องค์กรหลายแห่งพบปัญหาค่าใช้จ่ายที่ไม่คาดคิดจากการนำ AI มาใช้ หลังจากที่เคยโฟกัสที่การเปลี่ยนแปลงงานและอัตโนมัติ ปัจจุบันต้นทุน AI ที่เกี่ยวข้องกับ token consumption, โครงสร้างพื้นฐาน และการจัดการข้อยกเว้นเริ่มกลายเป็นประเด็นสำคัญ ต่างจากช่วงปี 2010 ที่ปัญหาค่าใช้จ่ายคลาวด์เกิดขึ้นจากความไม่รู้ว่าใช้ทรัพยากรอะไรบ้าง หลายแผนกในองค์กร เช่น ทีมการตลาด ขาย และพัฒนาผลิตภัณฑ์ ใช้ AI ร่วมกัน ทำให้ต้นทุนกระจายไปยังระบบต่างๆ แต่ไม่มีข้อมูลชัดเจนว่าใช้โมเดลใด ตัวแทนใด หรือเกี่ยวข้องกับผลลัพธ์ทางธุรกิจใด ทำให้การเปรียบเทียบค่าใช้จ่ายกับค่าแรงไม่แม่นยำ การจัดการต้นทุน AI ต้องเริ่มจากความโปร่งใส องค์กรต้องรู้ว่า AI สร้างคุณค่าได้ที่ไหน และต้องใช้ทรัพยากรเท่าไร ตัวอย่างเช่น token consumption ที่เพิ่มขึ้น 24 เท่าภายในปี 2030 ตามการคาดการณ์ของ Goldman Sachs แสดงถึงความซับซ้อนที่เพิ่มขึ้น ปัญหาหลักคือการไม่สามารถติดตามต้นทุนที่เกิดขึ้นจริงได้ แม้ AI จะช่วยลดงานบางส่วน แต่ค่าใช้จ่ายอาจย้ายไปยังค่าบริการคลาวด์ โครงสร้างพื้นฐาน หรืองานตรวจสอบข้อมูลของมนุษย์ ทำให้การประหยัดไม่ชัดเจน
สรุปด้วย MAF Local AI · เนื้อหาต้นฉบับเป็นของแหล่งข่าว