ค่าใช้จ่ายฝ่ายทุนด้าน AI เข้าสู่ช่วงเวลาแห่งการพิสูจน์ผลตอบแทน: บริการคลาวด์รายใหญ่ทั้งสามรายถูกตลาดประเมินค่าต่ำเกินไปหรือไม่?

บทคัดย่อ

ตั้งแต่ปี 2569 เป็นต้นมา รายจ่ายฝ่ายทุนที่เกี่ยวข้องกับโครงสร้างพื้นฐานปัญญาประดิษฐ์ (AI) ยังคงเพิ่มขึ้นอย่างต่อเนื่อง และจุดสนใจของตลาดที่มีต่อบริษัทเทคโนโลยีขนาดใหญ่ก็ได้เปลี่ยนไปตามกัน ในอดีต นักลงทุนมีแนวโน้มที่จะมองว่าการลงทุนใน AI เป็นสินทรัพย์เพื่อการเติบโตในระยะยาว แต่ในปัจจุบัน คำถามสำคัญได้ค่อยๆ เปลี่ยนไปสู่คำถามที่ว่า รายจ่ายฝ่ายทุนเหล่านี้จะสามารถเปลี่ยนเป็นรายได้ กำไรขั้นต้น กระแสเงินสดอิสระ และผลตอบแทนจากเงินลงทุนที่สูงเพียงพอได้หรือไม่?

แรงกดดันต่อราคาหุ้นของสามยักษ์ใหญ่ผู้ให้บริการคลาวด์อย่าง Microsoft, Amazon และ Alphabet/Google เมื่อเร็วๆ นี้ สะท้อนให้เห็นถึงความกังวลในระดับพื้นผิวเกี่ยวกับรายจ่ายฝ่ายทุนด้าน AI กระแสเงินสดอิสระ และต้นทุนโทเคน อย่างไรก็ตาม การเปลี่ยนแปลงเชิงอุตสาหกรรมที่ลึกซึ้งยิ่งกว่านั้นอาจเป็นเพราะ AI สำหรับองค์กรกำลังเคลื่อนย้ายจาก "การทดลองใช้อย่างกว้างขวาง" ไปสู่ "ยุคของการคำนวณการใช้งานอย่างแม่นยำ" ในระยะนี้ องค์กรต่างๆ จะไม่เรียกใช้โมเดลที่มีราคาแพงที่สุดอย่างไร้ขีดจำกัดอีกต่อไป แต่จะหันมาจัดการโมเดล กำลังการคำนวณ ข้อมูล ความปลอดภัย และการเรียกเก็บเงินอย่างละเอียดถี่ถ้วนยิ่งขึ้น โดยพิจารณาจากมูลค่าของงาน ต้นทุน อัตราความสำเร็จ ความหน่วง และข้อกำหนดด้านการปฏิบัติตามกฎระเบียบ

สิ่งนี้ไม่ได้หมายความว่าความต้องการ AI จะพังทลายลงเสมอไป ในทางตรงกันข้าม มันอาจหมายความว่า AI กำลังเปลี่ยนผ่านจากระยะทดลองไปสู่ระยะการปรับใช้จริงในเชิงธุรกิจ สำหรับบริษัทที่ให้บริการโมเดลเดี่ยว การควบคุมต้นทุนโทเคนขององค์กรอาจนำมาซึ่งแรงกดดัน แต่สำหรับแพลตฟอร์มคลาวด์ที่รองรับหลายโมเดลอย่าง Azure, AWS และ Google Cloud การคำนวณการใช้งานอย่างแม่นยำอาจยิ่งช่วยเสริมสร้างคุณค่าของพวกเขาในฐานะเลเยอร์ควบคุมต้นทุน AI ขององค์กร เลเยอร์กำหนดเส้นทางโมเดล เลเยอร์การกำกับดูแลข้อมูล และเลเยอร์การเรียกเก็บเงิน

I. สาเหตุหลักที่ตลาดปรับราคาหุ้นของสามยักษ์ใหญ่คลาวด์ใหม่

แรงกดดันล่าสุดต่อหุ้นที่เกี่ยวข้องกับสามยักษ์ใหญ่คลาวด์นั้น ไม่สามารถเข้าใจได้ง่ายๆ เพียงแค่ว่าตลาดกำลังปฏิเสธความต้องการ AI ในระยะยาว แต่พูดให้ถูกต้องกว่านั้นคือ ตลาดกำลังเปลี่ยนจุดสนใจจาก "มีความต้องการ AI หรือไม่" ไปเป็น "ต้องใช้เงินทุนเท่าใดในการตอบสนองความต้องการ AI" ซึ่งนี่คือการเปลี่ยนแปลงในตรรกะของการประเมินมูลค่า ก่อนหน้านี้ รายจ่ายฝ่ายทุนด้าน AI มักถูกมองว่าเป็นการลงทุนเพื่อการเติบโต แต่เมื่อการลงทุนในศูนย์ข้อมูล, GPU, ระบบเครือข่าย, พลังงาน, ระบบทำความเย็น และระบบจัดเก็บข้อมูลขยายตัวอย่างรวดเร็ว นักลงทุนจึงเริ่มตั้งคำถามว่ารายจ่ายเหล่านี้เป็นสินทรัพย์เพื่อการเติบโตที่ให้ผลตอบแทนสูง หรือเป็นเพียงการแข่งขันทางอาวุธเชิงป้องกันที่ยักษ์ใหญ่ด้านเทคโนโลยีถูกบังคับให้ต้องเข้าร่วม

ข้อมูลของ Microsoft แสดงให้เห็นภาพการเร่งตัวของรายจ่ายฝ่ายทุนนี้อย่างชัดเจน โดยรายจ่ายด้านที่ดิน อาคาร และอุปกรณ์ของ Microsoft ในไตรมาสที่สามของปีงบประมาณ 2569 อยู่ที่ 3.0876 หมื่นล้านดอลลาร์ เทียบกับ 1.6745 หมื่นล้านดอลลาร์ในช่วงเดียวกันของปีก่อน และสำหรับช่วงเก้าเดือนแรกของปีงบประมาณ 2569 รายจ่ายนี้อยู่ที่ 8.0146 หมื่นล้านดอลลาร์ เทียบกับ 4.7472 หมื่นล้านดอลลาร์ในช่วงเดียวกันของปีก่อน การเปลี่ยนแปลงนี้แสดงให้เห็นว่าการสร้างโครงสร้างพื้นฐาน AI ได้ยกระดับจากรายจ่ายฝ่ายทุนคลาวด์ตามปกติไปสู่วงจรการลงทุนที่มีความเข้มข้นสูงขึ้น

โครงสร้างกระแสเงินสดของ Amazon ก็แสดงให้เห็นถึงแรงกดดันจากรายจ่ายฝ่ายทุนเช่นกัน โดยยอดขาย AWS ของ Amazon ในไตรมาสแรกของปี 2569 เพิ่มขึ้น 28% เมื่อเทียบเป็นรายปี สู่ระดับ 3.76 หมื่นล้านดอลลาร์ และรายได้จากการดำเนินงานของ AWS อยู่ที่ 1.42 หมื่นล้านดอลลาร์ ซึ่งบ่งชี้ว่าธุรกิจคลาวด์เองยังคงรักษาการเติบโตที่แข็งแกร่ง อย่างไรก็ตาม กระแสเงินสดจากการดำเนินงานของบริษัทในช่วงสิบสองเดือนย้อนหลังอยู่ที่ 1.485 แสนล้านดอลลาร์ และกระแสเงินสดอิสระลดลงเหลือ 1.2 พันล้านดอลลาร์ ซึ่งสาเหตุหลักมาจากยอดซื้อที่ดิน อาคาร และอุปกรณ์ที่เพิ่มขึ้นอย่างมีนัยสำคัญ ซึ่งบริษัทระบุอย่างชัดเจนว่าส่วนใหญ่สะท้อนถึงการลงทุนใน AI

Alphabet/Google ก็แสดงลักษณะที่คล้ายคลึงกัน โดยรายได้จาก Google Cloud ของ Alphabet ในไตรมาสแรกของปี 2569 เติบโตขึ้น 63% สู่ระดับ 2 หมื่นล้านดอลลาร์ ซึ่งเป็นการเร่งตัวขึ้นอย่างมากของธุรกิจคลาวด์ อย่างไรก็ตาม ในไตรมาสเดียวกันนั้น รายจ่ายในการซื้อที่ดิน อาคาร และอุปกรณ์พุ่งสูงถึง 3.5674 หมื่นล้านดอลลาร์ และกระแสเงินสดอิสระอยู่ที่ 1.0116 หมื่นล้านดอลลาร์ กระแสเงินสดของ Google ยังไม่ได้แย่ลงจนถึงขั้นควบคุมไม่ได้ แต่ความชันของรายจ่ายฝ่ายทุนนั้นชันขึ้นอย่างเห็นได้ชัด

ดังนั้น สิ่งที่ตลาดกังวลอย่างแท้จริงไม่ใช่การที่สามยักษ์ใหญ่คลาวด์ไม่มีความต้องการใช้งาน แต่เป็นข้อจำกัดด้านเงินทุนที่เกิดจากความต้องการที่แข็งแกร่งนั่นเอง หากการลงทุนในโครงสร้างพื้นฐาน AI ยังคงเพิ่มขึ้น แต่ความเร็วในการแปลงเป็นรายได้และกระแสเงินสดยังน้อยกว่าที่คาดไว้ ทวีคูณการประเมินมูลค่า (valuation multiples) ก็จะถูกกดดันให้ลดลงโดยธรรมชาติ

II. ต้นทุน AI เข้าสู่รายงานทางการเงินแล้ว ไม่ได้อยู่แค่ในระดับเรื่องเล่าอีกต่อไป

ความแตกต่างที่ใหญ่ที่สุดประการหนึ่งระหว่างผลิตภัณฑ์ AI และบริการสมัครสมาชิกซอฟต์แวร์แบบดั้งเดิม อยู่ที่โครงสร้างต้นทุน ต้นทุนส่วนเพิ่ม (marginal cost) ของ Office หรือซอฟต์แวร์องค์กรแบบดั้งเดิมนั้นต่ำมาก การที่ผู้ใช้เขียนอีเมลเพิ่มขึ้นหนึ่งฉบับ ทำสเปรดชีตเพิ่มขึ้นหนึ่งแผ่น หรือสร้างเอกสารเพิ่มขึ้นหนึ่งฉบับ ไม่ได้ทำให้ต้นทุนต่อหน่วยของบริษัทซอฟต์แวร์เพิ่มขึ้นอย่างมีนัยสำคัญ แต่ผลิตภัณฑ์ AI นั้นแตกต่างออกไป ทุกๆ การเรียกใช้โมเดล การอนุมาน (inference) แต่ละครั้ง และการทำงานของ AI agent แต่ละหน ล้วนมีต้นทุนด้านกำลังการคำนวณ ระบบจัดเก็บข้อมูล ระบบเครือข่าย และค่าบริการโมเดลมารองรับทั้งสิ้น

Microsoft ได้เปิดเผยการเปลี่ยนแปลงนี้ในรายงานทางการเงินแล้ว โดยในไตรมาสที่สามของปีงบประมาณ 2569 อัตรากำไรขั้นต้นของ Microsoft Cloud ลดลงเหลือ 66% ซึ่งเป็นผลมาจากการลงทุนอย่างต่อเนื่องในโครงสร้างพื้นฐาน AI และการใช้งานผลิตภัณฑ์ AI ที่เติบโตขึ้น แม้จะได้รับการชดเชยบางส่วนจากการปรับปรุงประสิทธิภาพใน Azure และ Microsoft 365 Commercial Cloud ก็ตาม กล่าวอีกนัยหนึ่งคือ การใช้งาน AI ไม่ใช่แค่เรื่องราวในฝั่งรายให้อีกต่อไป แต่ได้เข้ามาอยู่ในฝั่งต้นทุนแล้ว

ในกลุ่มธุรกิจ Productivity and Business Processes นั้น Microsoft เปิดเผยว่าต้นทุนรายได้เพิ่มขึ้น 6.80 แสนล้านดอลลาร์ โดยมีสาเหตุหลักมาจากการลงทุนในโครงสร้างพื้นฐาน AI เพื่อรองรับสิทธิ์การใช้งานและการเติบโตของการใช้งาน Microsoft 365 Copilot สิ่งนี้ไม่ได้หมายความว่า Copilot ได้ทำลายปัจจัยพื้นฐานของ Microsoft ในทางตรงกันข้าม มันแสดงให้เห็นว่าโครงสร้างอัตรากำไรขั้นต้นของซอฟต์แวร์ AI อาจต่ำกว่า Office SaaS แบบดั้งเดิม แต่หากบริษัทสามารถออกแบบโมเดลการเรียกเก็บเงินใหม่ผ่านระบบ "สิทธิ์การใช้งาน + การใช้งานจริง" ก็ยังมีพื้นที่ในการจัดการกับแรงกดดันด้านอัตรากำไรขั้นต้นได้

นัยสำคัญของการเปลี่ยนแปลงนี้ต่อนักลงทุนคือสิ่งสำคัญ ผลิตภัณฑ์ AI ไม่สามารถประเมินมูลค่าโดยใช้ตรรกะซอฟต์แวร์แบบดั้งเดิมเพียงอย่างเดียวได้ แต่ต้องสังเกตผ่านการเติบโตของรายได้ ความเข้มข้นของการใช้งาน ต้นทุนการอนุมาน ประสิทธิภาพการกำหนดเส้นทางโมเดล อัตราส่วนการแคช และความสามารถในการเรียกเก็บเงินตามการใช้งาน สิ่งที่ควรค่าแก่การติดตามอย่างแท้จริงในอนาคตไม่ใช่แค่จำนวนผู้ใช้ผลิตภัณฑ์ AI แต่เป็นเรื่องที่ว่าการใช้งานต่อหน่วยจะสามารถสร้างอัตรากำไรขั้นต้นที่ยั่งยืนได้หรือไม่

III. องค์กรเริ่มควบคุมโทเคน: ความต้องการพังทลายหรือเป็นการคำนวณการใช้งานอย่างแม่นยำ?

การที่องค์กรต่างๆ เริ่มควบคุมการใช้งาน AI เป็นอีกหนึ่งประเด็นหลักที่ตลาดกังวลเมื่อเร็วๆ นี้ อย่างไรก็ตาม ปรากฏการณ์นี้ไม่ควรถูกนำไปเปรียบเทียบโดยตรงกับการหายไปของความต้องการ คำอธิบายที่สมเหตุสมผลกว่านั้นคือ องค์กรต่างๆ กำลังเปลี่ยนผ่านจาก "ใช้ AI ทุกครั้งที่ทำได้" ไปสู่ระยะการคำนวณการใช้งานอย่างแม่นยำที่ว่า "การใช้ AI แต่ละครั้งคุ้มค่าหรือไม่"

กรณีของ Uber ถือเป็นตัวอย่างที่เป็นตัวแทนที่ดี ตามรายงานของสื่อ หลังจากสนับสนุนให้พนักงานใช้เครื่องมือเขียนโปรแกรม AI แล้ว Uber ได้ใช้เงินงบประมาณ AI ของทั้งปีจนหมดเกลี้ยงภายในเวลาสี่เดือน ส่งผลให้ในเวลาต่อมาต้องกำหนดเพดานค่าใช้จ่ายไว้ที่ 1,500 ดอลลาร์ต่อพนักงานหนึ่งคน ต่อหนึ่งเครื่องมือ ต่อหนึ่งเดือน สำหรับเครื่องมือเขียนโค้ดอัตโนมัติ (agentic coding tools) เช่น Claude Code และ Cursor กรณีนี้ไม่ได้แสดงว่าเครื่องมือ AI ไม่มีประโยชน์ แต่แสดงให้เห็นว่าเมื่อเครื่องมือมีประโยชน์มากพอและแพร่กระจายเร็วเกินไป งบประมาณขององค์กรก็อาจหลุดกรอบได้อย่างรวดเร็ว

ข้อจำกัดด้านกำลังการคำนวณของ Gemini ระหว่าง Google และ Meta ยังแสดงให้เห็นว่ากำลังการคำนวณระดับไฮเอนด์ยังคงอยู่ในภาวะตึงตัว ตามรายงานที่สื่ออ้างถึง Google แจ้งกับ Meta ว่าไม่สามารถตอบสนองความต้องการกำลังการคำนวณของ Gemini ทั้งหมดที่ Meta ต้องการได้ และด้วยเหตุนี้ Meta จึงสนับสนุนให้พนักงานใช้โทเคน AI อย่างมีประสิทธิภาพมากขึ้น รายงานนี้ไม่ได้รับการยืนยันอย่างเป็นอิสระโดย Reuters ดังนั้นจึงควรระมัดระวังและมองว่าเป็นเพียงรายงานของสื่อมากกว่าข้อเท็จจริงที่ได้รับการยืนยันอย่างเป็นทางการ อย่างไรก็ตาม แนวโน้มที่รายงานนี้สะท้อนออกมานั้นชัดเจน นั่นคือ แม้ว่าบริษัทเทคโนโลยีรายใหญ่จะยังคงสร้างโครงสร้างพื้นฐาน AI ในปริมาณมาก แต่อุปทานของกำลังการคำนวณคุณภาพสูงก็อาจยังไม่เพียงพอต่อความต้องการ

การปรับเปลี่ยนสิทธิ์การใช้งาน Claude Code ภายในของ Microsoft ก็สะท้อนถึงตรรกะเดียวกัน โดย The Verge รายงานว่า Microsoft วางแผนที่จะยกเลิกสิทธิ์การใช้งาน Claude Code ส่วนใหญ่ และผลักดันให้นักพัฒนาจำนวนมากหันไปใช้ GitHub Copilot CLI แทน รายงานระบุว่าการปรับเปลี่ยนนี้เกี่ยวข้องกับทั้งเรื่องการบูรณาการเครื่องมือและปัจจัยด้านการเงิน กรณีนี้แสดงให้เห็นว่าแม้แต่ภายในบริษัทเทคโนโลยีขนาดใหญ่ การใช้เครื่องมือ AI ก็เริ่มถูกจำกัดด้วยต้นทุน กลยุทธ์ผลิตภัณฑ์ และการควบคุมระบบนิเวศ

การเปลี่ยนแปลงราคาบางส่วนของ AWS สะท้อนให้เห็นถึงความขาดแคลนของกำลังการคำนวณ AI จากฝั่งอุปทาน โดย Business Insider รายงานว่า AWS ได้ปรับขึ้นราคา EC2 Capacity Blocks สำหรับ ML ประมาณ 20% ซึ่งเป็นการปรับขึ้นต่อจากราคาที่เพิ่มขึ้นประมาณ 15% ในเดือนมกราคม ทั้งนี้ต้องขอย้ำว่านี่ไม่ใช่การปรับขึ้นราคาทั่วทั้งระบบของ AWS แต่เป็นการปรับราคาสำหรับบริการจองกำลังการคำนวณด้าน AI/ML โดยเฉพาะ ซึ่งนัยของมันคือ กำลังการคำนวณ AI ระดับไฮเอนด์ยังคงมีความขาดแคลน และผู้ให้บริการคลาวด์ชั้นนำยังคงมีอำนาจในการกำหนดราคาในระดับหนึ่งสำหรับผลิตภัณฑ์บริการจองกำลังการคำนวณบางประเภท

กรณีศึกษาเหล่านี้ชี้ไปที่การตัดสินร่วมกันประการหนึ่ง นั่นคือ องค์กรต่างๆ ไม่ได้หยุดใช้ AI แต่กำลังเริ่มจัดการกับการใช้งาน AI โดยต้นทุนโทเคน งบประมาณการคำนวณ มูลค่างาน และสิทธิ์การใช้งาน กำลังกลายเป็นข้อกังวลร่วมกันของแผนกไอทีและแผนกการเงินขององค์กร ซึ่งนี่คือรากฐานทางอุตสาหกรรมของ "ยุคการคำนวณการใช้งาน AI อย่างแม่นยำ" อย่างแท้จริง

IV. รายงานข่าวเรื่อง Meta ขายกำลังการคำนวณ: ฝั่งอุปทานก็เริ่มคำนวณ ROI เช่นกัน

รายงานข่าวเมื่อเร็วๆ นี้เกี่ยวกับแผนการของ Meta ในการจัดตั้งธุรกิจคลาวด์และขายกำลังการคำนวณ AI ส่วนเกิน ได้ช่วยเพิ่มหลักฐานฝั่งอุปทานให้กับตรรกะนี้ โดย Reuters ซึ่งอ้างอิงข้อมูลจาก Bloomberg รายงานว่า Meta กำลังจัดตั้งธุรกิจคลาวด์เพื่อขายกำลังการคำนวณ AI ส่วนเกิน แผนการดังกล่าวยังอยู่ในขั้นตอนการพัฒนาและกลยุทธ์อาจมีการเปลี่ยนแปลง โดย Reuters ยังระบุด้วยว่าไม่สามารถยืนยันรายงานดังกล่าวได้อย่างเป็นอิสระ ดังนั้น ข้อมูลนี้จึงควรถูกมองว่าเป็นเพียงรายงานของสื่อและเป็นสัญญาณที่ต้องจับตาดู มากกว่าจะเป็นการเปิดเผยกลยุทธ์อย่างเป็นทางการที่เสร็จสิ้นแล้ว

ความสำคัญของเหตุการณ์นี้ไม่ได้อยู่ที่ว่า Meta จะกลายเป็นผู้เข้ามาแทนที่ AWS, Azure หรือ Google Cloud โดยตรงในทันทีหรือไม่ แต่อยู่ที่การแสดงให้เห็นว่าบริษัทเทคโนโลยีขนาดใหญ่ก็เริ่มพิจารณาวิธีเปลี่ยนกำลังการคำนวณให้เป็นสินทรัพย์ที่สามารถเรียกเก็บเงินจากภายนอกได้ หลังจากที่ได้ลงทุนมหาศาลในโครงสร้างพื้นฐาน AI รายงานของ Reuters ยังระบุด้วยว่า นักวิเคราะห์เชื่อว่าการเพิ่มอุปทานกำลังการคำนวณของ Meta อาจส่งผลกระทบต่อบริษัทนีโอคลาวด์ (neocloud) อย่าง CoreWeave และ Nebius มากกว่าผู้ให้บริการคลาวด์ขนาดใหญ่ระดับไฮเปอร์สเกล เนื่องจากบริษัทเหล่านี้พึ่งพาการเติบโตของความต้องการจาก Meta อยู่บางส่วน นอกจากนี้ รายงานยังชี้ว่ารายจ่ายด้านโครงสร้างพื้นฐาน AI ของ Meta ในปี 2569 อาจสูงถึง 1.45 แสนล้านดอลลาร์

ในมุมมองเชิงอุตสาหกรรม กรณีของ Meta แสดงให้เห็นว่ากำลังการคำนวณ AI กำลังถูกทำให้เป็นสินทรัพย์ (assetized) กำลังการคำนวณไม่ใช่แค่การลงทุนเพื่อการวิจัยและพัฒนาภายในอีกต่อไป แต่อาจกลายเป็นสินทรัพย์โครงสร้างพื้นฐานที่สามารถปล่อยเช่า กำหนดราคา และจัดการได้ อย่างไรก็ตาม ผู้ที่สามารถเก็บเกี่ยวคุณค่าในระยะยาวได้อย่างแท้จริงไม่ใช่แค่ "ผู้ที่ครอบครองกำลังการคำนวณ" แต่คือผู้ที่สามารถบูรณาการกำลังการคำนวณ โมเดล ข้อมูล ความปลอดภัย การเรียกเก็บเงิน และเวิร์กโฟลว์ขององค์กรเข้าไว้ด้วยกัน ซึ่งนี่คือความแตกต่างที่สำคัญระหว่างสามยักษ์ใหญ่คลาวด์กับผู้ให้บริการปล่อยเช่ากำลังการคำนวณเพียงอย่างเดียว

V. ยุคของการคำนวณการใช้งาน AI อย่างแม่นยำ: จากการทดลองใช้อย่างกว้างขวางสู่การปรับใช้จริงในเชิงธุรกิจ

"ยุคของการคำนวณการใช้งาน AI อย่างแม่นยำ" สามารถเข้าใจได้ว่าเป็นเฟสที่สองของการทำ AI ให้เป็นเชิงพาณิชย์ในระดับองค์กร เฟสแรกคือเฟสของการทดลองใช้อย่างกว้างขวาง ซึ่งคำถามสำคัญขององค์กรคือ พวกเขาจะสามารถเชื่อมต่อ AI เข้ากับผลิตภัณฑ์และกระบวนการทำงานได้หรือไม่ ในระยะนี้ ฟีเจอร์ AI จะถูกฝังเข้าไปในซอฟต์แวร์ การค้นหา ระบบสำนักงาน บริการลูกค้า และเครื่องมือเขียนโปรแกรมอย่างรวดเร็ว โดยตลาดจะมุ่งเน้นไปที่การใช้งาน เรื่องเล่า และความเป็นไปได้ทางเทคนิคมากกว่า

เฟสที่สองคือเฟสของการคำนวณการใช้งานอย่างแม่นยำ องค์กรต่างๆ เริ่มตั้งคำถามว่า การเรียกใช้ AI แต่ละครั้งนั้นคุ้มค่าหรือไม่? งานทั้งหมดจำเป็นต้องใช้โมเดลระดับแนวหน้า (frontier models) หรือไม่? งานไหนสามารถใช้โมเดลที่ราคาถูกกว่าได้? เนื้อหาใดที่สามารถแคชไว้ได้? งานใดที่เหมาะสำหรับการประมวลผลแบบกลุ่ม (batch processing)? การใช้งาน AI ตัวใดควรถูกรวมไว้ในค่าสิทธิ์การใช้งาน และตัวใดควรเรียกเก็บเงินตามการใช้งานจริง? สิ่งนี้บ่งชี้ว่า AI กำลังเคลื่อนย้ายจากการสาธิตผลิตภัณฑ์ไปสู่การปรับใช้งานจริงในเชิงธุรกิจ และองค์กรต่างๆ กำลังเริ่มนำมันเข้ามาคำนวณในงบประมาณ การปฏิบัติตามกฎระเบียบ และระบบการจัดสรรต้นทุน

เฟสที่สามคือการเพิ่มประสิทธิภาพต้นทุนต่อหนึ่งงาน (cost-per-task optimization) ในยุค AI เราไม่สามารถดูเพียงแค่ราคาต่อล้านโทเคนได้ เพราะสิ่งที่องค์กรต่างๆ ซื้อจริงๆ ไม่ใช่ตัวโทเคน แต่เป็นผลลัพธ์ที่มีประสิทธิภาพภายในเวิร์กโฟลว์หนึ่งๆ ตัวอย่างเช่น ในการเขียนโปรแกรม งานนั้นอาจเป็นการแก้ไขบั๊กของโค้ดหรือการปรับปรุงโค้ดที่ทีมงานยอมรับ ในการบริการลูกค้า งานนั้นอาจเป็นการปิดเคสร้องเรียน ในการวิเคราะห์ทางการเงิน งานนั้นอาจเป็นการสรุปข้อมูลที่นักวิเคราะห์สามารถนำไปใช้งานได้ สิ่งที่สำคัญอย่างแท้จริงคือต้นทุนรวมเพื่อให้ได้ผลลัพธ์ที่มีประสิทธิภาพ นั่นคือ ต้นทุนโมเดล ต้นทุนเครื่องมือ ต้นทุนการลองใหม่ และต้นทุนการตรวจสอบโดยมนุษย์ หารด้วยอัตราความสำเร็จ

เฟสที่สี่คือเฟสของการจ่ายตามผลลัพธ์ (pay-for-outcome) ในท้ายที่สุด องค์กรต่างๆ มีแนวโน้มที่จะต้องการจ่ายเงินตามผลลัพธ์มากกว่าการจ่ายค่าโทเคนเพียงอย่างเดียว ตัวอย่างเช่น การเรียกเก็บเงินตามจำนวนเคสบริการลูกค้าที่แก้ไขได้ การตรวจสอบการปฏิบัติตามกฎระเบียบที่เสร็จสิ้น รายชื่อผู้มุ่งหวังที่ผ่านเกณฑ์ที่สร้างขึ้น หรือฟีเจอร์ซอฟต์แวร์ที่พัฒนาเสร็จสมบูรณ์ หากการทำ AI ให้เป็นเชิงพาณิชย์เข้าสู่ระยะนี้ มูลค่าจะเปลี่ยนจาก "การบริโภคโทเคนให้มากขึ้น" ไปสู่ "การสร้างผลลัพธ์ที่มีประสิทธิภาพมากขึ้นด้วยต้นทุนที่ต่ำลง"

VI. เหตุใดการคำนวณการใช้งานอย่างแม่นยำอาจช่วยเสริมสร้างคุณค่าของสามแพลตฟอร์มคลาวด์ยักษ์ใหญ่

หากองค์กรต่างๆ มุ่งหวังเพียงแค่โมเดลที่แข็งแกร่งที่สุด มูลค่าก็อาจกระจุกตัวอยู่ในมือของบริษัทที่ให้บริการโมเดลเดี่ยว แต่เมื่อองค์กรต่างๆ เริ่มหันมาเน้นการทำงานให้ได้ผลลัพธ์ที่มีประสิทธิภาพสูงสุดด้วยต้นทุนที่ต่ำที่สุด มูลค่าจะไหลไปสู่แพลตฟอร์มคลาวด์ที่รองรับหลายโมเดลมากขึ้น เหตุผลก็คือ องค์กรที่ปรับใช้ AI จริงไม่ได้ต้องการเพียงแค่ตัวโมเดลเท่านั้น แต่ยังต้องการระบบจัดการสิทธิ์การใช้งาน ขอบเขตข้อมูล การเลือกโมเดล การตรวจสอบต้นทุน การจัดสรรการเรียกเก็บเงิน การควบคุมความหน่วง การตรวจสอบการปฏิบัติตามกฎระเบียบ และการรวมเข้ากับเวิร์กโฟลว์ทางธุรกิจ

ข้อได้เปรียบร่วมกันของ Microsoft, Amazon และ Google คือพวกเขาไม่ได้เป็นเพียงผู้ให้เช่า GPU หรือขายโมเดลเดี่ยว แต่เป็นผู้ให้บริการสภาพแวดล้อมการทำงานของ AI สำหรับองค์กร (enterprise AI runtime environment) โดย Azure, AWS และ Google Cloud ต่างมีระบบคำนวณ ระบบจัดเก็บข้อมูล ระบบเครือข่าย ฐานข้อมูล ระบบความปลอดภัย การจัดการข้อมูลประจำตัว ตลาดโมเดล การกำหนดเส้นทางโมเดล การตรวจสอบต้นทุน การเรียกเก็บเงิน การปฏิบัติตามกฎระเบียบ และช่องทางการขายสำหรับองค์กร ความสามารถเหล่านี้ทำให้พวกเขาดูเหมือนแพลตฟอร์ม AI สำหรับองค์กร มากกว่าจะเป็นเพียงผู้จัดหากำลังการคำนวณบริสุทธิ์ในยุคของการคำนวณการใช้งาน AI อย่างแม่นยำ

ผู้ให้บริการคลาวด์กำลังพัฒนาความสามารถนี้ให้เป็นผลิตภัณฑ์ โดยตัวกำหนดเส้นทางโมเดล (model router) ของ Microsoft Azure AI Foundry ได้รับการออกแบบมาเพื่อเพิ่มประสิทธิภาพด้านต้นทุนและความหน่วง โดยจะกำหนดเส้นทางงานง่ายๆ ไปยังโมเดลขนาดเล็กที่ราคาถูกกว่า และส่งงานที่ซับซ้อนไปยังโมเดลที่แข็งแกร่งกว่า ในขณะที่ยังคงรักษาคุณภาพไว้ได้ในระดับใกล้เคียงกัน ส่วน AWS Bedrock Intelligent Prompt Routing สามารถเลือกโมเดลภายในตระกูลโมเดลเดียวกันตามแต่ละคำขอ ซึ่ง AWS ระบุอย่างเป็นทางการว่าสามารถลดต้นทุนได้สูงสุดประมาณ 30% โดยไม่สูญเสียความแม่นยำ สำหรับ Model Garden ของ Google Cloud นั้นมีโมเดลมากกว่า 200 โมเดลจาก Google และพันธมิตร คอยสนับสนุนให้ลูกค้าสามารถค้นพบ ปรับแต่ง และปรับใช้โมเดลบนแพลตฟอร์มเดียวกันได้

นี่คือเหตุผลที่ว่าทำไมรายงานข่าวเรื่อง Meta ขายกำลังการคำนวณ AI จึงไม่ได้เป็นปัจจัยลบโดยตรงต่อสามยักษ์ใหญ่คลาวด์ ในระยะสั้น มันอาจช่วยเพิ่มอุปทานในตลาดกำลังการคำนวณ AI ซึ่งสร้างการแข่งขันโดยเฉพาะกับบริษัทที่ทำธุรกิจให้เช่ากำลังการคำนวณเพียงอย่างเดียว แต่ในระยะยาว มันกลับพิสูจน์ว่ากำลังการคำนวณกำลังกลายเป็นสินทรัพย์โครงสร้างพื้นฐานที่ปล่อยเช่าและกำหนดราคาได้ สิ่งที่สำคัญในระยะยาวอย่างแท้จริงไม่ใช่อุปทานกำลังการคำนวณเดี่ยวๆ แต่คือการที่แพลตฟอร์มจะสามารถรวมกำลังการคำนวณ โมเดล ข้อมูล และเวิร์กโฟลว์ขององค์กรเข้าไว้ด้วยกันได้หรือไม่

VII. เส้นทางที่แตกต่างกันของสามยักษ์ใหญ่คลาวด์

จุดเด่นของ Microsoft อยู่ที่จุดเริ่มต้นของการเข้าสู่เวิร์กโฟลว์ขององค์กร โดย Office, Teams, Outlook, Excel, PowerPoint, GitHub, Dynamics, Security และ Azure รวมกันเป็นสภาพแวดล้อมการทำงานประจำวันขององค์กร เป็นเรื่องยากที่ Anthropic หรือบริษัทโมเดลอื่นๆ จะเข้ามาสั่นคลอนปัจจัยพื้นฐานหลักของ Microsoft ได้โดยตรงในระยะสั้น เนื่องจากเวิร์กโฟลว์ขององค์กร ระบบข้อมูลประจำตัว สิทธิ์การใช้งาน ไฟล์ การทำงานร่วมกัน และระบบการปฏิบัติตามกฎระเบียบ ล้วนมีต้นทุนการย้ายระบบ (migration costs) ที่สูง สิ่งที่ Microsoft จำเป็นต้องจัดการอย่างแท้จริงคือโครงสร้างอัตรากำไรขั้นต้นของ Copilot หาก Copilot พึ่งพาเพียงค่าสิทธิ์การใช้งานแบบคงที่และปล่อยให้มีการเรียกใช้งานที่มีต้นทุนสูงอย่างไม่จำกัด แรงกดดันต่ออัตรากำไรขั้นต้นจะสูงมาก แต่หาก Microsoft สามารถค่อยๆ ผลักดันโมเดล "สิทธิ์การใช้งาน + การใช้งานจริง" โดยส่งต่อการใช้งาน AI ที่มีต้นทุนสูงไปยังสถานการณ์การใช้งานที่มีมูลค่าสูงกว่า แรงกดดันต่ออัตรากำไรขั้นต้นก็อาจอยู่ในระดับที่จัดการได้

จุดเด่นของ Amazon อยู่ที่การวางตำแหน่งของ AWS เป็นแพลตฟอร์มหลายโมเดลที่เป็นกลาง AWS ไม่จำเป็นต้องเดิมพันทั้งหมดกับโมเดลเดียว ลูกค้าสามารถเลือกใช้ Claude, Nova ที่พัฒนาโดย Amazon เอง, Meta, Mistral หรือโมเดลอื่นๆ ใน Bedrock ได้ แม้ว่าบางงานจะถูกเปลี่ยนจาก Claude ไปยังโมเดลที่ราคาถูกกว่า ตราบใดที่เวิร์กโหลดนั้นยังคงอยู่ในระบบนิเวศของ AWS Amazon ก็ยังสามารถเก็บเกี่ยวรายได้จากโครงสร้างพื้นฐาน การเข้าถึงข้อมูล การกำกับดูแลความปลอดภัย และบริการแพลตฟอร์ม รายงานจากสื่อระบุว่าเงื่อนไขบางประการในการเป็นพันธมิตรระหว่าง Amazon กับ Anthropic อาจเปลี่ยนจากการชำระเงินตามเวลากำลังการคำนวณ ไปเป็นรูปแบบที่ใกล้เคียงกับการชำระเงินตามการใช้งานโทเคน ข้อมูลนี้ยังไม่ใช่การเปิดเผยอย่างเป็นทางการทั้งหมดและเป็นเพียงสัญญาณเพื่อการสังเกตการณ์เท่านั้น หากเป็นไปในทิศทางนี้ ต้นทุนการใช้ Claude จะเพิ่มขึ้นเป็นเส้นตรงตามการใช้งาน ซึ่งอาจกระตุ้นให้ AWS ผลักดันการกำหนดเส้นทางโมเดลและการใช้โมเดลที่พัฒนาเองอย่างแข็งขันมากขึ้น

เส้นทางของ Google มุ่งเน้นไปที่การบูรณาการโมเดล ชิป และคลาวด์ Google มีทรัพยากรต่างๆ เช่น Gemini, TPU, Google Cloud, Model Garden, เครื่องมือค้นหา และข้อมูลมัลติโมดัล รายได้จาก Google Cloud ของ Alphabet ในไตรมาสแรกของปี 2569 เติบโตขึ้น 63% สู่ระดับ 2 หมื่นล้านดอลลาร์ โดยการเติบโตของธุรกิจคลาวด์เร่งตัวขึ้นอย่างมีนัยสำคัญ นอกจากนี้ บริษัทยังเปิดเผยว่ายอดงานที่รอรับรู้รายได้ (backlog) ของ Google Cloud พุ่งเกิน 4.60 แสนล้านดอลลาร์ หากข้อได้เปรียบด้านต้นทุนและประสิทธิภาพของ Gemini และ TPU สามารถแปลงเป็นส่วนแบ่งตลาดในระดับองค์กรและกระแสเงินสดคุณภาพสูงของ Google Cloud ได้ Google Cloud ก็อาจได้รับประโยชน์ในยุคของการคำนวณการใช้งาน AI อย่างแม่นยำเช่นกัน

VIII. เหตุใด Oracle จึงไม่ใช่เรื่องราวประเภทเดียวกัน

Oracle ก็ได้รับประโยชน์จากความขาดแคลนของกำลังการคำนวณ AI เช่นกัน แต่เรื่องราวการลงทุนของพวกเขานั้นแตกต่างจาก Microsoft, Amazon และ Google หัวใจสำคัญของสามยักษ์ใหญ่คลาวด์คือการบูรณาการโมเดล กำลังการคำนวณ ข้อมูล ความปลอดภัย การเรียกเก็บเงิน และเวิร์กโฟลว์ขององค์กรเข้าเป็นแพลตฟอร์มเดียว แต่เรื่องราวของ Oracle เป็นเรื่องของยอดงานรอส่งมอบ AI (backlog) จำนวนมหาศาลที่มาพร้อมกับรายจ่ายฝ่ายทุนที่สูงขึ้น ความต้องการเงินทุน และแรงกดดันด้านกระแสเงินสดอิสระ

Oracle เปิดเผยอย่างเป็นทางการว่าภาระผูกพันในการดำเนินการที่เหลืออยู่ (remaining performance obligations) ในปีงบประมาณ 2569 สูงถึง 6.38 แสนล้านดอลลาร์ เพิ่มขึ้น 363% เมื่อเทียบเป็นรายปี อย่างไรก็ตาม กระแสเงินสดอิสระในปีงบประมาณเดียวกันนั้นติดลบ 2.37 หมื่นล้านดอลลาร์ เนื่องจากบริษัทยังคงลงทุนอย่างต่อเนื่องเพื่อรองรับการเติบโตของธุรกิจโครงสร้างพื้นฐานคลาวด์ (Cloud Infrastructure) นอกจากนี้ Oracle ยังเปิดเผยว่าได้ระดมทุนผ่านการก่อหนี้ 4.3 หมื่นล้านดอลลาร์ และการออกหุ้น 5 พันล้านดอลลาร์ในปีงบประมาณ 2569 และคาดว่าจะระดมทุนเพิ่มอีกประมาณ 4 หมื่นล้านดอลลาร์ผ่านหนี้และทุนในปีงบประมาณ 2567

ดังนั้น การมีอยู่ของ Oracle จึงเตือนนักลงทุนว่า ความกังวลของตลาดเกี่ยวกับรายจ่ายฝ่ายทุนด้าน AI นั้นไม่ใช่เรื่องที่ไม่มีมูลความจริง เพียงแต่ความเสี่ยงนี้มีความเด่นชัดมากกว่าในเรื่องราวของโครงสร้างพื้นฐาน AI ที่มีความเข้มข้นของเงินทุนสูง ความต้องการเงินทุนสูง และการกระจุกตัวของลูกค้าสูง ในขณะที่สำหรับบริษัทคลาวด์ประเภทแพลตฟอร์มอย่าง Microsoft, Amazon และ Google นั้น ความเสี่ยงและมูลค่าแพลตฟอร์มจำเป็นต้องได้รับการประเมินแยกต่างหาก

IX. นัยสำคัญต่อการประเมินมูลค่า: หุ้นสามยักษ์ใหญ่คลาวด์ถูกปรับลดมูลค่ามากเกินไปหรือไม่?

ในระดับของการประเมินมูลค่า อัตราส่วน P/E ล่วงหน้า (forward P/E ratio) สามารถใช้เป็นเครื่องมือสังเกตการณ์ที่คร่าวๆ แต่มีประโยชน์ ปัจจุบัน Microsoft ซื้อขายกันที่ P/E ล่วงหน้าประมาณ 19 เท่า เทียบกับค่าเฉลี่ยห้าปีที่เกือบ 30 เท่า ด้าน Amazon ซื้อขายอยู่ที่ประมาณ 27 เท่า เทียบกับค่าเฉลี่ยห้าปีที่ประมาณ 45 เท่า ส่วน Alphabet ซื้อขายอยู่ที่ประมาณ 24–25 เท่า เทียบกับค่าเฉลี่ยห้าปีที่ประมาณ 22 เท่า หากรายจ่ายฝ่ายทุนด้าน AI กลายเป็นการใช้จ่ายเชิงป้องกันที่ให้ผลตอบแทนต่ำในท้ายที่สุด แม้ว่าสามยักษ์ใหญ่คลาวด์จะกลับไปซื้อขายที่ P/E ล่วงหน้าในช่วงต้น 20 เท่า หรือแม้แต่ 10 เท่า ก็อาจไม่ได้หมายความว่าราคาถูกพอ ในทางกลับกัน หากการคำนวณการใช้งาน AI อย่างแม่นยำช่วยเสริมความแข็งแกร่งให้กับแพลตฟอร์มคลาวด์ในฐานะสิ่งที่ไม่สามารถทดแทนได้ในระบบ AI ขององค์กร การประเมินมูลค่าในปัจจุบันก็อาจจะสะท้อนแรงกดดันด้านกระแสเงินสดในระยะสั้นมากเกินไป ในขณะที่ประเมินกระแสเงินสดของแพลตฟอร์มในอนาคตต่ำเกินไป

สำหรับนักลงทุน กุญแจสำคัญไม่ใช่แค่การตัดสินง่ายๆ ว่าสามยักษ์ใหญ่คลาวด์นั้น "ถูก" หรือ "แพง" แต่เป็นการตัดสินว่ารายจ่ายฝ่ายทุนของพวกเขาจะสามารถเปลี่ยนเป็นรายได้ของแพลตฟอร์มในระยะยาวได้หรือไม่ สิ่งนี้จำเป็นต้องมีการติดตามการเติบโตของรายได้คลาวด์อย่างต่อเนื่อง อัตรากำไรขั้นต้นของผลิตภัณฑ์ AI อัตราการเติบโตของรายจ่ายฝ่ายทุน แรงกดดันด้านการตัดค่าเสื่อมราคา ความเร็วในการฟื้นตัวของกระแสเงินสดอิสระ ประสิทธิภาพของการกำหนดเส้นทางโมเดล ความเต็มใจขององค์กรในการจ่ายเงินสำหรับ AI และโครงสร้างการเรียกเก็บเงินตามการใช้งานจริง

X. ปัจจัยเสี่ยง

ประการแรก ระยะเวลาคืนทุนสำหรับรายจ่ายฝ่ายทุนด้าน AI อาจยาวนานกว่าที่ตลาดคาดไว้ ศูนย์ข้อมูล, GPU, เครือข่าย, พลังงาน และระบบทำความเย็น ล้วนเป็นสินทรัพย์ที่มีความเข้มข้นของเงินทุนสูง หากการเติบโตของรายได้ AI ต่ำกว่าที่คาดไว้ แรงกดดันจากการตัดค่าเสื่อมราคาและกระแสเงินสดอาจยังคงกดดันการประเมินมูลค่าต่อไป

ประการที่สอง ราคาโทเคนที่ลดลงอาจส่งผลกระทบแบบสองด้านต่อเศรษฐศาสตร์ต่อหน่วย (unit economics) ต้นทุนโทเคนที่ต่ำลงช่วยกระจายการใช้งาน AI แต่หากราคาลดลงเร็วกว่าการเติบโตของการใช้งานและการปรับปรุงประสิทธิภาพด้านต้นทุน กำไรขั้นต้นที่ผู้ให้บริการคลาวด์สร้างได้ต่อหน่วยกำลังการคำนวณก็อาจต้องเผชิญกับแรงกดดัน

ประการที่สาม การนำ AI มาใช้ในระดับองค์กรอาจไม่เป็นไปตามสมมติฐานที่คาดหวังไว้ในแง่ดี การที่องค์กรต่าง ๆ เริ่มควบคุมปริมาณการใช้งานโทเคน (Token) การกำหนดเพดานงบประมาณ และการเพิ่มความเข้มงวดในการจัดการสิทธิ์เข้าถึงข้อมูล อาจสะท้อนว่าแอปพลิเคชัน AI บางส่วนยังไม่สามารถแสดงผลตอบแทนจากการลงทุน (ROI) ที่ชัดเจนเพียงพอ และหาก AI agent ยังมีข้อบกพร่องในด้านอัตราความสำเร็จ ความเสถียร การปฏิบัติตามกฎระเบียบ และความสามารถในการควบคุม ก็อาจส่งผลให้การนำไปใช้งานจริงในกระบวนการทางธุรกิจเป็นไปอย่างล่าช้าลง

ประการที่สี่ บริษัทผู้พัฒนาโมเดลและผู้ให้บริการขุมพลังประมวลผล (Compute) รายใหม่ ๆ อาจส่งผลให้การกระจายมูลค่าเปลี่ยนทิศทางไป โดย OpenAI, Anthropic, Google, Meta และผู้ให้บริการนีโอคลาวด์ (Neocloud) ที่กำลังเติบโต ต่างกำลังแข่งขันกันเพื่อแย่งชิงมูลค่าในส่วนของโครงสร้างพื้นฐาน AI และ API ของโมเดล ขณะเดียวกัน กระแสข่าวลือที่ว่า Meta กำลังขายกำลังการประมวลผลนั้น บ่งชี้ว่าภูมิทัศน์ด้านอุปทานของการประมวลผลอาจกำลังเกิดการเปลี่ยนแปลง ทว่าผลกระทบในระยะยาวยังคงเป็นเรื่องที่ต้องติดตามกันต่อไป

บทสรุป: ประเด็นสำคัญไม่ใช่คำถามที่ว่ามีความต้องการใช้งาน AI หรือไม่ แต่เป็นเรื่องที่ว่ารายจ่ายฝ่ายทุน (Capital Expenditure) จะสามารถแปรเปลี่ยนเป็นกระแสเงินสดของแพลตฟอร์มได้หรือไม่ต่างหาก

ประเด็นหลักที่สามผู้ให้บริการคลาวด์ยักษ์ใหญ่เผชิญอยู่ในปัจจุบันไม่ใช่เรื่องที่ว่ามีความต้องการใช้งาน AI อยู่จริงหรือไม่ แต่คือการที่รายจ่ายฝ่ายทุนด้าน AI จะสามารถแปรเปลี่ยนเป็นกระแสเงินสดของแพลตฟอร์มที่ยั่งยืนได้หรือไม่ ทัศนคติของตลาดต่อการลงทุนใน AI กำลังเปลี่ยนผ่านจากแนวคิดที่ว่า 'ยิ่งลงทุนมากยิ่งดี' ไปสู่คำถามที่ว่า 'การลงทุนนั้นสามารถสร้างผลตอบแทนกลับคืนมาได้หรือไม่' สิ่งนี้ช่วยอธิบายว่าเหตุใดมูลค่าหุ้นของ Microsoft, Amazon และ Google จึงเริ่มถูกกำหนดร่วมกันโดยปัจจัยด้านรายจ่ายฝ่ายทุนสำหรับ AI กระแสเงินสดอิสระ และต้นทุนโทเคน

อย่างไรก็ดี การที่องค์กรต่าง ๆ เริ่มเข้ามาควบคุมการใช้งาน AI ไม่ได้หมายความว่าความต้องการใช้งาน AI จะล่มสลายลงเสมอไป แต่อาจเป็นสัญญาณบ่งชี้ว่า AI กำลังเปลี่ยนผ่านจากการทดลองใช้งานในวงกว้างไปสู่การนำมาปรับใช้จริงในภาคธุรกิจอย่างเป็นทางการ ซึ่งขั้นตอนการใช้งานอย่างเป็นทางการนี้จำเป็นต้องอาศัยการเลือกโมเดลที่ซับซ้อนยิ่งขึ้น การกำกับดูแลข้อมูล (Data Governance) การควบคุมสิทธิ์การเข้าถึง การตรวจสอบต้นทุน ระบบเรียกเก็บเงิน และการเชื่อมโยงเข้ากับกระบวนการทางธุรกิจ ซึ่งสิ่งเหล่านี้ล้วนเป็นจุดแข็งของ Azure, AWS และ Google Cloud ทั้งสิ้น

กระแสข่าวลือเรื่อง Meta ที่จะขายกำลังการประมวลผลสะท้อนให้เห็นว่าฝั่งอุปทานเองก็เริ่มแสวงหาผลตอบแทนจากรายจ่ายฝ่ายทุนด้าน AI เช่นกัน ขณะเดียวกัน ตัวอย่างของ Oracle ก็ช่วยย้ำเตือนตลาดว่า ความต้องการอันแข็งแกร่งในโครงสร้างพื้นฐาน AI ไม่ได้แปรเปลี่ยนเป็นกระแสเงินสดอิสระที่มีคุณภาพสูงโดยอัตโนมัติ สำหรับนักลงทุนแล้ว สิ่งที่ต้องทำความเข้าใจอย่างแท้จริงคือ บริษัทด้านโครงสร้างพื้นฐาน AI แต่ละแห่งต้องแบกรับความเสี่ยงด้านรายจ่ายฝ่ายทุนในรูปแบบที่แตกต่างกันออกไป ดังนั้น มูลค่าการลงทุนใน Microsoft, Amazon และ Google ท้ายที่สุดแล้วจึงขึ้นอยู่กับความสามารถในการเปลี่ยนการลงทุนในโครงสร้างพื้นฐาน AI ให้กลายเป็นกระแสเงินสดของแพลตฟอร์มในระยะยาวในยุคแห่ง AI สำหรับองค์กร ไม่ใช่เพียงแค่ขนาดของรายจ่ายฝ่ายทุนในระยะสั้นเท่านั้น