ค่าใช้จ่าย AI Agent ทะลัก: ต้นตอไม่ใช่เงินแต่คือ Context

ทุกๆ เทคโนโลยีใหม่ในท้ายที่สุดมักมาพร้อมกับบิลค่าใช้จ่าย คลาวด์เคยสอนเรามาแล้วไม่ว่าจะเป็นเรื่องพลังประมวลผล พื้นที่จัดเก็บ หรือชั่วโมง GPU และตอนนี้ก็ถึงคิวของโทเค็น โดย Uber เป็นทีมแรกที่ออกมายอมรับในที่สาธารณะว่าบริษัทได้ใช้งบประมาณด้าน AI จนหมดเกลี้ยงตั้งแต่ช่วงต้นปี 2026 ซึ่งส่วนใหญ่มาจากการใช้งาน coding-agent

สัญชาตญาณแรกของหลายองค์กรคือการมองว่านี่คือปัญหาการจัดสรรงบประมาณ เช่น การตั้งขีดจำกัด สร้างแดชบอร์ดติดตาม หรือให้ทีมต่างๆ แจ้งเหตุผลความจำเป็นในการใช้งาน แม้มาตรการเหล่านี้บางส่วนจะจำเป็น แต่ก็ไม่ได้แก้ที่ต้นตอของปัญหาอย่างแท้จริง

หากคำนวณตามอัตราค่าบริการของ Anthropic ณ เดือนสิงหาคม 2026 (ต่อล้านโทเค็น) สำหรับการใช้งานเอเจนต์ 5 ตัว ทำงานคนละ 200 ครั้งต่อวัน โดยมี 20,000 input tokens และ 1,500 output tokens ต่อครั้ง จะคิดเป็นคำขอรวม 30,000 ครั้งต่อเดือน หรือคิดเป็น 600 ล้าน input tokens และ 45 ล้าน output tokens

เมื่อคำนวณด้วยโมเดล Opus 5 (5 ดอลลาร์สำหรับ input และ 25 ดอลลาร์สำหรับ output ต่อล้านโทเค็น) จะได้ค่าใช้จ่ายสูงถึง 4,125 ดอลลาร์ต่อเดือน โดย 73% ของตัวเลขนี้คือ input นั่นหมายความว่าเราไม่ได้กำลังจ่ายเงินให้กับสิ่งที่โมเดลเขียนขึ้นมา แต่เรากำลังจ่ายเงินให้กับการที่เราคอยเล่าเรื่องเดิมซ้ำๆ ให้มันฟังต่างหาก

"You are not paying for what the model writes. You are paying for what you keep re-telling it."

Sentra AI

สัดส่วนดังกล่าวคือหัวใจสำคัญของเรื่องทั้งหมด แนวทางลดต้นทุนส่วนใหญ่มักพุ่งเป้าไปผิดจุดที่สัดส่วน 27% ที่เหลือ สำหรับ Anthropic นั้นมีการคิดค่าแคชเรด (cache reads) ในราคาเพียง 0.1 เท่าของอัตรา input ปกติ และเขียนแคช (writes) ที่ 1.25 เท่าสำหรับหน้าต่าง 5 นาที หรือ 2 เท่าสำหรับ 1 ชั่วโมง ทำให้คำนำหน้าที่เสถียรมีราคาถูกลงถึง 90% เมื่อต้องส่งซ้ำ

ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง

นอกจากนี้ยังมีแนวทางอื่นๆ ที่ช่วยลดต้นทุนได้อย่างมีประสิทธิภาพ ได้แก่:

• การเลือกโมเดลตามความยาก: การสลับไปใช้ Haiku 4.5 แทน Opus 5 สำหรับงานทั่วไป ช่วยลดค่าใช้จ่ายจาก 4,125 ดอลลาร์เหลือ 825 ดอลลาร์ต่อเดือน ซึ่งเป็นจุดที่ช่วยลดงบได้มากที่สุดแต่หลายทีมมักต้านทาน
• การใช้ Batch APIs: ผู้ให้บริการรายใหญ่ส่วนใหญ่ลดราคา Batch API ลงถึง 50% ทั้ง input และ output หากงานของคุณทนทานต่อความหน่วงได้ นี่คือการตั้งค่าที่ช่วยหั่นค่าใช้จ่ายลงครึ่งหนึ่งทันที
• การลดภาระ Context: เพย์โหลดการดึงข้อมูลจะเพิ่มขึ้นตามจำนวนเอกสาร แต่ข้อเท็จจริงที่ผ่านการคอมไพล์แล้วจะไม่เพิ่มขึ้น การลดจำนวนการลองผิดลองถูกช่วยลดขนาดเพย์โหลดลงได้อย่างยั่งยืน

กระแสที่กำลังพูดถึงกันในตอนนี้คือ 'tokenmaxxing' หรือการเผาผลาญโทเค็นให้มากที่สุดโดยเชื่อว่าความคุ้มค่าจะตามมา ซึ่งไม่ใช่เรื่องโง่ เพราะหากวิศวกรทำงานเร็วขึ้นด้วย coding-agent พวกเขาก็ควรใช้งานมันเต็มที่ แต่คำถามที่ดีกว่าคือโทเค็นแต่ละตัวถูกใช้ไปกับอะไร เอเจนต์ที่คอยอ่านซอร์สโค้ดซ้ำทุกเซสชันไม่ได้ทำงานหนักกว่าเอเจนต์ที่จดจำมันได้ แต่มันทำงานแบบเดียวกันด้วยต้นทุนที่แพงกว่าและแย่กว่าเล็กน้อย เพราะบริบทที่ถูกสร้างขึ้นมาใหม่นั้นมีเสียงรบกวนมากกว่าบริบทที่ถูกเก็บบันทึกไว้

Contextmaxxing จึงเหนือกว่า tokenmaxxing เพราะเราควรลงทุนไปกับความเกี่ยวข้อง (relevance) ไม่ใช่ปริมาณ (volume) บทความนี้อ้างอิงจากบทวิเคราะห์ต้นฉบับโดยทีมงาน Sentra ผู้พัฒนาระบบรวบรวมข้อเท็จจริงข้ามระบบเพื่อให้ AI ใช้งานผ่าน MCP

ที่มา: Dev.to