ทำงานในยุค AI เหนื่อยมากขึ้นหรือน้อยลงกันแน่? เพราะ AI ก้าวหน้าขึ้นทุกวันและมีการใช้งานมากขึ้น โดยเฉพาะ Generative AI และ Agentic AI ซึ่งผู้ใช้งานก็ต้องเรียนรู้การใช้เครื่องมือและอัปเดตเทรนด์อยู่เสมอ องค์กรที่ทำ Digital Transformation ก็ยังต้องปรับแผนมาทำ AI Transformation ทั้งยังต้องลงทุนในเทคโนโลยีร่วมด้วย 

ยิ่งในปี 2025 ปีแห่งการใช้ Agentic AI ที่กำลังพัฒนาสู่การใช้งานแบบ Deep Research และเพื่อให้ผู้อ่าน ไม่ว่าจะเป็นผู้บริหารหรือพนักงานเข้าใจการใช้เทคโนโลยีตรงกัน ทีมเทคซอสได้พูดคุยกับ คุณวสันต์ ลิ่วลมไพศาล Chief Technology Officer (CTO) บริษัท เอ็ม เอฟ อี ซี จำกัด (มหาชน) หรือ MFEC ที่ดูแลเรื่องการใช้งาน AI ทั้งภายในองค์กรและองค์กรซึ่งเป็นลูกค้าตั้งแต่ปี 2023 เป็นต้นมา เนื่องจากกระแส AI มาแรงมาก

ในบทความนี้ คุณวสันต์จะอธิบายให้เข้าใจว่า Generative AI กับ Agentic AI คืออะไร ใช้งานต่างกันอย่างไร ต่อด้วยการนำ AI มาใช้กับคนในองค์กร ก่อนพัฒนาเป็นโซลูชันหรือบริการที่ลูกค้าเชื่อถือและไว้วางใจ 

2024 - 2025 ปีแห่งการ Adopt ใช้ AI อย่างหนัก

เนื่องจาก MFEC เป็นองค์กรชั้นนำของไทยที่ให้บริการด้าน IT ครบวงจรและเชี่ยวชาญเรื่องโซลูชันสำหรับการใช้งานในองค์กร มีคนสายเทคและไอทีกว่าครึ่งบริษัท ดังนั้น ทุกๆ ความเปลี่ยนแปลงของ AI จึงกระทบคนทำงานในสายเทคโนโลยีและไอทีโดยตรง

กลุ่มนักพัฒนา (Developer) เป็นกลุ่มแรกที่ได้รับผลกระทบ แต่ในขณะเดียวกันก็เป็นทีมงานกลุ่มแรกที่นำ AI มาปรับใช้ในงาน (Adopt) ก่อนฝ่ายอื่น ซึ่งการใช้งาน AI หลักๆ ก็คือ ใช้ Generative AI ช่วยในการเขียนโค้ด และใช้งานกันจนคุ้นชิน

“คนรุ่นใหม่อาจจะไม่สามารถเขียนโปรแกรมโดยไม่มี AI ไม่ได้แล้ว เพราะว่ามันชินมือ เหมือนมีคนมาช่วยเหลือตลอดเวลา ตัวผมเองก็เริ่มติด ถ้าไม่มี AI เริ่มรู้สึกว่าไม่มีผู้ช่วยให้ทํางานได้ดีขึ้น” คุณวสันต์สื่อสารออกมาตามตรง 

เวลาพูดถึง AI โดยทั่วไปมักจะพูดถึงการใช้ AI ช่วยให้ทํางานได้เร็วขึ้น แต่สำหรับคุณวสันต์ ได้เห็นอีกมิติที่ต่างออกไป 

“เราพบว่าพนักงานทํางานได้ ‘กว้างขึ้น’ กว้างขึ้นแปลว่าอะไร แปลว่า สมมตินักพัฒนาคนหนึ่งทำโปรเจกต์นึงโดยใช้เทคโนโลยี 4 ตัว มีการเขียนโค้ดด้วยภาษานึง แล้วสั่งให้ซอฟต์แวร์ทํางานร่วมกันเป็นชุด คลุกคลีอยู่กับซอฟต์แวร์ตัวนี้สัก 2-3 ปี ก่อนออกไปทําอีกโปรเจกต์นึงต่ออีก 3 ปี 

“อยู่มาวันหนึ่ง บริษัทต้องการให้นำมาโปรเจกต์เดิมมาแก้ไข (Maintenance) ถ้าเราดึงคนเดิมกลับมาทํา เขาก็จะใช้เวลาระลึกถึงนานพอสมควร ว่าตอนนั้นเขียนโค้ดอะไรไป แต่ถ้าใช้ AI มันจะช่วยให้คนที่เคยมีประสบการณ์ในงานนั้นๆ กลับไปทําเทคโนโลยีที่ตัวเองเคยรู้จักได้เร็วขึ้น และอาจแก้โปรเจกต์เดิมได้ภายในครึ่งวันหรือไม่ก็ไม่กี่นาที” 

ทีมวิศวกรที่ให้บริการด้านเซิร์ฟเวอร์ ดูแลระบบ แนะนำการใช้เทคโนโลยีให้ลูกค้าองค์กร คือกลุ่มพนักงานที่ได้ใช้ AI ในการทำงานรองๆ ลงมา ซึ่งในภาพรวมนั้น MFEC เปิดกว้างให้พนักงานเลือกใช้ AI ได้ตามเนื้องานและความสนใจ ไม่ว่าจะเป็น ChatGPT, Claude, Gemini รวมถึง DeepSeek

Use Cases ที่เราใช้ AI ในองค์กรเยอะมากคือ ‘ใช้ AI สรุปการประชุม’ ซึ่งเป็นเครื่องมือภายในของ MFEC เอง ยกตัวอย่างการประชุม ISO ที่จะมีการสัมภาษณ์ผู้เกี่ยวข้อง น้องในบริษัทใช้ AI ช่วยสรุปก็ไม่ต้องมานั่งทำสรุปเอง และยังซักถาม AI ได้ด้วยว่า มีการสัมภาษณ์เรื่องนั้นๆ หรือคุยเรื่องข้อกำหนดครบถ้วนแล้วหรือยัง AI ก็สามารถตอบได้อย่างรวดเร็ว ช่วยลดการทำงานของคนได้มาก

‘การสรุปประชุมด้วย AI’ จึงเป็นตัวอย่างแรกของการใช้ AI ในบริษัท MFEC ขั้นเบื้องต้น ซึ่งฝ่ายอื่น เช่น เลขานุการ จัดซื้อ ธุรการ ก็สามารถนำไปใช้งานได้

คุณวสันต์เล่าต่อว่า น้องๆ ถามเรื่องใช้ AI ทำอะไรได้บ้าง อยู่บ่อยครั้ง และมักจะให้คำตอบซ้ำๆ ไปว่า “ใช้เขียนโค้ด” เพราะเป็นหนึ่งในภารกิจที่คุณวสันต์ดูแลรับผิดชอบ แต่สำหรับน้องๆ ฝ่ายอื่น คุณวสันต์มักถามกลับว่า อยู่ฝ่ายไหน มีงานอะไรที่ทำซ้ำๆ บ้าง

“งานของผมอาจจะไม่ตรงกับคนอื่นในองค์กร เพราะองค์กรมีทีมที่กว้างกว่านั้น เช่น ‘ฝ่ายบัญชี’ ก็ต้องดูว่ามีงานอะไรที่ทำซ้ำๆ อยู่บ้าง ‘ฝ่ายสื่อสาร’ มีงานอะไรที่ทำซ้ำๆ  ต้องเกลาคําพูดก่อนที่จะสื่อสารไปในโซเชียลมีเดียหรือเปล่า เหล่านี้เป็น Use Cases ที่เราต้องค้นหา (Discover) แนวการใช้มากขึ้น แล้วค่อยดูมาว่า ควรใช้ AI ตัวไหนและใช้อย่างไรดี” คุณวสันต์กล่าว

MFEC จึงเป็นองค์กรที่เปิดกว้างให้พนักงานรู้จักเครื่องมือ รู้วิธีใช้ AI โดยพนักงานสามารถใช้ Gen AI สรุปอีเมล ร่างเอกสาร สร้างคอนเทนต์ คิดคำโฆษณาเพื่อโพสต์โซเชียล ตรวจคำผิด เกลาคำให้สละสลวย เขียนรายงาน ไปจนถึงคำนวณกำไรและต้นทุนทางธุรกิจ

Gen AI vs Agentic AI ต่างกันตรงไหน ใช้อย่างไรแน่

กระแสในช่วงเปิดตัว ChatGPT ของ OpenAI ดึงดูดให้ประชากรโลกมาทดลองใช้ Generative AI กันถ้วนหน้า โดยคุณวสันต์เปรียบเทียบความสามารถของ Generative AI กับการสอบเขียนโค้ดด้วยลายมือ ลงในกระดาษคำตอบ ที่ผู้เขียนก็ไม่รู้ว่า โค้ดที่เขียนในกระดาษนั้นจะรันได้จริงไหม 

ChatGPT ที่เป็น Gen AI ในเวอร์ชันแรกๆ ก็เช่นเดียวกัน หากใส่คำสั่งให้มันเขียนโค้ด โดยไม่มีเครื่องมือตรวจสอบ โค้ดที่ AI ตอบเรามานั้นอาจถูกหรือผิดก็ได้ การใช้ Gen AI จึงต้องให้คนที่มีองค์ความรู้ในด้านนั้นๆ มาตรวจสอบ ซึ่งช่วงแรกนั้น พบว่า AI ให้คำตอบผิดหรือใช้งานจริงไม่ได้อยู่มาก ผู้ใช้งานจึงต้องมีองค์ความรู้ มีทักษะการคิดเชิงวิพากษ์ (Critical Thinking) ในการตรวจสอบความถูกต้อง และสามารถปรับแก้คอนเทนต์หรือคำตอบจาก AI ก่อนที่จะนำไปใช้งานจริงได้

“Gen AI เป็นการให้พื้นที่เล่นแก่ AI ในการทําอย่างอื่นเพื่อให้งานสําเร็จ เช่น เขียนโค้ดเพื่อให้มันหาคำตอบ ซึ่งถ้าย้อนกลับไปดูสักปี 2023 ทั้ง ChatGPT และ Gemini มีคนเข้าไปถามเกี่ยวกับตัวเลขเยอะ เช่น กู้เงินซื้อบ้านมา 5 ล้าน ผ่อนเดือนละ 60,000 บาท กี่ปีหมด ดอกเบี้ยเท่าไหร่ ในช่วงนั้นมันตอบได้ แต่ตอบผิด เพราะ AI ยังมั่ว มันพยายามนึกแล้วประมาณตัวเลขออกมาให้” 

แต่หากเป็นการใช้ Gen AI ในปีนี้ คุณวสันต์บอกว่า ถ้าลองถามคำถามเรื่องผ่อนบ้านแบบเดียวกันกับตอนนั้น คำตอบเกี่ยวกับดอกเบี้ยที่ได้แทบจะตรงกับที่ธนาคารระบุเป๊ะถึงระดับสตางค์ 

“ถามว่าทําไมมันตรง เพราะว่า AI ไม่ได้ตอบจากสมองมันตรงๆ แต่ข้างหลังมันแอบไปเขียนโค้ด คํานวนค่า แล้วก็รันโค้ช คือมันเอาวิธีคํานวณดอกเบี้ย ตัวเลขเท่านั้นเท่านี้มาเขียนโปรแกรมอยู่ข้างใน แล้วเอาผลที่ได้จากการรันโค้ด ตอบกลับมา ซึ่งถ้าเป็น Gen AI อย่าง ChatGPT ก็จะกดดูได้ด้วยว่า มันแอบคิดอะไรอยู่ คำนวณยังไง พอเข้าใจก็ทำให้มี Use Case การใช้งานกว้างขึ้นในช่วงหลัง”

ถัดจาก Gen AI ก็มาสู่ยุค Agentic AI คุณวสันต์อธิบายว่า ‘Agentic AI เป็น AI ที่จะมีการเชื่อมต่อและใช้เทคโนโลยีมากขึ้นเรื่อยๆ’ เช่นการเชื่อม AI กับระบบ Email และ Calendar 

สมมติมี Email เด้งมาว่า ‘ทีมขอนัดประชุมพรุ่งนี้’ ผู้ใช้งานสามารถบอก AI ได้เลยว่า ‘ทีมขอนัดประชุมพรุ่งนี้ มีช่วงเวลาไหนว่างสักชั่วโมงบ้าง รับนัดช่วงนั้นได้เลย’

AI ก็จะเข้าไปกวาดดู Calendar ของวันพรุ่งนี้ว่าช่วงไหนว่างถึงหนึ่งชั่วโมง แล้วไปอ่าน Email ว่า คนส่งเป็นใคร จากนั้นจะตอบกลับไปแบบออโต้ คือ Agentic AI มันมีสเต็ปในการทําหลายอย่างมาก ก่อนที่จะออกมาเป็นคําตอบสุดท้าย

“อธิบายเพิ่มได้ว่า Agentic AI คือการให้ AI เข้าถึงเครื่องมือมากขึ้นเรื่อยๆ สามารถ Interactive กับภายนอกได้ และมีการทํางานหลายรูปแบบ แต่ข้อสําคัญที่สุดก็คือ เป็น AI ที่มีความสามารถในการพิจารณาการใช้เครื่องมือภายนอก แล้วดูผลการทํางานได้ ก่อนที่มันจะสรุปกับตัวมันเองว่าทําเสร็จหรือยัง เสร็จแล้วถึงให้คำตอบ” 

ในมิติที่ลึกขึ้น รูปแบบการใช้งาน Agentic AI ที่จะเพิ่มความนิยมมากขึ้นเรื่อยๆ คือ Deep Research หรือ การค้นหาข้อมูลเชิงลึก 

อย่างการตั้งคำถามให้ AI ตอบว่า ‘ประเทศไทยมีประชากรกี่คน’ ถ้าเป็น AI ในช่วงแรกจะมีระบบ Knowledge Cutoff คือ มีความรู้ ณ วันที่เทรน AI เสร็จ AI จึงสามารถจดจําคำตอบได้แค่นั้น แต่เมื่อ AI พัฒนาเป็น Deep Research มันจะเสิร์ชข้อมูลจากหลายแหล่งมาพิจารณาก่อนตอบ

“เวลามันตอบ มันจะไม่ได้ตอบแค่ประเทศไทยมีประชากร 70 ล้านคน แต่มันจะไปหาแหล่งข้อมูลจากหลายแหล่งแล้วมันจะวิเคราะห์ว่า ต้องนับตามไหน จะนับประชากรอย่างไรดี นับเฉพาะคนที่มีบัตรประชาชนหรือเปล่า อะไรแบบนี้ และระหว่างที่มันไล่อ่านไปเจอแหล่งข้อมูลนึงปุ๊บ มันอาจจะมีคําถามเพิ่มเติม ไปรีเสิร์ชเพิ่ม พอมันได้ข้อมูลครบถ้วนดีพอแล้วค่อยทํารายงานส่งเรา” คุณวสันต์อธิบาย 

“สรุปได้ว่า Agentic AI มีกระบวนการตัดสินใจ มีเครื่องมือในการทํางาน และคําตอบสุดท้ายที่เราได้ก็จะดีขึ้นเรื่อยๆ”

MFEC ซัพพอร์ตลูกค้าอย่างไรในยุคที่ AI ก้าวหน้าแบบไม่พัก

เนื่องจากลูกค้าองค์กรแต่ละรายมีความต้องการใช้งาน AI แตกต่างกันไป หากจะเข้าไปซัพพอร์ตหรือช่วยเหลือลูกค้าได้อย่างตรงจุดตรงใจ คุณวสันต์แยกให้เห็นความต้องการจาก Use Cases ที่ลูกค้ามี ก่อนที่จะให้คำปรึกษาเกี่ยวกับโซลูชันที่เหมาะสม

• แบบที่ 1 ลูกค้าอยากให้พนักงานมี AI ใช้แบบทั่วไป (Generic) แต่ใช้แค่ในองค์กร เช่น ให้ใช้ AI สรุปสาระสำคัญ สรุปการประชุม หรือเป็นผู้ช่วยเขียนโค้ด โดยพนักงานสามารถ Log In เข้าใช้งานด้วยอีเมลหรือบัญชีบริษัท

• แบบที่ 2 มี Use Case และลูกค้ารู้ความต้องการอยู่แล้ว ว่างานใดหรือขั้นตอนไหนของการทำงานที่น่าจะนำ AI มาช่วยงานได้ 

• แบบที่ 3 มี Use Case และลูกค้าต้องการใช้งาน AI ในระดับที่แอดวานซ์ยิ่งขึ้น เช่น ใช้เทคโนโลยีดิจิทัลอยู่แล้ว แต่ต้องการเปลี่ยนไปใช้ระบบอัตโนมัติในกระบวนการนั้นๆ  

โดยคุณวสันต์ยกตัวอย่างกรณีที่ลูกค้าชี้เป้าได้ชัด รู้ว่าต้องการให้ช่วยอะไร 

“สมมติแบบที่ 2 ฝ่ายจัดซื้อบอกว่า งานช้ามากเลย ต้องเสียพนักงานหนึ่งคนไปกรอกข้อมูลใน ERP (Enterprise Resource Planning หรือ ระบบที่ใช้จัดการทรัพยากรขององค์กรให้มีประสิทธิภาพสูงสุด) ตลอดทั้งเดือน จะแก้ปัญหายังไงได้บ้าง - นี่เป็นสิ่งที่เขาเจออยู่ เราอาจจะเข้าไปเสนอโซลูชันหรือเข้าไปพยายามแก้ปัญหาให้ในวันที่เขารู้ปัญหาของเขาอยู่แล้ว” 

และสำหรับองค์กรที่ต้องการขอคำปรึกษาเรื่องการใช้ AI, Gen AI, Agentic AI คุณวสันต์แนะนำให้เตรียม 3 ข้อมาพูดคุย ดังนี้

• ข้อแรก เตรียม Use Case อาจจะเป็นภาพกว้างเลยว่า องค์กรมีปัญหาอะไร แล้วอยากแก้ปัญหาอะไร เช่น พนักงานบ่นว่าระบบลางานซับซ้อน ใช้งานยาก หาหน้าเว็บไม่เจอ จะแก้ยังไง

• ข้อสอง เตรียมข้อมูลที่ใช้ในการแก้ปัญหา ซึ่งอาจเป็นปัญหาด้านระบบ หรือไม่ใช่ปัญหาที่เกี่ยวกับระบบโดยตรง เช่น การตอบปัญหาในองค์กรแบบ Q&A ที่ต้องมีข้อมูล (Data) พื้นฐาน ยกตัวอย่าง ฝ่ายกฎหมายของบริษัท A ต้องการรีวิวสัญญากับคู่ค้า บริษัท A มีองค์ความรู้หรือข้อมูลในอดีตไหมว่า เคยทำสัญญาอะไร มีข้อความใดในสัญญาที่ต้องระวัง หรือหากเกิดปัญหา พนักงานสามารถแก้ปัญหาได้ด้วยวิธีที่เคยทำหรือทำตามข้อมูลเดิมอย่างไร

• ข้อสาม เตรียมอินเทอร์เฟซกับระบบ ข้อนี้จะตอบโจทย์ความคล่องตัวในการใช้งาน เช่น พนักงานอยากใช้ระบบอย่างไร บริษัทต้องเชื่อมต่อกับระบบหลังบ้านเยอะไหม หรือมีระบบ ERP ด้วยหรือเปล่า และหากมี API ที่ต่อกับ AI ได้ยาก ทาง MFEC ก็อาจต้องทำตัวเชื่อม (Connector) เข้าไปเพิ่มให้

“ทีม MFEC เข้าไปช่วยตั้งแต่การออกแบบระบบเลยว่า จะอินทิเกรตกับลูกค้าอย่างไร ด้านโครงสร้างพื้นฐานต้องทำเพิ่มหรือไม่ ไปกับระบบเดิมได้หรือเปล่า หรือหากลูกค้าบอกว่าข้อมูลบางอย่างเซนซิทีฟมาก ต้องซื้อเซิร์ฟเวอร์ไปวางในองค์กรเลย ข้อมูลจะได้ไม่หลุดออกไป ก็จะวางแผนการใช้งานให้” ซีทีโอเล่าถึงการพูดคุยเพื่อวางแผนงานในระดับ Operation ของ MFEC

ในความเป็นจริงยังมีความต้องการอีกแบบ คือ ลูกค้าไม่รู้จะใช้ AI ด้านไหน อย่างไร แต่อยากนำมาใช้ในองค์กรบ้าง เพราะเห็นผู้นำองค์กรหรือผู้บริหารที่ปรากฏตามสื่อ ใช้ ChatGPT แล้วเพิ่มศักยภาพทางธุรกิจได้ 

“ถ้าเป็นแบบนี้ต้องถอยมาคุยอีกขั้น พี่มีปัญหาอะไรอยู่ข้างในบ้าง งานใดกินเวลางานมาก มีปัญหาหรือมีความผิดพลาดสูงตรงไหนหรือไม่ แต่อันนี้ต้องยอมรับกันก่อน ว่าไม่ใช่ทุกปัญหาที่จะแก้ด้วย AI ได้” คุณวสันต์กล่าวเพื่อเพิ่มความตระหนักรู้

ในกรณีที่ได้รับโจทย์มาแบบกว้างๆ หากลูกค้ากับ MFEC มีศักยภาพที่จะทําบางสิ่งบางอย่างสนับสนุนกันหรือมีจุดคลิกกันได้ ซีทีโอวสันต์บอกว่า อาจร่วมสร้าง POC (Proof of Concept) หรือ โปรเจกต์ทดสอบความเป็นไปได้ในการใช้ AI แก้ปัญหาหรือช่วยงานนั้นๆ ดูก่อน หากทำได้ก็ก้าวเข้าสู่สเต็ปการทดสอบและการใช้งานจริง

‘อย่าปิดกั้นการใช้ AI’ เรื่องที่อยากฝากไว้ให้คิด

ตามปกติ องค์กรมักจะมีเครื่องมือหรือใช้ระบบภายในไม่ต่ํากว่า 10 ระบบ อาทิ ระบบวันลา ระบบเบิกค่าใช้จ่าย ระบบจองห้องประชุม ระบบจัดซื้อ ระบบคำนวณต้นทุนหรือยอดขาย ฯลฯ เมื่อเชื่อมระบบต่างๆ กับ AI เพื่อทำเป็น Agentic AI ใส่คำสั่งในแชตแชตเดียวว่า อยากได้หรืออยากเห็นข้อมูลอะไรบ้าง Agentic AI ก็จะดึงข้อมูลขึ้นมาให้

กลไกการใช้งาน Agentic AI ในองค์กร จึงเหมือนกับ Deep Research กล่าวคือ ‘ค้นหาคำตอบที่ใช่ที่สุดแล้วรายงานผลออกมา’ แต่การใช้ Agentic AI ในองค์กร ระบบจะเชื่อมและดึงข้อมูลจากภายในองค์กรเท่านั้น ขณะที่ Deep Research จะค้นข้อมูลจากคลังออนไลน์ที่ปรากฏอยู่ทั่วเครือข่ายอินเทอร์เน็ต

แม้เห็นการลงทุนในเทคโนโลยี AI ผ่านโปรเจกต์ต่างๆ มากขึ้นในปี 2024 รวมถึงการใช้งานจริง (Deploy) ที่เพิ่มมากขึ้นเรื่อยๆ โดยเฉพาะในองค์กรขนาดใหญ่ซึ่งมีผู้ใช้งาน 5,000 - 10,000 คน ในช่วง 2 ปีมานี้ คุณวสันต์เผยอีกมุมหนึ่งว่า เชื่อแน่ว่ามีการใช้ AI ในทุกระดับการทำงานในองค์กรขนาดใหญ่ แต่ในแง่ของนโยบายบริษัท  (Policy) บางแห่งก็กำหนดให้ใช้หรือไม่ใช้ต่างกันไป

บางองค์กรอาจให้ฝ่ายไอทีทำงานแบบเดิม ไม่ได้สนับสนุนเครื่องมืออะไรเพิ่ม แต่ถ้าองค์กรไหนมีเกินร้อยคน ผมเชื่อว่านาทีนี้มีพนักงานแอบใช้ AI แน่นอน ไม่ว่าองค์กรจะอนุญาตหรือไม่ 

สอดคล้องกับรายงานจากฝั่งยุโรปที่ออกมาในช่วงต้นเดือนกุมภาพันธ์ 2025 ระบุว่า มีพนักงานราว 75% ใช้ AI ในการทำงาน ไม่ว่าองค์กรจะอนุญาตหรือไม่ โดยครึ่งหนึ่งบอกว่า จะแอบใช้ต่อไปเพราะใช้จนติดมากแล้ว แม้บริษัทออกกฎห้ามใช้ก็ตาม  

“การที่เราโอบอุ้มให้พนักงานใช้ AI เรายังพอมอนิเตอร์ พอควบคุมได้บ้าง ถ้าใครใช้ผิดก็เตือนไป แต่ถ้าองค์กรไม่โอบอุ้มเลย อันนี้ลําบาก เพราะพนักงานก็จะใช้อยู่ดี คราวนี้ก็ไม่เห็นแล้วว่า ใช้อะไรยังไงบ้าง” 

สำหรับชาว MFEC บริษัทให้พนักงานคลิกเลือกในระบบได้เลยว่า อยากใช้โมเดล AI ตัวไหน ถ้าตัวแรกให้คำตอบได้ไม่ดีหรือ Failure ก็สามารถกดเลือกโมเดลอื่นๆ ได้ และเนื่องจากมีการใช้ AI กับเครื่องมือที่หลากหลายยิ่งขึ้น ช่วงนี้จึงเป็นช่วง Experiment หรือ ทดลอง ทดสอบการใช้โมเดลต่างๆ เป็นการสร้าง Use Case เพิ่ม จนกว่าการพัฒนา AI จะไปถึงจุดที่เสถียรพอและมั่นใจได้ว่า ให้ผลลัพธ์ที่แม่นยำจนนำไปใช้ต่อได้

คุณวสันต์ให้คำแนะนำเพิ่มว่า องค์กรควรจะมีช่องแชตให้พนักงานถามเรื่องในองค์กร การจะเลือกใช้ AI ตัวไหนก็ให้เลือกตัวที่องค์กรสามารถมอนิเตอร์การใช้งานได้ เพื่อติดตามว่า พนักงานใช้ AI ทําอะไรบ้าง ใช้มากน้อยแค่ไหน หรือมีการใช้งานที่ขัดกับนโยบายบริษัทหรือไม่ 

ผมมองว่าองค์กรควรเปิดให้พนักงานได้ใช้ AI มากสุดเท่าที่จะทําได้และเอื้อได้ แต่ก็ต้องขึ้นอยู่กับประเภทธุรกิจ ขึ้นอยู่กับข้อมูลพนักงานแต่ละคนด้วย ทีนี้พนักงานก็จะตระหนักรู้ว่า AI ที่ใช้นั้นมีความสามารถระดับไหนและมีข้อจํากัดอย่างไร ส่งผลต่อการเห็น Process บางอย่างที่สามารถนํา AI มาใช้ได้

ในตอนท้าย คุณวสันต์กล่าวถึงการใช้งาน AI อย่างปลอดภัย มีความรับผิดชอบว่า MFEC ให้ใช้ AI สรุปงานได้ ช่วยงานได้ ช่วยประเมินบางอย่างได้ แต่ถ้าเป็นเรื่องที่กระทบกับคน ยังต้องให้คนตัดสินใจ 

“เรามีนโยบายการใช้งาน AI อย่างปลอดภัยอยู่ว่า ‘อย่าใช้ในการตัดสินคน’ เช่น เราใส่รีพอร์ตประเมินพนักงานโดยให้ AI คํานวณเงินเดือนปีหน้าว่า ควรขึ้นให้คนนี้กี่เปอร์เซ็นต์ แบบนี้ไม่ได้ แต่ต้องมีการพิจารณาเพิ่มเติมก่อนว่า การใช้ AI มีความแม่นยำพอ และมีมาตรการป้องกันความผิดพลาดจนยอมรับได้”

ส่วนเรื่องการใช้ AI เพื่อสร้างความยั่งยืน ซีทีโอ MFEC เผยแนวทางเอาไว้ แต่ยังไม่ใช่ตอนนี้ “AI กลายเป็นผู้ร้ายในโลกความยั่งยืน เพราะว่า AI ใช้ไฟหนักมาก ดาต้าเซ็นเตอร์ก็มาลงที่นี่ แต่ถึงอย่างไร เราก็เชื่อแน่ว่า การใช้ AI ในอนาคตจะทำให้มี ROI (Return of Investment) ได้ มากกว่านั้น AI ตัวใหม่ๆ ก็จะมีประสิทธิภาพดีขึ้นด้วยตัวของมันเอง และจะใช้เซิร์ฟเวอร์น้อยลงมาก อนาคตอาจจะรัน AI บน PC ของพนักงานได้เลย ใครไม่ใช้ก็ปิดไป ทําให้การใช้ทรัพยากรองค์กรลดลงได้ในอนาคต”