AI ในองค์กรไม่ใช่โปรเจกต์ทดลอง แต่คือเกมรากฐานข้อมูล
กลยุทธ์ AI implementation strategy ในองค์กร คือแนวทางการออกแบบ นำใช้ และขยายระบบปัญญาประดิษฐ์เพื่อสร้างผลลัพธ์ทางธุรกิจอย่างเป็นรูปธรรม โดยต้องเริ่มจาก enterprise data foundation ที่มีคุณภาพ ความปลอดภัย และการจัดการข้อมูลที่เป็นระบบ พร้อมผ่าน AI readiness assessment เพื่อวัดความพร้อมของคน กระบวนการ และเทคโนโลยี แล้วจึงค่อยเดินหน้าสู่ business transformation AI อย่างเป็นขั้นเป็นตอน ไม่มอง AI เป็นเพียงเครื่องมือทดลองระยะสั้นแต่เป็นการเปลี่ยนวิธีคิดและวัฒนธรรมองค์กรยาวนาน เมื่อมองผ่านประสบการณ์ของ CP Group และแสนสิริ จะเห็นชัดว่าความล้มเหลวของ organizational AI adoption มักไม่ได้เกิดจาก AI ไม่เก่งพอ แต่เกิดจากองค์กรยังไม่สร้างรากฐานข้อมูลและความเข้าใจให้คนในองค์กร AI ที่เข้าไปอยู่บนข้อมูลแตกกระจาย ไม่มีมาตรฐาน และไม่มีเจ้าของชัดเจน มักจบลงด้วยโครงการนำร่องราคาแพงที่วัดผลแทบไม่ได้ ทั้งสององค์กรจึงเลือกเดินเส้นทางที่ช้ากว่าในเชิงตลาด แต่มั่นคงกว่าในเชิงโครงสร้าง
บทเรียนจากซีพี: สร้างคนและโครงสร้างก่อน แล้วค่อยให้ AI เร่งเกมธุรกิจ
สิ่งที่ซีพีทำผ่าน CP Innovation Center of Excellence และหลักสูตร CP-CoEX AI Business Accelerator รุ่นที่ 1 คือการประกาศว่าการลงทุน AI ที่แท้จริงเริ่มจากคนและโจทย์ธุรกิจ ไม่ใช่จากการซื้อเครื่องมือใหม่ ธนินท์ เจียรวนนท์ย้ำว่า “เครือเจริญโภคภัณฑ์ ต้องสร้างคนทุกระดับให้รู้จักใช้เอไอ” นี่คือการยอมรับว่า AI จะเปลี่ยนทุกส่วนขององค์กร แต่คนคือผู้ตัดสินว่าจะเปลี่ยนไปทางไหน หลักสูตรที่มีผู้เข้าอบรมจากหลายบริษัทเทคโนโลยีและอุตสาหกรรม และใช้เวลาร่วมกันพัฒนา Real Business AI Projects แสดงให้เห็นว่า enterprise data foundation และความเข้าใจข้อมูลต้องถูกออกแบบร่วมกันโดยหลายฝ่าย ตั้งแต่ภาคธุรกิจ มหาวิทยาลัย ไปจนถึงพันธมิตรเทคโนโลยี การมีโครงการในรูปแบบ accelerator ทำให้โอกาส AI ถูกแปลงจากไอเดียกระจัดกระจาย มาเป็นโปรเจกต์ที่มีขอบเขต วัตถุประสงค์ และตัวชี้วัดผลลัพธ์ชัดเจน
แสนสิริ x AWS: ไม่วิ่งตามกระแส แต่ตรวจสุขภาพข้อมูลก่อนทุกครั้ง
แนวคิดของแสนสิริต่างจากองค์กรที่แห่ลงทุนนำ AI ไปใช้แบบไม่ถามก่อนว่า “ข้อมูลพร้อมหรือยัง” บริษัทเลือกยอมรับว่าการเป็น First Mover ไม่ใช่เป้าหมาย หากรากฐานข้อมูลและการทำงานจริงยังไม่รองรับ AI readiness assessment จึงเริ่มจากการจัด workshop ร่วมกับ AWS และ Fellow Intelligence เพื่อให้พนักงานที่เชี่ยวชาญเทคโนโลยีจากหลายแผนกรู้ก่อนว่า AI ทำอะไรได้ ทำอะไรไม่ได้ คำเตือนของกวิน มโนมัยอุดมชี้ให้เห็นด้านมืดของการนำ AI ไปใช้โดยไม่คิดให้รอบคอบ บางองค์กรพบว่าต้นทุนเพิ่มขึ้นเกินกว่าประสิทธิภาพที่ได้รับ หรือกระทบเชิงลบต่อภาพลักษณ์จนผู้บริหารต้องรับผิดชอบ แสนสิริจึงใช้การทดลองผ่าน Use Cases จริงเป็นเครื่องมือคัดกรอง ว่างานไหนเหมาะกับ AI และข้อมูลใดต้องจัดระเบียบก่อน นี่คือการผูก AI implementation strategy เข้ากับการจัดการข้อมูลและความเสี่ยง ไม่ใช่กับการตลาดหรือภาพลักษณ์
เมื่อ AI กลายเป็นเกมหลายฝ่าย: จากนโยบายชาติสู่แผนองค์กร
สิ่งที่ ดร.ยศชนัน วงศ์สวัสดิ์ สะท้อนผ่านมุมมองนโยบาย AI ระดับชาติ คือการสร้างระบบนิเวศที่ครบวงจร ตั้งแต่ Data Center โครงสร้างพื้นฐานข้อมูล บุคลากร ไปจนถึงการวิจัยและใช้ AI สร้างมูลค่าเศรษฐกิจจริง นี่คือการมอง enterprise data foundation ไม่ใช่แค่เซิร์ฟเวอร์หรือระบบคลาวด์ แต่เป็นโครงสร้างความรู้และความร่วมมือระหว่างรัฐ เอกชน และสถาบันการศึกษา เมื่อเทคโนโลยี AI เปลี่ยนรุ่นภายในเวลาไม่กี่เดือน องค์กรที่ยึดติดกับเครื่องมือแทนที่จะยึดติดกับข้อมูลและคน มักปรับตัวไม่ทัน การประสานกันของหลายฝ่าย ทั้งผู้ให้บริการคลาวด์ ผู้เชี่ยวชาญ AI และทีมธุรกิจภายในองค์กร จึงไม่ใช่ทางเลือก แต่เป็นเงื่อนไขของ organizational AI adoption ที่ยั่งยืน ความเร็วในยุค “เสี้ยววินาทีทอง” จึงไม่ใช่แค่ใครเริ่มใช้ AI ก่อน แต่คือใครจัดระบบข้อมูลและคนให้พร้อมเร็วกว่า
ข้อสรุป: สร้างรากฐานข้อมูลให้แน่น แล้ว AI จะกลายเป็นตัวคูณ ไม่ใช่ตัวแปรเสี่ยง
บทเรียนจากซีพีและแสนสิริชัดเจนว่า กลยุทธ์ AI ที่เริ่มจากเทคโนโลยีแทนที่จะเริ่มจากข้อมูลและคน มักจบลงด้วยต้นทุนสูงและผลลัพธ์ต่ำ องค์กรที่เห็น AI เป็นส่วนหนึ่งของ business transformation AI ต้องกล้าตอบคำถามยากๆ ก่อนว่า ข้อมูลของเราถูกจัดหมวดหมู่แล้วหรือยัง ใครเป็นเจ้าของข้อมูล และทีมงานมีความเข้าใจมากพอที่จะออกแบบ Use Cases ที่วัดผลได้จริงหรือไม่ คำตอบขององค์กรที่พร้อมสำหรับ AI readiness assessment จึงไม่ใช่ “เรามีเครื่องมืออะไรบ้าง” แต่คือ “เรามีข้อมูลอะไร คุณภาพแค่ไหน และทีมไหนรับผิดชอบ” เมื่อรากฐานข้อมูลชัดเจน การประสานงานกับพันธมิตรอย่าง AWS หรือผู้เชี่ยวชาญภายนอกจะช่วยต่อยอดให้ AI implementation strategy เดินหน้าอย่างมั่นใจ และส่งผลต่อผลลัพธ์ทางธุรกิจมากกว่าการทดลองสั้นๆ ที่ไม่มีใครรับผิดชอบต่อเนื่อง
