LegalOn ลดค่าใช้จ่าย Codex ครึ่งหนึ่ง พัฒนาได้เร็วเท่าเดิม
LegalOn ลดต้นทุนได้ 65% โดยยังพัฒนาได้เร็วเท่าเดิม ด้วยการเลือก Astra, Sol และ Luna ให้เหมาะกับงาน พร้อมบริหารงบประมาณอย่างมีกลยุทธ์
ผลลัพธ์
-20%
การลดต้นทุนในธุรกิจที่เติบโตเต็มที่แล้ว
ผลลัพธ์
-65%
การลดต้นทุนรายวันโดยประมาณ
LegalOn Technologies ให้บริการ AI สำหรับงานวิชาชีพทั่วโลก โดยใช้ AI สนับสนุนงานกฎหมายและงานสำคัญอื่นๆ ของธุรกิจ การผสานความเชี่ยวชาญเฉพาะด้านเข้ากับ AI ช่วยให้ผู้คนมุ่งเน้นการใช้วิจารณญาณและการตัดสินใจที่ซับซ้อนได้ เป้าหมายคือการบริหารที่ขับเคลื่อนด้วย AI เพื่อยกระดับคุณภาพและความเร็วในการตัดสินใจทางธุรกิจ
แนวทางนี้ไม่ได้จำกัดอยู่แค่ผลิตภัณฑ์ แต่ยังมุ่งให้ AI เป็นส่วนหนึ่งของการทำงานทั่วทั้งองค์กร บริษัทนำ Codex มาใช้ในกระบวนการพัฒนา และขยายการใช้งานทั่วทั้งองค์กรผ่านงานประจำวัน
เมื่อการใช้งานแพร่หลาย ความท้าทายใหม่ก็เกิดขึ้น นั่นคือการควบคุมต้นทุน การใช้โมเดลประสิทธิภาพสูงอย่างไม่จำกัดอาจทำให้ค่าใช้จ่ายพุ่งขึ้น แต่การจำกัดทุกอย่างแบบเหมารวมก็เสี่ยงทำให้ประสิทธิภาพการทำงานที่ได้จาก AI ลดลง
แล้วจะลดต้นทุนโดยไม่ทำให้การพัฒนาช้าลงได้อย่างไร LegalOn Technologies รับมือด้วยการเลือกใช้ GPT‑6 (Astra, Luna) และ GPT‑6.1 Sol ตามความซับซ้อนของงานและขั้นตอนการพัฒนา พร้อมจัดงบประมาณให้สอดคล้องกับระยะการเติบโตของแต่ละธุรกิจ บริษัทลดต้นทุนได้ครึ่งหนึ่งโดยยังพัฒนาได้เร็วเท่าเดิม
ช่วงแรก บริษัทให้นักพัฒนาใช้โมเดลหลักอย่าง GPT‑5.5 ในโหมด Fast ได้ไม่จำกัด นักพัฒนาขยายการใช้งานไปสู่งานออกแบบ การเขียนโค้ด และงานประจำวัน พร้อมเรียนรู้ผ่านการทดลองว่าควรแบ่งหน้าที่ระหว่างคนกับ AI อย่างไร
แต่หากใช้โมเดลประสิทธิภาพสูงต่อไปโดยไม่จำกัด ค่าใช้จ่ายย่อมเกินงบประมาณประจำปี ศูนย์ความเป็นเลิศด้านการพัฒนาด้วย AI ของบริษัท (AID CoE) จึงเริ่มจัดทำแนวทางการเลือกโมเดล AID CoE ทดสอบและติดตามผลการใช้โมเดล ส่วนผู้จัดการนำผลที่ได้ไปแบ่งปันกับทีม วิศวกรแต่ละคนจึงเลือกโมเดลที่เหมาะกับแต่ละงานได้ด้วยตนเอง
แนวทางใหม่ทำให้บริษัทเปลี่ยนจากการใช้โมเดลที่เก่งที่สุดกับทุกงาน มาเลือกโมเดลให้เหมาะกับงาน ทีมเริ่มจากโมเดลขนาดเล็ก แล้วค่อยเปลี่ยนไปใช้โมเดลที่มีความสามารถสูงขึ้นเมื่องานซับซ้อนขึ้น
เพื่อรองรับการกำกับดูแล บริษัทยังควบคุมระบบผ่านการตั้งค่าของผู้ดูแล โดยกำหนดขีดจำกัดการใช้งานรายเดือนสำหรับแต่ละแผนกและแต่ละคน AID CoE ติดตามการใช้งานและปรับขีดจำกัดตามความจำเป็นทางธุรกิจ
การทดสอบภายในภายใต้มาตรการเหล่านี้ช่วยให้เกณฑ์การเลือกโมเดลชัดเจนยิ่งขึ้น GPT‑6 Luna ซึ่งเป็นโมเดลขนาดเล็กที่สุด ใช้เขียนโค้ดเมื่องานมีข้อกำหนดชัดเจน ส่วน GPT‑6.1 Sol รองรับงานออกแบบทั่วไป การวิเคราะห์ข้อมูล และการจัดทำเอกสาร ขณะที่ GPT‑6 Astra ซึ่งมีความสามารถสูงสุด ใช้กับงานที่ต้องอาศัยวิจารณญาณขั้นสูง รวมถึงการออกแบบสถาปัตยกรรมระบบ การเลือกโมเดลให้เหมาะกับงานค่อยๆ กลายเป็นแนวปฏิบัติร่วมกันของทุกทีม
GPT-6 Luna
Everyday execution and implementation; running everyday automations; delegating relatively simple tasks and analysis; code implementation, mainly as a subagent.
GPT-6.1 Sol
Standard design and analysis; relatively simple software design; routine numerical analysis and document creation; tasks requiring shorter completion times than with Luna.
GPT-6 Astra
Complex analysis, design, and orchestration; complex analysis and document creation; complex software design; coordinating agents as the orchestrator.
ควบคู่กับการเลือกโมเดล บริษัทเริ่มจำกัดโหมด Fast เป็นค่าเริ่มต้น โดยให้ขอใช้งานเป็นรายบุคคลเฉพาะเมื่อจำเป็น แม้การเปลี่ยนแปลงนี้ทำให้เกิดความกังวลเรื่องความเร็วในการพัฒนา แต่ทีมใช้วิธีต่างๆ เช่น การทำงานหลายอย่างพร้อมกัน เพื่อคงประสิทธิภาพและเปลี่ยนผ่านได้อย่างราบรื่น
บริษัทยังกำหนดเพดานงบประมาณการใช้ AI ในระดับแผนก กลุ่ม และรายบุคคล ธุรกิจ LegalOn ที่มีฐานมั่นคงแล้วได้รับเป้าหมายให้เพิ่มความคุ้มค่าด้านต้นทุนสูงสุดประมาณ 20% ส่วนธุรกิจใหม่ในระยะเริ่มต้นได้รับงบประมาณอย่างเต็มที่เพื่อส่งเสริมการใช้ AI อย่างจริงจัง
Yuta Tokitake ผู้จัดการอาวุโสฝ่ายวิศวกรรมของ LegalOn Technologies อธิบายว่า ธุรกิจใหม่ให้ความสำคัญกับความรวดเร็วในการดำเนินธุรกิจมากกว่าความคุ้มค่าด้านต้นทุน เป้าหมายคือใช้ AI อย่างกว้างขวางเพื่อเพิ่มผลงาน และขับเคลื่อนการเติบโตของธุรกิจในท้ายที่สุด
การเลือกโมเดล การจำกัดฟีเจอร์ และการจัดงบประมาณให้เหมาะกับแต่ละธุรกิจ ร่วมกันช่วยลดต้นทุนรายวันโดยประมาณลงได้ราว 65% แนวทางนี้ช่วยควบคุมงบประมาณรวม พร้อมจัดสรรทรัพยากรไปยังธุรกิจที่บริษัทต้องการผลักดันให้เติบโต
การปรับใช้โมเดลให้เหมาะสมและจัดสรรทรัพยากรอย่างมีกลยุทธ์ให้ผลลัพธ์ดังนี้
เปลี่ยนจากการใช้โมเดลที่เก่งที่สุดกับทุกงาน มาเลือก GPT‑6 Astra, GPT‑6.1 Sol หรือ GPT‑6 Luna ตามความซับซ้อนของงานและขั้นตอนการพัฒนา
คงประสิทธิภาพการพัฒนาได้หลังจำกัดโหมด Fast เป็นค่าเริ่มต้น โดยอาศัยแนวปฏิบัติของทีม เช่น การทำงานหลายอย่างพร้อมกัน
กำหนดเพดานงบประมาณที่ช่วยเพิ่มความคุ้มค่าในธุรกิจที่เติบโตเต็มที่แล้วราว 20% ควบคู่กับการลงทุนเชิงรุกในธุรกิจใหม่
ลดต้นทุนรายวันโดยประมาณลง 65% เมื่อเทียบกับ GPT‑5.5 ด้วยการเลือกใช้โมเดล GPT‑6 และ 6.1
การปรับใช้โมเดลให้เหมาะสมช่วยให้บริษัทลดต้นทุนได้โดยไม่ลดความเร็วหรือคุณภาพการพัฒนา ทีมยังเห็นว่า AI ช่วยย่นระยะเวลาตั้งแต่การพัฒนาจนถึงการเปิดตัวได้อย่างต่อเนื่อง
แต่บริษัทกำลังมองไปไกลกว่านั้น แค่พัฒนาได้เร็วขึ้น ถือว่าการลงทุนใน AI ประสบความสำเร็จแล้วหรือ ความเชื่อมโยงระหว่างการพัฒนาที่เร็วขึ้นกับคุณค่าที่ลูกค้าได้รับยังไม่ชัดเจน “แทบไม่ต้องสงสัยเลยว่า AI ช่วยเร่งการพัฒนาและอัปเดตระบบได้” Tokitake กล่าว “สิ่งที่เราอยากเข้าใจจริงๆ คือ การพัฒนาที่เร็วขึ้นนั้นสร้างคุณค่าให้ลูกค้าได้จริงหรือไม่”
คำถามนี้ทำให้บริษัทพัฒนาตัวชี้วัดของตนเอง โดยเปลี่ยนเกณฑ์ประเมินการลงทุนใน AI จากความเร็วในการพัฒนาและปริมาณการใช้งาน มาเป็นคุณค่าที่ลูกค้าได้รับ
Tokitake อธิบายว่า “เมื่อใช้ AI เราติดตามต้นทุนของงานย่อยแต่ละงานได้ แต่ต้นทุนรวมของงานที่เสร็จสมบูรณ์หนึ่งชิ้น ซึ่งก็คือการเปิดตัวฟีเจอร์หนึ่งครั้ง มักยังไม่ชัดเจน เราจึงออกแบบการวัดผลโดยนับการเปิดตัวฟีเจอร์แต่ละครั้งเป็นหนึ่งหน่วย เราต้องการให้เห็นผลตอบแทนจากการลงทุนอย่างชัดเจนและแม่นยำ โดยเชื่อมโยงคุณค่าที่ฟีเจอร์นั้นมอบให้ลูกค้าเข้ากับค่าใช้จ่ายด้าน AI ที่ลงทุนไปจริง”
ขณะนี้บริษัทกำลังสร้างระบบประมวลผลข้อมูลเพื่อคำนวณตัวชี้วัดนี้ เมื่อเสร็จสมบูรณ์ จะช่วยให้เห็นผลตอบแทนจากการลงทุนที่แท้จริงในแง่คุณค่าที่ลูกค้าได้รับ LegalOn Technologies กำลังก้าวข้ามการบริหารต้นทุน AI ไปสู่การเชื่อมโยงการลงทุนด้านเทคโนโลยีกับคุณค่าทางธุรกิจโดยตรง
เป้าหมายถัดไปคือเปลี่ยนความรู้ในการใช้ AI ของวิศวกรแต่ละคนให้เป็นขีดความสามารถของทั้งองค์กร ขั้นแรก บริษัทวางแผนสร้างฐานความรู้เพื่อรวบรวมและแบ่งปันประสบการณ์จากการทำงานจริง ฐานความรู้นี้จะรวบรวมข้อมูล เช่น การใช้โมเดลร่วมกันอย่างเหมาะสมที่สุดสำหรับงานออกแบบ เขียนโค้ด และตรวจทาน แล้วเปลี่ยนความสำเร็จของแต่ละคนให้เป็นแนวปฏิบัติที่ดีทั่วทั้งบริษัทอย่างรวดเร็ว
การเปลี่ยนแปลงที่ขับเคลื่อนด้วยประสบการณ์จริงของทีมเหล่านี้ยังส่งผลต่อรูปแบบองค์กรและการจ้างงานด้วย ประสิทธิภาพการทำงานที่เพิ่มขึ้นจาก AI ทำให้บริษัททบทวนทั้งวิธีแบ่งงานระหว่างคนกับ AI และแผนกำลังคนตั้งแต่ระดับพื้นฐาน บริษัทเริ่มเน้นทักษะด้าน AI ในการจ้างงานแล้ว ควบคู่กับการปรับกลยุทธ์การลงทุนและโครงสร้างองค์กร
การเปลี่ยนการใช้ AI ให้เป็นความได้เปรียบทางการแข่งขันที่ยั่งยืน ต้องปรับสมดุลระหว่างการกำกับดูแลกับอิสระในการทำงานของทีมอย่างต่อเนื่อง AID CoE และทีมรักษาความปลอดภัยกำลังร่วมกันปรับประสิทธิภาพ ต้นทุน และความเสี่ยงให้เหมาะสมจากหลายมุมมอง พร้อมสร้างกรอบการทำงานที่ยืดหยุ่นเพื่อรองรับการทดลองทั่วทั้งองค์กร
“การใช้กฎและงบประมาณมาจำกัดมากเกินไปอาจบั่นทอนแรงขับเคลื่อนขององค์กร สิ่งที่เราต้องการคือรูปแบบการดำเนินงานที่ยืดหยุ่น ซึ่งสร้างสมดุลระหว่างการควบคุมความเสี่ยงกับความรวดเร็วที่ทีมต้องการได้อย่างมีประสิทธิผล”
