การ์ทเนอร์เตือน 50% โครงการ GenAI เสี่ยงงบบานปลายภายในปี 2571
การ์ทเนอร์ เผยผลวิจัยล่าสุดว่า ภายในปี 2571 โครงการ Generative AI (GenAI) อย่างน้อย 50% มีแนวโน้มใช้งบประมาณสูงกว่าที่วางไว้
สาเหตุหลักมาจากการเลือกสถาปัตยกรรมที่ไม่เหมาะสม รวมถึงการขาดความรู้ด้านการนำ
ปัญญาประดิษฐ์ AI ไปใช้งานจริงในระดับองค์กร
ส่งผลให้หลายโครงการมีต้นทุนสูงกว่าที่คาด ขณะที่ผลตอบแทนกลับไม่เป็นไปตามเป้าหมาย
กาเบรียล ริกอน ผู้อำนวยการฝ่ายวิเคราะห์ของการ์ทเนอร์
ระบุว่า ปัจจุบัน AI ไม่ได้เป็นเพียงเทคโนโลยีที่ช่วยเพิ่มประสิทธิภาพการทำงานอีกต่อไป
แต่กลายเป็นกลไกสำคัญในการสร้างนวัตกรรมและความสามารถในการแข่งขันขององค์กร
อย่างไรก็ตาม ยิ่งมีการใช้งาน AI
มากขึ้น ความต้องการใช้พลังงาน น้ำ ฮาร์ดแวร์
และทรัพยากรด้านโครงสร้างพื้นฐานก็เพิ่มขึ้นตามไปด้วย
ต้นทุนที่สูงขึ้นไม่ได้กระทบเฉพาะค่าใช้จ่ายด้านไอที
แต่ยังเชื่อมโยงกับประเด็นด้านสิ่งแวดล้อม ความมั่นคงของทรัพยากร
และความยืดหยุ่นในการดำเนินธุรกิจ ทำให้การบริหารประสิทธิภาพ AI
กลายเป็นโจทย์สำคัญที่องค์กรไม่สามารถมองข้ามได้อีกต่อไป
ทั้งนี้ ผลวิจัยของการ์ทเนอร์สะท้อนว่า
ยุคที่องค์กรแข่งขันกันเลือกใช้ โมเดลภาษาขนาดใหญ่ (LLM)
ที่ทรงพลังที่สุดโดยไม่คำนึงถึงต้นทุนกำลังสิ้นสุดลง
เพราะการเพิ่มประสิทธิภาพเพียงเล็กน้อยอาจต้องแลกกับค่าใช้จ่ายมหาศาล
จากนี้ไป
องค์กรที่ประสบความสำเร็จจะไม่ใช่ผู้ที่ใช้ AI ที่ใหญ่ที่สุด
แต่เป็นผู้ที่เลือกใช้ AI ได้เหมาะสมที่สุด
การ์ทเนอร์จึงเสนอให้องค์กรเปลี่ยนแนวคิดจาก Scale-at-Any-Price หรือการขยายการใช้งานโดยไม่สนใจต้นทุน ไปสู่แนวทาง Efficiency-first
หรือ “ให้ความสำคัญกับประสิทธิภาพเป็นอันดับแรก”
เพื่อสร้างการเติบโตที่ยั่งยืน พร้อมรักษาความสามารถในการแข่งขันในระยะยาว
ต้นทุนแฝงที่หลายองค์กรมองข้าม
การเร่งนำ AI
มาใช้งานโดยไม่มีแผนที่ชัดเจน มักทำให้เกิดการลงทุนเกินความจำเป็น
ไม่ว่าจะเป็นการเลือกใช้โมเดลที่ซับซ้อนเกินความต้องการทางธุรกิจ
หรือออกแบบระบบที่ใช้ทรัพยากรมากเกินไป ส่งผลให้ต้นทุนการดำเนินงานเพิ่มขึ้น
ขณะที่ความยืดหยุ่นในการบริหารระบบลดลง
นอกจากนี้
การใช้ทรัพยากรเกินจำเป็นยังเพิ่มการใช้พลังงานและการปล่อยคาร์บอน
ซึ่งอาจกระทบต่อเป้าหมายด้าน ESG และความเชื่อมั่นของนักลงทุนที่ให้ความสำคัญกับทั้งผลตอบแทนและความยั่งยืนมากขึ้น
วางกลยุทธ์ AI
ให้คุ้มค่ากว่าเดิม
การ์ทเนอร์แนะนำว่า
องค์กรควรเริ่มจากการสร้างความเข้าใจเรื่อง “ประสิทธิภาพ AI”
ให้กับทั้งผู้บริหาร ผู้ใช้งาน และทีมพัฒนา
เพื่อให้ทุกฝ่ายเห็นความเชื่อมโยงระหว่างการใช้ทรัพยากรกับผลลัพธ์ทางธุรกิจ
อีกประเด็นสำคัญคือ
การจัดลำดับความสำคัญของ Use Case โดยประเมินทั้งมูลค่าทางธุรกิจ
ความเป็นไปได้ และผลตอบแทนจากการลงทุน (ROI) เพื่อให้ทรัพยากรถูกใช้กับโครงการที่สร้างคุณค่าได้จริง
ในด้านเทคโนโลยี ไม่จำเป็นต้องพึ่งพา LLM
เพียงอย่างเดียว แต่สามารถผสานเทคนิค AI หลายรูปแบบเข้าด้วยกัน
เพื่อให้ระบบตอบสนองได้เร็วขึ้น มีเสถียรภาพมากขึ้น และใช้ต้นทุนต่ำลง
สำหรับกระบวนการ AI
Inference ซึ่งเป็นขั้นตอนที่ใช้พลังงานสูง
องค์กรสามารถลดต้นทุนได้ด้วยการเลือกใช้โมเดลขนาดเล็ก ใช้ฮาร์ดแวร์ที่ออกแบบมาสำหรับงาน
AI โดยเฉพาะ รวมถึงใช้ระบบแคชชิ่งเพื่อลดการประมวลผลซ้ำ
ด้านโครงสร้างพื้นฐาน
การเลือกผู้ให้บริการคลาวด์ที่ใช้พลังงานหมุนเวียน
มีประสิทธิภาพด้านการใช้พลังงานและน้ำ รวมถึงเปิดเผยข้อมูลด้านสิ่งแวดล้อมอย่างโปร่งใส
จะช่วยลดทั้งต้นทุนและผลกระทบต่อสิ่งแวดล้อมในระยะยาว
นอกจากนี้ การบริหารปริมาณงาน AI
อย่างเหมาะสม เช่น
การย้ายงานประมวลผลขนาดใหญ่ไปทำในช่วงที่ความต้องการใช้ไฟฟ้าต่ำ
หรือแยกงานที่ต้องประมวลผลแบบเรียลไทม์ออกจากงานแบบ Batch Processing ก็ช่วยลดค่าใช้จ่ายได้อย่างมีนัยสำคัญ
วัดผลให้เห็นคุณค่าทางธุรกิจ
การ์ทเนอร์ ระบุว่า การวัดประสิทธิภาพ AI
ไม่ควรดูเพียงต้นทุนที่ลดลง
แต่ต้องเชื่อมโยงกับผลลัพธ์ทางธุรกิจด้วย
โดยตัวชี้วัดสำคัญ ได้แก่
สัดส่วนบุคลากรที่ผ่านการอบรมด้าน AI การเพิ่มสัดส่วนภาระงานที่ทำงานบนโครงสร้างพื้นฐานที่เป็นมิตรต่อสิ่งแวดล้อม
ประสิทธิภาพการจัดการข้อมูลที่ช่วยลดพื้นที่จัดเก็บและปริมาณข้อมูลที่ต้องส่งผ่านระบบ
รวมถึงอัตราการนำโมเดลและซอฟต์แวร์กลับมาใช้ซ้ำในหลายโครงการ
เพื่อลดการลงทุนซ้ำซ้อน
การ์ทเนอร์ สรุปว่า การแข่งขันด้าน AI
ในระยะต่อไปจะไม่ได้วัดกันที่การใช้โมเดลขนาดใหญ่ที่สุด
แต่จะวัดกันที่ความสามารถในการสร้างผลลัพธ์ทางธุรกิจด้วยต้นทุนที่เหมาะสม
ทั้งนี้ การฝังแนวคิด
“ประสิทธิภาพเป็นอันดับแรก” ลงในทุกขั้นตอนของการพัฒนาและใช้งาน AI
จะเป็นกุญแจสำคัญที่ช่วยให้องค์กรเติบโตได้อย่างยั่งยืน
ท่ามกลางการแข่งขันและข้อจำกัดด้านทรัพยากรที่ทวีความเข้มข้นมากขึ้น
ที่มา : กรุงเทพธุรกิจ
วันที่ 4 สิงหาคม 2569
