คู่มือด้านเทคโนโลยี

AI Transformation สำหรับองค์กรไทย

AI Transformation คือการพา AI จากการทดลอง เข้าสู่การทำงานประจำวันของธุรกิจ ด้วยการเลือก use case ตามมูลค่า เตรียมข้อมูลและคน และออกแบบกระบวนการใหม่รอบเทคโนโลยี เพื่อให้ AI สร้างผลลัพธ์ที่วัดได้ ไม่ใช่แค่เดโมที่น่าประทับใจ

สรุปสั้น

โครงการ AI ค้างที่ pilot เมื่อวัดผลจากเทคโนโลยี แทนตัวเลขธุรกิจ
เริ่มจากงานที่วัดผลได้ ทำซ้ำบ่อย และแพงด้านเวลาหรือความผิดพลาด
ความพร้อมมีสี่ด้าน: คน กระบวนการ เทคโนโลยี และนโยบาย

ทำไมโครงการ AI ส่วนใหญ่ค้างอยู่ใน "Pilot Purgatory"

1เลือก use case จากความแปลกใหม่แทนที่จะเลือกจากมูลค่าที่วัดได้
2ข้อมูลยังไม่พร้อมกระจายในสเปรดชีต ไม่สม่ำเสมอ หรือยังไม่เคยเก็บ
3ไม่ได้ออกแบบกระบวนการใหม่นำ AI ไปใช้บนขั้นตอนเดิม พนักงานจึงรู้สึกว่าเป็นงานเพิ่ม

การพาโครงการออกจาก pilot จึงเป็นเรื่องการบริหาร ก่อนจะเป็นเรื่องเทคนิค

อ่านรายละเอียด

รูปแบบที่พบบ่อยในบริษัทไทย: ผู้บริหารรู้สึกว่าต้องรีบทำ ทีมสร้างแชตบอตหรือแดชบอร์ดเดโมขึ้นมา ทุกคนตื่นเต้น แล้วหกเดือนผ่านไปไม่มีอะไรเปลี่ยนในการทำงานจริง เพราะ pilot ถูกตัดสินจากว่าเทคโนโลยีทำงานได้ไหม ไม่ใช่ตัวเลขธุรกิจขยับไหม สาเหตุซ้ำ ๆ มีสามข้อ หนึ่ง เลือก use case จากความแปลกใหม่ ไม่ใช่จากมูลค่า เช่น ทำระบบอัตโนมัติให้งานที่ไม่เคยมีใครวัดผล สอง ข้อมูลไม่พร้อม: กระจัดกระจายในสเปรดชีต ไม่สม่ำเสมอ หรือไม่เคยถูกเก็บเลย สาม ไม่มีการออกแบบกระบวนการใหม่: เอา AI ไปแปะบนขั้นตอนเดิมแทนที่จะสร้างขั้นตอนใหม่รอบมัน พนักงานจึงมองว่าเป็นงานงอก การหลุดจาก pilot purgatory จึงเป็นโจทย์การบริหาร ก่อนจะเป็นโจทย์เทคนิค

บริษัทขนาดกลางควรเริ่มตรงไหนจริง ๆ

วัดผลได้ทำซ้ำบ่อยแพงด้านเวลาหรือความผิดพลาดเริ่มตรงนี้

เลือกหนึ่งถึงสองงาน กำหนดตัวเลขเป้าหมายก่อนเริ่ม และตั้งกรอบ 90 วันสู่การใช้งานจริง

อ่านรายละเอียด

เริ่มตรงที่วงกลมสามวงซ้อนกัน: กระบวนการที่วัดผลได้ ทำซ้ำบ่อย และแพงในแง่เวลาหรือความผิดพลาด สำหรับบริษัทไทยรายได้เกิน 200 ล้านบาทส่วนใหญ่ ผู้เข้ารอบแรกมักไม่หวือหวา เช่น งานเอกสาร การคัดกรองคำถามลูกค้า การเตรียมรายงาน บันทึกตรวจสอบคุณภาพ หรือการพยากรณ์ยอด เลือกมาหนึ่งถึงสองตัว กำหนดตัวเลขเป้าหมายก่อนเขียนโค้ดแม้แต่บรรทัดเดียว (ชั่วโมงที่ประหยัด อัตราความผิดพลาด เวลาตอบสนอง) และตั้งกรอบ 90 วันสู่การใช้งานจริงโดยพนักงานจริง ไม่ใช่เดโม สิ่งที่ควรเลื่อนออกไปก็สำคัญพอกัน: AI ที่คุยกับลูกค้าโดยตรงซึ่งมีความเสี่ยงต่อแบรนด์ และ use case ที่ข้อมูลยังไม่มีอยู่จริง ชัยชนะเล็กที่ขยับตัวเลขจริงหนึ่งตัว จะสร้างความเชื่อมั่นในองค์กรที่ use case ใหญ่กว่าทุกตัวต้องพึ่งพา

AI Readiness: รากฐานที่ไม่หวือหวา

Peopleมีเจ้าของงานที่มีอำนาจปรับกระบวนการ และพนักงานได้รับการฝึกก่อนเริ่มใช้
Processงานมีขั้นตอนชัดเจน วัดผลได้ และทำเหมือนกันทุกครั้ง
Technologyข้อมูลถูกเก็บแบบดิจิทัลและเข้าถึงได้ ระบบเดิมเชื่อมกับ AI ได้อย่างปลอดภัย
Policyกติกาการใช้ข้อมูลลูกค้าตาม PDPA และผู้ตรวจผลลัพธ์ก่อนถึงลูกค้า

อ่านรายละเอียด

ความพร้อมมีสี่ด้าน และบริษัทมักประเมินตัวเองสูงกว่าความเป็นจริงในทุกด้าน คน: มีเจ้าของงานหนึ่งคนที่มีอำนาจปรับกระบวนการหรือไม่ และพนักงานหน้างานได้รับการเตรียมและฝึกก่อนระบบเริ่มใช้หรือไม่ กระบวนการ: งานที่ use case รองรับมีขั้นตอนชัดเจน วัดผลได้ และทำเหมือนกันทุกครั้งหรือยัง เพื่อให้ AI มีกระบวนการที่มั่นคงให้เข้าไปทำงานด้วย เทคโนโลยี: ข้อมูลที่ use case ต้องใช้ถูกเก็บแบบดิจิทัล สม่ำเสมอ และเข้าถึงได้หรือไม่ หรือยังอยู่ในกระดาษ แชต LINE และสเปรดชีตส่วนตัว และระบบที่มีอยู่เชื่อมกับเครื่องมือ AI ได้อย่างปลอดภัยหรือไม่ นโยบาย: ใครเป็นผู้กำหนดว่า AI ใช้ข้อมูลลูกค้าได้แค่ไหน ข้อมูลส่วนบุคคลส่งไปยังบริการ AI ภายนอกหรือต่างประเทศได้หรือไม่ภายใต้ พ.ร.บ.คุ้มครองข้อมูลส่วนบุคคล (PDPA) และใครตรวจผลลัพธ์ก่อนถึงมือลูกค้า การประเมินความพร้อมตอบคำถามเหล่านี้ได้ในไม่กี่สัปดาห์ และช่วยจัดลำดับโรดแมปให้ตรงกับความเป็นจริง บทเรียนที่ควรจำ: บริษัทที่จัดวินัยกระบวนการและการเก็บข้อมูลก่อน จะพบว่าการนำ AI มาใช้ไม่แพง ส่วนบริษัทที่ซื้อ AI ก่อน มักพบว่าต้นทุนสูงกว่าที่คิด

ที่ปรึกษา AI Transformation ช่วยอะไรบ้าง? ที่ปรึกษาช่วยในส่วนที่ไม่ใช่การเขียนระบบ ได้แก่ ประเมินความพร้อมขององค์กรใน 4 ด้าน คือ People, Process, Technology และ Policy เลือกและจัดลำดับ use case ตามมูลค่า วางโรดแมปการนำ AI มาใช้ และออกแบบกระบวนการทำงานใหม่รองรับ AI ส่วนการพัฒนาระบบทำโดยทีมภายในหรือผู้พัฒนาที่องค์กรเลือก

AI Transformation สำหรับบริษัทขนาดกลางค่าใช้จ่ายเท่าไหร่? การประเมินความพร้อมและโรดแมปเป็นงานที่ปรึกษาที่กำหนดขอบเขตและราคาชัดเจน ออกแบบตามงบบริษัทไทยขนาดกลาง ส่วนการพัฒนา use case แรกขึ้นใช้งานจริงเป็นงบแยก ทำโดยทีมภายในหรือผู้พัฒนาระบบที่บริษัทเลือก โดยฝั่งที่ปรึกษาช่วยกำหนด use case ตัวเลขเป้าหมาย และการออกแบบกระบวนการใหม่รองรับ การลงทุนที่ใหญ่กว่ามักเป็นเวลาผู้บริหารและวินัยข้อมูล ไม่ใช่ค่าซอฟต์แวร์

ต้องมีทีม data ก่อนเริ่มใช้ AI ไหม? ไม่จำเป็น แต่ต้องมีเจ้าของงานที่รับผิดชอบหนึ่งคน และการเก็บข้อมูลที่ตรงไปตรงมาในกระบวนการเป้าหมาย use case แรกส่วนใหญ่วิ่งบนข้อมูลปฏิบัติการที่จัดระเบียบดี ไม่ใช่ทีม data science

Use case แบบไหนได้ผลดีในบริษัทไทยตอนนี้? งานประมวลเอกสาร การคัดกรองและร่างคำตอบลูกค้า การทำรายงานอัตโนมัติ และการพยากรณ์จากข้อมูลปฏิบัติการที่มีอยู่ งานเหล่านี้ไม่หวือหวา แต่วัดผลได้และขึ้นใช้งานจริงได้เร็ว

นานแค่ไหนกว่า AI จะเห็นผลจริง? Use case แรกที่เลือกดีควรถึง production และขยับตัวเลขเป้าหมายภายใน 90 วัน ถ้า pilot อายุเกินหกเดือน ปัญหาคือแนวทาง ไม่ใช่เทคโนโลยี

บทความ