Business AI หมายถึงกลุ่มเครื่องมือปัญญาประดิษฐ์ที่ออกแบบมาเพื่อเพิ่มประสิทธิภาพและทำให้งานประจำวันขององค์กรเป็นแบบอัตโนมัติ ในหลายองค์กร การถกเถียงได้เปลี่ยนจากคำถามว่า "ควรนำ AI มาใช้หรือไม่" มาสู่คำถามว่า "จะใช้ AI ตัวไหน กับงานประเภทใด"

เช่นเดียวกับที่การชำระเงินผ่าน QR Code กำลังแพร่หลายในลาว คลื่นแห่งการเปลี่ยนแปลงทางดิจิทัลกำลังขยายตัวอย่าง着実に อย่างไรก็ตาม ยังมีข้อจำกัดเฉพาะตัว ได้แก่ ความเหลื่อมล้ำด้านโครงสร้างพื้นฐาน IT ระหว่างพื้นที่ การขาดแคลนบุคลากร IT และงบประมาณ IT ที่จำกัด ในสภาพแวดล้อมเช่นนี้ แนวทาง "ลองนำ AI ที่กำลังเป็นที่นิยมมาใช้ดูก่อน" มักเป็นทางเลือกที่มีต้นทุนสูงที่สุด

จากการสำรวจของ McKinsey พบว่าประมาณ 65% ขององค์กรเริ่มนำ Generative AI มาใช้ในงานในรูปแบบใดรูปแบบหนึ่งแล้ว นอกจากนี้ องค์กรที่ประสบความสำเร็จมักมีแนวโน้มที่จะทบทวนกระบวนการทำงานและ Governance ควบคู่ไปกับการนำเครื่องมือมาใช้

บทความนี้จะจัดหมวดหมู่เครื่องมือ AI ในตลาดออกเป็น 4 ประเภท พร้อมอธิบายอย่างละเอียดถึงเกณฑ์การตัดสินใจเลือก AI ที่เหมาะสมกับองค์กรสำหรับธุรกิจที่ดำเนินงานในลาว แนวทางการดำเนินโครงการนำร่อง (Pilot) และรูปแบบความล้มเหลวที่ควรหลีกเลี่ยง หลังจากอ่านจบ คุณจะมีความชัดเจนว่า "องค์กรของคุณควรเริ่มทดลองสิ่งใดเป็นอันดับแรก"

สาเหตุหลักที่การนำ AI มาใช้งานล้มเหลว ไม่ได้อยู่ที่ประสิทธิภาพของ AI แต่อยู่ที่ "ความไม่สอดคล้องกันระหว่างปัญหาในงานและเครื่องมือ" คำถามที่ถูกต้องไม่ใช่ "AI ตัวไหนเก่งกว่ากัน" แต่คือ "งานส่วนไหนที่ควรมอบหมายให้ AI รับผิดชอบ"

"ลองใช้ AI แล้ว แต่สุดท้ายก็ไม่มีใครใช้" — เสียงนี้ไม่ได้มาจากลาวเพียงประเทศเดียว แต่ดังขึ้นในองค์กรทั่วโลก อย่างไรก็ตาม ในหลายกรณี ปัญหาไม่ได้อยู่ที่ความสามารถของ AI

ลองนึกภาพว่าคุณต้องการเพิ่มประสิทธิภาพการค้นหาเอกสารภายในองค์กร แต่กลับนำ chatbot อเนกประสงค์มาใช้งาน chatbot นั้นอาจตอบคำถามทั่วไปได้ แต่ไม่รู้จักเนื้อหาในสัญญาหรือเอกสารข้อเสนอเก่าๆ ของบริษัท ทีมงานลองใช้ดูสักสองสามครั้งแล้วสรุปว่า "ใช้ไม่ได้" เครื่องมือนั้นก็ถูกทิ้งร้างไป นี่ไม่ใช่ "AI ใช้ไม่ได้" แต่คือ "ความผิดพลาดในการเลือกเครื่องมือ — เลือก chatbot อเนกประสงค์ซึ่งเป็นประเภทที่ไม่ตรงกับโจทย์การค้นหาเอกสาร"

cloud vendor อย่าง AWS ก็แนะนำเช่นกันว่า การเลือก AI ไม่ควรเริ่มต้นจากการเปรียบเทียบประสิทธิภาพของ model แต่ควรออกแบบโดยยึด use case, ข้อกำหนดด้าน security และ scalability เป็นจุดตั้งต้น

ในการนำ AI มาใช้งานในลาว มีเงื่อนไขเบื้องต้นหลายประการที่ไม่สามารถนำกรณีศึกษาจากประเทศพัฒนาแล้วมาปรับใช้ได้โดยตรง

ความแตกต่างของโครงสร้างพื้นฐานอินเทอร์เน็ตในแต่ละพื้นที่ ความเร็วและเสถียรภาพของเครือข่ายในเวียงจันทน์และต่างจังหวัดมีความแตกต่างกันอย่างมีนัยสำคัญ เนื่องจากเครื่องมือ AI บนคลาวด์ต้องการการเชื่อมต่ออินเทอร์เน็ตตลอดเวลา การรองรับการทำงานแบบออฟไลน์และความเบาของการตอบสนองจึงกลายเป็นเกณฑ์สำคัญในการคัดเลือกเครื่องมือ

ความขาดแคลนบุคลากร IT การมีวิศวกร Python หรือนักวิทยาศาสตร์ข้อมูลในองค์กรนั้นไม่ใช่เรื่องง่าย ระดับทักษะทางเทคนิคที่จำเป็นสำหรับการปรับแต่งและดูแลระบบหลังการติดตั้งจึงเป็นปัจจัยในการตัดสินใจที่สำคัญยิ่งกว่าเรื่องต้นทุน

ขนาดงบประมาณ IT รายปี หลายองค์กรไม่มีความสามารถในการทำสัญญาสมัครสมาชิกเครื่องมือ AI หลายรายการพร้อมกันเหมือนบริษัทระดับโลก จึงจำเป็นต้องกำหนดลำดับความสำคัญว่าจะลงทุนอย่างเข้มข้นกับเครื่องมือเดียว หรือเริ่มต้นจากบริการที่มีแพลนฟรี

สภาพแวดล้อมหลายภาษา ในสภาพแวดล้อมการทำงานที่มีการใช้ภาษาลาว ภาษาไทย และภาษาอังกฤษปะปนกัน ความสามารถด้านภาษาของ AI ส่งผลอย่างมากต่อความเป็นประโยชน์ในทางปฏิบัติ เครื่องมือ AI ส่วนใหญ่มีความแม่นยำสูงสุดในภาษาอังกฤษ จึงควรคำนึงไว้ว่าความแม่นยำอาจลดลงในสถานการณ์ที่ต้องประมวลผลเอกสารภาษาลาว

เครื่องมือ AI สำหรับองค์กรสามารถแบ่งออกได้เป็น 4 ประเภทหลัก โดยแต่ละประเภทมีขอบเขตของปัญหาที่แก้ไขได้และระดับความยากในการนำไปใช้งานที่แตกต่างกัน การระบุประเภทที่ตรงกับความท้าทายของบริษัทตนเองถือเป็นก้าวแรกของกระบวนการคัดเลือก

งาน AI ประเภทนี้ให้การสนับสนุนโดยตรงในงานประจำวัน ไม่ว่าจะเป็นการเขียนอีเมล สรุปเอกสาร แปลเอกสาร หรือจัดตารางเวลา รูปแบบที่พบได้ทั่วไปคือ AI ที่ทำงานอยู่ภายในซอฟต์แวร์สำนักงานที่คุ้นเคยอยู่แล้ว เช่น Microsoft 365 Copilot

ภาพที่เป็นรูปธรรมในบริบทของลาว ตอนเช้า AI สรุปรายงานการประชุมของวันก่อนหน้าเป็นรายการหัวข้อ AI ร่างคำตอบเป็นภาษาลาวสำหรับอีเมลภาษาอังกฤษที่ได้รับจากคู่ค้า AI สร้างกราฟสำหรับรายงานประจำเดือนโดยอัตโนมัติ การ "ประหยัดเวลา 10 นาทีต่อวัน" เช่นนี้ เมื่อรวมทั้งทีมแล้วอาจกลายเป็นการเพิ่มประสิทธิภาพได้หลายสิบชั่วโมงต่อเดือน

อุปสรรคในการนำไปใช้ค่อนข้างต่ำ อย่างไรก็ตาม AI เพิ่มประสิทธิภาพการทำงานในสถานะมาตรฐานจะทำงานโดยอิงจากความรู้ทั่วไป แม้ว่าในบางกรณีจะสามารถอ้างอิงข้อมูลภายในองค์กรได้ผ่านการตั้งค่าหรือการเชื่อมต่อ แต่การใช้ประโยชน์อย่างเต็มที่จากข้อมูลเฉพาะขององค์กร เช่น ระเบียบภายใน เนื้อหาสัญญาในอดีต หรือข้อมูลลูกค้า มักต้องมีการตั้งค่าเพิ่มเติมหรือเปลี่ยนแผนการใช้งาน หากนำไปใช้โดยไม่เข้าใจจุดนี้ มักจะได้รับการประเมินว่า "สุดท้ายแล้วเขียนเองยังเร็วกว่า"

AI ประเภทนี้ถูกออกแบบมาเพื่อตอบคำถามและค้นหาข้อมูลจากเอกสาร ฐานความรู้ (Knowledge Base) และ Codebase ที่สะสมอยู่ภายในองค์กร โดย ChatGPT Enterprise และเครื่องมืออื่น ๆ สามารถนำมาใช้เป็น Knowledge AI ที่ดึงข้อมูลภายในองค์กรได้ ผ่านการตั้งค่าอัปโหลดไฟล์หรือเชื่อมต่อ API

ความแตกต่างที่สำคัญที่สุดจาก AI เพิ่มประสิทธิภาพการทำงาน คือ ระบบนี้ถูกออกแบบโดยมีพื้นฐานอยู่บน "การให้ AI อ่านข้อมูลขององค์กรเอง" ตัวอย่างเช่น หากอัปโหลดเอกสารข้อเสนอย้อนหลัง 3 ปีไว้ เพียงแค่ถามว่า "เคยมีข้อเสนอที่คล้ายกันสำหรับบริษัท A ไหม?" ระบบก็จะดึงเอกสารที่เกี่ยวข้องออกมาให้ได้ทันที

สำหรับองค์กรในลาว นี่ถือเป็นแนวทางแก้ปัญหาที่มีประสิทธิภาพสำหรับความท้าทายเรื่องการกระจายความรู้ที่กระจุกตัวอยู่กับบุคคลใดบุคคลหนึ่ง โดยสามารถจินตนาการได้ว่า AI ทำหน้าที่แปลง Tacit Knowledge ที่อยู่ในหัวของพนักงานอาวุโสให้กลายเป็นข้อมูลที่ค้นหาได้

อย่างไรก็ตาม เงื่อนไขเบื้องต้นในการให้ระบบทำงานได้อย่างมีประสิทธิภาพ คือ "การจัดเตรียมข้อมูลที่จะให้ AI อ่าน" หากเอกสารกระดาษยังไม่ได้รับการแปลงเป็นดิจิทัล หรือไฟล์ต่าง ๆ กระจัดกระจายอยู่ใน PC ส่วนตัวของพนักงานแต่ละคน จำเป็นต้องเริ่มต้นจากการจัดระเบียบข้อมูลก่อนเป็นลำดับแรก

แพลตฟอร์มที่เป็นตัวแทนโดย Amazon Bedrock คือโครงสร้างพื้นฐานสำหรับองค์กรในการสร้างแอปพลิเคชัน AI ที่ปรับให้เข้ากับข้อมูลและ workflow ของตนเอง ช่วยให้สามารถสร้าง chatbot พัฒนา knowledge assistant และนำ AI ไปผสานกับกระบวนการทางธุรกิจได้

หมวดหมู่นี้มีความยืดหยุ่นสูงที่สุด แต่ในขณะเดียวกันก็ต้องการความเชี่ยวชาญด้านเทคนิคในการนำไปใช้และดำเนินงาน ไม่ว่าจะเป็นการออกแบบ API การสร้าง data pipeline หรือการเลือกและปรับแต่งโมเดล ล้วนต้องอาศัยทีมพัฒนาเป็นเงื่อนไขพื้นฐาน

ในบริบทของลาว ตัวเลือกนี้จะเหมาะสมสำหรับองค์กรขนาดใหญ่ที่มีทีมวิศวกรภายใน หรือองค์กรที่สามารถร่วมมือกับบริษัท IT ภายนอกได้ หากยังอยู่ในขั้นที่ว่า "ทีม IT ยังเล็กอยู่" หรือ "ยังไม่มีพาร์ทเนอร์ด้านการพัฒนา" การเริ่มต้นจากหมวดหมู่อื่นจะเป็นทางเลือกที่สมจริงกว่า

อย่างไรก็ตาม หากต้องการนำ AI มาใช้อย่างจริงจังในอนาคต การรับรู้ถึงการมีอยู่ของหมวดหมู่นี้ก็มีคุณค่าในตัวเอง สามารถวางแผนเส้นทางได้ว่า เริ่มต้นสร้างผลลัพธ์จาก AI เพิ่มประสิทธิภาพการทำงานหรือ knowledge AI ก่อน แล้วจึงเปลี่ยนผ่านไปสู่แพลตฟอร์มเมื่อความต้องการชัดเจนขึ้น

รูปแบบที่ซอฟต์แวร์บัญชี, CRM, เครื่องมือจัดการโปรเจกต์ และอื่น ๆ ที่ใช้งานอยู่แล้วได้รับการเพิ่มฟีเจอร์ AI เข้ามา แทนที่จะนำเครื่องมือใหม่มาใช้ AI จะพร้อมใช้งานในรูปแบบของการอัปเดตเครื่องมือที่มีอยู่เดิม

เนื่องจากการเปลี่ยนแปลง workflow มีน้อยที่สุด ต้นทุนการนำไปใช้จึงมีแนวโน้มต่ำที่สุดในบรรดา 4 ประเภท การที่ไม่ต้องบอกทีมว่า "กรุณาเรียนรู้เครื่องมือใหม่" ถือเป็นข้อได้เปรียบอย่างมากในสภาพแวดล้อมที่มีบุคลากร IT จำกัด

ในทางกลับกัน ขอบเขตของฟีเจอร์ขึ้นอยู่กับการออกแบบของ software vendor ดังนั้นอาจไม่ตรงกับความต้องการของบริษัทอย่างพอดีนัก นอกจากนี้ยังมีความเสี่ยงที่หาก vendor ยุติการให้บริการฟีเจอร์ AI การใช้งานที่สะสมมาก็จะไม่สามารถดำเนินต่อไปได้

สิ่งที่สำคัญที่สุดในการคัดเลือก AI ไม่ใช่ "การเปรียบเทียบประสิทธิภาพของโมเดล" แต่คือการตรวจสอบความเหมาะสมว่า "สอดคล้องกับความท้าทายด้านการดำเนินงาน สภาพแวดล้อมของข้อมูล และงบประมาณขององค์กรหรือไม่" การตรวจสอบเกณฑ์ 4 ข้อต่อไปนี้ตามลำดับจะช่วยเพิ่มความแม่นยำในกระบวนการคัดเลือกได้

ไม่ใช่การตรวจสอบว่า "AI ตัวนี้ทำอะไรได้บ้าง" แต่คือการพิสูจน์ว่า "AI ตัวนี้นำมาใช้กับงานนี้ของบริษัทเราได้หรือไม่"

วิธีการตรวจสอบนั้นเรียบง่ายมาก เลือกงานจริงมาหนึ่งอย่าง แล้วให้ AI ตัวนั้นลองทำดูเป็นเวลา 2 สัปดาห์ ตัวอย่างเช่น เลือกงาน "อ้างอิงเอกสารเสนองานที่ผ่านมาเพื่อร่างเอกสารเสนองานฉบับใหม่" แล้วทดลองใช้จริง หากผลลัพธ์คือ "คุณภาพอยู่ที่ 70% ของการทำด้วยมือ แต่ใช้เวลาลดลงครึ่งหนึ่ง" ก็ถือว่าคุ้มค่าแก่การลงทุน แต่หาก "ไม่ต่างจากการทำด้วยมือ" แสดงว่า AI ตัวนั้นไม่เหมาะกับงานนี้

สิ่งสำคัญในขั้นตอน pilot คือการใช้ "ข้อมูลงานจริง" แม้ว่าการทดสอบด้วย demo หรือ sample data จะได้ผลลัพธ์ที่ดี แต่ก็ไม่ได้รับประกันว่าจะได้ผลลัพธ์เดียวกันเมื่อใช้กับข้อมูลของบริษัทเราเอง

เมื่อต้องส่งข้อมูลภายในองค์กรให้กับเครื่องมือ AI จำเป็นต้องตรวจสอบว่า "ข้อมูลนั้นถูกจัดเก็บไว้ที่ไหน ใครสามารถเข้าถึงได้บ้าง และจะถูกนำไปใช้เป็นข้อมูลสำหรับการเรียนรู้หรือไม่"

ในลาว กฎระเบียบด้านการคุ้มครองข้อมูลยังอยู่ในระหว่างการพัฒนา แต่นั่นยิ่งทำให้การกำหนดนโยบายขององค์กรให้ชัดเจนเป็นเรื่องสำคัญ ต่อไปนี้คือ 3 ประเด็นที่ควรตรวจสอบเป็นอย่างน้อย

• สถานที่จัดเก็บข้อมูล: ข้อมูลขององค์กรถูกจัดเก็บไว้บนเซิร์ฟเวอร์ในประเทศใด
• การนำไปใช้ในการเรียนรู้: ข้อมูลที่ป้อนเข้าไปจะถูกนำไปใช้ในการเทรน AI model หรือไม่
• การควบคุมการเข้าถึง: ใครในองค์กรสามารถเข้าถึงข้อมูลใดได้บ้าง

โดยเฉพาะอย่างยิ่งหากต้องการให้ AI ประมวลผลข้อมูลลูกค้าหรือข้อมูลทางการเงิน การเลือกใช้ Enterprise Plan (สัญญาที่ข้อมูลจะไม่ถูกนำไปใช้ในการเรียนรู้) จะปลอดภัยกว่า

ระดับการผสานรวมของเครื่องมือ AI ใหม่กับซอฟต์แวร์และ workflow ที่ใช้งานอยู่แล้วนั้น มีผลอย่างมากต่อความสำเร็จหรือล้มเหลวในการนำไปใช้งาน

บริษัทจำนวนมากในลาวยังอยู่ในช่วงที่ ecosystem ของระบบงานกำลังพัฒนา หลายบริษัทยังดำเนินงานด้วย Excel หรือ Google Workspace ซึ่งในกรณีนี้ "AI ที่ทำงานภายใน Excel หรือ Google Docs" จะมีประโยชน์ในทางปฏิบัติมากกว่าการเชื่อมต่อผ่าน API ที่ซับซ้อน

ในทางกลับกัน หากได้นำ ERP หรือ CRM มาใช้งานแล้ว การทดลองใช้ฟีเจอร์ AI ในตัวที่ vendor ของระบบนั้นจัดเตรียมไว้ก่อนจะเป็นทางเลือกที่สมเหตุสมผลกว่า การใช้งานในรูปแบบการขยายความสามารถของเครื่องมือที่มีอยู่เดิม แทนที่จะทำสัญญากับเครื่องมือใหม่แยกต่างหาก จะช่วยลดทั้งต้นทุนและการเปลี่ยนแปลง workflow ให้น้อยที่สุด

ค่าใช้จ่ายของเครื่องมือ AI มีรูปแบบที่หลากหลาย ไม่ว่าจะเป็นแบบรายเดือน (Monthly Subscription) แบบจ่ายตามการใช้งาน (Pay-as-you-go) หรือแบบสัญญารายปี (Annual Contract) สำหรับธุรกิจในลาว แนะนำให้ประเมินจากมุมมองต่อไปนี้

ประการแรก อย่าคิดแค่ว่า "จ่ายเดือนละเท่าไหร่" แต่ให้คิดในแง่ "ประหยัดค่าใช้จ่ายได้เท่าไหร่ต่องานหนึ่งชิ้น" ตัวอย่างเช่น หากเครื่องมือ AI ราคา 30 ดอลลาร์ต่อเดือนช่วยลดเวลาทำงานจาก 20 ชั่วโมงเหลือ 10 ชั่วโมงต่อเดือน ให้นำค่าแรง 10 ชั่วโมงที่ประหยัดได้มาเปรียบเทียบกับค่าใช้จ่าย 30 ดอลลาร์นั้น

ใช้ประโยชน์จากแพลนฟรีและช่วงทดลองใช้ให้เต็มที่ เครื่องมือ AI ส่วนใหญ่มีแพลนฟรีหรือช่วง Trial ให้ใช้งาน สิ่งสำคัญคือต้องทดลองใช้กับงานจริงก่อนตัดสินใจผูกมัดตัวเอง

ระวังค่าใช้จ่ายแฝง ควรประเมินต้นทุนรวมโดยคำนึงถึงไม่เพียงแค่ค่าตัวเครื่องมือเอง แต่รวมถึงเวลาที่ใช้ในการจัดเตรียมข้อมูล เวลาฝึกอบรมทีมงาน และภาระงานของฝ่าย IT ในการดูแลระบบด้วย

แนวทางการพิจารณาค่าใช้จ่าย:

ธุรกิจ SME ในเอเชียตะวันออกเฉียงใต้มักมีงบประมาณ IT รายปีโดยรวมที่จำกัด เนื่องจากค่าใช้จ่ายรายเดือนของเครื่องมือ AI มีช่วงตั้งแต่หลักสิบไปจนถึงหลักร้อยดอลลาร์ แนวทางที่เป็นจริงคือเริ่มต้นจากแพลนฟรีหรือ Subscription ราคาต่ำก่อน แล้วค่อยขยายแพลนหลังจากยืนยันผลลัพธ์ได้แล้ว

ในการตัดสินความคุ้มค่าของเครื่องมือ AI ควรเปรียบเทียบ 3 ประเด็นต่อไปนี้:

• ชั่วโมงทำงานที่ประหยัดได้ × ค่าแรง (คำนวณเป็นรายเดือน)
• ค่าใช้จ่ายรายเดือนของเครื่องมือ AI (ค่า License + ค่าดำเนินการ)
• ต้นทุนเริ่มต้นในการนำไปใช้ (การจัดเตรียมข้อมูล การฝึกอบรม ฯลฯ)

หากใช้เกณฑ์ว่า "มีแนวโน้มคืนทุนได้ภายในครึ่งปีหรือไม่" ในการเปรียบเทียบทั้ง 3 ประเด็นนี้ ก็จะช่วยหลีกเลี่ยงการลงทุนเริ่มต้นที่มากเกินไปได้

แม้จะเป็นองค์กรเดียวกัน แต่เพียงแค่เปลี่ยน "จะเริ่มต้นจากอะไร" ผลลัพธ์ของการนำ AI มาใช้ก็แตกต่างกันอย่างสิ้นเชิง ต่อไปนี้คือรูปแบบ Before/After ที่พบได้ทั่วไป

บริษัทแห่งหนึ่งได้นำ AI Chatbot อเนกประสงค์ที่กำลังเป็นที่พูดถึงมาใช้งานทั่วทั้งองค์กร ผู้บริหารคาดหวังว่า "สิ่งนี้จะช่วยเพิ่มประสิทธิภาพการทำงาน" และได้แจกจ่าย Account ให้กับพนักงานทุกคน

ในช่วงสองสามวันแรก พนักงานต่างลองถามคำถามต่าง ๆ ด้วยความอยากรู้อยากเห็น ไม่ว่าจะเป็น "ช่วยอธิบายกฎหมายการลงทุนในลาวให้หน่อย" หรือ "ช่วยแปลอีเมลภาษาอังกฤษ" — AI ก็ตอบกลับได้พอสมควร อย่างไรก็ตาม เมื่อผ่านไปเพียงหนึ่งสัปดาห์ อัตราการใช้งานก็ลดลงอย่างรวดเร็ว

สาเหตุนั้นเรียบง่ายมาก ทีม Sales ต้องการ "ฟีเจอร์ค้นหาเอกสาร Proposal ในอดีต" แต่ AI ไม่สามารถเข้าถึงเอกสารภายในองค์กรได้ ฝ่าย Customer Support ต้องการ "ฟีเจอร์ดึงคำตอบจาก Product Manual" แต่ AI ไม่รู้เนื้อหาของ Manual เลย ผู้บริหารคาดหวัง "การสรุป Monthly Report อัตโนมัติ" แต่ AI ไม่สามารถอ่านไฟล์ Report ได้

ในที่สุด AI จึงถูกใช้งานเพียงแค่ "การค้นหาข้อมูลเล็ก ๆ น้อย ๆ" เท่านั้น และไม่ได้ผลลัพธ์ที่คุ้มค่ากับการลงทุน ค่าใช้จ่าย License ยังคงถูกหักออกทุกเดือน และหลังจากผ่านไปครึ่งปี ตัวเครื่องมือเองก็ถูกลืมเลือนไป

บริษัทเดียวกันนี้ได้เปลี่ยนแนวทางใหม่ คราวนี้แทนที่จะเริ่มจากการเลือกเครื่องมือ พวกเขาเริ่มต้นด้วยการระบุก่อนว่า "ต้องการใช้ AI กับงานใด และในขั้นตอนไหนบ้าง"

โจทย์ที่ได้ออกมามีทั้งหมด 3 ข้อ

1. ทีมขาย: ต้องเสียเวลามากกว่า 30 นาทีทุกครั้งในการค้นหาเอกสารเสนอราคาและใบเสนอราคาในอดีต
2. ฝ่าย Customer Support: มีคู่มือผลิตภัณฑ์จำนวนมากเกินไป ทำให้ใช้เวลานานในการตอบคำถามที่ได้รับ
3. ผู้บริหาร: ต้องใช้เวลาครึ่งวันในการอ่านรายงานประจำเดือนของแต่ละแผนกและสรุปประเด็นสำคัญ

สำหรับโจทย์ทั้ง 3 ข้อนี้ ได้ตัดสินใจว่าจำเป็นต้องใช้ AI 2 ประเภท โดยโจทย์ข้อ 1 และ 2 เลือกใช้ Knowledge Enterprise AI (AI ที่สามารถอ่านเอกสารภายในองค์กรได้) ส่วนโจทย์ข้อ 3 เลือกใช้ Productivity AI (ฟีเจอร์สรุปเอกสาร)

เริ่มต้นด้วยการทำ Pilot เฉพาะโจทย์ข้อ 1 ของทีมขายก่อน โดยให้ AI อ่านเอกสารเสนอราคาในอดีต แล้วดำเนินการใช้งานเป็นเวลา 2 สัปดาห์ ผลปรากฏว่าเวลาในการค้นหาเอกสารเสนอราคาลดลงอย่างมีนัยสำคัญ และทีมขายต่างพูดเป็นเสียงเดียวกันว่า "ขาดสิ่งนี้ไม่ได้แล้ว"

การจำลองผลลัพธ์จาก Pilot (ตัวอย่างการค้นหาเอกสารเสนอราคา):

※ ตัวเลขข้างต้นเป็นค่าจากการจำลองในสภาพแวดล้อมที่คล้ายคลึงกัน ผลลัพธ์จริงอาจแตกต่างกันไปตามปริมาณเอกสาร สถานะการจัดเตรียม และความถี่ในการใช้งานของทีม

จากความสำเร็จนี้ จึงได้ขยายขอบเขตการนำ AI ไปใช้อย่างเป็นขั้นตอน โดยต่อยอดไปสู่โจทย์ข้อ 2 และข้อ 3 ตามลำดับ

การเริ่มต้นด้วยการทดสอบนำร่อง (Pilot) ที่จำกัดเพียง 2-3 Use Case แทนที่จะนำไปใช้พร้อมกันทั่วทั้งองค์กร ถือเป็นสิ่งสำคัญอย่างยิ่งสำหรับสภาพแวดล้อมในลาว เพื่อให้ได้รับประโยชน์สูงสุดจากการเรียนรู้ภายใต้ข้อจำกัดด้านงบประมาณ IT และบุคลากร จึงขอแนะนำขั้นตอนดังต่อไปนี้

ก่อนนำไปใช้งานทั่วทั้งองค์กร ให้เลือก 2–3 ข้อจาก 4 ตัวเลือกด้านล่างที่ใกล้เคียงกับสถานการณ์ของบริษัทมากที่สุด แล้วดำเนินการทดลองนำร่อง (Pilot)

1. สรุปรายงานการประชุมด้วย AI หากองค์กรยังจดบันทึกการประชุมด้วยมือ ให้ส่งไฟล์เสียงหรือข้อความถอดเสียงให้ AI สรุปแทน ครอบคลุมอยู่ในขอบเขตของ AI เพื่อเพิ่มประสิทธิภาพการทำงาน (Productivity AI) มีอุปสรรคในการนำไปใช้ต่ำและเห็นผลได้ชัดเจน นอกจากนี้ยังเป็นโอกาสที่ดีในการตรวจสอบความแม่นยำของแต่ละภาษา สำหรับการประชุมที่มีการใช้ภาษาลาว ภาษาไทย และภาษาอังกฤษปะปนกัน

2. ค้นหาเอกสารภายในองค์กรด้วย AI นำเข้าเอกสารเก่า เช่น สัญญา ข้อเสนอ และคู่มือต่าง ๆ ให้ AI อ่าน เพื่อให้สามารถค้นหาด้วยภาษาธรรมชาติได้ อยู่ในขอบเขตของ Knowledge / Enterprise AI ต้องใช้เวลาในการจัดเตรียมข้อมูล แต่มีประสิทธิผลสูงในแง่ของการลดการพึ่งพาความรู้เฉพาะบุคคล (Tacit Knowledge)

3. ร่างเอกสารข้อเสนอและอีเมลด้วย AI ให้ AI ร่างอีเมลและเอกสารข้อเสนอที่ทีมขายหรือผู้จัดการต้องเขียนเป็นประจำ โดยเฉพาะอย่างยิ่งหากมีการสื่อสารเป็นภาษาอังกฤษบ่อยครั้ง คาดว่าจะช่วยลดเวลาในการร่างเอกสารและยกระดับคุณภาพได้

4. จัดหมวดหมู่ Ticket คำถามโดยอัตโนมัติด้วย AI ให้ AI จัดหมวดหมู่คำถามที่เข้ามายัง Customer Support โดยอัตโนมัติตามประเภท สามารถประเมินระดับความเร่งด่วนและกระจายงานไปยังแผนกที่รับผิดชอบได้โดยอัตโนมัติ ในฐานะ Embedded AI หากเครื่องมือจัดการ Ticket ที่ใช้อยู่มีฟีเจอร์ AI อยู่แล้ว การเริ่มต้นจากตรงนั้นจะเป็นวิธีที่ง่ายที่สุด

เพื่อตัดสินว่าการทดลองนำร่อง "สำเร็จหรือล้มเหลว" โดยอาศัยข้อมูลแทนความรู้สึก จำเป็นต้องวัดผล 3 สิ่งต่อไปนี้เสมอ

1. การลดระยะเวลา ก่อนและหลังการทดลองนำร่อง งานที่เป็นเป้าหมายใช้เวลาเปลี่ยนแปลงไปมากน้อยเพียงใด จำเป็นต้องมีความเฉพาะเจาะจงในระดับที่ว่า "งานที่เคยใช้เวลา 20 ชั่วโมงต่อเดือน ลดลงเหลือ 12 ชั่วโมง"

2. การเปลี่ยนแปลงด้านคุณภาพ คุณภาพของผลลัพธ์ที่ AI สร้างขึ้นเป็นอย่างไรเมื่อเทียบกับการทำด้วยมือ ตัวอย่างเช่น บันทึกรายละเอียดในลักษณะที่ว่า "ร่างที่ AI สร้างขึ้น 80% นำไปใช้ได้เลย" และ "อีก 20% จำเป็นต้องแก้ไขอย่างมาก"

3. ความตั้งใจของทีมที่จะใช้งานต่อเนื่อง เป็นตัวชี้วัดที่มักถูกมองข้ามมากที่สุด แต่สำคัญที่สุด หลังสิ้นสุดการทดลองนำร่อง ให้ถามสมาชิกในทีมตรงๆ ว่า "อยากใช้ AI นี้ต่อไปหรือไม่" แม้จะเหนือกว่าในเชิงเทคนิค แต่หากคนในองค์กรไม่อยากใช้ ก็ไม่อาจฝังรากได้

แบบฟอร์มวัดผลการทดลองนำร่อง (ตัวอย่าง):

เพียงบันทึก 4 รายการนี้ตลอดช่วงการทดลองนำร่อง 2 สัปดาห์ ก็จะมีข้อมูลเพียงพอสำหรับตัดสินใจว่า "ควรขยาย AI นี้ไปทั่วทั้งองค์กรหรือไม่"

ในช่วงนำร่อง (Pilot) หลายองค์กรมักตกอยู่ในความเชื่อผิดๆ ดังต่อไปนี้ การตระหนักรู้ล่วงหน้าจะช่วยให้ตัดสินใจได้อย่างมีสติ

ความเชื่อผิดที่ 1: "AI ตัวเดียวแก้ได้ทุกปัญหา" ที่มีการแบ่งประเภทออกเป็น 4 ประเภทนั้น เป็นเพราะแต่ละประเภทถูกออกแบบมาเพื่อแก้ปัญหาที่แตกต่างกัน ไม่มี AI ที่เป็นสารพัดประโยชน์ การที่ AI ถนัดการเขียนอีเมลแต่ไม่สามารถค้นหาเอกสารภายในองค์กรได้ ไม่ใช่ข้อบกพร่อง แต่คือความแตกต่างด้านการออกแบบ

ความเชื่อผิดที่ 2: "เลือกโมเดลที่มีประสิทธิภาพสูงสุดย่อมไม่ผิดพลาด" โมเดลที่ทำคะแนน Benchmark ได้อันดับหนึ่งของโลก ไม่ได้หมายความว่าจะเหมาะสมที่สุดสำหรับงานขององค์กรคุณ ความแม่นยำในการประมวลผลภาษาลาว ความเร็วในการตอบสนอง และต้นทุน ล้วนเป็นปัจจัยสำคัญในการทำงานจริง ซึ่งมักไม่ปรากฏอยู่ใน Benchmark

ความเชื่อผิดที่ 3: "ซื้อ License แล้วการนำไปใช้ก็เสร็จสิ้น" การทำสัญญา License เป็นเพียงจุดเริ่มต้นเท่านั้น เพื่อให้ AI สร้างผลลัพธ์ที่มีประสิทธิภาพ จำเป็นต้องมีการจัดเตรียมข้อมูล การออกแบบ Workflow ใหม่ และการฝึกอบรมทีมงาน ผลการศึกษาของ McKinsey ก็ยืนยันว่า องค์กรที่ประสบความสำเร็จจะออกแบบกระบวนการใหม่ควบคู่ไปกับการนำเครื่องมือมาใช้เสมอ

แนะนำให้เริ่มต้นด้วย "Embedded AI" หรือ "Productivity AI" เหตุผลคือมีอุปสรรคในการนำไปใช้ต่ำที่สุด และไม่จำเป็นต้องเปลี่ยนแปลง workflow ที่มีอยู่เดิมมากนัก ขอแนะนำให้ลองตรวจสอบก่อนว่าซอฟต์แวร์สำหรับงานที่คุณใช้อยู่แล้วนั้นมีฟีเจอร์ AI หรือไม่ หากมีฟีเจอร์ AI อยู่ในนั้น คุณก็สามารถทดลองใช้ได้โดยไม่ต้องลงทุนเพิ่ม หรือลงทุนเพียงเล็กน้อยเท่านั้น

ควรหลีกเลี่ยงการนำเครื่องมือหลายอย่างมาใช้พร้อมกันตั้งแต่เริ่มต้น การทดลองใช้เครื่องมือหนึ่งชิ้นกับ use case หนึ่งรายการ แล้วตรวจสอบผลลัพธ์ก่อนที่จะก้าวไปสู่ขั้นตอนถัดไป จะช่วยให้ใช้ทรัพยากรที่มีอยู่อย่างจำกัดได้อย่างมีประสิทธิภาพมากกว่า การนำเครื่องมือหลายอย่างมาใช้พร้อมกันอาจก่อให้เกิดความสับสนในทีม และทำให้ไม่สามารถระบุได้ว่าเครื่องมือใดเป็นตัวสร้างผลลัพธ์ใด

ความนิยมเป็นเพียงข้อมูลอ้างอิง ไม่ใช่เกณฑ์การคัดเลือก AI tools ที่ได้รับความนิยมในระดับโลกไม่ได้หมายความว่าจะเหมาะสมที่สุดสำหรับสภาพแวดล้อมการทำงานในลาว มีปัจจัยหลายประการที่ต้องประเมินตามเงื่อนไขขององค์กรตนเอง ไม่ว่าจะเป็นการรองรับภาษา ระดับการพึ่งพาสภาพแวดล้อมอินเทอร์เน็ต ระบบการสนับสนุน และการกำหนดราคา การพิสูจน์ผ่าน pilot ว่า "เหมาะกับการดำเนินงานขององค์กรหรือไม่" นั้นเป็นข้อมูลประกอบการตัดสินใจที่น่าเชื่อถือกว่าการจัดอันดับความนิยมมากนัก

ในหลายกรณี การเริ่มต้นด้วยฟีเจอร์ AI ในซอฟต์แวร์ที่มีอยู่แล้วก็เพียงพอ อย่างไรก็ตาม การที่ฟีเจอร์เหล่านั้นจะแก้ปัญหาของบริษัทได้หรือไม่นั้นเป็นอีกเรื่องหนึ่ง ตัวอย่างเช่น ฟีเจอร์ AI ในซอฟต์แวร์บัญชีอาจมีความสามารถสูงในการทำรายการบัญชีอัตโนมัติ แต่อาจไม่ครอบคลุมการสรุปรายงานการบริหารโดยอัตโนมัติ หากพบว่ามีปัญหาที่ฟีเจอร์ AI ของเครื่องมือที่มีอยู่ไม่สามารถรองรับได้ จึงค่อยพิจารณาเครื่องมือ AI ประเภทอื่นเป็นลำดับถัดไป

การเลือก AI ไม่ควรเริ่มจากการจัดอันดับว่า "โมเดลไหนดีที่สุด" แต่ควรเริ่มจาก "ปัญหาด้านใดในองค์กร ใช้ข้อมูลอะไร และวัดผลด้วยอะไร"

ขอทบทวน 4 ประเภทที่ได้จัดระเบียบไว้ในบทความนี้อีกครั้ง

ในสภาพแวดล้อมของลาว ซึ่งมีข้อจำกัดด้านบุคลากร IT และโครงสร้างพื้นฐาน การเริ่มต้นแบบ Small Start และการทดสอบแบบ Pilot จึงมีความสำคัญเป็นพิเศษ "1 Use Case, 2 สัปดาห์, 3 ตัวชี้วัด" — ขอให้เริ่มต้นจาก Framework ที่เรียบง่ายนี้

บริษัทของเราให้การสนับสนุนองค์กรในลาวในการเลือก AI ที่เหมาะสมกับตนเอง และช่วย Scale จากขั้นตอน Pilot ไปสู่การนำไปใช้งานจริงอย่างเต็มรูปแบบ หากไม่แน่ใจว่าจะเลือก AI อย่างไร แนะนำให้เริ่มต้นจากการจัดระเบียบปัญหาด้านการดำเนินงานในปัจจุบันก่อน