ประเด็นสำคัญ
- การนำ AI มาใช้ในหลายแผนกไม่ได้รับประกันว่า จะเกิดผลลัพธ์ทางธุรกิจ หากข้อมูล และกระบวนการทำงานยังแยกส่วนกัน
- Patchwork AI Adoption คือ การใช้ AI แก้ปัญหาเฉพาะจุดโดยขาดเป้าหมายร่วมกัน จึงอาจช่วยเพิ่มประสิทธิภาพบางงาน แต่ยังไม่เปลี่ยนผลการดำเนินงานทั้งองค์กร
- AI-Native Enterprise ต้องเริ่มจากการออกแบบกระบวนการทำงาน ข้อมูล และการตัดสินใจใหม่ ไม่ใช่เพียงเพิ่มเครื่องมือ AI
- การประเมินผลควรเชื่อมโยงกับตัวชี้วัดทางธุรกิจ เช่น ต้นทุนต่อกระบวนการ ผลผลิต คุณภาพงาน และเวลาที่ใช้ตัดสินใจ ไม่ใช่ดูเฉพาะจำนวนไลเซนส์หรือโครงการนำร่อง
เมื่อใช้ AI มากขึ้น แต่ผลลัพธ์ทางธุรกิจยังไม่ชัดเจน
หลายองค์กรเริ่มนำปัญญาประดิษฐ์ (AI) มาใช้กับงานประจำวัน ตั้งแต่การแปลภาษาและสรุปรายงาน ไปจนถึงการจัดทำเอกสารและช่วยวิเคราะห์ข้อมูล เครื่องมือเหล่านี้ช่วยให้พนักงานทำงานบางอย่างได้รวดเร็วขึ้น แต่เมื่อพิจารณาในระดับองค์กร คำถามสำคัญคือ ประสิทธิภาพที่เพิ่มขึ้นนั้นแปรเปลี่ยนเป็นการลดต้นทุน เพิ่มผลผลิต หรือสร้างรายได้ได้มากน้อยเพียงใด
คำตอบอาจไม่ได้อยู่ที่ความสามารถของ AI เพียงอย่างเดียว แต่อยู่ที่วิธีที่องค์กรนำเทคโนโลยีไปใช้ด้วย หากข้อมูลยังแยกอยู่ตามแผนก ขั้นตอนอนุมัติยังซับซ้อน และการส่งต่องานระหว่างทีมยังต้องอาศัยการประสานงานด้วยมือ AI ก็อาจช่วยให้งานบางจุดเร็วขึ้น โดยไม่ได้แก้ข้อจำกัดของกระบวนการโดยรวม
ความท้าทายจึงไม่ใช่เพียงการนำ AI มาใช้ให้มากขึ้น แต่คือการเชื่อมการใช้งานเข้ากับเป้าหมายทางธุรกิจ และปรับระบบการทำงานให้เทคโนโลยีสร้างผลลัพธ์ได้ตั้งแต่ต้นจนจบ
ทำไมการลงทุน AI จึงอาจยังไม่ก่อให้เกิดการเปลี่ยนแปลงทั้งองค์กร
เมื่อองค์กรขยายการใช้งาน AI ข้อจำกัดที่มีอยู่เดิมอาจยิ่งเห็นชัดขึ้น โดยเฉพาะปัญหาเชิงโครงสร้างที่เทคโนโลยีเพียงอย่างเดียวไม่สามารถแก้ไขได้
- ข้อมูลกระจัดกระจาย (Data Silos): ข้อมูลลูกค้า การเงิน สินค้าคงคลัง และการปฏิบัติงานอาจจัดเก็บอยู่ในระบบที่ไม่เชื่อมโยงกัน ทำให้ AI วิเคราะห์ภาพรวมได้ไม่ครบถ้วน หรือจำเป็นต้องรวบรวมข้อมูลด้วยมือก่อนใช้งาน
- กระบวนการส่งต่องานซับซ้อน: แม้ AI จะช่วยทำงานบางขั้นตอนได้เร็วขึ้น แต่หากยังมีขั้นตอนอนุมัติหลายชั้น งานที่ต้องส่งต่อระหว่างฝ่าย หรือการตรวจสอบซ้ำโดยไม่จำเป็น เวลาที่ประหยัดได้ก็อาจไม่มากพอจะเปลี่ยนประสิทธิภาพโดยรวม
- การแก้ปัญหาโดยไม่ปรับวิธีทำงาน: การเพิ่มเครื่องมือหรือบุคลากรอาจช่วยบรรเทาปัญหาเฉพาะหน้า แต่หากไม่ทบทวน Workflow ความซ้ำซ้อนเดิมก็ยังคงอยู่ และอาจถูกนำไปทำงานต่อด้วยความเร็วที่สูงขึ้นเท่านั้น
Patchwork AI Adoption คืออะไร
Patchwork AI Adoption เป็นการนำ AI มาใช้แบบแยกส่วน โดยแต่ละแผนกเลือกเครื่องมือหรือพัฒนาโครงการเพื่อแก้ปัญหาของตนเอง แต่ยังขาดการเชื่อมโยงกับกระบวนการและเป้าหมายทางธุรกิจในภาพรวม
อย่างเช่น ฝ่ายขายใช้ AI สรุปข้อมูลลูกค้า ฝ่ายการเงินใช้ AI ตรวจเอกสารหรือใบแจ้งหนี้ และฝ่ายปฏิบัติการใช้ AI ช่วยวางแผนงาน การใช้งานเหล่านี้อาจมีประโยชน์และเป็นจุดเริ่มต้นที่เหมาะสม แต่หากแต่ละระบบไม่สามารถแลกเปลี่ยนข้อมูลกัน หรือไม่มีตัวชี้วัดร่วมกัน ผลลัพธ์ก็อาจจำกัดอยู่เพียงประสิทธิภาพของแต่ละทีม
ดังนั้น Patchwork AI ไม่ได้หมายความว่า การใช้ AI แยกตามแผนกเป็นเรื่องผิดเสมอไป ปัญหาเกิดขึ้นเมื่อองค์กรไม่สามารถต่อยอดความสำเร็จเฉพาะจุดให้กลายเป็นการปรับปรุงกระบวนการทั้งระบบได้
AI สะท้อนข้อจำกัดเดิมขององค์กร
สุปรีดา จิรวงศ์ศรี กรรมการผู้จัดการประจำประเทศไทย บริษัท เอเบิม คอนซัลติ้ง (ประเทศไทย) จำกัด สะท้อนแนวคิดนี้ว่า AI ไม่ได้แก้ปัญหาขององค์กรโดยอัตโนมัติ แต่ช่วยให้เห็นจุดที่ข้อมูลไม่เชื่อมต่อกัน กระบวนการทำงานซ้ำซ้อน หรือการตัดสินใจล่าช้าได้ชัดเจนขึ้น
หากองค์กรไม่แก้ไขคอขวดเหล่านี้ การลงทุนใน AI ก็อาจสร้างผลลัพธ์ได้เฉพาะงานย่อย โดยยังไม่ส่งผลชัดเจนต่อประสิทธิภาพหรือตัวเลขทางธุรกิจในภาพรวม
จาก Patchwork AI สู่ AI-Native Enterprise
AI-Native Enterprise คือ แนวทางการออกแบบองค์กรให้ AI เป็นส่วนหนึ่งของวิธีทำงานและการตัดสินใจ ไม่ใช่เพียงเครื่องมือที่เพิ่มเข้าไปในขั้นตอนเดิม องค์กรจึงต้องพิจารณาทั้งเป้าหมายทางธุรกิจ กระบวนการ ข้อมูล ระบบที่เกี่ยวข้อง บทบาทของบุคลากร และหลักเกณฑ์กำกับดูแลควบคู่กัน
เป้าหมายไม่ใช่การปล่อยให้ AI ตัดสินใจแทนมนุษย์ในทุกเรื่อง แต่คือการทำให้ข้อมูลที่เกี่ยวข้องพร้อมใช้งาน ช่วยวิเคราะห์ทางเลือก ตรวจจับความเสี่ยง และสนับสนุนให้ผู้รับผิดชอบตัดสินใจได้เร็วและมีข้อมูลประกอบมากขึ้น โดยกำหนดขอบเขตการทำงานและการตรวจสอบให้เหมาะกับความเสี่ยงของแต่ละกรณี
| ประเด็น | Patchwork AI Adoption | AI-Native Enterprise |
| รูปแบบการใช้งาน | แต่ละฝ่ายใช้ AI แยกกันตามโจทย์เฉพาะ | เชื่อมโยงข้อมูลและกระบวนการที่เกี่ยวข้องตั้งแต่ต้นจนจบ |
| บทบาทของ AI | ช่วยงานประจำหรืองานซ้ำซ้อนบางขั้นตอน | ช่วยวิเคราะห์ เสนอทางเลือก และสนับสนุนการตัดสินใจในกระบวนการ |
| ตัวชี้วัด | จำนวนเครื่องมือ ไลเซนส์ หรือโครงการนำร่อง | ต้นทุนต่อกระบวนการ ผลผลิต คุณภาพงาน เวลา และผลลัพธ์ทางธุรกิจ |
| ผลลัพธ์ที่คาดหวัง | ประสิทธิภาพดีขึ้นเฉพาะจุด | ปรับปรุงการทำงานข้ามฝ่ายและสร้างมูลค่าที่วัดผลได้ |
ปรับกระบวนการจัดซื้อ ไม่ใช่แค่อ่านใบแจ้งหนี้ให้เร็วขึ้น
ในกระบวนการจัดซื้อ AI สามารถช่วยอ่านใบแจ้งหนี้ จัดหมวดหมู่เอกสาร และตรวจสอบข้อมูลเบื้องต้นได้ ซึ่งช่วยลดงานที่ต้องทำด้วยมือ แต่หากข้อมูลระหว่างฝ่ายจัดซื้อ การเงิน คลังสินค้า โลจิสติกส์ และซัพพลายเออร์ยังแยกจากกัน เจ้าหน้าที่ก็อาจต้องตรวจสอบข้อมูลซ้ำหรือประสานงานเพื่อยืนยันสถานะเหมือนเดิม
การปรับสู่แนวทาง AI-Native จะเริ่มจากการออกแบบกระบวนการให้ข้อมูลที่จำเป็นเชื่อมโยงกัน กำหนดผู้รับผิดชอบและเงื่อนไขการอนุมัติให้ชัดเจน จากนั้นจึงนำ AI มาใช้ตรวจจับความผิดปกติ แจ้งเตือนความเสี่ยง และเสนอทางเลือกตามข้อมูลที่มี ส่วนการอนุมัติหรือการตัดสินใจที่มีผลกระทบสูงควรมีผู้รับผิดชอบและกลไกตรวจสอบที่เหมาะสม
ตัวอย่างนี้แสดงให้เห็นว่า การเพิ่มประสิทธิภาพไม่ได้เกิดจาก AI เพียงลำพัง แต่เกิดจากการผสานเทคโนโลยีเข้ากับข้อมูล กระบวนการ และการกำกับดูแลที่ออกแบบมาอย่างเหมาะสม
องค์กรควรวัดความสำเร็จของ AI อย่างไร
จำนวนไลเซนส์หรือจำนวนโครงการนำร่องมีประโยชน์ในการติดตามระดับการนำ AI ไปใช้ แต่ไม่เพียงพอสำหรับยืนยันว่าการลงทุนสร้างคุณค่าทางธุรกิจแล้วหรือไม่ องค์กรควรกำหนดตัวชี้วัดก่อนเริ่มโครงการ และเปรียบเทียบผลลัพธ์กับสถานะก่อนใช้งาน
- ต้นทุนต่อธุรกรรมหรือต่อกระบวนการ ลดลงเท่าใด
- ระยะเวลาตั้งแต่เริ่มงานจนเสร็จสิ้น หรือเวลาที่ใช้ตัดสินใจ ลดลงหรือไม่
- ปริมาณงานที่ทำได้และคุณภาพของงานดีขึ้นเพียงใด
- อัตราความผิดพลาด งานแก้ไขซ้ำ หรือข้อยกเว้นที่ต้องให้คนจัดการ เปลี่ยนแปลงอย่างไร
- เวลาที่ประหยัดได้ถูกนำไปสร้างผลผลิตหรือคุณค่าเพิ่มเติมจริงหรือไม่
การวัดผลควรคำนึงถึงต้นทุนทั้งหมดด้วย เช่น ค่าใช้ระบบ การเชื่อมต่อข้อมูล การกำกับดูแล การฝึกอบรม และเวลาที่บุคลากรใช้ตรวจสอบผลลัพธ์ เพื่อให้เห็นผลตอบแทนสุทธิ ไม่ใช่พิจารณาเฉพาะเวลาที่ประหยัดได้
คำถามที่พบบ่อย
ทำไมการนับจำนวนไลเซนส์ AI หรือโครงการนำร่องจึงยังพิสูจน์ความสำเร็จไม่ได้?
เพราะตัวเลขเหล่านี้แสดงระดับการนำไปใช้ แต่ไม่ได้ยืนยันว่าต้นทุนลดลง ผลผลิตดีขึ้น หรือเกิดผลลัพธ์ทางธุรกิจแล้ว องค์กรจึงควรติดตามตัวชี้วัดที่สัมพันธ์กับเป้าหมายของแต่ละโครงการด้วย
Patchwork AI Adoption ต่างจาก AI-Native Enterprise อย่างไร?
Patchwork AI คือ การใช้ AI แก้ปัญหาเฉพาะจุดโดยการทำงานยังแยกส่วน ขณะที่ AI-Native Enterprise มุ่งออกแบบกระบวนการ ข้อมูล และการตัดสินใจให้เชื่อมโยงกัน โดยใช้ AI เป็นส่วนหนึ่งของการดำเนินงาน
องค์กรควรเริ่มต้นเปลี่ยนผ่านอย่างไร?
เริ่มจากเลือกกระบวนการที่มีผลต่อธุรกิจและเกี่ยวข้องกับหลายฝ่าย ระบุปัญหาและตัวชี้วัดก่อนปรับปรุง ทำความเข้าใจข้อจำกัดด้านข้อมูลและขั้นตอนการทำงาน แล้วทดลองปรับกระบวนการตั้งแต่ต้นจนจบก่อนขยายผล
AI-Native Enterprise หมายถึงการให้ AI ตัดสินใจแทนคนทั้งหมดหรือไม่?
ไม่จำเป็น องค์กรควรกำหนดบทบาทของ AI ให้เหมาะกับงานและระดับความเสี่ยง ตั้งแต่ช่วยสรุปข้อมูลและเสนอทางเลือก ไปจนถึงทำงานอัตโนมัติในกรณีที่กำหนดเงื่อนไขไว้ชัดเจน พร้อมมีการกำกับดูแลและการตรวจสอบจากมนุษย์ในจุดที่จำเป็น
เปลี่ยนจากการเพิ่มเครื่องมือ สู่การออกแบบวิธีทำงานใหม่
การก้าวสู่ AI-Native Enterprise ไม่ได้เริ่มจากการซื้อซอฟต์แวร์เพิ่มเพียงอย่างเดียว แต่เริ่มจากการทบทวนว่ากระบวนการใดสร้างคุณค่าให้ธุรกิจ ข้อมูลใดจำเป็นต่อการตัดสินใจ และมีขั้นตอนใดที่ทำให้งานล่าช้าหรือซ้ำซ้อน
องค์กรสามารถเริ่มจากโครงการขนาดเล็กที่มีเป้าหมายชัดเจน แต่ควรเลือกโจทย์ที่เชื่อมโยงกับผลลัพธ์ของกระบวนการ ไม่ใช่แค่ทำให้งานหนึ่งขั้นตอนเร็วขึ้น เมื่อเห็นผลลัพธ์และเข้าใจข้อจำกัดแล้ว จึงค่อยขยายแนวทางไปยังกระบวนการอื่น พร้อมทบทวนความปลอดภัย คุณภาพข้อมูล และความรับผิดชอบในการตัดสินใจอย่างต่อเนื่อง
ท้ายที่สุด ความสำเร็จของ AI ไม่ได้วัดจากจำนวนเครื่องมือที่องค์กรมี แต่ขึ้นอยู่กับว่าองค์กรสามารถนำเทคโนโลยีมาแก้ปัญหาที่สำคัญ เชื่อมโยงการทำงาน และสร้างผลลัพธ์ที่วัดได้จริงมากเพียงใด