
“นูทานิคซ์ ชี้องค์กรกำลังเผชิญความท้าทายใหม่จากต้นทุนการใช้งาน AI Models ที่คิดค่าบริการตามปริมาณ Token ซึ่งอาจเพิ่มขึ้นอย่างรวดเร็วเมื่อขยายสู่ Production AI เดินหน้านำเสนอ Nutanix Agent Gateway เป็นศูนย์กลางควบคุมการเข้าถึงโมเดล ติดตามการใช้งาน และบริหารงบประมาณ
การขยายตัวของเทคโนโลยี Generative AI และ Agentic AI กำลังสร้างความท้าทายใหม่ให้กับองค์กรธุรกิจ โดยเฉพาะการบริหารจัดการต้นทุนการใช้งาน AI Models ซึ่งมีรูปแบบค่าใช้จ่ายแตกต่างจากซอฟต์แวร์องค์กรแบบเดิมอย่างมีนัยสำคัญ
จากเดิมที่องค์กรคุ้นเคยกับการจ่ายค่าบริการตามจำนวนผู้ใช้งาน (Per-user Pricing) ไปสู่การคิดค่าใช้จ่ายตามปริมาณการประมวลผลหรือจำนวน Token (Token-based Pricing)
การเปลี่ยนแปลงดังกล่าวทำให้ต้นทุน AI กลายเป็นค่าใช้จ่ายที่มีความผันแปรสูง โดยเฉพาะเมื่อองค์กรเริ่มนำ AI ไปใช้งานในกระบวนการธุรกิจจริง หรือ Production AI ซึ่งมีการเรียกใช้โมเดลอย่างต่อเนื่อง และมีแนวโน้มเพิ่มขึ้นอีกเมื่อ AI Agents สามารถทำงานหลายขั้นตอนและเรียกใช้โมเดลได้โดยอัตโนมัติ
นูทานิคซ์ ผู้ให้บริการแพลตฟอร์ม Hybrid Multicloud และโครงสร้างพื้นฐาน AI มองว่า ความท้าทายสำคัญของผู้บริหารเทคโนโลยีสารสนเทศ หรือ CIO ในระยะต่อไป ไม่ได้จำกัดอยู่เพียงการจัดหาโครงสร้างพื้นฐานที่รองรับ AI แต่ยังรวมถึงความสามารถในการมองเห็น ควบคุม และคาดการณ์ต้นทุนการใช้งาน AI Models ตลอดจนการกำกับดูแลการเข้าถึงข้อมูลและระบบต่างๆ ภายในองค์กร
ประเด็นดังกล่าวเป็นหนึ่งในสาระสำคัญจากการให้สัมภาษณ์ของผู้บริหาร นูทานิคซ์ ประกอบด้วย จอร์แดน ไรเซส Vice President, APJ Marketing, นพดล ปัญญาธิปัตย์ ผู้จัดการประจำประเทศไทย และ นาเรช ปูโรหิต, Senior Director, Systems Engineering, Southeast Asia ซึ่งร่วมอธิบายทิศทางเทคโนโลยีและแนวทางช่วยให้องค์กรสามารถขยายการใช้งาน AI โดยไม่สูญเสียความสามารถในการควบคุมต้นทุนและโครงสร้างพื้นฐาน
Token-based Pricing สร้างความเสี่ยงใหม่ด้านต้นทุน AI
ผู้บริหาร นูทานิคซ์ อธิบายว่า การเปลี่ยนผ่านจากซอฟต์แวร์ที่คิดค่าบริการตามจำนวนผู้ใช้งานไปสู่ AI Models ที่คิดค่าบริการตามปริมาณ Token กำลังเปลี่ยนโครงสร้างค่าใช้จ่ายด้านเทคโนโลยีขององค์กรอย่างมีนัยสำคัญ
โดยเฉพาะการใช้งาน Frontier Models ซึ่งเป็นโมเดล AI ประสิทธิภาพสูงที่ให้บริการผ่าน API เช่น GPT หรือ Claude แม้องค์กรจะไม่จำเป็นต้องลงทุนจัดซื้อฮาร์ดแวร์ประมวลผลเอง แต่ต้องรับภาระค่าใช้จ่ายตามปริมาณการเรียกใช้งานจริง
หากองค์กรไม่มีระบบติดตามและกำหนดขอบเขตการใช้งานที่เหมาะสม ค่าใช้จ่ายอาจเพิ่มขึ้นอย่างรวดเร็วโดยไม่สามารถคาดการณ์ได้ล่วงหน้า
นูทานิคซ์ ยกตัวอย่างกรณีการใช้งาน AI ภายในทีมวิศวกรที่มีปริมาณการใช้ Token สูงถึงระดับล้านล้าน Token ต่อเดือน ส่งผลให้ค่าใช้จ่ายเพิ่มขึ้นถึง 350% สะท้อนให้เห็นถึงความเสี่ยงจากภาวะต้นทุนพุ่งสูงอย่างฉับพลัน หรือ Cost Shock

ปัญหาดังกล่าวยิ่งซับซ้อนขึ้นเมื่อหน่วยงานธุรกิจหรือพนักงานสามารถเลือกใช้ AI Services จากภายนอกได้ด้วยตนเอง โดยไม่ได้ผ่านกระบวนการอนุมัติหรือการกำกับดูแลจากฝ่ายไอที
ซึ่งนอกจากจะทำให้องค์กรไม่สามารถควบคุมงบประมาณได้แล้ว ยังเพิ่มความเสี่ยงจาก Shadow AI การรั่วไหลของข้อมูล และการสูญเสียอำนาจควบคุมข้อมูลสำคัญขององค์กร
สถานการณ์นี้ทำให้การบริหารจัดการ AI จำเป็นต้องครอบคลุมทั้งต้นทุนการประมวลผล ต้นทุนการเรียกใช้โมเดล และการกำกับดูแลสิทธิ์การเข้าถึง ไม่ใช่เพียงการจัดสรรทรัพยากร Compute, Storage และ Network เช่นที่ผ่านมา
Nutanix Agent Gateway กลไกควบคุมต้นทุนและการใช้งาน AI Models
เพื่อตอบโจทย์ดังกล่าว นูทานิคซ์ ได้นำเสนอ Nutanix Agent Gateway ซึ่งเป็นองค์ประกอบสำคัญของแนวทางการบริหารจัดการ Enterprise AI โดยทำหน้าที่เป็นตัวกลางระหว่างผู้ใช้งาน แอปพลิเคชัน หรือ AI Agents กับโมเดล AI ที่องค์กรเลือกใช้
แนวคิดสำคัญคือ การสร้างจุดควบคุมส่วนกลาง หรือ Control Point เพื่อให้ฝ่ายไอทีสามารถมองเห็นและกำกับการเรียกใช้โมเดล AI ที่กระจายอยู่ในระบบต่างๆ ทั้งโมเดลที่ให้บริการผ่าน Public Cloud API และ Open-weight Models ที่ติดตั้งใช้งานบนโครงสร้างพื้นฐานภายในองค์กร
จากการอธิบายของ นูทานิคซ์ ความสามารถที่มุ่งเน้นประกอบด้วยการติดตามปริมาณการใช้ Token การกำหนดโควตาและเพดานการใช้งาน การควบคุมสิทธิ์เข้าถึง API และโมเดล ตลอดจนการกำหนดเส้นทางการประมวลผลไปยังโมเดลที่เหมาะสม
หนึ่งในประเด็นที่นูทานิคซ์ให้ความสำคัญคือ ความสามารถในการกำหนดเพดานการใช้งาน หรือ Token Capping และแนวทาง Hard Cutoff เพื่อป้องกันไม่ให้การเรียกใช้โมเดลสร้างค่าใช้จ่ายเกินกว่าขอบเขตที่องค์กรกำหนดไว้
กลไกดังกล่าวช่วยให้องค์กรสามารถวางกรอบการใช้งาน AI ตามโครงการ โมเดล หรือหน่วยงานธุรกิจ และทำให้ฝ่ายไอทีมีข้อมูลสำหรับประเมินค่าใช้จ่ายและวางแผนงบประมาณได้อย่างมีประสิทธิภาพมากขึ้น
อีกบทบาทหนึ่งของ Agent Gateway คือการกำหนดเส้นทางการเรียกใช้โมเดล หรือ Model Routing ซึ่งเปิดโอกาสให้องค์กรจัดสรรงาน AI ไปยังโมเดลที่แตกต่างกันตามความเหมาะสม แทนการส่งทุกคำขอไปยัง Frontier Model ที่มีต้นทุนสูง
แนวทางนี้ทำให้ Agent Gateway ไม่ได้เป็นเพียงเครื่องมือเชื่อมต่อ AI Models แต่เป็นส่วนหนึ่งของกลไกการบริหารต้นทุนและการกำกับดูแลการใช้งาน AI ในระดับองค์กร
อย่างไรก็ตาม ความสามารถในการติดตามการใช้งาน การกำหนดโควตา การตัดการใช้งานเมื่อถึงเพดาน และการเลือกเส้นทางโมเดล จำเป็นต้องพิจารณาตามคุณสมบัติและรุ่นของซอฟต์แวร์ที่นำไปใช้งานจริง
Hybrid AI Architecture ทางเลือกควบคุมต้นทุน Frontier Models
นอกเหนือจากการควบคุมปริมาณการใช้งานแล้ว นูทานิคซ์ยังเสนอแนวทางปรับสถาปัตยกรรม AI เพื่อช่วยให้องค์กรสามารถบริหารต้นทุนได้อย่างมีประสิทธิภาพมากขึ้น ผ่านการผสมผสานการใช้งาน Frontier Models กับ Open-weight Models
ผู้บริหารนูทานิคซ์อธิบายว่า แม้ Frontier Models จะมีความสามารถสูงและเหมาะสำหรับงานที่มีความซับซ้อน แต่ไม่ใช่ทุกกระบวนการธุรกิจจำเป็นต้องใช้โมเดลขนาดใหญ่ที่มีต้นทุนสูงเสมอไป
งานจำนวนมาก เช่น การค้นหาและสรุปเอกสารภายในองค์กร การพัฒนาซอฟต์แวร์ทั่วไป การทดสอบโปรแกรม หรือระบบตอบคำถามลูกค้า อาจสามารถใช้ Open-weight Models ที่ติดตั้งอยู่บนโครงสร้างพื้นฐานขององค์กรได้อย่างเหมาะสม
นูทานิคซ์ จึงเสนอแนวทาง Hybrid AI Architecture โดยยกตัวอย่างการจัดสรรเวิร์กโหลดในสัดส่วนประมาณ 80/20 กล่าวคือ นำงาน AI ส่วนใหญ่ราว 80% ไปประมวลผลด้วย Open-weight Models ภายในองค์กร และคงงานที่ต้องการความสามารถขั้นสูงอีกราว 20% ไว้บน Frontier Models ผ่านบริการ API
สัดส่วนดังกล่าวเป็นตัวอย่างของแนวทางจัดสรรเวิร์กโหลด ไม่ใช่สูตรตายตัวที่เหมาะสมกับทุกองค์กร เพราะการเลือกโมเดลยังต้องพิจารณาคุณภาพผลลัพธ์ ความซับซ้อนของงาน ความปลอดภัย และต้นทุนโดยรวม
จากกรณีศึกษาที่ นูทานิคซ์ ได้ทำการปรับเวิร์กโหลดของทีมวิศวกรส่วนใหญ่ไปใช้ Open-weight Models สามารถลดต้นทุนการใช้งาน AI ได้มากกว่า 50% ขณะที่การลงทุนโครงสร้างพื้นฐานสำหรับประมวลผลเองมีโอกาสคืนทุนภายในระยะเวลาประมาณหนึ่งปีในกรณีที่ศึกษา
อย่างไรก็ตาม ผลลัพธ์ดังกล่าวขึ้นอยู่กับปริมาณการใช้งาน ประเภทโมเดล และโครงสร้างต้นทุนของแต่ละองค์กร ไม่ได้หมายความว่าการติดตั้ง AI Models ภายในองค์กรจะมีต้นทุนต่ำกว่าการใช้ Public Cloud ในทุกกรณี
ต้นทุน Open-weight Models ไม่ได้มีเพียงค่า GPU
อีกประเด็นที่ นูทานิคซ์ ให้ความสำคัญคือการประเมินต้นทุนรวมของการเป็นเจ้าของระบบ หรือ Total Cost of Ownership (TCO) ก่อนตัดสินใจลงทุนโครงสร้างพื้นฐาน AI ภายในองค์กร
แม้ Open-weight Models บางประเภทจะเปิดให้ใช้งานโดยไม่มีค่าลิขสิทธิ์โมเดล แต่การนำไปใช้งานจริงยังมีต้นทุนด้านเซิร์ฟเวอร์ GPU หรือ CPU ระบบจัดเก็บข้อมูล ระบบเครือข่าย ค่าบริการศูนย์ข้อมูล ค่าซอฟต์แวร์บริหารจัดการ ตลอดจนบุคลากรที่ดูแลระบบ
นอกจากนี้ยังอาจมีค่าใช้จ่ายในการปรับแต่งโมเดลให้เหมาะสมกับข้อมูลและกระบวนการธุรกิจ รวมถึงการจัดเตรียมระบบรักษาความปลอดภัยและการกำกับดูแลข้อมูล
นูทานิคซ์ มองว่าการเลือกฮาร์ดแวร์ควรสอดคล้องกับขนาดและลักษณะของโมเดล โดยเฉพาะ Small Language Models หรือโมเดลขนาดเล็กถึงปานกลาง ซึ่งบางกรณีสามารถประมวลผลบน CPU ได้โดยไม่จำเป็นต้องใช้ GPU ประสิทธิภาพสูงเสมอไป
ตัวอย่างที่มีการกล่าวถึงคือโมเดลขนาดประมาณ 10–20 พันล้านพารามิเตอร์ ซึ่งสามารถพิจารณาใช้งานบน CPU ได้ตามเงื่อนไขด้านหน่วยความจำ ประสิทธิภาพ และระยะเวลาตอบสนองที่ยอมรับได้
แนวคิดนี้สะท้อนว่า การบริหารต้นทุน AI ไม่ใช่เพียงการเลือกใช้โมเดลราคาถูกที่สุด แต่เป็นการออกแบบสถาปัตยกรรมให้สอดคล้องกับความต้องการทางธุรกิจและใช้ทรัพยากรประมวลผลอย่างเหมาะสม
นำ AI เข้าใกล้ข้อมูล ลดความซับซ้อนของโครงสร้างพื้นฐาน
นอกเหนือจากต้นทุน นูทานิคซ์ยังให้ความสำคัญกับแนวคิด Bring AI Closer to the Data หรือการนำระบบประมวลผล AI เข้าไปอยู่ใกล้กับแหล่งข้อมูลขององค์กร
แนวทางดังกล่าวช่วยลดความจำเป็นในการเคลื่อนย้ายข้อมูลจำนวนมากไปยังบริการภายนอก และเปิดโอกาสให้องค์กรสามารถกำหนดมาตรการด้านความปลอดภัย การเข้าถึง และการจัดเก็บข้อมูลได้ตามนโยบายของตนเอง
โดยเฉพาะองค์กรในกลุ่มการเงิน การผลิต และบริการดิจิทัล ซึ่งมีข้อมูลสำคัญจำนวนมากและต้องการนำ AI ไปประยุกต์ใช้กับกระบวนการเฉพาะทาง
อย่างไรก็ตาม การติดตั้ง Open-weight Models ภายในองค์กรไม่ได้หมายความว่าจะปลอดภัยโดยอัตโนมัติ แต่ยังจำเป็นต้องมีมาตรการตรวจสอบความน่าเชื่อถือของโมเดล การแยกสภาพแวดล้อมการทำงาน หรือ Sandboxing และการแบ่งแยกเครือข่ายแบบ Micro-segmentation เพื่อลดความเสี่ยงจากการเข้าถึงระบบโดยไม่ได้รับอนุญาต
ในด้านโครงสร้างพื้นฐาน นูทานิคซ์ยังคงผลักดันแนวคิด One Platform เพื่อช่วยให้องค์กรสามารถบริหารเวิร์กโหลดที่กระจายอยู่บนระบบ On-premises, Public Cloud, Edge และสภาพแวดล้อมคลาวด์รูปแบบอื่นได้อย่างสอดคล้องกัน
พร้อมกันนี้บริษัทยังให้ความสำคัญกับความยืดหยุ่นในการเลือกใช้ฮาร์ดแวร์จากผู้ผลิตหลายราย รวมถึงเทคโนโลยีประมวลผลจาก NVIDIA และ AMD เพื่อลดข้อจำกัดจากการผูกติดกับผู้ผลิตรายเดียว และเพิ่มทางเลือกในการลงทุนโครงสร้างพื้นฐาน AI
จาก Cloud FinOps สู่ AI FinOps โจทย์ใหม่ของผู้บริหารไอที
ทิศทางที่ นูทานิคซ์นำเสนอสะท้อนการเปลี่ยนแปลงสำคัญของบทบาท CIO จากการบริหารต้นทุนโครงสร้างพื้นฐานไอที ไปสู่การกำกับดูแลต้นทุนการประมวลผลและการใช้งาน AI ในระดับองค์กร
ในอดีต การบริหารต้นทุนคลาวด์ หรือ Cloud FinOps มุ่งเน้นการติดตามค่าใช้จ่ายจาก Compute, Storage, Network และบริการคลาวด์ต่าง ๆแต่ในยุค Agentic AI องค์กรจำเป็นต้องเพิ่มมิติการบริหารค่าใช้จ่ายจาก AI Models, Token Consumption และการเรียกใช้งาน API เข้าไปด้วย
โดยเฉพาะเมื่อ AI Agents เริ่มทำงานแทนมนุษย์ในกระบวนการธุรกิจที่ซับซ้อน การเรียกใช้โมเดลหนึ่งครั้งอาจนำไปสู่การประมวลผลต่อเนื่องอีกหลายขั้นตอน ทำให้ปริมาณการใช้ Token และต้นทุนรวมเพิ่มขึ้นตามรูปแบบการทำงานของระบบ
ความสามารถในการติดตามว่าแอปพลิเคชันหรือหน่วยงานใดกำลังใช้โมเดลอะไร มีปริมาณการใช้งานเท่าใด และสร้างค่าใช้จ่ายมากน้อยเพียงใด จึงกลายเป็นข้อมูลสำคัญสำหรับการบริหารงบประมาณและประเมินความคุ้มค่าของโครงการ AI
ในบริบทดังกล่าว Nutanix Agent Gateway จึงถูกวางบทบาทให้เป็นหนึ่งในกลไกที่ช่วยสร้างความโปร่งใสและการควบคุมการใช้งาน AI Models ขณะที่สถาปัตยกรรม Hybrid AI ช่วยให้องค์กรมีทางเลือกในการจัดสรรเวิร์กโหลดตามต้นทุนและความสามารถของโมเดลแต่ละประเภท
ท้ายที่สุด ความสำเร็จของการนำ AI ไปใช้งานในระดับองค์กรอาจไม่ได้วัดจากจำนวน AI Models หรือ AI Agents ที่ติดตั้งใช้งานเพียงอย่างเดียว แต่ต้องพิจารณาว่าองค์กรสามารถสร้างผลลัพธ์ทางธุรกิจที่คุ้มค่ากับต้นทุนการประมวลผลและการดำเนินงานได้มากน้อยเพียงใด
สำหรับ CIO นี่จึงเป็นจุดเปลี่ยนจากคำถามว่าองค์กรจะนำ AI มาใช้อย่างไร ไปสู่คำถามที่สำคัญไม่แพ้กันว่า จะบริหารและขยายการใช้งาน AI อย่างไรให้มีต้นทุนที่ควบคุมได้ มีความปลอดภัย และสร้างผลตอบแทนทางธุรกิจอย่างยั่งยืน





