องค์กรต่างๆ ดำเนินธุรกรรมผ่านระบบ AI Multi-Agent ที่ทำงานข้าม Cloud, Large Language Models (LLMs), ชุดควบคุม และระบบบันทึกข้อมูล โดยการเงินจะได้รับต้นทุน AI เฉพาะในระดับการชำระบัญชี (settlement grain) เท่านั้น
ปัญหาคือข้อมูลการเรียกเก็บเงินจากผู้ให้บริการนั้นไม่สามารถตอบคำถามทางธุรกิจได้ว่าธุรกรรมนั้นมีต้นทุน AI เท่าไหร่ เนื่องจากผู้ให้บริการไม่เห็นขอบเขตธุรกรรมขององค์กร
เพื่อแก้ไขปัญหานี้ ผู้วิจัยได้กำหนดรูปแบบ Two-Ledger Model คือการรวมบัญชีการชำระบัญชีที่ตรงตาม FOCUS เข้ากับบัญชีการระบุแหล่งที่มาที่บันทึกการใช้งานระดับ invocation-grain โดยใช้ OpenTelemetry GenAI telemetry
โมเดลนี้ใช้โครงสร้างการเชื่อมโยงแบบหลายชั้น (layered correlation spine) เพื่อจับคู่แต่ละรายการเข้ากับธุรกรรมทางธุรกิจ และสามารถระบุ ‘shadow AI’ ที่ไม่ได้ถูกบันทึกต้นทุนได้
การจำลองแสดงให้เห็นว่าโมเดลนี้สามารถรักษาความครอบคลุมต้นทุนได้สูงกว่า 99% และสามารถลดต้นทุนธุรกรรม (p99) ได้สูงสุดถึง 61% ในขณะที่ยังคงมีอัตราการหยุดชะงักเท็จ (false-pause rate) เพียง 2-4%
ผู้วิจัยเสนอให้บัญชีการระบุแหล่งที่มานี้เป็นโปรไฟล์ FOCUS สำหรับการทำให้เป็นมาตรฐานในระดับ invocation-grain
ศัพท์ที่ควรรู้
- Multi-agent AI systems – ระบบ AI ที่ทำงานร่วมกันหลายตัวเพื่อดำเนินงานต่างๆ
- LLMs – Large Language Models คือแบบจำลองภาษาขนาดใหญ่ที่ใช้ในการประมวลผลภาษาธรรมชาติ
- Orchestration harnesses – ชุดควบคุมที่ทำหน้าที่จัดการและประสานงานระหว่างส่วนประกอบต่างๆ ของระบบ
- Settlement grain – ระดับการชำระบัญชี ซึ่งเป็นจุดที่ต้นทุนถูกสรุปและเรียกเก็บเงิน
- Invocation-grain usage records – บันทึกการใช้งานในระดับการเรียกใช้งานแต่ละครั้ง ซึ่งบันทึกการทำงานของ AI แต่ละครั้ง
ที่มา: arxiv.org