ทำไม AI ยังไม่พร้อมสำหรับงานที่ซับซ้อน และธุรกิจกำลังเรียนรู้อะไร

AI เก่งแค่ไหนกันแน่ นิยามใหม่ที่ผู้บริหารต้องยอมรับ

AI สำหรับงานองค์กรในปัจจุบันคือระบบที่สร้างคำตอบแบบมีความน่าจะเป็นจากข้อมูลจำนวนมาก ให้ผลลัพธ์ที่เปลี่ยนได้ทุกครั้ง แม้ใช้คำสั่งใกล้เคียงกัน ต่างจากซอฟต์แวร์ดั้งเดิมที่ออกแบบมาให้ผลลัพธ์คงที่ AI จึงเหมาะกับงานช่วยคิดและช่วยร่าง มากกว่างานที่ต้องตัดสินใจเด็ดขาดที่มีผลต่อธุรกิจและชีวิตคนโดยตรง

ปัญหาไม่ใช่ว่า AI ใช้ไม่ได้ แต่คือการเล่าเรื่องเกินจริงที่บอกว่าโมเดลพร้อมแทนมนุษย์ในทุกขั้นของงานความรู้ ความจริงคือ การศึกษาในโลกงานจริงครอบคลุม 55 อุตสาหกรรมตั้งแต่การดูแลสุขภาพ การเงิน ไปจนถึงกฎหมาย พบว่าเอเจนต์ AI ชั้นนำทำคะแนนรวมต่ำกว่า 25 เปอร์เซ็นต์ และเมื่อคัดเฉพาะงานที่ยากที่สุดซึ่งแยกมืออาชีพระดับอาวุโสกับระดับจูเนียร์ โมเดลทุกตัวทำคะแนนได้ศูนย์เต็ม ตัวเลขนี้สะท้อนข้อจำกัด AI ว่า AI ไม่ได้เป็นการทดแทนการตัดสินใจเชิงวิชาชีพ

เมื่อ automation พังในงานจริง ความล้มเหลวที่องค์กรไม่พูดถึง

ฟองอากาศ AI ทำให้หลายองค์กรเชื่อว่าเพียงโยนงานยากที่สุดให้โมเดล ทุกอย่างจะถูก automation และทีมงานจะมีเวลาเหลือ แต่ผลลัพธ์ในสนามจริงกลับตรงข้าม การทดลองจาก UC Berkeley ที่ให้เอเจนต์ AI ทำงานใน 55 อุตสาหกรรมแสดงชัดว่า ความล้มเหลว automation เกิดทันทีเมื่อโมเดลต้องรับมือกับงานที่ซับซ้อนและต้องใช้วิจารณญาณ ผลการทำงานโดยรวมต่ำกว่า 25 เปอร์เซ็นต์ และในงานระดับผู้เชี่ยวชาญคะแนนเป็นศูนย์

ข้อความสำคัญจากการศึกษานี้คือ AI ควรอยู่ในส่วนแรกของงานที่ต้องทำซ้ำ และส่วนของงานที่สร้างความตึงเครียดแต่ไม่ใช่การตัดสินใจ AI ไม่ควรอยู่ตรงกลางของงานที่ลูกค้าจ่ายเงินเพื่อให้ทำ และในตอนนี้ AI ยังไม่สามารถทำได้แม้จะพยายามก็ตาม นี่คือข้อจำกัด AI ที่ผู้บริหารต้องยอมรับ ไม่เช่นนั้นองค์กรจะเจอทั้งโครงการล้มเหลว งบประมาณบาน และความเสี่ยงด้านความน่าเชื่อถือจากการผลักภาระเกินจริงให้ automation

บทเรียนจากงานวิชาชีพ AI ช่วยได้ แต่ก็ทำให้ทักษะแบนลงได้เหมือนกัน

การศึกษาจากคณะนิติศาสตร์มหาวิทยาลัยมินนิโซตาให้ภาพที่ซับซ้อนกว่านั้น นักวิจัยออกแบบลำดับงานที่เหมือนงานกฎหมายจริง ตั้งแต่การสังเคราะห์กฎหมายจากแหล่งข้อมูลดิบ การสอบแบบปิดหนังสือ การนำกฎหมายนั้นไปใช้กับข้อเท็จจริง ไปจนถึงการแก้ไขงานของตนเอง โดยแบ่งนักศึกษากฎหมายเป็นกลุ่มที่ใช้ AI ในบางขั้นกับกลุ่มที่ใช้เฉพาะตอนท้าย

สิ่งที่น่าสนใจคือ กลุ่มที่ใช้ AI เพื่อสร้างร่างแรกกลับเข้าใจกฎหมายดีกว่ากลุ่มที่ทำเองทั้งหมดเมื่อถูกทดสอบโดยไม่มีเครื่องมือช่วย แสดงว่า AI ไม่ได้ทำลายการคิดอิสระเสมอไป แต่เมื่อทุกคนได้ใช้ AI ในขั้นตอนแก้ไขงานตอนท้าย ผลกลับพลิก นักศึกษาที่เริ่มจากผลงานอ่อนใช้ AI เพื่อยกระดับได้จริง ขณะที่คนที่เริ่มจากผลงานแข็งแรงกลับแย่ลง เพราะไม่มีโครงสร้างชัดเจนว่าควรใช้เครื่องมืออย่างไร ทักษะรวมของทั้งกลุ่มจึงแบนลงสู่ระดับกลาง บทเรียนคือ AI ควรถูกจัดลำดับให้อยู่ในช่วงงานที่ซ้ำและกดดัน แต่อย่าปล่อยให้มันเข้าไปแทนหัวใจของการตัดสินใจ

ทำไมองค์กรใหญ่เริ่มหันมาพึ่ง Forward Deployed Engineers

ในโลกธุรกิจ ผู้ให้บริการเทคโนโลยีรายใหญ่กำลังลงทุนอย่างจริงจังกับบทบาทใหม่อย่าง Forward Deployed Engineers หรือ FDE ซึ่งคือวิศวกรที่เข้าไปฝังตัวตรงกับลูกค้า ทำงานข้ามหลายทีมเพื่อค้นหา workflow ที่มีมูลค่าสูง ทำความเข้าใจข้อมูลและข้อจำกัดการปฏิบัติงานของลูกค้า แล้วสร้างการเชื่อมต่อที่จำเป็นพาโครงการจากโปรโตไทป์ไปสู่ระบบใช้งานจริง

สำหรับการนำ AI ไปใช้ งานของ FDE ไม่ใช่แค่ต่อโมเดลเข้ากับแอปพลิเคชัน แต่ต้องมองบริบทขององค์กร ข้อมูลที่โมเดลเข้าถึงได้ การประเมินความแม่นยำ ความน่าเชื่อถือ และระดับความมั่นใจที่ยอมรับได้ รวมถึงออกแบบ guardrails ขั้นตอน review และการ escalte ด้านความปลอดภัยและการเฝ้าระวัง ตลอดจนการผสานเข้ากับ workflow และกระบวนการธุรกิจที่มีอยู่ การที่องค์กรต้องพึ่งผู้เชี่ยวชาญฝังตัวแบบนี้แสดงชัดว่า AI ไม่พร้อมสำหรับการถูกเปิดใช้แบบสำเร็จรูป และต้องอาศัยการดูแลของมนุษย์ในทุกการใช้งานที่สำคัญ

จาก “automate everything” สู่ “augment with guardrails” กลยุทธ์ใหม่ขององค์กร

ความต้องการ FDE ทำให้เราเห็นสัญญาณสำคัญว่าองค์กรอยากนำระบบแบบมีความน่าจะเป็นไปใช้ในสภาพแวดล้อมการทำงานที่ต้องการผลลัพธ์แน่นอนและสม่ำเสมอ กล่าวง่ายคือ AI สามารถตอบไม่เหมือนกันทุกครั้ง ขณะที่ธุรกิจต้องการผลลัพธ์ที่คาดการณ์ได้ FDE จึงต้องแปลผลลัพธ์เหล่านั้นให้อยู่ในรูปแบบที่ธุรกิจรับได้ และประกอบบริบท การควบคุม การประเมิน และการเชื่อมต่อทุกอย่างด้วยมือ ความจริงนี้ชี้ว่า AI ไม่พร้อมให้ใช้งานเองโดยไม่พึ่งมนุษย์ และสินค้ากลุ่มนี้ยังไม่ครบถ้วนหรือใช้งานง่ายพอหากไม่มีอินพุตจากผู้เชี่ยวชาญฝั่งลูกค้า

แรงผลักจากความล้มเหลว automation ทำให้องค์กรเริ่มขยับจากแนวคิด “ทำให้หมดเป็นอัตโนมัติ” ไปสู่ “ให้ AI ช่วยเสริมพร้อมรั้วกันตก” การออกแบบระบบ AI วันนี้จึงต้องคิดถึง guardrails ขั้นตอน review และการ escalte ความเสี่ยงทุกครั้ง ไม่เช่นนั้นทุกการติดตั้ง AI จะกลายเป็นงานตามใจโปรเจกต์ ต้องอาศัยวิศวกรฝังตัวทุกครั้งและไม่สามารถขยายสเกลได้เลย บทสรุปคือ AI ควรเป็นตัวเสริมพลังให้คน ไม่ใช่ตัวแทนคน และองค์กรที่เข้าใจข้อจำกัด AI ก่อนใครจะได้เปรียบในการออกแบบงานที่ใช้ทั้งมนุษย์และเครื่องอย่างสมดุล