ทำไม AI ที่เริ่มนำร่องถึงล้มเหลว: สิ่งที่ช่องว่างของ GenAI เปิดเผยเกี่ยวกับผลตอบแทนจากการลงทุน (ROI) ของ AI ในองค์กร

การเริ่มต้นโครงการนำร่องด้าน AI ทำได้ง่าย การทำให้มันกลายเป็นระบบธุรกิจที่เชื่อถือได้ไม่ใช่เรื่องง่าย

ทีมสามารถเชื่อมต่อโมเดล อัปโหลดเอกสารภายใน และสร้างเดโมที่น่าประทับใจได้ภายในไม่กี่วัน แต่เมื่อเข้าสู่การใช้งานจริงจะมีข้อมูลที่ยังไม่ครบ สิทธิ์การเข้าถึง ซอฟต์แวร์เดิมขั้นตอนการอนุมัติ เคสที่ผิดปกติ และพนักงานที่มีวิธีการทำงานตามแบบแผนอยู่แล้วเข้ามาเกี่ยวข้อง

ระยะห่างระหว่างสภาพแวดล้อมเหล่านี้ช่วยอธิบายได้ว่าทำไมการนำ AI มาใช้ในองค์กรจึงเพิ่มขึ้นได้โดยไม่ทำให้ได้ผลตอบแทนทางการเงินตามที่คาดหวัง การศึกษา CEO ของ IBM ปี 2025 ระบุว่าในบรรดาผู้บริหารที่ถูกสำรวจ มีเพียง 25% ที่โครงการริเริ่มด้าน AI ได้ส่งมอบ ROI ตามที่คาด ขณะที่ 16% สามารถขยายผลได้ทั่วทั้งองค์กร

รายงาน State of Generative AI in the Enterprise ของ Deloitte เสนอข้อสังเกตที่ช่วยถ่วงดุลได้ องค์กรมากกว่าสองในสามที่ถูกสำรวจคาดว่าจะสามารถปรับใช้การทดลองได้เต็มรูปแบบไม่เกิน 30% ภายในสามถึงหกเดือนข้างหน้า อย่างไรก็ดี เกือบสามในสี่กล่าวว่าโครงการที่ก้าวหน้าที่สุดของพวกเขาตอบโจทย์หรือทำได้ดีกว่าความคาดหวังด้าน ROI

โดยรวมแล้ว ผลการศึกษาทั้งหมดนี้เผยให้เห็นสิ่งที่เรียกว่า GenAI Divide: การทดลองเป็นเรื่องที่พบได้ทั่วไป แต่มูลค่าที่วัดผลได้จะกระจุกอยู่ในโครงการที่กลายเป็นส่วนหนึ่งของเวิร์กโฟลว์จริง

การนำ AI มาใช้ไม่ใช่เรื่อง ROI ของ AI ในองค์กร

การที่พนักงานใช้ AI เพื่อสรุปการประชุมหรือเตรียมร่างฉบับแรก คือหลักฐานว่ามีการนำไปใช้ แต่มันไม่ได้จำเป็นต้องเป็นหลักฐานของการเปลี่ยนแปลงอย่างแท้จริง

ROI ของ AI ในองค์กรจะปรากฏขึ้นเมื่อระบบเปลี่ยนกระบวนการที่เกิดขึ้นซ้ำๆ อาจทำให้การตรวจทานสัญญาเร็วขึ้น ลดการส่งต่อเรื่องร้องขอการสนับสนุนที่ซับซ้อนขึ้น เร่งการออกรายงาน ลดต้นทุนบริการจากภายนอก หรือทำให้ทีมสามารถทำงานได้มากขึ้นโดยไม่จำเป็นต้องเพิ่มจำนวนพนักงานตามสัดส่วน

พิลอตจำนวนมากถูกประเมินโดยใช้ตัวชี้วัดที่ไม่ถูกต้อง ทีมมันวัดปริมาณการพิมพ์คำสั่ง (prompt) เนื้อหาที่สร้างขึ้น หรือปฏิกิริยาเชิงบวกในระหว่างเดโม ตัวชี้วัดเหล่านี้อาจแสดงความสนใจ แต่ไม่ได้ยืนยันคุณค่าทางธุรกิจ

พิลอตที่คิดถึงการใช้งานจริงต้องตอบคำถาม 3 ข้อนี้:

1. AI สามารถทำงานได้อย่างถูกต้องหรือไม่?

2. พนักงานสามารถใช้งานได้อย่างน่าเชื่อถือภายในเวิร์กโฟลว์หรือไม่?

3. เวิร์กโฟลว์ที่ดีขึ้นส่งผลต่อค่าใช้จ่าย รายได้ ความเสี่ยง หรือขีดความสามารถหรือไม่?

เหตุใดพิลอตด้าน AI จึงล้มเหลวก่อนเข้าสู่การใช้งานจริง

1. โครงการเริ่มต้นด้วยเครื่องมือ

พิลอตที่อ่อนแอเริ่มจากผลิตภัณฑ์ AI ใหม่ แล้วหาที่ที่จะนำไปใช้ พิลอตที่แข็งแกร่งกว่าจะเริ่มจากกระบวนการที่มีราคาแพง ใช้เวลานาน มีความผิดพลาดได้ และถูกจำกัดด้วยขีดความสามารถ

ก่อนทดสอบ AI ทีมควรบันทึกว่ากิจงานนั้นเกิดขึ้นบ่อยแค่ไหน ใช้เวลานานเท่าไร ใครเป็นผู้ทำเสร็จ จุดที่เกิดความล่าช้าอยู่ตรงไหน และจำเป็นต้องมีการทบทวนมากเพียงใด นอกจากนี้ยังควรกำหนดถึงสิ่งที่จะต้องปรับปรุงให้ชัดเจน เพื่อใช้เป็นเหตุผลในการตัดสินใจนำไปใช้งานจริง

หากไม่มีเกณฑ์ฐาน ความสำเร็จก็จะกลายเป็นเรื่องของมุมมอง ผู้มีส่วนได้ส่วนเสียคนหนึ่งเห็นคำตอบที่ขัดเกลาแล้วเรียกว่าการทดลองเปลี่ยนแปลงอย่างมาก อีกคนเห็นความผิดพลาดเพียงหนึ่งครั้งแล้วบอกว่าไม่ปลอดภัย ไม่มีปฏิกิริยาใดที่พิสูจน์ได้ว่ากระบวนการเวิร์กโฟลว์ดีขึ้นจริงหรือไม่

2. AI อยู่เคียงข้างกระบวนการเวิร์กโฟลว์

โมเดลอาจทำให้บางงานเร็วขึ้น แต่กลับทำให้กระบวนการทั้งหมดซับซ้อนขึ้น

พนักงานอาจคัดลอกข้อมูลจากแพลตฟอร์มหนึ่ง วางลงในอินเทอร์เฟซของ AI ตรวจทานคำตอบ เขียนแก้บางส่วน แล้วส่งกลับเข้าไปในระบบอื่น โมเดลได้สร้างคำตอบออกมาแล้ว แต่หน่วยงานได้เพิ่มขั้นตอนการส่งต่อไว้ด้วย

ระบบที่ปรับขยายได้จำเป็นต้องมีจุดเริ่มต้นและจุดสิ้นสุดที่ชัดเจน อินพุตเริ่มต้นมาจากที่ไหน โมเดลเข้าถึงข้อมูลอะไรได้บ้าง เอาต์พุตใดต้องได้รับการอนุมัติ เกิดอะไรขึ้นเมื่อข้อมูลขาดหาย บันทึกการกระทำสุดท้ายไว้ที่ไหน

คุณค่าไม่ได้อยู่แค่ในคำตอบที่สร้างขึ้นมาเท่านั้น แต่มันปรากฏในสิ่งที่องค์กรทำได้ต่อจากนั้น

3. ระบบไม่เข้าใจองค์กร

งานขององค์กรขึ้นอยู่กับบริบท ซึ่งเครื่องมืออเนกประสงค์ไม่ได้มีโดยอัตโนมัติ

ระบบที่มีประโยชน์อาจต้องเข้าใจศัพท์เฉพาะภายใน หลักฐานที่ได้รับการอนุมัติ ประวัติลูกค้า กฎการกำหนดราคา ข้อยกเว้นนโยบาย รูปแบบที่ต้องการ และการแก้ไขที่เกิดขึ้นก่อนหน้า เมื่อผู้ใช้งานต้องสร้างบริบทนี้ขึ้นใหม่ในทุกครั้งที่ใช้งาน เครื่องมือนั้นยังคงช่วยได้สำหรับงานที่ทำเป็นครั้งคราว แต่จะกลายเป็นเรื่องน่าหงุดหงิดสำหรับงานที่ต้องทำซ้ำ

เลเยอร์ที่ขาดหายไปอาจเกี่ยวข้องกับการดึงข้อมูล ข้อมูลแบบมีโครงสร้าง ความจำ การเชื่อมต่อระบบ หรือข้อเสนอแนะ ความฉลาดของโมเดลมีความสำคัญ แต่บ่อยครั้งที่ ‘ความฉลาดขององค์กร’ เป็นตัวกำหนดว่าระบบจะกลายเป็นที่ไว้ใจได้หรือไม่

4. ไม่มีใครเป็นเจ้าของผลลัพธ์การผลิต

ทีมด้านนวัตกรรมอาจเปิดตัวการทดลองได้ แต่ระบบการผลิตต้องมีเจ้าของอย่างถาวร

ต้องมีผู้รับผิดชอบต่อการนำไปใช้ การเข้าถึงข้อมูล เกณฑ์คุณภาพ การจัดการข้อยกเว้น การฝึกอบรมพนักงาน ผลงานของผู้ให้บริการ และการปรับปรุงอย่างต่อเนื่อง หากไม่มีเจ้าของรายนั้น การทดลองจะสิ้นสุดช่วงเวลาทดสอบและกลายเป็นที่คั่นหน้าเว็บไซต์แสนแพงที่ไม่ได้นำไปใช้

ควรระบุผู้เป็นเจ้าของก่อนเริ่มการพัฒนา เจ้าของก็จำเป็นต้องมีอำนาจในการเปลี่ยนแปลงกระบวนการเวิร์กโฟลว์โดยรอบด้วย

5. ธรรมาภิบาลมาถึงช้าเกินไป

บางครั้งทีมด้านความปลอดภัย กฎหมาย การปฏิบัติตาม และความเสี่ยงจะถูกเชิญเข้ามาเฉพาะหลังจากการสาธิตเสร็จสิ้นเท่านั้น เมื่อถึงเวลานั้น การทดลองอาจต้องพึ่งพาข้อมูลที่จำกัด การเชื่อมต่อระบบที่รองรับไม่ครบ หรือเอาต์พุตที่อธิบายหรือทำการตรวจสอบไม่ได้

โปรไฟล์ NIST Generative AI Profile ของ NIST แนะนำให้พิจารณาเรื่องความน่าเชื่อถือควบคู่ไปกับการออกแบบ การพัฒนา การใช้งาน และการประเมินระบบ AI เชิงกำเนิดตลอดวงจร

ในช่วงเริ่มต้น ทีมควรระบุข้อมูลที่อ่อนไหว โหมดความล้มเหลวที่คาดว่าจะเกิดขึ้น ข้อกำหนดการทบทวนโดยมนุษย์ ความต้องการด้านการบันทึกข้อมูล และขั้นตอนการย้อนกลับ การกำกับดูดแรกล่วงหน้าจะกำหนดเส้นทางที่ปลอดภัยในการก้าวไปข้างหน้า ในทางกลับกัน ธรรมาภิบาลที่มาช้า often มักจะส่งโครงการกลับไปเริ่มต้นที่จุดเดิม

วิธีออกแบบการทดลอง AI ที่สามารถปรับขยายได้

1. เลือกเวิร์กโฟลว์ที่แคบและทำซ้ำได้

กรณีการใช้งานที่ “แข็งแกร่งที่สุด” มักไม่ใช่กรณีที่ทะเยอทะยานที่สุด โดยทั่วไปมันคือกระบวนการที่มีขอบเขตชัดเจน ความต้องการเกิดขึ้นบ่อย และผลลัพธ์ที่สามารถประเมินได้

ผู้ที่เหมาะสมได้แก่ การจัดประเภทเอกสาร การส่งต่อคำขอของลูกค้า การจัดทำรายงานที่ทำเป็นประจำ การดึงความรู้ภายใน และการสกัดข้อมูลมาตรฐานจากแบบฟอร์ม

2. ประเมินกระบวนการทั้งหมด

ความแม่นยำของโมเดลนั้นจำเป็น แต่ยังไม่เพียงพอต่อการเป็นกรณีธุรกิจที่สมบูรณ์ ควรประเมินนำร่องที่พร้อมใช้งานจริงได้ในสามระดับ

คุณภาพของผลลัพธ์: ผลลัพธ์แม่นยำ ครบถ้วน สอดคล้องกัน และอ้างอิงที่เหมาะสมหรือไม่?

ประสิทธิภาพของเวิร์กโฟลว์: กระบวนการนี้ช่วยลดเวลา งานที่ต้องทำซ้ำ การส่งต่อ หรือความพยายามในการตรวจทานด้วยมนุษย์ได้หรือไม่?

ผลกระทบทางธุรกิจ: การปรับปรุงส่งผลต่อค่าใช้จ่าย รายได้ ความเสี่ยง ประสบการณ์ลูกค้า หรือความสามารถในการดำเนินงานหรือไม่?

โมเดลสามารถสร้างเนื้อหาที่ดีกว่าได้โดยไม่จำเป็นต้องทำให้เวิร์กโฟลว์ดีขึ้น เวิร์กโฟลว์ที่เร็วขึ้นอาจยังเล็กเกินไปที่จะทำให้การนำไปใช้คุ้มค่า

3. ออกแบบการทบทวนโดยมนุษย์อย่างตั้งใจ

การทำงานอัตโนมัติเต็มรูปแบบไม่ใช่ผลลัพธ์ที่ประสบความสำเร็จเพียงทางเดียว

ในเวิร์กโฟลว์ระดับองค์กรจำนวนมาก AI สามารถจัดการกรณีที่คาดเดาได้ ในขณะที่ผู้เชี่ยวชาญตรวจสอบข้อยกเว้น เป้าหมายไม่ใช่การกำจัดคนออกไปด้วยค่าใช้จ่ายใดๆ เป้าหมายคือการวางการตัดสินใจของมนุษย์ไว้ตรงจุดที่ก่อให้เกิดคุณค่าสูงสุด

ทีมควรวัดว่าเมื่อไรต้องมีการแทรกแซงบ่อยเพียงใด ยังต้องมีการแก้ไขเหลือมากแค่ไหน และข้อผิดพลาดแบบใดก่อให้เกิดความเสี่ยงที่มีนัยสำคัญ

4. สร้างวงจรการป้อนกลับ

การแก้ไข การปฏิเสธ และการยกระดับทุกครั้งล้วนมีข้อมูลอยู่ในนั้น

ทีมสามารถใช้หลักฐานนี้เพื่อปรับปรุงพรอมป์ การดึงข้อมูล แก้กฎการอนุมัติ อินเทอร์เฟซ และเกณฑ์การประเมิน หากไม่มีวงจรการป้อนกลับ ข้อผิดพลาดเดิมจะกลับมา และความเชื่อมั่นของพนักงานก็จะลดลง

จุดที่ผลตอบแทนจาก AI ระดับองค์กรมักปรากฏเป็นที่แรก

กรณีการใช้งานที่มองเห็นได้ชัดที่สุดไม่เสมอไปว่าจะมีคุณค่ามากที่สุด

ผู้ช่วยที่โต้ตอบกับลูกค้าและเครื่องมือเชิงสร้างสรรค์ดึงดูดความสนใจ เพราะผลลัพธ์ของพวกเขานำไปสาธิตได้ง่าย เวิร์กโฟลว์ในส่วนงานหลังบ้านอาจให้เศรษฐศาสตร์ที่ชัดเจนกว่า เนื่องจากเกี่ยวข้องกับแรงงานที่ทำซ้ำ เวลาในการประมวลผล ค่าใช้จ่ายบริการภายนอก และอัตราความผิดพลาดที่วัดได้

ผลตอบแทนการลงทุน (ROI) ของ AI ในระดับองค์กรในช่วงแรก อาจมาจากการลดเวลาการประมวลผลเอกสาร การทำให้คิวการสนับสนุนสั้นลง เร่งการทบทวนด้านการปฏิบัติตามข้อกำหนด พัฒนาการรายงานภายใน ลดต้นทุนบริการที่จ้างจากภายนอก หรือเพิ่มศักยภาพของพนักงานโดยไม่ต้องเพิ่มการจ้างในสัดส่วนที่เท่ากัน

บริษัทควรแยกความสามารถในการเพิ่มผลผลิตส่วนบุคคลออกจากคุณค่าระดับองค์กร การประหยัดเวลาของพนักงาน 1 คนไป 20 นาทีถือว่ามีประโยชน์ แต่ ROI ระดับองค์กรจะเกิดขึ้นเมื่อการประหยัดดังกล่าวทำซ้ำได้ ถูกนำไปใช้ในกลุ่มประชากรเป้าหมาย และเชื่อมโยงกับผลลัพธ์ที่วัดได้

ทำความเข้าใจ GenAI Divide ในมุมมองเชิงเล่าเรื่องทางธุรกิจ

GenAI Divide จะเข้าใจง่ายขึ้นเมื่อข้อมูลการนำไปใช้ อุปสรรคของการทดลองนำร่อง ตัวเลือกด้านการจัดซื้อ และรูปแบบการนำไปปฏิบัติ ถูกวางไว้ในเรื่องเล่าที่มีโครงสร้างเดียวกัน

สำรวจ The GenAI Divide: สถานะของ AI ในธุรกิจ 2025 ที่สร้างสรรค์ร่วมกับ Pi เพื่อดูว่างานวิจัย AI ระดับองค์กรที่ซับซ้อนเพียงใด สามารถแปลงเป็นการนำเสนอที่ชัดเจนสำหรับการสนทนาภายในฝ่ายบริหาร การทบทวนกลยุทธ์ และการตัดสินใจลงทุนได้อย่างไร

พร้อมจะเปลี่ยนรายงาน การวิจัย หรือเอกสารทางธุรกิจของคุณให้กลายเป็นสไลด์ที่พร้อมสำหรับการตัดสินใจหรือยัง?

สร้างงานนำเสนอด้วย Pi และจัดระเบียบข้อมูลต้นทางที่ซับซ้อนให้เป็นเรื่องเล่าเชิงภาพที่สื่อสารได้อย่างต่อเนื่อง

คำถามที่พบบ่อย (FAQ)

ถาม: ทำไมการทดลองใช้ AI จึงไม่สามารถขยายผลได้?

ตอบ: การทดลองใช้ AI มักไม่ประสบความสำเร็จในการขยายผล เพราะไม่ได้เชื่อมโยงกับเวิร์กโฟลว์ในโลกจริง ขาดเป้าหมายที่วัดได้ พึ่งพาบริบทขององค์กรที่ยังไม่ครบถ้วน หรือไม่มีเจ้าของถาวรที่รับผิดชอบต่อการนำไปผลิต

ถาม: บริษัทควรวัด ROI ของ AI ในระดับองค์กรอย่างไร?

ตอบ: บริษัทควรเปรียบเทียบกระบวนการที่ขับเคลื่อนด้วย AI กับฐานข้อมูลอ้างอิงที่มีการบันทึกไว้ ตัวชี้วัดที่มีประโยชน์ ได้แก่ เวลาต่อหนึ่งงาน ความพยายามในการตรวจทานโดยมนุษย์ อัตราความผิดพลาด ต้นทุนต่อธุรกรรม การนำไปใช้ ผลกระทบต่อรายได้ และค่าใช้จ่ายภายนอกที่หลีกเลี่ยงได้

ถาม: GenAI Divide คืออะไร?

ตอบ: GenAI Divide อธิบายช่องว่างระหว่างองค์กรที่กำลังทดลองใช้ AI เชิงสร้างสรรค์ กับองค์กรที่สามารถบรรลุคุณค่าเชิงปฏิบัติการหรือคุณค่าทางการเงินอย่างต่อเนื่องจากระบบ AI ที่บูรณาการเข้าด้วยกัน

ถาม: บริษัทควรพัฒนาเองหรือซื้อระบบ AI ระดับองค์กร?

ตอบ: ทางเลือกนี้ขึ้นอยู่กับความเฉพาะเจาะจงของเวิร์กโฟลว์ ความเชี่ยวชาญภายใน ข้อกำหนดด้านการบูรณาการ ความปลอดภัย และความเป็นเจ้าของในระยะยาว ตัวเลือกที่ดีกว่าคือแบบที่สอดคล้องกับกระบวนการจริง พัฒนาได้จากข้อเสนอแนะ และมีเส้นทางที่น่าเชื่อถือสู่การนำไปผลิต