AI Governance ไม่ใช่เรื่องเสริม แต่เป็นเบรกงบบานปลาย
AI Governance คือกรอบการกำกับดูแลการใช้ปัญญาประดิษฐ์ในองค์กร ตั้งแต่การเลือกเทคโนโลยี การดูแลข้อมูล การบริหารต้นทุน ไปจนถึงการจัดการความเสี่ยงด้านความปลอดภัยและจริยธรรม โดยมีเป้าหมายให้การลงทุน AI infrastructure ต้นทุนไม่บานปลาย สร้างผลลัพธ์ทางธุรกิจตามเป้า และลดความเสี่ยง GenAI องค์กรทั้งด้านความมั่นคงและชื่อเสียงในระยะยาว การ์ทเนอร์เตือนชัดว่า หากองค์กรยังเน้นการขยายการใช้งาน AI โดยไม่ใส่ใจกับการบริหารจัดการ AI ประสิทธิภาพ ช่องว่าง AI governance ความท้าทายจะกลายเป็นต้นตอของงบประมาณ AI โครงการที่เกินจริงและยากต่อการแก้ไขในภายหลัง คำเตือนสำคัญมาจากผลวิจัยของ Gartner ที่ระบุว่า “ภายในปี 2571 โครงการ GenAI อย่างน้อย 50% มีแนวโน้มใช้งบประมาณสูงกว่าที่วางไว้” เพราะเลือกสถาปัตยกรรมไม่เหมาะสมและขาดความรู้การใช้งานในระดับองค์กร การลงทุนจึงวิ่งเร็วกว่ากระบวนการกำกับดูแลอย่างเห็นได้ชัด ทำให้องค์กรกำลังเข้าสู่ยุคที่คำถามไม่ใช่ว่าจะใช้ AI หรือไม่ แต่จะควบคุมความเสี่ยงและต้นทุนอย่างไรให้ไม่พังทั้งงบและความเชื่อมั่น
กระแสลงทุน AI พุ่ง แต่ธรรมาภิบาลและต้นทุนโครงสร้างพื้นฐานตามไม่ทัน
เมื่องบลงทุน AI เพิ่มขึ้นอย่างต่อเนื่อง ช่องว่าง AI governance ความท้าทายจึงชัดขึ้นทุกวัน ผลสำรวจ CIO Playbook ที่ Lenovo ทำร่วมกับ IDC ชี้ว่าองค์กรในเอเชียแปซิฟิกถึง 96% มีแผนเพิ่มการลงทุนด้าน AI เฉลี่ย 15% แต่มีเพียงประมาณหนึ่งในสี่ที่มีกรอบ AI Governance ครอบคลุม นั่นหมายความว่าเงินส่วนใหญ่กำลังถูกเทลงใน AI infrastructure ต้นทุน โดยที่กลไกการกำกับดูแลกลับเดินตามหลังแบบน่าเป็นห่วง ปัญหาหลักไม่ใช่แค่จำนวนเงินที่ใช้ แต่คือความไม่ชัดเจนของวิธีใช้เงินให้คุ้มค่า เมื่อ 66% ขององค์กรในภูมิภาคกำลังนำ AI ไปใช้ทั่วทั้งองค์กรแล้ว การไม่มีกรอบงบประมาณ AI โครงการและหลักเกณฑ์ความเสี่ยง GenAI องค์กรที่ชัดเจน ทำให้การเลือกแพลตฟอร์ม โมเดล และโครงสร้างพื้นฐานกลายเป็นการลองผิดลองถูกที่มีราคาสูง ทั้งด้านพลังงาน น้ำ ฮาร์ดแวร์ และทรัพยากรอื่น ซึ่งการ์ทเนอร์เตือนว่าไม่ใช่แค่กระทบค่าใช้จ่ายไอที แต่กระทบต่อเป้าหมาย ESG และความยืดหยุ่นธุรกิจด้วย
กรณี Agentic AI และโครงสร้างพื้นฐาน: เมื่อโมเดลไม่ตรงงาน งบย่อมบาน
กรณี Agentic AI แสดงให้เห็นชัดว่าการเลือกเทคโนโลยีผิดงานคือกับดักต้นทุนของยุคใหม่ Lenovo ระบุว่า 92% ขององค์กรที่เริ่มใช้ Agentic AI พบค่าใช้จ่ายสูงกว่างบประมาณที่กำหนด เพราะ AI Agent ไม่ได้ตอบคำถามครั้งเดียวแล้วจบ แต่ต้องทำงานต่อเนื่อง ทั้งให้เหตุผล ค้นหาข้อมูล ตรวจสอบผลลัพธ์ เรียกใช้เครื่องมือ และประเมินซ้ำ งานลักษณะนี้ถ้าถูกผูกไว้กับคลาวด์ที่คิดค่าใช้จ่ายตามโทเคนต่อเนื่องในปริมาณสูง ต้นทุนก็พุ่งขึ้นเร็วอย่างหลีกเลี่ยงไม่ได้ ช่องว่าง AI governance ความท้าทายจึงไม่ได้อยู่แค่บนกระดาษนโยบาย แต่อยู่ในการขาดหลักเกณฑ์ที่ช่วยจับคู่ระหว่างงานกับสภาพแวดล้อมประมวลผลให้เหมาะสม งานที่ไม่แน่นอนหรือเกิดเป็นช่วงอาจเหมาะกับคลาวด์ แต่ถ้าเป็นงานต่อเนื่องปริมาณสูง เช่นบริการลูกค้า หรือระบบค้นหาข้อมูลแบบ Retrieval-Augmented Search การย้ายไปประมวลผลแบบ on-premises หรือ edge อาจช่วยลด AI infrastructure ต้นทุนได้มาก ถ้าองค์กรไม่มีกรอบตัดสินใจที่ชัด การเลือกใช้โมเดลใหญ่ที่สิ้นเปลืองจึงกลายเป็นความเสี่ยง GenAI องค์กรโดยตรง
การลงทุนที่วิ่งแซงทักษะ: เมื่อขาดคน ขาดโซลูชันปลอดภัย งบจะคุมไม่อยู่
อีกด้านหนึ่งที่มักถูกมองข้ามในงบประมาณ AI โครงการ คือเรื่องคนและความปลอดภัยของข้อมูล ผลสำรวจจาก Alibaba Cloud แสดงให้เห็นว่าองค์กรธุรกิจในภูมิภาคส่วนใหญ่ยกให้ AI เป็นวาระสำคัญอันดับต้น ๆ และ 95% เตรียมเพิ่มงบลงทุนด้านผลิตภัณฑ์ AI อย่างต่อเนื่อง แต่ความพร้อมของบุคลากรและโซลูชันแบบ end-to-end ที่ปลอดภัยกลับตามไม่ทัน โดยองค์กรจำนวนมากกังวลเรื่องความเป็นส่วนตัวและความปลอดภัยของข้อมูลถึง 48% และกังวลเรื่องต้นทุนการติดตั้งใช้งาน 42% ในบริบทนี้ การขาดบุคลากรที่มีทักษะด้านบริหารจัดการ AI ประสิทธิภาพ ทำให้การออกแบบสถาปัตยกรรม ระบบความปลอดภัย และกระบวนการกำกับดูแลต้องพึ่งผู้ให้บริการภายนอกหรือทีมทดลองเล็ก ๆ ส่งผลให้การตัดสินใจลงทุน AI infrastructure ต้นทุนกลายเป็นการลองผิดลองถูกที่เสี่ยงสูง องค์กรที่เร่งเทเงินไปที่ IaaS, PaaS และ MaaS โดยไม่สร้างทีมกำกับดูแลให้แข็งแรงก่อน จึงเผชิญทั้งความเสี่ยง GenAI องค์กรด้านความปลอดภัย และความเสี่ยงงบบานปลายจากการใช้เทคโนโลยีไม่ตรงโจทย์
จาก Scale-at-Any-Price สู่ Efficiency-first: กรอบธรรมาภิบาลที่องค์กรควรลงมือวันนี้
เมื่อภาพรวมชัดว่าช่องว่าง AI governance ความท้าทายคือรากของงบประมาณ AI โครงการที่บานปลาย ทางออกจึงไม่ใช่การหยุดลงทุน แต่คือการเปลี่ยนวิธีลงทุน การ์ทเนอร์เสนอให้เลิกแนวคิด Scale-at-Any-Price แล้วหันมาโฟกัส Efficiency-first โดยตั้งคำถามทุกครั้งว่าโมเดลที่เลือก การตั้งค่าโครงสร้างพื้นฐาน และวิธีใช้งานสอดคล้องกับคุณค่าทางธุรกิจและต้นทุนที่ยอมรับได้หรือไม่ การสร้างความเข้าใจเรื่อง “ประสิทธิภาพ AI” ให้กับทั้งผู้บริหาร ทีมพัฒนา และผู้ใช้งานคือจุดเริ่มต้นที่หลีกเลี่ยงไม่ได้ กรอบธรรมาภิบาลที่ใช้งานได้จริงควรเริ่มจากการจัดลำดับความสำคัญของ use case ตามมูลค่าและความเป็นไปได้ กำหนดหลักการเลือกโมเดลและสภาพแวดล้อมประมวลผลให้เหมาะกับงาน และผูกการตัดสินใจลงทุน AI infrastructure ต้นทุนเข้ากับเป้าหมาย ESG และความเสี่ยง GenAI องค์กรอย่างชัดเจน องค์กรที่สร้างกรอบเหล่านี้ก่อนจะขยายโครงสร้างพื้นฐาน AI มีโอกาสสูงกว่าจะรักษางบให้อยู่ในราง สร้างผลตอบแทนได้จริง และไม่ต้องจ่ายค่าเรียนรู้แพงเกินจำเป็นในวันหน้า
