กับดักที่ซ่อนอยู่ซึ่งทำให้การนำ AI ไปใช้ในองค์กรช้าลง

การนำ AI ไปใช้ในองค์กรกำลังเพิ่มขึ้นเร็วกว่าแรงเปลี่ยนแปลงทางเทคโนโลยีใด ๆ ในประวัติศาสตร์ยุคใหม่ ทุกการประชุมระดับผู้นำสุดท้ายก็มักไปจบที่ความคาดหวังเดียวกัน คือ AI ต้องสร้างคุณค่าที่วัดผลได้ในระดับทั้งองค์กร หลังการเปิดตัว ChatGPT ทีมวิศวกรเริ่มใช้ Copilot นักวิเคราะห์หันไปใช้ Perplexity และฝ่ายปฏิบัติการทดลองระบบอัตโนมัติ ผลิตภาพดีขึ้นแทบจะในทันที

แต่เพียงไม่กี่เดือนต่อมา เส้นโค้งการยอมรับกลับชะลอลง โครงการนำร่องหยุดชะงัก ROI เริ่มไม่สม่ำเสมอ การชะลอตัวนี้ไม่ได้เกิดจากโมเดลที่อ่อนแอหรือการขาดความทะเยอทะยานของผู้บริหาร แต่เป็นผลจากความไม่สอดคล้องเชิงโครงสร้างระหว่างความสามารถของ AI กับสภาพแวดล้อมขององค์กร

ไม่นานมานี้ ผมได้เจอบทวิเคราะห์จาก Caleb ครีเอเตอร์ที่มักสำรวจมิติด้านองค์กรของการนำ AI ไปใช้ กรอบคิดของเขาไม่ได้เสนอแนวคิดใหม่ แต่ช่วยทำให้ความตึงเครียดที่ผู้นำองค์กรจำนวนมากรับรู้กันอยู่แล้วชัดเจนขึ้น มันอธิบายได้ว่าทำไม AI จึงโดดเด่นในกรณีใช้งานแบบแยกส่วน แต่กลับยากที่จะสร้าง การเปลี่ยนแปลงในระดับระบบ

การนำ AI ไปใช้ไม่ได้ขึ้นอยู่กับความแข็งแกร่งของโมเดล แต่ขึ้นอยู่กับชั้นที่ AI ถูกนำเข้าไปในองค์กร

สำหรับ CIO, CTO และผู้นำด้านการทรานส์ฟอร์มที่กำลังสงสัยว่าทำไม AI ถึงน่าทึ่งในเดโม แต่กลับสะดุดเมื่อนำไปใช้งานจริง บทความนี้จะชี้ให้เห็นข้อจำกัดที่ซ่อนอยู่และเส้นทางเชิงกลยุทธ์ที่จำเป็นต่อการนำไปใช้ในระดับทั้งองค์กรอย่างยั่งยืน

จาก “เราควรนำ AI มาใช้ไหม” สู่ “ทำไมการนำไปใช้ถึงช้านัก”

เมื่อสองปีก่อน องค์กรต่าง ๆ ยังถกเถียงกันว่าจำเป็นต้องมี AI หรือไม่ แต่วันนี้คำถามคือจะผสานมันเข้าไปอย่างยั่งยืนและปลอดภัยได้อย่างไร นักวิเคราะห์คาดการณ์ว่าในไม่ช้า ผลลัพธ์ส่วนสำคัญขององค์กรอาจถูกสร้างโดย AI บนกระดาษ สิ่งนี้ดูเหมือนหลีกเลี่ยงไม่ได้ แต่ในทางปฏิบัติ ผลกระทบยังคงไม่สม่ำเสมอ

ทีมวิศวกรรมทำงานได้เร็วขึ้น แต่การดำเนินงานข้ามสายงานแทบไม่ได้ดีขึ้น ทีมขายทำระบบ outreach อัตโนมัติได้ แต่ก็ยังเสียเวลากับการประสานงานแบบแมนนวล ส่วนฝ่ายปฏิบัติการสร้างอินไซต์ได้รวดเร็ว แต่ยังต้องกระทบยอดข้อมูลที่กระจัดกระจายด้วยมือ

องค์กรไม่ได้ทำงานเหมือนเครื่องจักรเชิงเส้น แต่ดำเนินไปในฐานะ ระบบซับซ้อนที่ถูกหล่อหลอมโดยธรรมาภิบาล แรงจูงใจ วัฒนธรรม และเทคโนโลยีเดิม AI ไม่ได้ลดความซับซ้อนนี้ลง แต่กลับขยายมันให้เด่นชัดขึ้น

กรอบคิดที่มีประโยชน์คือการมอง AI ในองค์กรผ่านระดับวุฒิภาวะ 3 ระดับ

ระดับ 1. งานที่มี AI ช่วยเสริม

มีประโยชน์ แต่มีข้อจำกัดโดยพื้นฐาน

นี่คือจุดที่องค์กรส่วนใหญ่เริ่มต้น พนักงานใช้ generative AI เพื่อการค้นคว้า การสรุปข้อมูล คำแนะนำด้านการเขียนโค้ด และการสร้างคอนเทนต์ เครื่องมือเหล่านี้สร้างคุณค่าได้ทันที

แต่การเร่งความเร็วของงาน ไม่ใช่การเปลี่ยนแปลงเวิร์กโฟลว์ กระบวนการแวดล้อมรอบข้าง ทั้งการอนุมัติ การส่งต่องาน และชั้นของการรายงานผล ยังคงไม่เปลี่ยนแปลง ผลลัพธ์คือความเร็วขององค์กรไม่ได้ดีขึ้นอย่างมีนัยสำคัญ

ความเร็วของงาน ไม่ใช่สิ่งเดียวกับความเร็วขององค์กร

ระยะนี้ให้ความรู้สึกปลอดภัย เพราะไม่จำเป็นต้องปรับโครงสร้างใด ๆ แต่ในระยะยาว ROI ถูกจำกัดไว้ตั้งแต่ต้นแบบการออกแบบ

ระดับ 2. เวิร์กโฟลว์แบบ Agentic

ศักยภาพสูง และแรงต้านสูง

Agentic AI ดำเนินเวิร์กโฟลว์หลายขั้นตอนด้วยตนเอง เอเจนต์สามารถแก้ไขไฟล์ ตรวจทานผลลัพธ์ จัดการงาน หรือประสานการดำเนินงานได้ คำมั่นสัญญาของมันมหาศาล

แต่การยอมรับใช้งานไม่เป็นเช่นนั้น

อุปสรรคไม่ใช่ความสามารถทางเทคนิค แต่คือ ความพร้อมขององค์กร ระบบ agentic ต้องอาศัยความไว้วางใจ การกำกับดูแล การกำกับควบคุม และการยอมรับต่อระบบอัตโนมัติ สิ่งเหล่านี้สั่นคลอนลำดับชั้นที่มีอยู่เดิมและกระบวนการด้าน compliance อีกทั้งยังนำมาซึ่งความเสี่ยงในการปฏิบัติการรูปแบบใหม่ที่องค์กรไม่คุ้นเคย

ด้วยเหตุนี้ เครื่องมือ agentic จำนวนมากจึงถอยกลับไปเป็นผู้ช่วยกึ่งอัตโนมัติที่ทำงานได้เฉพาะภายในขอบเขตที่ปลอดภัย

องค์กรไม่ได้ปฏิเสธความเป็นอิสระเพราะความกลัว แต่ปฏิเสธเพราะความไม่สอดคล้องกัน

ระดับ 3. ระบบ AI Native

ความได้เปรียบระยะยาว

ระบบ AI native คือระดับความพร้อมสูงสุด ระบบเหล่านี้ถูกออกแบบโดยมี AI เข้ามามีส่วนร่วมตั้งแต่ต้น แทนที่จะนำ AI ไปครอบทับเวิร์กโฟลว์ที่ออกแบบมาให้เหมาะกับมนุษย์ องค์กรจะสร้างโครงสร้างการดำเนินงานแบบใหม่ที่ AI เป็นผู้ประสานการไหลของข้อมูล ลำดับการตัดสินใจ และจังหวะการทำงาน

สิ่งนี้ปลดล็อกการปฏิบัติการเชิงคาดการณ์ ลดคอขวด และทำให้การตัดสินใจอย่างต่อเนื่องเกิดขึ้นได้

อุปสรรคสูง แต่ความได้เปรียบในระยะยาวนั้นเหนือกว่าผลลัพธ์แบบค่อยเป็นค่อยไปอย่างมาก

อย่างไรก็ตาม เส้นทางสู่ระบบ AI native นั้นยาวไกล และอันตรายที่แท้จริงจะปรากฏขึ้นในช่วงระหว่างทาง

ปัญหา Ferrari

AI ที่ไร้การจัดการคือภัยคุกคามสมรรถนะสูง

Caleb ใช้อุปมาหนึ่งที่ยิ่งทรงพลังมากขึ้นเมื่ออยู่ในบริบทขององค์กร การให้พนักงานเข้าถึงเครื่องมือ AI ทรงพลังอย่าง ChatGPT หรือ Copilot ไม่ใช่แค่การยื่น Ferrari ให้พวกเขาเท่านั้น

มันก็เหมือนยื่น Ferrari ให้พวกเขา โดยไม่มีการฝึกอบรม ไม่มีกฎจราจร ไม่มีประกัน และมองไม่เห็นเลยว่ารถจะวิ่งไปที่ไหนจริง ๆ

เครื่องยนต์นั้นน่าทึ่งอย่างยิ่ง แต่เมื่ออยู่ในภูมิทัศน์องค์กรที่ซับซ้อนซึ่งมีข้อมูลอ่อนไหว ข้อกำหนดด้านการปฏิบัติตามกฎระเบียบ และระบบเดิมอยู่แล้ว พลังที่ไร้การควบคุมในระดับนี้คือ ภัยคุกคามเชิงโครงสร้าง

AI ที่ไร้การกำกับดูแลนำไปสู่การรั่วไหลของข้อมูลโดยไม่ตั้งใจ การใช้งาน shadow IT ผลลัพธ์ที่ตรวจสอบยืนยันไม่ได้ อินพุตของโมเดลที่ควบคุมไม่ได้ และการสูญเสียความสามารถในการตรวจสอบย้อนหลังโดยสิ้นเชิง

Ferrari ไม่ได้แค่วิ่งเร็วเท่านั้น แต่มันยังวิ่งไปในทิศทางที่องค์กรไม่สามารถมองเห็นได้ด้วย

จนกว่าจะมีการออกแบบเวิร์กโฟลว์ใหม่ กำหนดขอบเขตธรรมาภิบาลใหม่ สร้างชั้นการตรวจสอบความถูกต้องใหม่ และปรับสถาปัตยกรรมการเชื่อมต่อระบบใหม่ AI ที่ไร้การจัดการก็ยังคงเป็นภาระความเสี่ยง ไม่ใช่สินทรัพย์

เหตุใดการขยายสเกลองค์กรจึงสร้างแรงเสียดทานเชิงระบบ

เมื่อองค์กรเติบโตขึ้น ความซับซ้อนในการประสานงานจะเพิ่มขึ้นเร็วยิ่งกว่าเดิม การเพิ่มขนาดทีมเป็นสองเท่าไม่ได้ทำให้ความซับซ้อนเพิ่มเป็นสองเท่า แต่มันทวีคูณ

AI ช่วยยกระดับประสิทธิภาพของแต่ละบุคคล แต่องค์กรทำงานในระดับเครือข่าย ความไม่สอดคล้องกันนี้ดูดซับผลกระทบไปเกือบทั้งหมด

งานวิจัยชี้ให้เห็นความจริงสำคัญข้อหนึ่ง

AI ขยายสิ่งที่มีอยู่แล้วให้เด่นชัดขึ้น ความสอดประสานยิ่งเร่งตัว ความแตกกระจายยิ่งพังทลาย

หากไม่มีการออกแบบเวิร์กโฟลว์และธรรมาภิบาลใหม่ AI ก็จะมอบเพียงการปรับปรุงแบบแยกส่วน แทนที่จะเป็นการเปลี่ยนแปลงทั้งระบบ

ความเป็นจริงขององค์กร

ความปลอดภัย ความไว้วางใจ ความเสี่ยงด้านข้อมูล และแรงต้านภายใน

ก่อนที่องค์กรจะมุ่งไปสู่ความเป็นอัตโนมัติหรือเวิร์กโฟลว์แบบ AI native พวกเขาต้องเผชิญกับข้อจำกัดที่หลีกเลี่ยงไม่ได้

ข้อกำหนดด้านความปลอดภัย ไม่เปิดช่องให้ประนีประนอมเรื่องขอบเขตข้อมูลหรือการปฏิบัติตามกฎระเบียบได้เลย
ความไม่น่าเชื่อถือของ LLM ทำให้เกิดความลังเล เพราะไม่อาจยอมรับ hallucinations ได้
Shadow IT เกิดขึ้นเมื่อเครื่องมือทางการล้าหลังความต้องการของพนักงาน
ข้อมูลเชิงกลยุทธ์และข้อมูลส่วนบุคคล ก่อให้เกิดความเสี่ยงทางกฎหมายและชื่อเสียง
การขาดธรรมาภิบาลแบบรวมศูนย์ สร้างความไม่แน่นอนเกี่ยวกับการตรวจสอบความถูกต้องและการกำกับดูแล

สิ่งเหล่านี้ไม่ใช่สัญญาณของความอนุรักษนิยม
แต่เป็นสัญญาณของ ความรับผิดชอบในระดับสถาบัน

การนำ AI มาใช้จะเร่งตัวขึ้นก็ต่อเมื่อรากฐานเหล่านี้ได้รับการเคารพ

ช่องว่างที่แท้จริงของตลาด

ไม่ใช่ทุกเวิร์กโฟลว์ที่ต้องการการคิดใหม่ทั้งหมด

เรื่องเล่าเกี่ยวกับ AI บางส่วนตั้งสมมติฐานว่าพนักงานต้องการระบบอัตโนมัติ แต่ในความเป็นจริง เวิร์กโฟลว์จำนวนมากยังคงเสถียรอยู่ เพราะให้ความรู้สึกคาดการณ์ได้และปลอดภัยในเชิงวัฒนธรรม

โอกาสที่แท้จริงอยู่ที่อื่น
การโอนย้ายข้อมูลด้วยมือ
การจัดทำเอกสารซ้ำๆ
การสลับบริบทไปมา
แพลตฟอร์มที่แยกส่วน
เวิร์กโฟลว์ที่ไม่เชื่อมต่อกัน

จุดเสียดทานเหล่านี้ค่อยๆ บั่นทอนผลิตภาพลงอย่างเงียบๆ

เมื่อขจัดแรงเสียดทานที่มองไม่เห็นออกไป การยอมรับใช้งานก็จะเกิดขึ้นอย่างเป็นธรรมชาติ

ขั้นตอนเชิงปฏิบัติเพื่อการเปลี่ยนผ่านองค์กรอย่างยั่งยืน

องค์กรที่ประสบความสำเร็จมักมีแนวปฏิบัติร่วมกัน

ดำเนินการตรวจสอบเวิร์กโฟลว์เชิงลึกอย่างละเอียดสูง
ค่อยๆ นำพฤติกรรมแบบ agentic เข้ามาใช้โดยมีการกำกับดูแล
ออกแบบบทบาทใหม่ก่อนออกแบบเทคโนโลยีใหม่
เริ่มต้นในพื้นที่ที่มีข้อจำกัดจากระบบเดิมน้อย
วัดความเร็วขององค์กร ไม่ใช่ความเร็วของงาน

ขั้นตอนเหล่านี้ดูเหมือนเรียบง่าย แต่ผลกระทบของมันเพิ่มขึ้นแบบทวีคูณ

ข้อคิดส่งท้ายสำหรับผู้นำองค์กร

การยอมรับใช้ AI ในองค์กรไม่ใช่ความท้าทายด้านโมเดล แต่เป็นความท้าทายด้านโครงสร้างและวัฒนธรรม องค์กรส่วนใหญ่ยังคงติดอยู่กับผลลัพธ์ที่ดีขึ้นในระดับงาน เพราะเวิร์กโฟลว์ของพวกเขาไม่ได้ถูกออกแบบมาสำหรับระบบอัตโนมัติที่ทำงานได้ด้วยตนเอง

ผู้นำที่มองเห็นเรื่องนี้และตั้งใจออกแบบใหม่อย่างเป็นระบบ จะเป็นผู้กำหนดยุคถัดไปของผลิตภาพในองค์กร

AI จะเสริมความแข็งแกร่งให้องค์กรที่สอดประสานกัน และขยายปัญหาให้องค์กรที่แตกเป็นส่วนๆ จงเสริมฐานรากให้แข็งแรงก่อน แล้วค่อยขยายผล

หมายเหตุเชิงปฏิบัติ

ความจำเป็นของชั้นการทำงานระดับองค์กรที่ปลอดภัยและบูรณาการ

จากบทสนทนากับ CIO และทีมทรานส์ฟอร์เมชัน ประเด็นหนึ่งถูกย้ำซ้ำอยู่เสมอ องค์กรไม่ได้ต้องการผู้ช่วยแบบสแตนด์อโลนอีกตัวหนึ่ง แต่ต้องการชั้นการทำงานด้านผลิตภาพที่ปลอดภัย ตรวจสอบย้อนหลังได้ และบูรณาการอย่างลึกซึ้ง ซึ่งสามารถเชื่อมต่อแอปพลิเคชัน ปกป้องข้อมูล สอดคล้องกับธรรมาภิบาล และนำ AI เข้าไปอยู่ในเวิร์กโฟลว์โดยไม่ทำให้ระบบที่มีอยู่เดิมเสียเสถียรภาพ

แพลตฟอร์มที่สร้างขึ้นบนการบูรณาการเชิงลึก สถาปัตยกรรมที่ให้ความเป็นส่วนตัวมาก่อน และการกำกับดูแลระดับองค์กร จะเปลี่ยน AI ที่ไร้การจัดการจากความเสี่ยงให้กลายเป็นความได้เปรียบเชิงกลยุทธ์ พวกมันมอบระบบถนนที่ถูกออกแบบทางวิศวกรรมซึ่ง Ferrari ไม่เคยมี

นี่คือปรัชญาเบื้องหลัง Dvina มันไม่ได้ถูกออกแบบมาให้เป็นเครื่องมือสำหรับงานเฉพาะหรือเอเจนต์ที่แยกเดี่ยว แต่เป็น ชั้นการทำงานด้านผลิตภาพที่รับรู้เวิร์กโฟลว์ ซึ่งรวมแอปพลิเคชันเข้าด้วยกัน ปกป้องข้อมูลอ่อนไหว และช่วยให้ทีมสามารถบรรลุ การเปลี่ยนแปลงในระดับเวิร์กโฟลว์ ได้โดยไม่ต้องสูญเสียการควบคุม

ข้อคิดส่งท้าย

อนาคตเป็นขององค์กรที่สร้างถนนได้อย่างถูกต้อง

องค์กรที่จะชนะในการเปลี่ยนผ่านสู่ AI จะไม่ใช่องค์กรที่มีโมเดลมากที่สุด แต่จะเป็นองค์กรที่สร้างเส้นทางให้ AI ทำงานได้อย่างปลอดภัยที่สุด ชัดเจนที่สุด และปรับตัวได้มากที่สุด

เมื่อเวิร์กโฟลว์ ธรรมาภิบาล และการไหลของข้อมูลสอดประสานกัน AI จะเลิกทำตัวเหมือนเครื่องยนต์ทดลอง และกลายเป็นโครงสร้างพื้นฐานขององค์กรอย่างแท้จริง

อนาคตไม่ได้เป็นขององค์กรที่มีเครื่องยนต์เร็วที่สุด แต่เป็นขององค์กรที่มีถนนแข็งแกร่งที่สุด

ชมวิดีโออ้างอิง