ตัวชี้วัดความก้าวหน้าในยุค AI

คำถามที่ได้ยินจากบรรดาประธานเจ้าหน้าที่ฝ่ายการเงินอยู่เสมอคือ เราจะสร้างมูลค่าจากการลงทุนด้าน AI ให้มากขึ้นได้อย่างไร

ตลอดหลายปีที่ผ่านมา ตลาดใช้จำนวนการใช้งานซอฟต์แวร์เป็นเกณฑ์วัดความสำเร็จ ทั้งจากยอดซื้อสิทธิ์การใช้งาน จำนวนผู้ใช้จริง และการต่ออายุใบอนุญาต การวัดคุณค่าของ AI ต้องใช้ตัวชี้วัดที่ก้าวไปอีกขั้น นั่นคือผลงานที่ทำสำเร็จ

คำถามทางเศรษฐกิจขั้นพื้นฐานที่ประธานเจ้าหน้าที่ฝ่ายการเงินและผู้นำธุรกิจกำลังเผชิญ คือมูลค่าของงานที่ AI ทำให้สำเร็จนั้น เติบโตเร็วกว่าต้นทุนที่ใช้สร้างมันขึ้นมาหรือไม่

การตอบคำถามนี้ต้องพิจารณาให้ลึกกว่าตัวชี้วัดอย่างต้นทุนต่อโทเค็น โมเดลที่มีต้นทุนต่ำกว่าอาจมีราคาโทเค็นถูกกว่า แต่การได้ผลลัพธ์ที่ดีอาจต้องลองหลายครั้ง ใช้เวลามากขึ้น หรือต้องให้คนตรวจสอบมากขึ้น โมเดลที่มีความสามารถมากกว่าอาจมีค่าใช้จ่ายต่อโทเค็นสูงกว่า แต่สามารถทำงานเดียวกันให้เสร็จได้ในรอบเดียว สิ่งสำคัญคือต้นทุนรวมทั้งหมดในการสร้างผลลัพธ์ที่สำเร็จ เมื่อเทียบกับมูลค่าที่ผลลัพธ์นั้นสร้างขึ้นมา

เกณฑ์ชี้วัดสำคัญที่สุดของยุค AI อาจนิยามได้ว่าเป็น “ความฉลาดที่สร้างประโยชน์ได้ต่อหนึ่งดอลลาร์” ตัวชี้วัดนี้ตอบคำถามสำคัญ 4 ข้อ:

1. AI กำลังทำงานที่สำคัญให้เสร็จหรือไม่
2. งานที่สำเร็จแต่ละงานมีค่าใช้จ่ายเท่าไร
3. ผู้คนสามารถเชื่อถือผลลัพธ์ได้หรือไม่
4. เงินแต่ละดอลลาร์ที่ใช้กับ AI สร้างมูลค่าเพิ่มขึ้นตามการใช้งานที่เพิ่มขึ้นหรือไม่

เริ่มต้นจากตัวงานเอง

AI ช่วยแก้ไขปัญหาของลูกค้าได้กี่รายการ ช่วยให้ส่งมอบการเปลี่ยนแปลงโค้ดได้กี่รายการ ตรวจสอบสัญญาไปกี่ฉบับ ช่วยให้ผู้คนมีเวลาเพิ่มขึ้นมากแค่ไหน มีการตัดสินใจกี่ครั้งที่ดีขึ้น เพราะเข้าถึงบริบทที่ถูกต้องได้ในจังหวะที่เหมาะสม

โทเค็นจะมีคุณค่าก็ต่อเมื่อเปลี่ยนเป็นงานที่ผู้คนนำไปใช้ประโยชน์ได้ เมื่อโมเดลมีความสามารถมากขึ้น ก็สามารถรับมือกับงานที่ยาวและซับซ้อนยิ่งขึ้นได้ ทั้งการรักษาบริบท การให้เหตุผลหลายขั้นตอน การทำงานข้ามเครื่องมือ และการปรับตัวระหว่างการทำงาน

จุดเริ่มต้นที่ดีที่สุดคือการเริ่มจากเวิร์กโฟลว์เดียว กำหนดให้ชัดเจนว่าอะไรคือ “งานที่เสร็จสมบูรณ์” แล้ววัดผลลัพธ์นั้นจากระบบที่งานเกิดขึ้นจริง

สำหรับทีมบริการลูกค้า “งานที่เสร็จสมบูรณ์” อาจหมายถึงการที่ปัญหาของลูกค้าได้รับการแก้ไขแล้ว สำหรับทีมวิศวกรรม งานที่เสร็จสมบูรณ์อาจหมายถึงการเปลี่ยนแปลงโค้ดที่ผ่านการทดสอบ สำหรับทีมกฎหมาย นั่นอาจหมายถึงสัญญาที่ได้รับการตรวจสอบอย่างถูกต้อง แม่นยำ และทันเวลา

ลองนึกถึงทีมการเงินที่กำลังเตรียมตัวสำหรับการทบทวนประมาณการทางการเงิน งานส่วนใหญ่เกิดขึ้นก่อนที่จะมีการตัดสินใจขั้นสุดท้าย ไม่ว่าจะเป็นการค้นหาประมาณการล่าสุด ย้ายข้อมูลไปยัง Excel หรือ Sheets ระบุการเปลี่ยนแปลง กระทบยอดข้อมูลระหว่างแท็บ สร้างสไลด์ใหม่ และตรวจสอบว่าตัวเลขทั้งหมดถูกต้องตรงกัน

ChatGPT Work สามารถรับหน้าที่ดูแลกระบวนการส่วนใหญ่นั้นได้ ซึ่งช่วยให้ทีมมีเวลาโฟกัสกับคำถามที่สำคัญกว่า เช่น มีอะไรเปลี่ยนแปลงบ้าง ทำไมถึงเป็นเช่นนั้น เราควรทำอะไรต่อไป

นี่คือตัวอย่างของความฉลาดที่สร้างประโยชน์ได้ต่อหนึ่งดอลลาร์ในการใช้งานจริง งานเสร็จได้มากขึ้นในเวลาที่สั้นลง พร้อมเปิดโอกาสให้ผู้คนใช้เวลากับการตัดสินใจ ความคิดสร้างสรรค์ และความเชี่ยวชาญได้มากขึ้น

คำถามถัดไปคือ ต้องใช้ต้นทุนเท่าใดจึงจะทำงานนั้นให้สำเร็จลุล่วงด้วยดี

AI สามารถรับมือกับงานได้หลากหลายประเภท คำตอบแบบรวดเร็วอาจต้องใช้การประมวลผลเพียงเล็กน้อย เวิร์กโฟลว์ด้านการเขียนโค้ด การวิจัย หรือการเงิน อาจต้องอาศัยการให้เหตุผลเชิงลึก การใช้เครื่องมือ และการดำเนินการหลายขั้นตอน งานที่ซับซ้อนมากกว่าเหล่านั้นอาจต้องใช้ทรัพยากรการประมวลผลมากขึ้น แต่ก็สามารถสร้างคุณค่าได้มากกว่า

สำหรับระดับโมเดล ต้นทุนต่องานที่สำเร็จวัดได้จากราคา ทรัพยากรการประมวลผลที่ใช้ และโอกาสที่จะได้ผลลัพธ์ที่แม่นยำตามต้องการ ในมุมของธุรกิจ ต้นทุนรวมถึงเวลาของพนักงาน การตรวจสอบโดยมนุษย์ การลองใหม่ และการแก้ไขงานซ้ำ

การคำนวณนั้นง่ายและไม่ซับซ้อน:

• นำต้นทุนทั้งหมดของการทำงานให้เสร็จมารวมในการคำนวณ
• นับจำนวนงานที่ผ่านเกณฑ์คุณภาพตามที่กำหนด
• หารค่าใช้จ่ายทั้งหมดด้วยจำนวนงานที่สำเร็จ

นี่คือเหตุผลที่ราคาต่อโทเค็นที่ต่ำที่สุด ไม่ได้หมายความว่าจะให้ต้นทุนต่อผลลัพธ์ที่ต่ำที่สุดเสมอไป แม้จะเป็นคำขอทั่วไป โมเดลระดับแนวหน้าก็อาจให้ความคุ้มค่ามากที่สุด หากตอบได้ถูกต้องในครั้งเดียว ช่วยลดการลองใหม่ เวลาในการตอบสนอง การตรวจสอบ และการประมวลผลโดยรวม

ตระกูลโมเดลที่แบ่งเป็นหลายระดับช่วยให้ลูกค้ามีทางเลือกมากขึ้นในการหาจุดสมดุลของสมการนี้ GPT‑5.6 ที่เราเปิดตัวเมื่อสัปดาห์ที่ผ่านมา มีให้เลือก 3 ระดับ ได้แก่ Sol ซึ่งเป็นโมเดลเรือธง Terra ที่สร้างสมดุลระหว่างประสิทธิภาพและต้นทุน และ Luna ซึ่งเป็นโมเดลที่เร็วที่สุดและคุ้มค่าที่สุดของเรา

ระดับเหล่านี้เป็นจุดเริ่มต้นที่มีประโยชน์ ท้ายที่สุดแล้ว ความคุ้มค่าทางเศรษฐศาสตร์ของงานทั้งหมดควรเป็นตัวกำหนดโมเดลที่เหมาะสม ลูกค้าอาจใช้ Luna สำหรับเวิร์กโฟลว์ที่รวดเร็วและมีปริมาณงานสูง Terra สำหรับงานที่ต้องการความลึกซึ้งมากกว่า หรือ Sol เมื่อการให้เหตุผลที่แข็งแกร่งกว่าสามารถให้ผลลัพธ์ที่ดีที่สุดโดยใช้ความพยายามน้อยครั้งกว่า

เราเทรน GPT‑5.6 เพื่อให้ทุกโทเค็นสร้างงานที่เกิดประโยชน์ได้มากยิ่งขึ้น GPT‑5.6 Sol ที่ตั้งค่าการให้เหตุผลสูงสุด ทำสถิติสูงสุดใหม่ในการประเมิน Artificial Analysis Coding Agent Index พร้อมใช้โทเค็นเอาต์พุตน้อยกว่าโมเดลชั้นนำอีกราย 54% แผนภูมิด้านล่างแสดงผลการเปรียบเทียบดังกล่าว

เป้าหมายของ GPT‑5.6 ทุกรุ่นเหมือนกัน คือสร้างงานที่สำเร็จได้มากขึ้นต่อหนึ่งดอลลาร์ ประสิทธิภาพที่สูงขึ้นทำให้งานที่มีอยู่เดิมมีค่าใช้จ่ายน้อยลง เมื่อโมเดลมีความสามารถมากขึ้น ก็สามารถทำงานรูปแบบใหม่ที่ไม่เคยเป็นไปได้มาก่อน

โมเดลรุ่นใหม่แต่ละรุ่นควรปรับปรุงทั้งสองด้านของสมการนี้ไปพร้อมกัน ลูกค้าควรทำงานที่มีคุณค่ามากขึ้นได้ ขณะเดียวกันต้นทุนในการทำงานแต่ละงานให้สำเร็จก็ควรลดลงอย่างต่อเนื่อง

ตัวชี้วัดประการที่สามคือความน่าเชื่อถือ

การนำ AI มาใช้งานมีแนวโน้มที่จะขยายตัวลึกซึ้งขึ้นไปเป็นลำดับขั้น ขั้นแรก AI จะช่วยร่างงาน จากนั้นระบบจะค้นหาบริบทและวิเคราะห์เหตุผลโดยอาศัยเครื่องมือและข้อมูลต่าง ๆ เมื่อเวลาผ่านไป AI จะเริ่มลงมือดำเนินการเอง จัดการกรณีที่ซับซ้อน และทำเวิร์กโฟลว์ให้เสร็จสมบูรณ์ โดยให้มนุษย์ใช้วิจารณญาณและกำกับดูแลเมื่อจำเป็น

แต่ละขั้นตอนสร้างคุณค่าได้มากขึ้น และต้องอาศัยความสามารถของระบบมากขึ้น

ความน่าเชื่อถือมีคุณค่าทางเศรษฐกิจโดยตรง เมื่อผลลัพธ์มีความถูกต้อง มีแหล่งอ้างอิงที่ดี สอดคล้องกัน และได้รับการยกระดับอย่างเหมาะสม ผู้คนก็ใช้เวลาน้อยลงในการตรวจทาน แก้ไข และทำงานซ้ำ งานที่ทำสำเร็จมีต้นทุนต่ำลง และองค์กรก็มีความมั่นใจมากขึ้นในการใช้ AI ในกระบวนการทำงานที่สำคัญยิ่งขึ้น

ทีมสามารถนำแนวคิดนี้ไปใช้ได้จริงด้วยการติดตามผลลัพธ์ 3 ด้าน:

• พร้อมใช้งาน: ผลลัพธ์ผ่านเกณฑ์คุณภาพตามที่กำหนดตั้งแต่ส่งมอบ
• ต้องแก้ไข: ผลลัพธ์จำเป็นต้องลองอีกครั้งหรือให้มนุษย์แก้ไข
• ต้องส่งต่อ: มนุษย์ต้องเข้ามารับช่วงและทำงานให้เสร็จ

ตัวชี้วัดเหล่านี้สะท้อนภาพได้ครบถ้วนกว่าการวัดความแม่นยำของโมเดลเพียงอย่างเดียว สิ่งเหล่านี้แสดงให้เห็นว่า AI ช่วยลดปริมาณงานที่ต้องใช้ในการทำโปรเจกต์ให้เสร็จได้จริงหรือไม่

ความน่าเชื่อถือยังต้องมีขอบเขตที่ชัดเจนด้วย ก่อนที่ AI จะยกระดับจากการร่างงานไปสู่การดำเนินการจริง องค์กรควรกำหนดสิ่งต่อไปนี้ให้ชัดเจน:

• ข้อมูลใดที่ระบบสามารถเข้าถึงได้
• AI ได้รับอนุญาตให้เข้าถึงหรือแก้ไขระบบใดได้บ้าง
• เมื่อใดที่มนุษย์ควรตรวจสอบหรืออนุมัติการดำเนินการ

ความปลอดภัย ความมั่นคง ความเป็นส่วนตัว และการควบคุม คือรากฐานของการนำ AI ไปใช้ในระดับที่ลึกยิ่งขึ้น ผู้คนต้องเข้าใจว่าระบบทำงานอย่างไร ข้อมูลของตนได้รับการจัดการอย่างไร และการดำเนินการของระบบอยู่ภายใต้การกำกับดูแลอย่างไร

ChatGPT Work สร้างขึ้นบนรากฐานด้านความปลอดภัย ความเป็นส่วนตัว การปฏิบัติตามข้อกำหนด และการจัดการเวิร์กสเปซของ ChatGPT Enterprise สิ่งนี้ช่วยให้องค์กรสามารถให้บริบทแก่ AI ได้มากขึ้น และให้ AI เข้าถึงเวิร์กโฟลว์ที่มีคุณค่ามากขึ้น ในขณะที่ยังคงมีการกำกับดูแลอย่างเหมาะสม

ความสามารถเป็นปัจจัยที่ทำให้เกิดการใช้งานครั้งแรก ความน่าเชื่อถือทำให้ AI กลายเป็นส่วนหนึ่งของวิธีการทำงาน

คำถามสุดท้ายคือ ความคุ้มค่าทางเศรษฐศาสตร์จะดีขึ้นหรือไม่เมื่อขยายการใช้งาน

บริษัทสามารถวัดสิ่งนี้ได้ด้วยการติดตามเวิร์กโฟลว์เดียวกันอย่างต่อเนื่อง ติดตามจำนวนงานที่ผ่านเกณฑ์คุณภาพ ต้นทุนรวมในการทำงานเหล่านั้นให้สำเร็จ และต้นทุนต่องานที่สำเร็จ หากปริมาณงานที่สำเร็จเพิ่มขึ้นเร็วกว่าต้นทุนรวม โดยที่คุณภาพยังคงเดิมหรือดีขึ้น แสดงว่าเงินทุกดอลลาร์ที่ใช้กับ AI สร้างมูลค่าได้มากขึ้น

ทรัพยากรการประมวลผลคือหัวใจสำคัญของสมการนี้

ทรัพยากรการประมวลผลขับเคลื่อนทั้งงานวิจัยและทุกงานที่ AI ทำสำเร็จ สิ่งนี้เป็นตัวกำหนดคุณภาพของผลิตภัณฑ์ ความเร็ว ความน่าเชื่อถือ ความพร้อมใช้งาน และต้นทุน ทรัพยากรการประมวลผลที่ใช้เทรนโมเดลช่วยสร้างขีดความสามารถในอนาคต ทรัพยากรการประมวลผลสำหรับการอนุมานช่วยสร้างงานที่มีคุณค่าในวันนี้ ทั้งสองอย่างควรนำไปสู่ผลลัพธ์ที่ดียิ่งขึ้นสำหรับลูกค้า

โมเดลที่ดียิ่งขึ้น การอนุมานที่มีประสิทธิภาพมากขึ้น ฮาร์ดแวร์ที่ออกแบบมาโดยเฉพาะ การใช้ทรัพยากรได้คุ้มค่ายิ่งขึ้น การกำหนดเส้นทางที่ชาญฉลาดขึ้น และการออกแบบผลิตภัณฑ์ที่ดียิ่งขึ้น ล้วนช่วยเพิ่มผลตอบแทนจากทรัพยากรการประมวลผล โครงสร้างพื้นฐานแต่ละรุ่นช่วยยกระดับการเทรนโมเดลให้มีขีดความสามารถมากขึ้น จากนั้น อัลกอริทึม ฮาร์ดแวร์ และซอฟต์แวร์ที่ดียิ่งขึ้นก็ช่วยให้โมเดลเหล่านั้นทำงานได้อย่างมีประสิทธิภาพมากขึ้น

ลูกค้าจะสัมผัสได้ถึงการพัฒนาเหล่านี้ผ่านประสบการณ์จริง ได้แก่ คำตอบที่ดีขึ้น ผลลัพธ์ที่รวดเร็วขึ้น การแก้ไขที่น้อยลง ผลิตภัณฑ์ที่เชื่อถือได้มากขึ้น และต้นทุนที่ต่ำลงสำหรับงานที่ต้องการให้ทำ

ผลตอบแทนเพิ่มขึ้นแบบทวีคูณ โครงสร้างพื้นฐานที่ดียิ่งขึ้นช่วยให้งานวิจัยก้าวหน้าได้เร็วขึ้น การวิจัยสร้างโมเดลที่มีความสามารถและประสิทธิภาพมากขึ้น โมเดลที่ดีขึ้นช่วยปรับปรุงผลิตภัณฑ์ ผลิตภัณฑ์ที่ดีขึ้นช่วยขับเคลื่อนการนำไปใช้งาน การเรียนรู้ และรายได้ การเติบโตนั้นช่วยสนับสนุนการลงทุนอย่างต่อเนื่องในงานวิจัย ทรัพยากรการประมวลผล การนำไปใช้งาน และความปลอดภัยของ AI ในรุ่นถัดไป

OpenAI ผสานรวมส่วนประกอบเหล่านี้เข้าด้วยกันผ่านแพลตฟอร์มอัจฉริยะเดียวที่ใช้ร่วมกัน ผู้คนใช้งานผ่าน ChatGPT และ ChatGPT Work นักพัฒนาสร้างสิ่งต่าง ๆ บนแพลตฟอร์มนี้ผ่าน Codex และ API องค์กรต่างๆ นำแพลตฟอร์มนี้ไปใช้งานในระบบที่ใช้ดำเนินงานจริง

เมื่อองค์ประกอบส่วนหนึ่งได้รับการพัฒนา ผลิตภัณฑ์และลูกค้าทุกรายก็ได้รับประโยชน์ไปด้วย

เมื่อนำทั้ง 4 ตัวชี้วัดมาพิจารณาร่วมกัน เราจะเห็นได้ว่าความชาญฉลาดที่มีประโยชน์ต่อทุก 1 ดอลลาร์ดีขึ้นหรือไม่

งานที่มีคุณค่าช่วยให้เราเห็นว่า AI สร้างผลงานอะไรได้บ้าง ต้นทุนต่องานที่สำเร็จช่วยบอกเราว่าต้องใช้ต้นทุนเท่าใดเพื่อให้บรรลุผลลัพธ์ ความน่าเชื่อถือในการทำงานบอกให้เรารู้ว่ามีงานมากน้อยเพียงใดที่ผู้คนสามารถนำไปใช้ได้อย่างมั่นใจ คุณค่าที่เกิดขึ้นเมื่อขยายการใช้งานช่วยให้เรารู้ว่า ทุก 1 ดอลลาร์และทุกหน่วยของทรัพยากรการประมวลผลสร้างงานได้มากขึ้นเมื่อเวลาผ่านไปหรือไม่

เป้าหมายคือ AI ที่ช่วยให้ผู้คนทำงานที่มีความหมายมากขึ้น ตัดสินใจได้ดียิ่งขึ้น และมีเวลาให้กับงานที่ต้องอาศัยวิจารณญาณและความคิดสร้างสรรค์ของมนุษย์มากขึ้น

หน้าที่ของเราคือทำให้สมการนี้ดีขึ้นในทุกเจเนอเรชัน ด้วยโมเดลที่มีขีดความสามารถสูงขึ้น ผลลัพธ์ที่รวดเร็วและเชื่อถือได้มากขึ้น และต้นทุนที่ต่ำลงสำหรับงานที่ลูกค้าต้องการทำให้สำเร็จ

นี่คือแนวทางที่ทำให้ AI มีประโยชน์ต่อผู้คนและองค์กรมากขึ้นเรื่อย ๆ