ชัยชนะ AI ที่ดูสวยหรู อาจกำลังปิดบังความล้มเหลวลึกๆ ขององค์กร

นิยามความสำเร็จ AI แบบผิดๆ จุดเริ่มต้นของความท้าทาย

ความสำเร็จของการนำ AI ไปใช้ คือสภาวะที่องค์กรออกแบบกระบวนการ ข้อมูล และธรรมาภิบาลให้สอดคล้องกับเป้าหมายธุรกิจ จนสามารถเปลี่ยนการตัดสินใจและผลลัพธ์เชิงรายได้ ไม่ใช่แค่ติดตั้งเทคโนโลยีใหม่หรือทำให้ขั้นตอนเดิมเร็วขึ้นเพียงเล็กน้อยโดยไม่แตะโครงสร้างงานและคุณภาพข้อมูลเลย

ภาพใหญ่วันนี้คือ การนำ AI ไปใช้ เพิ่มขึ้นเกือบเต็มองค์กร แต่ผลตอบแทนกลับนิ่งสนิท รายงานหนึ่งพบว่าองค์กรใช้ AI อย่างน้อยหนึ่งฟังก์ชันจาก 88 เปอร์เซ็นต์ เพิ่มเป็น 89 เปอร์เซ็นต์ในปีถัดมา ขณะที่กลุ่มที่ได้คุณค่าในระดับองค์กรยังคงอยู่เพียง 6 เปอร์เซ็นต์เท่าเดิม นี่คือสัญญาณชัดเจนว่าความท้าทายการใช้ AI ไม่ได้อยู่ที่การขาดโครงการใหม่ แต่อยู่ที่ช่องว่างระหว่างการติดตั้งกับการสร้างคุณค่าจริง

องค์กรจำนวนมากหลงเชื่อชัยชนะเล็กๆ ในคอลเซ็นเตอร์หรือทีมเขียนโค้ด แล้วคิดว่าสามารถคัดลอกสูตรเดียวกันไปใช้กับทุกงาน ผลคือ AI ถูกนำไปแปะบนกระบวนการที่ยังไม่ได้ออกแบบเพื่อวัดผลหรือควบคุมคุณภาพ ผลลัพธ์ที่เกิดขึ้นจึงเป็นเพียงภาพสวยในสไลด์ ไม่ใช่การเปลี่ยนแปลงทางธุรกิจที่จับต้องได้

เมื่อคอลเซ็นเตอร์และโค้ดดิ้งกลายเป็นภาพลวงตาความสำเร็จ

การศึกษาเกี่ยวกับตัวอย่างความสำเร็จ AI ที่ถูกพูดถึงบ่อยที่สุดสะท้อนปัญหาอย่างดี มีการทดลองกับพนักงานซัพพอร์ตลูกค้าประมาณ 5,200 คน พบว่า AI ช่วยเพิ่มจำนวนเคสที่แก้ไขต่อชั่วโมงได้ 15 เปอร์เซ็นต์ และการทดลองกับนักพัฒนาซอฟต์แวร์ประมาณ 4,900 คน พบว่าผู้ใช้ผู้ช่วยโค้ด AI ทำงานได้มากขึ้น 26 เปอร์เซ็นต์ ตัวเลขเหล่านี้น่าประทับใจ แต่ไม่ได้แปลว่าการเติม AI เข้าไปในทุกกระบวนการจะทำให้กำไรเพิ่ม

เหตุผลคือ ทั้งคอลเซ็นเตอร์และทีมซอฟต์แวร์เป็นงานที่ถูกมาตรฐานไว้ล่วงหน้าแล้ว คอลเซ็นเตอร์ลงทุนมายาวนานกับการจัดคิว งาน ติดตามผลลัพธ์ และสะสมประวัติการสนทนา ขณะที่ทีมซอฟต์แวร์มีระบบทดสอบ การอินทิเกรตต่อเนื่อง และโค้ดรีวิว ทำให้งานใหม่ถูกตรวจสอบและแก้ไขได้เป็นระบบ AI จึงเข้าไปเพิ่มความเร็วในระบบที่พร้อมอยู่แล้ว ไม่ได้สร้างระเบียบจากความโกลาหล

ปัญหาคือผู้นำหลายคนเอาความสำเร็จแบบนี้ไปใช้เป็นแม่แบบในกระบวนการที่ไม่เคยถูกออกแบบรอบผลลัพธ์ชัดเจน เช่น งานเอกสารสินเชื่อธุรกิจขนาดเล็ก ที่แม้ AI จะช่วยอ่านเอกสารได้เร็วขึ้นสองวัน แต่ถ้าไฟล์ยังต้องรอการส่งต่อระหว่างฝ่ายขาย เครดิต คอมพลายแอนซ์ และปฏิบัติการ ลูกค้าก็ไม่ได้รู้สึกว่าบริการเร็วขึ้นเลย ความท้าทายการใช้ AI จึงอยู่ที่การกล้ารื้อกระบวนการ ไม่ใช่แค่เพิ่มเครื่องมือ

คุณภาพข้อมูล AI สำคัญกว่าระบบอัตโนมัติที่ดูฉลาด

หลายองค์กรดีใจที่ระบบอย่าง CRM อัปเดตตัวเองได้ เพราะช่วยเก็บอีเมล โทรศัพท์ และกิจกรรมลูกค้าโดยไม่ต้องให้ทีมขายกรอกข้อมูลทุกอย่างเอง ระบบแบบนี้ช่วยลดประวัติที่หายไปและเพิ่มมุมมองเส้นทางลูกค้าให้ AI ใช้ แต่ความเสี่ยงคือ ระบบอาจกลายเป็นปัจจุบันเร็วขึ้นโดยไม่ได้ถูกต้องเร็วขึ้นเลย

ตัวอย่างเช่น อีเมลถูกบันทึกทันทีแต่ตีความผิด การประชุมถูกซิงก์ครบแต่การตีความดีลยังล้าสมัย หรือข้อมูลมูลค่าทรัพย์สินแสดงค่าปัจจุบันในขณะที่นโยบายที่ให้ความหมายกับตัวเลขนั้นถูกเปลี่ยนไปแล้ว ต่อให้การเก็บข้อมูลอัตโนมัติช่วยลดช่วงเวลาระหว่างเหตุการณ์กับการบันทึก แต่มันไม่เคยทำให้ความล่าช้ากลายเป็นศูนย์ ที่สำคัญกว่านั้นคือความหมายทางธุรกิจที่ซ่อนอยู่หลังตัวเลข

ในโลกของ AI ข้อมูลคือสกุลเงิน ผู้ให้บริการข้อมูลรายใหญ่รายหนึ่งย้ำว่า ลูกค้าต้องการความแม่นยำ การอ้างอิง และการตรวจสอบย้อนกลับได้ถึงต้นทาง เพราะหากคุณภาพข้อมูล AI ต่ำ ความเสี่ยง AI ธุรกิจก็พุ่งสูงทันที ระบบ CRM ที่ดีจึงต้องรู้ไม่ใช่แค่ว่าอะไรเปลี่ยนล่าสุด แต่ต้องรู้ว่าเหตุการณ์เกิดเมื่อไร หลักฐานถูกเก็บเมื่อไร ถูกตีความเมื่อไร และนโยบายใดกำกับการตัดสินใจครั้งนั้น นี่คือจุดที่องค์กรส่วนใหญ่ยังไม่ลงทุนพอ

อุตสาหกรรมกำกับเข้ม: กดดันให้รีบใช้ AI แต่เสี่ยงแอบซ่อน

ในอุตสาหกรรมที่ถูกกำกับเข้ม อย่างสถาบันการเงินและข้อมูลตลาด ความท้าทายการใช้ AI ยิ่งชัด ผู้อำนวยการเทคโนโลยีของธนาคารรายใหญ่คนหนึ่งยอมรับว่า หนึ่งในข้อผิดพลาดที่พบได้บ่อยที่สุดคือการรีบหยิบ AI มาใช้ก่อนทั้งที่โมเดลเชิงกฎแบบเดิมก็เพียงพอแล้ว แต่ในขณะเดียวกัน ธนาคารเดียวกันก็วางแผนเพิ่มงบ AI เป็นสองเท่าในปีหน้า แสดงให้เห็นแรงกดดันให้ต้องเดินหน้าอย่างรวดเร็ว

สิ่งที่น่าสนใจคือทุกโครงการ AI ของธนาคารนี้ต้องผ่านการทบทวนตามหลักเสี่ยง 16 ด้าน ครอบคลุมความเป็นส่วนตัว อคติ ผลกระทบต่อแรงงาน และทรัพย์สินทางปัญญา พวกเขายังเริ่มจากสิ่งที่ลูกค้าต้องการและทำบัญชีรายการกระบวนการทีละขั้น เพื่อดูว่าส่วนไหนควรใช้ AI และส่วนไหนใช้กติกาเชิงกำหนดหรือแอปมือถือธรรมดาจะดีกว่า นี่คือแบบอย่างของธรรมาภิบาลที่หลายองค์กรยังมองข้าม

อีกด้านหนึ่ง ผู้ให้บริการข้อมูลรายใหญ่ที่ให้บริการลูกค้ากว่า 60,000 รายในหลากหลายระดับการนำ AI ไปใช้ เลือกลงทุนในบริษัท AI ตั้งแต่ปี 2018 และนำเทคโนโลยีนั้นมาอยู่ศูนย์กลางธุรกิจ กลยุทธ์นี้แสดงให้เห็นว่าการได้เปรียบไม่ใช่การรีบใช้ AI ก่อนคนอื่นอย่างเลื่อนลอย แต่คือการวางโครงธรรมาภิบาลและสถาปัตยกรรมข้อมูลตั้งแต่เนิ่นๆ เพื่อลดความเสี่ยง AI ธุรกิจ ที่จะระเบิดทีหลัง

สูตรจริงของการเติบโตด้วย AI: กระบวนการแข็งแรง + ข้อมูลถูกต้อง

แม้องค์กรจำนวนมากพยายามย้ำว่าเป็นผู้ใช้ AI รายแรก ผู้นำยังคงเข้าใจผิดระหว่างการใช้เครื่องมือกับการเปลี่ยนงานจริง หลายคนปรับแรงจูงใจ จัดการการเปลี่ยนแปลง และเสริมฐานข้อมูล แต่ช่องว่างคุณค่าก็ยังอยู่ เพราะยังคิดว่าความสำเร็จบางกรณีเป็นสูตรใช้ได้ทุกที่ จากนั้นจึงพยักหน้าให้เดโม AI โดยไม่ถามเลยว่าหลังเดโม กระบวนการทำงานจะเปลี่ยนตรงไหน

หลักฐานจากงานวิจัยหนึ่งชี้ว่า ในองค์กรที่ยังอยู่ช่วงต้นของการนำ AI ไปใช้ กลุ่มที่ออกแบบเวิร์กโฟลว์ใหม่ มีโอกาสรายงานคุณค่าในระดับองค์กรสูงกว่ากลุ่มที่ไม่ออกแบบใหม่ถึง 5.3 เท่า 32 เปอร์เซ็นต์ต่อ 6 เปอร์เซ็นต์ ข้อความนี้ควรกลายเป็นคำขวัญติดผนังห้องประชุมบอร์ดว่า AI ที่ไม่มีการออกแบบกระบวนการ คือการลงทุนที่เสี่ยงหลุดเปลืองโดยไม่เกิดผล

ในโลกของ CRM แนวคิดเรื่องนาฬิกาสี่เรือนสำหรับเวลาเหตุการณ์ เวลาเก็บหลักฐาน เวลาตีความ และเวลานโยบาย ชี้ให้เห็นว่าสถานะของข้อมูลไม่ได้วัดจากเวลาที่ระบบอัปเดตครั้งสุดท้ายเท่านั้น แต่ต้องดูว่าใครกำลังใช้ข้อมูลนั้นตัดสินใจ และในบริบทนโยบายใด ธุรกิจควรตั้งงบความสดใหม่ของบริบทตามผลกระทบ ความสามารถในการย้อนกลับ และพฤติกรรมการอัปเดต เมื่อผูกสิ่งนี้เข้ากับเวิร์กโฟลว์ที่ชัดเจน AI จึงจะกลายเป็นเครื่องยนต์การเติบโต ไม่ใช่เพียงของเล่นใหม่ของผู้บริหาร