AI ไม่ได้ล้มเหลวเพราะเทคโนโลยี แต่เพราะ workflow ขององค์กร
ความล้มเหลวของ AI pilot คือสถานการณ์ที่องค์กรทดลองใช้ระบบ AI ในการทำงานกับโครงการขนาดเล็กหรือช่วงทดลอง แต่ไม่สามารถสร้างผลลัพธ์ทางธุรกิจที่วัดได้ เช่น รายได้เพิ่ม ต้นทุนลด หรือคุณภาพงานดีขึ้น สาเหตุสำคัญมักไม่ใช่เพราะโมเดล AI ใช้งานไม่ได้ แต่เพราะกระบวนการทำงานที่ดี โครงสร้างพื้นฐานข้อมูล และความรับผิดชอบของคนในระบบไม่ชัดเจน ทำให้ AI เพียงเร่งข้อผิดพลาดเดิมให้วิ่งเร็วขึ้น โดยไม่มีใครรับผิดชอบหรือกลั่นกรองผลลัพธ์ก่อนนำไปใช้จริง
งานวิจัยจากสถาบันวิชาการพบว่า 95 เปอร์เซ็นต์ของโครงการ AI pilot ในองค์กรไม่สามารถแสดงผลลัพธ์ที่วัดได้ เทียบกับอัตราความล้มเหลวของโครงการไอทีทั่วไปที่ 25 เปอร์เซ็นต์ ตัวเลขนี้ไม่ได้บอกว่าเทคโนโลยีใช้ไม่ได้ แต่วิธีทำงานขององค์กรต่างหากที่ยังไม่พร้อม โดยเฉพาะเมื่อองค์กรเร่งนำ AI ไปอัตโนมัติกระบวนการที่เดิมทีมีรูรั่วอยู่แล้ว การเอา AI ลงไปใน process ที่เปราะบาง จึงกลายเป็นการเพิ่มงานผิดให้วิ่งด้วยความเร็วระดับเครื่องจักรแทนที่จะยกระดับคุณภาพงาน
ปัญหาสำคัญอยู่ที่จุดส่งต่องานระหว่าง AI กับคน Tim Mobley อธิบายว่าบริษัทส่วนใหญ่ไม่ได้มีปัญหากับ AI แต่มีปัญหากับการออกแบบ workflow และความล้มเหลวมักเกิดในช่วงที่ผลลัพธ์จาก AI ถูกส่งต่อให้คนตัดสินใจโดยไม่มีใครรับผิดชอบชัดเจน เมื่อไม่มีคำตอบว่าผลลัพธ์ที่ AI สร้างขึ้นใครเป็นคนตรวจ ใครเป็นเจ้าของ และถ้าผิดใครรับผิด องค์กรก็จะมองไม่เห็นมูลค่าจากโครงการ AI และจบลงด้วยการยุติ pilot ทั้งที่เทคโนโลยียังมีศักยภาพใช้งานต่อได้
จาก Chatbot สู่ Operational AI: ค่าที่แท้จริงอยู่ที่การลงมือทำงาน
ตลอดสองสามปีแรก กระแส AI มักถูกตัดสินที่ความสามารถในการสนทนา เขียนอีเมล สรุปรายงาน หรือเขียนโค้ด แต่คำถามที่สำคัญกว่าคือ หลังจากคำตอบปรากฏบนหน้าจอแล้ว งานเดินต่ออย่างไร ระบบ AI ในการทำงานแบบใหม่จึงขยับจาก conversational AI ไปสู่ operational AI ที่สามารถขับเคลื่อนงานผ่านกระบวนการธุรกิจจริง ตั้งแต่ค้นหาซัพพลายเออร์ เตรียมเอกสารการจัดซื้อ ประเมินข้อเสนอ ไปจนถึงส่งเรื่องให้คนที่เหมาะสมอนุมัติภายใต้สิทธิ์และกติกาชัดเจน
ข้อแตกต่างสำคัญคือ conversational AI แค่ทำให้งานรู้สึกง่ายขึ้น แต่ operational AI เปลี่ยนวิธีที่งานถูกทำให้เสร็จ ระบบที่ดีจึงต้องตอบได้ว่า workflow ไหนถูกปรับปรุงอยู่ AI ได้รับอนุญาตให้ทำ action ใดบ้าง ลูกค้าวัดผลลัพธ์อย่างไร และเมื่อข้อมูลไม่ครบหรือเกิดข้อยกเว้น ใครคือคนสุดท้ายที่ต้องรับผิดชอบ เมื่อคำถามเหล่านี้มีคำตอบชัดเจน AI จะกลายเป็นส่วนหนึ่งของระบบปฏิบัติการธุรกิจ ไม่ใช่แค่เดโมชวนว้าวที่โชว์แล้วก็เก็บเข้าตู้
ตัวอย่างในภาคปฏิบัติคือการพัฒนา agent AI สำหรับแต่ละช่วงของกระบวนการจัดซื้อ ตั้งแต่การค้นหาผู้ขาย การเตรียมเอกสารเชิญเสนอราคา การประเมินและต่อรองราคา จนถึงร่างสัญญา นี่คือแนวทาง operational AI ที่สร้างแต้มต่อระยะยาว เพราะความได้เปรียบไม่ได้มาจากการตอบคำถามเก่งที่สุด แต่มาจากความสามารถในการลงมือทำงานซ้ำๆ ให้ถูกต้อง น่าเชื่อถือ และตรวจสอบย้อนกลับได้ภายใน workflow ที่สำคัญของธุรกิจ
ก่อนพูดถึง AI ต้องพูดถึงโครงสร้างพื้นฐานข้อมูลและระบบก่อน
หลายองค์กรเริ่มต้นคุยเรื่อง AI ผิดทาง เพราะเริ่มจากคำถามว่าใช้โมเดลไหนดี ทั้งที่คำถามที่มีผลต่อความสำเร็จจริงคือ โครงสร้างพื้นฐานข้อมูล ระบบคลาวด์ ความมั่นคงปลอดภัย และการกำกับดูแลพร้อมหรือยัง การนำระบบ AI ในการทำงานเข้ามาใช้งานจำเป็นต้องวางบนโครงสร้างพื้นฐานที่มั่นคง ไม่ว่าจะเป็นโครงสร้างพื้นฐานข้อมูลที่เชื่อถือได้ ระบบคลาวด์ที่จัดการได้ดี และการบูรณาการกับระบบเดิมขององค์กร
การสำรวจฝั่งผู้ให้บริการไอทีจำนวนมากพบว่า แม้เกือบ 75 เปอร์เซ็นต์มองว่า AI เป็นหัวใจของอนาคต แต่บทสนทนาที่เกิดขึ้นจริงกลับกว้างกว่านั้น ทั้งเรื่องการทำให้โครงสร้างพื้นฐานทันสมัยโดยไม่เพิ่มความซับซ้อน การเสริมความปลอดภัย และการเตรียมองค์กรให้พร้อมใช้ AI โดยไม่ต้องรื้อทั้งหมดใหม่ เบื้องหลังคือความเข้าใจว่า คลาวด์ ความปลอดภัย ข้อมูล และ AI ไม่ใช่เส้นงบประมาณแยกส่วน แต่เป็นระบบเดียวกัน หากดึงคลาวด์ ข้อมูลและการกำกับดูแลก็ขยับตาม หากดึง AI โครงสร้างพื้นฐานข้อมูลและความปลอดภัยก็ต้องขยับด้วย
อีกด้านหนึ่ง ข้อมูลจากธุรกิจขนาดเล็กแสดงให้เห็นว่าการใช้งาน generative AI เพิ่มจาก 40 เปอร์เซ็นต์เป็น 58 เปอร์เซ็นต์ภายในปีเดียว และในกลุ่มที่ใช้ AI อยู่แล้ว 91 เปอร์เซ็นต์รายงานว่ารายได้เพิ่มอย่างวัดได้ แต่ 77 เปอร์เซ็นต์ของธุรกิจที่ยังไม่ใช้ให้เหตุผลว่า AI ไม่เกี่ยวกับธุรกิจตนเอง มุมมองนี้สะท้อนช่องว่างสำคัญ คือหลายองค์กรยังมอง AI แยกขาดจากโครงสร้างพื้นฐานข้อมูลและระบบงานหลัก ทั้งที่ความสำเร็จของ AI ขึ้นกับคุณภาพของข้อมูลและอินทิเกรชันกับระบบเดิมโดยตรง
AI เร่งงานทั้งปีให้เสร็จในสองเดือน แล้วองค์กรจะทำอะไรต่อ
เมื่อ AI ขยับจากการให้คำตอบมาสู่การลงมือทำงาน ผลกระทบที่แท้จริงคือความจุงานขององค์กรจะเปลี่ยนไปแบบก้าวกระโดด Sid Sharma จากองค์กรด้าน AI รายใหญ่ตั้งคำถามบนเวที Techsauce Global Summit ว่า หากแผนงานทั้งปีขององค์กรเสร็จภายในสองเดือน กำลังที่เพิ่มขึ้นจะถูกนำไปใช้อย่างไร คำถามนี้สะท้อนว่าการวัดผล AI แค่ชั่วโมงที่ประหยัดได้ไม่พออีกต่อไป องค์กรต้องคิดถึงโครงการใหม่ ผลิตภัณฑ์ใหม่ หรือปัญหาเก่าที่เคยติดข้อจำกัดด้านคนและเวลาว่าพร้อมจะเดินหน้าหรือยัง
ตัวอย่างการใช้ระบบ AI ในการทำงานของ Sid เองคือการใช้ Codex ร่วมกับ ChatGPT Work สร้างระบบปฏิบัติการส่วนตัวที่ทำหน้าที่คล้ายหัวหน้าคณะทำงาน ระบบนี้ตรวจข้อมูลใหม่ทุกชั่วโมง เรียงลำดับความสำคัญ ประเมินว่างานใดเดินต่อได้จากบริบทที่มี และเตรียมประเด็นที่ต้องให้เขาตัดสินใจไว้ล่วงหน้า เมื่อเปิดคอมพิวเตอร์ เขาจึงไม่ต้องเริ่มจากการไล่อ่านอีเมลและข้อความทุกช่องทาง แต่เริ่มจากงานที่สำคัญที่สุดทันที
กรอบคิดนี้ดึงองค์กรออกจากกับดัก productivity ที่มองแต่การประหยัดเวลา เพราะงานที่เสร็จเร็วขึ้นจะสร้างการเติบโตได้ก็ต่อเมื่อองค์กรนำกำลังส่วนเกินไปเปิดโครงการใหม่ ปรับผลิตภัณฑ์ หรือแก้ปัญหาที่เคยทำไม่ได้จากข้อจำกัดด้านคนและเวลา ด้วยเหตุนี้ การวางแผนกำลังคนและบทบาทงานใหม่จึงเป็นเรื่องยุทธศาสตร์ ไม่ใช่แค่การลดต้นทุนพนักงาน แต่เป็นการจัดวางให้คนทำงานที่สร้างคุณค่าเพิ่ม ในขณะที่ AI ขับเคลื่อนงานซ้ำๆ และงานหลังบ้านให้ลื่นไหล
ออกแบบ workflow และกำกับความเสี่ยง ก่อนวิ่งตาม hype ของ AI
ตัวเลขความล้มเหลวของ AI pilot ยังมีแนวโน้มสูงต่อเนื่อง งานศึกษาหนึ่งเตือนว่ามากกว่า 40 เปอร์เซ็นต์ของโครงการ agentic AI จะถูกยกเลิกภายในสิ้นปี 2027 เพราะบานปลายเรื่องต้นทุน วัดผลตอบแทนไม่ได้ และควบคุมความเสี่ยงไม่ดีพอ ช่องว่างระหว่างองค์กรแนวหน้ากับองค์กรทั่วไปยิ่งขยาย โดยมีรายงานว่าช่องว่างด้านศักยภาพการใช้ AI เพิ่มจาก 2.6 เท่าเป็น 8.3 เท่าภายในห้าเดือนเท่านั้น ข้อมูลเหล่านี้เตือนว่าใครที่ลงมือวางระบบและ workflow อย่างจริงจังวันนี้ จะทิ้งห่างคู่แข่งที่มัวแต่รอเครื่องมือสมบูรณ์แบบ
องค์กรจึงต้องเลิกหวังสูตรสำเร็จแบบ ซื้อเครื่องมือหนึ่งตัว เปิด pilot แล้วรอปาฏิหาริย์ เพราะแนวทางนี้คือเหตุผลที่ตัวเลข 95 เปอร์เซ็นต์ยังไม่ขยับ สิ่งที่ต้องทำคือเลือก workflow ที่สำคัญและซ้ำๆ มาหนึ่งชุด นิยามให้ชัดว่า AI ทำอะไรได้ ทำไม่ได้ ใครตรวจ ใครอนุมัติ และจะเก็บร่องรอยการตัดสินใจอย่างไร จากนั้นค่อยคุยเรื่องเทคโนโลยี ว่าต้องใช้อะไรต่อกับโครงสร้างพื้นฐานข้อมูลที่มีอยู่ เพื่อให้ระบบใหม่เชื่อมต่อกับระบบเดิมได้อย่างปลอดภัยและตรวจสอบได้
ระยะถัดไปของบริษัทเทคโนโลยี AI ที่ยืนระยะได้ จึงน่าจะมีหน้าตาเป็นธุรกิจที่ฝังตัวลึกใน workflow ลูกค้า บางรายขายแค่ซอฟต์แวร์ บางรายผสมซอฟต์แวร์กับบริการ ธุรกรรม หรือการส่งมอบทางกายภาพ จุดได้เปรียบจะมาจากการเป็นเจ้าของ workflow มีการอินทิเกรตกับระบบรอบข้าง ใช้ข้อมูลที่เชื่อถือได้ และทำงานได้สม่ำเสมอในสภาพจริงที่มีข้อจำกัดมากมาย มากกว่าจะชนะกันที่เดโมสวยหรือ chatbot คุยเก่งเพียงอย่างเดียว
