สิบสองปีก่อน ผู้เขียนมีโอกาสร่วมกับ ดร.ภูริชัย รุ่งเจริญกิจกุล ที่ปัจจุบันดำรงตำแหน่ง Principal Economist ที่ Bank for International Settlements (BIS) นำเสนอบทความ เศรษฐกิจจริงอิงการเงิน: โตไปใช่ว่าดี? ^[i] ในงานสัมมนาวิชาการประจำปีของธนาคารแห่งประเทศไทย โดยข้อค้นพบหลัก คือ การแข่งขันที่เข้มข้นระหว่างธนาคารสามารถผลักดันให้ตลาดสินเชื่อเข้าสู่ดุลยภาพ Credit Boom ที่ปริมาณสินเชื่อมีมากเกินไป และต้นทุนของสินเชื่อถูกเกินไป จนทำให้คุณภาพเฉลี่ยของลูกหนี้ด้อยลงในที่สุด

ในวันนี้ นอกจากความสัมพันธ์ระหว่างเศรษฐกิจจริงและภาคการเงินแล้ว ตัวแปรเพิ่มเติมคือความเชื่อมโยงระหว่างภาคการเงินกับเทคโนโลยีปัญญาประดิษฐ์ AI ที่มีความสัมพันธ์ซับซ้อน โดยเม็ดเงินลงทุนโครงสร้างพื้นฐาน AI ของบริษัทเทคโนโลยีรายใหญ่ห้าแห่งของสหรัฐฯ เร่งตัวขึ้น 4 เท่า จากราว 155 พันล้านดอลลาร์สหรัฐฯ ในปี 2022 สู่ประมาณการ 755 พันล้านดอลลาร์สหรัฐฯ ในปี 2026 หรือจากร้อยละ 0.6 เป็นร้อยละ 2.4 ของ GDP สหรัฐฯ ซึ่งสูงกว่าจุดสูงสุดของการลงทุนโครงสร้างพื้นฐานโทรคมนาคมปลายทศวรรษ 1990 ที่ราวร้อยละ 1.5^[ii] ขณะที่ผลลัพธ์จากการลงทุนดังกล่าวที่จะสร้างความคุ้มค่าผ่านการยกระดับผลิตภาพรวม หรือ Total Factor Productivity จะมาจาก AI เพียงร้อยละ 0.53–0.66 ในระยะเวลาสิบปี และเมื่อรวมผลของการสะสมทุนที่ขยายตามผลิตภาพแล้ว จะยกระดับ GDP สหรัฐฯ ได้ราวร้อยละ 0.09–0.12 ต่อปี^[iii]

ช่องว่างระหว่างเม็ดเงินลงทุน กับ ผลิตภาพที่สร้างเพิ่มขึ้น ชวนให้คิดว่าเทคโนโลยีนี้คุ้มค่าสำหรับเศรษฐกิจจริงแค่ไหน แล้วภาคการเงินได้จัดสรรเงินทุนให้กับโครงการเหล่านี้อย่างไร แล้วความเสี่ยงเชิงระบบอยู่ที่ไหน งานวิจัยจาก BIS Working Papers ได้ตอบคำถามดังกล่าวผ่านการแสดงให้เห็นว่าภาคการเงินกับ AI กำลังอิงซึ่งกันและกันอยู่สามช่องทาง คือ 1) การระดมเงินลงทุน: โครงการ AI ต้องอาศัยเงินเพื่อหล่อเลี้ยงโครงการ ขณะที่ ภาคการเงินก็ต้องพึ่งพาผลตอบแทนที่ผูกกับความสำเร็จของโครงการ AI 2) การพัฒนาโครงสร้างพื้นฐาน AI: ภาคการเงินใช้บริการ AI ซึ่งกระจุกอยู่ในมือผู้เล่นไม่กี่ราย และ AI ก็พึ่งพาลูกค้าจากภาคการเงิน และ 3) กระบวนการตัดสินใจในการดำเนินธุรกิจ: AI ต้องฝังตัวในกระบวนการทำงานจริงของภาคการเงินจึงจะพิสูจน์คุณค่าทางเศรษฐกิจได้ ขณะที่ภาคการเงินเริ่มพิจารณาที่จะส่งมอบดุลยพินิจในการตัดสินใจให้กับหุ่นยนต์ การอิงซึ่งกันและกันทั้งสามช่องทางได้ถักทอสายใยที่พัวพันกันไปมา จึงทำให้ความเสี่ยงเชิงระบบเปลี่ยนไปสู่สภาพงูกินหางที่หัวไล่ตามหางของตัวเองและอยู่ได้ด้วยการเกาะเกี่ยวกันทั้งวง เมื่อ เศรษฐกิจจริง การเงิน และ AI อิงซึ่งกันและกัน

ช่องทางแรก การระดมเงินลงทุน: การแข่งขันในการพัฒนา AI จะสร้าง Credit Boom ในภาคการเงินหรือไม่ ?

งานศึกษาชิ้นแรกที่จะนำมาเล่าสู่กันฟัง คือ บทความชิ้นล่าสุดของ ดร.ภูริชัย^[iv] ใน BIS Working Papers ซึ่งได้กำหนดแบบจำลองการลงทุน AI เป็นการวิ่งแข่งเพื่อช่วงชิงตำแหน่งผู้นำในตลาด เพื่อที่ผู้ชนะจะได้กินรวบ หรือกวาดตลาดไปเกือบทั้งหมด โดยบริษัทที่ลงทุนมากและเร็วกว่ามีโอกาสสูงกว่าที่จะครองส่วนแบ่งรายได้ของทั้งอุตสาหกรรม แต่ผลตอบแทนส่วนหนึ่งคือส่วนแบ่งที่แย่งมาจากคู่แข่ง มิใช่ผลผลิตใหม่ของทั้งระบบ ดุลยภาพจึงเป็นการลงทุนเกินระดับที่เหมาะสมของสังคม โดยการศึกษาเทียบเคียงกับงบการเงินและข้อมูลการลงทุนที่เกิดขึ้นจริงและประเมินจาก Model ไว้ว่าเป็นการลงทุนสูงกว่าระดับที่เหมาะสมของสังคมโดยคิดเป็น 1.5 เท่า และอาจสูงถึง 3 เท่าหากเส้นอุปสงค์ต่อบริการ AI มีความยืดหยุ่นน้อย

การศึกษาชิ้นนี้สรุปด้วยว่า AI Boom สร้างความเปราะบางให้เกิดขึ้น ยิ่งภาคธุรกิจสร้างกำลังการผลิตมากเท่าใด ผลิตภาพที่ต้องเกิดขึ้นจริงเพื่อให้คุ้มค่าต่อการลงทุนนั้นยิ่งสูงมากขึ้น ยิ่งลงทุนสูง ความคาดหวังผลตอบแทนยิ่งสูงตาม และหากการลงทุนนั้นผิดพลาด ผลลบที่เกิดขึ้นตามมายิ่งสูง ยิ่งไปกว่านั้นการแข่งกันชิงลงมือก่อนก่อให้เกิดการระดมทุนด้วยหนี้และโครงสร้างที่เรียกกันว่า Circular Financing กล่าวคือ ผู้ให้บริการคลาวด์ถือหุ้นในบริษัทผู้พัฒนา AI แลกกับข้อตกลงในการใช้บริการการประมวลผลข้อมูลในระยะยาว สายใยไขว้ไปมาเช่นนี้จึงเร่ง AI Boom ในช่วงขาขึ้น และจะส่งผ่านความเสียหายที่รุนแรงและลึกขึ้นในช่วงขาลง หากบริษัทหนึ่งสะดุด ความเสียหายจะวิ่งผ่านงบดุลของผู้ให้ทุนไปสู่บริษัทอื่นทั้งเครือข่าย เป็นตรรกะเดียวกันกับที่แสดงในบทความเมื่อสิบสองปีก่อนว่า การเร่งขยายตลาดจะนำทั้งระบบธนาคารไปสู่ดุลยภาพเสี่ยง หากแต่เปลี่ยนจากตลาดสินเชื่อไปสู่ตลาดโครงสร้างพื้นฐาน AI

ความสัมพันธ์สองทิศทางจึงชัดเจนว่า AI อิงภาคการเงินเพื่อให้ได้เงินลงทุน ขณะที่ ภาคการเงินก็อิง AI เพื่อคาดหวังผลตอบแทน เป็นรูปแบบคลาสสิกที่ว่า ลูกหนี้พึ่งเจ้าหนี้เรื่องเงินทุน เจ้าหนี้พึ่งลูกหนี้ให้ชำระคืน

ช่องทางที่สอง การพัฒนาโครงสร้างพื้นฐาน AI: AI ที่กระจุกตัวมีผลต่อภาคการเงินในฐานะผู้ใช้งานอย่างไร ?

การที่ช่องทางแรกได้อธิบายแหล่งเงินทุนของโครงการ AI นั้น ในมุมกลับแล้ว อุปทานของ AI มาจากไหน ใครเป็นเจ้าของโครงการ บทความของ BIS Working Papers อีกชิ้นศึกษาข้อมูลบริษัทผู้ผลิต AI มูลค่าตั้งแต่ 500 ล้านดอลลาร์สหรัฐฯ ขึ้นไป และรายงานว่าการพัฒนาในระดับ Model ซึ่งเป็นหัวใจของห่วงโซ่อุปทาน AI แทบไม่ได้อยู่นอกประเทศสหรัฐฯ เลย ขณะที่สหรัฐฯ และจีนรวมกันถือครองราวร้อยละ 75 ของจำนวนบริษัททั้งหมด^[v] สอดคล้องกับข้อมูล Stanford AI Index 2024 ที่แสดงการกระจุกตัวในกระบวนการพัฒนา Model พื้นฐาน 97 จาก 163 ตัวที่เผยแพร่ช่วงปี 2019–2023 ว่าเป็นของบริษัทเพียงสี่แห่ง^[vi] และข้อสังเกตจากคณะกรรมการเสถียรภาพการเงินโลกที่ว่าสถาบันการเงินราวร้อยละ 80 พึ่งพาโครงสร้างพื้นฐาน AI จากผู้ให้บริการรายใหญ่น้อยราย^[vii]

ชุดข้อมูลที่คณะผู้วิจัยได้เผยแพร่ แสดงด้วยว่า ไทยไม่มีบริษัทผู้ผลิต AI ในเกณฑ์มูลค่าดังกล่าว เทียบกับสิงคโปร์ที่มี 11 รายและเวียดนามมีหนึ่งราย โดย Venture Capital ของไทยได้รับคะแนน 1.79 จากคะแนนเต็ม 100 เทียบกับสิงคโปร์ที่ 85.5 ซึ่งน่าสังเกตว่าปัจจัยที่มีนัยสำคัญต่อการเกิดบริษัท AI คือความลึกของตลาด Venture Capital ไม่ใช่ปริมาณสินเชื่อธนาคาร ซึ่งไทยเองถือเป็นประเทศที่ระบบการเงินนำโดยธนาคาร จึงไม่ได้มีความได้เปรียบในฐานะแหล่งเงินทุนสำหรับการพัฒนา AI และเศรษฐกิจไทยอยู่ในฐานะผู้ใช้บริการเท่านั้น

ความเสี่ยงจากการเป็นเพียงผู้ใช้บริการปรากฏให้เห็นเป็นรูปธรรมจากเหตุการณ์วันที่ 12 มิถุนายนปีนี้ ที่กระทรวงพาณิชย์สหรัฐฯ อาศัยอำนาจควบคุมการส่งออกสั่งให้ บริษัท Anthropic ระงับการเข้าถึง Model รุ่นล่าสุดสองตัว (Fable 5 และ Mythos 5) สำหรับบุคคลต่างชาติทุกคนโดยมีผลทันที หากแต่บริษัทไม่สามารถคัดกรองสัญชาติผู้ใช้แบบ Real-time ได้ จึงปิดการเข้าถึงทั้งหมดสำหรับลูกค้าทุกราย โดยคำสั่งมีผลทันทีปราศจากระยะเวลาแจ้งเตือน ก่อนที่จะกลับมาให้บริการในวันที่ 1 กรกฎาคม หลังรัฐบาลสหรัฐฯ ได้ยกเลิกคำสั่งในวันที่ 30 มิถุนายน เหตุการณ์นี้เป็นการแสดงถึงความเสี่ยงในกรณีที่บริการที่ใช้งานกันทั่วโลกหายไปในชั่วข้ามคืนด้วยเหตุผลทางภูมิรัฐศาสตร์ที่อยู่นอกเหนือการควบคุมของทั้งผู้ใช้และผู้ให้บริการ โดยจบลงด้วยดีเนื่องจากบริษัท AI เอง ปฏิบัติตามกฎหมายทันที แล้วจึงเจรจาอย่างเปิดเผยจนได้ข้อยุติภายใน 19 วัน^[viii]

ช่องทางนี้นับเป็นช่องทางที่ การเงินอิง AI ในฐานะผู้ใช้บริการอย่างเด่นชัดที่สุด แม้ผู้ให้บริการจะอิงรายได้จากลูกค้าอยู่เช่นกัน แต่ความเสี่ยงกระจายอย่างไม่สมมาตร โดยตกอยู่ที่ผู้ใช้บริการเป็นหลัก เพราะเมื่อบริการหยุดลง ฝ่ายที่เดือดร้อนทันที คือ ผู้ใช้บริการ องค์กรต่าง ๆ ที่อาศัยโครงสร้างพื้นฐาน AI จึงต้องมีแผนสำรองฉุกเฉินไว้ด้วย

ช่องทางที่สาม กระบวนการตัดสินใจในการดำเนินธุรกิจ: AI เกี่ยวข้องกับการตัดสินใจทางการเงินได้แค่ไหน ?

นอกจากเงินทุนและโครงสร้างพื้นฐานแล้ว ช่องทางที่สามมีความพิเศษเฉพาะ เพราะเกี่ยวข้องกับการดำเนินการอย่างเป็นปกติธุระของการธนาคารนั่นคือ การพิจารณาความเสี่ยงประกอบการให้สินเชื่อ ซึ่งการศึกษาอีกชิ้นของ BIS Working Papers^[ix] ใช้ข้อมูลสินเชื่อรายสัญญาของธนาคารในประเทศอิตาลีระหว่างช่วงวิกฤตโควิด-19 เปรียบเทียบพฤติกรรมของธนาคารที่ใช้ AI ในการประเมินความน่าเชื่อถือของผู้กู้กับธนาคารทั่วไป โดยพบว่า ในภาวะปกติ ธนาคารกลุ่ม AI เสนอเงื่อนไขที่ดีกว่าแก่ลูกค้าที่มีความสัมพันธ์ระยะยาว แต่เมื่อวิกฤตมาถึง ธนาคารทั่วไปที่ไม่ได้ใช้ AI กลับทำหน้าที่เป็นหลังพิงให้ผู้กู้ โดยเพิ่มปริมาณสินเชื่อราวร้อยละ 1.36 และลดดอกเบี้ยราว 9 basis points ขณะที่ธนาคารกลุ่ม AI แทบไม่เปลี่ยนพฤติกรรมจากภาวะปกติเลย

บทความดังกล่าวจึงสะท้อนว่าการใช้งาน AI ของธนาคารมีส่วนลดทอนคุณสมบัติการประกันภัยในยามวิกฤตที่เศรษฐกิจจริงต้องการสินเชื่อที่คำนึงถึงความสัมพันธ์ในระยะยาวโดยอัตโนมัติ สินเชื่อจากธนาคารที่ใช้ AI ตอบสนองต่อปัจจัยพื้นฐานรายบริษัท อาทิ ผลประกอบการ มากกว่าจะตอบสนองต่อภาวะเศรษฐกิจมหภาคหรือมูลค่าหลักประกัน คณะผู้วิจัยจึงสรุปว่าหากแนวโน้มนี้แพร่ขยายออกไปเป็นวงกว้าง ช่องทางส่งผ่านผลของอัตราดอกเบี้ยผ่านมูลค่าหลักประกันจะอ่อนแรงลง อันมีนัยต่อพลวัตของวัฏจักรสินเชื่อทั้งระบบได้

ในมุมมองของภาคเทคโนโลยีแล้ว ช่องทางนี้ แสดงถึงการที่ AI อิงการเงิน เพราะตัว Model ไม่สามารถพัฒนาต่อยอดตัวเองได้โดยปราศจากความหมายทางเศรษฐกิจ การที่ได้โอกาสเข้าไปอยู่ในสายพานกระบวนการพิจารณาสินเชื่อของธนาคารทำให้ได้เข้าถึงเนื้อข้อมูล กระบวนการทำงาน ฐานลูกค้า และผลลัพธ์ในการตัดสินใจของผู้ให้บริการ ซึ่งแม้จะกระทำในวงปิดภายในสถาบันการเงินนั้นโดยไม่ปล่อยให้ Model กลางนำเนื้อข้อมูลไป train แต่ก็ยังเป็นประโยชน์ในการแสดงผลลัพธ์เชิงประจักษ์ของการใช้งาน Model ได้อยู่ดี ในขณะเดียวกันนั้น ธนาคารก็ต้องพิจารณาว่าจะมอบดุลยพินิจในการคัดกรองธุรกรรมให้หุ่นยนต์และจัดให้มีมนุษย์ร่วมรับผิดชอบในผลนั้น ทั้งสองฝ่ายจึงปรับตัวอิงซึ่งกันและกัน

โดยสรุปแล้ว คำถามจากการศึกษาที่นำเสนอในงานสัมมนาวิชาการเมื่อสิบสองปีก่อนมีคำตอบที่ชัดเจนว่า เศรษฐกิจจริงที่อิงการเงินนั้น ย่อมจะโตไปใช่ว่าดี โดยกลไกนั้นยังนำมาประยุกต์ใช้ได้เมื่อเพิ่มตัวแปร AI เข้ามาในสมการนั่นคือ การแข่งขันที่ผลักดันให้ผู้เล่นในตลาดตัดสินใจโดยคำนึงเพียงปัจจัยของตัวเอง จะสร้างความเสี่ยงที่เกินพอดีในระบบได้ สิ่งที่ AI เพิ่มเติมเข้ามาในกลไกดังกล่าว คือ รูปแบบในการพึ่งพาแบบงูกินหาง โดย 1) ภาคการเงินให้ทุนกับผู้พัฒนา AI แล้วอาศัยผลตอบแทนจากการประกอบการนั้น 2) ภาคการเงินใช้งานโครงสร้างพื้นฐานของ AI ขณะที่ AI เติบโตได้ด้วยอุปสงค์จากการใช้บริการนั้น ตลอดจน 3) AI ถูกนำมาใช้ในกระบวนการพิจารณาสินเชื่อ ขณะที่ AI อาศัยสนามจริงของภาคการเงินในการพิสูจน์และยกระดับคุณค่า การเชื่อมโยงเป็นวงกลมจึงไม่ได้เป็นเพียงสำนวนว่า Circular แต่เป็นลักษณะที่เกิดขึ้นจริงเป็นรูปธรรม จุดอ่อนของระบบจึงไม่ได้อยู่ที่ภาคส่วนใดภาคส่วนเดียว แต่อยู่ที่ว่าความสัมพันธ์ทั้งวงจรนี้จะยังเกื้อหนุนกันไปได้อย่างราบรื่นแค่ไหน การประเมินความเสี่ยงจึงต้องดำเนินการผ่านเลนส์สามชั้น 1) ระดับมหภาคเล็งเห็นความผูกพันระหว่างผลตอบแทนของระบบการเงินกับวัฏจักรลงทุน AI 2) ระดับโครงสร้างที่มองว่าผู้เล่นแต่ละรายสัมพันธ์กันและกระจุกตัวที่ไหน และ 3) ระดับจุลภาคที่ชี้ว่าพฤติกรรมของสินเชื่อเปลี่ยนไปอย่างไรเมื่อหุ่นยนต์เข้ามามีส่วนร่วมในกระบวนการ บทเรียนจาก Credit Boom ในอดีต กับ AI Boom ในวันนี้ วนมาบรรจบกันบนฐานการประเมินความเสี่ยงว่ากำลังอยู่ ณ จุดไหน ภาคส่วนใดอิงซึ่งกันและกันกับใคร และหากจุดใดจุดหนึ่งได้รับผลกระทบแล้ว การประคับประคองให้ทั้งวงยังทรงตัวต่อไปโดยไม่สร้างความเสียหายเชิงระบบจะต้องทำอย่างไร

**บทความนี้เป็นข้อคิดเห็นส่วนบุคคลที่ทำงานร่วมกับ Gen AI และกลั่นกรองร้อยเรียงทุกถ้อยคำโดยมนุษย์
ซึ่งไม่จำเป็นต้องสอดคล้องกับข้อคิดเห็นของหน่วยงานที่ผู้เขียนสังกัด**

^{[i] Amarase, N., & Rungcharoenkitkul, P. (2014). Bank Competition and Credit Booms: Can Finance be Too Much, Too Cheap?. https://content.botlc.or.th/mm-info/BOTCollection/BOTDP/dp022014.pdf}

^{[ii] Wachter, J., & Wachter, J. (2026). What Investment Data Implies about the AI Transition (No. w35290). National Bureau of Economic Research. https://www.nber.org/papers/w35290}

^{[iii] Acemoglu, D. (2025). The simple macroeconomics of AI. Economic Policy, 40(121), 13-58. https://academic.oup.com/economicpolicy/article-abstract/40/121/13/7728473}

^{[iv] Rungcharoenkitkul, P. (2026). The AI investment race (No. 1367). Bank for International Settlements. https://www.bis.org/publ/work1367.pdf}

^{[v] Rishabh, K., & Shreeti, V. (2026). The geography of AI firms (No. 1343). Bank for International Settlements. https://www.bis.org/publ/work1343.pdf}

^{[vi] Crisanto, J. C., Leuterio, C. B., Prenio, J., & Yong, J. (2024). Regulating AI in the financial sector: recent developments and main challenges (No. 63). FSI insights on policy implementation.} https://www.bis.org/fsi/publ/insights63.pdf   

^{[vii] Financial Stability Board. (2024). The financial stability implications of artificial intelligence. Basel: Financial Stability Board. https://www.fsb.org/2024/11/the-financial-stability-implications-of-artificial-intelligence/}

^{[viii] Anthropic (2026). Statement on the US government directive to suspend access to Fable 5 and Mythos 5.  https://www.anthropic.com/news/fable-mythos-access & Anthropic (2026). Redeploying Fable 5. https://www.anthropic.com/news/redeploying-fable-5}

^{[ix] Gambacorta, L., Sabatini, F., & Schiaffi, S. (2025). Artificial intelligence and relationship lending (No. 1244). Bank for International Settlements.} https://www.bis.org/publ/work1244.pdf