สงครามราคา AI ทวีความรุนแรงขึ้น: xAI, OpenAI และเมตา ร่วมกันลดราคา, Anthropic ตกอยู่ภายใต้ความกดดัน, กำไรในห่วงโซ่อุตสาหกรรม AI ไหลไปที่ใด?

TradingKey - ในช่วงสัปดาห์ที่ผ่านมา จุดเน้นของการแข่งขันในอุตสาหกรรม AI ได้เปลี่ยนจาก 'ประสิทธิภาพ' มาเป็น 'ราคา' ตั้งแต่ SpaceXAI ของอีลอน มัสก์ ( SPCX) ไปยัง OpenAI และตามด้วย เมตา ( META ) โดยยักษ์ใหญ่ทั้งสามรายนี้ได้เปิดตัวโมเดล AI เจเนอเรชันถัดไปอย่างต่อเนื่องในเวลาไล่เลี่ยกัน แต่ในครั้งนี้ พวกเขาไม่ได้แข่งขันกันเพียงแค่เรื่องใครจะ 'ฉลาดกว่า' เท่านั้น แต่ยังแข่งกันว่าใครจะ 'ถูกกว่า' อีกด้วย

Grok 4.5 มีราคาถูกกว่า Opus 4.8 ของแอนโทรปิก (Anthropic) กว่า 60% ขณะที่ราคาของ GPT-5.6 Terra ถูกปรับลดลงครึ่งหนึ่ง และราคาฝั่งข้อมูลนำเข้าสำหรับ เมตา มิวส์ สปาร์ก 1.1 (Meta Muse Spark 1.1) อยู่ที่เพียง 1.25 ดอลลาร์ต่อล้านโทเค็น ตรรกะหลักของสงครามราคานี้ได้เปลี่ยนจาก 'การแข่งขันด้านประสิทธิภาพ' มาเป็น 'การแข่งขันด้านต้นทุน' ซึ่งช่วยเร่งการใช้งานโทเค็นให้เติบโตอย่างก้าวกระโดด และขับเคลื่อนความต้องการฮาร์ดแวร์ต้นน้ำในทางอ้อม

โทเคนคืออะไร?

โทเคนคือหน่วยของข้อความที่เล็กที่สุดที่ประมวลผลโดยโมเดล AI ก่อนที่ข้อความจะถูกส่งเข้าสู่โมเดล ข้อความนั้นจะถูกแบ่งออกเป็นหลายโทเคน ซึ่งอาจเป็นคำที่สมบูรณ์ รากศัพท์ หรือเครื่องหมายวรรคตอน ในบริบทของภาษาจีน ตัวอักษรจีนเพียงตัวเดียวหรือคำทั่วไปสามารถทำหน้าที่เป็นโทเคนได้ จำนวนโทเคนจะเป็นตัวกำหนดความยาวสูงสุดของข้อความในการสนทนาหนึ่งครั้งโดยตรง ในการกำหนดราคา API โทเคนคือเกณฑ์พื้นฐานในการคิดค่าบริการ โดยข้อความนำเข้าและผลลัพธ์ที่ตอบกลับจะถูกคิดค่าบริการสะสมตามจำนวนโทเคนของแต่ละส่วน

บริษัทต่างๆ คุมเข้มการใช้จ่ายด้าน AI หลังจุดสนใจเปลี่ยนจากการเพิ่มการใช้งานสู่การคำนวณต้นทุน

เมื่อไม่กี่เดือนก่อน วัฒนธรรม "Token Maximization" (การใช้โทเค็นให้มากที่สุด) ได้รับความนิยมอย่างมากในซิลิคอนวัลเลย์ ซึ่งบริษัทต่าง ๆ สนับสนุนให้พนักงานใช้ AI ให้มากที่สุดเท่าที่จะเป็นไปได้ เพราะเกรงว่าจะล้าหลังหากใช้ AI น้อยเกินไป อย่างไรก็ตาม ล่าสุดสถานการณ์ได้เปลี่ยนไปแล้ว

จากรายงานล่าสุดของ ดิ อินฟอร์เมชัน (The Information) ระบุว่า เทสลา ( TSLA) ได้แจ้งให้พนักงานทราบว่า ตั้งแต่วันที่ 6 กรกฎาคมเป็นต้นไป บริษัทจะจำกัดค่าใช้จ่ายในการใช้เครื่องมือ AI ของพนักงานไว้ที่ 200 ดอลลาร์ต่อสัปดาห์ โดยส่วนที่เกินกว่านั้นจะต้องได้รับการอนุมัติจากผู้ดูแล ขณะที่ อูเบอร์ ( UBER) ได้ใช้งบประมาณด้าน AI ของปี 2026 ทั้งหมดไปแล้วในเดือนเมษายน ส่งผลให้ในเวลาต่อมาบริษัทต้องจำกัดค่าใช้จ่ายในการใช้โทเค็นสำหรับเครื่องมือ AI แต่ละประเภทของพนักงานแต่ละคนไว้ที่ 1,500 ดอลลาร์ต่อเดือน

ข้อมูลจาก Ramp แพลตฟอร์มข้อมูลการใช้จ่ายขององค์กรระบุว่า ค่ากลางของการใช้จ่ายรายเดือนขององค์กรสำหรับโทเค็น AI ในเดือนเมษายน 2026 อยู่ที่ 2,246 ดอลลาร์ แต่ค่าเฉลี่ยกลับสูงถึง 140,000 ดอลลาร์ ช่องว่างที่ห่างกันอย่างมากนี้บ่งชี้ว่า ผู้ใช้ระดับ "ซูเปอร์ยูสเซอร์" (super users) จำนวนเพียงไม่กี่รายกำลังใช้งบประมาณ AI ส่วนใหญ่ไป

ปัจจุบันหลายบริษัทเริ่มคำนวณความคุ้มค่ากันแล้ว โดยเมื่อปีที่แล้ว ผู้บริหารของโอเพนเอไอ (OpenAI) ยังคงหารือถึงความเป็นไปได้ในการเก็บค่าบริการรายเดือนในระดับหลายพันดอลลาร์สำหรับโมเดล AI รุ่นท็อป แต่ในวันนี้ ท่าทีของ แซม อัลต์แมน ได้เปลี่ยนไปแล้ว โดยเขาระบุว่า "ทุกองค์กรต่างกำลังพิจารณาสิ่งที่พวกเขาจ่ายไปสำหรับ AI และความคุ้มค่าที่ได้รับกลับคืนมา ซึ่งนี่คือสิ่งที่เราต้องการเข้ามาตอบโจทย์"

xAI, OpenAI และ Meta พร้อมใจปรับลดราคา สงครามราคา AI ทวีความรุนแรงขึ้น

SpaceXAI เป็นรายแรกที่เปิดตัว Grok 4.5 เมื่อวันที่ 8 กรกฎาคม ซึ่งถือเป็นโมเดลใหม่ตัวแรกของบริษัทนับตั้งแต่เข้าจดทะเบียนในตลาดหลักทรัพย์มัสก์ได้ประกาศอย่างเป็นทางการบน X ว่า "นี่คือโมเดลระดับ Opus แต่รวดเร็วกว่า ประหยัดโทเค็นได้มากกว่า และราคาถูกกว่า"

ข้อมูลการทดสอบได้ช่วยยืนยันในเรื่องนี้ โดยในการทดสอบ SWE-Bench Pro นั้น Grok 4.5 สามารถแก้ปัญหาได้โดยใช้โทเค็นเฉลี่ยเพียง 15,954 โทเค็น เมื่อเทียบกับ Claude Opus 4.8 ที่ใช้ไป 67,020 โทเค็น ซึ่งคิดเป็นสัดส่วนน้อยกว่าหนึ่งในสี่ของการใช้งานของคู่แข่ง สำหรับราคา API นั้นอยู่ที่ 2 ดอลลาร์สำหรับอินพุต และ 6 ดอลลาร์สำหรับเอาต์พุตต่อล้านโทเค็น ซึ่งถูกกว่า Claude Opus และ GPT-5.5 กว่า 60% โดย SpaceXAI อ้างว่าประสิทธิภาพการใช้งานโทเค็นของตนนั้นสูงเป็นสองเท่าเมื่อเทียบกับผลิตภัณฑ์อื่นในระดับเดียวกัน

OpenAI ได้เปิดตัว GPT-5.6 สู่สาธารณะเมื่อวันที่ 9 กรกฎาคม โดยได้แนะนำ 3 โมเดลพร้อมกัน ได้แก่ Sol, Terra และ Luna

Sol: ราคาอินพุตอยู่ที่ 5 ดอลลาร์ และเอาต์พุตอยู่ที่ 30 ดอลลาร์ต่อล้านโทเค็น ซึ่งเทียบเท่ากับราคาของรุ่นก่อนหน้า ขณะเดียวกันก็ยกระดับประสิทธิภาพและการทำงานขึ้นอย่างมีนัยสำคัญ โดยในดัชนี Coding Agent ของ Artificial Analysis ซึ่งเป็นองค์กรที่น่าเชื่อถือ Sol (max) ได้สร้างเกณฑ์มาตรฐานใหม่ในระดับโลกด้วยคะแนน 80 คะแนน ซึ่งแสดงถึงแรงขับเคลื่อนที่แข็งแกร่งและต่อเนื่องเมื่อต้องดำเนินงานที่ซับซ้อนและมีหลายขั้นตอน โดยมีต้นทุนการดำเนินงานโดยรวมต่ำกว่าโมเดลระดับแนวหน้าแบบดั้งเดิมอย่างมาก

Terra: ราคาอินพุตอยู่ที่ 2.50 ดอลลาร์ และเอาต์พุตอยู่ที่ 15 ดอลลาร์ต่อล้านโทเค็น โดยมีประสิทธิภาพเทียบเคียงกับ GPT-5.5 แต่ราคาถูกปรับลดลงครึ่งหนึ่งโดยตรง และในการทดสอบอย่างเป็นทางการ Agents' Last Exam ของ OpenAI นั้น Terra ซึ่งขับเคลื่อนด้วยห่วงโซ่ตรรกะที่มีประสิทธิภาพ สามารถดำเนินงานเวิร์กโฟลว์ระดับมืออาชีพเฉพาะทางได้โดยมีต้นทุนโดยประมาณเพียงประมาณ 1 ใน 16 ของโมเดลระดับแนวหน้าแบบดั้งเดิม

Luna: ราคาอินพุตอยู่ที่ 1 ดอลลาร์ และเอาต์พุตอยู่ที่ 6 ดอลลาร์ต่อล้านโทเค็น ซึ่งเป็นโมเดลที่มีราคาถูกที่สุดในบรรดาสามรุ่นและเหมาะอย่างยิ่งสำหรับสถานการณ์การเรียกใช้งานที่มีความถี่สูง

เมตาตามมาอย่างกระชั้นชิด โดยเปิดตัวโมเดล API แบบชำระเงินรุ่นแรกของบริษัทในชื่อ Muse Spark 1.1ในแง่ของราคานั้น อยู่ที่ 1.25 ดอลลาร์สำหรับอินพุต และ 4.25 ดอลลาร์สำหรับเอาต์พุตต่อล้านโทเค็น เมื่อเปรียบเทียบกับ Anthropic Fable 5 ที่มีราคาอินพุตอยู่ที่ 10 ดอลลาร์ และเอาต์พุตอยู่ที่ 50 ดอลลาร์ ทำให้ราคาของ Muse Spark 1.1 คิดเป็นเพียงหนึ่งในสิบของ Fable 5 เท่านั้น

ซักเคอร์เบิร์กกล่าวอย่างตรงไปตรงมาว่า "แล็บอื่น ๆ ตั้งราคาสูงและมีอัตรากำไรมหาศาล แต่เรามีความสามารถในการจัดหาเทคโนโลยีอัจฉริยะระดับแนวหน้าในราคาที่จับต้องได้มากกว่า" ความเชื่อมั่นของเมตานั้นมาจากธุรกิจโฆษณาที่ทำกำไรได้สูงอย่างยิ่ง โดยใช้ราคาต่ำเพื่อแย่งชิงตลาดก่อน จากนั้นจึงค่อย ๆ ปรับขึ้นราคาเมื่อสามารถตั้งหลักได้อย่างมั่นคงแล้ว

Anthropic เผชิญความกดดัน: ลูกค้าตัดสินด้วยงบประมาณ ไม่ใช่ตารางจัดอันดับ

จากการที่สามยักษ์ใหญ่พร้อมใจกันปรับลดราคา ส่งผลให้แอนโทรปิกเผชิญกับแรงกดดันมากที่สุดอย่างหลีกเลี่ยงไม่ได้ โดยข้อมูลจาก Ramp ระบุว่า ส่วนแบ่งการสมัครใช้งาน AI สำหรับองค์กรของแอนโทรปิกแตะระดับ 41% ในเดือนพฤษภาคม 2026 ซึ่งแซงหน้าโอเพนเอไอที่ระดับ 39.5% ได้เป็นครั้งแรก ทั้งนี้ แอนโทรปิกซึ่งเดิมทีครองความได้เปรียบในตลาดองค์กร กำลังถูกคู่แข่งใช้กลยุทธ์ด้านราคาเข้าโอบล้อมในขณะนี้

นอกจากนี้ ข้อมูลยังแสดงให้เห็นว่า ค่าใช้จ่ายด้านกำลังการประมวลผลของแอนโทรปิกเองนั้นสูงถึง 2.3 เท่าของค่าใช้จ่ายด้านเงินเดือนพนักงาน โดยเมื่อคำนวณจากต้นทุนรวมทั้งหมดที่ 224,000 ดอลลาร์สำหรับวิศวกรอาวุโสหนึ่งคน ค่าใช้จ่ายด้านกำลังการประมวลผลต่อวิศวกรหนึ่งคนจะอยู่ที่ประมาณ 515,000 ดอลลาร์ต่อปี

เมื่อเร็ว ๆ นี้ แอนโทรปิกได้เปลี่ยนรูปแบบการให้บริการ Claude Enterprise จากระบบสมัครสมาชิกแบบเหมาจ่ายไปเป็นระบบคิดค่าบริการตามการใช้งานจริง ซึ่งการเปลี่ยนแปลงนี้สะท้อนให้เห็นอย่างชัดเจนว่า แรงกดดันด้านต้นทุน AI ได้ถูกส่งผ่านจากกลุ่มลูกค้าไปยังตัวผู้ให้บริการเองแล้ว

กำไรในห่วงโซ่อุตสาหกรรมกำลังไหลไปสู่ที่ใด?

หากเลเยอร์โมเดลกำลังเผชิญกับสงครามราคา แล้วกำไรเหล่านั้นกำลังไหลไปที่ใด?

จุดแรกคือ ผู้ให้บริการจัดเส้นทางโมเดล (Model routing) เมื่อจำนวนโมเดลเพิ่มขึ้นอย่างรวดเร็วและการกำหนดราคามีความสับสนวุ่นวายมากขึ้น บรรดาองค์กรธุรกิจจึงมีความต้องการเครื่องมือที่ช่วยให้พวกเขาสามารถ 'เลือกใช้โมเดลที่ถูกที่สุด' มากยิ่งขึ้น แพลตฟอร์มอย่าง OpenRouter ช่วยให้ผู้ใช้สามารถสลับการใช้งานระหว่างโมเดลต่าง ๆ หลายร้อยโมเดลได้อย่างอัตโนมัติตามลักษณะงาน โดยในเดือนพฤษภาคม 2026 OpenRouter ได้เสร็จสิ้นการระดมทุนรอบ Series B มูลค่า 113 ล้านดอลลาร์สหรัฐ ส่งผลให้มูลค่าประเมินของบริษัททะยานแตะ 1.3 พันล้านดอลลาร์สหรัฐ นอกจากนี้ ปริมาณโทเค็นที่แพลตฟอร์มประมวลผลรายสัปดาห์ยังเติบโตขึ้นจาก 5 ล้านล้านโทเค็น สู่ระดับ 25 ล้านล้านโทเค็น

รายงานจากซิตี้กรุ๊ปเผยให้เห็นว่า ส่วนแบ่งของโทเค็นจากโมเดลโอเพนซอร์สที่ประมวลผลบนแพลตฟอร์ม OpenRouter พุ่งสูงขึ้นจาก 34% ในเดือนมกราคม สู่ระดับ 65% ในเดือนมิถุนายน

จุดที่สองคือ ทางเลือกที่มีความคุ้มค่าด้านต้นทุนมากกว่า ส่วนแบ่งของโทเค็นจากบริษัทในสหรัฐฯ ที่ใช้โมเดล AI ของจีนบนแพลตฟอร์ม OpenRouter ยังคงทรงตัวอยู่ในระดับสูงกว่า 30% ต่อสัปดาห์อย่างต่อเนื่องนับตั้งแต่ปี 2026 โดยเคยพุ่งขึ้นแตะระดับสูงสุดที่ 46%

จากข้อมูลการประเมินของหน่วยงานภายนอก ช่องว่างด้านประสิทธิภาพโดยรวมของโมเดลระดับแนวหน้ากระแสหลักของจีนในการทำความเข้าใจแบบมัลติโมดอล (multimodal understanding) และการติดตั้งใช้งานเชิงวิศวกรรม (engineering deployment) เมื่อเปรียบเทียบกับโมเดลแบบปิด (closed-source) ชั้นนำของสหรัฐฯ นั้น แคบลงอย่างมีนัยสำคัญจนเหลือเพียงระหว่าง 1% ถึง 4% เท่านั้น ขณะที่ราคาของโมเดลเหล่านี้ถูกกว่าถึง 60% ถึง 90%

จุดที่สามคือ เซมิคอนดักเตอร์ต้นน้ำ สงครามราคาได้แผดเผาเลเยอร์โมเดล และเป็นเลเยอร์โมเดลเองที่ต้องแบกรับค่าใช้จ่ายทั้งหมด ความมั่นใจของเหล่านักพัฒนาโมเดลในการปรับลดราคาลงนั้นมาจากต้นทุนการประมวลผล (inference) ที่ลดลงอย่างต่อเนื่อง ซึ่งได้รับการสนับสนุนจากการเติบโตเชิงโครงสร้างในอุตสาหกรรมชิป AI และชิปหน่วยความจำ โดย ไมครอน ( MU) มีอัตรากำไรจากการดำเนินงานในไตรมาสเดียวทะลุ 80% ขณะที่ เอสเคไฮนิกซ์ ( SKHY) และกำไรจากชิปหน่วยความจำของซัมซุงยังคงทำสถิติสูงสุดเป็นประวัติการณ์อย่างต่อเนื่อง ทั้งนี้ ต้นทุนด้านกำลังการประมวลผล AI ส่วนใหญ่นั้นไม่ได้อยู่ที่เลเยอร์โมเดล แต่อยู่ที่เลเยอร์ชิป ซึ่งเบื้องหลังของการเรียกใช้ API ทุกครั้งล้วนมีการใช้งาน GPU และ HBM ดังนั้น ยิ่งการแข่งขันในเลเยอร์โมเดลดุเดือดมากเท่าใด ความต้องการชิปและหน่วยความจำในกลุ่มต้นน้ำก็ยิ่งแข็งแกร่งและหลีกเลี่ยงไม่ได้มากขึ้นเท่านั้น และยิ่งสงครามราคารุนแรงมากเท่าใด ผลประโยชน์ที่จะตกอยู่กับกลุ่มต้นน้ำก็ยิ่งมีความแน่นอนมากขึ้นเท่านั้น

จาก ‘คุ้มค่าหรือไม่’ สู่ ‘แพงไปหรือไม่’: ยุคสมัยแห่งประสิทธิภาพของโทเคนมาถึงแล้ว

สงครามราคาในระดับโมเดลส่งผลดีต่อลูกค้าในระยะสั้น โดยช่วยให้มีต้นทุนที่ต่ำลง มีทางเลือกมากขึ้น และมีอำนาจต่อรองที่แข็งแกร่งยิ่งขึ้น อย่างไรก็ตาม ในระยะยาว ผู้พัฒนา AI ที่อยู่รอดจะต้องตอบคำถามข้อหนึ่งว่า เมื่อราคาต่อหน่วยของโทเคนยังคงลดลงอย่างต่อเนื่อง พวกเขาจะดึงเงินลงทุนมูลค่าหลายแสนล้านดอลลาร์ในชิปและศูนย์ข้อมูลกลับคืนมาได้อย่างไร

ซักเคอร์เบิร์กมีธุรกิจโฆษณาที่ช่วยสนับสนุนเงินทุนในความพยายามของเขา มัสก์มีความสามารถในการนำเสนอเรื่องราวต่อตลาดทุน และโอเพนเอไอได้รับความได้เปรียบในฐานะผู้บุกเบิกรายแรกและมูลค่าพรีเมียมของแบรนด์ ขณะเดียวกัน แอนโทรปิกซึ่งเป็นบริษัทที่สร้างขึ้นบนจุดขายของการเป็น 'ผู้มีความฉลาดที่สุด' กำลังเผชิญกับความจริงอันโหดร้ายว่า ลูกค้ากำลังตัดสินใจเลือกด้วยงบประมาณของตนเอง ไม่ใช่ด้วยอันดับบนตารางผู้นำ

ยุคแห่ง 'ประสิทธิภาพของโทเคน' ของ AI ได้มาถึงแล้ว การเปลี่ยนแปลงครั้งใหญ่ที่สุดในปีนี้ไม่ใช่เรื่องที่ว่าโมเดลต่าง ๆ มีความแข็งแกร่งขึ้นมากเพียงใด แต่คือการที่ทั้งอุตสาหกรรมได้เปลี่ยนจากการตั้งคำถามว่า 'มันคุ้มค่าหรือไม่' ไปเป็น 'มันแพงเกินไปหรือไม่' ขณะที่ทุกองค์กรต่างตรวจสอบรายละเอียดค่าใช้จ่ายด้าน AI ของตนอย่างถี่ถ้วน ใครก็ตามที่สามารถช่วยลูกค้าประหยัดเงินได้ก็จะเป็นผู้ที่อยู่รอด