Jevons Paradox คืออะไร? ทำไม AI ถูกลงแต่ต้นทุนรวมกลับพุ่ง

Jevons Paradox คืออะไร? ทำไม AI ถูกลงแต่ต้นทุนรวมกลับพุ่ง

ผู้บริหารจำนวนมากเชื่อว่าเมื่อเทคโนโลยีมีประสิทธิภาพมากขึ้นและราคาถูกลง ค่าใช้จ่ายรวมขององค์กรก็ควรลดลงตามไปด้วย ตรรกะนี้ฟังดูสมเหตุสมผล แต่ประวัติศาสตร์เศรษฐศาสตร์ชี้ว่าหลายครั้งผลลัพธ์กลับตรงกันข้าม เมื่อทรัพยากรถูกใช้อย่างมีประสิทธิภาพขึ้น คนมักใช้มันมากขึ้นจนปริมาณการใช้รวมเพิ่มขึ้น ปรากฏการณ์นี้เรียกว่า Jevons Paradox

ในยุคที่ต้นทุนการประมวลผลของโมเดล AI ต่อหน่วยลดลงอย่างต่อเนื่อง แนวคิดนี้กลับมาถูกพูดถึงอีกครั้ง องค์กรที่เริ่มนำ AI ไปใช้ในงานโลจิสติกส์ การจัดซื้อ และการบริการลูกค้า มักพบว่าค่าใช้จ่ายด้าน AI ไม่ได้ลดลงตามราคาต่อหน่วย แต่เพิ่มขึ้นเพราะมีงานใหม่ๆ ถูกโยนให้ AI ทำมากขึ้น บทความนี้อธิบายที่มาของแนวคิด กลไกที่ทำให้เกิดขึ้นกับ AI ตัวอย่างในโลจิสติกส์ และแนวทางบริหารจัดการที่ผู้บริหารนำไปใช้ได้จริง

Jevons Paradox คืออะไร

Jevons Paradox ตั้งชื่อตาม William Stanley Jevons นักเศรษฐศาสตร์ชาวอังกฤษ ซึ่งเขียนหนังสือ The Coal Question ในปี 1865 เขาสังเกตว่าเครื่องจักรไอน้ำรุ่นใหม่ใช้ถ่านหินอย่างมีประสิทธิภาพกว่าเดิมมาก แต่การใช้ถ่านหินโดยรวมของอังกฤษกลับเพิ่มขึ้น เพราะเครื่องจักรที่คุ้มค่าขึ้นทำให้อุตสาหกรรมจำนวนมากหันมาใช้ จนความต้องการรวมพุ่งเกินส่วนที่ประหยัดได้

หัวใจของแนวคิดคือ ประสิทธิภาพที่ดีขึ้นทำให้ต้นทุนต่อหน่วยการใช้งานลดลง และเมื่อการใช้งานถูกลง ความต้องการใหม่ที่เคยไม่คุ้มก็กลายเป็นสิ่งที่คุ้ม ผลสุทธิจึงเป็นการใช้ทรัพยากรรวมที่มากขึ้นแทนที่จะน้อยลง

Jevons Paradox ต่างจาก Rebound Effect อย่างไร

ในทางเศรษฐศาสตร์ มีคำว่า Rebound Effect ซึ่งหมายถึงการที่การประหยัดจากประสิทธิภาพถูกชดเชยกลับไปบางส่วน เช่น เมื่อรถประหยัดน้ำมันขึ้น เจ้าของรถอาจขับไกลขึ้น จึงประหยัดได้ไม่เต็มที่ตามที่คำนวณไว้

Jevons Paradox คือกรณีสุดโต่งของ Rebound Effect ที่การชดเชยเกิน 100% จนการใช้ทรัพยากรรวมสูงกว่าก่อนปรับปรุงประสิทธิภาพ ในทางปฏิบัติ ธุรกิจควรมองเป็นสเปกตรัม สิ่งที่ต้องรู้คือองค์กรของเรากำลังอยู่ตรงจุดไหน และมีการควบคุมอะไรรองรับบ้าง

ทำไม AI จึงเข้าข่ายปรากฏการณ์นี้

ราคาการเรียกใช้โมเดลภาษาต่อหน่วยประมวลผล (token) ลดลงอย่างรวดเร็วในช่วงไม่กี่ปีที่ผ่านมา เมื่อเทียบที่ระดับความสามารถใกล้เคียงกัน ประเด็นนี้ถูกหยิบมาพูดถึงอย่างกว้างขวางในต้นปี 2025 หลังโมเดลราคาประหยัดจากหลายค่ายสร้างความตื่นตัวในวงการ ผู้บริหารบางรายในอุตสาหกรรมก็อ้างถึง Jevons Paradox เพื่ออธิบายว่าต้นทุนที่ต่ำลงจะทำให้ความต้องการ AI ขยายตัวมากกว่าหดตัว

มีกลไกอย่างน้อย 4 ข้อที่ทำให้ค่าใช้จ่ายรวมของแต่ละองค์กรเพิ่มขึ้นแม้ราคาต่อหน่วยลดลง

จำนวนกรณีใช้งานเพิ่มขึ้น:
งานที่เมื่อก่อนไม่คุ้มจะใช้ AI เช่น การสรุปอีเมลทุกฉบับ หรือการตรวจเอกสารทุกใบ กลายเป็นงานที่ทำได้ในราคาต่ำ ทีมต่างๆ จึงเร่งเพิ่มกรณีใช้งานเข้าไปเรื่อยๆ

งานแต่ละชิ้นใช้ประมวลผลมากขึ้น:
โมเดลที่คิดเป็นขั้นตอน (reasoning) และระบบ AI Agent ที่เรียกเครื่องมือหลายรอบต่อหนึ่งงาน ใช้ token ต่อคำขอมากกว่าแชตบอตแบบถามตอบธรรมดาหลายเท่า แม้ราคาต่อ token ถูกลง ต้นทุนต่อหนึ่งงานอาจไม่ได้ลดลง

ผู้ใช้งานและความถี่เพิ่มขึ้น:
เมื่อเครื่องมือใช้ง่ายและเข้าถึงได้ พนักงานทั้งองค์กรก็เริ่มใช้ในงานประจำวัน การใช้งานที่เคยจำกัดอยู่ในทีมข้อมูลกระจายไปทุกแผนก

ความคาดหวังเลื่อนระดับ:
เมื่อ AI ตอบเร็วและเก่งขึ้น องค์กรจะต้องการผลลัพธ์ที่ละเอียดและเรียลไทม์ขึ้น เช่น จากการวางแผนรายวันเป็นรายชั่วโมง ซึ่งดึงทรัพยากรประมวลผลมากขึ้นตามไปด้วย

ตัวอย่างในโลจิสติกส์และซัพพลายเชน

โลจิสติกส์เป็นสนามที่เห็นภาพชัด เพราะมีการตัดสินใจจำนวนมหาศาลต่อวัน

การวางแผนเส้นทางและการจัดสรรงาน:
เมื่อการคำนวณเส้นทางถูกและเร็วขึ้น ทีมไม่ได้วางแผนวันละครั้งแล้วจบ แต่เริ่มคำนวณใหม่ทุกครั้งที่มีออร์เดอร์ใหม่หรือสภาพจราจรเปลี่ยน ต้นทุนการประมวลผลต่อครั้งต่ำ แต่จำนวนครั้งเพิ่มขึ้นหลายสิบเท่า

การจำลองสถานการณ์:
ในอดีตการจำลองซัพพลายเชนเป็นโครงการใหญ่ทำปีละครั้งสองครั้ง เมื่อเครื่องมือถูกลง ทีมสามารถรันสถานการณ์เป็นร้อยเป็นพันแบบ ผลลัพธ์ดีขึ้นอย่างชัดเจน แต่ต้องเตรียมงบรองรับปริมาณการประมวลผลที่เพิ่มขึ้น

เอกสารและงานธุรการ:
การอ่านใบแจ้งหนี้ ใบขนส่ง และเอกสารศุลกากรด้วย AI ราคาถูกลง ทำให้องค์กรขยายจากการตรวจสุ่มไปเป็นตรวจครบทุกฉบับ ซึ่งคุ้มค่าในแง่คุณภาพ แต่ปริมาณการเรียกใช้โมเดลก็เพิ่มตาม

ผลกระทบต่อตลาดขนส่งเอง:
ในอีกมุมหนึ่ง ประสิทธิภาพที่ทำให้ค่าขนส่งต่อชิ้นถูกลง เช่น การบรรจุที่ดีขึ้นหรือโครงข่ายที่หนาแน่นขึ้น มักกระตุ้นให้ผู้ขายเสนอส่งฟรีหรือส่งด่วนมากขึ้น ปริมาณพัสดุและเที่ยวรถรวมจึงอาจโตเร็วกว่าที่ประสิทธิภาพประหยัดได้

ผลกระทบต่อการบริหารงบประมาณและกลยุทธ์

การเข้าใจ Jevons Paradox ช่วยให้ผู้บริหารหลีกเลี่ยงความเข้าใจผิดสามประการ

ประการแรก การคาดการณ์ว่างบ AI จะลดลงเพราะราคาต่อหน่วยลดลงเป็นสมมติฐานที่เสี่ยง งบประมาณควรอิงปริมาณการใช้งานที่คาดว่าจะเติบโตด้วย

ประการที่สอง ต้นทุนต่อหน่วยที่ลดลงไม่ได้แปลว่าผลตอบแทนลดลง หากการใช้งานที่เพิ่มขึ้นสร้างมูลค่าทางธุรกิจจริง ค่าใช้จ่ายที่สูงขึ้นก็อาจเป็นสัญญาณที่ดี ปัญหาอยู่ที่การใช้งานที่เพิ่มขึ้นโดยไม่มีมูลค่า

ประการที่สาม ความได้เปรียบเชิงแข่งขันจะไม่ได้มาจากการเข้าถึงโมเดลราคาถูก เพราะคู่แข่งเข้าถึงได้เท่ากัน แต่มาจากความสามารถในการเปลี่ยนการใช้งานที่เพิ่มขึ้นให้เป็นผลลัพธ์ทางธุรกิจ

แนวทางรับมือสำหรับองค์กร

วัดต้นทุนต่อผลลัพธ์ ไม่ใช่ต้นทุนต่อ token:
ตัวชี้วัดที่มีความหมายคือต้นทุนต่อเอกสารที่ตรวจเสร็จ ต่อเที่ยวที่วางแผนสำเร็จ หรือต่อเคสลูกค้าที่ปิดได้ เมื่อดูที่ระดับผลลัพธ์ จะเห็นได้ว่ากรณีใช้งานใดคุ้มและกรณีใดควรหยุด

จัดลำดับกรณีใช้งานตามมูลค่า:
เมื่อต้นทุนต่ำลง ทุกทีมจะอยากเพิ่มกรณีใช้งาน ควรมีกระบวนการคัดกรองที่เชื่อมกับเป้าหมายธุรกิจ แทนการเปิดให้ใช้ได้ทุกเรื่อง

กำหนดเพดานและการแจ้งเตือน:
ตั้งงบรายทีม รายระบบ และการแจ้งเตือนเมื่อการใช้งานผิดปกติ โดยเฉพาะกับ AI Agent ที่อาจวนลูปเรียกโมเดลซ้ำโดยไม่มีใครสังเกต

เลือกโมเดลให้เหมาะกับงาน:
งานง่ายใช้โมเดลขนาดเล็กหรือราคาต่ำ งานซับซ้อนจึงส่งต่อไปโมเดลใหญ่ เทคนิคอย่างการแคชคำตอบที่ซ้ำและการลดความยาวคำสั่งช่วยลดปริมาณประมวลผลที่ไม่จำเป็นได้มาก

ยอมรับการใช้งานที่เพิ่มขึ้นอย่างมีเจตนา:
ไม่ใช่ทุกการเพิ่มขึ้นที่เป็นปัญหา หากการประมวลผลที่มากขึ้นทำให้ส่งของตรงเวลาขึ้นหรือลดสต็อกส่วนเกินได้ จริง ควรลงทุนต่อ โดยแยกแยะระหว่างการเติบโตที่สร้างมูลค่ากับการสิ้นเปลือง

ข้อควรระวังในการใช้แนวคิดนี้

Jevons Paradox ไม่ใช่กฎที่เกิดขึ้นเสมอไป ผลลัพธ์ขึ้นอยู่กับความยืดหยุ่นของอุปสงค์ หากความต้องการในงานนั้นมีเพดานชัดเจน เช่น จำนวนเอกสารที่ต้องประมวลผลต่อเดือนคงที่ การเพิ่มประสิทธิภาพก็ลดต้นทุนรวมได้จริง การนำแนวคิดนี้ไปใช้จึงควรเริ่มจากถามว่ากรณีใช้งานนั้นมีอุปสงค์แฝงที่รอปลดล็อกอยู่หรือไม่

นอกจากนี้ ยังมีมิติด้านพลังงานและสิ่งแวดล้อม ซึ่งการใช้งาน AI ที่เพิ่มขึ้นหมายถึงความต้องการไฟฟ้าและศูนย์ข้อมูลที่เพิ่มตาม องค์กรที่มีเป้าหมายด้านความยั่งยืนควรนำปัจจัยนี้เข้ามาพิจารณาควบคู่กับการวางแผนงบประมาณ

สรุป

Jevons Paradox เตือนให้เห็นว่าประสิทธิภาพที่ดีขึ้นไม่ได้รับประกันว่าการใช้ทรัพยากรรวมจะลดลง ในยุค AI ที่ราคาต่อหน่วยลดลงอย่างต่อเนื่อง องค์กรจึงควรคาดการณ์ว่าปริมาณการใช้งานจะเติบโตและเตรียมกลไกกำกับดูแลให้พร้อม

ธุรกิจโลจิสติกส์และซัพพลายเชนที่ใช้ AI ตัดสินใจจำนวนมากต่อวันจะเห็นผลนี้ชัดเป็นพิเศษ แนวทางที่ได้ผลคือวัดต้นทุนต่อผลลัพธ์ จัดลำดับกรณีใช้งานตามมูลค่า กำหนดเพดานการใช้ และจับคู่โมเดลกับงานให้เหมาะสม ผู้ชนะจะเป็นองค์กรที่ใช้ AI มากขึ้นอย่างฉลาด ไม่ใช่แค่องค์กรที่ได้ราคาต่อหน่วยถูกที่สุด