จาก Tokenmaxxing สู่ ROI: Tiffany Luck จาก NEA กับการเผชิญหน้าความจริงของโลก AI

ยุคแห่ง "tokenmaxxing"—ช่วงเวลาที่เหล่า CEO ใน Silicon Valley สนับสนุนให้มีการใช้งาน AI อย่างไม่จำกัดโดยไม่คำนึงถึงต้นทุน—กำลังเปลี่ยนผ่านอย่างรวดเร็วเข้าสู่ช่วงเวลาแห่งการตรวจสอบทางการเงินอย่างเข้มงวด เมื่อองค์กรต่างๆ ก้าวข้ามผ่านกระแสความตื่นเต้นในช่วงแรก จุดสนใจจึงเปลี่ยนจากการบริโภคในปริมาณมหาศาล ไปสู่การพิสูจน์ผลตอบแทนจากการลงทุน (ROI) ที่จับต้องได้

จุดสิ้นสุดของยุค Tokenmaxxing

เมื่อต้นปีที่ผ่านมา เทรนด์ที่แพร่หลายในโลกเทคโนโลยีคือ "tokenmaxxing" ซึ่งเป็นการผลักดันให้มีการบูรณาการ AI เข้ากับทุกเวิร์กโฟลว์ที่เป็นไปได้เพื่อเพิ่มประโยชน์ใช้สอยให้สูงสุด อย่างไรก็ตาม ต้นทุนที่สูงมหาศาลจากการใช้งาน Large Language Model (LLM) ได้นำไปสู่การเผชิญหน้ากับความเป็นจริงครั้งสำคัญ รายงานจากแหล่งข่าวสำคัญระบุว่า บริษัทอย่าง Uber อาจใช้จ่ายงบประมาณด้าน AI รายปีจนหมดสิ้นภายในเวลาเพียงไม่กี่เดือน

แรงกดดันทางการเงินนี้บีบให้องค์กรต่างๆ ต้องดำเนินมาตรการควบคุมที่เข้มงวด โดยบางบริษัทถึงขั้นยกเลิกสิทธิ์การใช้งาน Claude สำหรับบางแผนก หรือยกเลิกตารางจัดอันดับ AI ภายในองค์กร เช่น Meta สำหรับนักลงทุนในธุรกิจร่วมลงทุน (Venture Capitalists) อย่าง Tiffany Luck พาร์ทเนอร์จาก NEA การเปลี่ยนแปลงนี้เป็นสัญญาณของการเปลี่ยนผ่านจากการใช้จ่ายเพื่อการทดลอง ไปสู่ "การพิสูจน์ความคุ้มค่าของ ROI" อย่างมีวินัย

การก้าวขึ้นมาของ Model Agnosticism และกลยุทธ์การปรับใช้

ในขณะที่บริษัทต่างๆ กำลังรับมือกับต้นทุนเหล่านี้ รูปแบบใหม่ของการนำ AI ไปใช้ในระดับองค์กรกำลังปรากฏขึ้น แทนที่จะผูกติดกับผู้ให้บริการเพียงรายเดียว องค์กรต่างๆ เริ่มหันมาใช้กลยุทธ์ "ผสมผสานและเลือกใช้" (mixing and matching) โมเดลที่แตกต่างกัน เพื่อเพิ่มประสิทธิภาพสูงสุดทั้งในด้านสมรรถนะและราคา แนวทางแบบหลายโมเดล (multi-model approach) นี้ช่วยให้บริษัทสามารถใช้โมเดลที่มีราคาแพงและมีความสามารถในการใช้เหตุผลสูงสำหรับงานที่ซับซ้อน ในขณะที่ใช้โมเดลขนาดเล็กที่มีราคาถูกกว่าสำหรับงานอัตโนมัติในกิจวัตรประจำวัน

เพื่ออำนวยความสะดวกในการบูรณาการนี้ บุคลากรกลุ่มใหม่จึงกลายเป็นสิ่งจำเป็น นั่นคือ วิศวกรแบบ forward-deployed (forward-deployed engineer) Luck เสนอว่าวิศวกรเหล่านี้ทำหน้าที่เป็น "ม้าโทรจัน" (Trojan horse) สำหรับการนำ AI มาใช้ในองค์กรขนาดใหญ่ การทำงานโดยตรงในแนวหน้าของการปรับใช้ ช่วยให้พวกเขาสามารถเชื่อมช่องว่างระหว่างขีดความสามารถดิบของโมเดล กับกรณีการใช้งานทางธุรกิจที่เน้นการสร้างมูลค่าที่เฉพาะเจาะจง เพื่อให้มั่นใจว่าเครื่องมือ AI จะสามารถแก้ปัญหาขององค์กรได้จริง แทนที่จะเป็นเพียงการเพิ่มความซับซ้อนให้แก่ระบบ

การค้นหามูลค่าตลอดทั้ง AI Stack

ความเข้าใจผิดที่พบบ่อยในตลาดปัจจุบันคือ การคิดว่ามูลค่ากระจุกตัวอยู่เพียงแค่ในระดับโมเดล (model layer) เท่านั้น ในขณะที่การแข่งขันเพื่อสร้าง LLM ที่ทรงพลังที่สุดยังคงดำเนินต่อไป Tiffany Luck แย้งว่าการสร้างมูลค่าอย่างมีนัยสำคัญกำลังเกิดขึ้นในทุกๆ ชั้นของ AI stack

ตั้งแต่สตาร์ทอัพที่สร้างโครงสร้างพื้นฐานเฉพาะทางเพื่อช่วยให้องค์กรติดตามค่าใช้จ่ายด้าน AI ไปจนถึงนักพัฒนาที่สร้าง "personal agents" ที่มอบ "magic moments" ในประสบการณ์ของผู้บริโภค โอกาสต่าง ๆ กำลังมีความหลากหลายมากขึ้น เมื่ออุตสาหกรรมเติบโตขึ้น ผู้ชนะอาจไม่ใช่แค่ผู้ที่ให้บริการจำนวน token มากที่สุด แต่จะเป็นผู้ที่มอบความฉลาดที่มีประสิทธิภาพ บูรณาการ และวัดผลได้มากที่สุด

ประเด็นสำคัญ