ใช้ AI ทุกวันแต่ไม่เปลี่ยนองค์กร ช่องว่างที่กำลังย้อนศร

นิสัยใช้ AI รายวัน กับภาพใหญ่ที่องค์กรยังมองไม่เห็น

การใช้ AI ในประเทศไทยหมายถึงการที่คนทำงานและผู้ใช้ทั่วไปนำเครื่องมือปัญญาประดิษฐ์มาช่วยงานประจำวันทั้งงานเขียน สรุป วิเคราะห์ข้อมูล และบริการลูกค้า แต่การใช้ส่วนใหญ่ยังเป็นแบบกระจายตัว ใช้ตามโอกาส ไม่ได้เชื่อมเข้ากับกระบวนการทำงานอย่างเป็นระบบหรือกลยุทธ์ดิจิทัลไทยระยะยาว ส่งผลให้ประสิทธิภาพดีขึ้นในระดับบุคคล แต่ยังไม่เปลี่ยนองค์กรทั้งระบบให้ทันการแข่งขันและความเสี่ยงใหม่ที่มาจากเทคโนโลยี

ในชีวิตจริง คนจำนวนมากจำชื่อได้แค่แพลตฟอร์มดังไม่กี่ตัว พอมีรุ่นย่อยออกมาอย่าง Sol Luna Opus Haiku หรือ Flash ก็เริ่มสับสนว่าควรใช้อะไรกับงานแบบไหน ความสับสนนี้ไม่ใช่เรื่องเล็ก เพราะมันสะท้อนวัฒนธรรมการใช้ AI แบบตามกระแส มากกว่าการออกแบบให้สอดรับกับงานเฉพาะและผลลัพธ์ที่องค์กรต้องการ ช่องว่างการนำเทคโนโลยีจึงเกิดตั้งแต่จุดแรกสุด คือคนใช้เครื่องมือโดยไม่มีกรอบคิดว่ามันอยู่ตรงไหนในภาพรวมของกระบวนการทำงานและเป้าหมายธุรกิจ

บุคคลวิ่งเร็ว บริษัทเดินช้า ตัวเลขระดับโลกที่สะท้อนช่องว่าง

ประเด็นที่น่าห่วงคือ โลกเริ่มเห็นชัดแล้วว่าคนทำงานใช้ AI แล้วเร็วขึ้น แต่บริษัทส่วนใหญ่ยังไม่แปลงความเร็วนี้เป็นผลกระทบทางธุรกิจที่วัดได้ การสำรวจผู้บริหาร 1,719 คนพบว่า 44% ขององค์กรบอกว่า AI กำลังขยายทั่วทั้งองค์กร เพิ่มจาก 38% ในปีก่อน และ 80% ของคนบอกว่า AI ทำให้ตัวเองเร็วขึ้น แต่มีเพียง 37% ของบริษัทเท่านั้นที่ชี้ให้เห็นผลต่อ EBIT อย่างแท้จริง ถ้าแปลเป็นภาษาง่าย ๆ คือ บุคคลทั่วไปกำลังพุ่งไปข้างหน้า บริษัทกลับยังไม่ตามให้ทัน

สาเหตุสำคัญอยู่ที่วิธีคิดขององค์กรต่อการรับเลิก AI ในองค์กร หลายแห่งยังมองว่า “มี AI แล้ว” เท่ากับทำเครื่องหมายในขั้นตอนจัดซื้อ ถือว่าเสร็จภารกิจ ไม่ได้ลงมือออกแบบการดำเนินงานใหม่ การขยายถูกนิยามว่าเป็นงานของฝ่ายไอที มากกว่างานของผู้นำด้านปฏิบัติการ การนำไปใช้แบบนี้เป็นเพียงการแก้ปัญหาเฉพาะหน้า ไม่ได้เปลี่ยนโครงสร้างงาน จำนวนพนักงาน การปฏิบัติตามกฎระเบียบ หรือความเคยชินของทีมที่ทำกระบวนการเดิมมานาน ช่องว่างการนำเทคโนโลยีจึงกว้างขึ้นเรื่อย ๆ

ใช้โมเดลผิดงาน ต้นทุนบาน และความรู้ที่ขาดหาย

ในระดับหน้างาน การใช้ AI ในประเทศไทยมักสะดุดตรงเลือกเครื่องมือไม่ตรงกับงานจริง ทั้งที่มีคำแนะนำให้มองโมเดลเป็นชั้นงาน เช่น ชั้นทำงานทุกวันสำหรับสรุปข้อความ ร่างจดหมาย ตอบลูกค้า ชั้นคิดงานยากสำหรับวิเคราะห์เอกสารยาว วางแผน หรือเขียนโค้ดซับซ้อน และชั้นรันใกล้ตัวสำหรับข้อมูลที่ไม่ควรออกจากเครื่องอย่างงานโรงพยาบาล สำนักกฎหมาย หรือเอกสารภายในบริษัท แต่คนไทยจำนวนมากเอาชั้นแรกไปใช้กับงานชั้นสอง หรือเอาชั้นสองไปยิงงานซ้ำทั้งวัน ผลคือบางรอบได้คำตอบดี แต่บิลพองโดยไม่จำเป็น หรือใช้รุ่นราคาถูกกับงานที่ต้องแม่นยำแล้วเสียเวลาแก้ทั้งอาทิตย์

ปัญหายิ่งหนักขึ้นเมื่อภาษาไทยมีต้นทุนด้านข้อความต่างจากภาษาอังกฤษ ประโยคไทยยาว เอกสารราชการและไฟล์จาก PDF ทำให้ข้อความถูกหั่นเป็นโทเคนหนาแน่นกว่าที่ตาเห็น ผู้ใช้จำนวนมากจึงยิงไฟล์ยี่สิบหน้าเข้าไปทั้งก้อน ทั้งที่มีสระเพี้ยนและอักขระซ่อน โมเดลอ่านผิด ใช้โควตากับขยะ พอคำตอบไม่ครบก็ส่งใหม่ รอบแก้ก็เสียเครดิตอีก ช่องว่างความรู้ชัดเจนจากข้อเท็จจริงที่ว่าข่าวโมเดลใหม่มีทุกวัน แต่คู่มือใช้งานต่อ เพื่อจะเอาเอเจนต์ไปทำงานให้ถึงระดับใช้จริงยังหายาก เมื่อคนไม่อ่านข่าวและไม่ใช้เครื่องมือช่วยอย่างตัวล้างข้อความไทย ตัวนับโทเคน หรือเครื่องมือเช็กหน้าต่างบริบท ช่องว่างการนำเทคโนโลยีก็ยิ่งฝังลึกในวัฒนธรรมการทำงาน

จากทีมไอทีสู่ทั้งองค์กร กลยุทธ์ที่ยังไม่ลงมือจริง

แม้องค์กรหลายแห่งเริ่มทดลองรันโมเดลใกล้ตัวกับข้อมูลภายใน เพื่อไม่ให้ข้อมูลสำคัญออกจากเครื่อง เช่นงานโรงพยาบาล สำนักกฎหมาย หรือไฟแนนซ์ แต่การตัดสินใจมักหยุดอยู่ที่ฝ่ายเทคนิค ไม่ขยับไปเป็นกลยุทธ์ดิจิทัลไทยเต็มรูปแบบ การขยายขนาด AI ที่ทำหน้าที่เป็นเอเจนต์ไม่ได้เกี่ยวกับเทคโนโลยีอย่างเดียว แต่ต้องอาศัยความเป็นเลิศในการดำเนินงานเพื่อกลายเป็นผลกระทบทางธุรกิจที่วัดได้ นั่นหมายถึงการออกแบบเพื่อการขยายก่อนที่จะต้องการ ไม่ใช่รอให้ระบบเริ่มวุ่นวายแล้วค่อยปรับ

ในมุมผู้นำฝ่ายปฏิบัติการ งานสำคัญคือทำหน้าที่เป็นสะพานระหว่างวิสัยทัศน์และความเป็นจริง เมื่อทุกทีมมีแผนงาน AI ของตัวเอง ต้องมีคนที่มองเห็นทั้งหมดและถามว่ามันสอดคล้องกันหรือเป็นเพียงหลายเดิมพันที่วิ่งพร้อมกัน ทุกกระบวนการที่ถูกตรวจสอบสำหรับ AI จึงควรได้รับคำถามเหมือนถามพนักงานใหม่ว่า ใครเป็นเจ้าของผลลัพธ์ จะเกิดอะไรขึ้นเมื่อมันล้มเหลว และเราจะรู้ได้อย่างไรก่อนที่ลูกค้าจะรู้ หากไม่ตอบคำถามเหล่านี้อย่างตรงไปตรงมา การจัดการความเสี่ยงจะกลายเป็นการปิดเบรกแบบหวาดกลัว ทั้งที่หน้าที่จริงของมันคือทำให้ธุรกิจรอดพ้นจากการเติบโตของตนเอง

งานคนไม่หาย แต่ต้องเปลี่ยนวิธีทำ ก่อน AI จะเปลี่ยนเราแทน

เมื่อมองไปข้างหน้า การขยาย AI ในระดับการดำเนินงานจะเป็นสนามจริงของการเปลี่ยนองค์กร ผู้บริหารทั่วโลกเริ่มหันมาถามคำถามใหม่ว่า ส่วนใดของธุรกิจที่ AI ยังไม่แตะกำลังค่อย ๆ ล้าหลัง ขณะเดียวกัน การสำรวจเรื่องความเชื่อมั่นพบว่าประมาณสองในสามของผู้บริหารมองความปลอดภัยและความเสี่ยงเป็นอุปสรรคหลักต่อการขยาย AI ที่เป็นระบบเอเจนต์อย่างเต็มที่ ความกังวลนี้ถ่ายทอดลงมาสู่หน้างานในรูปความกลัวเรื่องความมั่นคงของงาน แต่หลายองค์กรกลับใช้ AI เข้าไปในชั้นบริการลูกค้า โดยไม่ลงทุนสร้างทักษะพนักงาน AI เพิ่มหรือออกแบบใหม่ให้ประสบการณ์ลูกค้าเป็นผลรวมของการตัดสินใจที่รับผิดชอบได้

เมื่อมุ่งสู่ปีต่อ ๆ ไป บริษัทที่ขยายขนาดด้วย AI ได้จริง จะไม่ใช่ผู้ที่นำมาใช้ก่อน แต่เป็นผู้ที่ค่อย ๆ ไปอย่างพอเพียงเพื่อให้เร็วขึ้น รักษาความซื่อสัตย์ต่อผลกระทบต่อผู้ใช้บริการ และทำให้กระบวนการที่ไม่โดดเด่นกลายเป็นอัตโนมัติก่อนจะตามสิ่งที่ดูน่าตื่นเต้น สำหรับคนทำงาน การตอบรับคลื่นนี้ไม่ใช่การรอให้ระบบมาแย่งงาน แต่เป็นการสร้างทักษะใหม่ ตั้งแต่การเลือกโมเดลตามชั้นงาน ไม่ใช่ตามชื่อดัง คิดต้นทุนจากงานไทยจริง ไม่ใช่เรทโปรโมชัน และมีเครื่องมือเล็ก ๆ ติดมือไว้ทำความสะอาดข้อความ นับโทเคน และเช็กความยาว ถ้าเปลี่ยนวิธีคิดจากใช้ AI เป็นครั้งคราว มาเป็นการออกแบบงานใหม่ร่วมกับมัน ช่องว่างการนำเทคโนโลยีจะกลายเป็นโอกาส ไม่ใช่กับดักที่ย้อนศรใส่องค์กรและคนทำงานเอง