ต้นทุน AI และคลาวด์ : ก่อนทำโปรเจกต์ต้องคุมงบอย่างไรไม่ให้บานปลาย

ข่าวธุรกิจเข้าถึงชิป AI ผ่านคลาวด์และกรณีเดโมเกม AI แบกต้นทุนสูง ชี้ว่าโปรเจกต์ AI ต้องคิดค่า inference, data, cloud และ governance ตั้งแต่วันแรก

ข่าวล่าสุดสะท้อนภาพเดียวกันชัดเจน: ธุรกิจจำนวนมากกำลังเข้าถึงชิป AI ผ่านคลาวด์และผู้ให้บริการเฉพาะทาง ขณะเดียวกันมีกรณีเดโมเกมที่ใช้ AI แล้วผู้พัฒนาถูกระบุว่าแบกหนี้รายวันระดับพันดอลลาร์ เหตุการณ์เหล่านี้ทำให้ “ต้นทุน AI Cloud” ไม่ใช่เรื่องของทีมเทคนิคเท่านั้น แต่เป็นความเสี่ยงทางธุรกิจที่เจ้าของกิจการ CTO และทีมพัฒนาต้องวางกรอบก่อนเริ่มโปรเจกต์จริง

บทความนี้สรุปแนวทางคุมงบ AI แบบนำไปใช้ได้จริง โดยอิงจากประเด็นในข่าวที่ให้มาเท่านั้น และแยกสิ่งที่ควรตรวจสอบเองเมื่อข้อมูลจากข่าวยังไม่ยืนยันครบถ้วน

ทำไมต้นทุน AI Cloud ถึงบานปลายง่าย

โปรเจกต์ซอฟต์แวร์ทั่วไปมักคุมต้นทุนได้จากค่าเซิร์ฟเวอร์ ค่าฐานข้อมูล และค่าแรงพัฒนา แต่โปรเจกต์ AI มีต้นทุนแปรผันเพิ่มเข้ามา โดยเฉพาะค่าเรียกโมเดลหรือ inference ซึ่งมักขึ้นกับปริมาณคำขอ ปริมาณข้อมูลที่ส่งเข้าโมเดล และคำตอบที่โมเดลสร้างกลับมา

เมื่อธุรกิจเปิดให้ผู้ใช้ทั่วไปทดลองโดยไม่จำกัดโควตา ต้นทุนจึงสามารถเพิ่มตามการใช้งานจริงแบบทันที หากมีผู้ใช้จำนวนมาก บอต หรือพฤติกรรมลองเล่นซ้ำ ๆ งบประมาณที่ตั้งไว้สำหรับเดโมหรือ MVP อาจไม่พอ แม้ตัวโปรดักต์ยังไม่ได้สร้างรายได้

ต้นทุนหลักที่ต้องใส่ในแผนก่อนเริ่มโปรเจกต์ AI

1. ค่า inference หรือค่าเรียกใช้โมเดล

นี่คือหัวใจของต้นทุน AI Cloud โดยเฉพาะธุรกิจที่ใช้ AI API หรือโมเดลผ่านคลาวด์ ควรคำนวณจากหน่วยใช้งานจริง ไม่ใช่ดูแค่ค่าแพ็กเกจรายเดือน

• จำนวนผู้ใช้ที่คาดว่าจะใช้งานต่อวันหรือเดือน
• จำนวนครั้งที่ผู้ใช้หนึ่งคนจะเรียก AI ต่อรอบการใช้งาน
• ขนาดข้อมูลที่ส่งเข้าโมเดล เช่น prompt, ประวัติแชต, เอกสารอ้างอิง
• ขนาดคำตอบที่ต้องการให้โมเดลสร้างกลับมา
• โมเดลที่เลือกใช้ในแต่ละงาน เพราะโมเดลใหญ่และโมเดลเล็กมักมีต้นทุนต่างกัน

2. ค่า data: เก็บ ประมวลผล ค้นหา และส่งเข้าโมเดล

หลายทีมคิดเฉพาะค่าโมเดล แต่ลืมว่าการทำ AI ให้ใช้กับธุรกิจจริงมักต้องมีข้อมูลประกอบ เช่น คู่มือสินค้า เอกสารภายใน ประวัติลูกค้า หรือฐานความรู้ ต้นทุนจึงรวมถึงการเก็บไฟล์ การทำดัชนี การค้นหา และการส่งข้อมูลส่วนที่เกี่ยวข้องเข้าโมเดลทุกครั้ง

• พื้นที่เก็บไฟล์และฐานข้อมูล
• ค่า embedding หรือการแปลงข้อมูลเพื่อค้นหา
• ค่าระบบค้นหา เช่น vector database หรือ search service
• ค่า data transfer ระหว่างบริการในคลาวด์
• ค่า log และ audit trail สำหรับตรวจสอบย้อนหลัง

3. ค่า cloud infrastructure รอบระบบ AI

แม้ใช้ AI API จากผู้ให้บริการภายนอก ธุรกิจก็ยังมีต้นทุนระบบรอบข้าง เช่น backend, queue, database, monitoring, security และระบบจัดการผู้ใช้ หากเลือกโฮสต์โมเดลเองหรือใช้ GPU ผ่านคลาวด์ ต้นทุน compute จะยิ่งต้องวางแผนละเอียดขึ้น

4. ค่า governance และ compliance

AI ที่ใช้งานจริงในธุรกิจต้องมีการกำกับดูแล เช่น ใครเรียกใช้ได้ เรียกใช้เพื่ออะไร เก็บข้อมูลอะไร ส่งข้อมูลลูกค้าเข้าโมเดลได้หรือไม่ และต้องลบ log เมื่อใด ต้นทุนเหล่านี้ไม่ใช่แค่ค่าเครื่องมือ แต่รวมถึงเวลาออกแบบกระบวนการและการตรวจสอบภายใน

สูตรคิดงบแบบง่ายก่อนทำ MVP

ก่อนเริ่มเขียนโค้ด ให้ทีมทำตารางประมาณการแบบต่อหนึ่งหน่วยธุรกิจ เช่น ต่อหนึ่งผู้ใช้ ต่อหนึ่งแชต ต่อหนึ่งเอกสาร หรือต่อหนึ่งออเดอร์ แล้วคูณด้วยปริมาณใช้งานที่คาดไว้

1. กำหนด use case ให้ชัด เช่น แชตบอตตอบลูกค้า สรุปเอกสาร ค้นหาความรู้ภายใน หรือช่วยพนักงานขายเขียนข้อความ
2. นิยามหน่วยต้นทุน เช่น ต้นทุนต่อบทสนทนา ต้นทุนต่อไฟล์ ต้นทุนต่อเคสบริการลูกค้า
3. ประเมินจำนวนคำขอ AI ต่อหน่วย เช่น หนึ่งเคสต้องเรียกโมเดลกี่ครั้ง
4. ประเมินขนาดข้อมูลเข้าและคำตอบออกต่อคำขอ
5. ใส่ต้นทุน data, storage, database, monitoring และ cloud service อื่น ๆ
6. ตั้งเพดานงบสำหรับช่วงทดสอบและช่วงเปิดใช้งานจริง
7. ทดสอบด้วย traffic จำกัดก่อน แล้วเทียบต้นทุนจริงกับสมมติฐาน

วิธีคุมต้นทุน AI Cloud ที่ควรทำตั้งแต่วันแรก

เลือกโมเดลให้พอดีกับงาน

ไม่ใช่ทุกงานต้องใช้โมเดลที่ทรงพลังที่สุด งานจำแนกประเภท งานสรุปข้อความสั้น งานตอบคำถามจากข้อมูลที่จัดรูปแบบดี หรือ workflow ภายในบางประเภท อาจเริ่มจากโมเดลที่เล็กกว่า หรือใช้หลายโมเดลร่วมกัน โดยให้โมเดลที่แพงกว่าทำเฉพาะงานที่ซับซ้อนจริง

ใช้ cache เมื่อคำถามหรือผลลัพธ์ซ้ำได้

หากผู้ใช้ถามคำถามเดิม สรุปเอกสารเดิม หรือเรียกข้อมูลสินค้าเดิม ระบบไม่ควรส่งทุกอย่างเข้าโมเดลซ้ำเสมอไป การทำ cache ช่วยลดค่า inference และยังทำให้ระบบตอบเร็วขึ้น แต่ต้องกำหนดเงื่อนไขให้ชัดว่าอะไร cache ได้ อะไรต้องสดใหม่ และข้อมูลใดห้าม cache เพราะมีความอ่อนไหว

จำกัดโควตาและ rate limit

กรณีเดโมหรือฟีเจอร์ทดลองเป็นจุดเสี่ยงมาก เพราะยังไม่มีรายได้รองรับการใช้งานเต็มรูปแบบ ธุรกิจควรมีการจำกัดจำนวนครั้งต่อผู้ใช้ ต่อบัญชี ต่อวัน หรือต่อช่วงเวลา รวมถึงบล็อกพฤติกรรมที่ผิดปกติ

• แยกโควตาระหว่างผู้ใช้ฟรี ลูกค้าทดลอง และลูกค้าที่จ่ายเงินจริง
• ใช้ authentication ก่อนเปิดให้เรียก AI
• ไม่ฝัง API key ฝั่ง client หรือในโค้ดที่เปิดเผยสาธารณะ
• ตั้งเพดานการใช้งานสำหรับเดโมและแคมเปญการตลาด
• มีปุ่มปิดฟีเจอร์ AI ชั่วคราวเมื่อค่าใช้จ่ายผิดปกติ

ถ้าต้องเทียบราคาแต่ละแบรนด์ ควรดูอะไรบ้างก่อนตัดสินใจ

คำถามว่า “คลาวด์แบรนด์ไหนถูกกว่า” หรือ “AI แบรนด์ไหนเริ่มต้นเท่าไร” ยังตอบเป็นตัวเลขเดียวไม่ได้ เพราะราคาขึ้นกับภูมิภาค ประเภทบริการ รุ่นโมเดล ปริมาณใช้งาน ส่วนลด สัญญาองค์กร และอัตราแลกเปลี่ยนในช่วงเวลานั้น ๆ ดังนั้นก่อนใส่ตัวเลขในแผนงบ ควรตรวจสอบจากหน้า pricing หรือเครื่องมือคำนวณของผู้ให้บริการโดยตรง และระบุวันที่อ้างอิงเสมอ

สำหรับคลาวด์หลักที่ธุรกิจไทยมักนำมาเปรียบเทียบ เช่น AWS, Microsoft Azure, Google Cloud รวมถึงผู้ให้บริการคลาวด์หรือ GPU cloud รายอื่น ๆ วิธีดูราคาไม่ควรดูแค่ค่าเครื่องต่อชั่วโมง แต่ต้องดูต้นทุนรวมทั้งระบบ เพราะบางโปรเจกต์ค่าเก็บข้อมูล ค่าโอนข้อมูล หรือค่า log อาจมีผลต่อบิลมากกว่าที่คิด

รายการต้นทุนที่ควรเทียบในฝั่ง Cloud

• Compute: ค่าเครื่องเสมือน container serverless หรือ GPU ที่ใช้รันระบบ
• Storage: ค่าเก็บไฟล์ ฐานข้อมูล backup และ snapshot
• Database: ค่า managed database, read/write, IOPS หรือ capacity ที่จองไว้
• Network / Data transfer: ค่าโอนข้อมูลออกนอกคลาวด์ ข้าม region หรือออกอินเทอร์เน็ต
• Monitoring และ logging: ค่าเก็บ log, metric, alert และ audit trail
• Security: ค่า key management, firewall, WAF, secret management หรือบริการป้องกันการโจมตี
• Support plan: ค่าแพ็กเกจซัพพอร์ต โดยเฉพาะระบบที่ต้องใช้งานจริงในธุรกิจ

รายการต้นทุนที่ควรเทียบในฝั่ง AI

ในฝั่ง AI แบรนด์ที่มักถูกนำมาเปรียบเทียบอาจรวมถึงผู้ให้บริการโมเดลผ่าน API และผู้ให้บริการโมเดลบนคลาวด์ เช่น OpenAI, Anthropic, Google, Microsoft, AWS หรือผู้ให้บริการโมเดลเฉพาะทางอื่น ๆ แต่โครงสร้างราคาอาจไม่เหมือนกัน บางรายคิดตาม token บางรายคิดตามคำขอ บางรายแยก input กับ output และบางรายมีค่าใช้จ่ายเพิ่มเติมสำหรับ embedding, fine-tuning, batch processing หรือการเก็บไฟล์

• ค่า input: ข้อมูลที่ส่งเข้าโมเดล เช่น prompt, ประวัติแชต หรือเอกสารอ้างอิง
• ค่า output: คำตอบที่โมเดลสร้างกลับมา ซึ่งมักเป็นต้นทุนที่ต้องคุมให้ดี
• ค่า embedding: ต้นทุนสำหรับระบบค้นหาความรู้หรือ RAG
• ค่า image, audio, video: ถ้าใช้สร้างภาพ ถอดเสียง สังเคราะห์เสียง หรือประมวลผลวิดีโอ ต้องแยกราคาออกจากงานข้อความ
• ค่า fine-tuning หรือ customization: ถ้ามีการปรับโมเดลด้วยข้อมูลเฉพาะของธุรกิจ
• ค่าโฮสต์โมเดลเอง: ถ้าไม่ใช้ API สำเร็จรูป ต้องคิดค่า GPU, storage, scaling และทีมดูแลระบบ

โครงร่างตารางเปรียบเทียบราคาที่ควรทำก่อนเริ่มโปรเจกต์

แม้บทความนี้ไม่ควรใส่ตัวเลขราคาที่ไม่ได้ตรวจสอบจากแหล่งทางการ แต่ทีมสามารถทำตารางเปรียบเทียบภายในได้ โดยใช้หัวข้อเดียวกันทุกแบรนด์ เพื่อไม่ให้เปรียบเทียบผิดประเภท เช่น เอาราคาโมเดลเล็กของแบรนด์หนึ่งไปเทียบกับโมเดลใหญ่ของอีกแบรนด์หนึ่ง

1. ระบุชื่อผู้ให้บริการและบริการที่ใช้ เช่น cloud compute, database, storage, AI API หรือ GPU
2. ระบุ region ที่เลือก เพราะราคาและบริการที่รองรับอาจต่างกัน
3. ระบุหน่วยคิดเงิน เช่น ต่อชั่วโมง ต่อ GB ต่อ token ต่อ request หรือต่อเดือน
4. ระบุรุ่นโมเดลหรือสเปกเครื่องให้ชัดเจน
5. ระบุปริมาณใช้งานสมมติ เช่น จำนวนผู้ใช้ จำนวนแชต จำนวนไฟล์ หรือจำนวนเอกสารต่อเดือน
6. คำนวณต้นทุนต่อหน่วยธุรกิจ เช่น ต่อบทสนทนา ต่อเคสบริการลูกค้า หรือต่อออเดอร์
7. ใส่ buffer สำหรับ traffic ผันผวน การทดสอบซ้ำ และ log ที่เพิ่มขึ้น
8. บันทึกวันที่ตรวจสอบราคาและแหล่งอ้างอิงภายในทีม

ตัวอย่างประโยคที่ควรใช้ในเอกสารงบ

สรุป: อย่าดูแค่ราคาเริ่มต้น ให้ดูต้นทุนต่อผลลัพธ์ทางธุรกิจ

ราคาเริ่มต้นของแต่ละแบรนด์ช่วยให้เห็นภาพคร่าว ๆ แต่ยังไม่พอสำหรับตัดสินใจทำโปรเจกต์ AI จริง สิ่งที่สำคัญกว่าคือ ต้นทุนต่อผลลัพธ์ เช่น ต้นทุนต่อการตอบลูกค้า 1 เคส ต้นทุนต่อการสรุปเอกสาร 1 ไฟล์ หรือต้นทุนต่อยอดขายที่ทีม AI ช่วยสนับสนุนได้ หากคำนวณจากหน่วยธุรกิจแบบนี้ ธุรกิจจะเลือกคลาวด์และโมเดล AI ได้เหมาะกับงบประมาณมากกว่าเลือกจากชื่อแบรนด์หรือราคาเริ่มต้นเพียงอย่างเดียว