โมเดลเก่งขนาดนี้ ทำไม OpenAI ถึงไม่เปิดบริษัทเองสัก 100 บริษัท

กระทู้นิรนามบน Hacker News ถามคำถามที่วงการมักเลี่ยงตอบบ่อยที่สุด ผู้ใช้ ex-aws-dude ตั้งหัวข้อว่า "ถ้าโมเดลเก่งขนาดนี้ ทำไม OpenAI ถึงไม่เปิดบริษัทเองสัก 100 บริษัท" ตัวเขาเองก็ยอมรับว่าหัวข้อนั้นเกินจริงไปหน่อย สิ่งที่อยากถามจริงๆ คือ เมื่อโมเดลระดับแนวหน้ามีความสามารถสูงขนาดนี้แล้ว ทำไม OpenAI ยังคงหารายได้จากการขาย token อยู่ แทนที่จะลงไปทำแอปพลิเคชันเองและเก็บกำไรจากปลายทาง

คอมเมนต์ระเบิด แบ่งเป็นสองฝ่ายชัดเจน ฝ่ายหนึ่งบอกว่าโมเดลเก่งพอจะแทนแรงงานคนจำนวนมาก ปลายทางของแอปพลิเคชันต่างหากคือแหล่งกำไรที่แท้จริง อีกฝ่ายบอกว่าการบริหารบริษัทสักแห่งยากกว่าการเขียนซอฟต์แวร์ดีๆ มาก AI ไม่มีทางทำได้ เถียงกันไปเถียงกันมา ข้อโต้แย้งของทั้งสองฝ่ายชี้ไปที่เส้นเดียวกัน ไม่ใช่เพราะโมเดลไม่ฉลาดพอ แต่เพราะไม่มีใครกล้าให้มันรับผิดชอบต่อผลลัพธ์

สิ่งที่โมเดลทำได้ ไม่ใช่คำถามคลุมเครืออีกต่อไป

ดูคะแนนเบนช์มาร์กก่อน OpenAI ระบุว่า GPT-5.5 ทำคะแนนบน Terminal-Bench 2.0 ได้ 82.7% ส่วน GPT-5.4 ได้ 75.1% และ Claude Opus 4.7 ได้ 69.4% บน OSWorld-Verified ได้ 78.7% สูงกว่าเส้นฐานของมนุษย์ ที่น่าสนใจกว่าคือผลทดสอบ GDPval ในงานอาชีพ 44 งาน GPT-5.5 ทำได้ถึงหรือเกินระดับผู้เชี่ยวชาญในอุตสาหกรรม 84.9% ส่วนรุ่นก่อนหน้าอย่าง GPT-5.4 อยู่ที่ 83.0%

นอกจากคะแนนเบนช์มาร์กยังมีกรณีจริง Sarah Friar CFO ของ OpenAI กล่าวในงานประชุม Goldman Sachs Communacopia เมื่อเดือนกันยายน 2026 ถึงลูกค้าองค์กรสองราย โค้ดของ Canva "มาจาก OpenAI 100%" สร้างภาพหลายพันล้านภาพต่อสัปดาห์ ส่วนผู้ช่วยเคลมประกันด้วย AI ของบริษัทประกัน Travelers ขยายจาก 8 รัฐไปทั่วสหรัฐฯ ภายในสองเดือน

สิ่งเหล่านี้ไม่ใช่การสาธิตในห้องแล็บอีกต่อไป โมเดลสามารถเขียนโค้ดระดับโปรดักชันเกรด จัดการงานเฉพาะทางที่มีโครงสร้างชัดเจน และทำงานอย่างมีประสิทธิภาพภายในขอบเขตที่กำหนดไว้แล้ว

สิ่งที่ทำไม่ได้ คะแนนเบนช์มาร์กวัดไม่ออก

คอมเมนต์บน Hacker News เกิดมุมมองที่ค่อนข้างเป็นเอกฉันท์ว่า โมเดลภาษาขนาดใหญ่ขาดความสามารถในการตัดสินใจและความเป็นอิสระในระยะยาว ความสามารถในการตัดสินใจที่ว่าคือความสามารถในการตัดสินใจในสถานการณ์ที่ซับซ้อนและยากลำบาก ไม่ใช่แค่ตอบคำตอบที่รู้อยู่แล้วให้ถูก แต่คือการตัดสินใจว่าควรทำอะไรเมื่อข้อมูลไม่ครบถ้วนและผลลัพธ์ย้อนกลับไม่ได้ มีผู้ใช้สรุปว่าโมเดลปี 2026 เก่งเรื่องการทำงานที่มีขอบเขตชัดเจนและถูกนิยามไว้แล้ว แต่ไม่เห็นภาพรวม ขาดวิสัยทัศน์และความคิดสร้างสรรค์

ในคอมเมนต์มีคนย่อยคำถามจากกระทู้ต้นทางให้คมขึ้นว่า "ถ้าโมเดลเก่งขนาดนี้ ทำไมมันถึงบริหารบริษัทเองไม่ได้" คำตอบคือ การบริหาร 1 บริษัทง่ายกว่าบริหาร 100 บริษัท และการทำให้บริษัทประสบความสำเร็จต้องใช้มากกว่าการเขียนซอฟต์แวร์ดีๆ คุณต้องประเมินตลาด จัดการกระแสเงินสด รับมือกฎระเบียบ แก้ปัญหาลูกค้าร้องเรียน และตัดสินใจเลือกทิศทางท่ามกลางความไม่แน่นอน สิ่งเหล่านี้มีจุดร่วมคือไม่มีคำตอบมาตรฐาน และถ้าทำผิดก็ต้องเสียเงิน

นี่คือเส้นแบ่งนั้น ไม่ได้อยู่ที่ตัวงานเชิงปัญญา แต่อยู่ที่ "ใครรับผิดชอบต่อผลลัพธ์"

การเปลี่ยนวิธีคิดเงินของ Codex คือกระจกสะท้อนเส้นแบ่ง

การกระทำของ OpenAI เองก็ยืนยันเส้นนี้ ในเดือนเมษายน 2026 Codex เปลี่ยนวิธีคิดเงินจาก "ประมาณตามจำนวนข้อความ" เป็นคิดตามปริมาณ token ของ API อย่างเคร่งครัด เริ่มจากผู้ใช้บุคคลและองค์กรอย่าง Plus, Pro ก่อน แล้วขยายไปยังช่องทางด้านการศึกษา การแพทย์ และภาครัฐในช่วงปลายเดือนเมษายน พร้อมกันนั้นยังเปิดตัว "Codex seat แบบอย่างเดียว" ไม่มีค่าบริการรายเดือน คิดตาม token ล้วนๆ ไม่จำกัดอัตราการเรียกใช้

บุคคลที่สามคำนวณราคา credits ของ Codex ไว้ 1 credit เท่ากับ 0.04 ดอลลาร์ ไฟล์ Sol 750 credits คิดเป็น 30 ดอลลาร์ต่อ token เอาต์พุตหนึ่งล้าน token สรุปว่า "ไม่ใช่ส่วนลดและไม่ใช่ราคาแพงขึ้น แค่จ่ายล่วงหน้าตามราคา API"

นั่นหมายความว่า OpenAI เปลี่ยน Codex จาก "บุฟเฟต์รายเดือน" เป็น "คิดราคาตามน้ำหนัก" มีนักพัฒนาคำนวณให้ดู ในช่วง 30 วันที่ผ่านมา เขาใช้ token กับ Claude Code คิดเป็นมูลค่า 1199.79 ดอลลาร์ และใช้กับ Codex 980.37 ดอลลาร์ รวม 2180.16 ดอลลาร์ แต่ค่าสมาชิกที่จ่ายจริงแค่ 200 ดอลลาร์ พอเปลี่ยนจากรายเดือนเป็นตามปริมาณ มูลค่าตามบัญชีที่เขาต้องจ่ายสำหรับความสามารถเท่าเดิมถูกขยายเกือบ 11 เท่า

มองอีกมุมหนึ่ง ถ้า OpenAI มั่นใจในความสามารถส่งมอบของโมเดลตัวเองมากพอ การคิดเงินตามงานหรือแบ่งตามผลลัพธ์น่าจะทำเงินได้มากกว่า แต่กลับไม่ทำ กลับเดินสวนทางด้วยการบีบหน่วยการคิดเงินให้ละเอียดที่สุดถึงระดับ token การขายเป็น token ขายสิทธิ์การใช้พลังประมวลผลและความสามารถ ไม่ใช่ผลลัพธ์ ผู้ใช้จะเอาไปทำอะไร ทำสำเร็จหรือพัง ความเสี่ยงอยู่ที่ผู้ใช้

ธุรกิจ token มูลค่า 4 หมื่นล้านดอลลาร์

ขนาดของโมเดลธุรกิจนี้น่าทึ่งมาก Friar เปิดเผยในงานประชุม Goldman Sachs ว่าอัตรารายได้ต่อปีแบบ annualized ของ OpenAI ทะลุประมาณ 4 หมื่นล้านดอลลาร์ในเดือนกรกฎาคม 2026 โดยฝั่งองค์กรธุรกิจ (การสมัครสมาชิกองค์กรบวก API) เกินครึ่งแล้ว คำพูดของเธอคือ "ต้นปีเราอยู่ที่ 60 ต่อ 40 แต่ฝั่งองค์กรเร่งตัวเกินคาดมาก ตอนนี้สองเส้นตัดกันแล้ว" รายได้ต่อปีโดยรวมเติบโต 20% เมื่อเทียบเดือนมิถุนายนกับกรกฎาคม ส่วนธุรกิจองค์กรโต 32% ในช่วงเดียวกัน

ข้อมูลจากบุคคลที่สามก็สอดคล้องกัน รายงานไตรมาส 3 ปี 2026 ของบริษัทข้อมูลการชำระเงิน Ramp ระบุว่าการใช้จ่ายขององค์กรบน API ของ OpenAI เติบโตแบบ quarter-over-quarter 82% และบน Anthropic โต 76%

ดูแนวโน้มราคาต่อ GPT-5.5 ราคาต่อหน่วยแพงขึ้นเท่าตัวเมื่อเทียบกับ GPT-5.4 อินพุตขึ้นจาก 2.5 ดอลลาร์เป็น 5 ดอลลาร์ต่อล้าน token เอาต์พุตขึ้นจาก 15 ดอลลาร์เป็น 30 ดอลลาร์ OpenAI อธิบายว่าโมเดลฉลาดขึ้นและมีประสิทธิภาพ token สูงขึ้น ทำงานเดียวกันใช้ token น้อยลง ส่วนรุ่นก่อนหน้านี้ กลยุทธ์ลดราคาก็ได้ผลเช่นกัน รุ่น Luna ลดราคาสูงสุด 80% แล้วปริมาณการใช้งานโตประมาณ 10 เท่า คำนวณคร่าวๆ รายได้ประมาณ 2 เท่าของก่อนลดราคา ราคาต่อหน่วยลดลง แต่ปริมาณรวมโตมากกว่า รายได้รวมกลับเพิ่มขึ้น นี่คือ Jevons Paradox ฉบับคลาสสิกในบริบท AI การเพิ่มประสิทธิภาพและต้นทุนที่ลดลงไม่ได้ทำให้ตลาดหด แต่ทำให้ตลาดขยายใหญ่ขึ้น

Friar ยังให้ตัวเลขที่เห็นภาพชัด ลูกค้า 10% สูงสุดใช้ token ต่อคนต่อสัปดาห์มากกว่าลูกค้าเฉลี่ย 8 เท่า (ก่อนหน้านี้ 3 เท่า) ส่วนพนักงานภายในบริษัทใช้มากกว่าลูกค้าเฉลี่ย 33 เท่า เธอบอกว่า "วิธีใช้ของลูกค้ารายใหญ่ในวันนี้ คือวิธีใช้ของลูกค้าทั่วไปในอีกสองปีข้างหน้า" ถ้าการประเมินนี้เป็นจริง ปริมาณการใช้ token รวมยังห่างไกลจากจุดสูงสุด

ผู้ใช้ Codex เพิ่มจากประมาณ 1 แสนรายในเดือนมกราคม 2026 เป็นประมาณ 25 ล้านรายในเดือนกันยายน OpenAI ประเมินอย่างเป็นทางการว่านักพัฒนาแต่ละคนใช้จ่ายเฉลี่ย 100 ถึง 200 ดอลลาร์ต่อเดือน ต่อให้ใช้ค่ากลาง 150 ดอลลาร์คูณ 25 ล้านคน ขนาดต่อปีก็มหาศาล แม้อัตราการจ่ายจริงและการใช้เฉลี่ยจะต้องต่ำกว่าเพดานนี้แน่นอน

ทำไมการตั้งราคาตามผลลัพธ์ยังเป็นแค่แนวคิด

ในงานเดียวกัน Friar กล่าวว่าลูกค้าองค์กรต้องการระบบ AI ที่ปรับแต่งตามความต้องการเฉพาะมากขึ้นเรื่อยๆ และ OpenAI "จะตั้งราคาตามผลลัพธ์ทางธุรกิจ ไม่ใช่ตามปริมาณการใช้งาน" เธอยังเสนอว่าอุตสาหกรรมควรประเมินโมเดลด้วย "ต้นทุนต่อภารกิจ" แทน "ต้นทุนต่อ token" และอ้างข้อมูลบุคคลที่สามว่า Astra ใช้ token น้อยกว่าโมเดลแนวหน้าคู่แข่ง 68% เพื่อให้ได้ผลลัพธ์เท่ากัน

สองประโยคนี้วางคู่กันแล้วเห็นทั้งทิศทางที่ OpenAI อยากไปและจุดที่ยืนอยู่ตอนนี้ "จะตั้งราคาตามผลลัพธ์ทางธุรกิจ" เป็นรูปอนาคต ส่วนการปฏิรูป Codex ที่เพิ่งเสร็จกลับดึงการคิดเงินให้ละเอียดที่สุดถึงระดับ token เงื่อนไขของการตั้งราคาตามผลลัพธ์คือโมเดลต้องรับผิดชอบต่อผลลัพธ์ได้ หรืออย่างน้อยส่งมอบผลลัพธ์ที่วัดได้อย่างสม่ำเสมอ ผู้ช่วยเคลมของ Travelers ขยายไปทั่วสหรัฐฯ ดูใกล้เคียงมาตรฐานนี้ แต่นั่นอยู่ในฉากการเคลมประกันซึ่งกระบวนการเป็นมาตรฐานสูงและเกณฑ์การตัดสินค่อนข้างชัดเจน สำหรับธุรกิจองค์กรส่วนใหญ่ "ผลลัพธ์" เองก็ยากจะนิยาม ไม่ต้องพูดถึงว่าใครจะแบกรับความเสี่ยงเมื่อผลลัพธ์ไม่ถึงเป้า

ในคอมเมนต์มีคนเปรียบเทียบกับ Apple และ App Store ไม่มีบริษัทไหนเชี่ยวชาญทุกเรื่อง และการขาย token คือ "เงินไร้ความเสี่ยง" เก็บส่วนแบ่งจากทุกแอปโดยไม่แบกรับความเสี่ยงในการดำเนินธุรกิจ การเปรียบเทียบนี้ไม่ตรงเสียทีเดียว Apple เก็บสัดส่วนคงที่จากยอดธุรกรรม ส่วน OpenAI ขายการใช้พลังประมวลผล แต่ตรรกะเบื้องหลังเหมือนกัน แพลตฟอร์มวางตัวเองในตำแหน่งที่ไม่ต้องรับผิดชอบต่อผลลัพธ์ทางธุรกิจ รายได้จึงโตตามปริมาณรวมของแอปปลายน้ำทั้งหมด

โฆษณาเป็นอีกทิศทางที่ลองหยั่งเชิง Friar กล่าวว่าธุรกิจโฆษณาเปิดตัวได้ 7 เดือนก็ทำรายได้ run rate ถึง 1 พันล้านดอลลาร์ เป็น "ผลิตภัณฑ์ที่ถึง 1 พันล้านดอลลาร์เร็วที่สุดของบริษัท" ครอบคลุม 40 ประเทศ ลูกค้ารวม WPP และ Dentsu ส่วนรูปแบบโฆษณาแบบ AI-native ยังไม่เปิดตัว 1 พันล้านดอลลาร์เทียบกับพอร์ตรวม 4 หมื่นล้านถือว่าน้อยมาก แต่ธรรมชาติเชิงพาณิชย์ของโฆษณาคือคิดเงินตามความสนใจหรือคอนเวอร์ชัน ใกล้เคียง "จ่ายตามผลลัพธ์" มากกว่าคิดตาม token ตอนนี้มันยังเป็นแค่ปีกข้างหนึ่ง

มีผู้แสดงความเห็นชี้ว่าราคา API ปัจจุบันมีส่วนประกอบของการอุดหนุนจากเงินลงทุน venture capital กำไรขั้นต้นระดับ inference เป็นบวก แต่บริษัทโดยรวมยังขาดทุน ถ้าการประเมินนี้จริง การตั้งราคา token ยังไม่สะท้อนต้นทุนทั้งหมด สิ่งเร่งด่วนของ OpenAI คือทำให้รายได้จาก token มีขนาดใหญ่พอ ไม่ใช่เสี่ยงลองโมเดลการคิดเงินที่ยังไม่ผ่านการพิสูจน์

เส้นที่ปลอดภัย

โมเดลเก่งมากจริงๆ เก่งถึงขั้น Canva ใช้มันสร้างโค้ดทั้งหมด เก่งถึงขั้น Travelers ขยาย AI เคลมไปทั่วสหรัฐฯ ในสองเดือน เก่งถึงขั้นทำได้เท่าหรือเหนือกว่าผู้เชี่ยวชาญมนุษย์ในงานอาชีพ 84.9% แต่ระหว่าง "เก่ง" กับ "บริหารบริษัทได้" ยังมีชั้นทั้งหมดคั่นอยู่ การตัดสินใจภายใต้ความไม่แน่นอน คำมั่นสัญญาต่อผลลัพธ์ การรับผิดชอบต่อความล้มเหลว

การขายโมเดลเป็น token โดยแก่นแท้คือเส้นที่ปลอดภัย OpenAI ยืนอยู่ฝั่งนี้ของเส้นเพื่อมอบความสามารถ ลูกค้ายืนอยู่อีกฝั่งเพื่อแบกรับความเสี่ยง รายได้ต่อปี 4 หมื่นล้านดอลลาร์ การใช้จ่าย API โต 82% เมื่อเทียบไตรมาสก่อนหน้า ผู้ใช้ Codex 25 ล้านราย ทั้งหมดพิสูจน์ว่าเส้นนี้ขีดถูกที่แล้ว คำพูดของ Friar เรื่อง "ตั้งราคาตามผลลัพธ์ทางธุรกิจ" คือการอธิบายว่าเส้นจะขยับไปทางไหน ส่วนการเปลี่ยน Codex เป็นคิดตาม token คือการยืนยันว่าตอนนี้เส้นยังอยู่ตรงนี้

แต่ก็มีคนเริ่มหยั่งเชิงอีกฝั่งของเส้นแล้ว ตามข่าวประชาสัมพันธ์ของ HubSpot ตั้งแต่เดือนเมษายน 2026 HubSpot เปลี่ยน Breeze Customer Agent เอเจนต์บริการลูกค้า AI จาก "1.00 ดอลลาร์ต่อบทสนทนา" เป็น "0.50 ดอลลาร์ต่อบทสนทนาที่แก้ปัญหาได้สำเร็จ" ส่วน Breeze Prospecting Agent เอเจนต์หาลีดขายเปลี่ยนเป็น "1 ดอลลาร์ต่อลีดที่แนะนำให้โทรติดต่อ" Jon Dick ประธานเจ้าหน้าที่ฝ่ายลูกค้าของ HubSpot พูดตรงๆ ว่า "องค์กรถูกขอให้เดิมพันครั้งใหญ่กับ AI แต่บ่อยเกินไปที่พวกเขาซื้อศักยภาพ ไม่ใช่ผลงาน การตั้งราคาตามผลลัพธ์ขจัดความเสี่ยงนั้นออกไป จ่ายเมื่อได้ผล ไม่มีข้อแม้" นี่คือการทดลองตั้งราคาที่เกิดขึ้นจริง แต่เกิดในฉากบริการลูกค้าและลีดขายซึ่งวัดผลลัพธ์ได้ง่าย ยังห่างไกลจาก "การบริหารธุรกิจแทนลูกค้า" เส้นนี้สุดท้ายจะขยับไปที่ไหน ขึ้นอยู่กับว่าโมเดลจะให้คำมั่นสัญญาที่ตรวจสอบได้ต่อผลลัพธ์ในขอบเขตแค่ไหน ตอนนี้ ธุรกิจ token มูลค่า 4 หมื่นล้านดอลลาร์คือคำตอบในตัวมันเอง