องค์กร AI-Native คือรูปแบบองค์กรที่ไม่ได้เพียงนำ AI ไปวางทับบนงานเดิม แต่ฝัง AI ไว้เป็นสมมติฐานตั้งต้นในทุกชั้นของกลยุทธ์ กระบวนการทำงาน และการตัดสินใจ กล่าวคือไม่ได้มอง AI เป็นเพียงเครื่องมือ แต่เป็นการออกแบบโครงสร้างองค์กรใหม่ให้ทำงานร่วมกับ AI ตั้งแต่แกนกลาง ซึ่งแตกต่างจากการผลักดัน DX แบบเดิมอย่างมีนัยสำคัญ

บทความนี้อธิบายสำหรับผู้บริหาร ผู้รับผิดชอบ HR และผู้นำ DX ว่าองค์กร AI-Native คืออะไร บทบาทของ Chief AI Officer (CAO) เป็นอย่างไร และควรปรับโครงสร้างองค์กรอย่างไรในทางปฏิบัติ เมื่ออ่านจบ คุณจะเห็นภาพการเปลี่ยนจาก "การทดลองใช้เครื่องมือ AI" ไปสู่ "การออกแบบองค์กรที่ใช้ AI เป็นระบบการทำงานหลัก"

องค์กรแบบ AI-native ไม่ได้หมายถึงเพียงแค่บริษัทที่นำเครื่องมือ AI มาใช้งานเท่านั้น แต่หมายถึงบริษัทที่การตัดสินใจเชิงบริหาร การออกแบบกระบวนการทำงาน การจัดสรรบุคลากร และการกำหนด KPI ทั้งหมด ถูกสร้างขึ้นบนสมมติฐานที่ว่า "AI สามารถเป็นผู้ดำเนินการหลักในการทำงานได้" ความแตกต่างที่สำคัญที่สุดระหว่างองค์กรนี้กับองค์กรที่ขับเคลื่อนด้วย DX แบบดั้งเดิม คือแนวคิดพื้นฐานที่ว่า เราจะวางตำแหน่ง AI ไว้เป็น "เครื่องมือช่วยมนุษย์" หรือจะออกแบบโดยผนวก AI เข้าไปในฐานะ "ผู้ดำเนินการหลักของงาน" ซึ่งประเด็นสำคัญไม่ได้อยู่ที่ว่ามีการนำเครื่องมือมาใช้หรือไม่ แต่อยู่ที่ว่าโครงสร้างขององค์กรนั้นถูกออกแบบโดยมี AI เป็นพื้นฐานตั้งแต่ต้นหรือไม่

DX มีจุดเน้นอยู่ที่การ "แปลงงานที่มีอยู่เดิมให้เป็นดิจิทัล" เช่น การเปลี่ยนใบคำร้องที่เป็นกระดาษให้เป็นระบบเวิร์กโฟลว์ การย้ายการขายแบบพบหน้าไปเป็นการประชุมออนไลน์ และการเปลี่ยนการสรุปข้อมูลใน Excel ให้เป็นระบบอัตโนมัติด้วยเครื่องมือ BI ทั้งหมดนี้ตั้งอยู่บนแนวคิดที่ว่ากระบวนการทำงานหลักยังคงเป็นมนุษย์ เพียงแต่เปลี่ยนเครื่องมือที่ใช้ให้เป็นดิจิทัลเท่านั้น

แนวคิดแบบ AI-native นั้นมุ่งไปในทิศทางตรงกันข้าม โดยมีการออกแบบกระบวนการทำงานใหม่ภายใต้สมมติฐานที่ว่า "งานส่วนที่สามารถจัดโครงสร้างได้ซึ่งเดิมมนุษย์เป็นผู้ตัดสินใจ จะถูกเปลี่ยนให้ AI เป็นผู้ดำเนินการหลัก ส่วนมนุษย์จะทำหน้าที่จัดการกรณีพิเศษและรับรองการตัดสินใจ" ความแตกต่างที่สำคัญคือการเปลี่ยนโครงสร้างให้ AI เป็นผู้ดำเนินงานหลัก และมนุษย์ทำหน้าที่เป็นผู้กำกับดูแล แกนกลางของการตัดสินใจลงทุนจะเปลี่ยนจากการลดต้นทุนไปสู่การสร้างมูลค่า และอำนาจในการออกแบบองค์กรจะเปลี่ยนจากแผนก IT ไปสู่ระดับผู้บริหาร ส่วน KPI ก็จะไม่ใช่การปรับปรุงประสิทธิภาพการทำงาน แต่เป็นการตั้งคำถามต่อคำจำกัดความของงานนั้นๆ เอง

หากนำ AI มาใช้ในขณะที่องค์กรยังคงเป็นแบบ DX ผลที่ได้มักจะจบลงที่การ "เพิ่ม AI เข้าไปในงานเดิมเพียงเล็กน้อย" เท่านั้น ซึ่งไม่สามารถไปถึงการออกแบบกระบวนการทำงานใหม่ที่ AI ควรจะมอบให้ได้จริง และกลายเป็นการเพิ่มต้นทุนในการนำเครื่องมือมาใช้เพียงอย่างเดียว นี่ไม่ใช่ปัญหาของตัวเครื่องมือ แต่เป็นทางตันเชิงโครงสร้างที่เกิดจากการที่สมมติฐานขององค์กรยังไม่เปลี่ยนแปลง

เมื่อสังเกตองค์กรที่ดำเนินงานในฐานะ AI-native จะพบจุดร่วมบางประการที่ปรากฏชัดเจน

ประการแรก คือการนำ AI เข้าไปเป็นส่วนหนึ่งของกระบวนการตัดสินใจ ในสถานการณ์สำคัญต่างๆ เช่น การประชุมผู้บริหาร การประชุมฝ่ายขาย หรือการสัมภาษณ์งาน ผลการวิเคราะห์และข้อเสนอแนะจาก AI จะถูกใช้เป็นเอกสารประกอบหลัก ไม่ใช่เพียงแค่ "ดูไว้เป็นข้อมูลอ้างอิง" แต่หมายถึงการที่ผลลัพธ์จาก AI ถูกผนวกเข้าเป็นส่วนหนึ่งของเอกสารตั้งแต่ก่อนเริ่มวาระการประชุม

ประการที่สอง คือจุดเริ่มต้นของการออกแบบงานที่แตกต่างออกไป เมื่อต้องสร้างกระบวนการใหม่ คำถามแรกที่ถูกตั้งขึ้นคือ "งานนี้สามารถให้ AI เป็นตัวหลักได้หรือไม่" โดยไม่ได้ตั้งค่าเริ่มต้นว่ามนุษย์ต้องเป็นศูนย์กลาง แต่มีทัศนคติที่หยั่งรากลึกในการพิจารณาการแบ่งบทบาทระหว่าง AI กับมนุษย์ใหม่ตั้งแต่ศูนย์

ประการที่สาม คือความชัดเจนของความรับผิดชอบในการลงทุนด้าน AI หากการตัดสินใจกระจายอยู่ตามตำแหน่งต่างๆ เช่น CIO, CFO หรือ COO การตัดสินใจลงทุนด้าน AI มักจะถูกเลื่อนออกไป ในบริษัท AI-native จะมีตำแหน่งเฉพาะทางอย่าง CAO หรือบุคคลที่มีอำนาจตัดสินใจชัดเจนในระดับเดียวกัน

ประการสุดท้าย คือการให้ความสำคัญกับ AI governance ในฐานะประเด็นทางธุรกิจที่ไม่อาจมองข้ามได้ โดยหัวข้ออย่างความสามารถในการอธิบายได้ (Explainability), ความเป็นธรรม, ความเป็นส่วนตัวของข้อมูล และการปฏิบัติตามกฎระเบียบ จะไม่ถูกโยนให้เป็นหน้าที่ของฝ่ายกำกับดูแล (Compliance) เพียงอย่างเดียว แต่ฝ่ายบริหารจะนำประเด็นเหล่านี้เข้าสู่ที่ประชุมเพื่อหารือโดยตรง

บริษัทที่ทำได้ครบทั้งสี่ข้อนี้ยังมีจำนวนน้อยในปัจจุบัน สิ่งสำคัญไม่ใช่การตั้งคำถามว่า "ทำได้ครบทุกข้อแล้วหรือยัง" แต่คือการที่ฝ่ายบริหารสามารถระบุได้อย่างแม่นยำว่าบริษัทของตนอยู่ในขั้นตอนใด และควรเสริมสร้างส่วนใดเป็นลำดับถัดไป

โครงการ AI ถูกจัดตั้งขึ้นในแต่ละแผนก จนในที่สุดการตัดสินใจลงทุนของทั้งบริษัทก็กระจัดกระจายไปคนละทิศละทาง คุณกำลังเผชิญกับสถานการณ์เช่นนี้อยู่หรือไม่? ฝ่ายการตลาดก็ใช้เครื่องมือของฝ่ายการตลาด ฝ่ายวิศวกรรมก็ใช้เครื่องมือของฝ่ายวิศวกรรม ต่างฝ่ายต่างนำเครื่องมือของตนมาใช้ โดยไม่มีใครตอบได้ว่าความรับผิดชอบด้านธรรมาภิบาล (Governance) อยู่ที่ใคร การที่การปฏิบัติตามกฎระเบียบล่าช้าก็มีสาเหตุมาจากรากเหง้าเดียวกัน นั่นคือการที่องค์กรไม่มีหน่วยงานหลักที่รับผิดชอบการตัดสินใจลงทุนด้าน AI การแต่งตั้ง Chief AI Officer (CAO) จึงได้รับความสนใจในฐานะทางเลือกเชิงการออกแบบองค์กรเพื่อเข้ามาเติมเต็มช่องว่างดังกล่าว

ในหลายบริษัท โครงการ AI มักดำเนินไปในลักษณะ "การริเริ่มที่เป็นอิสระของแต่ละแผนก" ฝ่ายขายทำสัญญาใช้ AI ผู้ช่วยแบบแชทของตนเอง ฝ่ายทรัพยากรบุคคลนำ AI ช่วยสรรหาบุคลากรจากผู้ให้บริการรายอื่นมาใช้ และฝ่ายผลิตเริ่มทำ PoC สำหรับการบำรุงรักษาเชิงคาดการณ์ แม้ดูเผินๆ เหมือนแต่ละแผนกกำลังเคลื่อนไหวอย่างกระตือรือร้น แต่ในความเป็นจริงกลับเป็นการสะสมการปรับปรุงเฉพาะส่วน (Individual Optimization) เท่านั้น

ผลที่ตามมาคือความล้มเหลวเชิงโครงสร้าง เนื่องจากข้อมูลชุดเดียวกันถูกจัดการด้วยรูปแบบที่ต่างกันในแต่ละแผนก ทำให้ไม่สามารถวิเคราะห์ข้อมูลข้ามส่วนงานได้ อีกทั้งการทำสัญญากับผู้ให้บริการ AI ที่กระจัดกระจายยังทำให้ไม่มีใครเห็นต้นทุนรวมที่แท้จริง การลงทุนในโครงสร้างพื้นฐานข้อมูล (Data Infrastructure) โครงสร้างพื้นฐานด้านการยืนยันตัวตน (Authentication Infrastructure) และธรรมาภิบาล (Governance) ที่ใช้ร่วมกันทั้งองค์กรกลับถูกผลัดวันประกันพรุ่งโดยอ้างว่า "ไม่ใช่หน้าที่ของงบประมาณแผนกเรา" จนกระทั่งรู้ตัวอีกที ก็เกิดสถานการณ์ที่ไม่มีผู้รับผิดชอบคนใดในที่ประชุมผู้บริหารสามารถตัดสินใจลำดับความสำคัญของโครงการสำคัญได้เลย

แล้วตำแหน่งงานที่มีอยู่เดิมไม่สามารถรับมือได้หรือ? CIO เป็นตำแหน่งที่ดูแลโครงสร้างพื้นฐานด้านไอทีโดยรวม แต่หากต้องทุ่มเทเต็มเวลากับประเด็นเฉพาะทางของการลงทุนด้าน AI เช่น การเลือกโมเดล กลยุทธ์ข้อมูล จริยธรรม AI และการปฏิบัติตามกฎระเบียบ ภาระงานจะหนักเกินไปเมื่อรวมกับหน้าที่ความรับผิดชอบเดิม ส่วน CFO แม้อยู่ในสถานะที่ประเมินความคุ้มค่าของการลงทุนได้ แต่บุคลากรที่สามารถตัดสินใจโดยเข้าใจคุณลักษณะเฉพาะของเทคโนโลยี AI นั้นยังคงมีน้อย ไม่ว่าจะด้วยการแต่งตั้งผู้บริหารระดับสูงที่รับผิดชอบด้านนี้โดยเฉพาะ (CAO) หรือการรวบรวมความรับผิดชอบด้านกลยุทธ์ AI ไว้ที่ตำแหน่งที่มีอยู่เดิมอย่างชัดเจน อย่างไรก็ตาม การดำเนินการดังกล่าวถือเป็นก้าวแรกที่สำคัญที่สุดในการแก้ไขปัญหาความล่าช้าในการตัดสินใจ

AI Governance ไม่ใช่ประเด็นที่ฝ่าย Compliance จัดการได้เพียงลำพัง แต่เชื่อมโยงอย่างแนบแน่นกับกลยุทธ์ธุรกิจ กลยุทธ์ข้อมูล และกลยุทธ์บุคลากร

ประเด็นที่ต้องพิจารณามีหลายด้าน ด้านแรกคือความสามารถในการอธิบายเหตุผลของการตัดสินใจของ AI ในกรณีเช่นการสรรหา การให้เครดิต หรือการประเมินพนักงาน ซึ่งเกี่ยวข้องกับ Explainability ของโมเดล ด้านต่อมาคือ Privacy ต้องกำหนดขอบเขตให้ชัดเจนว่าจะใช้ข้อมูลส่วนบุคคลเพื่อฝึก AI ได้เพียงใด และจะรักษาหลัก Data minimization อย่างไร นอกจากนี้ยังต้องจัดประเภทการใช้งาน AI ของบริษัทตามกรอบอย่าง EU AI Act รวมถึงประเมินความเสี่ยงของระบบจากผู้ให้บริการภายนอก

องค์กร AI-Native จึงควรมีคณะกรรมการกำกับดูแลที่มีทั้งฝ่ายธุรกิจ ฝ่ายกฎหมาย ฝ่ายข้อมูล ฝ่าย IT และ HR เข้าร่วม ไม่ใช่ปล่อยให้ทีมเทคนิคตัดสินใจเพียงฝ่ายเดียว

ขอบเขตงานของ Chief AI Officer ย่อมแตกต่างกันไปตามระยะการเติบโตของบริษัท ประเภทธุรกิจ และโครงสร้างองค์กรที่มีอยู่ อย่างไรก็ตาม ประเด็นหลักที่ทุกบริษัทต้องเผชิญมักจะสรุปได้เป็นสองเรื่อง คือ การตัดสินใจว่า "จะมุ่งเน้นการลงทุนด้าน AI ไปที่จุดใด" และ "จะกำหนดขอบเขตบทบาทหน้าที่ร่วมกับผู้บริหารระดับ C-suite ท่านอื่นอย่างไร"

ความรับผิดชอบหลักของ CAO คือการออกแบบพอร์ตโฟลิโอการลงทุนด้าน AI ของทั้งองค์กร

ในทางปฏิบัติ เริ่มจากการเลือกพื้นที่ที่ควรลงทุน AI เป็นพิเศษ เช่น Sales enablement, การเพิ่มประสิทธิภาพการผลิต หรือ Back office automation จากนั้นต้องจัดลำดับความสำคัญของ Use case ตามผลกระทบทางธุรกิจ ความพร้อมของข้อมูล ความเสี่ยงด้านกฎระเบียบ และความยากในการนำไปใช้ CAO ไม่ควรกระจายงบประมาณไปยัง PoC จำนวนมากแบบบางๆ แต่ควรสร้างสมดุลระหว่างโครงการที่ให้ผลเร็วกับโครงการโครงสร้างพื้นฐานระยะยาว

อีกบทบาทสำคัญคือการทำให้การตัดสินใจลงทุนโปร่งใส โดยกำหนดเกณฑ์ว่าโครงการใดควรเดินหน้าต่อ หยุด หรือขยายผล และรายงานต่อผู้บริหารด้วยตัวชี้วัดที่เชื่อมโยงกับธุรกิจ ไม่ใช่เพียงตัวชี้วัดทางเทคนิค

หากมีการแต่งตั้ง CAO จำเป็นต้องมีการระบุบทบาทหน้าที่ให้ชัดเจนเมื่อเทียบกับตำแหน่ง C-level อื่นๆ ที่มีอยู่เดิม เช่น CIO, CFO และ CSO มิเช่นนั้นจะเกิดปัญหาความซ้ำซ้อนหรือช่องว่างของความรับผิดชอบ ซึ่งนี่ไม่ใช่เพียงข้อกังวลเชิงนามธรรม แต่เป็นปัญหาที่เกิดขึ้นจริงบ่อยครั้งในหน้างานการออกแบบองค์กร

แนวคิดพื้นฐานในการจัดสรรบทบาทมีดังนี้ CAO รับผิดชอบสูงสุดในการวางกลยุทธ์ AI ทั้งหมด การจัดสรรการลงทุน และการกำกับดูแล (Governance) ในขณะที่ CIO รับผิดชอบด้านการสร้างและดูแลระบบโครงสร้างพื้นฐาน AI รวมถึงการบูรณาการระบบ ส่วน CFO รับผิดชอบด้านการวัด ROI ของการลงทุนใน AI และการประเมินผลกระทบทางการเงิน ด้าน CSO/CISO รับผิดชอบการประเมินความปลอดภัยของ AI และการจัดการความเสี่ยงด้านข้อมูลรั่วไหล และ CHRO รับผิดชอบด้านการสรรหาบุคลากร AI และการเพิ่มทักษะ (Reskilling) ให้กับพนักงานเดิม

สิ่งที่ต้องให้ความสำคัญเป็นพิเศษคือการแบ่งงานกับ CIO หากไม่กำหนดเส้นแบ่งให้ชัดเจนตั้งแต่ต้นว่า "การสร้างและดูแลโครงสร้างพื้นฐาน AI เป็นหน้าที่ของ CIO ส่วนการตัดสินใจเชิงกลยุทธ์ด้านการลงทุน AI เป็นหน้าที่ของ CAO" จะทำให้เกิดความขัดแย้งทางความคิดในขั้นตอนการเลือกเทคโนโลยีจนโครงการต้องหยุดชะงัก เนื่องจากเป็นขอบเขตที่ทั้งสองฝ่ายมักรู้สึกว่าเป็น "พื้นที่ของตน" หากปล่อยให้คลุมเครือจะทำให้ต้นทุนในการปรับจูนภายหลังพุ่งสูงขึ้น วิธีรับมือที่เป็นรูปธรรมคือการให้ฝ่ายบริหารระดับสูงร่วมกันจัดทำเอกสารระบุว่า "CAO มีความรับผิดชอบสูงสุดในเรื่องใด" และจัดให้มีกระบวนการทบทวนเป็นประจำทุกปี

การเปลี่ยนผ่านสู่ AI-native organization ไม่ควรเริ่มด้วยการปฏิรูปทั้งองค์กรในทันที การออกแบบโดยคำนึงถึงแรงเฉื่อยขององค์กรเดิมและค่อยๆ สร้างการเปลี่ยนแปลงแบบเป็นลำดับขั้นตอนนั้นเป็นแนวทางที่สมจริงกว่า ในที่นี้จะขอนำเสนอแบบจำลองเชิงขั้นตอนที่เป็นแบบฉบับให้ได้ทราบกัน

ขั้นตอนการเปลี่ยนแปลงองค์กรโดยทั่วไปจะดำเนินไปตาม 4 ระยะ ดังนี้

การเปลี่ยนผ่านจาก Stage 1 ไปสู่ Stage 4 จะมีความแตกต่างกันมาก ขึ้นอยู่กับขนาดขององค์กร ความยืดหยุ่นขององค์กรที่มีอยู่เดิม และความสนใจของฝ่ายบริหารที่มีต่อ AI สิ่งสำคัญคือการสร้างความเข้าใจร่วมกันในที่ประชุมคณะกรรมการบริหารว่า "ปัจจุบันบริษัทอยู่ในระยะใด และอะไรคือปัจจัยกระตุ้น (Trigger) ที่จะนำไปสู่ระยะถัดไป"

นอกจากนี้ ควรเตรียมความพร้อมรับมือกับอุปสรรคที่มักเกิดขึ้นในแต่ละระยะไว้ด้วย:

• อุปสรรคจาก Stage 1 → 2: แต่ละแผนกยึดติดกับการเพิ่มประสิทธิภาพเฉพาะส่วนและปฏิเสธการประสานงานจากส่วนกลาง
• อุปสรรคจาก Stage 2 → 3: ฝ่ายบริหารยังคงมองว่า AI เป็นเพียง "ปัญหาด้าน IT" ทำให้การแต่งตั้งผู้รับผิดชอบโดยตรงล่าช้า
• อุปสรรคจาก Stage 3 → 4: แม้การลงทุนด้าน AI จะเพิ่มขึ้น แต่กระบวนการทำงานแบบเดิมยังคงถูกรักษาไว้ ทำให้ไม่เกิดผลลัพธ์ที่ชัดเจน

การทำความเข้าใจอุปสรรคในแต่ละระยะไว้ล่วงหน้า จะช่วยให้สามารถวางมาตรการรับมือได้ตั้งแต่ขั้นตอนการวางแผนโครงการเปลี่ยนแปลงองค์กร

ในระหว่างการเปลี่ยนผ่านไปสู่องค์กรแบบ AI-native มักจะเกิดความเข้าใจผิดและความล้มเหลวในรูปแบบเดิมๆ ซ้ำอยู่บ่อยครั้ง หากทราบล่วงหน้าก็จะสามารถหลีกเลี่ยงกับดักที่คล้ายคลึงกันได้

ความล้มเหลวที่พบบ่อยที่สุดในการนำ AI มาใช้ คือการติดอยู่ที่ขั้นตอนนำร่อง (Pilot) โดยที่ "PoC ประสบความสำเร็จ แต่ไม่สามารถขยายผลสู่การใช้งานจริงได้" ซึ่งสาเหตุส่วนใหญ่ไม่ได้มาจากปัญหาทางเทคนิค แต่มาจากปัจจัยด้านองค์กร

• ไม่มีการกำหนดแผนกที่รับผิดชอบการใช้งานจริง: PoC นำโดยแผนก IT แต่ตั้งสมมติฐานว่าแผนกปฏิบัติงานจะเป็นผู้รับช่วงต่อในการใช้งานจริง เมื่อแผนกปฏิบัติงานตอบกลับว่า "ไม่มีทรัพยากรเพียงพอที่จะดำเนินการเอง" โครงการจึงค้างคาอยู่
• หน้างานไม่มีอำนาจในการปรับเปลี่ยนกระบวนการทำงานเดิม: พนักงานหน้างานไม่สามารถตัดสินใจเองได้ว่า "จะตัดขั้นตอนการตรวจสอบโดยมนุษย์ออกไปในส่วนที่ AI ทำหน้าที่แทน" หากฝ่ายบริหารไม่มอบอำนาจในการออกแบบกระบวนการทำงานใหม่ AI จะกลายเป็นเพียงขั้นตอนที่เพิ่มเข้ามาเท่านั้น
• KPI ยังคงเป็นแบบเดิมทำให้ไม่เห็นผลลัพธ์: หากหลังการนำ AI มาใช้ยังคงใช้ KPI วัดปริมาณงานแบบเดิม (เช่น จำนวนเคสที่จัดการ, ชั่วโมงการทำงาน) การเปลี่ยนแปลงเชิงโครงสร้างของงานที่เกิดจาก AI จะไม่สะท้อนออกมาในตัวชี้วัด
• ไม่มีผู้มีอำนาจตัดสินใจเรื่องการลงทุนต่อเนื่อง: แม้จะมีการจัดสรรงบประมาณสำหรับ PoC แต่กลับไม่มีการระบุไว้อย่างชัดเจนว่าตำแหน่งใดเป็นผู้มีอำนาจอนุมัติงบประมาณสำหรับการใช้งานจริงและการปรับปรุงอย่างต่อเนื่อง

การติดอยู่ที่ขั้นตอนนำร่องเป็นสัญญาณที่บ่งบอกว่า "เทคโนโลยีไม่ได้ไม่พร้อม" แต่เป็นเพราะ "การออกแบบองค์กรยังตามไม่ทัน" การแต่งตั้ง CAO และการมอบอำนาจในการออกแบบกระบวนการทำงานใหม่ จึงถือเป็นการตอบสนองต่อสัญญาณดังกล่าว

ในการวางแผนเปลี่ยนผ่านสู่องค์กร AI-native การกำหนดเป้าหมายหลัก (Milestones) สำหรับปีที่ 1 ปีที่ 2 และปีที่ 3 เป็นต้นไปอย่างสมเหตุสมผล มีดังนี้

ควรมีการกำหนด "เกณฑ์การตัดสินใจเพื่อก้าวไปสู่ระยะถัดไป" ไว้ล่วงหน้าในแต่ละช่วง ตัวอย่างเช่น การจัดทำเอกสารระบุเงื่อนไขว่า "หากอัตราการใช้งานโครงสร้างพื้นฐานร่วมในครึ่งปีหลังของปีแรกบรรลุจำนวนแผนกที่กำหนด จะอนุมัติการลงทุนในพื้นที่สำคัญสำหรับปีที่ 2" เป็นต้น ทั้งนี้ เกณฑ์ที่ชัดเจนจะแตกต่างกันไปตามขนาดองค์กรและประเภทอุตสาหกรรม จึงเป็นเรื่องสำคัญที่จะต้องกำหนดเกณฑ์ให้เหมาะสมกับสถานการณ์ของบริษัทตนเอง วิธีนี้จะช่วยให้สามารถถกเถียงเรื่องความล่าช้าของความคืบหน้าในฐานะประเด็นการตัดสินใจเชิงองค์กรได้ แทนที่จะมองว่าเป็นปัญหาความรับผิดชอบส่วนบุคคล

การเปลี่ยนผ่านสู่องค์กร AI-native ไม่ใช่เพียงการขยายผลจากการนำเครื่องมือมาใช้ แต่เป็นความพยายามในการออกแบบโครงสร้างการตัดสินใจเชิงบริหารใหม่ทั้งหมด การแต่งตั้ง Chief AI Officer (CAO) เป็นทางเลือกที่เป็นจุดเริ่มต้น แต่การสร้างตำแหน่งขึ้นมาเพียงในนามจะให้ผลลัพธ์ที่จำกัด

เพื่อให้เกิดประสิทธิผล จำเป็นต้องมอบอำนาจการอนุมัติขั้นสุดท้ายในการจัดสรรงบประมาณด้าน AI ให้แก่ CAO พร้อมทั้งกำหนดบทบาทหน้าที่ร่วมกับ CIO, CFO และ CHRO ให้ชัดเจนเป็นลายลักษณ์อักษร รวมถึงประเมินความพร้อมขององค์กรอย่างต่อเนื่องตามโมเดลระดับขั้น (Stage Model) สำหรับก้าวแรกที่ทำได้จริงคือ การวินิจฉัยในที่ประชุมผู้บริหารว่าปัจจุบันบริษัทอยู่ในระดับใดของโมเดล และกำหนดเกณฑ์การตัดสินใจ (KPI, งบประมาณ, ผู้รับผิดชอบ) เพื่อก้าวไปสู่ระดับถัดไปให้เป็นลายลักษณ์อักษร

การออกแบบองค์กรใหม่เป็นความพยายามที่ต้องใช้เวลาหลายปี การใช้ตัวชี้วัดผลสำเร็จระยะสั้นควบคู่ไปกับตัวชี้วัดการเปลี่ยนแปลงเชิงโครงสร้างระยะกลางถึงระยะยาว และการทบทวนบทบาทและขอบเขตหน้าที่ของ CAO เป็นรายปี คือเงื่อนไขสำคัญที่จะทำให้การสร้างองค์กร AI-native กลายเป็นวาระการบริหารที่ยั่งยืน