การนำ AI มาใช้งานกำลังขยายตัวอย่างรวดเร็ว แต่ต้นทุนด้านโครงสร้างพื้นฐาน พลังงาน และการประมวลผลก็เพิ่มขึ้นตามไปด้วย
กาเบรียล ริกอน ผู้อำนวยการฝ่ายวิเคราะห์ การ์ทเนอร์ กล่าวว่า AI กำลังเปลี่ยนรูปแบบการดำเนินงาน การสร้างนวัตกรรม และการแข่งขันขององค์กร แต่การขยายการใช้งาน AI ก็ทำให้ความต้องการใช้พลังงาน น้ำ ฮาร์ดแวร์ และโครงสร้างพื้นฐานสำหรับการประมวลผลข้อมูลและการติดตั้งใช้งานโมเดลในระดับใหญ่เพิ่มขึ้นอย่างต่อเนื่อง
การใช้ทรัพยากรที่เพิ่มขึ้นส่งผลให้การบริหารต้นทุน ความยั่งยืนด้านสิ่งแวดล้อม และความยืดหยุ่นในการดำเนินธุรกิจกลายเป็นความท้าทายสำคัญ โดยเฉพาะในช่วงที่หลายประเทศกำลังเผชิญข้อจำกัดด้านทรัพยากร
การ์ทเนอร์ระบุว่า ในสภาพแวดล้อมที่ค่าใช้จ่ายด้านเทคโนโลยีส่งผลกระทบโดยตรงต่อผลประกอบการ องค์กรไม่สามารถมองการเพิ่มประสิทธิภาพ AI เป็นเรื่องรองได้อีกต่อไป
ผลวิจัยของการ์ทเนอร์คาดการณ์ว่า ภายในปี 2571 อย่างน้อย 50% ของโครงการ Generative AI จะใช้งบประมาณสูงกว่าที่วางแผนไว้ เนื่องจากการเลือกสถาปัตยกรรมที่ไม่เหมาะสมและขาดความรู้ด้านการดำเนินงาน
จากแนวโน้มดังกล่าวองค์กรจำเป็นต้องเปลี่ยนแนวคิดจากการลงทุนเพื่อขยายขนาด AI โดยไม่คำนึงถึงต้นทุน (Scale-at-any-price) ไปสู่แนวทาง Efficiency-first หรือการให้ความสำคัญกับประสิทธิภาพเป็นลำดับแรก เพื่อรักษาความสามารถในการแข่งขันและการเติบโตในระยะยาว
ต้นทุนแฝงจาก AI ที่ไม่มีประสิทธิภาพ
การ์ทเนอร์ระบุว่า การเร่งนำ AI มาใช้งานโดยไม่สอดคล้องกับกลยุทธ์องค์กร อาจก่อให้เกิดต้นทุนแฝงจำนวนมาก
การออกแบบระบบที่ซับซ้อนเกินความจำเป็น หรือไม่ตอบโจทย์ธุรกิจ จะทำให้ใช้ทรัพยากรมากเกินไป ส่งผลให้ต้นทุนการดำเนินงานสูงขึ้น ลดความยืดหยุ่นของระบบ และเพิ่มแรงกดดันด้านสิ่งแวดล้อม ซึ่งเป็นประเด็นที่ทั้งหน่วยงานกำกับดูแลและผู้มีส่วนได้เสียให้ความสำคัญมากขึ้น
นอกจากนี้ การดำเนินงาน AI ที่ไม่มีประสิทธิภาพยังอาจกระทบความเชื่อมั่นของนักลงทุน และทำให้การประเมินความคุ้มค่าของแต่ละ AI Use Case กลายเป็นประเด็นสำคัญในการตัดสินใจลงทุน
การ์ทเนอร์เสนอว่า องค์กรควรเริ่มจากการสร้างความเข้าใจให้ทั้งผู้ใช้งานและทีมพัฒนา AI ถึงคุณค่าทางธุรกิจของการเพิ่มประสิทธิภาพ พร้อมสื่อสารและอัปเดตข้อมูลอย่างต่อเนื่อง เพื่อให้เกิดการมีส่วนร่วมในการปรับปรุงกระบวนการทำงาน
อีกขั้นตอนสำคัญคือการจัดลำดับความสำคัญของ AI Use Case โดยประเมินทั้งคุณค่าทางธุรกิจ ความเป็นไปได้ และผลตอบแทนจากการลงทุน (ROI) เพื่อให้ทรัพยากรถูกใช้กับโครงการที่สร้างมูลค่าได้จริงและสอดคล้องกับศักยภาพขององค์กร
เมื่อเลือก Use Case ที่เหมาะสมแล้ว องค์กรควรนำแนวปฏิบัติด้านประสิทธิภาพไปใช้ในทุกระดับของ AI Technology Stack และกระบวนการปฏิบัติงาน
ลดการพึ่งพา LLM เพียงอย่างเดียว
ในด้านเทคโนโลยี องค์กรไม่ควรพึ่งพา Large Language Model (LLM) เพียงอย่างเดียว แต่ควรผสานเทคนิค AI หลายรูปแบบเข้าด้วยกัน เพื่อเพิ่มความคุ้มค่าด้านต้นทุน ลดเวลาในการตอบสนอง และเพิ่มเสถียรภาพของระบบ
สำหรับกระบวนการ AI Inference ซึ่งโดยทั่วไปใช้พลังงานมากกว่าการฝึกโมเดล สามารถเพิ่มประสิทธิภาพได้ด้วยการเลือกใช้โมเดลขนาดเล็ก ใช้ฮาร์ดแวร์ที่ออกแบบมาสำหรับงาน Inference หรือใช้เทคนิค Caching เพื่อลดภาระการประมวลผล
การ์ทเนอร์ยังแนะนำให้องค์กรเลือกผู้ให้บริการคลาวด์ที่ใช้พลังงานหมุนเวียน มีประสิทธิภาพด้านการใช้พลังงานและน้ำ โดยพิจารณาจากค่า PUE (Power Usage Effectiveness) และ WUE (Water Usage Effectiveness) รวมถึงมีการเปิดเผยข้อมูลผลกระทบด้านสิ่งแวดล้อมอย่างโปร่งใส
ด้านการปฏิบัติการ องค์กรควรบริหารจัดการภาระงาน AI เชิงรุก ทั้งการจัดสรรทรัพยากร การติดตามการใช้งาน และการปรับประสิทธิภาพของระบบอย่างต่อเนื่อง
ตัวอย่างแนวทาง ได้แก่ การจัดตารางการประมวลผลที่ใช้พลังงานสูงในช่วงนอกเวลาพีค เพื่อใช้พลังงานต้นทุนต่ำกว่า รวมถึงแยกงานที่ต้องประมวลผลแบบเรียลไทม์ออกจากงานที่สามารถประมวลผลแบบ Batch Processing เพื่อลดต้นทุน
นอกจากนี้ การนำแนวคิด GreenOps มาประยุกต์ใช้ร่วมกับหลักการ FinOps จะช่วยให้องค์กรสามารถติดตามการใช้พลังงาน การปล่อยก๊าซเรือนกระจก และของเสียจากระบบไอที เพื่อให้การดำเนินงาน AI สอดคล้องกับเป้าหมายด้านความยั่งยืน
ตัวชี้วัดความสำเร็จ ‘AI Efficiency’
การ์ทเนอร์ระบุว่า ตัวชี้วัดด้านประสิทธิภาพ AI ควรเชื่อมโยงกับผลลัพธ์ทางธุรกิจ โดยตัวชี้วัดสำคัญประกอบด้วย
- สัดส่วนผู้มีส่วนได้เสียที่ผ่านการอบรมด้าน AI Efficiency เพื่อสะท้อนการสร้างวัฒนธรรมองค์กรที่ให้ความสำคัญกับประสิทธิภาพ
- สัดส่วนของภาระงาน AI ที่ดำเนินการบนโครงสร้างพื้นฐานที่มีมาตรฐานด้านความยั่งยืนและใช้พลังงานหมุนเวียน
- ประสิทธิภาพการจัดการข้อมูล โดยวัดจากการลดพื้นที่จัดเก็บข้อมูลและปริมาณการถ่ายโอนข้อมูลสำหรับภาระงาน AI
- อัตราการนำโมเดลหรือซอฟต์แวร์คอมโพเนนต์กลับมาใช้ซ้ำในหลายโครงการ เพื่อลดการพัฒนาซ้ำและใช้ทรัพยากรอย่างคุ้มค่า
การเพิ่มประสิทธิภาพ AI ไม่ควรจำกัดอยู่เพียงการควบคุมต้นทุน แต่ต้องครอบคลุมทุกชั้นของ AI Technology Stack ตั้งแต่การเลือกเทคนิค AI การออกแบบแอปพลิเคชัน การจัดการข้อมูล ไปจนถึงโครงสร้างพื้นฐาน เพื่อให้องค์กรสามารถสร้างการเติบโตอย่างยั่งยืนและรับมือกับความท้าทายทางธุรกิจได้ในระยะยาว
