“ต้นทุน Cloud AI และปริมาณ Token กำลังกลายเป็นโจทย์ใหม่ของ CIO และ CFO โดยเฉพาะเมื่อ Agentic AI เพิ่มความถี่และปริมาณการประมวลผล, Hybrid AI ที่แบ่งเวิร์กโหลดระหว่าง Cloud และ Local Inference อาจเป็นอีกแนวทางในการควบคุม TCO
โครงสร้างต้นทุนของ AI ในองค์กรกำลังเปลี่ยนไปอย่างมีนัยสำคัญ จากเดิมที่คำถามสำคัญอยู่ที่ว่าองค์กรจะนำ AI มาใช้งานใน Use Case ใด วันนี้โจทย์กำลังขยับไปสู่คำถามว่า จะขยายการใช้งาน AI อย่างไรโดยไม่ทำให้ต้นทุนเพิ่มขึ้นในอัตราที่ควบคุมได้ยาก
โดยเฉพาะการมาถึงของ Frontier Models และ Agentic AI ซึ่งช่วยขยายขีดความสามารถของ AI จากเครื่องมือช่วยงานรายบุคคล ไปสู่ระบบที่สามารถดำเนินงานหลายขั้นตอน ติดต่อกับเครื่องมืออื่น และประมวลผลคำสั่งจำนวนมากได้โดยอัตโนมัติ
ผลที่ตามมาคือ เมื่อองค์กรเพิ่มจำนวนผู้ใช้งาน เพิ่ม AI Agents และเพิ่มความถี่ในการใช้งาน ปริมาณ Token และค่าใช้จ่ายจาก Cloud AI ก็มีแนวโน้มเพิ่มขึ้นตามไปด้วย ทำให้ประเด็นเรื่อง Total Cost of Ownership (TCO) และ Return on Investment (ROI) เริ่มเข้ามามีบทบาทต่อการกำหนดสถาปัตยกรรม AI ขององค์กรมากขึ้น
AMD เสนอ Hybrid AI เป็นอีกทางเลือกคุมต้นทุน
AMD มองว่า หนึ่งในแนวทางรับมือกับโจทย์ดังกล่าวคือ Hybrid AI หรือการออกแบบสถาปัตยกรรมที่กระจาย AI Workload ระหว่างการประมวลผลบนอุปกรณ์ภายในองค์กรหรือ Local AI กับบริการ AI บนคลาวด์ แทนที่จะส่งทุกคำสั่งขึ้นไปประมวลผลผ่าน Cloud API
โดยได้เปิดตัว AMD Tokenomics Calculator เพื่อให้องค์กรจำลองและเปรียบเทียบต้นทุนการใช้งาน AI ใน 3 รูปแบบ ได้แก่ Cloud Only, Local บนอุปกรณ์ AMD และ Hybrid โดยคำนวณจากจำนวนอุปกรณ์และลักษณะของ Workload
เครื่องมือดังกล่าวสามารถประเมิน Total Cost of Ownership ในช่วงเวลา 1, 3, 4 หรือ 5 ปี ค่าใช้จ่ายเฉลี่ยต่อเดือน รวมถึง Break-even Point หรือระยะเวลาที่การลงทุนฮาร์ดแวร์สำหรับ Local AI จะถึงจุดคุ้มทุนเมื่อเปรียบเทียบกับการใช้ Cloud AI เพียงอย่างเดียว
นอกจากนี้ ยังสามารถแนะนำสเปกฮาร์ดแวร์ AMD ตามขนาดทีมและระดับ Workload รวมถึงปรับสัดส่วนระหว่าง Local และ Cloud เพื่อจำลองรูปแบบ Hybrid AI ที่แตกต่างกันได้
ประเมิน Hybrid AI ลดต้นทุนได้ 40–60%
จากแบบจำลองของ AMD สำหรับ Workload ระดับกลางที่มีการใช้ประมาณ 5.7 ล้าน Input Tokens และ 574,000 Output Tokens ต่อผู้ใช้ต่อวัน ซึ่งบริษัทเปรียบเทียบกับรูปแบบการใช้งาน AI Agent อย่าง Claude Code, Codex หรือ Hermes อย่างเต็มรูปแบบ
AMD ระบุว่า หากองค์กรมี AMD AI PC จำนวน 500 เครื่อง และแบ่งการประมวลผลแบบ Hybrid ในสัดส่วน Local 50% และ Cloud 50% จะสามารถลดต้นทุนตลอดระยะเวลา 3 ปีได้ประมาณ 40–60% เมื่อเทียบกับการประมวลผลบนคลาวด์ทั้งหมด โดยตัวเลขจะแตกต่างกันไปตามโมเดลและบริการคลาวด์ที่เลือกใช้
หากย้าย Workload มาประมวลผลแบบ Local ทั้งหมด บริษัทประเมินว่าสามารถลดต้นทุนได้มากขึ้น และในบางกรณีอาจมีระยะเวลาคืนทุนต่ำกว่า 24 เดือน
อย่างไรก็ตาม ตัวเลขดังกล่าวเป็นผลจากแบบจำลองของ AMD ซึ่งอ้างอิงราคาที่เปิดเผยต่อสาธารณะและสมมติฐานด้านฮาร์ดแวร์ที่กำหนดไว้ ผลลัพธ์จริงจึงอาจแตกต่างกันตามลักษณะ Workload สเปกอุปกรณ์ ค่าไฟฟ้า ราคาบริการ Cloud AI และเงื่อนไขทางการค้าที่แต่ละองค์กรได้รับ
ไม่ใช่ทุก AI Workload จำเป็นต้องใช้ Frontier Model
แนวคิดสำคัญเบื้องหลัง Hybrid AI คือ AI Workload แต่ละประเภทไม่จำเป็นต้องใช้ทรัพยากรประมวลผลในระดับเดียวกัน
ในการทำงานจริง ผู้ใช้อาจต้องโต้ตอบกับ AI หลายรอบ ตั้งแต่การร่างเนื้อหา ทดลอง Prompt ปรับคำสั่ง สรุปข้อมูล ไปจนถึงการแก้ไขผลลัพธ์ ก่อนจะได้ Output ขั้นสุดท้าย
คำสั่งอย่าง ทำให้สั้นลง, สรุปใหม่, เปลี่ยนโทน หรือการทดลอง Prompt ซ้ำหลายครั้ง อาจไม่จำเป็นต้องใช้ Frontier Model ที่มีต้นทุนสูงทุกครั้ง แต่หากองค์กรส่ง Interaction เหล่านี้ผ่าน Cloud API ทั้งหมด ค่าใช้จ่ายจะเพิ่มขึ้นตามจำนวน Input และ Output Tokens ที่เกิดขึ้น
Hybrid AI จึงเสนอแนวคิดในการจัดประเภท Workload โดยให้งานทั่วไปและงานที่เกิดขึ้นซ้ำจำนวนมากประมวลผลผ่าน Local Model ขณะที่งานที่ต้องการ Reasoning ขั้นสูง โมเดลขนาดใหญ่ หรือความสามารถเฉพาะ ยังคงส่งขึ้นไปประมวลผลบนคลาวด์
กล่าวอีกนัยหนึ่งคือ องค์กรสามารถเลือก “Compute ที่เหมาะสมกับ Workload” แทนแนวทาง Cloud-first สำหรับ AI ทุกประเภท
Local AI อาจช่วยแก้โจทย์ข้อจำกัดด้าน AI Access
อีกประเด็นที่องค์กรต้องพิจารณาไม่ใช่เฉพาะค่าใช้จ่ายต่อ Token แต่รวมถึงต้นทุนจากการจำกัดจำนวนผู้ใช้งาน AI
บริการ Enterprise AI จำนวนมากมีต้นทุนสัมพันธ์กับจำนวน User, Seat หรือปริมาณการใช้งาน เมื่อองค์กรต้องควบคุมงบประมาณ จึงอาจไม่สามารถเปิดสิทธิ์ให้พนักงานทุกคนเข้าถึงบริการ AI ระดับเดียวกันได้
ข้อจำกัดดังกล่าวอาจสร้าง Opportunity Cost เนื่องจากพนักงานบางส่วนไม่มีโอกาสทดลองและพัฒนาทักษะการใช้ AI ในระดับเดียวกับผู้ที่ได้รับสิทธิ์
AMD เสนอว่า Local Inference บนแพลตฟอร์มอย่าง AMD Ryzen AI และ AMD Radeon สามารถทำหน้าที่เป็นช่องทางการประมวลผลเพิ่มเติมสำหรับงาน เช่น การร่างเอกสาร การสรุป การวิเคราะห์ข้อมูล หรือการทดลองเขียนโค้ด โดยไม่เพิ่มปริมาณ Token บนบริการคลาวด์
แนวทางดังกล่าวจึงไม่ได้มีความหมายเฉพาะในแง่การลดต้นทุน แต่ยังเกี่ยวข้องกับการเพิ่ม AI Accessibility ให้แก่พนักงานในวงกว้างขึ้นด้วย
จาก AI Adoption สู่ AI Economics
สำหรับ CIO และผู้บริหารฝ่ายไอที ประเด็นสำคัญในระยะต่อไปจึงอาจไม่ใช่เพียงการเลือก AI Model หรือแพลตฟอร์มที่มีความสามารถสูงที่สุด แต่คือการออกแบบ AI Economics ให้รองรับการขยายตัวของการใช้งานในระยะยาว
เมื่อ AI เปลี่ยนจากเครื่องมือที่พนักงานเรียกใช้งานเป็นครั้งคราว ไปสู่ Agentic AI ที่สามารถทำงานและเรียกใช้โมเดลหลายครั้งโดยอัตโนมัติ ปริมาณ Token และ Compute Consumption มีโอกาสเพิ่มขึ้นอย่างรวดเร็ว
โจทย์ขององค์กรจึงอยู่ที่การตัดสินใจว่า Workload ใดควรอยู่บน Public Cloud, Private Cloud, Data Center, Edge หรือ AI PC และงานใดจำเป็นต้องใช้ Frontier Model จริง
ขณะที่ CFO และฝ่ายการเงินจำเป็นต้องมองให้ไกลกว่าค่า Subscription รายเดือน ไปสู่ต้นทุนรวมตลอดอายุการใช้งาน ทั้งฮาร์ดแวร์ พลังงาน การบริหารจัดการ ซอฟต์แวร์ Cloud API และต้นทุนต่อ Token เพื่อประเมิน ROI ของ AI ได้ใกล้เคียงกับการใช้งานจริงมากขึ้น
Hybrid AI อาจกลายเป็นโจทย์ Architecture มากกว่าแค่ Cost Saving
ในระยะยาว Hybrid_AI จึงอาจไม่ได้มีความหมายเพียงการย้าย Workload ออกจากคลาวด์เพื่อลดค่าใช้จ่าย แต่เป็นการออกแบบ AI Architecture ที่สามารถเลือกสถานที่ประมวลผลให้เหมาะกับต้นทุน ประสิทธิภาพ ความหน่วง ความเป็นส่วนตัวของข้อมูล และระดับความสามารถของโมเดลที่แต่ละงานต้องการ
AMD เปิดให้ทดลองใช้ AMD Tokenomics Calculator เพื่อจำลองต้นทุนระหว่าง Cloud, Local และ Hybrid_AI รวมถึงวิเคราะห์ TCO และ Break-even Point ก่อนตัดสินใจลงทุน
ท้ายที่สุด การใช้ Cloud AI ยังคงมีความสำคัญสำหรับ Workload ที่ต้องการโมเดลประสิทธิภาพสูงและความสามารถระดับ Frontier Model แต่เมื่อ AI ถูกขยายไปสู่พนักงานหลายร้อยหรือหลายพันคน และ AI Agents เริ่มสร้าง Compute Consumption อย่างต่อเนื่อง
คำถามสำหรับ CIO อาจไม่ใช่อีกต่อไปว่า จะใช้ Cloud AI หรือไม่ แต่คือ AI Workload ใดควรอยู่บน Cloud และงานใดไม่จำเป็นต้องอยู่บน Cloud ตั้งแต่แรก
