ເຄື່ອງມື AI ສຳລັບທຸລະກິດ ໝາຍເຖິງ ກຸ່ມລວມຂອງເຄື່ອງມືປັນຍາປະດິດທີ່ຖືກອອກແບບມາເພື່ອເພີ່ມປະສິດທິພາບ ແລະ ອັດຕະໂນມັດໃຫ້ກັບການດຳເນີນງານປະຈຳວັນຂອງວິສາຫະກິດ. ໃນຫຼາຍວິສາຫະກິດ, ການສົນທະນາໄດ້ຫັນຈາກ "ຄວນນຳ AI ມາໃຊ້ ຫຼື ບໍ່" ໄປສູ່ "ຈະໃຊ້ AI ໃດ ແລະ ໃຊ້ກັບວຽກງານໃດ".

ດັ່ງທີ່ການຊຳລະເງິນດ້ວຍ QR Code ກຳລັງແຜ່ຂະຫຍາຍຢ່າງຕໍ່ເນື່ອງໃນລາວ, ຄື້ນຂອງການຫັນປ່ຽນດິຈິຕອນກໍ່ກຳລັງຂະຫຍາຍຕົວຢ່າງໝັ້ນຄົງ. ໃນຂະນະດຽວກັນ, ຍັງມີຂໍ້ຈຳກັດສະເພາະ ເຊັ່ນ: ຄວາມແຕກຕ່າງດ້ານໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ລະຫວ່າງພາກພື້ນ, ການຂາດແຄນບຸກຄະລາກອນດ້ານ IT, ແລະ ງົບປະມານ IT ທີ່ຈຳກັດ. ໃນສະພາບແວດລ້ອມດັ່ງກ່າວ, ວິທີການ "ລອງໃສ່ເຄື່ອງມື AI ທີ່ກຳລັງເປັນທີ່ນິຍົມໄປກ່ອນ" ແມ່ນວິທີທີ່ສິ້ນເປືອງທີ່ສຸດ.

ຈາກການສຳຫຼວດຂອງ McKinsey, ປະມານ 65% ຂອງວິສາຫະກິດໄດ້ເລີ່ມນຳ Generative AI ມາໃຊ້ໃນການດຳເນີນງານໃນຮູບແບບໃດໜຶ່ງ. ນອກຈາກນີ້, ວິສາຫະກິດທີ່ປະສົບຜົນສຳເລັດ ມີແນວໂນ້ມທີ່ຈະທົບທວນຄືນຂະບວນການ ຫຼື Pipeline ດ້ານວຽກງານ ແລະ ການຄຸ້ມຄອງ (Governance) ຄຽງຄູ່ກັບການນຳເຄື່ອງມືມາໃຊ້.

ບົດຄວາມນີ້ຈະຈັດລະບຽບເຄື່ອງມື AI ໃນຕະຫຼາດອອກເປັນ 4 ປະເພດ, ແລະ ອະທິບາຍຢ່າງລະອຽດກ່ຽວກັບ ເກນການຕັດສິນໃຈໃນການເລືອກ AI ທີ່ເໝາະສົມກັບວິສາຫະກິດທີ່ດຳເນີນທຸລະກິດຢູ່ລາວ, ວິທີດຳເນີນໂຄງການທົດລອງ (Pilot), ແລະ ຮູບແບບຄວາມລົ້ມເຫຼວທີ່ຄວນຫຼີກລ່ຽງ. ຫຼັງຈາກອ່ານຈົບ, ທ່ານຈະສາມາດກຳນົດໄດ້ຢ່າງຊັດເຈນວ່າ "ວິສາຫະກິດຂອງຕົນຄວນລອງທົດສອບຫຍັງເປັນອັນດັບທຳອິດ".

ສາເຫດຫຼັກທີ່ເຮັດໃຫ້ການນຳໃຊ້ AI ລົ້ມເຫຼວ ບໍ່ແມ່ນຢູ່ທີ່ປະສິດທິພາບຂອງ AI ແຕ່ຢູ່ທີ່ "ຄວາມບໍ່ສອດຄ່ອງລະຫວ່າງໂຈດທາງທຸລະກິດ ແລະ ເຄື່ອງມືທີ່ໃຊ້". ຄຳຖາມທີ່ຖືກຕ້ອງບໍ່ແມ່ນ "AI ໂຕໃດດີທີ່ສຸດ" ແຕ່ຄືວ່າ "ງານໃດທີ່ຄວນມອບໝາຍໃຫ້ AI ຮັບຜິດຊອບ".

«ໄດ້ທົດລອງໃຊ້ AI ແລ້ວ ແຕ່ສຸດທ້າຍກໍ່ບໍ່ມີຄົນໃຊ້ອີກ» ── ສຽງນີ້ບໍ່ພຽງແຕ່ໄດ້ຍິນໃນລາວ, ແຕ່ຍັງໄດ້ຍິນຈາກບໍລິສັດທົ່ວໂລກ. ແຕ່ໃນຫຼາຍກໍລະນີ, ບັນຫາບໍ່ໄດ້ຢູ່ທີ່ຄວາມສາມາດຂອງ AI.

ຕົວຢ່າງເຊັ່ນ: ສົມມຸດວ່າຕ້ອງການເພີ່ມປະສິດທິພາບການຄົ້ນຫາເອກະສານພາຍໃນອົງກອນ, ແຕ່ກັບນຳ chatbot ທົ່ວໄປມາໃຊ້ງານ. Chatbot ນັ້ນສາມາດຕອບຄຳຖາມທົ່ວໄປໄດ້, ແຕ່ບໍ່ຮູ້ເນື້ອຫາຂອງສັນຍາ ຫຼື ໃບສະເໜີລາຄາເກົ່າຂອງບໍລິສັດ. ທີມງານທົດລອງໃຊ້ສອງສາມຄັ້ງແລ້ວຕັດສິນວ່າ «ໃຊ້ບໍ່ໄດ້», ແລ້ວ tool ກໍຖືກປະທິ້ງໄວ້. ນີ້ບໍ່ແມ່ນ «AI ໃຊ້ບໍ່ໄດ້», ແຕ່ເປັນຄວາມຜິດພາດໃນການຄັດເລືອກ ກ່າວຄື «ໄດ້ເລືອກ tool ຜິດປະເພດ ໂດຍໃຊ້ chatbot ທົ່ວໄປ ສຳລັບໂຈດທີ່ຕ້ອງການຄົ້ນຫາເອກະສານໂດຍສະເພາະ».

ຜູ້ໃຫ້ບໍລິການ Cloud ເຊັ່ນ AWS ກໍແນະນຳວ່າ ການຄັດເລືອກ AI ຄວນເລີ່ມຕົ້ນຈາກ use case, ຂໍ້ກຳນົດດ້ານຄວາມປອດໄພ, ແລະ scalability ເປັນຈຸດຕັ້ງຕົ້ນໃນການອອກແບບ, ບໍ່ແມ່ນເລີ່ມຈາກການປຽບທຽບປະສິດທິພາບຂອງ model.

ໃນການນຳໃຊ້ AI ໃນລາວ ມີເງື່ອນໄຂເບື້ອງຕົ້ນຫຼາຍຢ່າງທີ່ບໍ່ສາມາດນຳເອົາກໍລະນີຕົວຢ່າງຈາກປະເທດທີ່ພັດທະນາແລ້ວມາໃຊ້ໄດ້ໂດຍກົງ.

ຄວາມແຕກຕ່າງຂອງສະພາບແວດລ້ອມອິນເຕີເນັດໃນແຕ່ລະພາກພື້ນ. ຄວາມໄວແລະຄວາມໝັ້ນຄົງຂອງເຄືອຂ່າຍໃນວຽງຈັນແລະຕ່າງແຂວງມີຄວາມແຕກຕ່າງກັນຢ່າງຫຼວງຫຼາຍ. ເນື່ອງຈາກເຄື່ອງມື AI ທີ່ໃຊ້ລະບົບ Cloud ຕ້ອງການການເຊື່ອມຕໍ່ອິນເຕີເນັດຕະຫຼອດເວລາ, ການຮອງຮັບການໃຊ້ງານແບບ Offline ແລະຄວາມວ່ອງໄວໃນການຕອບສະໜອງຈຶ່ງກາຍເປັນເງື່ອນໄຂສຳຄັນໃນການຄັດເລືອກ.

ຄວາມຂາດແຄນຂອງບຸກຄະລາກອນດ້ານ IT. ການຮັກສາວິສະວະກອນ Python ຫຼືນັກວິທະຍາສາດຂໍ້ມູນ (Data Scientist) ໄວ້ພາຍໃນອົງກອນບໍ່ແມ່ນເລື່ອງງ່າຍ. ລະດັບທັກສະດ້ານເຕັກນິກທີ່ຈຳເປັນສຳລັບການປັບແຕ່ງ ແລະ ດຳເນີນງານຫຼັງຈາກການນຳໃຊ້ ຖືເປັນປັດໄຈການຕັດສິນໃຈທີ່ສຳຄັນກວ່າຄ່າໃຊ້ຈ່າຍ.

ຂະໜາດງົບປະມານ IT ປະຈຳປີ. ມີຫຼາຍກໍລະນີທີ່ບໍ່ສາມາດທຳສັນຍາ Subscription ກັບເຄື່ອງມື AI ຫຼາຍຢ່າງພ້ອມກັນໄດ້ ຄືກັບບໍລິສັດລະດັບໂລກ. ຈຶ່ງຈຳເປັນຕ້ອງຈັດລຳດັບຄວາມສຳຄັນ ບໍ່ວ່າຈະເປັນການລົງທຶນສຸມໃສ່ເຄື່ອງມືດຽວ ຫຼື ເລີ່ມຕົ້ນຈາກບໍລິການທີ່ມີແຜນໃຊ້ງານຟຣີ.

ສະພາບແວດລ້ອມຫຼາຍພາສາ. ໃນສະພາບແວດລ້ອມການເຮັດວຽກທີ່ພາສາລາວ, ພາສາໄທ ແລະ ພາສາອັງກິດຖືກໃຊ້ປະສົມກັນ, ຄວາມສາມາດດ້ານພາສາຂອງ AI ສົ່ງຜົນກະທົບຢ່າງໃຫຍ່ຫຼວງຕໍ່ຄວາມສາມາດໃຊ້ງານໄດ້ຈິງ. ເຄື່ອງມື AI ສ່ວນໃຫຍ່ໃຫ້ຄວາມຖືກຕ້ອງສູງສຸດໃນພາສາອັງກິດ, ດັ່ງນັ້ນຈຶ່ງຕ້ອງຄາດການໄວ້ວ່າຄວາມຖືກຕ້ອງຈະຫຼຸດລົງໃນສະຖານະການທີ່ຕ້ອງການປະມວນຜົນເອກະສານພາສາລາວ.

ເຄື່ອງມື AI ສຳລັບອົງກອນສາມາດແບ່ງອອກເປັນ 4 ປະເພດໃຫຍ່ໆ ໂດຍແຕ່ລະປະເພດມີຂອບເຂດຂອງບັນຫາທີ່ແກ້ໄຂໄດ້ ແລະ ລະດັບຄວາມຍາກໃນການນຳໃຊ້ທີ່ແຕກຕ່າງກັນ. ການລະບຸປະເພດທີ່ເໝາະສົມກັບບັນຫາຂອງອົງກອນຕົນເອງ ຖືເປັນບາດກ້າວທຳອິດຂອງການຄັດເລືອກ.

ປະເພດ AI ທີ່ສະໜັບສະໜູນໂດຍກົງໃນວຽກງານປະຈຳວັນ ໄດ້ແກ່: ການຂຽນອີເມວ, ການສະຫຼຸບເນື້ອຫາ, ການແປເອກະສານ, ການຈັດຕາຕະລາງເວລາ ແລະ ອື່ນໆ. ຮູບແບບທີ່ເຫັນໄດ້ຊັດເຈນທີ່ສຸດຄື AI ທີ່ເຮັດວຽກຢູ່ພາຍໃນຊອບແວ Office ທີ່ຄຸ້ນເຄີຍຢູ່ແລ້ວ ເຊັ່ນ: Microsoft 365 Copilot.

ຕົວຢ່າງທີ່ເຫັນໄດ້ຊັດເຈນໃນສະພາບການຕົວຈິງຂອງລາວ. ໃນຕອນເຊົ້າ, AI ສາມາດສະຫຼຸບບັນທຶກກອງປະຊຸມຂອງມື້ວານເປັນຫົວຂໍ້ຍ່ອຍໃຫ້ໄດ້. AI ສາມາດຮ່າງຄຳຕອບເປັນພາສາລາວສຳລັບອີເມວຈາກຄູ່ຄ້າທີ່ສົ່ງມາເປັນພາສາອັງກິດ. AI ຍັງສາມາດສ້າງກຣາຟສຳລັບລາຍງານປະຈຳເດືອນໂດຍອັດຕະໂນມັດ. "ການປະຢັດ 10 ນາທີຕໍ່ວັນ" ແບບນີ້, ເມື່ອລວມທັງທີມງານ ຈະກາຍເປັນການເພີ່ມປະສິດທິພາບໄດ້ຫຼາຍສິບຊົ່ວໂມງຕໍ່ເດືອນ.

ອຸປະສັກໃນການນຳໃຊ້ຄ່ອນຂ້າງຕໍ່າ. ຢ່າງໃດກໍ່ຕາມ, AI ສຳລັບເພີ່ມຜົນຜະລິດໃນສະຖານະເລີ່ມຕົ້ນຈະເຮັດວຽກໂດຍອ້າງອີງຄວາມຮູ້ທົ່ວໄປ. ໃນບາງກໍລະນີ ສາມາດຕັ້ງຄ່າໃຫ້ເຂົ້າເຖິງຂໍ້ມູນພາຍໃນອົງກອນໄດ້, ແຕ່ເພື່ອໃຊ້ຂໍ້ມູນສະເພາະຂອງອົງກອນຢ່າງເຕັມທີ່ (ເຊັ່ນ: ລະບຽບພາຍໃນ, ເນື້ອຫາສັນຍາທີ່ຜ່ານມາ, ຂໍ້ມູນລູກຄ້າ ແລະ ອື່ນໆ) ມັກຈະຕ້ອງມີການຕັ້ງຄ່າເພີ່ມເຕີມ ຫຼື ການປ່ຽນແພັກເກດ. ຖ້ານຳໃຊ້ໂດຍບໍ່ເຂົ້າໃຈຈຸດນີ້, ມັກຈະໄດ້ຮັບການປະເມີນວ່າ "ສຸດທ້າຍແລ້ວ ຂຽນເອງຍັງໄວກວ່າ".

ປະເພດ AI ທີ່ຖືກອອກແບບມາເພື່ອຕອບຄຳຖາມ ແລະ ຄົ້ນຫາຂໍ້ມູນຈາກເອກະສານ, ຖານຄວາມຮູ້ (Knowledge Base), ແລະ Codebase ທີ່ສະສົມໄວ້ພາຍໃນອົງກອນ. ChatGPT Enterprise ແລະ ລະບົບອື່ນໆ ສາມາດໃຊ້ງານເປັນ Knowledge AI ທີ່ອາໄສຂໍ້ມູນພາຍໃນໄດ້ ໂດຍຜ່ານການຕັ້ງຄ່າອັບໂຫຼດໄຟລ໌ ແລະ ການເຊື່ອມຕໍ່ ຫຼື ຊິງຄ໌ຂໍ້ມູນ ຜ່ານ API.

ຄວາມແຕກຕ່າງທີ່ໃຫຍ່ທີ່ສຸດຈາກ AI ປະເພດເພີ່ມປະສິດທິພາບການເຮັດວຽກ ຄືການທີ່ລະບົບຖືກອອກແບບໂດຍມີເງື່ອນໄຂຕັ້ງຕົ້ນວ່າ "ຈະໃຫ້ AI ອ່ານຂໍ້ມູນຂອງອົງກອນຕົນເອງ". ຕົວຢ່າງ ຫາກອັບໂຫຼດໃບສະເໜີທຸລະກິດຍ້ອນຫຼັງ 3 ປີໄວ້ລ່ວງໜ້າ, ພຽງແຕ່ຖາມວ່າ "ເຄີຍມີການສະເໜີທີ່ຄ້າຍຄືກັນສຳລັບບໍລິສັດ A ບໍ?" ລະບົບກໍ່ຈະດຶງເອກະສານທີ່ກ່ຽວຂ້ອງອອກມາໃຫ້ໄດ້ທັນທີ.

ສຳລັບວິສາຫະກິດໃນລາວ, ນີ້ຖືເປັນທາງອອກທີ່ມີປະສິດທິພາບສຳລັບສິ່ງທ້າທາຍດ້ານການແບ່ງປັນຄວາມຮູ້ທີ່ຕິດຢູ່ກັບຕົວບຸກຄົນ. ຈິນຕະນາການວ່າ AI ຈະຊ່ວຍປ່ຽນຄວາມຮູ້ Tacit ທີ່ຢູ່ໃນຫົວຂອງພະນັກງານລຸ້ນເກົ່າ ໃຫ້ກາຍເປັນຂໍ້ມູນທີ່ສາມາດຄົ້ນຫາໄດ້.

ຢ່າງໃດກໍ່ຕາມ, ເພື່ອໃຫ້ໄດ້ຜົນດີ, ເງື່ອນໄຂຕັ້ງຕົ້ນທີ່ຈຳເປັນຄື "ການຈັດຮຽງຂໍ້ມູນທີ່ຈະໃຫ້ AI ອ່ານ". ຫາກເອກະສານເຈ້ຍຍັງບໍ່ທັນຖືກ Digitize, ຫຼື ໄຟລ໌ກະຈາຍຢູ່ຕາມ PC ສ່ວນຕົວຂອງພະນັກງານແຕ່ລະຄົນ, ກໍ່ຈຳເປັນຕ້ອງເລີ່ມຕົ້ນຈາກການຈັດຮຽງຂໍ້ມູນກ່ອນ.

Amazon Bedrock ທີ່ເປັນຕົວແທນຂອງໝວດນີ້ ຄືໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure ທີ່ຊ່ວຍໃຫ້ວິສາຫະກິດສ້າງແອັບພລິເຄຊັນ AI ໂດຍອີງໃສ່ຂໍ້ມູນ ແລະ Workflow ຂອງຕົນເອງ. ສາມາດນຳໃຊ້ໄດ້ທັງການສ້າງ Chatbot, ການພັດທະນາ Knowledge Assistant, ແລະ ການຝັງ AI ເຂົ້າໃນຂະບວນການທຸລະກິດ.

ໝວດນີ້ມີຄວາມຍືດຫຍຸ່ນສູງທີ່ສຸດ ແຕ່ໃນທາງກົງກັນຂ້າມ ກໍຕ້ອງການທັກສະດ້ານເຕັກນິກໃນການນຳໃຊ້ ແລະ ດຳເນີນງານ. ການອອກແບບ API, ການສ້າງຂະບວນການ ຫຼື Pipeline ຂໍ້ມູນ, ການຄັດເລືອກ ແລະ ປັບແຕ່ງໂມເດລ ລ້ວນຕ້ອງການທີມພັດທະນາທີ່ມີຄວາມສາມາດ.

ໃນສະພາບການຂອງລາວ, ໝວດນີ້ຈະເປັນທາງເລືອກທີ່ເໝາະສົມສຳລັບວິສາຫະກິດຂະໜາດໃຫຍ່ທີ່ມີທີມ Engineer ພາຍໃນ ຫຼື ອົງກອນທີ່ສາມາດຮ່ວມມືກັບບໍລິສັດ IT ພາຍນອກໄດ້. ຖ້າຢູ່ໃນຂັ້ນຕອນທີ່ "ທີມ IT ຍັງນ້ອຍຢູ່" ຫຼື "ຍັງບໍ່ທັນມີ Partner ດ້ານການພັດທະນາ" ການເລີ່ມຕົ້ນຈາກໝວດອື່ນຈະເປັນທາງເລືອກທີ່ເປັນຈິງກວ່າ.

ຢ່າງໃດກໍຕາມ, ຫາກຕ້ອງການຂະຫຍາຍການນຳໃຊ້ AI ຢ່າງຈິງຈັງໃນອະນາຄົດ, ການຮູ້ຈັກໝວດນີ້ໄວ້ກ່ອນກໍມີຄຸນຄ່າ. ສາມາດວາງ Roadmap ໄດ້ວ່າ: ເລີ່ມຕົ້ນດ້ວຍ AI ເພີ່ມປະສິດທິພາບການເຮັດວຽກ ຫຼື Knowledge AI ເພື່ອສ້າງຜົນໄດ້ຮັບກ່ອນ, ແລ້ວຈຶ່ງຍ້າຍໄປສູ່ Platform ເມື່ອຄວາມຕ້ອງການຊັດເຈນຂຶ້ນ.

ຮູບແບບທີ່ມີການເພີ່ມຟັງຊັນ AI ເຂົ້າໃນຊອບແວບັນຊີ, CRM, ເຄື່ອງມືຈັດການໂຄງການ ແລະ ອື່ນໆ ທີ່ກຳລັງໃຊ້ງານຢູ່ແລ້ວ. ແທນທີ່ຈະນຳເຄື່ອງມືໃໝ່ເຂົ້າມາ, AI ຈະສາມາດໃຊ້ງານໄດ້ໃນຮູບແບບຂອງການອັບເດດເຄື່ອງມືທີ່ມີຢູ່ເດີມ.

ເນື່ອງຈາກການປ່ຽນແປງ Workflow ມີໜ້ອຍທີ່ສຸດ, ຄ່າໃຊ້ຈ່າຍໃນການນຳໃຊ້ຈຶ່ງມີແນວໂນ້ມຕ່ຳທີ່ສຸດໃນ 4 ປະເພດ. ການທີ່ບໍ່ຈຳເປັນຕ້ອງບອກທີມວ່າ "ກະລຸນາຮຽນຮູ້ເຄື່ອງມືໃໝ່" ຖືເປັນຂໍ້ດີອັນໃຫຍ່ຫຼວງໃນສະພາບແວດລ້ອມທີ່ມີບຸກຄະລາກອນດ້ານ IT ຈຳກັດ.

ໃນທາງກົງກັນຂ້າມ, ຂອບເຂດຂອງຟັງຊັນຂຶ້ນກັບການອອກແບບຂອງຜູ້ສະໜອງຊອບແວ, ດັ່ງນັ້ນອາດຈະບໍ່ຕອບໂຈດຄວາມຕ້ອງການຂອງອົງກອນໄດ້ຢ່າງພໍດີ. ນອກຈາກນີ້, ຍັງມີຄວາມສ່ຽງທີ່ວ່າຫາກຜູ້ສະໜອງຢຸດໃຫ້ບໍລິການຟັງຊັນ AI, ການນຳໃຊ້ທີ່ສ້າງສົມມາຈົນເຖິງຕອນນັ້ນກໍ່ຈະດຳເນີນຕໍ່ໄປບໍ່ໄດ້.

ສິ່ງທີ່ສຳຄັນທີ່ສຸດໃນການຄັດເລືອກ AI ບໍ່ແມ່ນ "ການປຽບທຽບປະສິດທິພາບຂອງ Model" ແຕ່ແມ່ນການກວດສອບຄວາມເໝາະສົມວ່າ "ສອດຄ່ອງກັບບັນຫາດ້ານການດຳເນີນງານ, ສະພາບແວດລ້ອມຂໍ້ມູນ ແລະ ງົບປະມານຂອງອົງກອນຕົນເອງຫຼືບໍ່". ໂດຍການກວດສອບເກນ 4 ຂໍ້ຕໍ່ໄປນີ້ຕາມລຳດັບ, ຈະຊ່ວຍເພີ່ມຄວາມແມ່ນຍຳໃນການຄັດເລືອກໄດ້.

ກວດສອບວ່າ "AI ນີ້ສາມາດເຮັດຫຍັງໄດ້ແດ່" ບໍ່ແມ່ນ, ແຕ່ "AI ນີ້ສາມາດໃຊ້ກັບວຽກງານສະເພາະຂອງບໍລິສັດເຮົາໄດ້ຫຼືບໍ່" ຕ່າງຫາກ.

ວິທີການກວດສອບນັ້ນງ່າຍດາຍຫຼາຍ. ເລືອກວຽກງານຈິງໜຶ່ງຢ່າງ, ແລ້ວໃຫ້ AI ນັ້ນລອງເຮັດເປັນເວລາ 2 ອາທິດ. ຕົວຢ່າງ, ເລືອກວຽກ "ອ້າງອີງໃບສະເໜີລາຄາເກົ່າເພື່ອສ້າງຮ່າງໃບສະເໜີລາຄາໃໝ່" ແລ້ວທົດລອງໃຊ້ຕົວຈິງ. ຖ້າຜົນທີ່ໄດ້ຄື "ຄຸນນະພາບຢູ່ທີ່ 70% ຂອງການເຮັດດ້ວຍມື, ແຕ່ໃຊ້ເວລາຄຶ່ງໜຶ່ງ" ກໍ່ຄຸ້ມຄ່າທີ່ຈະລົງທຶນ. ຖ້າ "ບໍ່ຕ່າງຈາກການເຮັດດ້ວຍມື" ກໍ່ໝາຍຄວາມວ່າ AI ນັ້ນບໍ່ເໝາະກັບວຽກງານນີ້.

ສິ່ງສຳຄັນຄືໃນຂັ້ນຕອນ Pilot ຕ້ອງໃຊ້ "ຂໍ້ມູນວຽກງານຈິງ". ເຖິງແມ່ນວ່າຈະໄດ້ຜົນດີໃນການ Demo ຫຼືຂໍ້ມູນຕົວຢ່າງ, ກໍ່ບໍ່ໄດ້ໝາຍຄວາມວ່າຈະໄດ້ຜົນດີຄືກັນເມື່ອໃຊ້ຂໍ້ມູນຂອງບໍລິສັດຕົນເອງ.

ໃນເມື່ອທ່ານສົ່ງຂໍ້ມູນພາຍໃນອົງກອນໃຫ້ກັບເຄື່ອງມື AI ແລ້ວ, ທ່ານຈຳເປັນຕ້ອງກວດສອບວ່າ "ຂໍ້ມູນດັ່ງກ່າວຖືກເກັບໄວ້ທີ່ໃດ, ໃຜສາມາດເຂົ້າເຖິງໄດ້, ແລະຈະຖືກນຳໃຊ້ເປັນຂໍ້ມູນຝຶກສອນຫຼືບໍ່".

ໃນລາວ, ລະບຽບກົດໝາຍດ້ານການປົກປ້ອງຂໍ້ມູນຍັງຢູ່ໃນຂັ້ນຕອນການພັດທະນາ, ແຕ່ນັ້ນຍິ່ງເຮັດໃຫ້ການກຳນົດນະໂຍບາຍຂອງອົງກອນຕົນເອງໃຫ້ຊັດເຈນເປັນສິ່ງສຳຄັນຍິ່ງ. ຕໍ່ໄປນີ້ແມ່ນ 3 ຈຸດທີ່ຕ້ອງກວດສອບຢ່າງໜ້ອຍທີ່ສຸດ:

• ສະຖານທີ່ເກັບຮັກສາຂໍ້ມູນ: ຂໍ້ມູນຂອງອົງກອນຖືກເກັບໄວ້ໃນເຊີບເວີຂອງປະເທດໃດ
• ການນຳໃຊ້ເພື່ອຝຶກສອນ: ຂໍ້ມູນທີ່ປ້ອນເຂົ້າຈະຖືກນຳໃຊ້ໃນການຝຶກສອນໂມເດນ AI ຫຼືບໍ່
• ການຄວບຄຸມການເຂົ້າເຖິງ: ໃຜໃນອົງກອນສາມາດເຂົ້າເຖິງຂໍ້ມູນໃດໄດ້ແດ່

ໂດຍສະເພາະໃນກໍລະນີທີ່ໃຫ້ AI ປະມວນຜົນຂໍ້ມູນລູກຄ້າ ຫຼື ຂໍ້ມູນທາງການເງິນ, ການເລືອກໃຊ້ Enterprise Plan (ສັນຍາທີ່ຂໍ້ມູນຈະບໍ່ຖືກນຳໃຊ້ໃນການຝຶກສອນ) ຈະປອດໄພກວ່າ.

ລະດັບການເຊື່ອມໂຍງຂອງເຄື່ອງມື AI ໃໝ່ກັບຊອບແວ ແລະ Workflow ທີ່ໃຊ້ຢູ່ແລ້ວນັ້ນ ມີຜົນຕໍ່ຄວາມສຳເລັດ ຫຼື ຄວາມລົ້ມເຫຼວຂອງການນຳໃຊ້ຢ່າງຫຼວງຫຼາຍ.

ສຳລັບຫຼາຍທຸລະກິດໃນລາວ, ລະບົບນິເວດ (Ecosystem) ຂອງລະບົບການດຳເນີນງານຍັງຢູ່ໃນຂັ້ນຕອນການພັດທະນາ. ມີຫຼາຍບໍລິສັດທີ່ດຳເນີນງານດ້ວຍ Excel ຫຼື Google Workspace, ໃນກໍລະນີດັ່ງກ່າວ, "AI ທີ່ເຮັດວຽກພາຍໃນ Excel ຫຼື Google Docs" ຈະມີຄວາມເໝາະສົມໃນການໃຊ້ງານຈິງຫຼາຍກວ່າການເຊື່ອມຕໍ່ API ທີ່ຊັບຊ້ອນ.

ໃນທາງກົງກັນຂ້າມ, ຫາກໄດ້ນຳໃຊ້ ERP ຫຼື CRM ຢູ່ແລ້ວ, ການທົດລອງໃຊ້ຟັງຊັນ AI ທີ່ຝັງໄວ້ໃນລະບົບທີ່ Vendor ສະໜອງໃຫ້ກ່ອນຈະເປັນທາງເລືອກທີ່ສົມເຫດສົມຜົນກວ່າ. ການໃຊ້ງານໃນຮູບແບບການຂະຫຍາຍຕໍ່ຈາກເຄື່ອງມືທີ່ມີຢູ່ແລ້ວ ແທນທີ່ຈະສັນຍາເຄື່ອງມືໃໝ່ແຍກຕ່າງຫາກ ຈະຊ່ວຍຫຼຸດຜ່ອນທັງຄ່າໃຊ້ຈ່າຍ ແລະ ການປ່ຽນແປງ Workflow ໃຫ້ຢູ່ໃນລະດັບຕ່ຳສຸດ.

ຄ່າໃຊ້ຈ່າຍຂອງເຄື່ອງມື AI ມີຫຼາຍຮູບແບບ ທັງແບບສະໝັກສະມາຊິກລາຍເດືອນ, ແບບຈ່າຍຕາມການນຳໃຊ້ຈິງ, ແລະ ແບບສັນຍາລາຍປີ. ສຳລັບວິສາຫະກິດໃນລາວ, ແນະນຳໃຫ້ປະເມີນໂດຍອີງໃສ່ມຸມມອງດັ່ງຕໍ່ໄປນີ້:

ທຳອິດ, ຢ່າຄິດວ່າ "ຄ່າລາຍເດືອນເທົ່າໃດ" ແຕ່ໃຫ້ຄິດວ່າ "ຫຼຸດຄ່າໃຊ້ຈ່າຍໄດ້ເທົ່າໃດຕໍ່ໜຶ່ງວຽກງານ". ຕົວຢ່າງ, ຖ້າເຄື່ອງມື AI ທີ່ຄ່າລາຍເດືອນ 30 ໂດລາ ສາມາດຫຼຸດເວລາເຮັດວຽກຈາກ 20 ຊົ່ວໂມງ ເຫຼືອ 10 ຊົ່ວໂມງຕໍ່ເດືອນ, ກໍໃຫ້ປຽບທຽບລະຫວ່າງຄ່າແຮງງານ 10 ຊົ່ວໂມງ ກັບ 30 ໂດລານັ້ນ.

ໃຊ້ປະໂຫຍດຈາກແຜນຟຣີ ແລະ ໄລຍະທົດລອງໃຊ້ໃຫ້ໄດ້ສູງສຸດ. ເຄື່ອງມື AI ສ່ວນຫຼາຍມີແຜນໃຊ້ງານຟຣີ ຫຼື ໄລຍະທົດລອງໃຊ້. ສິ່ງສຳຄັນຄືການທົດສອບໃນວຽກງານຈິງກ່ອນທີ່ຈະຕັດສິນໃຈຜູກມັດ.

ລະວັງຄ່າໃຊ້ຈ່າຍທີ່ເຊື່ອງຢູ່. ນອກຈາກຄ່າຕົວເຄື່ອງມືເອງແລ້ວ, ຄວນຄິດໄລ່ຄ່າໃຊ້ຈ່າຍລວມທັງໝົດ ລວມທັງ ຊົ່ວໂມງການຈັດຮຽງຂໍ້ມູນ, ເວລາຝຶກອົບຮົມທີມງານ, ແລະ ພາລະການດູແລລະບົບຂອງຜູ້ຮັບຜິດຊອບດ້ານ IT.

ແນວທາງການພິຈາລະນາຄ່າໃຊ້ຈ່າຍ:

ວິສາຫະກິດຂະໜາດກາງ ແລະ ຂະໜາດນ້ອຍໃນອາຊຽນຫຼາຍແຫ່ງ ມັກມີງົບປະມານ IT ລາຍປີລວມທີ່ຈຳກັດ. ຄ່າລາຍເດືອນຂອງເຄື່ອງມື AI ມີຕັ້ງແຕ່ຫຼາຍສິບໂດລາ ຈົນເຖິງຫຼາຍຮ້ອຍໂດລາ, ດັ່ງນັ້ນ ວິທີທີ່ເປັນຈິງທີ່ສຸດຄື ເລີ່ມຕົ້ນຈາກແຜນຟຣີ ຫຼື ສະໝັກສະມາຊິກລາຄາຕໍ່າກ່ອນ, ຈາກນັ້ນຢືນຢັນຜົນໄດ້ຮັບ ແລ້ວຈຶ່ງຂະຫຍາຍແຜນການ.

ໃນການຕັດສິນຄ່າຄວາມຄຸ້ມທຶນຂອງເຄື່ອງມື AI, ຄວນປຽບທຽບ 3 ຈຸດດັ່ງນີ້:

• ຊົ່ວໂມງວຽກທີ່ຫຼຸດໄດ້ × ຄ່າແຮງງານ (ຄິດໄລ່ເປັນລາຍເດືອນ)
• ຄ່າລາຍເດືອນຂອງເຄື່ອງມື AI (ຄ່າ Licence + ຄ່າດຳເນີນງານ)
• ຊົ່ວໂມງລົງທຶນເບື້ອງຕົ້ນໃນການນຳໃຊ້ (ການຈັດຮຽງຂໍ້ມູນ, ການຝຶກອົບຮົມ ແລະ ອື່ນໆ)

ຖ້າໃຊ້ການປຽບທຽບ 3 ຈຸດນີ້ເປັນເກນຕັດສິນວ່າ "ມີແນວໂນ້ມຄືນທຶນໄດ້ພາຍໃນ 6 ເດືອນຫຼືບໍ່", ກໍຈະຊ່ວຍຫຼີກລ່ຽງການລົງທຶນເບື້ອງຕົ້ນທີ່ສູງເກີນໄປໄດ້.

ເຖິງແມ່ນວ່າເປັນບໍລິສັດດຽວກັນ, ພຽງແຕ່ປ່ຽນ "ຈະເລີ່ມຕົ້ນຈາກຫຍັງ" ກໍສາມາດເຮັດໃຫ້ຜົນໄດ້ຮັບຂອງການນຳໃຊ້ AI ແຕກຕ່າງກັນໄປຢ່າງສິ້ນເຊີງ. ຂ້າງລຸ່ມນີ້ແມ່ນຮູບແບບ Before/After ທີ່ພົບເຫັນໄດ້ທົ່ວໄປ.

ບໍລິສັດໜຶ່ງໄດ້ນຳໃຊ້ AI Chatbot ທົ່ວໄປທີ່ກຳລັງເປັນທີ່ສົນໃຈຢ່າງກວ້າງຂວາງ ມາໃຊ້ງານທົ່ວທັງອົງກອນ. ຝ່າຍບໍລິຫານຄາດຫວັງວ່າ "ນີ້ຈະຊ່ວຍເພີ່ມປະສິດທິພາບການເຮັດວຽກ" ແລະ ໄດ້ແຈກຢາຍບັນຊີໃຫ້ພະນັກງານທຸກຄົນ.

ໃນຊ່ວງສອງສາມວັນທຳອິດ, ພະນັກງານຕ່າງກໍລອງຖາມຄຳຖາມຕ່າງໆດ້ວຍຄວາມຢາກຮູ້ຢາກເຫັນ. "ຊ່ວຍອະທິບາຍກ່ຽວກັບກົດໝາຍການລົງທຶນຂອງລາວໃຫ້ແດ່" "ຊ່ວຍແປອີເມລພາສາອັງກິດໃຫ້ແດ່" — AI ກໍຕອບໄດ້ໃນລະດັບໜຶ່ງ. ແຕ່ພໍຜ່ານໄປໜຶ່ງອາທິດ, ອັດຕາການໃຊ້ງານກໍຫຼຸດລົງຢ່າງໄວວາ.

ສາເຫດນັ້ນງ່າຍດາຍຫຼາຍ. ສິ່ງທີ່ທີມຂາຍຕ້ອງການຢ່າງແທ້ຈິງຄື "ຟັງຊັນຄົ້ນຫາໃບສະເໜີລາຄາເກົ່າ", ແຕ່ AI ບໍ່ສາມາດເຂົ້າເຖິງເອກະສານພາຍໃນອົງກອນໄດ້. ສິ່ງທີ່ຝ່າຍສະໜັບສະໜູນລູກຄ້າຕ້ອງການຄື "ຟັງຊັນດຶງຄຳຕອບຈາກຄູ່ມືຜະລິດຕະພັນ", ແຕ່ AI ບໍ່ຮູ້ເນື້ອຫາຂອງຄູ່ມືດັ່ງກ່າວ. ສິ່ງທີ່ຝ່າຍບໍລິຫານຄາດຫວັງຄື "ການສະຫຼຸບລາຍງານປະຈຳເດືອນໂດຍອັດຕະໂນມັດ", ແຕ່ AI ບໍ່ສາມາດອ່ານໄຟລ໌ລາຍງານໄດ້.

ໃນທີ່ສຸດ, AI ຖືກໃຊ້ງານພຽງແຕ່ "ສຳລັບການຄົ້ນຫາຂໍ້ມູນເລັກໆນ້ອຍໆ" ເທົ່ານັ້ນ, ແລະ ບໍ່ໄດ້ຮັບຜົນຕອບແທນທີ່ຄຸ້ມຄ່າກັບການລົງທຶນ. ຄ່າໃຊ້ຈ່າຍໃບອະນຸຍາດຍັງຄົງຖືກຫັກທຸກເດືອນ, ແລະ ພໍຜ່ານໄປຄຶ່ງປີ, ເຄື່ອງມືດັ່ງກ່າວກໍຖືກລືມເລີຍໄປ.

ບໍລິສັດດຽວກັນໄດ້ປ່ຽນວິທີການ. ຄັ້ງນີ້ ກ່ອນທີ່ຈະເລືອກເຄື່ອງມື ພວກເຂົາໄດ້ລະບຸກ່ອນວ່າ "ຢາກໃຊ້ AI ກັບວຽກງານໃດ ໃນຂະບວນການ ຫຼື Pipeline ໃດ"

ບັນຫາທີ່ລະບຸໄດ້ມີ 3 ຂໍ້ ດັ່ງນີ້:

1. ທີມຂາຍ: ທຸກຄັ້ງທີ່ຄົ້ນຫາໃບສະເໜີລາຄາ ຫຼື ໃບສະເໜີໂຄງການເກົ່າ ໃຊ້ເວລາຫຼາຍກວ່າ 30 ນາທີຕໍ່ຄັ້ງ
2. ທີມສະໜັບສະໜູນລູກຄ້າ: ຄູ່ມືຜະລິດຕະພັນມີຫຼາຍເກີນໄປ ຈຶ່ງໃຊ້ເວລາຫຼາຍໃນການຕອບຄຳຖາມ
3. ຜູ້ບໍລິຫານ: ການອ່ານລາຍງານປະຈຳເດືອນຂອງແຕ່ລະພະແນກ ແລ້ວສະຫຼຸບໃຈຄວາມ ໃຊ້ເວລາເຄິ່ງວັນ

ສຳລັບບັນຫາທັງ 3 ຂໍ້ນີ້ ໄດ້ຕັດສິນໃຈວ່າຕ້ອງການ AI 2 ປະເພດ. ສຳລັບບັນຫາຂໍ້ 1 ແລະ 2 ເລືອກໃຊ້ Knowledge Enterprise AI (AI ທີ່ສາມາດອ່ານເອກະສານພາຍໃນອົງກອນໄດ້) ສ່ວນບັນຫາຂໍ້ 3 ເລືອກໃຊ້ Productivity AI (ຟັງຊັນສະຫຼຸບເອກະສານ).

ເລີ່ມຕົ້ນດ້ວຍການທົດລອງ (Pilot) ໂດຍສຸມໃສ່ບັນຫາຂໍ້ 1 ຂອງທີມຂາຍກ່ອນ. ໃຫ້ AI ອ່ານໃບສະເໜີໂຄງການເກົ່າ ແລ້ວດຳເນີນງານເປັນເວລາ 2 ອາທິດ. ຜົນທີ່ໄດ້ຮັບຄື ເວລາໃນການຄົ້ນຫາໃບສະເໜີໂຄງການຫຼຸດລົງຢ່າງຫຼວງຫຼາຍ ແລະ ທີມຂາຍໄດ້ສະແດງຄວາມຮູ້ສຶກວ່າ "ຂາດສິ່ງນີ້ໄປບໍ່ໄດ້".

ການຈຳລອງຜົນການທົດລອງ (Pilot) (ຕົວຢ່າງ: ການຄົ້ນຫາໃບສະເໜີໂຄງການ):

※ ຕົວເລກຂ້າງເທິງນີ້ແມ່ນຄ່າຈາກການຈຳລອງໃນສະພາບແວດລ້ອມທີ່ຄ້າຍຄືກັນ. ຜົນທີ່ໄດ້ຮັບຕົວຈິງຈະແຕກຕ່າງກັນໄປຕາມປະລິມານເອກະສານ, ສະຖານະການຈັດຕຽມ ແລະ ຄວາມຖີ່ໃນການໃຊ້ງານຂອງທີມ.

ໂດຍອາໄສຄວາມສຳເລັດນີ້ເປັນບົດຮຽນ ຈຶ່ງໄດ້ຂະຫຍາຍຂອບເຂດການນຳໃຊ້ AI ໄປສູ່ບັນຫາຂໍ້ 2 ແລະ ຂໍ້ 3 ຢ່າງເປັນຂັ້ນຕອນ.

ການເລີ່ມຕົ້ນດ້ວຍການທົດສອບນຳຮ່ອງ (Pilot) ໃນ 2-3 ກໍລະນີການໃຊ້ງານ ແທນທີ່ຈະນຳໃຊ້ທົ່ວທັງອົງກອນໃນຄັ້ງດຽວ ແມ່ນມີຄວາມສຳຄັນເປັນພິເສດໃນສະພາບແວດລ້ອມຂອງລາວ. ເພື່ອໃຫ້ໄດ້ຮັບການຮຽນຮູ້ສູງສຸດດ້ວຍງົບປະມານ IT ແລະ ບຸກຄະລາກອນທີ່ຈຳກັດ, ຂໍແນະນຳຂັ້ນຕອນດັ່ງຕໍ່ໄປນີ້.

ກ່ອນທີ່ຈະນຳໃຊ້ທົ່ວທັງອົງກອນ, ໃຫ້ເລືອກ 2–3 ຂໍ້ທີ່ໃກ້ຄຽງກັບສະຖານະການຂອງຕົນເອງຈາກ 4 ຂໍ້ຂ້າງລຸ່ມນີ້ ແລ້ວດຳເນີນການທົດລອງ (Pilot) ກ່ອນ.

1. AI ສະຫຼຸບບົດບັນທຶກກອງປະຊຸມ. ຫາກທ່ານກຳລັງຂຽນບົດບັນທຶກກອງປະຊຸມດ້ວຍມືຢູ່, ໃຫ້ສົ່ງຂໍ້ມູນສຽງ ຫຼື ຂໍ້ຄວາມທີ່ຖ່າຍທອດໄວ້ໃຫ້ AI ສະຫຼຸບ. ສາມາດຮອງຮັບໄດ້ໃນຂອບເຂດຂອງ AI ເພີ່ມຜະລິດຕະພາບ. ມີຄວາມຫຍຸ້ງຍາກໃນການນຳໃຊ້ຕ່ຳ ແລະ ເຫັນຜົນໄດ້ຊັດເຈນ. ສຳລັບກອງປະຊຸມທີ່ໃຊ້ພາສາລາວ, ໄທ ແລະ ອັງກິດປົນກັນ, ນີ້ຍັງເປັນໂອກາດດີທີ່ຈະກວດສອບຄວາມແຕກຕ່າງຂອງຄວາມຖືກຕ້ອງໃນແຕ່ລະພາສາ.

2. AI ຄົ້ນຫາເອກະສານພາຍໃນ. ໃຫ້ AI ອ່ານສັນຍາ, ໃບສະເໜີ, ຄູ່ມື ແລະ ເອກະສານຕ່າງໆ ທີ່ຜ່ານມາ ເພື່ອໃຫ້ສາມາດຄົ້ນຫາດ້ວຍພາສາທຳມະຊາດໄດ້. ຢູ່ໃນຂອບເຂດຂອງ Knowledge Enterprise AI. ຕ້ອງໃຊ້ຊັບພະຍາກອນໃນການຈັດຮຽງຂໍ້ມູນ, ແຕ່ມີຜົນໃຫຍ່ຫຼວງໃນດ້ານການລຶບລ້າງການເພິ່ງພາຕົວບຸກຄົນ.

3. ສ້າງຮ່າງໃບສະເໜີ ແລະ ອີເມລ. ໃຫ້ AI ຮ່າງອີເມລ ແລະ ໃບສະເໜີທີ່ທີມຂາຍ ຫຼື ຜູ້ຈັດການຕ້ອງຂຽນໃນຊີວິດປະຈຳວັນ. ໂດຍສະເພາະໃນກໍລະນີທີ່ມີການສື່ສານເປັນພາສາອັງກິດຫຼາຍ, ສາມາດຄາດຫວັງໄດ້ທັງການຫຼຸດເວລາໃນການຮ່າງ ແລະ ການຍົກລະດັບຄຸນນະພາບ.

4. ການຈັດໝວດໝູ່ Ticket ຄຳຮ້ອງຂໍໂດຍອັດຕະໂນມັດ. AI ຈັດໝວດໝູ່ຄຳຮ້ອງຂໍທີ່ສົ່ງເຂົ້າມາຫາ Customer Support ໂດຍອັດຕະໂນມັດ. ສາມາດກຳນົດລະດັບຄວາມຮີບດ່ວນ ແລະ ສົ່ງຕໍ່ໄປຍັງພະແນກທີ່ຮັບຜິດຊອບໂດຍອັດຕະໂນມັດໄດ້ອີກດ້ວຍ. ຫາກເຄື່ອງມືຈັດການ Ticket ທີ່ມີຢູ່ແລ້ວໃຫ້ຟັງຊັ່ນ AI ໃນຮູບແບບ Embedded AI, ການເລີ່ມຕົ້ນຈາກຕົວນັ້ນຈະສະດວກທີ່ສຸດ.

ເພື່ອຕັດສິນ "ຄວາມສຳເລັດ ຫຼື ຄວາມລົ້ມເຫຼວ" ຂອງ Pilot ດ້ວຍຂໍ້ມູນ ບໍ່ແມ່ນຄວາມຮູ້ສຶກ, ຈຶ່ງຕ້ອງວັດແທກ 3 ຂໍ້ຕໍ່ໄປນີ້ຢ່າງຈຳເປັນ.

1. ການຫຼຸດລົງຂອງເວລາ. ກ່ອນ ແລະ ຫຼັງ Pilot, ເວລາທີ່ໃຊ້ໃນວຽກງານເປົ້າໝາຍປ່ຽນແປງໄປຫຼາຍປານໃດ. ຕ້ອງການຄວາມຊັດເຈນໃນລະດັບທີ່ວ່າ "ວຽກທີ່ເຄີຍໃຊ້ 20 ຊົ່ວໂມງຕໍ່ເດືອນ ຫຼຸດລົງເຫຼືອ 12 ຊົ່ວໂມງ".

2. ການປ່ຽນແປງຂອງຄຸນນະພາບ. ຄຸນນະພາບຂອງຜົນລັບທີ່ AI ສ້າງອອກມາ ເມື່ອທຽບກັບການເຮັດດ້ວຍມືເປັນແນວໃດ. ຕົວຢ່າງ, ບັນທຶກລາຍລະອຽດເຊັ່ນ "80% ຂອງ Draft ທີ່ AI ສ້າງ ສາມາດໃຊ້ໄດ້ເລີຍ" ແລະ "20% ຕ້ອງການແກ້ໄຂຢ່າງຫຼວງຫຼາຍ".

3. ຄວາມຕ້ອງການສືບຕໍ່ຂອງທີມ. ເປັນຕົວຊີ້ວັດທີ່ຖືກມອງຂ້າມຫຼາຍທີ່ສຸດ ແຕ່ສຳຄັນທີ່ສຸດ. ຫຼັງຈາກ Pilot ສິ້ນສຸດ, ຖາມສະມາຊິກທີມຢ່າງຊື່ສັດວ່າ "ຢາກໃຊ້ AI ນີ້ຕໍ່ໄປຫຼືບໍ່". ເຖິງແມ່ນດີທາງດ້ານເຕັກນິກ, ຖ້າຜູ້ໃຊ້ງານຕົວຈິງບໍ່ຢາກໃຊ້ ກໍ່ຈະບໍ່ຕິດຕົ່ວ.

ຕາຕະລາງວັດແທກ Pilot (ຕົວຢ່າງ):

ພຽງແຕ່ບັນທຶກ 4 ລາຍການນີ້ຕະຫຼອດໄລຍະ Pilot 2 ອາທິດ, ກໍ່ຈະໄດ້ຂໍ້ມູນປະກອບການຕັດສິນໃຈວ່າ "ຄວນຂະຫຍາຍ AI ນີ້ໄປທົ່ວທັງອົງກອນຫຼືບໍ່".

ໃນຂັ້ນຕອນທົດລອງ (Pilot), ຫຼາຍບໍລິສັດມັກຕົກຢູ່ໃນຄວາມເຂົ້າໃຈຜິດດັ່ງຕໍ່ໄປນີ້. ການຮັບຮູ້ໄວ້ລ່ວງໜ້າຈະຊ່ວຍໃຫ້ຕັດສິນໃຈໄດ້ຢ່າງມີສະຕິ.

ຄວາມເຂົ້າໃຈຜິດທີ 1: "AI ໜຶ່ງດຽວສາມາດແກ້ໄຂທຸກຢ່າງໄດ້". ທີ່ມີການຈຳແນກອອກເປັນ 4 ປະເພດນັ້ນ ກໍເພາະວ່າແຕ່ລະປະເພດແກ້ໄຂບັນຫາທີ່ແຕກຕ່າງກັນ. AI ທີ່ໃຊ້ໄດ້ທຸກຢ່າງນັ້ນບໍ່ມີຢູ່ຈິງ. ການທີ່ລະບົບໜຶ່ງຖະໜັດໃນການຂຽນອີເມລ໌ແຕ່ບໍ່ສາມາດຄົ້ນຫາເອກະສານພາຍໃນອົງກອນໄດ້ ນັ້ນບໍ່ແມ່ນຂໍ້ບົກພ່ອງ ຫາກແຕ່ເປັນຄວາມແຕກຕ່າງດ້ານການອອກແບບ.

ຄວາມເຂົ້າໃຈຜິດທີ 2: "ເລືອກ Model ທີ່ມີສະມັດຖະພາບສູງສຸດກໍຖືກຕ້ອງແລ້ວ". Model ທີ່ໄດ້ຄະແນນ Benchmark ສູງສຸດໃນໂລກ ບໍ່ໄດ້ໝາຍຄວາມວ່າຈະເໝາະສົມທີ່ສຸດສຳລັບການດຳເນີນງານຂອງອົງກອນຕົນເອງ. ຄວາມຖືກຕ້ອງໃນການປະມວນຜົນພາສາລາວ, ຄວາມໄວໃນການຕອບສະໜອງ, ຄ່າໃຊ້ຈ່າຍ — ປັດໄຈສຳຄັນທີ່ໃຊ້ຈິງໃນການດຳເນີນງານນັ້ນ ມັກຈະບໍ່ສະທ້ອນຢູ່ໃນ Benchmark.

ຄວາມເຂົ້າໃຈຜິດທີ 3: "ຊື້ License ແລ້ວກໍຖືວ່ານຳໃຊ້ສຳເລັດ". ການສັນຍາ License ເປັນພຽງຈຸດເລີ່ມຕົ້ນເທົ່ານັ້ນ. ເພື່ອໃຫ້ AI ສ້າງຜົນໄດ້ຮັບຢ່າງມີປະສິດທິພາບ ຈຳເປັນຕ້ອງມີການຈັດຮຽງຂໍ້ມູນ, ການອອກແບບ Workflow ໃໝ່, ແລະ ການຝຶກອົບຮົມທີມງານ. ຜົນການສຶກສາຂອງ McKinsey ກໍໄດ້ເນັ້ນໜັກວ່າ ບໍລິສັດທີ່ປະສົບຜົນສຳເລັດນັ້ນ ໄດ້ອອກແບບຂະບວນການ ຫຼື Pipeline ໃໝ່ຄຽງຄູ່ກັບການນຳໃຊ້ເຄື່ອງມືໄປພ້ອມກັນ.

ແນະນຳໃຫ້ເລີ່ມຕົ້ນດ້ວຍ "AI ທີ່ຝັງໃນລະບົບ" ຫຼື "AI ເພື່ອເພີ່ມປະສິດທິພາບການເຮັດວຽກ". ເຫດຜົນແມ່ນຍ້ອນວ່າ ອຸປະສັກໃນການນຳໃຊ້ຕ່ຳທີ່ສຸດ ແລະ ບໍ່ຈຳເປັນຕ້ອງປ່ຽນແປງຂະບວນການ ຫຼື Pipeline ການເຮັດວຽກທີ່ມີຢູ່ແລ້ວຢ່າງຫຼວງຫຼາຍ. ຂໍໃຫ້ກວດສອບກ່ອນວ່າ ຊອບແວທີ່ໃຊ້ໃນການເຮັດວຽກຢູ່ແລ້ວນັ້ນ ມີຟັງຊັນ AI ຫຼືບໍ່. ຖ້າມີຟັງຊັນ AI ຢູ່ໃນນັ້ນ ກໍສາມາດທົດລອງໃຊ້ໄດ້ໂດຍບໍ່ຕ້ອງລົງທຶນເພີ່ມ ຫຼື ດ້ວຍຄ່າໃຊ້ຈ່າຍໜ້ອຍທີ່ສຸດ.

ຄວນຫຼີກລ່ຽງການນຳໃຊ້ຫຼາຍເຄື່ອງມືພ້ອມກັນຕັ້ງແຕ່ເລີ່ມຕົ້ນ. ການທົດລອງໃຊ້ເຄື່ອງມືໜຶ່ງກັບກໍລະນີການໃຊ້ງານໜຶ່ງ ແລ້ວຢືນຢັນຜົນໄດ້ຮັບກ່ອນຈຶ່ງກ້າວໄປຂັ້ນຕໍ່ໄປ ຈະຊ່ວຍໃຫ້ໃຊ້ຊັບພະຍາກອນທີ່ມີຢູ່ຢ່າງຈຳກັດໄດ້ຢ່າງມີປະສິດທິພາບ. ການນຳໃຊ້ຫຼາຍເຄື່ອງມືຄຽງຄູ່ກັນ ອາດກໍ່ໃຫ້ເກີດຄວາມສັບສົນໃນທີມ ແລະ ເຮັດໃຫ້ບໍ່ສາມາດລະບຸໄດ້ວ່າ ເຄື່ອງມືໃດສ້າງຜົນໄດ້ຮັບໃດ.

ຄວາມນິຍົມເປັນພຽງຂໍ້ມູນອ້າງອີງ, ບໍ່ແມ່ນເກນການຄັດເລືອກ. ເຄື່ອງມື AI ທີ່ໄດ້ຮັບຄວາມນິຍົມໃນລະດັບໂລກ ບໍ່ໄດ້ໝາຍຄວາມວ່າຈະເໝາະສົມທີ່ສຸດສຳລັບສະພາບແວດລ້ອມການເຮັດວຽກຂອງລາວ. ມີຫຼາຍປັດໄຈທີ່ຕ້ອງປະເມີນຕາມເງື່ອນໄຂຂອງອົງກອນຕົນເອງ ໄດ້ແກ່: ການຮອງຮັບພາສາ, ລະດັບການພຶ່ງພາອາໄສການເຊື່ອມຕໍ່ອິນເຕີເນັດ, ລະບົບການສະໜັບສະໜູນ, ແລະ ການກຳນົດລາຄາ. ການພິສູດຜ່ານໂຄງການທົດລອງ (Pilot) ວ່າ "ເໝາະສົມກັບການດຳເນີນງານຂອງອົງກອນຕົນເອງຫຼືບໍ່" ນັ້ນ ເປັນຂໍ້ມູນປະກອບການຕັດສິນໃຈທີ່ໜ້າເຊື່ອຖືໄດ້ຫຼາຍກວ່າການຈັດອັນດັບຄວາມນິຍົມຢ່າງຫຼວງຫຼາຍ.

ໃນຫຼາຍກໍລະນີ, ຟັງຊັນ AI ຂອງຊອບແວທີ່ມີຢູ່ແລ້ວສາມາດເປັນຈຸດເລີ່ມຕົ້ນທີ່ດີໄດ້. ແຕ່ວ່າ, ຟັງຊັນດັ່ງກ່າວຈະແກ້ໄຂບັນຫາຂອງອົງກອນຕົນເອງໄດ້ຫຼືບໍ່ນັ້ນ ແມ່ນອີກເລື່ອງໜຶ່ງ. ຕົວຢ່າງເຊັ່ນ, ຟັງຊັນ AI ຂອງຊອບແວບັນຊີອາດຈະດີເລີດໃນການອັດຕະໂນມັດການລົງບັນທຶກທາງບັນຊີ, ແຕ່ອາດຈະບໍ່ຄອບຄຸມການສະຫຼຸບລາຍງານການຄຸ້ມຄອງໂດຍອັດຕະໂນມັດ. ເມື່ອພົບວ່າມີບັນຫາທີ່ຟັງຊັນ AI ຂອງເຄື່ອງມືທີ່ມີຢູ່ແລ້ວບໍ່ສາມາດຄອບຄຸມໄດ້, ຈຶ່ງຄ່ອຍພິຈາລະນານຳໃຊ້ເຄື່ອງມື AI ປະເພດອື່ນເປັນຄັ້ງທຳອິດ.

ການເລືອກ AI ບໍ່ຄວນເລີ່ມຈາກການຈັດອັນດັບວ່າ "ໂມເດລໃດດີທີ່ສຸດ" ແຕ່ຄວນເລີ່ມຈາກ "ບັນຫາດ້ານການດຳເນີນງານໃດຂອງອົງກອນ, ໃຊ້ຂໍ້ມູນໃດ, ແລະ ວັດແທກຫຍັງ"

ຂໍທົບທວນ 4 ປະເພດທີ່ໄດ້ຈັດລຽງໄວ້ໃນບົດຄວາມນີ້ອີກຄັ້ງ:

ໃນສະພາບແວດລ້ອມຂອງລາວ, ເນື່ອງຈາກຂໍ້ຈຳກັດດ້ານບຸກຄະລາກອນ IT ແລະ ໂຄງສ້າງພື້ນຖານ ຫຼື Infrastructure, ການເລີ່ມຕົ້ນແບບ Small Start ແລະ ການທົດສອບ Pilot ຈຶ່ງມີຄວາມສຳຄັນເປັນພິເສດ. ຂໍໃຫ້ເລີ່ມຕົ້ນດ້ວຍກອບວຽກທີ່ງ່າຍດາຍນີ້: "1 Use Case, 2 ອາທິດ, 3 ຕົວຊີ້ວັດ"

ບໍລິສັດຂອງພວກເຮົາໃຫ້ການສະໜັບສະໜູນອົງກອນໃນລາວໃນການເລືອກ AI ທີ່ເໝາະສົມກັບຕົນເອງ ແລະ ຂະຫຍາຍຈາກການທົດສອບ Pilot ໄປສູ່ການນຳໃຊ້ຢ່າງເຕັມຮູບແບບ. ຫາກທ່ານຍັງລັງເລໃນການເລືອກ AI, ຂໍແນະນຳໃຫ້ເລີ່ມຕົ້ນດ້ວຍການຈັດລຽງບັນຫາດ້ານການດຳເນີນງານໃນປັດຈຸບັນຂອງທ່ານກ່ອນ.