ปลายปี 2025 Uber แจกเครื่องมือ AI เขียนโค้ดอย่าง Claude Code และ Cursor ให้ทีมวิศวกรราว 5,000 คน พร้อมกระตุ้นเต็มที่ให้พนักงาน "ใช้ให้เยอะที่สุด" แถมยังทำ leaderboard จัดอันดับว่าทีมไหนใช้ AI มากที่สุด ผลลัพธ์คือเมื่อวิศวกรค้นพบพลังของ agentic mode (โหมดที่ AI รันงานหลายขั้นตอนต่อเนื่องได้เอง) ปริมาณการใช้งานก็พุ่งทะยานเป็นเท่าตัว จนเผางบประมาณ AI ทั้งปีหมดเกลี้ยงภายใน 4 เดือน ตามรายงานของ TechCrunch ล่าสุดช่วงต้นเดือนมิถุนายน 2026 Uber จึงต้องรีบแตะเบรก ออกกฎตั้งเพดานค่าใช้จ่าย AI ไว้ที่ $1,500 ต่อคนต่อเครื่องมือต่อเดือน พร้อมสร้างแดชบอร์ดมอนิเตอร์และระบบขออนุมัติล่วงหน้าหากจำเป็นต้องใช้เกิน

เรื่องนี้ไม่ได้น่าสนใจเพียงเพราะเป็นเคสของเทคคัมภีร์ระดับโลก แต่เป็นภาพสะท้อนพฤติกรรมต้นทุน AI ในองค์กรจริงที่ทุกทีมกำลังจะเจอเมื่อเริ่มนำ AI agent มาใช้ในระดับโปรดักชัน บทเรียนเรื่อง cost governance (การวางระบบคุมต้นทุน) ครั้งนี้ ธุรกิจไทยนำไปปรับใช้ได้ทันที และหัวใจสำคัญที่ต้องทำความเข้าใจให้ถูกคือ นี่ไม่ใช่ปัญหาเรื่อง "Uber จ่ายไม่ไหว" แต่เป็นปัญหาเรื่อง "คุมไม่อยู่"

1. เกิดอะไรขึ้นที่ Uber ภายใน 4 เดือน

ลำดับเหตุการณ์ของเคสนี้สะท้อนธรรมชาติของ AI agent ชัดเจน ตามรายงานของ The Information ที่หลายสำนักข่าวอ้างอิง Uber เริ่มแจกสิทธิ์ใช้งาน Claude Code และ Cursor ให้วิศวกรราว 5,000 คนในเดือนธันวาคม 2025 พอถึงเดือนกุมภาพันธ์ 2026 ปริมาณการใช้งานก็กระโดดขึ้นเป็นเท่าตัว เพราะวิศวกรเริ่มชินกับการปล่อยให้ AI ทำงานแบบ agentic แทนที่จะเป็นแค่การพิมพ์แชตถามตอบ และเมื่อถึงเดือนเมษายน 2026 บิลค่าบริการก็สูบงบประมาณ AI ทั้งปีไปจนหมด

Praveen Neppalli Naga ซีทีโอของ Uber ยอมรับกับ The Information ว่า บริษัทใช้เงินงบประมาณ AI ทั้งปีหมดภายในเวลาเพียง 4 เดือน และต้องกลับมาตั้งหลักวางแผนกันใหม่ ตามรายงานของ Yahoo Finance ด้านตัวเลขค่าใช้จ่ายรายบุคคล The Information ระบุว่า วิศวกรกลุ่ม power users ที่ใช้งานหนัก มียอดค่าโทเค็นแตะ $500 ถึง $2,000 ต่อเดือน ขณะที่ค่าเฉลี่ยทั้งองค์กรอยู่ที่ราว $150 ถึง $250 ต่อคน แปลว่ากลุ่มผู้ใช้งานหนักส่วนน้อยคือตัวแปรหลักที่เผางบอย่างรวดเร็ว

ถ้ามองในแง่สัดส่วนเงินทุน ตามรายงานผลประกอบการไตรมาส 1 ปี 2026 ของ Uber บริษัททำรายได้แตะ $13.2 พันล้านดอลลาร์ และใช้งบวิจัยและพัฒนา (R&D) ในไตรมาสเดียวถึง $951 ล้านดอลลาร์ (เพิ่มขึ้น 17% จากปีก่อน) ส่วนงบ R&D ทั้งปี 2025 อยู่ที่ $3.4 พันล้านดอลลาร์ ค่าเครื่องมือ AI เขียนโค้ดที่บานปลายจึงเป็นเพียงสัดส่วนเล็กๆ ของงบ R&D ทั้งหมด และ Uber ก็ไม่เคยเปิดเผยตัวเลขรวมก้อนนี้ออกมา บทเรียนสำคัญจึงไม่ใช่เรื่องฐานะการเงิน แต่คือบทพิสูจน์ว่า แม้แต่องค์กรเทคโนโลยีระดับโลกที่มีทรัพยากรมหาศาล ก็ยังคุมค่าใช้จ่ายไม่อยู่หากไม่ได้วาง guardrails ไว้ตั้งแต่วันแรก

2. ทำไม AI agent ถึงคิดเงินไม่เหมือน SaaS ทั่วไป

กับดักคลาสสิกขององค์กรที่เพิ่งเริ่มใช้ AI คือการคิดคำนวณงบประมาณแบบ subscription รายเดือนคงที่ เหมือนกับ Netflix หรือ Office 365 ที่คิดราคาต่อที่นั่ง (seat license) ตายตัว ใช้มากใช้น้อยก็จ่ายเท่าเดิม ทำให้คำนวณงบประมาณล่วงหน้าได้แม่นยำ ทว่าเครื่องมือ AI agent ส่วนใหญ่คิดเงินแบบ usage-based คือจ่ายตามปริมาณโทเค็นที่โมเดลประมวลผลจริง ยิ่งรันเยอะ ยิ่งอ่านไฟล์เยอะ บิลยิ่งพุ่งแบบไม่มีเพดานอัตโนมัติ

ทำไมโหมด agentic ถึงกินเงินมากกว่าการแชตทั่วไปหลายเท่า คำตอบอยู่ที่กลไกการทำงาน เวลาเราแชตถามคำถามธรรมดา โมเดลอ่าน prompt ไม่กี่พันโทเค็นแล้วตอบกลับ จบในรอบเดียว แต่งาน agentic หนึ่งคำสั่ง AI ต้องอ่านโครงสร้างโปรเจกต์ทั้งโฟลเดอร์ วางแผน เขียนโค้ด รันเทสต์ พอเจอ error ก็แก้โค้ด แล้ววนลูปซ้ำจนกว่าจะผ่าน ทุกรอบการวนลูปกินโทเค็นเพิ่มขึ้นเรื่อยๆ และ context (บริบทของไฟล์ทั้งหมด) จะถูกส่งซ้ำเข้าไปคิดเงินใหม่ในทุกๆ step

เอกสารโครงสร้างราคาอย่างเป็นทางการของ Anthropic อธิบายกลไกนี้ไว้ชัดเจน การอ่านไฟล์หน้าเว็บขนาดกลางกินข้อมูลราว 2,500 โทเค็น ส่วนเอกสารขนาดใหญ่อาจกินถึง 25,000 โทเค็น เมื่อ AI agent กวาดอ่านไฟล์เหล่านี้ทั้งหมดเข้ามาเป็น context ยิ่งโมเดลรองรับ context window กว้างถึง 1 ล้านโทเค็น agent ที่ทำงานยาวต่อเนื่องก็จะส่ง context เดิมซ้ำๆ ในทุกการเรียกใช้ ทำให้ต้นทุนไม่ได้ขึ้นอยู่กับจำนวนคำถามที่เราพิมพ์สั่ง แต่ขึ้นอยู่กับความยาวของลูปที่ agent กวาดอ่านและวนประมวลผล

นี่คือเหตุผลที่ทำให้ค่าใช้จ่ายของ Uber กระโดดขึ้นเป็นเท่าตัวทั้งที่จำนวนวิศวกรเท่าเดิม และปัญหานี้เกิดขึ้นอย่างเงียบๆ เพราะไม่มีระบบแจ้งเตือนระหว่างทาง กว่าจะเห็นยอดเงินก็ตอนบิลสิ้นเดือนมาถึง เหมือนการเปิดก๊อกน้ำทิ้งไว้แล้วเพิ่งมารู้ตัวตอนเห็นค่าน้ำ Uber จึงต้องรีบทำแดชบอร์ดและกำหนดเพดานเงินทันที

3. ต้นตอปัญหา: วัดผลผิดตัวแปร นำไปสู่พฤติกรรมที่ผิดทาง

หากวิเคราะห์ลึกไปกว่าเรื่องตัวเลข จุดผิดพลาดหลักของ Uber ไม่ได้อยู่ที่ตัวเทคโนโลยี AI แต่อยู่ที่ระบบแรงจูงใจ (incentives) ที่องค์กรสร้างขึ้น ข้อมูลจาก Fortune ระบุว่า Uber สนับสนุนให้พนักงานใช้ AI ให้ได้มากที่สุด และจัดทำ leaderboard จัดอันดับทีมตามปริมาณการใช้งาน วิธีนี้ช่วยเร่งยอด adoption ได้เร็วมาก แต่กลับเป็นการ optimize ผิดตัวแปร เพราะสิ่งที่วัดและให้รางวัลคือ "ปริมาณการใช้งาน" ไม่ใช่ "คุณค่าและผลลัพธ์ทางธุรกิจ"

เมื่อตัวชี้วัดคือปริมาณการใช้ พฤติกรรมของทีมงานจึงมุ่งเน้นการปั๊มยอดการใช้งานให้ติดอันดับ การวัด adoption ทำได้ง่าย เพราะแค่นับจำนวนผู้ใช้หรือยอดโทเค็น แต่การวัด value ทำได้ยากกว่ามาก เพราะต้องประเมินว่างานที่ AI ช่วยทำช่วยลดเวลาหรือเพิ่มมูลค่าได้จริงแค่ไหน เมื่อองค์กรเลือกวัดสิ่งที่ง่ายแล้วผูกรางวัลเข้าไป ผลลัพธ์จึงกลายเป็นการแข่งกันเผาโทเค็นโดยไม่มีใครโฟกัสที่ผลผลิตจริง

บทเรียนนี้เตือนใจทุกทีมที่กำลังนำ AI เข้ามาใช้ ตัวเลข adoption สวยหรู เช่น พนักงานใช้งานแล้ว 90% อาจเป็นเพียงภาพลวงตา หากไม่ได้สะท้อนผลลัพธ์ทางธุรกิจที่เพิ่มขึ้นจริง

4. ปัญหาเรื่องการวัดผล ROI ที่ผู้บริหารพูดอย่างตรงไปตรงมา

ประเด็นที่น่าสนใจคือมุมมองที่ตรงไปตรงมาของ Andrew Macdonald ประธานและประธานเจ้าหน้าที่ฝ่ายปฏิบัติการ (COO) ของ Uber ซึ่งให้สัมภาษณ์ในพอดแคสต์ Rapid Response ถึงความเชื่อมโยงระหว่างยอดใช้งาน AI กับฟีเจอร์ที่ส่งมอบถึงมือลูกค้าว่า "That link is not there yet" หรือเส้นเชื่อมโยงตรงนั้นยังลากไม่ติด ตามรายงานของ Fortune

เขาอธิบายเพิ่มเติมว่า แม้งานบางส่วนจะส่งมอบได้เร็วขึ้นโดยปริยาย แต่มันยากมากที่จะพิสูจน์ให้เห็นเป็นรูปธรรมว่า การใช้ AI มากขึ้นทำให้เราสร้างฟีเจอร์ที่เป็นประโยชน์ต่อผู้ใช้เพิ่มขึ้น 25% (ตัวเลข 25% เป็นตัวอย่างเชิงเปรียบเทียบที่ COO ยกขึ้นมาอธิบายช่องว่างของการวัดผล ไม่ใช่สถิติจริง) และเมื่อไม่สามารถลากเส้นตรงไปยังคุณค่าที่ผู้ใช้ได้รับจริง การให้เหตุผลสนับสนุนงบประมาณก้อนนี้ก็ยิ่งทำได้ยาก

สิ่งที่ Uber กำลังเผชิญเป็นภาพสะท้อนของทั้งอุตสาหกรรม รายงาน "The GenAI Divide" ของ MIT NANDA ประจำปี 2025 ระบุว่า ราว 95% ของโครงการนำร่อง Generative AI ในระดับองค์กร ไม่สามารถสร้างผลกระทบต่อกำไรขาดทุน (P&L) ที่วัดผลได้ชัดเจน ตามรายงานของ Fortune ตัวเลข 95% นี้ไม่ได้แปลว่าโมเดล AI ด้อยประสิทธิภาพ แต่สะท้อนถึงช่องว่างในการวัดผลและการผสานเครื่องมือเข้ากับเวิร์กโฟลว์จริงขององค์กร

ทั้งนี้ Uber ยังคงเดินหน้าลุยด้าน AI อย่างจริงจัง Dara Khosrowshahi ซีอีโอของ Uber ระบุว่า โค้ดที่ commit เข้าระบบราว 10% ถูกสร้างขึ้นโดย autonomous agent (Fortune) ขณะที่ฝั่งซีทีโอให้ข้อมูลว่า การอัปเดตโค้ดฝั่ง backend ราว 11% เขียนโดย AI agent (Yahoo Finance) หมายความว่า AI ทำงานได้จริง แต่การวัด ROI และการคุมต้นทุนให้อยู่ในกรอบคือโจทย์ใหญ่ที่ต้องจัดการควบคู่กัน

5. การวาง Guardrails คุมต้นทุนที่นำไปใช้ได้ทันที

หลังจากเจอปัญหา Uber ไม่ได้สั่งแบนหรือยกเลิกการใช้ AI แต่เลือกวางระบบควบคุม 3 ชั้น ตามรายงานของ Bloomberg ที่ TechCrunch และ PYMNTS นำไปรายงานต่อ ได้แก่ การตั้งเพดาน $1,500 ต่อคนต่อเครื่องมือต่อเดือน (แยกโควตาแต่ละเครื่องมือชัดเจน ไม่สามารถโยกข้ามกันได้) การสร้างแดชบอร์ดให้พนักงานเช็กยอดการใช้งานของตัวเองแบบเรียลไทม์ และระบบขออนุมัติล่วงหน้าหากมีงานจำเป็นต้องใช้เกินเพดาน

โฆษกของ Uber อธิบายว่า การตั้งเพดานงบประมาณเป็นแนวทางตรงไปตรงมาที่ช่วยสนับสนุนให้องค์กรนำ agentic AI มาทดลองใช้ได้อย่างมีความรับผิดชอบและยั่งยืน (PYMNTS) นั่นคือการวางกรอบเพื่อให้ทีมงานลุยต่อได้โดยไม่ทำให้งบประมาณระเบิด

จากแนวทางของ Uber และฟีเจอร์ในเอกสารทางการของ Anthropic เราสามารถสรุปเป็น 5 กลยุทธ์ควบคุมต้นทุน AI ที่นำไปปรับใช้ได้ทันที

1. ตั้งเพดานค่าใช้จ่ายรายคนและรายเครื่องมือ กำหนดวงเงินสูงสุดต่อเดือนให้ชัดเจน เช่นเดียวกับที่ Uber ตั้งเพดานไว้ $1,500 ต่อเครื่องมือ แทนที่จะปล่อยให้ยอดไหลไปเรื่อยๆ โดยไร้การควบคุม
2. เลือกโมเดลให้เหมาะกับระดับงาน เอกสารราคาของ Anthropic ระบุว่า output token มีราคาสูงกว่า input token ราว 5 เท่าในทุกโมเดล และโมเดลรุ่นท็อปอย่าง Opus มีราคาสูงกว่ารุ่นเล็กอย่าง Haiku หลายเท่าตัว การจับคู่โมเดลให้พอดีกับความยากง่ายของงาน (งานง่ายใช้ Haiku งานทั่วไปใช้ Sonnet และสงวน Opus ไว้เฉพาะงานที่ซับซ้อนจริงๆ) ช่วยประหยัดต้นทุนได้อย่างมหาศาล
3. เปิดใช้งาน Prompt Caching สำหรับงานที่ต้องอ่านบริบทเดิมซ้ำๆ เช่น การทำงานกับ codebase ขนาดใหญ่ต่อเนื่อง การอ่านข้อมูลจาก cache มีค่าใช้จ่ายเพียง 10% ของราคา input ปกติ ช่วยประหยัดต้นทุนโทเค็นซ้ำซ้อนได้ถึง 90%
4. ใช้งาน Batch API กับงานที่ไม่เร่งด่วน สำหรับกระบวนการทำงานที่รอผลได้ การส่งงานผ่าน Batch API จะได้รับส่วนลดค่าบริการทั้ง input และ output สูงถึง 50%
5. สร้างแดชบอร์ดติดตามพร้อมระบบขออนุมัติ การให้ทุกคนมองเห็นยอดใช้งานของตนเองแบบเรียลไทม์เป็นเรื่องดี แต่สิ่งสำคัญกว่าคือการมีเกตเวย์หรือจุดขออนุมัติก่อนที่ยอดเงินจะทะลุเพดานจริง

หัวใจของบทเรียนจาก Uber คือ Visibility ไม่เท่ากับ Control การมองเห็นตัวเลขผ่านแดชบอร์ดเป็นเพียงการรับรู้ แต่สิ่งที่ป้องกันไม่ให้งบบานปลายได้จริงคือ Enforcement ซึ่งก็คือเพดานงบและระบบอนุมัติที่กั้นไว้ก่อนที่ค่าใช้จ่ายจะเกิดขึ้น

6. สรุปบทเรียนสำคัญสำหรับคนทำงานสายเทค

หากจะกลั่นบทเรียนจากกรณีของ Uber ให้เหลือเพียงแก่นเดียว นั่นคือการตั้งระบบแรงจูงใจและตัวชี้วัดให้ถูกจุด อย่าผูก KPI หรือจัดอันดับทีมด้วย "ปริมาณการใช้งาน AI" เพราะจะนำไปสู่การเผางบประมาณโดยไร้ทิศทาง ให้ผูกตัวชี้วัดเข้ากับ "ผลลัพธ์และคุณค่าของงานที่ส่งมอบจริง"

แม้แต่องค์กรระดับ Uber ที่มีงบประมาณมหาศาลยังต้องหยุดตั้งหลักเพื่อวางระบบควบคุมต้นทุน ธุรกิจและทีมงานที่กำลังนำ AI agent เข้ามาใช้งานจึงควรวาง guardrails เหล่านี้ไว้ตั้งแต่วันแรก เพื่อให้ทีมสามารถเร่งสปีดการทำงานได้อย่างเต็มที่โดยไม่ต้องกังวลกับบิลสิ้นเดือน

ที่มา: TechCrunch, Bloomberg, PYMNTS, Fortune (COO), Yahoo Finance / The Information, Fortune (MIT 95%), Uber Q1 2026 earnings (SEC), Anthropic pricing docs