Tokenomics คือ headcount แบบใหม่ เมื่อค่า AI ต่อโทเคนถูกลง 67% แต่ยิ่งใช้ยิ่งจ่ายแพง

Andrew Macdonald ประธานและ COO ของ Uber เปิดเผยว่าบริษัทใช้งบ AI สำหรับเครื่องมือ coding ทั้งปี 2026 หมดภายในเวลาเพียง 4 เดือน¹ สิ่งที่น่าแปลกกว่าคือต้นทุนต่อโทเคนในช่วงเวลาเดียวกันนั้นกลับถูกลงราว 67%² กำลังเกิดอะไรขึ้น - และมันเกี่ยวอะไรกับคนทำงานออฟฟิศแบบเรา ๆ ที่ไม่ได้คุมงบบริษัท Microsoft เพิ่งตั้งชื่อปรากฏการณ์นี้ว่า tokenomics และบอกว่ามันกำลังเปลี่ยนวิธีที่บริษัททั่วโลกคิดเรื่องคน งาน และเงิน³

Jevons paradox strikes again! As AI gets more efficient and accessible, we will see its use skyrocket, turning it into a commodity we just can’t get enough of.

• Satya Nadella, CEO ของ Microsoft⁴

ราคาถูกลง 67% แต่ค่าใช้จ่ายแพงขึ้น - เกิดอะไรขึ้น

ถ้าดูตัวเลขด้านเดียว ปี 2025-2026 ดูเหมือนข่าวดีสำหรับทุกคนที่ใช้ AI ต้นทุนเฉลี่ยต่อล้านโทเคนหล่นจาก $18.40 เหลือ $6.07 ลดลง 67% ภายในหนึ่งปี จากการวิเคราะห์ API call กว่า 2.4 พันล้านรายการ²

ลดลง 67% ภายในหนึ่งปี จากการวิเคราะห์ API call กว่า 2.4 พันล้านรายการ

แต่ค่าใช้จ่ายกลับไม่ได้ลดลงตาม เพราะในช่วงเวลาเดียวกัน ปริมาณการใช้โทเคนกลับโตขึ้นราว 13 เท่า เมื่อเทียบกับปีก่อน⁵

กรณีของ Uber ชี้ให้เห็นว่าปัญหานี้ไม่ได้จำกัดอยู่แค่บริษัทเล็ก บริษัทใช้งบ AI ที่ตั้งไว้ทั้งปี 2026 หมดภายในเวลาเพียง 4 เดือน¹ ไม่ใช่เพราะราคาต่อโทเคนแพงขึ้น แต่เพราะทีมนำ AI เข้าไปในขั้นตอนการทำงานมากขึ้นเรื่อย ๆ จนปริมาณการใช้งานพุ่งเกินที่ประมาณการไว้

เพื่อให้เห็นภาพว่าราคาแตกต่างกันแค่ไหนระหว่างโมเดล ตารางด้านล่างแสดงราคาโดยประมาณ ณ มิถุนายน 2026 ตัวเลขจะยังคงขยับต่อ⁶

โมเดล	Input (ต่อ 1M token)	Output (ต่อ 1M token)
Gemini 3.1 Flash-Lite	$0.25	$1.50
Gemini 3.1 Pro	$2.00	$12.00
GPT-5.5	$5.00	$30.00
Claude Sonnet 4.6	$3.00	$15.00
Claude Opus 4.8	$5.00	$25.00

ความต่างระหว่างโมเดลถูกสุดกับแพงสุดในฝั่ง output มากถึงหลายเท่าตัว การเลือกโมเดลให้เหมาะกับงานจึงสำคัญกว่าการต่อรองราคากับ provider มาก

โทเคนคืออะไร และทำไมทุกอย่างคิดเป็นโทเคน

ก่อนจะเข้าใจว่าทำไมค่าใช้จ่ายถึงพุ่ง ต้องเข้าใจก่อนว่า AI คิดเงินจากอะไร

โทเคน คือหน่วยย่อยที่ AI ใช้อ่านและตอบข้อความ ไม่ใช่ตัวอักษร ไม่ใช่คำ แต่เป็นกลุ่มตัวอักษรที่โมเดลแบ่งตามรูปแบบที่เรียนรู้มา คำว่า tokenization ในภาษาอังกฤษอาจถูกแบ่งเป็นสองโทเคน (token + ization) ส่วนภาษาไทยใช้โทเคนมากกว่าต่อคำ เพราะโมเดลส่วนใหญ่ถูกเทรนด้วยข้อมูลภาษาอังกฤษเป็นหลัก ประโยคว่า ขอบคุณมากนะครับ อาจกินโทเคนมากกว่า Thank you very much แม้มีความหมายเดียวกัน นั่นแปลว่าผู้ใช้ภาษาไทยจ่ายแพงกว่าโดยไม่รู้ตัว - เรื่องนี้เราเขียนไว้ละเอียดในทำไมพิมพ์อังกฤษคุยกับ AI ถูกกว่าไทยได้ถึง 4 เท่า

ทุก API call คิดเงินสองทาง input คือข้อความที่เราส่งให้ AI (พรอมต์ บริบท ไฟล์ที่แนบ) และ output คือคำตอบที่ AI สร้างขึ้น โดย output แพงกว่า input หลายเท่าเสมอ ดูจากตารางด้านบน Claude Opus 4.8 คิด input $5 แต่ output $25 ต่อล้านโทเคน ต่างกัน 5 เท่า⁶

ความหมายในทางปฏิบัติ ถ้าให้ AI เขียนรายงาน 3,000 คำ ค่าใช้จ่ายส่วนใหญ่อยู่ที่ output ไม่ใช่พรอมต์สั้น ๆ ที่ใช้สั่ง บางครั้งการขอ AI สรุปประเด็นก่อนแล้วเราเขียนเนื้อหาต่อเอง ถูกกว่าให้ AI เขียนทั้งชิ้นหลายเท่า

ของยิ่งถูก คนยิ่งใช้ ปรากฏการณ์ Jevons

แนวคิดที่อธิบายเรื่องนี้ได้ดีที่สุดมาจากนักเศรษฐศาสตร์ William Stanley Jevons ในศตวรรษที่ 19 เขาสังเกตว่าเมื่อเครื่องจักรไอน้ำเผาถ่านหินได้มีประสิทธิภาพขึ้น อังกฤษกลับใช้ถ่านหินมากขึ้น ไม่ใช่น้อยลง เพราะของที่ถูกและคุ้มขึ้นทำให้คนเอาไปใช้ในงานใหม่ ๆ ที่เมื่อก่อนไม่คุ้มจะทำ ความต้องการรวมจึงโตเร็วกว่าที่ประสิทธิภาพช่วยประหยัดได้⁷

ปรากฏการณ์นี้เกิดซ้ำตลอดประวัติศาสตร์ รถยนต์ประหยัดน้ำมันขึ้นคนก็ขับไกลขึ้น แอร์ถูกลงบ้านก็ติดหลายห้องขึ้น ระบบชลประทานมีประสิทธิภาพขึ้นพื้นที่เพาะปลูกก็ขยายจนใช้น้ำมากขึ้น⁷ AI กำลังเดินตามรอยเดียวกัน

เรื่องนี้ไม่ใช่ทฤษฎีไกลตัว ตอน DeepSeek เปิดตัวโมเดลที่ถูกและเก่งเมื่อต้นปี 2025 หลายคนคิดว่าความต้องการชิปและพลังประมวลผลน่าจะลดลงเพราะ AI ถูกลง แต่ Satya Nadella ซีอีโอของ Microsoft ทวีตตอบทันทีว่ามันจะตรงกันข้าม

Jevons paradox strikes again! As AI gets more efficient and accessible, we will see its use skyrocket, turning it into a commodity we just can’t get enough of.

- Satya Nadella (@satyanadella) January 27, 2025

ใจความสั้น ๆ คือ ยิ่ง AI มีประสิทธิภาพและเข้าถึงง่ายขึ้นเท่าไร การใช้งานยิ่งพุ่งจนกลายเป็นของที่ใช้เท่าไรก็ไม่พอ⁴ นี่คือเหตุผลที่ราคาต่อโทเคนถูกลงแต่เม็ดเงินรวมในอุตสาหกรรมกลับโตขึ้น และมันเกิดในระดับค่าใช้จ่ายของแต่ละองค์กรด้วยเหมือนกัน

เมื่อราคาต่อโทเคนถูกลง งานที่เมื่อก่อนคิดว่าไม่คุ้มให้ AI ทำ กลายเป็นคุ้ม ทีมเริ่มส่งข้อมูลมากขึ้นต่อ query อยากให้ AI วิเคราะห์เอกสารทั้งชุดแทนที่จะแค่ตอบคำถามเดียว และนำ AI เข้าไปในขั้นตอนที่เมื่อก่อนทำด้วยมือ ผลรวมคือปริมาณโทเคนโตเร็วกว่าราคาที่ลง ค่าใช้จ่ายจึงพุ่ง

สิ่งที่ผลักดันต้นทุนให้พุ่งแรงกว่านั้นคือโมเดล reasoning และ agent ที่ทำงานวนหลายรอบ เวลา AI agent รับมอบหมายงานหนึ่งชิ้น มันไม่ได้ตอบครั้งเดียวแล้วจบ แต่วางแผน เรียกใช้เครื่องมือ ตรวจสอบผลลัพธ์ แก้ไข แล้ววนซ้ำ ทุกขั้นตอนกินโทเคน ระบบ agent ที่ทำงานหลายขั้นมีต้นทุนอยู่ที่ราว $1.20 ต่อ interaction สูงกว่าปี 2023 ประมาณ 30 เท่า⁸ ลองคิดว่าถ้าองค์กรมี agent วิ่งอยู่พร้อมกัน 50 ตัว ค่าใช้จ่ายต่อวันสะสมได้เร็วแค่ไหน

ปัญหาอีกชั้นที่บางองค์กรเรียกว่า token maxing คือการตั้งค่าให้ทุกงานใช้โมเดลแพงที่สุดโดยไม่ได้คิดว่างานนั้นต้องการความสามารถระดับนั้นจริง ๆ ไหม เหมือนจ้างที่ปรึกษาอาวุโสมาตอบอีเมลแจ้งวันหยุด ตีต้นทุนถูกต้องก็จะรู้ว่าเกินความจำเป็นไปมาก

ทั้งสามแรงนี้ Jevons effect, agentic loops และ token maxing ทำงานพร้อมกัน จึงอธิบายได้ว่าทำไมราคาต่อหน่วยลง 67% แต่ค่าใช้จ่ายรวมยังพุ่งได้

Tokenomics = headcount แบบใหม่ (มุมของ Microsoft)

Microsoft ระบุใน WorkLab ว่า tokenomics คือหนึ่งในห้าเทรนด์หลักที่ผู้บริหารต้องเข้าใจในปี 2026³ แต่ที่น่าสนใจกว่าคือกรอบคิดที่เสนอมา

headcount ในภาษาองค์กรคือจำนวนพนักงานที่บริษัทจ้าง ซึ่งเป็นต้นทุนก้อนใหญ่ที่ฝ่ายบริหารต้องวางแผนและจัดสรรตลอดเวลาว่าจะเพิ่มคนตรงไหน ลดตรงไหน การบอกว่าโทเคนคือ headcount แบบใหม่ จึงหมายความว่าต้นทุน AI กำลังขยับขึ้นมาอยู่ระดับเดียวกับค่าจ้างคน เป็นเงินก้อนที่ต้องตัดสินใจว่าจะลงกับงานไหนเท่าไร ไม่ใช่ค่าเครื่องมือที่จ่ายครั้งเดียวจบ

Jared Spataro จาก Microsoft บอกว่าตัวเทียบที่ถูกต้องสำหรับต้นทุนโทเคนไม่ใช่ ค่าซอฟต์แวร์ แต่คือ ค่าคนทำงานเดียวกัน³ ถ้าคิดว่า AI เป็นซอฟต์แวร์ เราจะจัดงบแบบค่า subscription ตายตัวรายปี แต่ถ้าคิดว่า AI เป็นแรงงาน เราต้องถามทุกงานว่าควรให้คนทำหรือให้ agent ทำ และคำตอบเปลี่ยนได้เสมอตามราคาที่ขยับ

ที่ Microsoft เรียกว่า recalibration gap คือปัญหาที่งบ AI ถูกตั้งไว้ปีต่อปีแบบตายตัว ทั้งที่ราคาต่อโทเคนขยับลงทุกไตรมาส³ องค์กรที่ไม่ปรับงบตามราคาจริงจะพลาดโอกาสขยายการใช้งานในจุดที่คุ้มค่า ส่วนองค์กรที่ขยายโดยไม่ดูต้นทุนต่อ task ก็จะเจอค่าใช้จ่ายเกินงบแบบ Uber

ความจริงอีกด้านที่ต้องพูดถึง ไม่ใช่ทุกงานที่ agent ทำแล้วถูกกว่าคน งานซับซ้อนที่ต้องใช้ reasoning หลายชั้นและวนหลายรอบ บางครั้ง agentic AI แพงกว่าจ้างคนทำจริง ๆ คำถามจึงไม่ใช่ว่า AI ถูกกว่าคนไหม แต่คือ งานชิ้นนี้ AI ทำได้ดีพอ เร็วพอ และถูกพอ เทียบกับทางเลือกอื่นไหม ตีคุณค่าข้าม 3 แกน คือ คุณภาพ เวลา และต้นทุน

กรอบคิดนี้แปลงเรื่องงบประมาณ AI จากการซื้อครั้งเดียวใช้ทั้งปี ให้กลายเป็นการตัดสินใจรายวัน รายสัปดาห์ ใกล้เคียงกับวิธีที่ฝ่าย HR ตัดสินใจว่าจะจ้างคนเพิ่มหรือไม่

แล้วมนุษย์ออฟฟิศแบบเรา ๆ จะปรับตัวยังไง

เราเองก็เป็นคนทำงานออฟฟิศที่ใช้ AI ทุกวันเหมือนกัน ทุกครั้งที่เปิดแชตขึ้นมาร่างอีเมล สรุปโน้ตประชุม หรือแปลเอกสาร เรากำลังตัดสินใจเรื่อง tokenomics อยู่ แค่ไม่ได้เรียกมันแบบนั้น สี่ข้อนี้คือสิ่งที่ปรับได้ตั้งแต่งานชิ้นถัดไป

แตะที่ภาพเพื่อดูขนาดเต็ม

เลือกโมเดลให้พอดีกับงาน งานสรุปเอกสาร ร่างอีเมล หรือแปลข้อความไม่จำเป็นต้องใช้ Claude Opus 4.8 หรือ GPT-5.5 Gemini Flash-Lite หรือโมเดลระดับกลางทำได้ดีพอในราคาที่ถูกกว่าหลายเท่าตัว เก็บรุ่นแพงไว้ใช้กับงานที่ต้องคิดหลายชั้นจริง ๆ อย่างวิเคราะห์สัญญาหรือเขียนโค้ดซับซ้อน ถ้ายังไม่แน่ใจว่าแพ็กไหนคุ้มกับงบ ลองดูถ้ามีงบ AI เดือนละ 700 บาท สมัครเจ้าไหนดี

เขียนพรอมต์กระชับ input ที่ยาวกินโทเคนมาก การก็อปอีเมลทั้งเธรดหรือเอกสารทั้งไฟล์ใส่เข้าไปทั้งที่ AI ต้องการแค่ย่อหน้าเดียว ทำให้จ่ายโทเคนเพิ่มโดยไม่ได้คำตอบที่ดีขึ้น ตัดเฉพาะส่วนที่เกี่ยวข้องก่อนส่ง ลดทั้งต้นทุนและเวลารอ

รู้ว่า output คือตัวหลักที่กินเงิน ถ้างานต้องการให้ AI ตอบยาว ๆ หรือสร้างเอกสารใหญ่ ต้นทุนส่วนนั้นสูงกว่าพรอมต์หลายเท่า เวลาทำสไลด์หรือรายงาน ลองขอ AI ร่างโครงและหัวข้อก่อน แล้วเราเขียนเนื้อต่อเอง ถูกกว่าและมักได้งานที่ตรงใจกว่าให้ AI เขียนทั้งชิ้นรวดเดียว

ถามตัวเองว่าคุ้มไหมก่อนเริ่ม ถ้างานนี้ทำเองได้ใน 3 นาทีโดยไม่ต้องอธิบายบริบทให้ AI เข้าใจ ทำเองอาจเร็วกว่า การพิมพ์อธิบายงานให้ครบ รอ AI ตอบ แล้วนั่งตรวจแก้ บางทีกินเวลามากกว่าลงมือเองตั้งแต่ต้น นี่คือกรอบเดียวกับที่ผู้บริหารใช้ตัดสินใจว่าจะจ้างคนหรือไม่ แค่ย่อส่วนลงมาที่งานตรงหน้า

แล้วองค์กรควรเตรียมรับมืออย่างไร

ทุกวันนี้หลายองค์กรซื้อ AI แบบเหมาจ่ายต่อหัว เช่น Microsoft 365 Copilot ที่คิดราคาต่อ license คงที่ ทำให้รู้สึกเหมือนใช้โทเคนได้แทบไม่จำกัด นั่นเพราะช่วงนี้ผู้ให้บริการยังแบกต้นทุนโทเคนไว้แทน เพื่อดึงคนเข้ามาใช้ก่อน แต่โมเดลราคาแบบเหมาจ่ายกำลังอยู่ภายใต้แรงกดดัน เพราะ agent ที่ทำงานวนหลายขั้นกินโทเคนต่อคนมากขึ้นหลายเท่า การคิดเงินจึงเริ่มขยับไปทาง pay-as-you-go และระบบ credit ตามการใช้งานจริงมากขึ้นเรื่อย ๆ

แปลว่าวันที่รู้สึกว่าแทบไม่จำกัด อาจไม่อยู่กับเราตลอดไป สิ่งที่องค์กรเริ่มทำได้ตั้งแต่ตอนนี้ ก่อนที่ค่าใช้จ่ายจะผูกกับการใช้งานจริง:

• เก็บข้อมูลการใช้งานแยกรายทีมตั้งแต่วันนี้ จะได้รู้ว่าใครใช้หนักกับงานอะไร เผื่อวันที่ราคาเปลี่ยนเป็นแบบจ่ายตามจริง
• วางกติกาว่าใครมีสิทธิ์เปิด agent อัตโนมัติ และงานแบบไหนควรใช้โมเดลรุ่นไหน กันวัฒนธรรม token maxing ตั้งแต่ต้น
• ตั้งงบ AI แบบยืดหยุ่นที่ปรับได้ตามราคาที่ขยับทุกไตรมาส แทนที่จะล็อกตัวเลขทั้งปี นี่คือ recalibration gap ที่ Microsoft เตือนไว้พอดี
• เวลาต่อสัญญากับ vendor ขอ dashboard ที่เห็นการใช้โทเคนจริง ไม่ใช่แค่จำนวน license

หัวใจคือมองงบ AI เป็นค่าแรงที่ผันแปรได้ ไม่ใช่ค่า subscription ที่จ่ายแล้วลืม องค์กรที่เห็นต้นทุนต่อ task ชัด จะขยายการใช้ AI ได้มั่นใจกว่า และไม่ตื่นมาเจอค่าใช้จ่ายบานปลายแบบ Uber

ราคาถูกลงไม่ได้แปลว่าฟรี

แก่นของ tokenomics ไม่ใช่ว่า AI กำลังแพงขึ้น แต่ต้นทุน AI ได้ย้ายจากราคาต่อหน่วย ไปอยู่ที่ว่าเราใช้มันมากแค่ไหนและฉลาดแค่ไหน ราคาต่อโทเคนจะถูกลงเรื่อย ๆ แต่ค่าใช้จ่ายรวมขึ้นอยู่กับว่าเราตัดสินใจเรื่องการใช้งานได้ดีแค่ไหน สำหรับคนทำงานออฟฟิศ นั่นแปลว่านิสัยเล็ก ๆ อย่างเลือกโมเดลให้พอดีงาน ตัดบริบทที่ไม่จำเป็นออก และรู้ว่าเมื่อไหร่ควรลงมือเอง คือสิ่งที่ทำให้ AI เป็นผู้ช่วยที่คุ้มค่าจริง ไม่ใช่ค่าใช้จ่ายที่บานปลาย

Work Trend Index 2026 ของ Microsoft สำรวจคนทำงาน 20,000 คนใน 10 ประเทศ เรื่องการทำงานร่วมกับ AI⁹ กรอบที่ถูกต้องจึงไม่ใช่คน vs agent แต่คือ คน + agent และ tokenomics คือทักษะที่ทั้งสองฝ่ายต้องเรียนรู้ร่วมกัน

แหล่งอ้างอิง

1. Fortune, “Uber burned through its entire 2026 AI budget in 4 months,” fortune.com (2026) - Andrew Macdonald ประธานและ COO ของ Uber เปิดเผยว่าบริษัทใช้งบ AI ด้านเครื่องมือ coding ทั้งปี 2026 หมดภายใน 4 เดือน ↩ ↩²

2. Optimum Partners, “AI Token Costs and How They Might Wreck Your Budget,” optimumpartners.com (2026) - ต้นทุนเฉลี่ยต่อล้านโทเคนลดจาก $18.40 เหลือ $6.07 (ลด 67% YoY) จากการวิเคราะห์ 2.4 พันล้าน API call ↩ ↩²

3. Microsoft WorkLab, Jared Spataro, “Tokenomics Is the New Headcount - and Four More Trends to Watch,” microsoft.com/worklab (2026) - ห้าเทรนด์จาก WorkLab รวมถึงกรอบ tokenomics = headcount ใหม่ และ recalibration gap ↩ ↩² ↩³ ↩⁴

4. Satya Nadella (@satyanadella), X (27 ม.ค. 2025) - ทวีตหลัง DeepSeek เปิดตัว ระบุว่ายิ่ง AI มีประสิทธิภาพและเข้าถึงง่ายขึ้น การใช้งานยิ่งพุ่ง ↩ ↩²

5. Ability.ai, “The AI Token Spend Crisis,” ability.ai (2026) - องค์กรโดยเฉลี่ยใช้โทเคน AI เพิ่มขึ้นราว 13 เท่าเมื่อเทียบกับปีก่อน (เป็นตัวเลขจากบล็อกอุตสาหกรรม ไม่ใช่งานวิจัยปฐมภูมิ) ↩

6. BenchLM, “LLM Pricing,” benchlm.ai/llm-pricing (2026) - ราคาตัวอย่าง มิ.ย. 2026: Gemini 3.1 Flash-Lite $0.25/$1.50, GPT-5.5 $5/$30, Claude Sonnet 4.6 $3/$15, Claude Opus 4.8 $5/$25 ต่อล้านโทเคน (input/output) ราคาเปลี่ยนแปลงได้ ควรตรวจสอบกับผู้ให้บริการก่อนใช้จริง ↩ ↩²

7. 101 World, “Jevons Paradox: ทำไมยิ่งประหยัด ยิ่งใช้มากขึ้น,” the101.world (2025) - ที่มาของแนวคิด Jevons จากถ่านหินยุคปฏิวัติอุตสาหกรรม และตัวอย่างรถยนต์ แอร์ ชลประทาน รวมถึงการเชื่อมโยงกับ DeepSeek และความต้องการ AI ↩ ↩²

8. Riseup Labs / EY, “Agentic AI Token Costs,” ey.com (2026) - ระบบ agent ที่วนหลายขั้น ต้นทุน ~$1.20 ต่อ interaction สูงกว่าปี 2023 ราว 30 เท่า ↩

9. Microsoft 2026 Work Trend Index, microsoft.com/worklab (2026) - สำรวจคนทำงาน 20,000 คนใน 10 ประเทศ เรื่องการทำงานร่วมกับ AI agent ↩