AI readiness คืออะไร และทำไมระบบ on-premises ส่วนใหญ่ยังไม่ผ่านด่าน
โครงสร้างพื้นฐาน AI readiness หมายถึงระดับความพร้อมของระบบไอทีทั้งฮาร์ดแวร์ ซอฟต์แวร์ และสถาปัตยกรรม ที่จะรองรับเวิร์กโหลดปัญญาประดิษฐ์ที่ต้องการพลังประมวลผลสูง การเข้าถึงข้อมูลจำนวนมากอย่างปลอดภัย และการปรับเปลี่ยนเครื่องมือโมเดลได้รวดเร็ว โดยไม่ต้องรื้อระบบใหม่ทุกครั้ง การมี AI readiness จึงไม่ใช่แค่มี GPU หรือโมเดล แต่ต้องมีแพลตฟอร์มรวมศูนย์ที่เชื่อมคลาวด์ คอนเทนเนอร์ และระบบเดิมเข้าด้วยกันอย่างกลมกลืน
รายงาน Public Sector Enterprise Cloud Index ชี้ว่า 73% ของผู้นำไอทีภาครัฐยอมรับว่าโครงสร้างพื้นฐาน on-premises ของตนยังไม่พร้อมรองรับเวิร์กโหลด AI เต็มที่ นี่ไม่ใช่ตัวเลขที่สวยงาม แต่เป็นสัญญาณเตือนตรงๆ ว่าองค์กรจำนวนมากยังติดกับดักระบบเก่าที่แยกส่วน ทีมเล็ก งบจำกัด และข้อกำกับที่ผิดพลาดไม่ได้ ยิ่งมีแรงกดดันจากการเปลี่ยนแปลงเชิงบังคับ เช่น การต้องย้ายออกจากแพลตฟอร์มเสมือนเดิมภายในเดือนตุลาคม 2570 ยิ่งทำให้คำว่า AI readiness กลายเป็นโจทย์เชิงกลยุทธ์ ไม่ใช่แค่โครงการไอทีหนึ่งโปรเจกต์
ระบบ legacy และ AI ไม่ได้ขัดกัน แต่โครงสร้างพื้นฐานต่างหากที่เป็นคอขวด
มุมมองแบบเก่าว่าต้องรื้อระบบเดิมแล้วสร้างใหม่ทั้งหมดเพื่อรองรับ AI เริ่มถูกท้าทาย เพราะองค์กรจำนวนมากเริ่มเห็นคุณค่าของ mainframe และระบบ legacy มากขึ้น รายงานหนึ่งสะท้อนว่า 78% ของผู้ตัดสินใจด้านไอทีมองว่าระบบ legacy มีความสำคัญมากขึ้นเมื่อเทียบกับสองปีก่อน เหตุผลง่ายๆ คือระบบเหล่านี้สะสมข้อมูลและตรรกะธุรกิจที่ใช้ขับเคลื่อนองค์กรมาเป็นสิบปี ซึ่งกลายเป็นเชื้อเพลิงหลักให้โมเดล AI ทำงานได้จริง
เกือบครึ่งขององค์กรมองว่า mainframe และระบบ legacy คือฐานสำคัญของ AI และเป็นแหล่งข้อมูลหลักสำหรับเวิร์กโหลดเหล่านี้ ดังนั้นปัญหาไม่ใช่ตัวระบบเดิม แต่คือโครงสร้างพื้นฐานที่ไม่ยืดหยุ่นพอจะเชื่อม AI เข้ากับระบบ on-premises ที่มีอยู่ การตัดสินใจแบบ rip and replace จึงยิ่งไม่นิยม เพราะเสี่ยงสูง ใช้เวลานาน และอาจทำลายความน่าเชื่อถือของระบบที่ใช้บริการประชาชนหรือผู้ใช้ภายในมาอย่างยาวนาน
จาก rip and replace สู่การปรับปรุงระบบเก่าแบบค่อยเป็นค่อยไป
เมื่อ AI กลายเป็นแรงกดดันหลักให้ต้องปรับปรุงไอที การเลือกทางเดินจึงเปลี่ยนจากการรื้อระบบครั้งใหญ่ไปสู่การปรับปรุงระบบเก่าแบบต่อยอดมากขึ้น รายงานการปรับปรุงไอทีฉบับหนึ่งพบว่า องค์กรมากกว่าครึ่งกำลังเลือกเพิ่มประสิทธิภาพและขยายความสามารถของระบบ legacy พร้อมปรับปรุงแอปพลิเคชันในที่เดิม แทนการเปลี่ยนใหม่ทั้งก้อน แนวทางนี้ช่วยให้ยังใช้ประโยชน์จากความปลอดภัยและความน่าเชื่อถือของแพลตฟอร์มเดิมได้ ขณะเดียวกันก็ค่อยๆ ย้ายเวิร์กโหลดบางส่วนออกมาทำงานบนสภาพแวดล้อมสมัยใหม่
เบื้องหลังแนวทาง incremental นี้คือความจริงว่าการบูรณาการ AI กับระบบ on-premises นั้นซับซ้อนกว่าการเปิดใช้บริการบนคลาวด์สาธารณะหลายเท่า ปัญหาที่ถูกพูดถึงมากที่สุดคือการเชื่อม AI เข้ากับเวิร์กโฟลว์และกระบวนการธุรกิจเดิม ซึ่ง 33% ของผู้ตอบแบบสำรวจระบุว่าเป็นอุปสรรคหลัก ขณะที่อีก 28% ชี้ตรงไปที่ข้อจำกัดของโครงสร้างพื้นฐาน ถ้าไม่วางแผนให้ชัด การวิ่งตาม AI ด้วยการติดตั้งเครื่องใหม่แบบกระจัดกระจายจะยิ่งสร้างไซโลเพิ่มขึ้น ไม่ได้ลดลง
คอนเทนเนอร์คือสะพานเชื่อมระบบ legacy กับแพลตฟอร์ม AI รุ่นใหม่
ในโลกที่โมเดลภาษาและเฟรมเวิร์ก AI ถูกอัปเดตแทบทุกไม่กี่เดือน ระบบที่ผูกกับเวอร์ชันหรือ dependencies แบบตายตัวแทบอยู่ไม่ได้แล้ว นี่คือเหตุผลว่าทำไมคอนเทนเนอร์จึงกลายเป็นสะพานสำคัญระหว่างระบบ legacy และ AI รายงานภาครัฐชี้ว่าถึง 86% ของผู้นำไอทีภาครัฐเห็นว่า AI เร่งให้องค์กรใช้คอนเทนเนอร์มากขึ้น และ 83% พัฒนาแอปใหม่บนคอนเทนเนอร์แล้ว เพราะมันช่วยมัดรวม dependencies ที่เปลี่ยนเร็วของเวิร์กโหลด AI ไว้ด้วยกันได้อย่างเป็นระบบ
แนวคิดคือสร้างแพลตฟอร์มแบบรวมศูนย์ที่รองรับทั้งเวอร์ชวลแมชชีน คอนเทนเนอร์ คลาวด์ และ edge แทนการปล่อยให้ระบบแยกส่วนเป็นไซโล เมื่อ AI ไม่ใช่เวิร์กโหลดธรรมดา แต่เป็นบททดสอบทั้งแพลตฟอร์ม การมีเลเยอร์คอนเทนเนอร์ที่สอดคล้องกันบน on-premises บนคลาวด์ และในสภาพแวดล้อม edge จึงเป็นกลยุทธ์บูรณาการ AI กับระบบ on-premises ที่ทำได้จริง ไม่ใช่แค่บนกระดาษ
อนาคตของระบบ legacy และ AI คือสถาปัตยกรรมแบบกระจายศูนย์แต่กำกับได้
คำถามสำคัญที่หลายองค์กรเริ่มหันมาโฟกัสคือ เมื่อ AI แทรกตัวเข้าไปในทุกกระบวนการแล้ว ใครคุมข้อมูล และคุมอย่างไร แนวคิด distributed sovereign cloud หรือสถาปัตยกรรมคลาวด์แบบกระจายศูนย์ที่ยังอยู่ภายใต้อธิปไตยทางกฎหมายและข้อมูลเดียวกัน จึงถูกพูดถึงมากขึ้น เพราะบังคับใช้การกำกับดูแลข้อมูล การจัดการกุญแจเข้ารหัส และนโยบายเครือข่ายให้สอดคล้องกันทั้งบน on-premises คลาวด์ และ edge
80% ของผู้นำไทีจากทุกอุตสาหกรรมให้ความสำคัญกับอธิปไตยทางข้อมูลในระดับสูงหรือในฐานะเงื่อนไขจำเป็นในการเลือกโครงสร้างพื้นฐาน ขณะเดียวกัน 91% ของผู้บริหารไทีภาครัฐเชื่อว่าเครื่องมือ AI ที่อยู่นอกการกำกับสร้างความเสี่ยงต่อพันธกิจองค์กร เมื่อมองร่วมกับข้อเท็จจริงว่าองค์กรจำนวนมากกำลังผสมผสาน mainframe กับโครงสร้างพื้นฐานสมัยใหม่ และย้ายบางเวิร์กโหลดออกพร้อมอัปเดตบางส่วนบนแพลตฟอร์มเดิม ภาพอนาคตจึงชัดขึ้น ระบบ legacy จะไม่หายไป แต่จะกลายเป็นฐานข้อมูลและตรรกะสำคัญในสถาปัตยกรรมแบบกระจายที่ควบคุมได้มากขึ้น
