สารบัญ
Series: AAISM — มุมเจ้าของกิจการ/ผู้บริหาร (Management & Deployer lens) ตอนที่ 05 / Domain 1 — “AI เหมาะ/ไม่เหมาะงานไหน + คุ้มไหม” (สารบัญเต็มจะตามมาครับ)
📚 ใครยังงงว่า AI / Machine Learning / GenAI มันต่างกันยังไงแบบพื้นฐานๆ เดี๋ยวซีรีส์ AI 101 จะปูให้ครบเองครับ ตอนนี้เราจะลัดมาที่คำถามที่เจ้าของกิจการถามจริงๆ คือ “งานไหนควรให้ AI ทำ งานไหนไม่ควร แล้วจ่ายเงินก้อนนี้ไปมันคุ้มไหม”
ลองนึกภาพแบบนี้ครับ สมมติว่าวันหนึ่งมีพนักงานใหม่เดินเข้ามาในออฟฟิศ เก่งมาก อ่านเอกสารพันหน้าจบในสามวินาที เขียนอีเมลภาษาอังกฤษสวยกว่าคุณ สรุปประชุมยาวสองชั่วโมงเหลือครึ่งหน้า แถมไม่เคยบ่นว่าเหนื่อย ไม่ลางาน ไม่ขอขึ้นเงินเดือน
ฟังดูเหมือนสวรรค์ใช่ไหมครับ แต่พนักงานคนนี้มีนิสัยแปลกๆ อยู่อย่าง คือ เวลามันไม่รู้คำตอบ มันจะไม่ยอมบอกว่า “ไม่รู้” แต่จะแต่งคำตอบที่ฟังดูมั่นใจสุดๆ ขึ้นมาแทน และมันจะทำงานตามที่คุณสั่ง “เป๊ะ” ตามตัวอักษร ไม่ใช่ตามที่คุณ “ตั้งใจ” จะสื่อ
นี่แหละครับคือ AI ในมุมของคนที่เอามาใช้ในธุรกิจ มันคือพนักงานใหม่ที่เก่งสุดๆ แต่ต้อง “กำกับ” เป็น ตอนนี้เราจะมาคุยกันสองเรื่องใหญ่ในมุมผู้บริหาร คือ (1) งานแบบไหนที่ควรมอบหมายให้พนักงานคนนี้ และงานแบบไหนที่ห้ามมอบ (2) ก่อนจะจ้างพนักงานคนนี้เข้ามา เราจะรู้ได้ยังไงว่ามันคุ้มค่าจ้าง — ทำ business case และ ROI ยังไงให้ไม่เจ๊ง
ตอนที่ 1 — AI ทำอะไรได้บ้าง (Use Cases) แต่ในมุม “ควรมอบงานนี้ให้มันไหม”
ก่อนอื่นต้องเข้าใจธรรมชาติของพนักงานคนนี้ก่อนครับ AI สมัยใหม่ส่วนใหญ่ทำงานบนเทคนิคที่เรียกว่า Machine Learning (ML — การเรียนรู้ของเครื่อง) คือมันไม่ได้ถูกเขียนโปรแกรมให้ทำตามกฎตายตัวทีละขั้น แต่มัน “เรียนรู้” จากข้อมูลจำนวนมหาศาล (ตัวอักษร ตัวเลข รูปภาพ เสียง วิดีโอ) แล้วสร้างเป็น “แบบจำลอง” (model) เพื่อเอาไปทายผล จัดกลุ่ม หรือตัดสินใจกับข้อมูลใหม่ที่มันไม่เคยเห็น
จุดสำคัญที่ผู้บริหารต้องจำให้ขึ้นใจคือ AI ไม่ได้ตัดสินใจด้วยตรรกะแบบมนุษย์ แต่ตัดสินใจด้วย “ความน่าจะเป็น” มันดูข้อมูลแล้วบอกว่า “อันนี้น่าจะใช่ 87%” แล้วทำตามนั้น ซึ่งแปลว่ามันมีโอกาสผิดเสมอ และความผิดของมันบางทีก็ไม่มีใครอธิบายได้ว่าทำไมมันถึงตัดสินแบบนั้น
สิ่งที่ทำให้ AI ต่างจากเทคโนโลยีเดิมๆ คือมันรับมือกับข้อมูลที่ “เยอะและซับซ้อนเกินกว่าที่คนจะนั่งทำเองไหว” ได้ และมันส่งผลต่อการกำกับดูแลของเรา 3 ทางหลักๆ คือ
- มันตัดสินใจ “อัตโนมัติ” ได้เอง (เราเลยต้องคิดว่าจะปล่อยให้มันตัดสินอะไรเองได้บ้าง)
- มันใช้การวิเคราะห์ข้อมูล/การเรียนรู้แทนตรรกะที่เราเขียนกำกับไว้ (เราเลย “ตามอ่านเหตุผลของมัน” ได้ยาก)
- มันปรับตัวตามสภาพแวดล้อมที่เปลี่ยนไป โดยที่เราไม่ได้สั่งล่วงหน้าและไม่รู้ล่วงหน้าด้วยซ้ำ
มุมผู้บริหาร: สามข้อนี้คือเหตุผลว่าทำไม AI ถึง “ต้องกำกับ” ไม่ใช่ “ติดตั้งแล้วลืม” เหมือนซอฟต์แวร์ปกติ พนักงานคนนี้เก่ง แต่มันตัดสินใจเอง มันอธิบายตัวเองไม่เก่ง และมันเปลี่ยนพฤติกรรมได้โดยไม่บอกกล่าว — งานของผู้บริหารคือออกแบบ “เส้นกรอบ” ให้มันก่อนปล่อยมันทำงาน
1.1 หกงานยอดฮิตที่มอบให้ AI ได้ดี (เล่าในมุมจะมอบงานนี้ยังไง)
คู่มือ AAISM ยกตัวอย่างงานที่องค์กรเอา AI (โดยเฉพาะ GenAI — AI ที่สร้างเนื้อหาใหม่ได้) ไปใช้ได้ดี ผมขอเล่าทีละงานพร้อมมุมที่ผู้บริหารต้องคิดว่า “ถ้าจะมอบงานนี้ ต้องคุมอะไร”
1) ผลิตคอนเทนต์อัตโนมัติ (Automatic content creation)
GenAI เขียนบทความ โพสต์โซเชียล สคริปต์โฆษณา อีเมลการตลาด ได้จากคำสั่ง (prompt) ที่เราป้อน
สมมติ ว่าร้านขายเฟอร์นิเจอร์แห่งหนึ่งอยากออกโพสต์โปรโมชันสัปดาห์ละ 10 ชิ้น เดิมต้องจ้างคนเขียนหรือให้พนักงานนั่งคิดเอง ตอนนี้ให้ AI ร่างให้ก่อน แล้วคนค่อยมาเกลา ประหยัดเวลาได้เยอะ
มุมผู้บริหาร: งานนี้เหมาะกับ AI เพราะ “ผิดแล้วแก้ได้ก่อนเผยแพร่” แต่ต้องตั้งกฎว่าใครเป็นคน “อนุมัติก่อนโพสต์” เพราะ AI อาจแต่งสรรพคุณสินค้าเกินจริง หรือลอกสำนวนคนอื่นมาโดยไม่ตั้งใจ
2) เขียนโค้ดเร็วขึ้น (Accelerated code writing)
เครื่องมืออย่าง GitHub Copilot หรือ ChatGPT ช่วยเสนอวิธีแก้ปัญหาและร่างโค้ดให้โปรแกรมเมอร์ คนเขียนแค่บอกว่าอยากได้ฟังก์ชันอะไร AI ก็ร่างให้
มุมผู้บริหาร: เพิ่ม productivity ทีม Dev ได้จริง แต่ต้องระวังว่าโค้ดที่ AI ร่างอาจมีช่องโหว่ความปลอดภัย หรือพนักงานอาจ “แปะโค้ดลับขององค์กร” เข้าไปถาม AI ภายนอกโดยไม่รู้ตัว — ต้องมีกติกาว่าโค้ดอ่อนไหวห้ามเอาไปป้อน AI สาธารณะ
3) ปรับประสบการณ์ให้ตรงคน (Personalization)
AI ช่วยให้ธุรกิจปรับข้อเสนอให้ตรงความสนใจลูกค้าแต่ละคน สมมติ ร้านค้าออนไลน์แห่งหนึ่งใช้ AI ดูประวัติการซื้อแล้วแนะนำสินค้าที่ลูกค้าน่าจะชอบ เพิ่มโอกาสปิดการขาย
มุมผู้บริหาร: ได้ยอดขายเพิ่ม แต่ “ความเป็นส่วนตัวของลูกค้า” คือความเสี่ยง — การเอาประวัติลูกค้าไปวิเคราะห์ต้องไม่ขัด PDPA และต้องไม่ทำให้ลูกค้ารู้สึกว่าถูกสอดส่อง
4) จัดรูปแบบและสรุปข้อมูล (Formatting & summarizing)
AI ย่อยข้อมูลข้อความปริมาณมหาศาล ดึงประเด็นสำคัญ จัดเรียงใหม่ได้ สมมติ ฝ่ายกฎหมายของบริษัทหนึ่งมีสัญญายาว 80 หน้า ให้ AI สรุปประเด็นเสี่ยงออกมาเป็นหน้าเดียวก่อนทนายอ่านละเอียด
มุมผู้บริหาร: ประหยัดเวลามาก แต่ “สรุปผิด/ตกประเด็น” คือหายนะในงานกฎหมายหรือการเงิน — งานสรุปเอกสารสำคัญต้องมีคนตรวจซ้ำเสมอ ห้ามใช้สรุปของ AI เป็นคำตัดสินสุดท้าย
5) เพิ่มคุณภาพชุดข้อมูล (Enhancing dataset quality)
GenAI สร้าง “ข้อมูลเสริม” (data augmentation) ได้ เช่นเอาข้อมูลเดิมมาแปลงให้หลากหลายขึ้น สมมติ ทีมพัฒนารถยนต์ขับเคลื่อนอัตโนมัติมีรูปถนนในเมืองอยู่ชุดหนึ่ง ให้ AI สร้างภาพแบบ “ฝนตก” หรือ “มีรถประเภทอื่นเพิ่ม” เพื่อให้โมเดลฉลาดขึ้น
มุมผู้บริหาร: นี่เป็นงานเชิงเทคนิคลึก ผู้บริหารแค่ต้องรู้ว่ามันทำได้ และต้องระวังว่า “ข้อมูลปลอมที่ AI สร้าง” ถ้าคุมไม่ดีจะทำให้โมเดลเพี้ยนได้ (เดี๋ยวเรื่องนี้จะวนมาในหัวข้อขีดจำกัด)
6) บริการลูกค้าที่ดีขึ้น (Improved customer service)
แชตบอต AI ตอบลูกค้าได้เร็ว เข้าใจบริบทบทสนทนา ตอบเป็นธรรมชาติ สมมติ ร้านเสื้อผ้าออนไลน์แห่งหนึ่งใช้แชตบอตตอบเรื่องสถานะออเดอร์ แนะนำสินค้า จัดการคืนสินค้า โดยไม่ต้องมีคนตอบ
มุมผู้บริหาร: ลดภาระทีม support ได้มาก แต่แชตบอตที่ตอบผิด/ตอบหยาบ/สัญญาเกินจริงกับลูกค้า = ความเสียหายต่อแบรนด์ทันที — ต้องมีเส้น “เคสแบบไหนต้องโอนให้คนจริงรับช่วง”
1.2 AI เหมาะกับปัญหาประเภทไหน — ตารางจับคู่ปัญหากับ “ทรงงาน” ของ AI
อีกมุมที่ช่วยให้ผู้บริหารตัดสินใจได้ดีคือ มอง “ลักษณะของผลลัพธ์ที่อยากได้” แล้วจับคู่กับความสามารถของ AI คู่มือจัดประเภทปัญหาทางธุรกิจไว้แบบนี้ ผมเรียบเรียงเป็นตารางพร้อมตัวอย่างไทยเองครับ
| ปัญหาที่อยากแก้ | AI ให้ผลลัพธ์แบบไหน | ตัวอย่าง (สมมติ) ในธุรกิจไทย |
|---|---|---|
| จัดหมวด (Classification) | ติดป้ายเป็นกลุ่มชัดเจน | คัดอีเมลสแปม / แยกรีวิวลูกค้าว่าบวกหรือลบ / คัดใบเสร็จเข้าหมวดบัญชี |
| ทำนายค่าต่อเนื่อง (Regression) | ตัวเลขที่ไหลต่อเนื่อง | ทำนายยอดขายเดือนหน้า / ประเมินราคาบ้านมือสอง / คาดการณ์ค่าไฟโรงงาน |
| จัดกลุ่มของคล้ายกัน (Clustering) | กองข้อมูลที่คล้ายกัน | แบ่งกลุ่มลูกค้าตามพฤติกรรม / จัดกลุ่มสินค้าที่ขายคู่กันบ่อย |
| ลดมิติข้อมูล (Dimensionality reduction) | ตัวแปรน้อยลง อ่านง่ายขึ้น | บีบอัดข้อมูล / ทำกราฟภาพรวมข้อมูลก้อนใหญ่ให้ดูเข้าใจ |
| จับสิ่งผิดปกติ (Anomaly detection) | ชี้จุดที่เบี่ยงจากปกติ | จับธุรกรรมโกง / เตือนเครื่องจักรก่อนพัง (predictive maintenance) |
| ระบบแนะนำ (Recommendation) | คำแนะนำเฉพาะคน | แนะนำสินค้าต่อ / แนะนำหนังบนแพลตฟอร์มสตรีมมิง |
| เรียนรู้จากรางวัล (Reinforcement learning) | เลือกการกระทำที่ดีที่สุด | คุมหุ่นยนต์ / เล่นเกม / ปรับระบบแนะนำแบบไดนามิก |
ประเด็นที่ผมอยากให้ผู้บริหารโฟกัสจากตารางนี้ไม่ใช่ศัพท์เทคนิค แต่คือคำถามว่า “ปัญหาของเราหน้าตาเหมือนข้อไหน” ถ้าตอบได้ คุยกับทีมเทคนิคจะง่ายขึ้นมาก เพราะคุณจะรู้ว่ากำลังขอ “ทรงงาน” แบบไหนจาก AI
มุมผู้บริหาร: มีคำเตือนสำคัญหนึ่งข้อในคู่มือที่ผมขอเน้น — ก่อนจะตัดสินใจใช้ AI ให้ถามตัวเองก่อนว่า “งานนี้จำเป็นต้องใช้ AI จริงหรือเปล่า หรือวิธีธรรมดา (ไม่ใช่ AI) อาจทำได้ดีกว่าและถูกกว่า” หลายงานแก้ด้วยสูตร Excel, การตั้งกฎง่ายๆ, หรือจ้างคนพาร์ตไทม์ ก็จบ — ไม่ต้องลงทุน AI เลย การเอา AI ไปแก้ทุกอย่างเพราะมันเท่ คือกับดักการเสียเงินที่ใหญ่ที่สุด
1.3 ทำไมโปรเจกต์ AI ส่วนใหญ่ถึง “เจ๊ง” — กับดักที่ผู้บริหารต้องเลี่ยง
นี่คือหัวข้อที่ผมว่าสำคัญที่สุดของตอนนี้ครับ เพราะตอนนี้ทุกองค์กรรีบกระโดดเข้าหา GenAI กันหมด แต่มีงานวิจัยที่ชี้ว่า โปรเจกต์ AI จำนวนมากล้มเหลว ไม่ถึงเป้าที่ตั้งไว้ และสาเหตุหลักไม่ใช่เพราะ AI ไม่เก่ง แต่เพราะ “เลือกงานผิด” ตั้งแต่แรก
คู่มือสรุปสาเหตุที่โปรเจกต์ AI ล้มเหลวซ้ำๆ ไว้ ผมขอจัดเป็นตาราง “กับดัก” พร้อมสัญญาณเตือนและสิ่งที่ผู้บริหารควรทำ
| กับดัก (สาเหตุที่เจ๊ง) | สัญญาณเตือน | ผู้บริหารควรทำ |
|---|---|---|
| เข้าใจ/สื่อสารปัญหาผิด | ทีมตอบไม่ได้ว่า “เราแก้ปัญหาอะไรกันแน่” | บังคับให้เขียน “ปัญหา 1 ประโยค” ก่อนอนุมัติงบ |
| ข้อมูลไม่มีคุณภาพ | ข้อมูลกระจัดกระจาย ตกหล่น ไม่อัปเดต | ตรวจสภาพข้อมูลก่อน อย่าเริ่มถ้าข้อมูลยังเละ |
| ไม่ได้แก้ปัญหาธุรกิจจริง | ”ทำเพราะคู่แข่งทำ” / “อยากมี AI ไว้โชว์” | ผูกทุกโปรเจกต์กับตัวเลขธุรกิจที่วัดได้ |
| โครงสร้างพื้นฐานไม่พร้อม | ไม่มีที่เก็บข้อมูล/ระบบรองรับการรันโมเดล | ประเมินความพร้อมระบบ + งบ infra ตั้งแต่ต้น |
| เอา AI ไปแก้ปัญหาที่ยากเกินไป | คาดหวังให้ AI ทำสิ่งที่แม้แต่ผู้เชี่ยวชาญยังทำไม่ได้ | ตั้งเป้าให้สมจริง เริ่มจากงานเล็กที่ชัดเจน |
สังเกตว่า 3 ใน 5 ข้อนี้เป็นเรื่อง “คน, กระบวนการ, ข้อมูล” ล้วนๆ ไม่ใช่เรื่องเทคโนโลยี AI เลย คู่มือก็พูดตรงๆ ว่าความล้มเหลวของโปรเจกต์ AI มักโทษได้ที่ people, process, data
อีกกับดักที่ผมเห็นบ่อยคือ “ความคาดหวังเฟ้อ” (inflated expectations) — ผู้บริหารและพนักงานคาดหวังว่า AI จะแก้ได้ทุกอย่างเหมือนในหนัง พอใช้จริงแล้วไม่เป็นเช่นนั้นก็ผิดหวังและเลิกใช้ ทั้งที่ปัญหาอยู่ที่ความคาดหวัง ไม่ใช่ที่เครื่องมือ
มุมผู้บริหาร: กลับมาที่อุปมาพนักงานใหม่ — งานที่ดีคืองานที่ “ขับ ROI ให้โซลูชัน” คือเอาความสามารถของพนักงานคนนี้ไปจับกับสิ่งที่มีค่ากับองค์กร ลูกค้า และตัวขับเคลื่อนความสำเร็จจริงๆ องค์กรที่ทำสำเร็จมักเอา AI ไปจับงานชัดๆ เช่น ช่วยซัพพอร์ตลูกค้า ทำคอนเทนต์การตลาด ช่วยงานความปลอดภัยไซเบอร์ และเพิ่ม productivity ไม่ใช่เอาไปทำทุกอย่างพร้อมกัน
ตอนที่ 2 — ขีดจำกัดของ AI (Limitations) : นิสัยเสียของพนักงานเก่งคนนี้
มอบงานเป็นแล้ว ทีนี้ต้องรู้จัก “นิสัยเสีย” ของพนักงานคนนี้ด้วย เพราะถ้าไม่รู้ คุณจะมอบงานผิดประเภทแล้วเจ็บตัว คู่มือ AAISM ระบุขีดจำกัดของ AI ไว้ 7 ข้อ ผมขอเล่าแต่ละข้อพร้อม “control ที่ผู้บริหารต้องวางเพื่อกันความเสี่ยง”
1) ผลลัพธ์ไม่ตรงที่คาด (Unexpected results)
AI ให้คำตอบที่หลุดจากที่เราคาดได้ โดยเฉพาะเวลาคำสั่ง (prompt) ไม่ชัดหรือกำกวม เพราะผลลัพธ์ของมันขึ้นกับ “อินพุตที่เราป้อน” อย่างมาก
control: ฝึกทีมให้เขียนคำสั่งที่ชัด เจาะจง มีบริบท — เหมือนสอนงานพนักงานใหม่ ยิ่งบรีฟชัด งานยิ่งตรง
2) ผลลัพธ์ผิด/ไม่เหมาะสม (Inaccurate or inappropriate results)
AI ผลิตคำตอบที่ไม่ตรงกับข้อมูลโลกจริงได้ และที่อันตรายคือ ถ้าเอาผลลัพธ์ผิดๆ นี้ไปป้อนกลับเข้าไปฝึกโมเดลต่อ จะได้โมเดลที่เพี้ยน/มีอคติออกมา ความผิดเล็กๆ ที่มองไม่เห็นด้วยตาเปล่าจะค่อยๆ สะสม
control: ต้อง “มีคนตรวจ” (human review) ผลลัพธ์ก่อนใช้งานจริง อย่าเชื่อข้อมูลที่ AI สร้างโดยไม่ตรวจ โดยเฉพาะถ้าจะเอาไปฝึกต่อ
3) ขาดบริบท (Lack of context)
AI ไม่มีความรู้โลกจริง มันรู้แค่เท่าที่ข้อมูลฝึกมันมี ถ้าคำถามเฉพาะเกินไป หรือข้อมูลฝึกไม่ครบ/ไม่ตรง มันจะตอบมั่ว คำถามเกี่ยวกับเทคโนโลยีหรือเหตุการณ์ใหม่ๆ มักได้คำตอบเก่าหรือผิด
control: รู้ว่าโมเดล “ฝึกมาถึงเมื่อไหร่” และอย่าถามเรื่องเฉพาะทาง/ล่าสุดโดยไม่ป้อนข้อมูลประกอบให้มัน
4) ข้อจำกัดในการตอบ (Response constraints)
บางทีต่อให้ขอ AI ก็ผลิตเนื้อหาบางประเภทไม่ได้ เพราะติดข้อจำกัดในตัวสถาปัตยกรรมของมัน ข้อจำกัดพวกนี้มีไว้กันการสร้างเนื้อหาผิดกฎหมาย/ไม่พึงประสงค์ แต่บางทีก็ไปบล็อกการใช้งานที่ถูกต้องด้วย
control: เข้าใจว่าเป็นเรื่องปกติ ไม่ใช่ AI พัง — ออกแบบ workflow เผื่อกรณีที่ AI ปฏิเสธงานที่จริงๆ ทำได้
5) อคติ (Bias)
AI ให้คำตอบที่มีอคติได้ ถ้าข้อมูลที่ฝึกมามีอคติหรือถูกเซ็นเซอร์ แม้คำสั่งจะถูกต้อง อคติก็โผล่ได้เพราะมันติดมากับข้อมูลต้นทาง
control: เรื่องนี้คือความเสี่ยงด้านชื่อเสียงและกฎหมายโดยตรง — งานที่กระทบสิทธิคน (รับสมัครงาน อนุมัติสินเชื่อ) ต้องมีคนตัดสินขั้นสุดท้าย ห้ามปล่อย AI ตัดสินเดี่ยวๆ
6) ขีดจำกัดหน่วยความจำ/โทเคน (Token limits)
AI มี “เพดานความจำ” ในบทสนทนายาวๆ พอชนเพดานมันจะ “ลืม” สิ่งที่คุยไว้ก่อนหน้า ทำให้เสียบริบทกลางคัน
control: งานยาวๆ ให้แบ่งเป็นช่วง สรุปประเด็นสำคัญป้อนซ้ำเป็นระยะ อย่าคาดหวังให้มันจำทั้งหมด
7) สับสนและหลอน (Confusion & hallucinations)
ข้อนี้สำคัญที่สุดและตรงกับ “นิสัยเสีย” ที่ผมเปิดเรื่องไว้ — ในฐานะโมเดลภาษา AI ไม่ใช่แหล่งความรู้ที่เชื่อถือได้ มีโอกาสสูงมากที่ข้อมูลที่มันให้จะ “ถูกแต่งขึ้น” บางส่วนหรือทั้งหมด โดยพูดด้วยน้ำเสียงมั่นใจเต็มร้อย
control: ทุกข้อเท็จจริงที่ AI ให้ “ต้องตรวจสอบกับแหล่งจริง” ก่อนเอาไปใช้ตัดสินใจสำคัญ — อย่าให้พนักงานคนนี้เซ็นเอกสารแทนคุณ
มุมผู้บริหาร: ขีดจำกัด 7 ข้อนี้ไม่ได้แปลว่า “อย่าใช้ AI” แต่แปลว่า “ใช้แบบรู้ทัน” หลักง่ายๆ ที่ผมใช้คือ — งานที่ผิดแล้วแก้ได้ก่อนใครเห็น (ร่างคอนเทนต์ ระดมไอเดีย สรุปเบื้องต้น) = มอบให้ AI ได้สบาย / งานที่ผิดแล้วเสียหายทันทีและย้อนไม่ได้ (ตัดสินใจกฎหมาย การเงิน สิทธิของคน) = AI เป็นได้แค่ผู้ช่วย คนต้องเป็นคนตัดสิน เส้นนี้คือ control ที่สำคัญที่สุดที่ผู้บริหารต้องลากให้ชัดในองค์กร
ตอนที่ 3 — Business Case : ก่อนจ้างพนักงานคนนี้ ต้องเขียนใบสมัครให้ผ่านก่อน
สมมติงานเหมาะกับ AI แล้ว และเรารู้ขีดจำกัดมันแล้ว คำถามถัดมาคือ “เราจะอนุมัติให้ทำจริงไหม” คู่มือ AAISM ยืนยันชัดว่า โซลูชัน AI ทุกตัวที่เสนอ ควรมี “business case” (เหตุผลเชิงธุรกิจ) ที่เป็นเอกสารชัดเจน ไม่ใช่ทำเพราะกระแส
business case มีไว้เพื่อ “พิสูจน์ว่าการลงทุนนี้คุ้ม” อย่างน้อยต้องตอบ 5 เรื่องนี้ให้ได้ ผมขอเล่าในมุมคำถามที่ผู้บริหารต้องถาม
| องค์ประกอบ business case | คำถามที่ผู้บริหารต้องได้คำตอบก่อนอนุมัติ |
|---|---|
| ปัญหาที่จะแก้ | ”เรากำลังแก้ปัญหาอะไร พูดเป็นประโยคเดียวได้ไหม” |
| วิธีที่ AI จะแก้ | ”AI ตัวนี้จะแก้ปัญหานั้นได้ยังไง อธิบายเป็นขั้นๆ” |
| ROI จาก cost-benefit | ”ลงเท่าไร ได้กลับมาเท่าไร ภายในเมื่อไร” |
| ความเสี่ยง + แผนรับมือ | ”ถ้ามันพลาด เสียหายแบบไหน เราเตรียมรับมือยังไง” |
| แผนติดตั้งละเอียด | ”ใครทำ ทำเมื่อไร ใช้อะไร เสร็จเมื่อไร” |
เหตุผลที่ต้องบังคับให้มี business case เป็นเอกสาร ไม่ใช่พิธีกรรมราชการครับ แต่เพราะ ความตื่นเต้นเรื่อง “AI ทำอะไรได้บ้าง” มันแรงมากจนคนลืมถามว่า “แล้วเราต้องการมันจริงไหม” ถ้าไม่มี business case ที่ตรงกับความต้องการธุรกิจจริง องค์กรเสี่ยงสูงที่จะติดตั้ง AI แล้วล้มเหลว (วนกลับมาที่กับดักในตอนที่ 1)
3.1 เริ่มจาก “ปัญหา” ไม่ใช่ “เทคโนโลยี”
ขั้นแรกของการสร้าง use case ที่ดีคือ “ระบุปัญหา” ก่อน องค์กรมักใช้กลไกเหล่านี้ช่วยหาปัญหาที่ AI แก้ได้:
- ตั้งคณะกรรมการภายใน (เช่น คณะกรรมการ IT หรือคณะกรรมการนวัตกรรม)
- เปิดรับฟีดแบ็กจากพนักงานหน้างาน
- หรือใช้ที่ปรึกษาที่มีความเชี่ยวชาญช่วยมอง
ปัญหาพวกนี้มักเกี่ยวกับ “ประสิทธิภาพการทำงาน” หรือ “การลดความผิดพลาดของคน” พอเจอปัญหาแล้ว ค่อยไปหาว่า AI ตัวไหนแก้ได้ — ไม่ใช่เริ่มจาก “อยากใช้ AI ตัวนี้ แล้วไปหาว่าจะเอาไปทำอะไร”
3.2 ซื้อสำเร็จรูป vs. สร้างเอง — เรื่องนี้ผู้บริหารต้องตัดสิน
นี่คือจุดตัดสินใจที่ผมว่าผู้บริหารต้องเข้าใจให้ชัด คู่มือเตือนว่าโซลูชัน AI ที่เสนอต้อง “เหมาะสม ทำได้จริง และให้ผลตามที่ต้องการ”
- ใช้ของสำเร็จรูปที่พิสูจน์แล้ว (เช่น บริการ AI บนคลาวด์อย่าง ChatGPT หรือ Copilot) = ความไม่แน่นอนน้อย เพราะ use case ต้นทุน และประโยชน์ “รู้กันอยู่แล้ว” มี case study ให้ดูเพียบ — เหมาะกับองค์กรส่วนใหญ่
- สร้างโซลูชันใหม่เอี่ยมบนแนวคิด/โมเดลที่ยังพัฒนาอยู่ = ความคาดหวังเยอะ แต่ “ไม่มีเส้นทางสู่ความสำเร็จที่ชัดเจน” ความเสี่ยงสูงมาก ต้นทุนบานปลายง่าย
มุมผู้บริหาร: อุปมาง่ายๆ คือ การใช้ของสำเร็จรูป = “จ้างพนักงานที่มีประสบการณ์ตรงมาแล้ว รู้ว่าทำงานได้แน่” ส่วนการสร้างเอง = “ส่งคนไปเรียนสกิลใหม่ที่ยังไม่มีใครเคยเรียน แล้วหวังว่าจะเก่ง” — ถ้าไม่ได้มีเหตุผลเชิงกลยุทธ์ที่หนักแน่นจริงๆ (เช่นเป็นความลับธุรกิจที่ห้ามใช้ของคนอื่น) เริ่มจากของสำเร็จรูปก่อนเกือบทุกครั้งคุ้มกว่าและเสี่ยงน้อยกว่า
ตอนที่ 4 — Cost-Benefit Analysis : นับเงินที่ “เห็น” และเงินที่ “ไม่เห็น”
พอจะอนุมัติ business case ผู้บริหารต้องชั่งน้ำหนัก “ต้นทุน” กับ “ประโยชน์” คู่มือชี้ว่า AI มีต้นทุนบางอย่างที่ไม่เหมือนซอฟต์แวร์ทั่วไป คนมักลืมนับ ทำให้คิดว่าคุ้มทั้งที่จริงไม่คุ้ม ผมขอแยกเป็นตาราง
4.1 ต้นทุนที่ต้องนับให้ครบ (3 กลุ่ม)
| กลุ่มต้นทุน | รายการที่มักถูกลืม |
|---|---|
| ต้นทุนติดตั้ง (Implementation) | ค่าพัฒนา, ค่าลิขสิทธิ์/license, ค่าฝึกอบรมพนักงานให้ใช้เป็น |
| ต้นทุนดำเนินงาน (Operational) | ค่าดูแลรักษาระบบ, ค่าพลังงาน/ค่าประมวลผล, เงินเดือนพนักงานสาย AI ที่จ้างเพิ่ม |
| ต้นทุนความเสี่ยง/ปฏิบัติตามกฎ (Risk & compliance) | ค่าปกป้องความเป็นส่วนตัวข้อมูล, ค่าจัดการชื่อเสียงเวลาเกิดเรื่อง |
ที่ผมอยากเน้นเป็นพิเศษคือ ค่าพลังงาน/ค่าประมวลผล กับ ต้นทุนความเสี่ยง สองอย่างนี้คนทำ business case มือใหม่มักลืมนับ AI โดยเฉพาะตัวใหญ่ๆ กินทรัพยากรประมวลผลมหาศาล ค่ารันต่อเดือนอาจสูงกว่าค่าติดตั้งครั้งแรกเสียอีก และต้นทุนชื่อเสียงเวลา AI พลาด (เช่นแชตบอตตอบผิดจนลูกค้าโกรธ) ตีเป็นเงินยากแต่แพงจริง
4.2 ประโยชน์ที่ AI มักให้ (3 กลุ่ม)
ฝั่งประโยชน์ต้องผูกกับ “ปัญหาเดิมใน business case” เสมอ ไม่ใช่นับประโยชน์ลอยๆ คู่มือยกตัวอย่างประโยชน์ที่พบบ่อย:
- ประสิทธิภาพและงานอัตโนมัติ — ปลดงานซ้ำซากออกจากคน ให้คนไปทำงานที่มีมูลค่าสูงกว่า
- การตัดสินใจที่ดีขึ้น — ตัดสินใจบนฐานข้อมูลปริมาณมากที่วัดได้ และได้มุมมองใหม่ๆ ต่อกระบวนการธุรกิจ
- ลดต้นทุน — ลดต้นทุนกระบวนการ เช่น ค่าแรงและค่าความผิดพลาด
หลักคือ “เอาต้นทุนที่ระบุได้ทั้งหมด มาชั่งกับประโยชน์ที่คาดว่าจะได้” ถ้าฝั่งต้นทุนหนักกว่าหรือพอๆ กัน นั่นคือสัญญาณว่าควรคิดใหม่
มุมผู้บริหาร: อุปมาพนักงานใหม่อีกที — เวลาคุณจะจ้างพนักงานเก่งๆ คุณไม่ได้ดูแค่เงินเดือน คุณดู “ค่าฝึก ค่าที่นั่ง ค่าสวัสดิการ ค่าเสี่ยงถ้าเขาทำพลาด” รวมกัน เทียบกับ “งานที่เขาจะสร้างให้” AI ก็เหมือนกันเป๊ะ — อย่าหลงดูแค่ “ค่าสมัครสมาชิกเดือนละไม่กี่บาท” แล้วลืมต้นทุนแฝงทั้งหมด
ตอนที่ 5 — ROI : วัดผลตอบแทนยังไงให้ไม่หลอกตัวเอง
ปิดท้ายด้วยเรื่องที่เจ้าของกิจการทุกคนอยากรู้ — แล้วมันคุ้มไหม วัดยังไง
คู่มืออ้างถึงผลสำรวจของ Google ที่สอบถามผู้บริหารระดับสูงราว 2,500 คน พบว่า:
- ประมาณ 74% ขององค์กรที่ติดตั้งโซลูชัน GenAI เห็น ROI กลับมา
- 84% เปลี่ยน use case จากทดลองเป็นใช้งานจริง (production) ได้ภายใน 6 เดือน
- ในกลุ่มที่ใช้ GenAI จริงและรายได้โต มี 86% ประเมินว่ารายได้รวมต่อปีโตขึ้น 6% หรือมากกว่า
(ตัวเลขชุดนี้มาจากผลสำรวจจริงของ Google ที่คู่มืออ้างถึง ไม่ใช่ตัวเลขสมมตินะครับ)
ตัวเลขดูสวยก็จริง แต่คู่มือเตือนเรื่องสำคัญที่ผู้บริหารต้องตั้งสติไว้:
1) ช่วงแรก ROI มักจะต่ำ — และนั่นเป็นเรื่องปกติ
ตอนเริ่มติดตั้ง ประโยชน์ทางการเงินยังไม่เห็นชัด เพราะต้นทุนก้อนแรกสูง แล้วช่วงที่คนยังใช้ไม่คล่อง (ramp-up) งานก็ยังไม่ลื่น สิ่งสำคัญคือ ตั้งความคาดหวังให้สมจริงตั้งแต่ต้น อย่าเพิ่งคาดว่าเดือนแรกจะกำไร ไม่งั้นจะรีบล้มเลิกทั้งที่ของมันดี
2) อย่าวัดแค่ตัวเลขที่เห็นง่าย
รายได้เพิ่มหรือต้นทุนลด เป็น ROI ที่วัดง่ายที่สุด แต่คู่มือเตือนว่ามี ROI อีกมิติที่ต้องนับด้วย คือ “ปัจจัยมนุษย์” เช่น
- ความพึงพอใจของพนักงาน (พนักงานเครียดน้อยลงเพราะ AI ปลดงานน่าเบื่อออกไป)
- ประสบการณ์ลูกค้าที่ดีขึ้น (ตอบเร็วขึ้น ตรงใจขึ้น)
สองอย่างนี้ตีเป็นเงินตรงๆ ยาก แต่ส่งผลระยะยาวต่อธุรกิจมาก องค์กรที่วัด ROI แค่ “เงินเข้า-เงินออก” มักประเมิน AI ต่ำเกินจริง
มุมผู้บริหาร: เชื่อมกลับมาที่ AI Readiness ที่ผู้บริหารควรถามตั้งแต่ต้น — “เราวัดความสำเร็จและ ROI ของ AI ยังไง” และ “การลงทุน AI ให้คุณค่าตามที่คาดไหม” สองคำถามนี้ไม่ใช่ถามครั้งเดียวตอนเริ่ม แต่ต้อง ตั้ง KPI แล้วตามวัดเป็นระยะตลอดอายุการใช้งาน เพราะ ROI ของ AI เป็นเส้นที่ค่อยๆ ไต่ขึ้น ไม่ใช่พุ่งทันทีในวันแรก
สรุปสั้นๆ ก่อนปิด
วันนี้เรามองพนักงานใหม่เก่งๆ ที่ชื่อ AI ในสายตาเจ้าของกิจการ 3 มุม
- มอบงานเป็น — รู้ว่างานไหนเหมาะ (ผลิตคอนเทนต์ เขียนโค้ด personalization สรุปข้อมูล เสริมข้อมูล บริการลูกค้า) และจับคู่ปัญหากับทรงงานของ AI ได้ พร้อมหลบกับดักที่ทำโปรเจกต์เจ๊ง (เลือกงานผิด ข้อมูลเละ ทำตามกระแส คาดหวังเฟ้อ)
- รู้นิสัยเสีย — ขีดจำกัด 7 ข้อ โดยเฉพาะ “หลอนแบบมั่นใจ” และอคติ — แล้วลากเส้นว่างานไหน AI ตัดสินเองได้ งานไหนคนต้องตัดสิน
- คิดเรื่องเงินให้ครบ — เขียน business case ที่ตอบ 5 ข้อ, นับต้นทุนทั้งที่เห็นและไม่เห็น (อย่าลืมค่าประมวลผลกับค่าความเสี่ยง), และวัด ROI แบบสมจริงทั้งตัวเลขและปัจจัยมนุษย์
หัวใจของทั้งตอนคือประโยคเดียว — AI เก่งจริง แต่ผู้บริหารคือคนที่ต้อง “ตั้งกฎ มองเสี่ยง คุมงาน” ก่อนปล่อยมันทำ ไม่ใช่ติดตั้งแล้วลืม
ตอนหน้าเราจะขยับจาก “งานไหนคุ้ม” ไปสู่ “แล้วจะวางกลยุทธ์และนโยบายการใช้ AI ทั้งองค์กรยังไงให้พนักงานทุกคนใช้ AI อย่างปลอดภัย” — ตั้งกรอบให้พนักงานเก่งคนนี้ทำงานได้เต็มที่โดยไม่หลุดราว เจอกันครับ
อ้างอิงเนื้อหา: AAISM — Domain 1: Section 1.4 (AI Use Cases), 1.4.1 (Limitations of AI Use), 1.5 (Business Cases, Needs, Scope, and Objectives), 1.5.1 (Cost-Benefit Analysis), 1.5.2 (Return on Investment). เรียบเรียงและยกตัวอย่างใหม่ในมุมผู้บริหาร/ผู้ใช้งาน AI
