GenAI กำลังกลายเป็นหลุมดำงบประมาณ เพราะองค์กรยังมองผิดโจทย์
โครงการ GenAI งบบานปลายคือสถานการณ์ที่องค์กรลงทุนในโครงการปัญญาประดิษฐ์เชิงสร้างสรรค์โดยใช้งบประมาณสูงกว่าที่วางแผนไว้ เนื่องจากเลือกเทคโนโลยี สถาปัตยกรรม และโครงสร้างพื้นฐาน AI ที่ไม่สอดคล้องกับเป้าหมายทางธุรกิจ รวมถึงขาดความรู้ในการบริหารจัดการโครงการ AI ให้มีประสิทธิภาพตั้งแต่ต้นน้ำถึงปลายน้ำ ทำให้ต้นทุนสูงขึ้น ขณะที่ผลลัพธ์ทางธุรกิจไม่คุ้มกับการลงทุนที่ลงไป.
คำเตือนชัดเจนที่สุดมาจากงานวิจัยที่ระบุว่า ภายในปี 2571 อย่างน้อย 50% ของโครงการ Generative AI มีแนวโน้มใช้งบประมาณสูงกว่าที่กำหนด โดยมีสาเหตุจากการเลือกสถาปัตยกรรมที่ไม่เหมาะสม และการขาดความรู้ด้านการนำ AI ไปใช้ในระดับองค์กร ข้อเท็จจริงนี้ไม่ใช่ตัวเลขเชิงเทคนิค แต่สะท้อนว่าองค์กรจำนวนมากยังมอง GenAI เป็นเวทีทดลองมากกว่าส่วนหนึ่งของโครงสร้างธุรกิจที่ต้องถูกบริหารแบบจริงจัง ความผิดพลาดไม่ได้อยู่แค่เลือกโมเดลใหญ่เกินจำเป็น แต่คือการไม่มีกรอบคิดเรื่องประสิทธิภาพและความยั่งยืนตั้งแต่วันแรกที่ลงมือ.
งบ AI พุ่งแรง แต่ AI governance และโครงสร้างพื้นฐานยังตามไม่ทัน
ตัวเลขการลงทุนสะท้อนชัดว่าโลกธุรกิจกำลังคลั่งไคล้ AI จนแทบไม่มองเบรก ผลสำรวจด้านความพร้อมการประยุกต์ใช้ AI ในธุรกิจระบุว่า 99% ของผู้ตอบแบบสำรวจยก AI เป็นวาระสำคัญอันดับต้น ๆ และ 95% ตั้งใจจะเพิ่มงบลงทุนผลิตภัณฑ์ AI อย่างต่อเนื่อง พร้อมกันนั้น 69% วางแผนเพิ่มการใช้จ่ายด้านโครงสร้างพื้นฐานระดับรากฐาน (IaaS) มากกว่า 20% ตามด้วย PaaS 61% และ MaaS 58% เมื่อดูผ่านตัวเลข เราเห็นการเร่งลงเงินในโครงสร้างพื้นฐาน AI อย่างหนัก แต่สิ่งที่ขาดหายไปในหลายองค์กรคือกรอบกำกับดูแล AI governance องค์กรที่ชัดเจน ว่าใครตัดสินใจอะไรบนข้อมูลแบบไหน ใช้โมเดลใด ภายใต้นโยบายด้านความเป็นส่วนตัวและความปลอดภัยอย่างไร.
ผลสำรวจเดียวกันยังเผยว่า 48% ขององค์กรกังวลเรื่องความเป็นส่วนตัวและความปลอดภัยของข้อมูลมากที่สุด และ 42% มองว่าค่าใช้จ่ายในการนำ AI ไปใช้เป็นอุปสรรคสำคัญ แปลว่าแม้องค์กรพร้อมทุ่มงบในโครงสร้างพื้นฐาน AI แต่ยังไม่สามารถออกแบบโซลูชันปลายทางแบบ end-to-end ที่ปลอดภัยและควบคุมต้นทุนได้จริง ปัญหาไม่ได้อยู่ที่เทคโนโลยีไม่พร้อม หากอยู่ที่การจัดสรรทรัพยากรโดยไม่มีระบบกำกับ AI governance ที่ยึดโยงการลงทุนกับความเสี่ยงและผลลัพธ์ทางธุรกิจอย่างเป็นระบบ.
งบ GenAI พุ่ง แต่โครงสร้างพื้นฐาน AI กลายเป็นต้นทุนแฝงและภาระระยะยาว
เมื่อองค์กรย้าย AI จากห้องทดลองมาสู่ระบบงานหลัก โครงสร้างพื้นฐาน AI ก็กลายเป็นภาระระยะยาวทันที ไม่ว่าจะเป็นพลังงาน น้ำ ฮาร์ดแวร์ หรือระบบคลาวด์ที่ต้องรองรับโมเดลและข้อมูลขนาดใหญ่ งานวิจัยชี้ว่าการเร่งนำ AI มาใช้โดยไม่มีแผนมักทำให้เกิดการลงทุนเกินจำเป็น ตั้งแต่การเลือกโมเดลซับซ้อนเกินโจทย์ธุรกิจ ไปจนถึงการออกแบบระบบที่ใช้ทรัพยากรมากเกินไป ส่งผลให้ต้นทุนดำเนินงานสูงขึ้นและความยืดหยุ่นของระบบลดลง นี่คือภาพของโครงการ GenAI งบบานปลายที่เริ่มจากความตื่นเต้นทางเทคโนโลยี แต่จบลงด้วยโครงสร้างต้นทุนที่จัดการได้ยาก.
ในทางปฏิบัติ องค์กรส่วนใหญ่ใช้ AI ในงานวิเคราะห์ข้อมูลและการตัดสินใจ 66% เครื่องมือบริการลูกค้าและแชทบอท 64% การตลาดและสร้างคอนเทนต์ 58% การพัฒนาผลิตภัณฑ์และเขียนโค้ด 55% และงานทรัพยากรบุคคล 38% ทุกกรณีล้วนต้องการโครงสร้างพื้นฐานที่พร้อมทั้งด้านประสิทธิภาพและความปลอดภัย การพึ่งโครงสร้างแบบกระจัดกระจายทำให้ต้นทุนบาน ขณะที่สถาปัตยกรรม AI + Cloud แบบบูรณาการบนแสต็กเดียวได้รับความนิยมเพราะช่วยรวมศูนย์การจัดการและความปลอดภัย ลดความซับซ้อนในการติดตั้ง และให้รูปแบบการจ่ายตามการใช้งานจริง ซึ่งช่วยให้ควบคุมค่าใช้จ่ายได้ดีขึ้น.
เมื่อเงินพร้อมแต่คนไม่พร้อม: วิกฤตขาดแคลนบุคลากร AI กำลังฉุดรั้งผลลัพธ์
ด้านมืดของกระแสลงทุน AI ไม่ได้อยู่ที่เทคโนโลยี แต่อยู่ที่คน ผลสำรวจชี้ว่าองค์กรจำนวนมากเริ่มใช้ AI ในทุกระดับ ตั้งแต่โครงสร้างพื้นฐาน (IaaS) ไปจนถึงแพลตฟอร์มและโมเดล (PaaS, MaaS) แต่กลับพบว่าการขาดความเชี่ยวชาญภายในเป็นข้อจำกัดสำคัญ 37% ขององค์กรระบุว่าความรู้ด้าน AI ในทีมยังไม่พอ ขณะที่การขาดแคลนบุคลากร AI ที่มีทักษะเฉพาะกำลังกลายเป็นอุปสรรคหนักที่สุดในหลายตลาด จากผลสำรวจเดียวกัน องค์กรจำนวนมากต้องการการสนับสนุนด้านกำลังคนเป็นอันดับแรก นี่คือภาพชัดว่าความพร้อมด้านงบประมาณวิ่งแซงความพร้อมด้านคนอย่างน่ากังวล.
ปัญหาไม่ได้จำกัดแค่การไม่มี data scientist หรือวิศวกร AI เพียงพอ แต่รวมถึงการขาดผู้จัดการโครงการที่เข้าใจทั้งเทคโนโลยีและธุรกิจ การขาดผู้เชี่ยวชาญด้านความปลอดภัยข้อมูล และการไม่มีทีมวาง AI governance องค์กรที่สามารถแปลงงบลงทุนมหาศาลให้เป็นมูลค่าทางธุรกิจได้จริง คือองค์กรที่มองบุคลากร AI เป็นโครงสร้างพื้นฐานอีกชั้นหนึ่ง ไม่ใช่แค่ทรัพยากรเสริม เมื่อขาดคนที่เข้าใจการออกแบบสถาปัตยกรรมและการจัดการโครงการ GenAI งบบานปลายจึงแทบหลีกเลี่ยงไม่ได้ เพราะไม่มีใครหยุดถามว่าอะไรจำเป็นต่อผลลัพธ์ และอะไรคือความซับซ้อนที่ไม่คุ้มค่า.
เปลี่ยนจากการเร่งติดตั้ง ไปสู่ยุทธศาสตร์ AI ที่ยั่งยืนและคุมงบได้
จุดพลิกเกมอยู่ที่การกล้าเปลี่ยนจาก mindset แบบ “Scale-at-Any-Price” ไปสู่แนวคิด “Efficiency-first” หรือให้ความสำคัญกับประสิทธิภาพเป็นอันดับแรก หาก AI คือส่วนสำคัญที่ตัดออกจากธุรกิจไม่ได้อีกต่อไป องค์กรต้องเริ่มคิดเหมือนลงทุนในโครงสร้างพื้นฐานระยะยาว ไม่ใช่โครงการทดลองระยะสั้น การลงทุนในโครงสร้างพื้นฐาน AI ต้องผูกกับเป้าหมายการลดต้นทุน เพิ่มประสิทธิภาพ ขับเคลื่อนนวัตกรรม และสร้างรายได้ใหม่ ๆ อย่างชัดเจน ไม่ใช่แค่ทำเพราะกลัวตกขบวน. รายงานผลสำรวจยังชี้ว่าองค์กรจำนวนมากคาดหวังให้ AI ช่วยทั้งลดต้นทุน เพิ่มประสิทธิภาพ 63% และสร้างโอกาสใหม่ทางธุรกิจ 64% พร้อมปลดล็อกการเติบโตของรายได้ 48% และความได้เปรียบทางการแข่งขัน 45% ถ้าเป้าหมายใหญ่ขนาดนี้ การบริหารต้องละเอียดกว่าการทดลองใช้แชทบอท.
การเปลี่ยนสู่ความยั่งยืนในโครงการ GenAI เริ่มจากการตั้งคำถามที่ตรงไปตรงมาว่า โมเดลขนาดไหนเพียงพอกับโจทย์ธุรกิจจริง ๆ การลงทุนโครงสร้างพื้นฐานใดสร้างมูลค่าเพิ่ม และระดับ AI governance องค์กรใดสามารถป้องกันความเสี่ยงและควบคุมต้นทุนได้ แทนที่จะถามแค่ว่า “ทำได้ไหม” ต้องถามว่า “คุ้มไหมในระยะ 3–5 ปี” พร้อมกันนั้น องค์กรควรเร่งสร้างคนและความรู้ด้าน AI ให้ทันการลงทุน ผ่านการพัฒนาในองค์กรและจับมือกับผู้ให้บริการที่มีโซลูชัน end-to-end ที่ปลอดภัยและโปร่งใสด้านต้นทุน หากไม่เปลี่ยนเกมวันนี้ ตัวเลข 50% โครงการ GenAI งบบานปลายจะไม่ใช่คำเตือน แต่กลายเป็นค่าเฉลี่ยใหม่ที่ทุกคนต้องจ่าย.
