ต้นทุนต่องานลดลง 1 ใน 3: GPT-5.6 เทียบ Claude Fable 5 บนดัชนีโค้ดดิ้ง AI

การแข่งขันด้านต้นทุนโมเดล AI ระหว่างโอเพนเอไอ (OpenAI) และแอนโทรปิก (Anthropic) กำลังเปลี่ยนจุดโฟกัสจากการเปรียบเทียบราคาต่อโทเคนไปสู่การเปรียบเทียบ 'ต้นทุนรวมต่องาน' โมเดล AI จีนยังคงชูราคาต่อหน่วยที่ต่ำในตารางราคาที่เปิดเผยต่อสาธารณะ แต่ผลเปรียบเทียบบางงานด้านโค้ดดิ้งและเอเจนต์กลับพบว่าโมเดลระดับแนวหน้าของสหรัฐฯ ใช้โทเคนและเวลาน้อยกว่า จนทำให้ต้นทุนรวมต่ำกว่าได้เช่นกัน

เมื่อวันที่ 9 กรกฎาคม (เวลาท้องถิ่น) โอเพนเอไอระบุในประกาศเปิดตัว GPT-5.6 ว่า GPT-5.6 Sol ใช้โทเคนเอาต์พุตน้อยกว่าครึ่งหนึ่งเมื่อเทียบกับ Claude Fable 5 บนดัชนี Artificial Analysis Coding Agent Index ใช้เวลาน้อยกว่าครึ่งหนึ่งเช่นกัน และมีต้นทุนต่ำกว่าประมาณ 1 ใน 3 ทั้งนี้ การเปรียบเทียบดังกล่าวยึดจาก 'ต้นทุนที่ใช้จริงในการทำงานให้เสร็จ' ไม่ใช่ราคา API ต่อหน่วยเพียงอย่างเดียว

Artificial Analysis อธิบายว่าบอร์ดจัดอันดับเอเจนต์โค้ดดิ้งของตนวัด 'ต้นทุน' จากค่าเฉลี่ยค่าบริการ API แบบเหมาจ่ายตามการใช้งานจริงต่องาน หมายความว่าแม้ราคาต่อโทเคน 1 ล้านหน่วยจะสูงกว่า แต่หากจำนวนครั้งที่ต้องลองใหม่และปริมาณเอาต์พุตลดลง ต้นทุนที่ใช้จริงในการทำงานก็อาจแตกต่างไปจากตัวเลขบนป้ายราคา

แอนโทรปิกประกาศราคา Claude Fable 5 และ Claude Mythos 5 ไว้ที่อินพุต 10 ดอลลาร์ต่อโทเคน 1 ล้านหน่วย และเอาต์พุต 50 ดอลลาร์ต่อโทเคน 1 ล้านหน่วย ด้านโอเพนเอไอปรับลดราคา GPT-5.6 Luna ลง 80% และ GPT-5.6 Terra ลง 20% เมื่อวันที่ 30 กรกฎาคม

รอยเตอร์ (Reuters) รายงานว่าการปรับลดราคาของโอเพนเอไอเป็นการตอบสนองต่อภาระต้นทุน AI ของลูกค้าองค์กร และแรงกดดันจากการแข่งขันของโมเดลราคาถูกจากจีน ท่ามกลางบริบทที่องค์กรต่างๆ เริ่มตัดสินใจเลือกใช้โมเดล AI ได้ยากขึ้นหากดูจากตารางราคาเพียงอย่างเดียว

อย่างไรก็ตาม โมเดลจีนยังคงมีจุดแข็งด้านราคาต่อหน่วยที่เปิดเผยต่อสาธารณะ ดีปซีก (DeepSeek) เสนอราคาโมเดล deepseek-chat ที่อินพุต 0.27 ดอลลาร์ต่อโทเคน 1 ล้านหน่วย และเอาต์พุต 1.10 ดอลลาร์ต่อโทเคน 1 ล้านหน่วย

Z.AI ประกาศราคา GLM-5.1 ที่อินพุต 1.4 ดอลลาร์ต่อโทเคน 1 ล้านหน่วย และเอาต์พุต 4.4 ดอลลาร์ต่อโทเคน 1 ล้านหน่วย ส่วน Kimi K2.6 ของ Moonshot อยู่ที่อินพุต 0.95 ดอลลาร์ และเอาต์พุต 4.00 ดอลลาร์ต่อโทเคน 1 ล้านหน่วย

ทว่าประสิทธิภาพ ความเร็ว และลักษณะงานของแต่ละโมเดลแตกต่างกัน การนำตารางราคาต่อหน่วยมาเรียงเทียบกันเพียงอย่างเดียวจึงอาจทำให้ผลเปรียบเทียบคลาดเคลื่อนได้ ในการเปรียบเทียบของ Artificial Analysis ระหว่าง Kimi K3 กับ GPT-5.6 Terra พบว่า Kimi K3 มีดัชนีความฉลาดสูงกว่าที่ 60 คะแนน แต่ GPT-5.6 Terra (high) มีราคาต่อโทเคน 1 ล้านหน่วยอยู่ที่ 1.74 ดอลลาร์ ต่ำกว่า Kimi K3 ที่ 2.31 ดอลลาร์ และยังทำงานได้เร็วกว่าด้วย

ข้อมูลการใช้งานจริงก็สะท้อนแนวโน้มทั้งสองด้านเช่นกัน Vercel ระบุในรายงานตัวชี้วัดการใช้งานจริงของ AI Gateway ประจำเดือนกรกฎาคม 2026 ว่าในเดือนมิถุนายน แอนโทรปิกครองสัดส่วนค่าใช้จ่ายรวมถึง 61% แต่มีสัดส่วนโทเคนเพียง 32%

ในทางกลับกัน โมเดลแบบโอเพนเวต (open-weight) ประมวลผลโทเคนคิดเป็น 29% ของทั้งหมด แต่มีสัดส่วนค่าใช้จ่ายไม่ถึง 4% ขณะที่รายงานฉบับเดียวกันระบุว่าดีปซีกครองสัดส่วนโทเคนบนเกตเวย์ถึง 22.6%

ความแตกต่างนี้เชื่อมโยงไปถึงปัญหาโครงสร้างต้นทุนของบริษัทเกาหลีและโปรเจกต์เว็บ 3 ด้วย งานที่ต้องเรียกใช้ซ้ำบ่อยครั้ง เช่น แชตบอต ผู้ช่วยพัฒนาโปรแกรม การตรวจสอบความปลอดภัย และการวิเคราะห์ข้อมูล ราคาต่อโทเคนยังคงมีความสำคัญ แต่สำหรับงานเอเจนต์โค้ดดิ้งที่ซับซ้อนหรืองานอัตโนมัติที่ใช้เวลานาน อัตราความสำเร็จ จำนวนครั้งที่ต้องลองใหม่ และปริมาณโทเคนเอาต์พุตอาจเป็นตัวกำหนด 'ต้นทุนรวม' ที่แท้จริง

ทีมข่าวเคยรายงานแนวโน้มที่บริษัทสหรัฐฯ พิจารณาทบทวนการใช้โมเดลจีนมาก่อนแล้ว เช่นเดียวกับการทดลองลดต้นทุนต่องานของ AI แบบเอเจนต์ซึ่งทั้งสองกรณีชี้ให้เห็นว่าโครงสร้างการทำงานและปริมาณการใช้โทเคนอาจส่งผลต่อต้นทุนมากกว่าราคาตั้งต้นของโมเดลเอง

การแข่งขันครั้งนี้ยังมาพร้อมข้อถกเถียงด้านความมั่นคงทางเทคโนโลยี รอยเตอร์รายงานว่าเจ้าหน้าที่ระดับสูงของรัฐบาลสหรัฐฯ ตั้งข้อสงสัยว่ากระบวนการพัฒนา Kimi K3 ของ Moonshot AI อาจมีการ 'กลั่น' ข้อมูลมาจากโมเดล Fable ของแอนโทรปิก ขณะที่ฝ่ายจีนปฏิเสธข้อกล่าวหาดังกล่าว

ประเด็นสำคัญของการเปรียบเทียบครั้งนี้ไม่ได้หมายความว่าโมเดลสหรัฐฯ ถูกกว่าโมเดลจีนเสมอไป ในตารางราคาที่เปิดเผยต่อสาธารณะ โมเดลจีนยังคงรักษาราคาต่อหน่วยที่ต่ำกว่า ขณะที่การเปรียบเทียบต้นทุนต่องานบางกรณีกลับชี้ให้เห็นประสิทธิภาพของโมเดลตระกูลโอเพนเอไอและแอนโทรปิก

ต้นทุนที่แท้จริงของแต่ละองค์กรขึ้นอยู่กับราคาโมเดล อัตราความสำเร็จของงาน ปริมาณการใช้โทเคน และวิธีจัดเส้นทางคำสั่ง (routing) การแข่งขันด้านต้นทุน AI จึงมีแนวโน้มดำเนินต่อไปโดยพิจารณาทั้งราคาต่อโทเคน 1 ล้านหน่วยและต้นทุนที่ใช้จริงในการทำงานให้เสร็จสมบูรณ์ควบคู่กัน