เมื่อ AI เริ่มเข้าไปอยู่ในกระบวนการทำงานจริงขององค์กร ค่าใช้จ่ายตามการใช้งาน การควบคุมข้อมูล และความซับซ้อนของระบบกลายเป็นโจทย์ที่ต้องจัดการพร้อมกัน การนำเสนอทิศทางของ Nutanix ร่วมโดย Jordan Reizes, Naresh Purohit และ Noppadol Punyatipat ให้น้ำหนักกับการเชื่อม Virtualization, Hybrid Cloud, Kubernetes และ AI เข้าสู่การบริหารจัดการบนแพลตฟอร์มเดียว เพื่อให้องค์กรเลือกใช้ทรัพยากรได้เหมาะกับงาน และขยายการใช้งาน AI ได้โดยยังควบคุมต้นทุนและการเข้าถึงข้อมูลได้

Jordan Reizes รองประธานฝ่ายการตลาด ภูมิภาคเอเชียแปซิฟิกและญี่ปุ่น Nutanix นำกรณีการใช้ AI ภายใน Nutanix มาอธิบายโจทย์ต้นทุนที่บริษัทเผชิญด้วยตนเอง ทีมวิศวกรซอฟต์แวร์กว่า 2,500 คนใช้ AI รวมประมาณ 1 ล้านล้านโทเคนต่อเดือน เมื่อรูปแบบค่าบริการเปลี่ยนจากคิดตามจำนวนผู้ใช้เป็นคิดตามโทเคน ค่าใช้จ่ายเพิ่มขึ้นประมาณ 350% บริษัทจึงลงทุน 20 ล้านดอลลาร์ในโครงสร้างพื้นฐาน GPU พร้อมนำโมเดลแบบ Open-weight มารันบนระบบของตนเอง รองรับงานพัฒนาซอฟต์แวร์ตั้งแต่การเขียนโค้ด การทดสอบคุณภาพ ไปจนถึงการออกแบบส่วนติดต่อผู้ใช้

สัดส่วนการใช้งานที่ได้จากการปรับระบบครั้งนี้อยู่ที่ Open-weight Models ประมาณ 80% และ Frontier Models อีก 20% สำหรับงานที่ยังต้องใช้ความสามารถของโมเดลกลุ่มนี้ การเลือกโมเดลตามลักษณะงานจึงเป็นส่วนสำคัญของการบริหารต้นทุน โดย Nutanix ประเมินภายในว่าสามารถลดต้นทุนได้ประมาณ 50% และคาดว่าจะคืนทุนภายในหนึ่งปีเมื่อเทียบกับค่าใช้จ่ายที่ต้องจ่ายหากใช้แนวทางเดิม ตัวเลขนี้เป็นกรณีของทีมพัฒนาซอฟต์แวร์ภายในบริษัท ซึ่งมีปริมาณการใช้สูงและต่อเนื่อง ความคุ้มค่าของแต่ละองค์กรจึงต้องพิจารณาจากงานและปริมาณการใช้งานของตนเองด้วย

การมองเห็นว่าใครใช้ AI อะไร และใช้งบประมาณเท่าไร เป็นอีกเรื่องที่ Nutanix ให้ความสำคัญ Nutanix Agent Gateway ถูกวางให้เป็นจุดกลางเชื่อมเครื่องมือและข้อมูลองค์กรกับโมเดลและบริการ AI หลายรูปแบบ ช่วยติดตามการใช้ กำหนดสิทธิ์ และควบคุมค่าใช้จ่าย รวมถึงกำหนดเพดานเพื่อหยุดการใช้เมื่อถึงวงเงินที่ตั้งไว้ ประเด็นนี้เชื่อมกับปัญหาที่ฝ่ายธุรกิจอาจนำบริการ AI มาใช้เองโดยฝ่ายไอทีไม่รับรู้ ทำให้องค์กรติดตามได้ยากว่าข้อมูลถูกส่งไปที่ใด และค่าใช้จ่ายกำลังเพิ่มขึ้นจากงานส่วนไหน

ในระดับโครงสร้างพื้นฐาน แนวคิด One Platform, One Experience มุ่งลดภาระจากการมีทีมและเครื่องมือแยกกันดูแล Virtualization, Cloud, Kubernetes และ AI องค์กรสามารถพิจารณาตำแหน่งรันงานตามข้อกำหนดของข้อมูล ความเร็วในการตอบสนอง และความต้องการขยายระบบ ทั้งในศูนย์ข้อมูลของตนเอง บนคลาวด์ หรือที่ Edge ส่วนงาน AI ยังมีทางเลือกใช้ผู้ให้บริการ GPU Cloud หรือ NeoCloud เพื่อเริ่มใช้งานตามทรัพยากรที่หาได้ แนวทางนี้ให้ความสำคัญกับความต่อเนื่องในการบริหารระบบ แม้ประเภทของงานและสถานที่ประมวลผลจะหลากหลายขึ้น

นพดล ปัญญาธิปัตย์ ผู้จัดการประจำประเทศไทย Nutanix เชื่อมทิศทางดังกล่าวเข้ากับโอกาสในตลาดไทย ทั้งการปรับโครงสร้างพื้นฐานให้พร้อมรับ AI และการย้ายจากแพลตฟอร์มเดิม โดยข้อมูล Q4 FY26 ระบุว่าจำนวนลูกค้าเพิ่มขึ้น 7% และจำนวนพาร์ทเนอร์เพิ่มขึ้น 25% เมื่อเทียบกับปีก่อน การขยายการรองรับเซิร์ฟเวอร์และ External Storage จากพันธมิตรช่วยให้องค์กรมีทางเลือกใช้สินทรัพย์เดิมต่อได้ ภายใต้รายการฮาร์ดแวร์และรูปแบบการติดตั้งที่ผ่านการรับรอง ขณะที่การย้ายระบบต้องวางแผนทดสอบความเข้ากันได้ ตรวจสอบการทำงานของแอปพลิเคชัน และเตรียมแผนย้อนกลับ เพื่อให้การเปลี่ยนแพลตฟอร์มรองรับการดำเนินธุรกิจได้ต่อเนื่อง

ความร่วมมือด้าน AI ที่ประกาศเพิ่มเติมยังขยายไปถึงองค์ประกอบที่ Agentic AI ต้องใช้ในการทำงาน ตั้งแต่แผนรองรับ NVIDIA Vera CPU สำหรับงานประสานกระบวนการ เรียกใช้เครื่องมือ และจัดการข้อมูล ไปจนถึงการทำงานร่วมกับ NVIDIA OpenShell เพื่อสร้างสภาพแวดล้อมการทำงานของ Agent ที่ปลอดภัย ส่วน Supermicro ร่วมพัฒนาโซลูชัน AI สำหรับติดตั้งภายในองค์กร โดยสไลด์ระบุแผนพร้อมให้บริการต้นปี 2027 และ Netris เข้ามาเสริมระบบเครือข่ายอัตโนมัติและการแยกการใช้งานระหว่างลูกค้าหลายรายบนโครงสร้างพื้นฐาน AI เดียวกัน ทั้งหมดเชื่อมกับเป้าหมายการนำ AI เข้าสู่ระบบใช้งานจริงที่ต้องดูแลทั้งการประมวลผล ข้อมูล เครือข่าย และความปลอดภัยร่วมกัน

ทิศทางครั้งนี้ทำให้เห็นบทบาทที่ Nutanix ต้องการขยายจากฐาน Virtualization ไปสู่การบริหารระบบองค์กรที่มี AI เป็นส่วนหนึ่งของงานประจำ สำหรับองค์กรที่กำลังวางแผนลงทุน ประเด็นที่ควรนำกลับไปพิจารณาคือ งานใดคุ้มกับการรันโมเดลเอง งานใดควรใช้บริการภายนอก และระบบเดิมส่วนใดนำมาใช้ต่อได้ การตอบคำถามเหล่านี้จะช่วยให้การขยาย AI มีทั้งเหตุผลทางธุรกิจและโครงสร้างพื้นฐานที่รองรับได้จริง

Nutanix Showcases Internal AI Case Study, Reducing Costs by 50% While Preparing Enterprise Platforms for Agentic AI

As artificial intelligence becomes integral to enterprise operations, managing consumption-based costs, data control, and system complexity has become a concurrent challenge. Nutanix is addressing this by focusing on connecting virtualization, hybrid cloud, Kubernetes, and AI into a single management platform, enabling organizations to match resources to workloads and scale AI while controlling costs and data access.

The clearest example of this challenge comes from Nutanix’s internal AI adoption. The company’s 2,500 software engineers utilize approximately one trillion AI tokens monthly. When the service pricing model shifted from a per-user basis to a per-token basis, costs spiked by around 350%. Consequently, the company invested $20 million in GPU infrastructure and deployed open-weight models on its own systems to support software development tasks, ranging from coding and quality testing to user interface design.

Following this system adjustment, the usage ratio now stands at approximately 80% for open-weight models and 20% for frontier models, which are reserved for tasks requiring advanced capabilities. Selecting the right model for the specific task is a crucial component of cost management. Nutanix estimates that this approach has reduced its internal AI costs by roughly 50% and projects a return on investment within one year compared to the expenses of the previous model. The company notes that this figure reflects the high and continuous usage of its software development team, and organizations must evaluate cost-effectiveness based on their specific workloads and usage volumes.

Visibility into who is using AI, what they are using it for, and how much budget is being consumed is another priority for the company. The Nutanix Agent Gateway is positioned as a central hub connecting enterprise tools and data with various AI models and services. It helps track usage, define permissions, control costs, and set limits to halt usage once a predefined budget is reached. This addresses the issue of business units adopting AI services independently without IT oversight, which makes it difficult for organizations to track where data is sent and which tasks are driving up costs.

At the infrastructure level, the “One Platform, One Experience” concept aims to reduce the burden of having separate teams and tools manage virtualization, cloud, Kubernetes, and AI. Organizations can determine where to run workloads based on data requirements, response speed, and scalability needs—whether in their own data centers, on the cloud, or at the edge. For AI workloads, there is also the option to utilize GPU cloud or NeoCloud providers to initiate usage based on available resources. This approach emphasizes continuity in system management, even as the types of workloads and processing locations diversify.

In the Thai market, business opportunities exist both in adapting infrastructure for AI and migrating from legacy platforms. Data from Q4 FY26 indicates a 7% increase in customers and a 25% increase in partners compared to the previous year. Expanding support for servers and external storage from partners provides organizations with options to continue using existing assets under certified hardware lists and deployment models. Meanwhile, system migration requires planning for compatibility testing, application functionality checks, and fallback plans to ensure platform transitions support continuous business operations.

Recently announced AI partnerships extend to the components required for agentic AI operations. This ranges from planned support for the NVIDIA Vera CPU for orchestrating processes, calling tools, and managing data, to collaboration with NVIDIA OpenShell for creating secure agent runtime environments. Furthermore, Supermicro is co-developing an on-premises AI solution, with slides indicating planned availability in early 2027, and Netris is augmenting automated networking and tenant isolation on shared AI infrastructure. All these efforts align with the goal of bringing AI into production systems, which necessitates the integrated management of processing, data, networks, and security.

This direction highlights the role the company intends to play in expanding from a virtualization foundation to managing enterprise systems where AI is a routine component. For organizations planning investments, the key considerations include determining which workloads justify running proprietary models, which should utilize external services, and which parts of existing systems can be repurposed. Answering these questions will help ensure that AI expansion has both a solid business rationale and a viable underlying infrastructure.

#Nutanix #NutanixThailand #EnterpriseAI #AgenticAI #HybridCloud #Virtualization #Kubernetes #AIInfrastructure #AIGovernance #TelecomLover