ต้นทุน AI Inference: API, เช่า GPU หรือตั้งเอง แบบไหนคุ้ม

พอทีมเริ่มใช้ AI ทุกวัน บิล API รายเดือนก็กลายเป็นตัวเลขที่ฝ่ายบัญชีถามถึง แล้วก็มักมีคนเสนอว่าเช่า GPU มารันโมเดลเองน่าจะถูกกว่า บทความนี้เทียบทุกทางเลือกเป็นเงินบาท โดยเขียนสมมติฐานไว้ชัดๆ ให้คุณแทนด้วยตัวเลขของทีมตัวเองได้

ต้นทุน AI Inference มีกี่แบบ

ต้นทุน AI inference มาจาก 4 ทางหลัก คือจ่าย API ตาม token, เช่า GPU บนคลาวด์เป็นรายชั่วโมง, ซื้อเซิร์ฟเวอร์ GPU มาตั้งเอง และจ่ายแบบเหมาเป็นรายเดือน แต่ละทางย้ายความเสี่ยงไปคนละที่ คือจ่ายตามใช้ จ่ายตามเวลา จ่ายก้อนใหญ่ล่วงหน้า หรือจ่ายคงที่แต่มีขอบเขตการใช้

ข้อตกลงของตัวเลขทั้งบทความ

• ราคาจากหน้าราคาทางการ ตรวจเมื่อ 10 พฤศจิกายน 2569 เป็นดอลลาร์สหรัฐ ไม่รวมภาษี
• อัตราแลกเปลี่ยน 33.4 บาทต่อดอลลาร์ (ค่าปิดตลาด 5 พ.ย. 2569 ตามรายงานของธนาคารแห่งประเทศไทย)
• สมมติทีมนักพัฒนา 10 คน ทำงาน 22 วันต่อเดือน วันละ 10 ชั่วโมง เท่ากับ 220 ชั่วโมงต่อเดือน ถ้าเปิดเครื่อง 24 ชั่วโมงทุกวัน คิด 730 ชั่วโมงต่อเดือน

ใช้ API จ่ายตาม token เดือนละเท่าไร

ค่า API ต่อเดือนเท่ากับจำนวน token แต่ละประเภทคูณราคาต่อ 1 ล้าน token แล้วรวมกัน สำหรับงาน coding agent ตัวเลขอ้างอิงที่หาได้คือเอกสารของ Claude Code ซึ่งรายงานว่าในองค์กรที่ใช้งานจริง ค่าใช้จ่ายเฉลี่ยราว 13 ดอลลาร์ต่อนักพัฒนาต่อวันที่ใช้งาน และ 150–250 ดอลลาร์ต่อคนต่อเดือน ทีม 10 คนจึงอยู่ราว 1,500–2,500 ดอลลาร์ หรือ 50,100–83,500 บาทต่อเดือน

ค่า API ต่อเดือน = (input ที่ไม่โดน cache × ราคา input)
                 + (input ที่อ่านจาก cache × ราคา cache)
                 + (output × ราคา output)

ตัวเลขข้างบนเป็นของโมเดลตระกูล Claude ถ้าเปลี่ยนโมเดล บิลเปลี่ยนได้หลายเท่า ลองใช้ token ชุดเดียวกันกับสองโมเดล สมมติว่านักพัฒนาหนึ่งคนใช้ input วันละ 20 ล้าน token ซึ่ง 90% อ่านจาก cache และ output วันละ 0.25 ล้าน token

ฝั่ง Claude คิด input ที่ไม่โดน cache ในราคาเขียน cache เพราะส่วนนั้นถูกเก็บไว้ใช้รอบถัดไป ส่วน DeepSeek ราคา off-peak เป็นครึ่งหนึ่งของ peak และช่วง peak คือ 01:00–04:00 กับ 06:00–10:00 UTC วันจันทร์–ศุกร์ ตรงกับ 08:00–11:00 และ 13:00–17:00 น. เวลาไทย เวลาทำงานของทีมไทยจึงอยู่ในช่วง peak เป็นส่วนใหญ่ ตารางข้างบนจึงสมมติว่าจ่ายราคา peak ทั้งหมด ราคาของผู้ให้บริการรายอื่นดูได้ที่ ราคา LLM API 2026 และโมเดลต่างกัน ผลงานก็ต่างกัน ต้องทดสอบกับงานจริงก่อนเลือกจากราคา

เช่า GPU cloud ราคาต่อชั่วโมงเท่าไร

ราคาเช่า GPU บนคลาวด์ ณ พฤศจิกายน 2569 อยู่ราว 0.3–1.2 ดอลลาร์ต่อชั่วโมงสำหรับการ์ดเกมอย่าง RTX 4090 และ RTX 5090 และราว 2–5 ดอลลาร์ต่อชั่วโมงต่อการ์ดสำหรับ H100 ขึ้นกับผู้ให้บริการและประเภทเครื่อง ตารางนี้มาจากหน้าราคาของ Runpod และ Lambda

ราคาเป็นดอลลาร์ต่อการ์ดต่อชั่วโมง ราคา Runpod ตรวจเมื่อ 10 พ.ย. 2569 คิดเงินเป็นวินาที ส่วนราคา Lambda เป็นราคาที่ประกาศให้มีผลตั้งแต่ 16 พ.ย. 2569 ไม่รวมภาษี และเครื่อง 8 การ์ดถูกกว่าต่อการ์ด (HGX H100 $4.59) ราคาเปลี่ยนบ่อย ควรเช็กหน้าราคาก่อนตัดสินใจ

สิ่งที่ต้องเข้าใจคือคุณจ่ายตามเวลาที่เครื่องเปิด ไม่ใช่ตามงานที่ทำ สมมติทีม 10 คนต้องใช้ H100 SXM 2 ใบเพื่อรันโมเดลขนาดราว 30B แบบ FP8 ให้ agent หลายตัวทำงานพร้อมกัน (ประมาณจากสูตรใน GPU สำหรับรัน LLM ต้องใช้ VRAM เท่าไร ต้องทดสอบโหลดจริงอีกครั้ง)

เปิดเฉพาะเวลาทำงาน: 2 × $3.99 × 220 ชม. = $1,755.60 ≈ 58,600 บาท
เปิด 24 ชม. ทุกวัน:  2 × $3.99 × 730 ชม. = $5,825.40 ≈ 194,600 บาท

เครื่องเดียวกัน ต่างกันแค่ลืมปิดตอนกลางคืนและวันหยุด ค่าใช้จ่ายห่างกันกว่าสามเท่า

ตัวอย่างคำนวณ: ทีม 10 คน แบบไหนถูกกว่า

เมื่อรวมค่าคนดูแลเข้าไป ทีม 10 คนในตัวอย่างนี้จ่ายน้อยที่สุดเมื่อใช้ API ของโมเดลราคาถูก การเช่า GPU เฉพาะเวลาทำงานจ่ายใกล้เคียงกับ API ของ Claude Sonnet 5.5 และการเปิดเครื่องเช่าทิ้งไว้ 24 ชั่วโมงแพงที่สุด ตารางนี้เทียบเฉพาะเงินตามสมมติฐานของบทความ ไม่ได้เทียบผลงานของโมเดล

ค่าคนดูแลสมมติว่าวิศวกรที่มีค่าใช้จ่ายรวมเดือนละ 80,000 บาท ใช้เวลา 20% ดูแลเซิร์ฟเวอร์ ถ้าทีมมีคนที่ทำงานนี้เป็นอยู่แล้ว ตัวเลขนี้อาจต่ำกว่า

อีกมุมที่ช่วยตัดสินใจคือแปลงค่าเช่าเป็นราคาต่อ 1 ล้าน token แล้วเทียบกับหน้าราคา API

ราคาต่อ 1M output token = ค่าเช่าต่อชั่วโมง ÷ (token ต่อวินาที × 3,600 ÷ 1,000,000) ÷ สัดส่วนเวลาที่ใช้งานจริง
ตัวอย่างสมมติ: $7.98 ÷ (1,500 × 0.0036) = $1.48 ที่ใช้งานเต็ม 100%
               ถ้าใช้งานจริงแค่ 25% ของเวลาที่เปิด = $5.91

ตัวเลข 1,500 token ต่อวินาทีเป็นค่าสมมติเพื่อให้เห็นสูตร ค่าจริงต้องวัดกับโมเดลและการ์ดของคุณเอง เช่น ด้วย vllm bench serve (ดูวิธีตั้งเซิร์ฟเวอร์ใน vLLM คืออะไร) ข้อสรุปที่ได้จากสูตรนี้คือ GPU ที่ว่างครึ่งวันทำให้ต้นทุนต่อ token แพงขึ้นเท่าตัว

ซื้อเซิร์ฟเวอร์ GPU เองคุ้มไหม

การซื้อเซิร์ฟเวอร์ GPU เองคุ้มเมื่อเครื่องถูกใช้หนักสม่ำเสมอตลอดอายุการใช้งาน และมีคนกับสถานที่พร้อมดูแล ต้นทุนต่อเดือนคิดจากราคาเครื่องหารจำนวนเดือนที่ใช้ บวกค่าไฟและค่าดูแล ข้อแลกคือเงินก้อนใหญ่ล่วงหน้าและความเสี่ยงที่การ์ดรุ่นใหม่จะออกมาก่อนคืนทุน

ต้นทุนต่อเดือน = (ราคาเครื่อง ÷ จำนวนเดือนที่ใช้) + ค่าไฟ + ค่าดูแล

ราคาเครื่อง (สมมติ)  900,000 บาท ÷ 36 เดือน  = 25,000 บาท
ค่าไฟ               417 หน่วย × 4.2 บาท      ≈ 1,750 บาท
รวมก่อนค่าคน                                ≈ 26,750 บาท

ตัวเลข 900,000 บาทเป็นสมมติฐานสำหรับเครื่องที่ใส่การ์ด RTX PRO 6000 (96 GB) 2 ใบ ไม่ใช่ราคาตลาด ให้แทนด้วยใบเสนอราคาจริงที่ได้รับ อายุใช้งาน 36 เดือนก็เป็นค่าสมมติ ค่าไฟคิดจากการสมมติว่าเครื่องใช้ไฟเฉลี่ย 1.2 kW ตอนทำงาน 220 ชั่วโมง และ 0.3 kW ตอนว่างอีก 510 ชั่วโมง ส่วน 4.2 บาทต่อหน่วยมาจากค่าไฟฟ้าเฉลี่ยงวดกันยายน–ธันวาคม 2569 ที่ กกพ. ประกาศไว้ 3.95 บาทต่อหน่วยบวก VAT 7% อัตราจริงของธุรกิจขึ้นกับประเภทผู้ใช้ไฟ

ข้อควรรู้ก่อนเซ็นซื้อ

• เครื่องไม่เท่ากับเครื่องที่เช่า RTX PRO 6000 มี memory bandwidth 1,792 GB/s ขณะที่ H100 SXM มี 3.35 TB/s คำตอบต่อผู้ใช้หนึ่งคนจึงช้ากว่า แม้ VRAM รวมจะมากกว่า
• ขยายทันทีไม่ได้ ถ้าทีมโตจาก 10 เป็น 30 คน ต้องซื้อเพิ่ม ขณะที่การเช่าเพิ่มเครื่องได้ทันทีที่มีการ์ดว่าง
• ต้องมีที่วาง ไฟสำรอง ความเย็น และอินเทอร์เน็ตที่เสถียร หรือจ่ายค่าวางเครื่องที่ศูนย์ข้อมูล
• ข้อมูลอยู่ในที่ที่คุณควบคุม นี่คือเหตุผลที่บางบริษัทเลือกทางนี้แม้ตัวเลขจะไม่ได้ถูกที่สุด

ต้นทุนแฝงที่มักลืมนับ

ต้นทุนแฝงของการรันโมเดลเองมักมากกว่าค่า GPU บนใบแจ้งหนี้ ก้อนใหญ่ที่สุดคือเวลาของคน รองลงมาคือเวลาที่การ์ดเปิดทิ้งไว้โดยไม่มีงาน ส่วนฝั่ง API คือ token ที่ agent ใช้เกินคาดและค่าเงินบาท

1. เวลาคน ติดตั้ง อัปเดต inference server และโมเดล ดูแลตอนเครื่องล่ม คือชั่วโมงที่วิศวกรไม่ได้ทำงานหลัก
2. เวลาที่ GPU ว่าง คืน วันหยุด และช่วงที่ทีมประชุม ถ้าไม่ปิดเครื่อง ก็จ่ายเต็ม
3. Storage Runpod คิดค่า volume disk 0.10 ดอลลาร์ต่อ GB ต่อเดือนตอน pod ทำงาน และ 0.20 ดอลลาร์ตอน pod หยุด ไฟล์โมเดลหลายสิบ GB จึงมีค่าเก็บรายเดือน
4. การทดสอบคุณภาพ ทุกครั้งที่เปลี่ยนโมเดลหรือ quantization ต้องทดสอบกับงานจริงของทีม ถ้าโมเดลตอบพลาดบ่อย agent ก็ต้องวนแก้หลายรอบ
5. ข้อมูลและ PDPA ถ้าเช่า GPU หรือใช้ API ที่ประมวลผลในต่างประเทศ ข้อมูลก็ถูกส่งออกนอกประเทศ ต้องดูสัญญาและ DPA ของผู้ให้บริการ (อ่านต่อใน ใช้ LLM API กับข้อมูลลูกค้าอย่างไรให้ถูก PDPA)
6. ภาษีและค่าเงิน บริษัทที่จด VAT และจ่ายค่าบริการให้ผู้ให้บริการต่างประเทศอาจต้องนำส่ง VAT เองผ่าน ภ.พ.36 ควรถามผู้ทำบัญชี (ดูประเด็นอื่นที่บริษัทต้องตัดสินใจใน AI coding agent สำหรับทีม)

เหมาจ่ายแบบไม่คิดค่า token กับ buzzAI

ทางเลือกที่สี่คือแพ็กเหมาจ่าย buzzAI เป็น API แบบนี้สำหรับ coding agent ที่รันโมเดล open-weight Qwen3.8-27B ในรุ่น NVFP4 (4-bit) ที่ NVIDIA ทำจากโมเดลนี้ บนการ์ด GPU ที่ buzzAI ดูแลเอง ใส่ชื่อโมเดลนี้ได้ตรงๆ ที่ base URL https://api.heybuzzai.com/v1 ใช้กับ Claude Code, Codex CLI และเครื่องมือที่ตั้ง base URL เองได้ แพ็กไม่คิดค่า token และไม่มีโควตารายวันหรือรายสัปดาห์ แพ็ก Personal เริ่มที่ 99 บาทต่อวัน (Day Pass) แพ็กบริษัทเริ่มที่ 7,900 บาทต่อเดือน ค่าเครื่อง ค่าไฟ และเวลาดูแลเซิร์ฟเวอร์จึงไม่ใช่เรื่องที่ทีมต้องแบก

สิ่งที่จำกัดแทนคือจำนวน agent ที่รันพร้อมกัน (แพ็กบริษัท 1–8 ตัว พร้อม context 256K) ขนาด context ตามแพ็ก และคิวในช่วงที่คนใช้เยอะ ในเวลาทำการ (จันทร์–ศุกร์ 08:00–20:00 น.) แพ็กบริษัทและสล็อตที่จองไว้ได้คิวก่อน แพ็ก Personal จึงอาจต้องรอ buzzAI ไม่เอาข้อมูลหรือโค้ดของคุณไปเทรนโมเดล ตอนนี้งานประมวลผลอยู่บนเซิร์ฟเวอร์ GPU ของผู้ให้บริการคลาวด์ในต่างประเทศ แพ็กบริษัททำ DPA ตาม PDPA ได้ และแพ็ก Dedicated ที่ได้การ์ดทั้งใบ (เสนอราคาแยก) วางเครื่องในไทยได้ API ยังไม่เปิดให้ใช้ทั่วไป กดขอร่วมทดสอบได้ที่หน้าแรก แล้วเราจะส่ง API key ทางอีเมลเมื่อมีผู้สมัครครบโควต้าที่กำหนด ดูแพ็กทั้งหมดที่หน้าราคา