ทำไม 95% ของโครงการ AI องค์กรจึงไม่เห็นผลตอบแทน
ความล้มเหลวของ AI ในบริบทองค์กรคือสถานการณ์ที่การใช้งาน AI ไม่สามารถสร้างผลตอบแทนจาก AI ตามที่คาดหวัง ทั้งในมิติรายได้ ต้นทุน หรือคุณภาพการตัดสินใจ แม้องค์กรจะลงทุนในเทคโนโลยีล้ำสมัย แต่หากคุณภาพข้อมูลต่ำ ขาดความเชื่อถือ และไม่มีการกำกับดูแลที่ดี ระบบ AI เหล่านั้นจะไม่ถูกใช้งานในทางปฏิบัติ หรือสร้างความเสี่ยง AI เพิ่มขึ้นจนผู้บริหารต้องชะลอการขยายผล ในปี 2025 มีการลงทุนจำนวนมากใน AI สร้างสรรค์ แต่โครงการ NANDA ของ MIT พบว่ามีเพียง 5 เปอร์เซ็นต์จากโครงการระดับองค์กรกว่า 300 รายการที่ให้ผลตอบแทนทางการเงินที่วัดได้ ตัวเลขนี้สะท้อนว่าโจทย์หลักของการใช้งาน AI องค์กรไม่ใช่การเลือกโมเดลที่ล้ำที่สุด แต่คือการสร้างรากฐานข้อมูลที่เชื่อถือได้ และเปลี่ยนมุมมองจากการทดลองเชิงเทคนิคไปสู่ระบบผลิตจริงที่มีเป้าหมายธุรกิจชัดเจน องค์กรที่มองแค่ความเร็วในการนำ AI เข้าใช้โดยละเลยโครงสร้างข้อมูลและการกำกับดูแล จึงมักจบลงด้วยระบบที่พนักงานไม่เชื่อถือและไม่ใช้
เมื่อข้อมูลไม่น่าเชื่อถือ AI ก็กลายเป็นเครื่องขยายปัญหา
หัวใจของความล้มเหลวของ AI คือคุณภาพข้อมูลและความน่าเชื่อถือ หากข้อมูลต้นทางปนเปื้อน ช่องโหว่จะถูกขยายหลายเท่าด้วยความสามารถของโมเดลสมัยใหม่ งานวิจัยจำนวนมากชี้ตรงกันว่าองค์กรกำลังก้าวหน้าไปกับ AI ก่อนที่พวกเขาจะทำให้ข้อมูลของตนเชื่อถือได้อย่างเพียงพอ แนวคิดขยะเข้า เหตุร้ายออกจึงไม่ใช่คำเปรียบเทียบเล่นๆ อีกต่อไป เมื่อแชทบอตภายในให้คำตอบที่ดูมั่นใจแต่ผิด พนักงานจะเลิกเชื่อถือ และหันไปใช้เครื่องมือส่วนตัวที่องค์กรควบคุมไม่ได้ ส่งผลให้การใช้งาน AI องค์กรแตกเป็นหลายมาตรฐาน ในอีกด้านหนึ่ง มีตัวอย่างงานประชุมด้าน Data & AI ที่ย้ำชัดว่า หากข้อมูลขาดคุณภาพ การนำ AI ไปต่อยอดเพื่อสร้างคุณค่าทางธุรกิจก็เป็นเรื่องยาก โดยเฉพาะเมื่อโลกกำลังเข้าสู่ยุค Agentic AI ที่ระบบไม่เพียงตอบคำถาม แต่ลงมือทำงานแทนคน หากปล่อยให้ทำงานบนข้อมูลที่ผิดพลาด ผลกระทบเชิงลบจะทวีคูณทันที และกลายเป็นความเสี่ยง AI ที่ฝ่ายเทคโนโลยีต้องรับผิดในสายตาผู้บริหาร การสร้าง Data Foundation ที่ดีจึงไม่ใช่งานเบื้องหลัง แต่เป็นเกราะป้องกันความเสียหายเชิงธุรกิจโดยตรง
ระบบซับซ้อนกว่าที่คิด AI ต้องการทั้ง Data Governance และการมองภาพรวม
เมื่อโครงสร้างไอทีองค์กรขยายจากศูนย์ข้อมูล ภาระงานบนคลาวด์ ไปจนถึง API และบริการ AI ใหม่ๆ ระบบทั้งหมดจึงซับซ้อนและเชื่อมโยงกันแน่นหนา ผู้เชี่ยวชาญด้านการสังเกตการณ์ระบบเตือนว่าองค์กรควรเปลี่ยนจากการมอง AI เป็นโครงการทดลอง ไปสู่การมองเป็นระบบผลิตภัณฑ์ เพราะประสิทธิภาพไม่ขึ้นกับโมเดลเพียงอย่างเดียว แต่เกี่ยวข้องกับ Data Pipeline ความจุคลาวด์ การควบคุมความปลอดภัย และข้อมูลที่ AI เข้าถึง งานวิจัยด้านการปฏิบัติการ AI ยังพบว่าประมาณ 5 เปอร์เซ็นต์ของคำสั่งที่ส่งไปยัง AI ล้มเหลวในการใช้งานจริง และมากกว่า 60 เปอร์เซ็นต์ของข้อผิดพลาดเกิดจากข้อจำกัดด้านกำลังรองรับของระบบ ไม่ใช่ตัวโมเดล นั่นหมายความว่าความล้มเหลวของ AI ส่วนใหญ่มาจากการออกแบบระบบและการควบคุมไม่ดีพอ ไม่ใช่เพราะเทคโนโลยีไม่เก่ง การใช้งาน AI องค์กรที่เน้นปล่อยฟีเจอร์ไวแต่ไม่มีการกำหนดเป้าหมายด้านประสิทธิภาพ ความเสถียร ต้นทุน และความปลอดภัยให้ชัดจึงเสี่ยงสูงที่จะกลายเป็นภาระมากกว่าสร้างมูลค่า
จาก Data First สู่ AI ที่ใช้งานได้จริง ไม่ใช่แค่สไลด์พรีเซนต์
สัญญาณจากเวทีประชุมด้าน Data & AI ชี้ตรงกันว่า เมื่อ Frontier AI Model กลายเป็นของใช้ทั่วไป ปัจจัยที่จะสร้างความได้เปรียบทางธุรกิจต้องเริ่มจาก Data Foundation ขององค์กร นี่คือการหันกลับมาจัดการรากฐาน ตั้งแต่การลด Data Silo การตั้ง Single Source of Truth ไปจนถึง Data Governance และ FinOps เพื่อคุมทั้งคุณภาพข้อมูลและต้นทุนให้ไปในทิศทางเดียวกับกลยุทธ์ธุรกิจ ตลาดด้านการวิเคราะห์ข้อมูลยังถูกคาดการณ์ว่าจะเติบโตอย่างต่อเนื่องไปจนถึงปี 2030 แสดงว่าการลงทุนในโครงสร้างข้อมูลกำลังกลายเป็นสมรภูมิหลัก ไม่ใช่แค่ส่วนประกอบเสริมของโครงการ AI ในระดับการใช้งานจริง เริ่มเห็นตัวอย่างแพลตฟอร์มที่ทำหน้าที่เป็น AI powered Data Interface ให้ผู้บริหารใช้ภาษาทั่วไปสร้างคำสั่งวิเคราะห์และแดชบอร์ดได้ทันที โดยยังคงให้ข้อมูลและการประมวลผลอยู่ภายในสภาพแวดล้อมขององค์กร แนวทางนี้เชื่อมโลกธุรกิจกับโลกข้อมูลเข้าด้วยกัน ลดช่องว่างทักษะ และเพิ่มโอกาสที่ระบบ AI จะถูกใช้ตัดสินใจในชีวิตประจำวันอย่างต่อเนื่อง แทนที่จะเป็นเพียงเดโมในห้องประชุม
บทสรุป วัดความสำเร็จ AI จากความเชื่อใจ ไม่ใช่จากจำนวนโปรเจกต์
วันนี้การลงทุนด้าน AI และศูนย์ข้อมูล รวมถึงการเข้ามาของผู้ให้บริการคลาวด์รายใหญ่ กำลังกดดันให้องค์กรเร่งปรับระบบไอทีเพื่อรองรับเศรษฐกิจดิจิทัล แต่ตัวเลขจากงานวิจัยและเวทีปฏิบัติการต่างๆ กำลังเตือนเสียงดังว่า การเร่งใช้งาน AI โดยไม่มี Data Foundation ที่ดี ไม่มีการกำกับดูแล และไม่มีการมองภาพรวมของประสิทธิภาพ ความเสี่ยง AI และต้นทุน คือสูตรสำเร็จของความล้มเหลวของ AI ในระดับองค์กร ทิศทางถัดไปจึงไม่ใช่การเพิ่มจำนวนโครงการ AI แต่คือการลดช่องว่างความเชื่อใจระหว่างคนกับระบบ ตั้งแต่การทำให้ข้อมูลโปร่งใส ตรวจสอบได้ ไปจนถึงการออกแบบการติดตามผลอย่างต่อเนื่อง ทั้งด้านประสิทธิภาพ คุณภาพคำตอบ ต้นทุน และความปลอดภัย กฎหมายใหม่อย่าง EU AI Act ที่เริ่มกำหนดข้อกำหนดด้านความโปร่งใสและการจัดทำเอกสารสำหรับระบบความเสี่ยงสูงตั้งแต่เดือนสิงหาคม 2026 เป็นต้นไป ยิ่งตอกย้ำว่าอนาคตของการใช้งาน AI องค์กรจะถูกตัดสินจากการบริหารความเสี่ยงและความน่าเชื่อถือ มากกว่าการโชว์เทคโนโลยีที่ล้ำที่สุด
