งบประมาณ AI รายปีหมดภายใน 4 เดือน กรณีของ Uber ที่ท้าทายการจัดการต้นทุน AI ของบริษัท

Uber ได้เริ่มกำหนด "ข้อจำกัดความเร็ว" ในการใช้งาน AI ของพนักงาน โดยเป้าหมายคือเครื่องมือการเขียนโค้ด AI แบบตัวแทน เช่น Cursor และ Claude Code ของ Anthropic ตามรายงาน Uber ได้กำหนดขีดจำกัดการใช้จ่ายโทเค็นที่ 1,500 ดอลลาร์ต่อเดือนต่อเครื่องมือการเขียนโค้ด AI ต่อพนักงานหนึ่งคน สิ่งสำคัญคือ ขีดจำกัดนี้ไม่ใช่ "1,500 ดอลลาร์สำหรับการใช้ AI ทั้งหมด" แต่เป็น "1,500 ดอลลาร์ต่อเครื่องมือ" ซึ่งหมายความว่าพนักงานคนหนึ่งสามารถใช้ 1,500 ดอลลาร์กับ Claude Code และอีก 1,500 ดอลลาร์กับเครื่องมืออื่นได้

เมื่อดูจากนโยบายนี้เพียงอย่างเดียว อาจดูเหมือนว่า Uber ไม่เต็มใจที่จะใช้ AI แต่ความจริงกลับตรงกันข้าม Uber กำลังผสาน AI เข้ากับงานภายใน โดยเฉพาะการพัฒนาซอฟต์แวร์อย่างลึกซึ้ง Dara Khosrowshahi ซีอีโอของบริษัทอธิบายว่า ประมาณ 10% ของโค้ดของบริษัทถูกสร้างและสร้างโดย AI เอเจนต์ นอกจากนี้ การใช้ AI ยังขยายไปถึงแผนกกฎหมายและการตลาด ผู้บริหารของ Uber ได้พูดถึง AI ว่าเป็นสิ่งที่มอบ "พลังพิเศษ" ให้กับพนักงาน

อย่างไรก็ตาม การที่บริษัทกำหนดขีดจำกัดการใช้งานในครั้งนี้เป็นเพราะค่าใช้จ่ายของ AI เพิ่มขึ้นเกินคาด มีรายงานว่า Uber ใช้จ่ายงบประมาณที่เกี่ยวข้องกับ AI สำหรับปี 2026 หมดไปในช่วงต้นปี สาเหตุเบื้องหลังคือการแพร่หลายอย่างรวดเร็วของ AI แบบตัวแทน ซอฟต์แวร์ลิขสิทธิ์แบบเดิมมีค่าใช้จ่ายคงที่ที่คาดการณ์ได้ง่ายตามจำนวนคนและแผนการสัญญา ในขณะที่ AI สร้างโค้ด โดยเฉพาะเอเจนต์การเขียนโค้ด ยิ่งใช้มากเท่าไหร่ โทเค็นก็ยิ่งถูกใช้มากขึ้น และยอดเรียกเก็บเงินก็ยิ่งสูงขึ้น วิศวกรที่มีความสามารถยิ่งขยายขอบเขตการใช้งานมากขึ้น ส่งคำสั่งซ้ำๆ และขอแก้ไขและตรวจสอบซ้ำๆ ยิ่งประสิทธิภาพเพิ่มขึ้น การใช้งานก็ยิ่งเพิ่มขึ้น ที่นี่คือความยากลำบากในการจัดการงบประมาณของบริษัท

การตั้งขีดจำกัดในครั้งนี้แสดงให้เห็นว่า การนำ AI มาใช้ได้เข้าสู่ "ระยะการดำเนินงานเต็มรูปแบบ" มากกว่าความล้มเหลวในการนำ AI มาใช้ ในระยะทดลอง บริษัทสามารถยอมรับความสูญเสียบางอย่างได้ เป้าหมายคือการทดลองใช้เครื่องมือใหม่ๆ ให้พนักงานใช้ได้อย่างอิสระ และค้นหาว่าเครื่องมือใดมีประสิทธิภาพต่อการทำงานใด แต่เมื่อการใช้งานขยายไปทั่วทั้งบริษัท AI จะไม่ใช่เพียงเครื่องมือที่สะดวกสบายอีกต่อไป แต่จะกลายเป็นต้นทุนการบริหารจัดการที่ต้องจัดการอย่างต่อเนื่อง เช่นเดียวกับค่าใช้จ่ายคลาวด์และค่าแรง

Uber ได้จัดทำแดชบอร์ดที่พนักงานสามารถตรวจสอบสถานะการใช้งานของแต่ละเครื่องมือได้ และมีระบบให้ยื่นคำร้องขอเกินขีดจำกัดหากจำเป็น นี่ไม่ใช่การบีบคั้นอย่างง่ายดาย แต่เป็นการทำให้เห็นว่า "ใช้ไปกับอะไร มากน้อยแค่ไหน และทำไม" การจัดการองค์กรในยุค AI ไม่ได้เป็นการห้ามใช้ แต่เป็นการเชื่อมโยงการใช้งาน ปริมาณผลลัพธ์ และประสิทธิภาพค่าใช้จ่ายเข้าด้วยกัน

อย่างไรก็ตาม ปัญหาคือจากนี้ไป แม้ว่าปริมาณการใช้เครื่องมือ AI จะเพิ่มขึ้น แต่มันเชื่อมโยงกับผลลัพธ์ที่มีคุณค่าสำหรับลูกค้าจริงหรือไม่ Andrew Macdonald ซีโอโอของ Uber กล่าวว่าการเชื่อมโยงการเพิ่มขึ้นของการใช้โทเค็นของ Claude Code กับการเพิ่มขึ้นของฟังก์ชันที่มีประโยชน์สำหรับลูกค้าเป็นเรื่องยาก ตัวอย่างเช่น แม้ว่าการสร้างโค้ดจะเพิ่มขึ้นด้วย AI แต่ถ้ามันไม่ส่งผลให้ประสบการณ์ของผู้ใช้ดีขึ้น ความเสถียรของแอปดีขึ้น หรือการนำเสนอฟังก์ชันใหม่ๆ อย่างรวดเร็วขึ้น ในทางธุรกิจก็อาจเป็นเพียงการเพิ่มค่าใช้จ่ายเท่านั้น

มีกับดักที่บริษัทอาจตกลงไปได้ นั่นคือการใช้ "ปริมาณการใช้ AI" เป็นตัวชี้วัดผลลัพธ์ การติดตามอัตราการใช้งานหรือปริมาณโค้ดที่สร้างขึ้นในแดชบอร์ดภายในองค์กรทำให้การดำเนินการ AI เป็นเรื่องง่ายที่จะมองเห็น แต่ปริมาณการใช้งานไม่ใช่คุณค่าในตัวเอง ในโซเชียลมีเดียมีการตอบสนองมากมายในประเด็นนี้ ใน Hacker News มีความกังวลว่าการจัดอันดับหรือการกำหนดตัวชี้วัดภายในเพื่อส่งเสริมการใช้ AI อาจทำให้พนักงานมุ่งเน้นไปที่การเพิ่มปริมาณการใช้มากกว่าผลลัพธ์ ผู้ใช้คนหนึ่งได้กล่าวถึงโครงสร้างที่ให้รางวัลกับการบริโภคมากกว่าผลลัพธ์โดยใช้คำเปรียบเทียบที่มีชื่อเสียงว่า "ถ้าคุณจ่ายรางวัลให้กับงูเห่าที่ตายแล้ว ผู้คนจะเริ่มเพาะพันธุ์งูเห่า"

ใน Reddit ก็มีการตอบสนองที่เผ็ดร้อนเช่นกัน ข่าวการใช้จ่ายงบประมาณ AI หมดไปทำให้เกิดความกังวลว่า "ต่อไปจะมีการลดจำนวนพนักงานเพื่อเพิ่มงบประมาณ AI หรือไม่" และมีการตอบสนองในลักษณะที่ว่า "บอกให้พนักงานใช้ แต่เมื่อใช้แล้วกลับบอกว่าแพงเกินไป" นี่เป็นเพราะฝ่ายบริหารดูเหมือนจะส่งเสริมการใช้ AI แต่กลับผลักภาระค่าใช้จ่ายและความรับผิดชอบต่อผลลัพธ์กลับไปยังหน้างาน

ใน LinkedIn มีการอภิปรายที่เน้นไปที่การจัดการองค์กร ผู้โพสต์หลายคนมองว่ากรณีของ Uber ไม่ใช่ "ความล้มเหลวของ AI เอง" แต่เป็น "ความล้มเหลวของโมเดลงบประมาณ AI" กล่าวคือ เครื่องมือ AI มีประโยชน์จนทำให้การใช้งานเพิ่มขึ้นอย่างรวดเร็ว และแนวคิดงบประมาณซอฟต์แวร์แบบเดิมไม่สามารถตามทันได้ การนำมาใช้ด้วยความรู้สึกเดียวกับ SaaS ที่มีค่าธรรมเนียมคงที่ แต่ในความเป็นจริงแล้วมันเพิ่มขึ้นตามการใช้งานเหมือนกับไฟฟ้าหรือโครงสร้างพื้นฐานคลาวด์ หากไม่เข้าใจโครงสร้างนี้และนำมาใช้ทั่วทั้งบริษัท จะพบปัญหาหลังจากได้รับใบเรียกเก็บเงิน

ข่าวนี้แสดงให้เห็นว่าการอภิปรายเกี่ยวกับการนำ AI มาใช้ได้เปลี่ยนจาก "จะใช้หรือไม่ใช้" ไปเป็น "จะจัดการอย่างไร" ในช่วงปี 2023 ถึง 2025 บริษัทหลายแห่งได้เร่งรีบนำ AI สร้างโค้ดมาใช้เป็นแหล่งที่มาของความสามารถในการแข่งขัน เครื่องมือ AI สำหรับนักพัฒนาได้ขยายบทบาทจากการเติมโค้ดไปจนถึงการสร้างการทดสอบ การรีแฟคเตอร์ การตรวจสอบบั๊ก และการสร้างเอกสาร โดยเฉพาะ AI แบบตัวแทนไม่เพียงแค่เสนอแนะตัวเลือก แต่ยังสามารถดำเนินงานที่มีความซับซ้อนได้เอง ทำให้มีการใช้โทเค็นมากขึ้น

ดังนั้น แม้ว่าต้นทุนการใช้ AI ต่อครั้งจะลดลง แต่ยอดรวมอาจไม่ลดลง ในทางกลับกัน ยิ่งสะดวกมากขึ้น ยิ่งมีการใช้งานบ่อยขึ้น และขอบเขตการใช้งานภายในองค์กรก็ยิ่งขยายออกไป นี่คล้ายกับประวัติศาสตร์ของการประมวลผลแบบคลาวด์ คลาวด์ทำให้การจัดหาเซิร์ฟเวอร์ง่ายขึ้นและลดการลงทุนเริ่มต้น แต่เมื่อมีการเปิดใช้งานทรัพยากรด้วยความรู้สึกที่ใกล้เคียงกับการใช้ไม่จำกัด ยอดเรียกเก็บเงินในสิ้นเดือนอาจเกินคาด ที่นี่แนวคิด FinOps ได้แพร่หลาย และเกิดวัฒนธรรมการจัดการค่าใช้จ่ายคลาวด์ตามแผนก บริการ และผลลัพธ์ ในอนาคต AI ก็อาจต้องการ "AI FinOps" เช่นเดียวกัน

ขีดจำกัด 1,500 ดอลลาร์ต่อเดือนของ Uber อาจถือเป็นก้าวแรกในการใช้ AI ขององค์กร การตั้งขีดจำกัดในระดับพนักงานและเครื่องมือ การทำให้สถานะการใช้งานเป็นที่เห็นได้ชัด และการจัดให้มีการยื่นคำร้องขอเกินขีดจำกัด ทำให้สามารถดำเนินการในรูปแบบที่เป็นจริงระหว่างการใช้งานอย่างเสรีและการห้ามใช้ทั้งหมดได้ ยังคงมีพื้นที่ให้ผู้พัฒนาที่มีความสามารถใช้ AI ในสถานการณ์ที่จำเป็นจริงๆ ในขณะที่มีเป้าหมายเพื่อควบคุมการใช้มากเกินไปโดยไม่รู้ตัวและการบริโภคจำนวนมากที่ไม่เชื่อมโยงกับผลลัพธ์

อย่างไรก็ตาม การจัดการขีดจำกัดเพียงอย่างเดียวไม่เพียงพอ สิ่งที่บริษัทควรทำต่อไปคือการเชื่อมโยงการใช้ AI กับตัวชี้วัดผลลัพธ์ ตัวอย่างเช่น การใช้ AI ทำให้เวลานำในการพัฒนาสั้นลงหรือไม่ บั๊กลดลงหรือไม่ ภาระการตรวจสอบเพิ่มขึ้นหรือลดลงหรือไม่ ความถี่ในการปล่อยฟังก์ชันสำหรับลูกค้าเพิ่มขึ้นหรือไม่ จำนวนการสอบถามและเวลาการตอบสนองต่อปัญหาดีขึ้นหรือไม่ การประเมินต้องใช้ตัวชี้วัดที่ใกล้เคียงกับธุรกิจและลูกค้า ไม่ใช่จำนวนบรรทัดของโค้ดหรืออัตราการสร้าง AI มิฉะนั้น การนำ AI มาใช้จะเป็นเพียงแค่ "ความรู้สึกว่ากำลังใช้" เท่านั้น

นอกจากนี้ การเขียนโค้ดด้วย AI ไม่ใช่การแทนที่ค่าแรงคนอย่างง่ายดาย แม้ว่า AI จะเขียนโค้ด แต่ก็ยังต้องมีคนที่เข้าใจเจตนาการออกแบบ ตรวจสอบคุณภาพ และรับประกันความปลอดภัยและการบำรุงรักษา การตรวจสอบโค้ดที่ AI สร้างขึ้นอาจยากกว่าการดำเนินการแบบเดิมในบางกรณี การตัดสินทางวิศวกรรมขั้นสูงเป็นสิ่งจำเป็นในการพิจารณาว่าทำไมโค้ดถึงเป็นแบบนั้น มีผลข้างเคียงที่ไหน และสามารถทนต่อการเปลี่ยนแปลงสเปคในอนาคตได้หรือไม่

การตอบสนองในโซเชียลมีเดียที่ว่า "AI ไม่ได้แทนที่มนุษย์ แต่เปลี่ยนโครงสร้างต้นทุน" ชี้ให้เห็นถึงจุดนี้ การนำ AI มาใช้ทำให้บางงานเร็วขึ้น แต่ในขณะเดียวกันก็เกิดภาระใหม่ เช่น ค่าใช้จ่ายโทเค็น ค่าใช้จ่ายในการตรวจสอบ การจัดการความปลอดภัย การตรวจสอบความปลอดภัย และการตอบสนองต่อการสร้างผิดพลาด แม้ว่าจะสามารถควบคุมจำนวนพนักงานได้ในลักษณะที่เห็นได้ชัด แต่ถ้าต้นทุนเหล่านั้นย้ายไปที่ค่าใช้จ่ายในการใช้ AI หรือการจัดการคุณภาพแทน อัตรากำไรที่คาดหวังอาจไม่ดีขึ้นเท่าที่คาดหวัง

กรณีของ Uber ไม่ใช่เรื่องที่ทำให้เกิดความเย็นชาในกระแส AI แต่เป็นปัญหาที่เกิดขึ้นเพราะ AI ได้ถูกนำมาใช้ในงานจริงอย่างจริงจัง ถ้าเครื่องมือไม่ได้ถูกใช้ งบประมาณจะไม่หมดไป พนักงานรู้สึกถึงคุณค่าและใช้ในชีวิตประจำวัน จึงเกิดการเรียกเก็บเงินที่ไม่คาดคิดขึ้น ดังนั้น ปัญหาของ Uber ไม่ใช่ "AI ไม่มีประโยชน์" แต่เป็น "จะใช้ AI ที่มีประโยชน์อย่างยั่งยืนได้อย่างไร" ซึ่งเป็นปัญหาที่มีความเป็นผู้ใหญ่มากขึ้น

ในอนาคต บริษัทใหญ่ๆ อื่นๆ ก็อาจเผชิญกับปัญหาเดียวกัน ปีแรกของการนำเครื่องมือ AI มาใช้ การส่งเสริมการใช้งานจะเป็นสิ่งสำคัญที่สุด แต่หลังจากปีที่สอง ซีเอฟโอหรือฝ่ายวางแผนองค์กรจะดูใบเรียกเก็บเงินและขอคำอธิบายจากฝ่ายที่ใช้งาน "ทำไมทีมนี้ถึงมีค่าใช้จ่าย AI สูง" "ผลลัพธ์ที่คุ้มค่ากับค่าใช้จ่ายนั้นคืออะไร" "จะเปรียบเทียบแผนพนักงานกับงบประมาณ AI อย่างไร" บริษัทที่ไม่สามารถตอบคำถามเหล่านี้ได้ AI อาจกลายเป็นกระแสชั่วคราวหรือมีแนวโน้มที่จะควบคุมมากเกินไปที่ทำให้สูญเสียเสรีภาพในหน้างาน

ในทางกลับกัน สำหรับบริษัทที่สามารถจัดการได้ดี AI ยังคงเป็นอาวุธที่ทรงพลัง สิ่งสำคัญคือไม่ใช่การจำกัดการใช้งาน แต่เป็นการมุ่งเน้นการใช้งานที่มีคุณค่า ควรใช้ AI อย่างเต็มที่ในงานที่ AI ถนัด เช่น งานที่ต้องทำซ้ำ การสร้างโค้ดที่เป็นแบบแผน การช่วยทดสอบ การสร้างเอกสาร การทำความเข้าใจโค้ดที่มีอยู่ ในขณะที่ในด้านการกำหนดความต้องการ การตัดสินใจด้านสถาปัตยกรรม การออกแบบความปลอดภัย และทิศทางของผลิตภัณฑ์ ควรให้ความสำคัญกับการตัดสินใจของมนุษย์

ขีดจำกัด 1,500 ดอลลาร์ต่อเดือนของ Uber อาจกลายเป็นสัญลักษณ์ใหม่ของการใช้ AI ขององค์กร ในอดีต กระแส AI สร้างโค้ดมุ่งเน้นไปที่ "สามารถทำอะไรได้บ้าง" จากนี้ไปจะเป็นการถามว่า "ใช้เท่าไหร่ ใครใช้ และเพื่อผลลัพธ์ใด" AI ไม่ใช่แรงงานวิเศษ แต่เป็นโครงสร้างพื้นฐานที่ทรงพลังแต่มีค่าใช้จ่าย เช่นเดียวกับไฟฟ้าหรือคลาวด์ ใช้แล้วสร้างมูลค่า แต่ถ้าใช้ผิดวิธี ใบเรียกเก็บเงินจะเพิ่มขึ้นเท่านั้น

บทเรียนที่บริษัทควรเรียนรู้จากกรณีของ Uber นั้นชัดเจน ความสำเร็จในการนำ AI มาใช้ไม่ได้วัดจากอัตราการใช้งาน สิ่งสำคัญคือ AI เชื่อมโยงกับผลลัพธ์ทางธุรกิจได้มากน้อยเพียงใด ปรับปรุงประสบการณ์ลูกค้าได้หรือไม่ และช่วยในการตัดสินใจของพนักงานได้หรือไม่ ผู้ชนะในการใช้ AI ไม่ใช่บริษัทที่ใช้โทเค็นมากที่สุด แต่เป็นบริษัทที่ผนวก AI เข้ากับงานในรูปแบบที่ฉลาดที่สุดและสามารถวัดผลได้มากที่สุด

แหล่งที่มา

Investing.com: ข้อมูลเกี่ยวกับการที่ Uber กำหนดขีดจำกัดการใช้เครื่องมือ AI การเขียนโค้ดที่ 1,500 ดอลลาร์ต่อเดือนต่อเครื่องมือ การจัดทำแดชบอร์ดและการยื่นคำร้องขอเกินขีดจำกัด คำพูดของซีอีโอและซีโอโอ
https://www.investing.com/news/stock-market-news/uber-caps-monthly-employee-ai-spending-at-1500-per-tool-amid-soaring-costs-4722651

PYMNTS: การรายงานจาก Bloomberg ว