การ์ทเนอร์ เตือนองค์กรใช้ AI ผิดทาง เสี่ยงงบบานเกินแผนใน 2 ปี

กาเบรียล ริกอน (Gabriel Rigon) ผู้อำนวยการฝ่ายวิเคราะห์ของการ์ทเนอร์ (Gartner) กล่าวว่า แม้ AI จะเข้ามาเปลี่ยนแปลงรูปแบบการดำเนินธุรกิจ การสร้างนวัตกรรม และการแข่งขันขององค์กร แต่ยิ่งมีการใช้งาน AI มากขึ้น ความต้องการใช้พลังงาน น้ำ ฮาร์ดแวร์ และทรัพยากรด้านการประมวลผลก็จะเพิ่มขึ้นตาม ส่งผลให้ต้นทุนการดำเนินงานและความท้าทายด้านความยั่งยืนทวีความรุนแรงขึ้น

ในช่วงที่องค์กรทั่วโลกเผชิญแรงกดดันด้านต้นทุน เทคโนโลยีจึงไม่ใช่เพียงเครื่องมือสร้างนวัตกรรมอีกต่อไป แต่ต้องสามารถสร้างความคุ้มค่าและใช้ทรัพยากรได้อย่างมีประสิทธิภาพ

ครึ่งหนึ่งของโครงการ Gen AI เสี่ยงใช้งบเกินแผน

การ์ทเนอร์คาดการณ์ว่า ภายในปี 2571 โครงการ Generative AI อย่างน้อย 50% จะใช้งบประมาณสูงกว่าที่วางแผนไว้ เนื่องจากหลายองค์กรเลือกสถาปัตยกรรมที่ไม่เหมาะสม และยังขาดประสบการณ์ในการบริหารจัดการระบบ AI ในระดับการใช้งานจริง

สถานการณ์ดังกล่าวสะท้อนว่า การแข่งขันด้าน AI กำลังเข้าสู่จุดเปลี่ยน จากเดิมที่องค์กรแข่งขันกันพัฒนาและใช้งานโมเดลภาษาขนาดใหญ่ (Large Language Model: LLM) ที่มีความสามารถสูงขึ้นเรื่อย ๆ มาเป็นการแข่งขันด้าน "ประสิทธิภาพ" ของการลงทุน

การ์ทเนอร์ ระบุว่า ยุคของการขยายระบบแบบ "Scale-at-Any-Price" หรือการเพิ่มขนาดระบบโดยไม่คำนึงถึงต้นทุน กำลังสิ้นสุดลง และองค์กรควรเปลี่ยนมาสู่แนวคิด "Efficiency-first" ที่ให้ความสำคัญกับการสร้างผลตอบแทนจากการลงทุนควบคู่กับการควบคุมต้นทุนและการใช้ทรัพยากรอย่างคุ้มค่า

ใช้ AI ผิดโจทย์ ต้นทุนพุ่งโดยไม่รู้ตัว

หนึ่งในความผิดพลาดที่พบมากคือ การนำ AI มาใช้เพราะกระแส โดยไม่ได้ประเมินว่าเหมาะสมกับโจทย์ธุรกิจหรือไม่ ส่งผลให้เกิดการออกแบบระบบที่ซับซ้อนเกินความจำเป็น ใช้ทรัพยากรด้านคอมพิวเตอร์มากเกินไป และเพิ่มค่าใช้จ่ายทั้งด้านโครงสร้างพื้นฐานและการดำเนินงาน

นอกจากต้นทุนที่สูงขึ้นแล้ว ยังส่งผลต่อการใช้พลังงาน การใช้น้ำ และการปล่อยก๊าซเรือนกระจก ซึ่งกลายเป็นประเด็นที่นักลงทุน หน่วยงานกำกับดูแล และผู้มีส่วนได้ส่วนเสียให้ความสำคัญมากขึ้น

เปลี่ยนจากใช้ LLM อย่างเดียว สู่ AI ที่เหมาะกับงาน

การ์ทเนอร์แนะนำว่า การเพิ่มประสิทธิภาพ AI ควรเริ่มจากการจัดลำดับความสำคัญของ Use Case โดยพิจารณาทั้งมูลค่าทางธุรกิจ ความเป็นไปได้ และผลตอบแทนจากการลงทุน (ROI) ก่อนตัดสินใจลงทุน

หลังจากนั้น องค์กรควรเลือกเทคโนโลยีที่เหมาะสมกับแต่ละงาน แทนการพึ่งพา LLM เพียงอย่างเดียว โดยสามารถผสมผสานเทคนิค AI หลายรูปแบบ เพื่อให้ได้ระบบที่ตอบสนองรวดเร็วขึ้น มีเสถียรภาพมากขึ้น และใช้ต้นทุนน้อยลง

ในด้านวิศวกรรมซอฟต์แวร์ ยังสามารถลดต้นทุนได้ด้วยการเลือกใช้โมเดลขนาดเล็กสำหรับงานที่ไม่จำเป็นต้องใช้โมเดลขนาดใหญ่ ใช้ฮาร์ดแวร์ที่ออกแบบสำหรับงาน AI Inference โดยเฉพาะ รวมถึงนำเทคนิค Caching มาใช้เพื่อลดการประมวลผลซ้ำ ซึ่งช่วยลดทั้งการใช้พลังงานและค่าใช้จ่าย

คลาวด์สีเขียว-บริหารพลังงาน ช่วยลดต้นทุน

การ์ทเนอร์ยังแนะนำให้องค์กรพิจารณาเลือกผู้ให้บริการคลาวด์ที่ใช้พลังงานหมุนเวียน มีประสิทธิภาพด้านการใช้พลังงานและน้ำในระดับสูง รวมถึงเปิดเผยข้อมูลด้านสิ่งแวดล้อมอย่างโปร่งใส

อีกแนวทางที่ช่วยเพิ่มประสิทธิภาพ คือ การบริหารภาระงาน AI ให้เหมาะสม เช่น การย้ายงานประมวลผลที่ใช้พลังงานสูงไปดำเนินการในช่วงเวลาที่ค่าไฟต่ำ การแยกงานแบบเรียลไทม์ออกจากงานที่สามารถประมวลผลแบบ Batch ได้ และการติดตามการใช้ทรัพยากรอย่างต่อเนื่อง เพื่อให้สามารถลดต้นทุนและลดผลกระทบต่อสิ่งแวดล้อมได้พร้อมกัน

นอกจากนี้ การนำแนวคิด GreenOps มาประยุกต์ใช้ร่วมกับ FinOps จะช่วยให้องค์กรสามารถติดตามการใช้พลังงาน การปล่อยก๊าซเรือนกระจก และการใช้ทรัพยากรของระบบ AI ได้อย่างต่อเนื่อง ทำให้การดำเนินงานสอดคล้องกับเป้าหมายด้านความยั่งยืน

ประสิทธิภาพ AI คือแต้มต่อการแข่งขัน

การ์ทเนอร์ระบุว่า ตัวชี้วัดความสำเร็จของ AI ไม่ควรวัดเพียงความสามารถของโมเดล แต่ต้องเชื่อมโยงกับผลลัพธ์ทางธุรกิจ เช่น การเพิ่มผลตอบแทนจากการลงทุน การลดต้นทุนโครงสร้างพื้นฐาน การใช้ข้อมูลอย่างมีประสิทธิภาพ และการนำโมเดลหรือซอฟต์แวร์กลับมาใช้ซ้ำในหลายโครงการ

องค์กรควรสร้างวัฒนธรรมที่ให้ความสำคัญกับประสิทธิภาพ ผ่านการพัฒนาทักษะของบุคลากร การวางมาตรฐานการดำเนินงาน และการเลือกเทคโนโลยีที่เหมาะสมในทุกระดับของ AI Technology Stack

การ์ทเนอร์สรุปว่า องค์กรที่จะประสบความสำเร็จในยุค AI ไม่ใช่ผู้ที่ลงทุนกับโมเดลที่ใหญ่ที่สุด แต่คือผู้ที่สามารถใช้ AI ได้อย่างคุ้มค่า มีประสิทธิภาพ และสร้างผลลัพธ์ทางธุรกิจได้อย่างยั่งยืน เพราะในยุคที่ต้นทุนด้านพลังงานและทรัพยากรเพิ่มสูงขึ้น "ประสิทธิภาพ" จะกลายเป็นปัจจัยชี้ขาดความสามารถในการแข่งขันขององค์กรในระยะยาว