3 มุมจากผู้ลงมือทำ AI Transformation เมื่อ AI ไม่ใช่ซอฟต์แวร์สำเร็จรูป ที่ซื้อมาแล้วองค์กรจะเปลี่ยนได้เอง

ใน Session ที่ 3 ของงาน HOW Quarterly Public Session: Burning Platform Corporate Survival Guide in the Age of AI ในช่วง Panel Discussion ที่นำเอาผู้ลงมือจริงในอุตสาหกรรม IT Consultanting และ Solution มาร่วมแลกเปลี่ยนมุมมอง เสวนาโดย 3 ผู้บริหารชั้นนำ ได้แก่ 

1. คุณเล้ง ศิริวัฒน์ วงศ์จารุกร จาก MFEC
2. คุณต่อ ณัฐกรณ์ รัตนชัยสิทธิ์ จาก Predictive 
3. คุณบี พีรณัฎฐ์ ทูลแสงงาม Muze Innovation 
4. ดำเนินรายการโดย คุณกระทิง เรืองโรจน์ พูนผล

เปิดฉากการพูดคุย คุณเล้งได้เริ่มต้นวงเสวนานี้ด้วยการชี้ว่าจะเล่าโลกแห่งความเป็นจริงของการทำ AI Transformation ที่ไม่ได้โรยด้วยกลีบกุหลาบอย่างที่ทฤษฎีต่าง ๆ เคยบอกไว้

3 การทดลองของ MFEC เมื่อ AI กลายเป็นพาร์ทเนอร์ของคนไร้ประสบการณ์

ตลอดระยะเวลา 3 ปีครึ่งนับตั้งแต่ Generative AI เริ่มเข้ามามีบทบาท คุณเล้งได้เปิดเผยถึงการทดลองจริงภายใน MFEC เพื่อทดสอบขีดความสามารถของปัญญาประดิษฐ์ในหลากมิติ

1. กรณีศึกษาเด็กจบใหม่ต่างสายงาน: MFEC รับเด็กจบใหม่เกียรตินิยมด้านรัฐศาสตร์ จากมหาวิทยาลัยชั้นนำของไทยมา เข้ามาทำงานในสายงานไอทีโดยไม่มีพื้นฐานมาก่อน พร้อมเงื่อนไขว่าต้องใช้ AI เป็นพาร์ทเนอร์ในการทำงาน ในช่วงแรกน้องต้องเผชิญความกดดันอย่างหนักเนื่องจากฟังศัพท์เทคนิคไม่เข้าใจ แต่เมื่อผ่านไป 3–6 เดือน ทีมงานเริ่มยอมรับในความสามารถ และเพียงภายใน 12 เดือน น้องคนนี้ได้รับคัดเลือกให้เป็น Project Manager นำทีมโปรเจกต์ Digital Transformation ทั้งที่ไม่ได้จบสายวิศวกรรม
2. กรณีศึกษาเด็กมัธยมกับงาน Business Development: MFEC ทดลองรับนักเรียนมัธยมศึกษาปีที่ 5 (Grade 11) จากโรงเรียนนานาชาติ มาฝึกงานในบทบาท Business Development โดยให้ประเมินโอกาสการลงทุนในเทคโนโลยีอุปกรณ์วัดคลื่นสมองแบบ Real-time น้องได้เลือกใช้ Perplexity ในการวิเคราะห์ขนาดตลาด, ใช้ ChatGPT วางแผนกลยุทธ์ Go-to-Market พร้อมแยกแยะข้อมูลอย่างเป็นระบบระหว่างทัศนะส่วนตัวกับข้อมูลที่ประมวลผลจาก AI จนได้ข้อสรุปว่าไม่ควรลงทุนเนื่องจากผลตอบแทนต่ำเกินไป ซึ่งเป็นบทวิเคราะห์เชิงธุรกิจที่มีคุณภาพเทียบเท่ามืออาชีพ
3. กรณีศึกษาตรรกะการทำงานในออฟฟิศ: คุณเล้งเล่าเหตุการณ์บรรยากาศในออฟฟิศเมื่อพบพนักงานเล่นสนุกเกอร์ในเวลางาน เมื่อสอบถามจึงได้คำตอบว่า ChatGPT เกิดระบบขัดข้อง พนักงานอธิบายว่างานชิ้นดังกล่าวหากใช้ AI จะใช้เวลาเพียง 15–20 นาที แต่ถ้าทำด้วยตนเองต้องใช้เวลา 3–4 ชั่วโมง จึงเลือกนั่งรอระบบกลับมาใช้งานได้ ซึ่งเปรียบเสมือนการเขียนสูตรบน Excel แล้วไฟฟ้าดับ ย่อมไม่มีใครเลือกนำกระดาษมาคำนวณมือแทน

คุณเล้งชี้ให้เห็นว่า ในอดีตองค์กรยอมจ่ายค่าตอบแทนสูงให้กับทุนมนุษย์ (Human Capital) เพื่อแลกกับความรู้, สติปัญญา, การตัดสินใจ, และความขยันขันแข็ง แต่ปัจจุบัน AI สามารถให้บริการสิ่งเหล่านี้ได้ทั้งหมด จนทำให้คุณสมบัติดังกล่าวกลายเป็นสินค้าโภคภัณฑ์

อย่างไรก็ตาม ไม่ใช่ทุกองค์กรที่ลงทุนใน AI แล้วจะประสบความสำเร็จ จากประสบการณ์การขายโซลูชันอย่าง Copilot หรือ Gemini พบว่า มีลูกค้าน้อยรายมากที่สร้าง ROI ได้จริง เพราะ AI ไม่ใช่แค่ซอฟต์แวร์สำเร็จรูปที่ซื้อมาแล้วจะเปลี่ยนองค์กรได้ทันที

เรื่องนี้จึงนำไปสู่ 'โจทย์ด้านคน' ซึ่งคุณเล้งชี้ว่า AI ไม่ได้มีไว้เพื่อปลดพนักงาน แต่เป็นเครื่องมือช่วยเร่งการสร้างมูลค่าทางธุรกิจ ดังนั้น หากองค์กรยังคงวัดผลด้วย KPI แบบเดิม ๆ ที่เน้นแค่ความเร็วหรือปริมาณงาน ก็จะไม่สามารถบรรลุความสำเร็จที่แท้จริงได้

3 ช่องว่างสำคัญที่ทำให้องค์กรไม่เกิด Adoption

คุณบีสรุปอุปสรรคสำคัญที่ทำให้องค์กรส่วนใหญ่ไม่สามารถก้าวข้ามไปสู่การใช้งานจริง ผ่าน 3 ช่องว่างหลัก

1. Build Gap: ช่องว่างในการสร้างต้นแบบ

ช่องว่างแรกคือความสามารถในการเปลี่ยนความคิดให้กลายเป็นชิ้นงานต้นแบบ ซึ่งในอดีต ขั้นตอนนี้ถือเป็นคอขวดสำคัญที่ใช้ทั้งเวลาและทรัพยากรจำนวนมาก แต่ในยุคปัจจุบัน Build Gap ถือเป็นช่องว่างที่ทลายได้ง่ายที่สุดแล้วด้วย AI เพราะไม่ว่าจะเป็นการเขียนโค้ด การออกแบบ หรือการร่างคอนเทนต์ AI สามารถเข้ามาช่วยเร่งสปีดให้เกิดขึ้นได้ในเวลาเพียงไม่กี่ชั่วโมงหรือไม่กี่วัน

2. Production Gap: ช่องว่างระหว่างต้นแบบกับการใช้งานจริงในระบบ

แม้หลายองค์กรจะทลาย Build Gap จนสร้าง Prototype ขึ้นมาได้อย่างรวดเร็ว แต่กลับไปติดหล่มใหญ่ในขั้นตอนต่อมา นั่นคือการนำต้นแบบนั้นไปเชื่อมต่อเพื่อใช้งานจริงในระบบ production ขององค์กร

คุณบีเปรียบเทียบปรากฏการณ์นี้กับภูเขาน้ำแข็ง สิ่งที่เราเห็นว่า AI มันกำลังทำได้ เป็นเพียงยอดภูเขาน้ำแข็งที่โผล่พ้นน้ำขึ้นมาเท่านั้น แต่เบื้องล่างใต้ผิวน้ำที่เรามองไม่เห็น ยังมีโครงสร้างพื้นฐานอีกมหาศาลที่จำเป็นต้องมี หากต้องการนำระบบนั้นไปใช้ในองค์กรจริง ๆ ไม่ว่าจะเป็น

• Data Layer: การจัดการชั้นข้อมูลให้ถูกต้องและเป็นระบบ
• Business Logic: ตรรกะการทำงานเชิงธุรกิจที่ซับซ้อน
• Platform Architecture: สถาปัตยกรรมแพลตฟอร์มที่รองรับการขยายตัว
• Security Operations: ระบบความปลอดภัยและการปฏิบัติตามนโยบายองค์กร

หากองค์กรขาดโครงสร้างพื้นฐานเหล่านี้ที่แข็งแรงพอ สิ่งที่สร้างขึ้นมาได้ก็จะเป็นได้เพียงแค่ Demo ที่ดูน่าตื่นตาตื่นใจ แต่ไม่สามารถนำไป deploy เพื่อใช้งานจริงในกระบวนการทำงานหลักขององค์กรได้ เพราะติดทั้งเรื่องนโยบาย ความปลอดภัย และการเชื่อมต่อระบบเดิม

3. Adoption Gap: ช่องว่างด้านการใช้งานจริงของบุคลากร

ช่องว่างสุดท้ายและถือเป็นปราการที่ข้ามยากที่สุด คือการทำให้คนในองค์กรยอมรับและนำ AI ไปใช้งานจริงในชีวิตประจำวัน เพราะต่อให้องค์กรจะก้าวข้าม Production Gap จนสามารถสร้างระบบและติดตั้งเครื่องมือ AI ไว้บนระบบงานได้อย่างสมบูรณ์แบบแค่ไหนก็ตาม แต่ AI ไม่ได้ใช้ตัวเอง

สุดท้ายแล้ว AI ยังต้องพึ่งพามนุษย์ในการเข้าไปปฏิสัมพันธ์ ใช้งาน และทำงานร่วมกับมันจริงอยู่ดี หากระบบถูก deploy เข้าไปในองค์กรอย่างยิ่งใหญ่ แต่พนักงานไม่ยอมใช้งาน ไม่รู้ว่าจะใช้จัดการงานตรงหน้าอย่างไร หรือไม่มีแรงจูงใจในการเปลี่ยนพฤติกรรมเดิม นวัตกรรมที่ลงทุนสร้างมาทั้งหมดก็จะไม่ก่อให้เกิดผลลัพธ์ทางธุรกิจหรือ ROI ขึ้นมาได้เลย

4 แกนวิเคราะห์โครงสร้างพื้นฐาน AI บทวิเคราะห์จากคุณต่อ

คุณต่อฉายภาพผ่านผลสำรวจความพร้อมด้าน AI ขององค์กรไทย ซึ่งพบว่าสาเหตุสำคัญที่ทำให้องค์กรไม่สามารถพัฒนา AI ไปถึงระดับ Production ประกอบด้วย 4 แกนหลัก

1. Structure & Unstructured Data Foundation

ข้อมูลในองค์กรส่วนใหญ่ยังคงจัดเก็บแบบแยกส่วน หรืออยู่ภายใต้การครอบครองของตัวบุคคล เช่น ไฟล์ Excel ส่วนตัว ทั้งยังขาดการแปลงความรู้เฉพาะทาง ให้อยู่ในรูปแบบที่ระบบการประมวลผลของ AI สามารถอ่านและทำความเข้าใจได้ 

2. Operating Model & AI-First Design

องค์กรส่วนใหญ่ยังขาดการออกแบบจุดเชื่อมโยงข้อมูลของลูกค้าครอบคลุมทุกช่องทางปฏิสัมพันธ์ ในขณะที่องค์กรกลุ่ม AI-First ซึ่งมีสัดส่วนเพียง 4% ของโลก สามารถสร้างมูลค่าระดับพันล้านดอลลาร์ด้วยบุคลากรจำนวนน้อย เนื่องจากการวางโครงสร้างการเชื่อมต่อข้อมูลตั้งแต่เริ่มต้น

3. Data Governance & Compliance Fear

ปัญหาการขาดแคลน Data Owner ที่ชัดเจน อันเนื่องมาจากความกังวลต่อบทลงโทษทางกฎหมาย เช่น PDPA, GDPR หรือ EU AI Act ส่งผลให้เกิดสภาวะชะงักงันในการอนุมัติสิทธิ์การเข้าถึงข้อมูลเพื่อพัฒนาระบบอัตโนมัติ

4. Skill Gap & Individual vs. Workflow Capabilities

แม้บุคลากรจะมีความสามารถในการประยุกต์ใช้ AI ในระดับบุคคล แต่ยังขาดทักษะในการออกแบบ Agentic Workflow เพื่อทำงานร่วมกันในระดับทีมอย่างเป็นระบบ

นอกจากนี้ คุณต่อยังชี้ให้เห็นถึงความแตกต่างระหว่าง Digitalization (การแปลงเอกสารเป็นดิจิทัล เช่น การทำ OCR) กับ Transformation (การปรับเปลี่ยนกระบวนการตัดสินใจและโครงสร้างการทำงาน) โดยองค์กรไทยกว่า 88% ยังคงติดอยู่ในขั้น Digitalization และมีเพียง 3% เท่านั้นที่สามารถยกระดับไปสู่การเป็น AI-First Organization ได้สำเร็จ

คุณต่อได้เสนอแนวทางการดำเนินงานเพื่อการเปลี่ยนผ่านองค์กรไว้ 5 ประการ:

1. Strategy & Roadmap: กำหนดทิศทางและเป้าหมายเชิงยุทธศาสตร์ที่ชัดเจน
2. Culture & Advocacy: การผสมผสาน AI เข้ากับวัฒนธรรมองค์กร
3. Scalable Architecture: การปรับเปลี่ยนโครงสร้างจากการใช้งานแบบ 1 คนต่อ 1 Agent ไปสู่โครงสร้างที่บุคลากร 1 คนสามารถกำกับดูแลได้หลายร้อย Agent
4. Solid Data Foundation: การจัดทำบันทึกข้อมูลการตัดสินใจและกระบวนการทำงานจริง ควบคู่กับการทำ Data Governance
5. Continuous Learning Loop: การสร้างวงจรการเรียนรู้เพื่อปรับปรุงกระบวนการทำงานอย่างต่อเนื่อง

หลังจบการแลกเปลี่ยนในประเด็นข้างต้น คุณกระทิงได้ทำการประมวลความคิดสำคัญด้วยหลักการ Never underestimate brilliant basic โดยเน้นย้ำว่า ความสำเร็จของการทำ AI Transformation จำเป็นต้องพึ่งพาฐานรากที่แข็งแกร่งในทุกมิติ การข้ามขั้นตอนโดยขาดความพร้อมด้านโครงสร้างพื้นฐานย่อมนำมาซึ่งความล้มเหลว และกระบวนการดังกล่าวไม่ใช่เพียงภารกิจของประธานเจ้าหน้าที่บริหารเท่านั้น แต่เป็นหน้าที่ของบุคลากรทุกคนในองค์กรที่ต้องขับเคลื่อนร่วมกัน

ในช่วงท้ายของการพูดคุย วิทยากรทั้งสามท่านได้ให้ข้อเสนอแนะเชิงยุทธศาสตร์สำหรับผู้บริหารระดับสูงในการเตรียมความพร้อมอีก 18 เดือนข้างหน้า ดังนี้

มุมมองจากคุณเล้ง: การบริหาร Human Dynamics และแนวคิด AI-Native

การขับเคลื่อนองค์กรจำเป็นต้องเข้าใจสัดส่วนของบุคลากร 3 กลุ่ม ได้แก่ กลุ่มที่หลงใหลในเทคโนโลยี กลุ่มที่พร้อมเรียนรู้ตามการเปลี่ยนแปลง และกลุ่มตามไม่ทันเทคโนโลยี ซึ่งในองค์กรขนาดใหญ่มักมีกลุ่มที่สามเกินกว่าครึ่งหนึ่ง การแก้ไขปัญหาจำต้องอาศัยการเข้าลงมือปฏิบัติจริงร่วมกับพนักงาน หรือการตั้งตำแหน่งงานรูปแบบใหม่เช่น Forward Deployed Engineer เพื่อช่วยนำ AI เข้าไปฝังในกระบวนการทำงาน

สำหรับองค์กรดั้งเดิมที่มีแรงเฉื่อยสูง คุณเล้งเสนอแนวคิดการสร้างหน่วยธุรกิจใหม่ที่เป็น AI-Native ตั้งแต่วันแรก โดยนำความรู้และสินทรัพย์ทางปัญญาเดิมมาต่อยอดร่วมกับโครงสร้างการทำงานที่ขับเคลื่อนด้วย Agent ซึ่งช่วยลดต้นทุนดำเนินงานและเพิ่มความคล่องตัวเชิงธุรกิจได้มีประสิทธิภาพมากกว่า

มุมมองจากคุณบี: การข้ามผ่าน 3 ช่องว่างและการสร้างแรงจูงใจ

ผู้บริหารต้องเริ่มต้นทำเป็นตัวอย่างเพื่อทลาย Build Gap ในขณะเดียวกันต้องสร้างโครงสร้างพื้นฐานภายใน เช่น การจัดทำ Internal App Store และ Continuous Integration Pipeline เพื่อช่วยให้พนักงานสามารถนำนวัตกรรมขึ้นใช้งานจริงได้อย่างถูกต้องตามหลัก Governance เพื่อปิด Production Gap

สุดท้ายคือการแก้ Adoption Gap โดยการสร้างระบบแรงจูงใจพิเศษให้แก่บุคลากรที่สามารถพัฒนา AI Solution ที่สร้างผลกระทบเชิงบวกแก่กระบวนการทำงานจริง

มุมมองจากคุณต่อ: การโฟกัสผลลัพธ์และการจัดสรรทรัพยากร

องค์กรควรมุ่งเน้นการกำหนด Outcome ให้ชัดเจนตั้งแต่เริ่มต้นผ่านการสร้างงานต้นแบบ (Prototype) แทนการใช้เวลาไปกับเอกสารข้อเสนอโครงการที่ซับซ้อน พร้อมทั้งทำการจัดลำดับความสำคัญของทรัพยากร (Prioritize Resources) โดยเลือกสนับสนุนทีมที่มีความพร้อมสูงสุดก่อน เพื่อสร้างกรณีศึกษาความสำเร็จที่ชัดเจน ก่อนจะขยายผลไปสู่การปรับเปลี่ยน Agentic Workflow ในภาพรวมขององค์กรต่อไป