ทำไมโครงสร้างดาต้าพร้อมสำคัญกว่าแข่งความเร็ว AI

ฐานดาต้าพร้อม คือเงื่อนไขก่อนพูดถึงความเร็ว AI

ฐานข้อมูล AI พร้อมหมายถึงการที่องค์กรมีโครงสร้างข้อมูลองค์กรที่เป็นระบบ มีมาตรฐานเดียวกันทั่วทั้งบริษัท มีการจัดเก็บและดูแลข้อมูลให้สะอาด เชื่อถือได้ และเข้าถึงได้อย่างปลอดภัย รวมถึงมีกระบวนการกำกับดูแลข้อมูลที่ชัดเจน เพื่อให้เครื่องมือ AI สามารถใช้ข้อมูลคุณภาพสูงเหล่านี้สร้างผลลัพธ์ทางธุรกิจที่วัดผลได้ ไม่ใช่เพียงเดโมสวยงามหรือโครงการนำร่องที่ไม่ต่อยอดสู่การใช้งานจริง

ท่ามกลางกระแสองค์กรทั่วโลกที่เร่งทำโครงการ AI บริษัทอสังหาริมทรัพย์รายใหญ่อย่างแสนสิริกลับเลือกเดินต่างทาง โดยจับมือกับ AWS จัด Workshop การนำ AI ไปใช้ตั้งแต่ต้นน้ำถึงปลายน้ำของงานประจำวันสำหรับพนักงานเทคโนโลยีหลายแผนก เพื่อขยายองค์ความรู้ด้าน AI และยกระดับประสิทธิภาพองค์กรในอนาคต จุดที่น่าสนใจคือกิจกรรมนี้ไม่ได้เริ่มที่ “เลือกเครื่องมือ AI อะไรดี” แต่เริ่มที่การทำความเข้าใจขีดความสามารถและข้อจำกัดของ AI แล้วหันกลับไปดูว่าดาต้าและกระบวนการทำงานขององค์กรพร้อมแค่ไหนสำหรับการใช้งานจริง

ไม่วิ่งตามกระแส: กลยุทธ์ AI ที่เริ่มจากความเข้าใจ ไม่ใช่ความตื่นเต้น

สองปีที่ผ่านมา AI ถูกผลักดันจากการลงทุนมหาศาลของกลุ่มบริษัทเทคโนโลยีรายใหญ่ และการเตรียมนำบริษัทอย่าง OpenAI, Anthropic และ Deepseek เข้าตลาดหลักทรัพย์ ภาพเหล่านี้ทำให้หลายองค์กรตีความว่า “ต้องรีบมีโครงการ AI เดี๋ยวจะตกขบวน” ผลคือเกิดโครงการทดลองจำนวนมากที่เน้นความเร็วมากกว่าความพร้อมของข้อมูลและคนในองค์กร ซึ่งมักจบลงแบบวัดผลไม่ได้หรือไม่สามารถขยายผลสู่การใช้งานจริงได้

ในทางกลับกัน แสนสิริประกาศชัดว่าปรัชญาของบริษัทคือสร้างความเข้าใจอย่างถ่องแท้ก่อนนำเทคโนโลยีไปใช้ และไม่จำเป็นต้องเป็นเจ้าแรกเพียงเพราะกระแส First Mover สำหรับธุรกิจอสังหาริมทรัพย์ AI ยังไม่สามารถทดแทนงานตั้งแต่ต้นน้ำถึงปลายน้ำทั้งหมด สิ่งที่บริษัทให้ความสำคัญจึงไม่ใช่การเร่งใช้ AI ให้เร็วที่สุด แต่คือการทำให้พนักงานรู้ว่า AI ทำอะไรได้ ทำอะไรไม่ได้ และงานประเภทใดที่เหมาะหรือยังไม่เหมาะกับ AI ผ่าน Workshop ที่ออกแบบจาก Use Cases จริง โดยผู้เชี่ยวชาญ Fellow Intelligence

บทเรียนจากองค์กรที่รีบ AI แต่ลืมฐานข้อมูลและการกำกับดูแล

เมื่อองค์กรวิ่งเข้าหา AI โดยไม่มีโครงสร้างข้อมูลองค์กรที่ดี การตัดสินใจมักพึ่งอารมณ์และกระแสมากกว่าข้อมูลจริง หลายบริษัทลดจำนวนพนักงานลงจำนวนมากเพื่อใช้ AI แทนแรงงานมนุษย์ แต่ต่อมากลับต้องปรับนโยบายลดการพึ่งพา AI หลังพบว่าต้นทุนที่เพิ่มขึ้นสูงกว่าประสิทธิภาพที่ได้ นั่นสะท้อนให้เห็นอย่างชัดเจนว่า AI ที่ตั้งอยู่บนข้อมูลไม่ครบ ข้อมูลสกปรก หรือไม่มีการกำกับดูแลที่ดี ไม่ได้ลดต้นทุนตามที่หวัง แถมเพิ่มความเสี่ยงด้านชื่อเสียงและความน่าเชื่อถือ

กรณีบริษัทเครื่องดื่มในเกาหลีใต้ที่ต้องออกมาขอโทษต่อสาธารณชน และมีผู้บริหารลาออกจากผลกระทบของการใช้ AI ก็เป็นตัวอย่างของการใช้เทคโนโลยีโดยขาดการควบคุมและทบทวนคุณภาพของข้อมูลที่ป้อนเข้าไป เมื่อไม่มีกรอบกำกับดูแลข้อมูลและการใช้ AI ที่รัดกุม เครื่องมือ AI สามารถขยายข้อผิดพลาดเล็ก ๆ ให้กลายเป็นวิกฤตองค์กรได้ในเวลาไม่นาน เรื่องนี้ไม่ใช่คำเตือนเชิงทฤษฎี แต่เป็นบทเรียนจริงที่ชี้ชัดว่า “AI ที่เร็วแต่ไม่มีฐานดาต้าและการกำกับดูแล คือความเสี่ยงมากกว่าความได้เปรียบ”

ทำไมการลงทุนในคนและข้อมูลจึงให้ผลยั่งยืนกว่าเร่งติดตั้งเครื่องมือ

ในการร่วมมือครั้งนี้ ทั้งแสนสิริและ AWS เลือกลงทุนด้านทักษะและข้อมูลมากกว่าการเร่งซื้อเครื่องมือใหม่ ทิพมาศ อจลากุลจาก AWS ระบุว่าการลงทุนด้านทักษะคือรากฐานสำคัญขององค์กรที่พร้อมสำหรับยุค AI และแนวทางของแสนสิริเป็นตัวอย่างชัดเจนของการใช้ AI อย่างมีประสิทธิภาพ เริ่มจากการพัฒนาศักยภาพบุคลากรและสร้างทักษะที่ใช้ได้จริง ก่อนต่อยอดสู่การขยายผลที่มีเป้าหมาย โครงการอบรมนี้ช่วยให้พนักงานไม่เพียงเข้าใจ AI แต่ยังกลับไปทบทวนวิธีจัดเก็บข้อมูลและปรับกระบวนการทำงานให้มีประสิทธิภาพมากขึ้น

เมื่อตั้งโจทย์แบบนี้ ผลที่ได้จึงไม่ใช่แค่ Use Cases สวยงามในสไลด์ แต่คือการปรับโครงสร้างข้อมูลองค์กรให้รองรับการใช้งาน AI ในระยะยาว พนักงานเรียนรู้ว่าข้อมูลคุณภาพสูงต้องหน้าตาแบบไหน การจัดเก็บที่ดีคืออะไร และการเข้าถึงข้อมูลต้องควบคู่กับความปลอดภัยและการกำกับดูแล การที่ AWS ร่วมพาองค์กรเดินจาก “การรับรู้และเข้าใจ AI” ไปสู่ “การใช้จริงในงานประจำวัน” ทำให้ AI implementation strategy ของแสนสิริไม่ใช่การวิ่งตามคู่แข่ง แต่เป็นการสร้างความพร้อมในระดับดาต้าและคน ก่อนจะขยายผลสู่เครื่องมือ AI ใด ๆ

ข้อสรุป: ก่อนถามว่าจะใช้ AI อะไร ต้องตอบให้ได้ว่าดาต้าพร้อมหรือยัง

บทเรียนจากกรณีแสนสิริ x AWS ชี้ให้เห็นภาพตรงกันว่า ความสำเร็จของ AI ไม่ได้เริ่มต้นที่การเลือกแพลตฟอร์ม แต่เริ่มต้นที่การจัดการข้อมูลและการลงทุนในคน องค์กรที่รีบลดคนและเพิ่ม AI โดยไม่มีฐานข้อมูล AI พร้อม มีแนวโน้มพบว่าโครงการไม่คุ้มต้นทุน หรือแย่กว่านั้นคือกระทบชื่อเสียงองค์กร ในทางกลับกัน องค์กรที่ใช้เวลาออกแบบโครงสร้างข้อมูลองค์กรให้ดี ปรับการจัดเก็บข้อมูลให้เป็นระบบ และสร้างความเข้าใจให้พนักงานก่อน ย่อมมีโอกาสสูงกว่าที่จะได้ ROI จาก AI ที่วัดผลได้จริง

สำหรับผู้บริหารที่กำลังวาง AI implementation strategy คำถามสำคัญจึงไม่ใช่ “เราจะใช้ AI ทำอะไรดี” แต่ต้องเริ่มที่ “ข้อมูลของเราพร้อมให้ AI ใช้หรือยัง” หากคำตอบคือ “ยังไม่แน่ใจ” นั่นคือสัญญาณว่าองค์กรควรลงทุนในการยกระดับข้อมูลคุณภาพสูงและการกำกับดูแลก่อน เราอาจใช้เวลาเพิ่มขึ้นในระยะสั้น แต่จะลดโอกาสล้มเหลวของโครงการ AI ในระยะยาว และทำให้องค์กรก้าวเข้าสู่ยุค AI อย่างมั่นคง ไม่ใช่แค่รวดเร็ว