จากผู้ใช้สู่ผู้สร้าง AI เปลี่ยนโครงสร้างข้อมูลและคนเพื่อชิงความได้เปรียบ

จากยุคทดลองใช้สู่ยุคสร้างความเป็นอธิปไตย AI

ความเป็นอธิปไตย AI คือสภาวะที่ประเทศหรือองค์กรสามารถควบคุม ทิศทาง เทคโนโลยี ข้อมูล และบุคลากรด้านปัญญาประดิษฐ์ได้ด้วยตนเอง ครอบคลุมตั้งแต่โครงสร้างพื้นฐานการประมวลผล ระบบจัดการข้อมูล โมเดลอัลกอริทึม ไปจนถึงทักษะของคนที่ใช้และพัฒนา AI เพื่อให้การตัดสินใจสำคัญไม่ขึ้นกับผู้ให้บริการต่างชาติและสามารถออกแบบให้สอดคล้องกับบริบทสังคม วัฒนธรรม และเศรษฐกิจของตนเองอย่างยั่งยืน การเปลี่ยนผ่านจากบทบาทผู้ใช้เครื่องมือ AI ไปสู่ผู้สร้างเทคโนโลยีเองไม่ได้เป็นเพียงเป้าหมายเชิงภาพลักษณ์ แต่เป็นเรื่องดิบเถื่อนของการแข่งขันระยะยาว เมื่อยุคอินเทอร์เน็ตเรายอมให้ข้อมูล ระบบ และอัลกอริทึมไปกระจุกตัวอยู่ต่างประเทศ ผลคือโครงสร้างเศรษฐกิจใหม่ถูกออกแบบโดยคนอื่น ยุค AI มีแนวโน้มซ้ำรอยถ้าเรายังพึ่งแพลตฟอร์มภายนอกโดยไม่มีโครงสร้าง Compute Infrastructure และโมเดลของตนเอง วันนี้จึงเริ่มเห็นการพูดถึง Sovereign AI อย่างเป็นระบบ ทั้งในเวทีนโยบายที่วางกรอบ Sovereign AI and Strategic Roadmap และเวทีวิชาการที่ชี้ให้เห็นว่าความเปลี่ยนแปลงของเทคโนโลยีกำลังเขย่าโครงสร้างเศรษฐกิจและตลาดแรงงาน ทำให้ประเทศต้องเร่งเตรียมทั้ง Data Capability และ Human Capability เพื่อสร้างความยืดหยุ่นต่อวิกฤตใหม่ๆ

ThaiLLM เติมความเท่าเทียมทางภาษาและอำนาจต่อรองข้อมูล

ถ้าจะพูดถึงความเป็นอธิปไตย AI แล้วมองข้ามเรื่องภาษา ถือว่าเราปิดตาข้างหนึ่ง โลกดิจิทัลวันนี้เต็มไปด้วยอคติด้านภาษาอย่างชัดเจน ข้อมูลบนอินเทอร์เน็ตเป็นภาษาอังกฤษถึงร้อยละ 40 ขณะที่ภาษาไทยมีน้อยกว่าร้อยละ 0.4 ต่างกันมากกว่า 100 เท่า ประโยคนี้สะท้อนชัดว่าถ้าเรายังหวังให้โมเดลต่างชาติมาเข้าใจเราแทนการสร้างโมเดลที่รู้จักเราเอง ก็เท่ากับยอมรับความเหลื่อมล้ำตั้งแต่ระดับข้อมูลพื้นฐาน โครงการโมเดลภาษาขนาดใหญ่ ThaiLLM จึงไม่ใช่แค่โปรเจ็กต์เทคโนโลยี แต่เป็นการทวงสิทธิด้านภาษาและวัฒนธรรมให้กับผู้ใช้ที่พูดภาษาไทย การรวบรวมข้อมูลจากภาครัฐและเอกชนเพื่อนำมาฝึกโมเดลพื้นฐานทำให้ AI เข้าใจบริบท นิสัย และวิธีคิดที่แท้จริงของผู้คนได้ดีขึ้น การนำ ThaiLLM ไปทดลองใช้ในระบบแพทย์ เช่น การคัดกรองและประเมินความเสี่ยงผู้ป่วยภายใต้การกำกับของแพทย์ ชี้ให้เห็นว่าการมีโมเดลที่พัฒนาในประเทศช่วยเพิ่มความมั่นใจด้านความปลอดภัยข้อมูลอ่อนไหวและการต่อเนื่องของบริการ ในมุมการแข่งขัน นี่คือการเริ่มสร้างคลังความรู้ที่ไม่ไหลไปเพิ่มความฉลาดให้ระบบของคนอื่นอีกต่อไป

โครงสร้างพื้นฐาน Compute-Data-Talent: เดิมพันใหม่ขององค์กร

ในระดับองค์กร การเป็นแค่ผู้ซื้อบริการ AI ไม่เพียงพออีกต่อไป บทเรียนเริ่มชัดจากเวทีที่บรรยายหัวข้อ CP AI Transformation ซึ่งชี้ว่าเกมใหม่จะแข่งกันด้วย Compute Energy Data Center Model Token Cost Data Talent Governance และ Business Model กล่าวตรงๆ คือใครออกแบบชุดผสมระหว่างโครงสร้างพื้นฐาน ข้อมูล และคนได้คุ้มต้นทุนกว่า จะมีอำนาจต่อรองมากกว่า ต้นทุน AI ไม่ใช่เรื่องนามธรรม ทุกคำสั่งและการประมวลผลมีค่าใช้จ่ายในรูป Token และ Compute เมื่อองค์กรใช้ AI กับข้อมูลจำนวนมหาศาลค่าใช้จ่ายอาจพุ่งสูง ถ้าเพียงลองใช้แบบกระจัดกระจายโดยไม่มีสถาปัตยกรรมข้อมูลและกลยุทธ์โมเดลที่ชัด การทดลองจะกลายเป็นหลุมดูดทรัพยากรทันที ยิ่งไปกว่านั้น AI ไม่ใช่โครงการของฝ่าย IT แต่กระทบถึงกลยุทธ์ คน กระบวนการทำงาน คู่ค้า ลูกค้า และรูปแบบธุรกิจทั้งหมด เราจึงเห็นบริษัทใหญ่ตั้งศูนย์นวัตกรรมเชื่อมผู้เชี่ยวชาญจากหลายบริษัท มหาวิทยาลัย และพาร์ตเนอร์ เพื่อสร้างโครงสร้างพื้นฐานด้าน Talent ให้คนรุ่นใหม่สามารถใช้ AI สร้างโซลูชันและธุรกิจได้เอง ขณะที่ข้อมูลต้องถูกจัดการให้หลุดพ้นจากสภาพกระจัดกระจายและคนละมาตรฐานที่เป็นอุปสรรคต่อการพัฒนา AI

Data-Driven Nation ต้องเริ่มจากการแก้ไซโลและเสริมธรรมาภิบาลข้อมูล

การพูดถึง Data-Driven Nation จะกลายเป็นแค่สโลแกนถ้าเรายังปล่อยให้ข้อมูลนอนอยู่แยกชุดในหน่วยงานต่างๆ โดยไม่สามารถเชื่อมโยงอย่างปลอดภัย ตัวอย่างที่เริ่มจับต้องได้คือแพลตฟอร์ม D2 หรือ Data Integration and Intelligence Platform ที่ออกแบบมาเพื่อทลายไซโลข้อมูลภาครัฐผ่านกลไกเชื่อมโยงแบบกระจายศูนย์ โดยไม่ดึงฐานข้อมูลมาเก็บส่วนกลาง ลดความซ้ำซ้อนและความเสี่ยงจากการรวมศูนย์เกินจำเป็น การนำร่องเชื่อมต่อ 118 ชุดข้อมูลด้านภัยพิบัติจาก 52 หน่วยงานภาครัฐให้แล้วเสร็จภายในสองเดือนหลังมีระเบียบแบ่งปันข้อมูลดิจิทัล สะท้อนว่าถ้าโครงสร้างกฎหมายและเทคนิคพร้อม การเชื่อมข้อมูลเพื่อใช้กับ AI ไม่ใช่เรื่องเพ้อฝัน ที่สำคัญคือแนวคิดธรรมาภิบาลข้อมูล ไม่ใช่การล็อกทุกอย่างจนใช้ไม่ได้ แต่คือการกำหนดกรอบการแบ่งปันที่โปร่งใส ตรวจสอบได้ และเคารพสิทธิผู้ใช้ข้อมูล ภายในเวทีสัมมนาที่เน้น Human-AI Synergy มีการเน้นย้ำว่าการสร้าง Data-Driven Nation ต้องเดินด้วยสามขา คือยกระดับทุนมนุษย์ เสริมวิสัยทัศน์ด้าน AI และสร้างธรรมาภิบาล AI ควบคู่ไปกับธรรมาภิบาลข้อมูล ตั้งแต่การกำหนด Use Case การประเมินความเสี่ยง การเตรียมข้อมูล จนถึงการติดตามการทำงานของระบบ การแยกสองเรื่องนี้ออกจากกันจะทำให้เรามองข้ามความเชื่อมโยงระหว่างวิธีออกแบบข้อมูลกับผลที่ AI ตัดสินใจในชีวิตคนจริงๆ

เปลี่ยน Workflow วัฒนธรรม และบทบาทคนเพื่อให้ AI สร้างผลลัพธ์จริง

หลายองค์กรหลงเชื่อว่าตราบใดที่ทุ่มงบซื้อโมเดลและตั้งทีมทดลองใช้ AI แปลว่าตนเองกำลังทรานส์ฟอร์ม แต่ประสบการณ์เริ่มชัดว่าถ้าไม่ยอมรื้อ Workflow และวัฒนธรรมการทำงาน AI จะหยุดอยู่แค่โครงการ Pilot ที่สวยบนสไลด์และไม่สร้างรายได้ใหม่หรือช่วยลดต้นทุนอย่างมีนัยสำคัญ Generative AI ทำให้เราชินกับการสั่งให้สร้างเนื้อหาและตอบคำถาม แต่คลื่นถัดไปคือ Agentic AI ที่รับคำสั่งและทำงานได้หลายขั้นตอนต่อเนื่อง เมื่อ AI ต้องเข้าถึงข้อมูล ระบบ และไฟล์ขององค์กร ความสำคัญของธรรมาภิบาลก็เพิ่มขึ้นทันที เพราะคนและองค์กรยังต้องรับผิดชอบผลลัพธ์ ไม่สามารถผลักให้เป็นความผิดของอัลกอริทึม การออกแบบ Workflow ใหม่ต้องยอมรับว่า AI ทำงานได้ 24 ชั่วโมง ไม่ติดกรอบเวลามนุษย์ การให้บริการลูกค้า การวิเคราะห์เครดิต หรือการดำเนินงานในฟาร์มและเกษตรกรรมสามารถย้ายจากโหมดทำงานเฉพาะเวลาทำการไปเป็นโหมดต่อเนื่องตลอดวัน แต่การจะไปถึงจุดนั้นได้ต้องรวมคู่ค้าและ SME ในระบบนิเวศให้ปรับตัวพร้อมกัน มิฉะนั้นองค์กรใหญ่ที่ใช้ AI เก่งจะถูกฉุดด้วยห่วงโซ่คุณค่าที่ไม่ทันเกม สุดท้าย การเปลี่ยนผ่านที่ยั่งยืนต้องยึดหลักการเรียนรู้ตลอดชีวิต แทนที่จะมอง AI เป็นตัวแทนการลดคน เราควรเห็นว่าคนที่ทำงานร่วมกับ AI ได้จะมีศักยภาพสูงขึ้นหลายเท่า ในขณะที่คนที่ไม่ใช้ AI จะถูกทิ้งห่าง นี่คือคำเตือนที่ควรผลักให้เรายอมเปลี่ยนวัฒนธรรมจากการกลัวเทคโนโลยีไปสู่การกล้าปรับตัวบนฐานข้อมูลและธรรมาภิบาลที่รับผิดชอบ