษณะแบบครั้งเดียวจบ—แต่มันขยายเพิ่มขึ้นตามสายการเรียกใช้งาน และแทบจะคาดเดาไม่ได้ ตอนนี้ผู้คนไม่ได้อภิปรายว่า “AI ดีหรือไม่ดี” อีกแล้ว—แต่วางแผนคำนวณสิ่งที่เป็นจริงกว่านั้น: สิ่งนี้จะทำให้ใบแจ้งหนี้ระเบิดไหม? โมเดลภายในประเทศอย่าง DeepSeek และ DouBao ถูกหยิบมาพูดถึงอีกครั้งไม่ใช่เพราะความรู้สึก nostalgic—แต่มากกว่านั้นเพราะประโยคง่ายๆ: “งานเดียวกันอาจถูกกว่าหลายเท่า” พูดตรงๆ ก็คือ: อย่าเอาโมเดลแพงสุดมาใช้งานหมด—งานธรรมดาให้มองโมเดลราคาถูกกว่า ส่วนงานซับซ้อนจึงค่อยใช้มodelใหญ่ บริษัทเริ่มเข้าใจแล้วว่า AI ไม่ใช่อุปกรณ์ “ยิ่งใช้มากยิ่งเก่ง”—แต่มันเป็นระบบที่ “ยิ่งใช้มากยิ่งเสียเงิน” ตลาดทุนก็เปลี่ยนมุมมองเช่นกัน: ก่อนหน้านี้มองบริษัท AI โดยดูว่าใครเรียกใช้งานมาก คนไหนเติบโตเร็ว คนไหนเผา token เยอะ ตอนนี้มองแค่อย่างเดียว: ROI (ผลตอบแทนจากการลงทุน) —คุณเผา token เยอะขนาดนี้ มันได้มูลค่ากลับมาจริงไหม? ความจริงอันเจ็บปวดคือ: การเพิ่มประสิทธิภาพ ≠ การทำกำไร เขียนโค๊ดเร็วขึ้นสองเท่าแต่ผลิตภัณฑ์ขายไม่มากขึ้นเลย? มันแค่ “จ่ายเงินเร็วขึ้น” —ไม่ใช่อย่างทำกำไร ยิ่งไปกว่านั้น สิ่งนี้ไม่ได้อยู่แค่ในบริษัทเดียวเท่านั้น มีบริษัทหนึ่งเผาเงินไปถึงห้าพันล้านดอลลาร์สหรัฐในหนึ่งเดือนบน Claude และเคยเกิดกรณีลืมตั้งขีดจำกัดจน token พุ่งทะยานแบบไม่มีหยุด Meta ยังเลวร้ายกว่านั้น—theyเคยจัดตารางอันดับภายในชื่อ “Claudeonomics” เพื่อดูว่าใครใช้งาน AI เยอะที่สุด—ผู้ชนะรายเดียวเผาไปถึง 31.2 ล้านล้าน token ในหนึ่งเดือน คำนวณออกมาแล้ว เงินจำนวนนี้เพียงพอจ้างวิศวกรระดับประสบการณ์สองคนทำงานตลอดหนึ่งปี สรุปแล้ว: ในขณะที่ผู้บริหารตะโกนว่า “เปลี่ยนเป็น AI หมด!”—ฝ่ายบัญชีกำลังเหงื่อออก โดยแท้จริงแล้ว มันไม่ได้หมายความว่า “อย่าใช้งาน AI” —แต่มันหมายถึง “หยุดเผา token โดยไร้เหตุผล”ผู้ใช้เริ่มตั้งคำถามที่เป็นรูปธรรมมากขึ้น: token เหล่านี้ จริงๆ แล้วสามารถแลกเป็นเงินสดได้ไหม? #AI #AIAgent @grok