AI เป็นฟองสบู่หรือไม่? กรณีศึกษาการประเมินศักยภาพขาขึ้นต่ำเกินไป

อัปเดตเมื่อวันที่ 11 ธันวาคม 2025

อัปเดตเดือนธันวาคม 2025: ประมาณการรายจ่ายลงทุน AI ของ Hyperscaler ถูกปรับขึ้นเป็น 405 พันล้านดอลลาร์สำหรับปี 2025 จากประมาณการเริ่มต้นที่ 250 พันล้านดอลลาร์ การคาดการณ์มูลค่าที่สร้างขึ้นต่อปี 2.6-4.4 ล้านล้านดอลลาร์ของ McKinsey ได้รับการยืนยันเมื่อ GitHub Copilot มีผู้สมัครสมาชิกแบบชำระเงินถึง 1.8 ล้านราย โดย 46% ของโค้ดถูกสร้างโดย AI การนำ AI มาใช้ในองค์กรขนาดใหญ่แตะ 87% โดยมีการเติบโตของรายจ่าย 130% เมื่อเทียบปีต่อปี กรณีการลงทุนโครงสร้างพื้นฐานแข็งแกร่งขึ้นเมื่อผลตอบแทนด้านผลิตภาพเกิดขึ้นเร็วกว่าที่การเปรียบเทียบกับยุค dot-com แนะนำ

คำถามตอบตัวเองผิด เมื่อ Ray Dalio เรียกการลงทุนใน AI ว่า "คล้ายคลึงมาก" กับฟองสบู่ dot-com เมื่อ IMF เตือนถึงการพังทลายที่กำลังจะมาถึง เมื่อหัวหน้านักเศรษฐศาสตร์ของ Apollo สังเกตว่าบริษัทเทคโนโลยีชั้นนำในปัจจุบันซื้อขายในราคาที่สูงกว่าบริษัทในยุค 1990—กรอบความคิดนี้สันนิษฐานว่าความเสี่ยงหลักคือการลงทุนมากเกินไป¹ ² ³

ความเสี่ยงหลักวิ่งไปในทิศทางตรงข้าม การเก็งกำไรประเมินศักยภาพขาขึ้นต่ำเกินไป

บริษัท AI หลายแห่งจะล้มเหลว Startup ส่วนใหญ่ที่ระดมทุนในราคาที่สูงเกินจริงจะไม่ให้ผลตอบแทนแก่นักลงทุน โครงการนำร่องขององค์กรจะยังคงมีอัตราล้มเหลว 95%⁴ การปรับฐานจะมาถึง อาจเจ็บปวด แต่ไม่มีสิ่งใดขัดแย้งกับทฤษฎีนี้ ผู้ชนะที่เกิดขึ้นจากคลื่นการลงทุนในปัจจุบันจะสร้างมูลค่าที่ไม่สมส่วนกับเงินทุนที่ใช้ไปมากจนรายจ่ายลงทุนประจำปี 380 พันล้านดอลลาร์ของ hyperscaler จะดูเหมือนตัวเลขปัดเศษ⁵

การเปรียบเทียบกับ dot-com จริงๆ แล้วสนับสนุนกรณีนี้ Amazon และ Google โผล่ขึ้นมาจากซากปรักหักพังนั้นเพื่อสร้างมูลค่าหลายล้านล้านดอลลาร์ โครงสร้างพื้นฐานที่บริษัทในยุคฟองสบู่เหล่านั้นสร้างขึ้น—ใยแก้วนำแสง ศูนย์ข้อมูล โปรโตคอล—ขับเคลื่อนการเปลี่ยนแปลงทางเศรษฐกิจมาหลายทศวรรษ ผู้แพ้สูญเสียทุกอย่าง ผู้ชนะเปลี่ยนอารยธรรม AI ตามรูปแบบเดียวกันในขนาดที่ใหญ่กว่าและความเร็วที่เร็วกว่า

คณิตศาสตร์การสร้างมูลค่าที่การวิเคราะห์ฟองสบู่มองข้าม

การวิเคราะห์ฟองสบู่มุ่งเน้นไปที่อัตราส่วนที่ผิด นักวิเคราะห์เปรียบเทียบการลงทุนใน AI กับรายได้ AI และพบช่องว่าง ช่องว่างนั้นมีอยู่จริง แต่การเปรียบเทียบพลาดประเด็น

การเปรียบเทียบที่เกี่ยวข้องวัดการลงทุนกับศักยภาพการสร้างมูลค่า เมื่อ Anthropic นำ Claude ไปใช้ทั่วทั้งองค์กร ตัวชี้วัดที่สำคัญไม่ใช่รายได้ของ Anthropic ตัวชี้วัดที่สำคัญครอบคลุมผลตอบแทนด้านผลิตภาพ การลดต้นทุน และการขยายขีดความสามารถในทุกองค์กรที่ใช้เทคโนโลยีนี้ เมื่อบริษัทยาใช้ AI เพื่อระบุตัวยาที่มีศักยภาพภายในสัปดาห์แทนที่จะเป็นปี มูลค่าที่สร้างขึ้นเกินกว่าต้นทุนการประมวลผลและค่าธรรมเนียมใบอนุญาตอย่างมาก

McKinsey ประมาณการว่า generative AI สามารถเพิ่มมูลค่า 2.6 ถึง 4.4 ล้านล้านดอลลาร์ต่อปีให้กับเศรษฐกิจโลกจาก 63 กรณีการใช้งานที่วิเคราะห์⁶ ช่วงนั้นแสดงถึงผลกระทบของปีเดียว ไม่ใช่มูลค่าสะสม เมื่อเทียบกับการลงทุนโครงสร้างพื้นฐาน 380 พันล้านดอลลาร์ต่อปี อัตราส่วนเอื้อต่อฝ่ายกระทิงในระดับสิบเท่า—แม้ว่าประมาณการของ McKinsey จะพิสูจน์ว่ามองโลกในแง่ดีเกินไปครึ่งหนึ่ง

หลักฐานด้านผลิตภาพสะสมอยู่แล้ว ผู้ใช้ GitHub Copilot ทำงานเสร็จเร็วกว่าผู้ที่ไม่ใช้ 55%⁷ ที่ปรึกษา BCG ที่ใช้ GPT-4 ผลิตงานคุณภาพสูงขึ้น 40% ในเวลาน้อยลง 25%⁸ การดำเนินงานบริการลูกค้ารายงานการปรับปรุงผลิตภาพ 14% สำหรับตัวแทนที่ใช้ผู้ช่วย AI โดยได้รับผลประโยชน์มากที่สุดในหมู่พนักงานมือใหม่⁹ ตัวเลขเหล่านี้มาจากการใช้งานในระยะเริ่มต้นและยังดิบ โมเดลปรับปรุงทุกเดือน

ทุกการเปลี่ยนแปลงแพลตฟอร์มหลักในประวัติศาสตร์คอมพิวเตอร์สร้างมูลค่าหลายเท่าเกินกว่าการลงทุนเริ่มต้น คอมพิวเตอร์ส่วนบุคคลสร้างมูลค่าทางเศรษฐกิจประมาณ 10 ดอลลาร์ต่อทุก 1 ดอลลาร์ที่ลงทุนในอุตสาหกรรมในช่วงทศวรรษแห่งการก่อตั้ง¹⁰ อินเทอร์เน็ตสร้างอัตราส่วนที่ใกล้เคียงหรือสูงกว่า การประมวลผลบนมือถือขยายรูปแบบนี้ AI แสดงถึงเทคโนโลยีอเนกประสงค์ที่เป็นพื้นฐานมากกว่าสิ่งเหล่านี้ทั้งหมด—เทคโนโลยีที่เสริมงานด้านความคิดในแบบที่การปฏิวัติก่อนหน้าเสริมงานด้านกายภาพและข้อมูล

กรอบความคิดฟองสบู่ปฏิบัติต่อ AI เหมือน Pets.com: บริษัทที่ไม่มีเส้นทางสู่การสร้างมูลค่าขายผลิตภัณฑ์ที่ไม่มีใครต้องการ AI สร้างมูลค่าอย่างชัดเจนในทุกการใช้งาน คำถามเกี่ยวกับขนาดและการกระจาย ไม่ใช่การมีอยู่

ทำไมความเร็วในการนำไปใช้บ่งบอกถึงความเร็วในการสร้างมูลค่า

St. Louis Fed เผยแพร่ข้อมูลที่น่าจะทำให้ผู้สงสัย AI หวาดกลัว สามปีหลังจาก IBM PC เปิดตัวในปี 1981 การยอมรับคอมพิวเตอร์ส่วนบุคคลแตะ 19.7%¹¹ สามปีหลังจากอินเทอร์เน็ตเปิดให้ใช้งานเชิงพาณิชย์ การยอมรับแตะ 30.1%¹² สามปีหลังจาก ChatGPT เปิดตัวในเดือนพฤศจิกายน 2022 การยอมรับ generative AI แตะ 54.6% ภายในเดือนสิงหาคม 2025¹³

ความแตกต่างสะท้อนถึงข้อได้เปรียบเชิงโครงสร้างที่มีนัยยะสำคัญต่อมูลค่า การเปลี่ยนแปลงแพลตฟอร์มก่อนหน้านี้ต้องการให้ผู้ใช้ซื้อฮาร์ดแวร์ใหม่ เรียนรู้อินเทอร์เฟซใหม่ เปลี่ยนเวิร์กโฟลว์ที่มีอยู่ และสร้างกระบวนการใหม่รอบความสามารถที่ไม่คุ้นเคย การนำ AI มาใช้ไม่ต้องการสิ่งเหล่านี้ เทคโนโลยีเข้าถึงผู้ใช้ผ่านอุปกรณ์ที่มีอยู่ เบราว์เซอร์ที่มีอยู่ แอปพลิเคชันที่มีอยู่ พนักงานความรู้ในปี 2024 ได้รับการเข้าถึงความสามารถที่ไม่เคยมีอยู่ในปี 2022 โดยไม่ต้องซื้อของใหม่หรือเรียนรู้รูปแบบอินเทอร์เฟซใหม่

ความเร็วในการนำไปใช้สำคัญต่อการสร้างมูลค่าเพราะมูลค่าทบต้นตามการใช้งาน เทคโนโลยีที่เข้าถึงการยอมรับ 50% ในสามปีสร้างมูลค่าในช่วงสามปีนั้น เทคโนโลยีที่ใช้เวลาสิบห้าปีเพื่อเข้าถึงการแทรกซึมเดียวกันทำให้การสร้างมูลค่าล่าช้าตามสัดส่วน ความเร็วในการนำ AI มาใช้หมายถึงความเร็วในการสร้างมูลค่า

ตัวเลขการนำไปใช้ในองค์กรทำให้รูปแบบนี้เป็นรูปธรรม ภายในปี 2025 87% ขององค์กรขนาดใหญ่ได้นำโซลูชัน AI ไปใช้¹⁴ การใช้งานเครื่องมือ generative AI รายสัปดาห์กระโดดจาก 37% เป็น 72% เมื่อเทียบปีต่อปี¹⁵ การใช้จ่าย AI ขององค์กรเติบโต 130% ในปีเดียว¹⁶ องค์กรเหล่านี้ไม่ได้ใช้จ่ายเพราะความกระตือรือร้น พวกเขาใช้จ่ายเพราะเทคโนโลยีให้ผลตอบแทน

อัตราความล้มเหลวของโครงการนำร่อง 95% ที่นักวิจารณ์อ้างถึงจริงๆ แล้วสนับสนุนกรณีขาขึ้นเมื่อตรวจสอบอย่างรอบคอบ¹⁷ องค์กรดำเนินโครงการนำร่องเพื่อค้นหาว่าอะไรได้ผล อัตราความล้มเหลว 95% ในหมู่โครงการนำร่องหมายถึงอัตราความสำเร็จ 5%—และโครงการนำร่องที่ประสบความสำเร็จขยายเป็นการใช้งานจริงที่สร้างมูลค่าอย่างยั่งยืน องค์กรที่ยังคงลงทุนหลังจากประสบกับอัตราความล้มเหลวของโครงการนำร่องสูงได้พบ 5% ที่ได้ผล พวกเขากำลังปรับให้เหมาะสม ไม่ใช่ยกเลิก

การปฏิวัติผลิตภาพการเขียนโค้ด

การพัฒนาซอฟต์แวร์เสนอหน้าต่างที่ชัดเจนที่สุดในการสร้างมูลค่าของ AI เพราะผลตอบแทนด้านผลิตภาพสามารถวัดได้ เกิดขึ้นทันที และดำเนินการในระดับใหญ่แล้ว ซึ่งแตกต่างจากการคาดการณ์นามธรรมเกี่ยวกับการใช้งานในอนาคต การปรับปรุงผลิตภาพการเขียนโค้ดสร้างข้อมูลที่แข็งแกร่งจากนักพัฒนาหลายล้านคนที่ใช้เครื่องมือ AI ทุกวัน

GitHub Copilot ให้หลักฐานที่แข็งแกร่งที่สุด การวิจัยภายในของ GitHub พบว่านักพัฒนาที่ใช้ Copilot ทำงานเสร็จเร็วกว่านักพัฒนาที่ทำงานโดยไม่มีความช่วยเหลือ 55%⁷ การศึกษาควบคุมความซับซ้อนของงานและระดับประสบการณ์ของนักพัฒนา ภายในปลายปี 2024 Copilot สะสมผู้สมัครสมาชิกแบบชำระเงินมากกว่า 1.8 ล้านรายสร้างรายได้ประจำปี 400 ล้านดอลลาร์²⁷ ที่น่าทึ่งกว่านั้น 46% ของโค้ดในที่เก็บที่เปิดใช้งาน Copilot มาจากคำแนะนำของ AI²⁸

เทคโนโลยีได้วิวัฒนาการไปไกลกว่าการเติมอัตโนมัติ เวอร์ชันแรกๆ แนะนำโค้ดไม่กี่บรรทัดถัดไป เวอร์ชันปัจจุบันเสนอรูปแบบสถาปัตยกรรม สร้างชุดทดสอบที่ครอบคลุม เขียนเอกสาร และแก้ไขปัญหาที่ซับซ้อน การเปลี่ยนจาก "แนะนำบรรทัดถัดไป" เป็น "นำฟีเจอร์นี้ไปใช้" เกิดขึ้นในเวลาประมาณ 18 เดือน

ระบบนิเวศขยายไปไกลกว่า Copilot Cursor ซึ่งเป็น IDE ที่สร้างขึ้นเพื่อ AI เติบโตจากศูนย์เป็นผู้ใช้แบบชำระเงินมากกว่า 40,000 รายภายในปลายปี 2024 โดยมีอัตราการเติบโตรายเดือนเกิน 50%²⁹ Claude Code, Aider และ Cline เปิดใช้งาน coding agent อิสระที่ดำเนินการเปลี่ยนแปลงหลายไฟล์โดยมีการแทรกแซงจากมนุษย์น้อยที่สุด นักพัฒนาอธิบายสิ่งที่ต้องการมากขึ้นแทนที่จะเขียนทุกอักขระ การเปลี่ยนแปลงเวิร์กโฟลว์คล้ายกับการเปลี่ยนจากภาษาแอสเซมบลีเป็นภาษาโปรแกรมระดับสูง—การเปลี่ยนแปลงเชิงหมวดหมู่ในระดับการนามธรรม

คณิตศาสตร์เศรษฐศาสตร์ทำให้กรอบความคิดฟองสบู่ยากที่จะยืนยัน สำนักงานสถิติแรงงานสหรัฐรายงานค่าตอบแทนมัธยฐานของนักพัฒนาซอฟต์แวร์ที่ประมาณ 127,000 ดอลลาร์ต่อปี³⁰ การปรับปรุงผลิตภาพ 55% แปลเป็นผลผลิตเพิ่มเติมเทียบเท่าประมาณ 70,000 ดอลลาร์ต่อนักพัฒนา สหรัฐจ้างนักพัฒนาซอฟต์แวร์ประมาณ 4.4 ล้านคน³¹ แม้สมมติฐานที่ระมัดระวัง—การนำไปใช้ 20% ที่ผลิตภาพเพิ่ม 30%—ให้การสร้างมูลค่าประจำปี 26 พันล้านดอลลาร์จากการพัฒนาซอฟต์แวร์ในสหรัฐเพียงอย่างเดียว ประชากรนักพัฒนาทั่วโลกเกิน 28 ล้านคน³²

ข้อโต้แย้งของผู้สงสัยสมควรได้รับการพิจารณาอย่างจริงจัง: โค้ดที่สร้างโดย AI มีบั๊ก แนะนำช่องโหว่ด้านความปลอดภัย และสร้างหนี้ทางเทคนิค นักพัฒนาใช้เวลาแก้ไขผลลัพธ์ของ AI มากเท่ากับเวลาที่ประหยัดได้จากการสร้าง การศึกษาผลิตภาพได้รับเงินทุนจากบริษัท AI ที่มีแรงจูงใจชัดเจนในการผลิตผลลัพธ์ที่เอื้ออำนวย การใช้งานในโลกจริงแสดงให้เห็นว่านักพัฒนามือใหม่กลายเป็นพึ่งพาเครื่องมือที่พวกเขาไม่เข้าใจ ทำให้ทักษะพื้นฐานเสื่อมถอย

การวิพากษ์สับสนระหว่างการใช้งานแบบไร้เดียงสากับการใช้งานอย่างมีทักษะ การศึกษาที่แสดงคุณภาพลดลงมักตรวจสอบมือใหม่ที่ใช้ AI เป็นไม้ค้ำยันมากกว่ามืออาชีพที่ใช้ AI เป็นเครื่องมือเสริม การศึกษา BCG/Harvard ที่พบการปรับปรุงคุณภาพ 40% ตรวจสอบที่ปรึกษาที่มีประสบการณ์โดยเฉพาะ—ไม่ใช่นักพัฒนามือใหม่ที่งุ่มง่ามกับเครื่องมือที่ไม่คุ้นเคย⁸

กระบวนการตรวจสอบโค้ดจับข้อผิดพลาดของ AI เหมือนกับที่จับข้อผิดพลาดของมนุษย์ ข้อกังวลด้านความปลอดภัยมีเหตุผลแต่พลาดวิถี: เครื่องมือวิเคราะห์แบบคงที่ตอนนี้สแกนโค้ดที่สร้างโดย AI โดยอัตโนมัติ และการรวม GitHub Advanced Security หมายความว่าคำแนะนำของ AI ได้รับการตรวจสอบความปลอดภัยก่อนรวม เครื่องมือตามทันความสามารถ

สิ่งสำคัญที่สุด นักพัฒนาลงคะแนนด้วยนิ้วของพวกเขา อัตราการรักษาผู้ใช้ Copilot เกิน 80%³³ Cursor เติบโตจากศูนย์เป็นผู้ใช้แบบชำระเงิน 40,000 รายในเวลาไม่กี่เดือน หากเครื่องมือให้มูลค่าติดลบสุทธิ นักพัฒนาจะละทิ้งมัน พวกเขาไม่ได้ละทิ้ง พวกเขากำลังขยายการใช้งาน

ซอฟต์แวร์เป็นอุตสาหกรรมระดับโลกมูลค่า 650 พันล้านดอลลาร์³⁴ การปรับปรุงผลิตภาพ 20% ทั่วทั้งอุตสาหกรรมสร้างมูลค่าประจำปี 130 พันล้านดอลลาร์—จากภาคเดียวในหลายสิบภาคที่ AI สร้างผลตอบแทนที่วัดได้ การลงทุนโครงสร้างพื้นฐานที่เปิดใช้งานเครื่องมือเขียนโค้ด AI เป็นเพียงเศษเสี้ยวของการสร้างมูลค่านั้น กรอบความคิดฟองสบู่ถามว่าการลงทุน AI ตรงกับรายได้ AI หรือไม่ กรอบความคิดที่ถูกต้องถามว่าการลงทุน AI ตรงกับการสร้างมูลค่าของ AI หรือไม่ ในซอฟต์แวร์เพียงอย่างเดียว อัตราส่วนไม่ใกล้เคียงกัน

บทเรียน dark fiber: ผู้แพ้ให้ทุนผู้ชนะ

ระหว่างปี 1995 ถึง 2000 บริษัทโทรคมนาคมลงทุนประมาณ 2 ล้านล้านดอลลาร์สร้างเครือข่ายใยแก้วนำแสง 80 ถึง 90 ล้านไมล์¹⁸ เมื่อฟองสบู่แตก 95% ของใยแก้วนั้นนอนมืด¹⁹ บริษัทที่สร้างมัน—Global Crossing, Level 3, Qwest, WorldCom—ล้มละลายหรือเกือบล้มละลาย นักลงทุนในบริษัทเหล่านั้นสูญเสียทุกอย่าง

ใยแก้วนั้นยังคงมีมูลค่า โครงสร้างพื้นฐานที่ทำลายผู้สร้างมันเปิดใช้งานผู้สืบทอด Netflix สตรีมวิดีโอผ่านสายที่ผู้ถือหุ้นของ WorldCom จ่าย การประมวลผลบนคลาวด์ทำงานผ่าน dark fiber ที่ทำให้เจ้าของดั้งเดิมล้มละลาย มูลค่าทางเศรษฐกิจที่สร้างโดยโครงสร้างพื้นฐานนั้นข้ามสองทศวรรษเหนือกว่า 2 ล้านล้านดอลลาร์ที่ลงทุนอย่างน้อยสิบเท่า

ผู้แพ้ให้ทุนผู้ชนะ นักลงทุนหุ้นในโทรคมนาคมยุคฟองสบู่รับการขาดทุน เศรษฐกิจกว้างขวางจับผลกำไร Amazon ไม่ได้สร้างโครงสร้างพื้นฐานอินเทอร์เน็ตที่มันพึ่งพา มันสร้างบนโครงสร้างพื้นฐานที่นักลงทุนของบริษัทอื่นให้ทุนและสูญเสีย

AI ตามรูปแบบเดียวกันโดยมีความแตกต่างสำคัญหนึ่งประการ: อัตราส่วนระหว่างต้นทุนโครงสร้างพื้นฐานและมูลค่าที่สร้างยิ่งเอื้ออำนวยกว่า ใยแก้วต้องการการติดตั้งทางกายภาพข้ามทวีป โครงสร้างพื้นฐาน AI รวมศูนย์ในศูนย์ข้อมูลที่ให้บริการฐานผู้ใช้ทั่วโลก ประสิทธิภาพเงินทุนของโครงสร้างพื้นฐาน AI เกินประสิทธิภาพเงินทุนของโครงสร้างพื้นฐานเครือข่ายทางกายภาพอย่างมาก

การลงทุนโครงสร้างพื้นฐาน AI ในปัจจุบันจะสร้างผู้แพ้ Startup ที่มีมูลค่าพันล้านจะคืนศูนย์ โครงสร้างพื้นฐานบางส่วนที่สร้างเชิงเก็งกำไรจะใช้งานไม่เต็มที่เป็นเวลาหลายปี บริษัทที่ส