AI ระดับองค์กรต้องการการควบคุมค่าใช้จ่ายใหม่

การใช้ Generative AI ขององค์กรได้ก้าวจากขั้นทดลองเข้าสู่การใช้งานจริงในหลายบริษัทแล้ว แต่จำนวนองค์กรที่สามารถคาดการณ์ค่าใช้จ่ายในระยะหกเดือนต่อไปได้อย่างมั่นคงยังน้อยมาก ความไม่แน่นอนนี้เกิดขึ้นแม้ AI จะเป็นหัวข้อที่ได้รับความสนใจระดับคณะผู้บริหารและได้รับงบประมาณจำนวนมาก ทำให้ผู้จัดการการเงินต้องเผชิญกับความท้าทายใหม่ในการควบคุมค่าใช้จ่ายและวัดผลการลงทุน

Overview

AI ของระดับองค์กรกำลังเปลี่ยนแปลงวิธีการใช้เทคโนโลยีพื้นฐานอย่างรวดเร็ว Generative AI ได้ถูกนำไปใช้ในกระบวนการต่าง ๆ ตั้งแต่การพัฒนาผลิตภัณฑ์จนถึงการให้บริการลูกค้า อย่างไรก็ตาม การคาดการณ์ค่าใช้จ่ายยังคงเป็นเรื่องยาก เนื่องจากการใช้ AI ยังอยู่ในขั้นสำรวจและทดลองอยู่เป็นส่วนใหญ่

การย้ายจากการทดลองสู่การผลิตทำให้ค่าใช้จ่ายที่เกิดขึ้นเพิ่มขึ้นอย่างต่อเนื่อง แม้ว่า Amazon จะประกาศว่า บริษัทคาดว่าจะใช้จ่าย $200 billion** ในการลงทุนด้านโครงสร้างพื้นฐาน AI ภายในปีหน้า การลงทุนระดับนี้แสดงให้เห็นว่าตลาดมองเห็นศักยภาพของ AI อย่างชัดเจน แต่ก็ยังไม่บ่งบอกว่าการใช้จ่ายจะสอดคล้องกับผลตอบแทนที่คาดหวังหรือไม่

Cost Uncertainty

หนึ่งในสาเหตุหลักของความไม่แน่นอนคือรูปแบบการบริโภค AI ที่แตกต่างจากการใช้คลาวด์แบบดั้งเดิม ค่าใช้จ่ายของคลาวด์เคยเป็นเรื่องยากในช่วงแรก แต่ต่อมามีรูปแบบการใช้ที่คาดเดาได้และสามารถสร้างโมเดลการเงินได้ ส่วน AI ยังคงอยู่ในสภาพที่ไม่มีรูปแบบคงที่

การตั้งราคาแบบ token‑based pricing ให้ความแม่นยำระดับหนึ่ง แต่ก็ยังไม่ครอบคลุมทุกแง่มุมของการใช้งาน AI เมื่อองค์กรขยายการใช้ AI ไปยังทีมกฎหมาย, HR หรือการดำเนินงานลูกค้า ทีมเหล่านี้มักไม่ได้พิจารณาเรื่อง tokenomics เพียงเพื่อประเมินว่ามันทำงานได้หรือไม่ การขยายการใช้ AI ผ่านหลายหน่วยงานทำให้ค่าใช้จ่ายสะสมจากการตัดสินใจเล็ก ๆ จำนวนมากโดยไม่มีการคาดการณ์ล่วงหน้า

ผลที่ตามมาคือ แม้การตรวจสอบค่าใช้จ่ายของเดือนก่อนจะชัดเจน แต่ก็ยังให้ข้อมูลจำกัดต่อการคาดการณ์ค่าใช้จ่ายของไตรมาสต่อไป การที่องค์กรต้องเชื่อมต่อข้อมูลการใช้ AI จากหลายแหล่งทำให้การสร้างแบบจำลองการเงินที่แม่นยำกลายเป็นเรื่องที่ซับซ้อนมากขึ้น

Governance & FinOps

องค์กรที่สามารถจัดการค่าใช้จ่าย AI ได้ดีมักมีทีม IT Asset Management (ITAM) และ FinOps** ที่เคยจัดการกับเทคโนโลยีการบริโภคแบบคงที่หรือคลาวด์อยู่แล้ว ทีม FinOps มีประสบการณ์ในการควบคุมค่าใช้จ่ายที่เกิดจากการใช้ทรัพยากรสาธารณะบนคลาวด์ จึงสามารถปรับตัวให้เข้ากับการบริโภค AI ที่เปลี่ยนแปลงเร็ว

FinOps กำลังขยายขอบเขตการทำงานเพื่อรวมการจัดการค่าใช้จ่าย AI อย่างเป็นทางการ การนำ AI เข้าไปสนับสนุนกระบวนการ FinOps เช่น การตรวจจับความผิดปกติ, การเพิ่มประสิทธิภาพ, และการคาดการณ์แนวโน้มค่าใช้จ่าย กำลังเป็นแนวโน้มที่เกิดขึ้นอย่างต่อเนื่อง

• การตั้งค่าขอบเขตการใช้ : กำหนดโควต้าการใช้ AI สำหรับแต่ละทีม
• การตรวจสอบแบบเรียลไทม์ : ใช้แดชบอร์ดเพื่อติดตามค่าใช้จ่ายต่อ token
• การทบทวนและปรับปรุง : ทำการตรวจสอบประสิทธิภาพของโมเดล AI อย่างสม่ำเสมอ

การนำแนวทาง FinOps มาใช้ตั้งแต่ช่วงต้นของการนำ AI ไปใช้งาน ช่วยให้การกำกับดูแลเป็นไปตามแนวคิดเชิงรุก แทนที่จะต้องรีบควบคุมค่าใช้จ่ายหลังจากที่ค่าใช้จ่ายเกินขอบเขตแล้ว

Legacy vs AI‑First

องค์กรที่ออกแบบระบบโดยคำนึงถึง AI ตั้งแต่เริ่มต้น (AI‑first) จะกำหนดข้อจำกัดด้านต้นทุนเป็นส่วนหนึ่งของสถาปัตยกรรมตั้งแต่ขั้นตอนออกแบบ ทำให้การปรับขนาดและการควบคุมค่าใช้จ่ายเป็นเรื่องที่ทำได้ง่ายกว่า ในขณะที่องค์กรที่มีโครงสร้างพื้นฐาน legacy ต้องเผชิญกับความท้าทายในการผสาน AI เข้าไปในระบบที่สร้างมาจากสมมติฐานการใช้งานที่คงที่

การนำ AI เข้ามาในสภาพแวดล้อม legacy ทำให้ต้องปรับเปลี่ยนสัญญาการค้าและโมเดลการดำเนินงานที่เคยใช้มาเป็นเวลานาน การเปลี่ยนแปลงเหล่านี้ทำให้การคาดการณ์ค่าใช้จ่ายยากขึ้นและเพิ่มความเสี่ยงต่อการเกิดค่าใช้จ่ายที่ไม่คาดคิด การทำ controlled experiments ก่อนการเปิดตัวระดับกว้างเป็นวิธีที่หลายองค์กรเลือกใช้เพื่อจำกัดการขยายตัวที่ไม่ได้รับการควบคุม

ผลกระทบของการขยาย AI ไปยังภายนอกองค์กร เช่น การตอบสนองต่อข้อสอบถามจากลูกค้าในกระบวนการจัดซื้อ ทำให้ต้องแสดงความโปร่งใสด้านค่าใช้จ่ายที่อาจยังไม่พร้อมให้ข้อมูลที่ชัดเจน การเตรียมความพร้อมด้านการกำกับดูแลจึงเป็นสิ่งจำเป็นเพื่อหลีกเลี่ยงการถูกบังคับให้เปิดเผยข้อมูลที่อาจทำให้เกิดความเสี่ยงต่อการต่อรอง

Measuring Business Value

แม้การลงทุนใน AI จะเพิ่มค่าใช้จ่ายอย่างมีนัยสำคัญ แต่หลายองค์กรยังไม่สามารถตอบได้ว่า AI ส่งมอบคุณค่าทางธุรกิจที่คาดหวังหรือไม่ ตัวชี้วัดที่ส่งถึงคณะผู้บริหารมักเป็นข้อมูลเชิงปริมาณที่จำกัดและยังไม่สอดคล้องกับผลลัพธ์ทางธุรกิจจริง

การเชื่อมโยงค่าใช้จ่าย AI กับผลลัพธ์เช่น การเพิ่มประสิทธิภาพการทำงาน, การลดต้นทุนการผลิต หรือการเพิ่มรายได้จากผลิตภัณฑ์ใหม่ ต้องอาศัยการวัดผลที่ครอบคลุมหลายมิติ ทั้งเชิงปฏิบัติการและเชิงกลยุทธ์ การพัฒนากรอบการวัดผลที่รวม KPIs ของ AI เข้าไปในกระบวนการวางแผนและประเมินผล จะช่วยให้คณะผู้บริหารมีข้อมูลเพียงพอในการตัดสินใจต่อการลงทุนต่อไป

ในขณะเดียวกัน การสร้างระบบรายงานที่ให้ข้อมูลค่าใช้จ่ายแบบเรียลไทม์พร้อมกับผลลัพธ์เชิงธุรกิจ จะทำให้การตรวจสอบความคุ้มค่าของ AI มีความโปร่งใสและเป็นไปตามหลักการของการจัดการต้นทุน

Summary

การนำ AI ไปใช้ในระดับองค์กรทำให้เกิดความท้าทายใหม่ด้านการคาดการณ์ค่าใช้จ่ายและการกำกับดูแล เนื่องจากรูปแบบการบริโภคที่แตกต่างและการขยายการใช้ทั่วองค์กร การผสานแนวทาง FinOps กับการจัดการ AI จึงเป็นกุญแจสำคัญในการควบคุมค่าใช้จ่ายและสร้างคุณค่าทางธุรกิจที่แท้จริง.