ตัวเลขประมาณการนั้นใหญ่จนดูคล้ายงบประมาณระดับประเทศ: OpenAI คาดว่าจะมีกระแสเงินสดอิสระติดลบสะสมราว 278,000 ล้านดอลลาร์ในช่วงปี 2026-2030[1][2]
แต่ผู้ใช้อาจเห็นตัวเลขเดียวกันแล้วคิดกลับกันว่า
โครงสร้างพื้นฐานขนาดนี้ ทำไมคนคนเดียวถึงเข้าถึงได้ด้วยค่าสมาชิกรายเดือน?
งานค้นคว้า เขียนโปรแกรม อ่านเอกสาร เปรียบเทียบทางเลือก ทำต้นแบบ แก้ไข ทดลองใหม่ หรือแม้แต่คำถามเล็กน้อย สามารถต่อเนื่องอยู่ในอินเทอร์เฟซเดียว
ถ้าแยกจ้างมนุษย์ทุกงาน ต้นทุนการประสานงานอาจสูงก่อนถึงค่าจ้างเสียอีก
การเปลี่ยนแปลงจึงไม่ใช่แค่ “AI ถูกลง”
แต่คือ ทุนการประมวลผลมหาศาลถูกใช้ร่วมกัน ขนาดงานความรู้ขั้นต่ำที่ซื้อได้เล็กลงอย่างมาก และต้นทุนการส่งต่องานระหว่างผู้เชี่ยวชาญลดลง
1. 278,000 ล้านดอลลาร์ไม่ใช่ขาดทุนสุทธิในปีเดียว
Reuters ซึ่งอ้าง Financial Times รายงานว่า OpenAI คาดว่าจะใช้เงินสดประมาณ 278,000 ล้านดอลลาร์ระหว่างปี 2026 ถึง 2030[1][2]
นี่คือประมาณการกระแสเงินสดอิสระติดลบสะสมห้าปี ไม่ใช่ขาดทุนสุทธิปีเดียวที่เกิดขึ้นแล้ว
FT รายงานว่าเอกสารภายในคาดรายได้อาจเพิ่มจากประมาณ 36,000 ล้านดอลลาร์ในปี 2026 เป็นประมาณ 350,000 ล้านดอลลาร์ในปี 2030 ขณะที่รายจ่ายสะสมถึงปลายทศวรรษอาจแตะประมาณ 856,000 ล้านดอลลาร์[2]
ดังนั้นเรื่องไม่ได้มีแค่ว่า “ไม่มีลูกค้า”
แต่ใกล้เคียงกับว่า
รายได้อาจโตเร็วมาก แต่การใช้จ่ายด้านการประมวลผล ศูนย์ข้อมูล ไฟฟ้า เครือข่าย และการพัฒนา โตเร็วยิ่งกว่า
จึงไม่ควรเอา cash burn ของบริษัทมาหารจำนวนแชตแล้วเรียกว่าต้นทุนต่อบทสนทนา เพราะเงินลงทุนก้อนใหญ่ล่วงหน้ากับต้นทุนเพิ่มของคำขออีกหนึ่งครั้งไม่ใช่สิ่งเดียวกัน
2. ทำไมผู้ใช้ยังอาจได้รับส่วนเกินมูลค่าสูง
เศรษฐศาสตร์เรียกส่วนต่างระหว่างจำนวนสูงสุดที่คนยอมจ่ายกับราคาจริงว่า “ส่วนเกินผู้บริโภค”
ถ้า AI ช่วยเพียงเล็กน้อยและมีราคาใกล้เคียงมูลค่านั้น ส่วนเกินก็น้อย
แต่ถ้าค่าสมาชิกเดียวกันลดงานจ้างภายนอก เวลารอ งานซ้ำ และโอกาสที่หายไปได้มาก ส่วนเกินอาจสูงมาก
ตัวเลขนี้ไม่ใช่ต้นทุนของ OpenAI
อย่างไรก็ตาม โครงสร้างแบบสมัครสมาชิกเอื้อต่อส่วนเกินดังกล่าว เพราะ ต้นทุนคงที่ที่คนคนเดียวรับไม่ไหวถูกแบ่งกันระหว่างผู้ใช้จำนวนมาก
บุคคลทั่วไปจะไม่ฝึกโมเดลระดับ frontier เอง สร้างคลัสเตอร์ GPU เชื่อมระบบค้นหาและจัดเก็บ ดูแลความปลอดภัย เสียง ภาพ และอัปเดตโมเดลตลอดเวลา
ค่าสมาชิกทำให้เช่าเศษส่วนเล็ก ๆ ของระบบยักษ์เมื่อจำเป็น
คล้ายใช้ไฟฟ้าโดยไม่ต้องสร้างโรงไฟฟ้าเอง เพียงแต่สิ่งที่ไหลออกมาคือการค้นคว้า ข้อความ โค้ด ภาพ และการให้เหตุผล
3. สิ่งที่เปลี่ยนมากที่สุดอาจเป็น “ขนาดงานขั้นต่ำที่จ้างได้”
การจ้างภายนอกมีมาก่อน AI
แต่การจ้างมนุษย์มีแรงเสียดทานคงที่: หาคน อธิบายเป้าหมาย ส่งบริบท ตกลงขอบเขต รอ ตรวจ ขอแก้ และส่งต่อไปผู้เชี่ยวชาญคนถัดไป
จึงไม่มีใครจ้างผู้เชี่ยวชาญอย่างเป็นทางการทุกครั้งสำหรับงานห้านาที
“เช็กตัวเลขนี้ให้หน่อย” “ลองแก้โค้ดตรงนี้นิดเดียว” “จากบทสนทนาเมื่อกี้ ทำอีกสามทางเลือก” “ทางนี้ล้มเหลว ย้อนกลับแล้วลองอีกทาง”
งานเล็ก แต่กระบวนการจ้างใหญ่
AI เปลี่ยนขอบเขตนี้
ล็อตขั้นต่ำของงานความรู้เล็กลงอย่างมาก
คุณค่าไม่ได้มีแค่โครงการใหญ่ราคาถูกลง แต่รวมถึงงานย่อยจำนวนมากที่เดิมเล็กเกินกว่าจะซื้อแยกได้
4. บริบทไม่ต้องถูกส่งผ่านนักวิจัย นักเขียน โปรแกรมเมอร์ และผู้จัดการมากเท่าเดิม
ทีมมนุษย์เสียเวลาและข้อมูลระหว่างการส่งต่องาน
นักวิจัยค้นข้อมูล นักเขียนรับสรุป วิศวกรรับข้อกำหนด ฝ่ายคุณภาพเจอปัญหา มีคนย้อนกลับไปหาความตั้งใจเดิม
ถ้าพื้นที่ทำงาน AI เดียวเก็บบริบทตั้งแต่ค้นคว้า เขียน โค้ด ตรวจ และแก้ไข ต้นทุนการประสานงานบางส่วนจะหายไป
ดังนั้นคำว่า “AI หนึ่งตัวแทนคนห้าคน” จึงไม่แม่นนัก
ประโยชน์ที่ใหญ่กว่าอาจเป็น
การส่งต่อน้อยลง อธิบายน้อยลง รอน้อยลง และเริ่มบริบทใหม่จากศูนย์น้อยลง
จึงไม่น่าแปลกที่ผู้ใช้หนักจะเริ่มมองมันเหมือนแผนกวิจัยและพัฒนาขนาดเล็ก
5. มีหลักฐานทดลองว่าผลิตภาพดีขึ้นจริง
งานศึกษาพนักงานสนับสนุนลูกค้า 5,179 คนพบว่าเครื่องมือ AI สร้างข้อความช่วยเพิ่มผลิตภาพเฉลี่ยราว 14% โดยผู้มีประสบการณ์น้อยและผลงานเดิมต่ำได้รับประโยชน์มากกว่า[3]
การทดลองแบบสุ่มกับผู้เชี่ยวชาญที่มีการศึกษาระดับมหาวิทยาลัย 453 คนพบว่า ChatGPT ลดเวลาเขียนงานเฉลี่ย 40% และเพิ่มคุณภาพ 18%[4]
การทดลองกับที่ปรึกษา BCG 758 คนพบว่า ในงานที่อยู่ภายในขอบเขตความสามารถของ AI ผู้เข้าร่วมทำงานเร็วขึ้นกว่า 25% และได้คะแนนจากมนุษย์สูงขึ้นกว่า 40% แต่ในงานนอกขอบเขตนั้น AI ก็สามารถเพิ่มคำตอบผิดได้[5]
ข้อสรุปจึงไม่ใช่ว่า AI ทำให้งานทุกอย่างดีขึ้นหลายเท่า
แต่ในงานที่เหมาะสมและตรวจสอบได้ ทั้งความเร็วและคุณภาพสามารถเปลี่ยนอย่างมีนัยสำคัญ
6. ผู้ใช้หนักซื้อ “วงจร” ไม่ใช่คำตอบ
ผู้ใช้เป็นครั้งคราวซื้อคำตอบ
ผู้ใช้หนักซื้อวงจร:
คำถาม → ค้นคว้า → สมมติฐาน → ร่าง → โค้ด → ทดสอบ → แก้ไข → เก็บ → คำถามถัดไป
ข้อได้เปรียบสำคัญคือต้นทุนเริ่มขั้นต่อไปต่ำมาก
คิดได้ก็ลองทันที ผิดก็เปลี่ยนทาง วัสดุเมื่อวานนำมาใช้ต่อวันนี้ได้
งานเล็กที่เคยตายเพราะ “ไม่คุ้มจะอธิบายให้คนอื่นฟังใหม่” จึงมีชีวิตรอด
ดังนั้นผลตอบแทนจาก AI อาจวัดได้ดีกว่าด้วยจำนวนการทดลอง งานย่อยที่เสร็จ เวลารอที่หายไป การส่งต่องานที่ลดลง และเวลาจากไอเดียสู่ต้นแบบ
7. ข่าวแพ็กเกจ 500 ดอลลาร์มีจริง แต่ยังไม่ใช่ราคาทางการปัจจุบัน
ณ วันที่ 25 กันยายน 2026 ข้อมูลทางการของ OpenAI ระบุ ChatGPT Plus ที่ 20 ดอลลาร์ต่อเดือน[6]
Pro มีระดับ 100 และ 200 ดอลลาร์ การสมัครใหม่และอัปเกรดเป็นระดับ 200 ดอลลาร์ถูกพักชั่วคราวตั้งแต่ 10 กันยายน แต่ Help Center ยังระบุว่า 200 ดอลลาร์เป็นระดับ Pro สูงสุด[7]
วันที่ 24 กันยายน เว็บไซต์ภายนอก TestingCatalog รายงานว่าพบการอ้างอิงที่ยังไม่เปิดตัวซึ่งดูเหมือนกล่าวถึง “Pro Max” ราคา 500 ดอลลาร์ต่อเดือน[8]
แต่ต้องแยกให้ชัด:
ณ 25 กันยายน OpenAI ยังไม่ได้ประกาศแพ็กเกจ ChatGPT ปัจจุบันราคา 500 ดอลลาร์อย่างเป็นทางการ
ข้อมูลก่อนเปิดตัวอาจเปลี่ยนหรือไม่ถูกเปิดตัวเลย
ถ้าระดับราคาสูงแบบนั้นเกิดขึ้นจริง ผู้ใช้มืออาชีพที่ใช้งานหนักจะต้องเทียบกับมูลค่าของงานภายนอก เวลา การพัฒนา และการประสานงานที่มันแทนได้จริง
8. ราคาขาย API ไม่ใช่ต้นทุนจริงของ OpenAI
หน้าโมเดลทางการของ GPT-5.6 Sol ระบุเมื่อวันที่ 25 กันยายนว่า API มีราคา 4 ดอลลาร์ต่อหนึ่งล้านโทเค็นขาเข้า และ 20 ดอลลาร์ต่อหนึ่งล้านโทเค็นขาออก[9]
ผู้ใช้หนักอาจแปลงการใช้ของตัวเองเป็นราคาขายปลีก API แล้วคิดว่าส่วนต่างทั้งหมดคือขาดทุนของ OpenAI
สรุปแบบนั้นไม่ได้
ราคา API คือราคาขาย ไม่ใช่ต้นทุนส่วนเพิ่มที่เปิดเผย
ChatGPT ยังสามารถใช้การเลือกโมเดล โมเดลขนาดเล็ก แคช ขีดจำกัดการใช้งาน โครงสร้างพื้นฐานร่วม และการเพิ่มประสิทธิภาพอื่น ๆ ขณะเดียวกันตัวเลข 278,000 ล้านดอลลาร์รวมการลงทุนขนาดใหญ่มากล่วงหน้า
ผู้ใช้ควรวัดคุณค่าจากทางเลือกของตนเอง: ถ้าต้องทำงานเดียวกันด้วยคน การจ้างภายนอก เครื่องมือ และเวลา จะเสียเท่าไร?
ต้นทุนผู้ให้บริการกับคุณค่าผู้ใช้เป็นคนละตัวเลข
9. สรุป: เลเวอเรจที่แท้จริงคือการย่อขนาดองค์กร
ไม่ขัดแย้งกันเลยที่ OpenAI ใช้เงินมหาศาล ขณะที่บุคคลรู้สึกว่าค่าบริการถูก
บริษัทและนักลงทุนสร้างฐานการประมวลผลขนาดยักษ์ร่วมกัน จากนั้นผู้ใช้หลายล้านคนเช่าเพียงบางส่วน
แต่การเปลี่ยนแปลงที่ใหญ่กว่าคือ ไม่ใช่แค่ปัญญาถูกลง
ขนาดองค์กรที่จำเป็นต่อการทำไอเดียให้เป็นจริงเล็กลง
ค้นคว้า 5 นาที แก้ 10 นาที เขียนโค้ด 20 นาที เปรียบเทียบ 3 นาที ต่อจากงานเมื่อวานทันที ล้มเหลวแล้วลองทางใหม่
ตลาดจ้างภายนอกแบบเดิมจัดการหน่วยงานเล็กแบบนี้ได้ไม่ดี เพราะต้นทุนประสานงานอาจสูงกว่างานเอง
AI รับทั้งหมดผ่านประตูเดียว
ฝั่งผู้ให้บริการมี GPU ไฟฟ้า ศูนย์ข้อมูล และเงินทุนที่ถูกเผา
ฝั่งบุคคลมีปุ่มสมัครสมาชิกที่เรียกการค้นคว้า การเขียน โค้ด และการทดลองซ้ำ
ระบบทุนนิยมเริ่มให้คนทั่วไปเช่าเครื่องจักรหนักสำหรับงานความรู้แล้ว
จึงไม่แปลกที่ข่าวขึ้นราคาจะน่ากลัว
เอกสารอ้างอิง (9 รายการ)
- Reuters, “OpenAI forecasts cash burn near $280 billion by 2030, FT reports,” 2026-09-18 reuters.com
- Financial Times, “OpenAI expects to burn $280bn by 2030,” 2026-09 ft.com
- Brynjolfsson E, Li D, Raymond LR. “Generative AI at Work.” NBER Working Paper 31161; published version in The Quarterly Journal of Economics, 2025 nber.org
- Noy S, Zhang W. “Experimental evidence on the productivity effects of generative artificial intelligence.” Science. 2023;381(6654):187-192. doi:10.1126/science.adh2586 pubmed.ncbi.nlm.nih.gov
- Harvard Business School / BCG, “Navigating the Jagged Technological Frontier,” field experiment with 758 consultants aiinstitute.hbs.edu
- OpenAI Help Center, “What is ChatGPT Plus?”, checked 2026-09-25 help.openai.com
- OpenAI Help Center, “About ChatGPT Pro tiers,” checked 2026-09-25 help.openai.com
- TestingCatalog, “OpenAI prepares new $500/month Pro Max plan for ChatGPT,” 2026-09-24 testingcatalog.com
- OpenAI API, “GPT-5.6 Sol Model,” checked 2026-09-25 developers.openai.com
