องค์กรยังมองหาแนวทางวัด ROI ของ AI หลังยุค Tokenmaxxing

NEA’s partner Tiffany Luckระบุว่าองค์กรหลายแห่งยังคงหาวิธีวัดผลตอบแทนจากการลงทุนด้าน AI (ROI) หลังจากที่แนวโน้ม Tokenmaxxing ที่เคยเป็นกระแสร้อนในซิลิคอนแวลลีย์เริ่มเผชิญกับข้อจำกัดด้านงบประมาณและการจัดการภายใน. ปัญหานี้ทำให้บริษัทใหญ่หลายแห่งต้องปรับลดการใช้เครื่องมือ AI เช่น Claude** ของ Anthropic หรือยกเลิกการแข่งขันภายในเพื่อควบคุมค่าใช้จ่าย.

Overview

การผลักดันให้พนักงานใช้ AI อย่างเต็มที่หรือ “Tokenmaxxing” ได้รับการส่งเสริมอย่างแข็งขันจากซีอีโอหลายคนในปีที่ผ่านมา เพื่อเพิ่มประสิทธิภาพและเร่งนวัตกรรม อย่างไรก็ตาม หลังจากที่หลายองค์กรใช้จ่าย AI budget อย่างรวดเร็วจนเกินคาด การใช้จ่ายจึงเริ่มกลายเป็นประเด็นที่ต้องตรวจสอบอย่างละเอียด. ในมุมมองของ NEA, การที่องค์กรยังไม่มั่นใจว่าการลงทุน AI จะให้ผลตอบแทนที่คุ้มค่าหรือไม่ เป็นอุปสรรคต่อการขยายการใช้ AI อย่างต่อเนื่อง.

เทคโนโลยี AI ยังคงเป็นหัวข้อที่ได้รับความสนใจสูงในระดับผู้บริหารระดับสูง แต่การประเมินค่า ROI ยังคงเป็นขั้นตอนที่ซับซ้อน เนื่องจากผลลัพธ์อาจกระจายไปยังหลายส่วนขององค์กร ทั้งในด้านการลดต้นทุน การเพิ่มคุณภาพผลิตภัณฑ์ และการสร้างประสบการณ์ลูกค้าใหม่.

Trend & Budget Pressures

แนวโน้ม Tokenmaxxing ได้รับการกระตุ้นโดยการที่บริษัทเทคโนโลยีหลายแห่งประกาศให้พนักงาน “ใช้ AI ให้เต็มที่” เพื่อติดตามการแข่งขันในอุตสาหกรรม การใช้ AI อย่างต่อเนื่องทำให้ปริมาณ token ที่ต้องประมวลผลเพิ่มขึ้นอย่างมหาศาล ส่งผลให้ค่าใช้จ่ายของบริการคลาวด์และโมเดลภาษาต่าง ๆ พุ่งสูงขึ้นอย่างรวดเร็ว.

ตามรายงานของ TechCrunch, Uberใช้จ่าย AI budget ประจำปีจนเกินงบประมาณภายในไม่กี่เดือน ซึ่งทำให้บริษัทต้องทบทวนกลยุทธ์การใช้ AI ของตน. นอกจากนี้ยังมีบริษัทอื่นที่ตัดการใช้ Claude ของ Anthropic ในบางส่วนขององค์กรเพื่อควบคุมค่าใช้จ่าย และ Metaได้ยุติระบบ leaderboard ภายในที่ใช้เพื่อกระตุ้นการทดลอง AI.

การตัดสินใจเหล่านี้สะท้อนถึงความท้าทายที่องค์กรต้องเผชิญเมื่อพยายามผสาน AI เข้ากับกระบวนการทำงานโดยไม่ทำให้ค่าใช้จ่ายบานปลายเกินไป.

• Uber: ใช้งบ AI หมดในไม่กี่เดือน
• บริษัทบางส่วน: ลดหรือยกเลิกไลเซนส์ Claude
• Meta: ปิดระบบ leaderboard ภายใน

Company Responses

หลายบริษัทเลือกใช้วิธีการ “rightsizing” การใช้งาน AI โดยกำหนดขอบเขตการใช้โมเดลและจำนวน token ที่อนุญาตให้ใช้ต่อผู้ใช้หรือทีมงาน. การปรับลดไลเซนส์หรือยกเลิกโครงการภายในเป็นการตอบสนองต่อความจำเป็นในการควบคุมต้นทุนที่เพิ่มขึ้น.

ในขณะเดียวกันบางองค์กรยังคงมองว่า AI เป็นเครื่องมือสำคัญในการสร้างความแตกต่างทางการแข่งขัน จึงลงทุนในโซลูชันที่มีประสิทธิภาพสูงขึ้นและพยายามพัฒนาระบบวัดผล ROI ที่ชัดเจนยิ่งขึ้น. การพัฒนามาตรฐานการวัดผลอาจรวมถึงการเปรียบเทียบต้นทุนต่อผลลัพธ์ทางธุรกิจ เช่น รายได้เพิ่มจากการใช้ AI หรือค่าใช้จ่ายที่ลดลงจากกระบวนการอัตโนมัติ.

ROI Challenges

การประเมิน ROI ของ AI มีความซับซ้อนหลายมิติ เนื่องจากผลลัพธ์อาจไม่สามารถวัดได้โดยตรงจากตัวเลขการขายหรือกำไรเท่านั้น. ปัจจัยที่ต้องพิจารณารวมถึงเวลาในการพัฒนาโมเดล, ค่าใช้จ่ายด้านข้อมูลและการฝึกสอน, ความเสี่ยงด้านความปลอดภัยข้อมูล, และผลกระทบต่อวัฒนธรรมองค์กร.

Tiffany Luckของ NEA ชี้ให้เห็นว่า “องค์กรหลายแห่งยังคงอยู่ในขั้นตอนการทดลองและค้นหาโมเดลที่ให้ผลลัพธ์คุ้มค่าที่สุด” ซึ่งหมายถึงการต้องทำ pilot projects อย่างต่อเนื่องเพื่อหาจุดที่ AI สามารถสร้างคุณค่าได้จริง. การไม่มีกรอบการวัดที่เป็นมาตรฐานทำให้การตัดสินใจลงทุนต่อเนื่องเป็นเรื่องยากและอาจทำให้บางองค์กรถอยกลับจากการใช้ AI อย่างเต็มที่.

Impact

ผลกระทบจากการที่องค์กรต้องปรับลดการใช้ AI หรือกำหนดขอบเขตการใช้งานอาจทำให้การพัฒนาเทคโนโลยีในระดับอุตสาหกรรมชะลอตัวในระยะสั้น แต่ในระยะยาวอาจกระตุ้นให้เกิดมาตรฐานการวัด ROI ที่มีความแม่นยำและเป็นระบบมากขึ้น. นอกจากนี้การประหยัดค่าใช้จ่ายจากการตัดไลเซนส์หรือระบบภายในอาจช่วยให้บริษัทสามารถนำเงินที่ประหยัดได้นั้นมาลงทุนในโครงการ AI ที่มีศักยภาพสูงกว่า.

สำหรับนักลงทุนและผู้ให้บริการ AI การที่ตลาดเริ่มให้ความสำคัญกับการพิสูจน์คุณค่าเชิงปริมาณอาจส่งผลให้ผู้ให้บริการต้องเสนอแพ็คเกจที่ยืดหยุ่นและเครื่องมือวัดผลที่ชัดเจนเพื่อดึงดูดลูกค้าองค์กรที่กำลังมองหา ROI ที่เป็นรูปธรรม.

Summary

องค์กรหลายแห่งยังคงเผชิญกับความท้าทายในการหาวิธีวัดผลตอบแทนจากการลงทุน AI หลังจากที่แนวโน้ม Tokenmaxxing ทำให้ค่าใช้จ่ายพุ่งสูงขึ้น. การปรับลดไลเซนส์และการยกเลิกโครงการภายในเป็นสัญญาณของการค้นหาแนวทางควบคุมต้นทุนพร้อมกับพัฒนากรอบการวัด ROI ที่ชัดเจน.