กับดัก 'Patchwork AI' ทุ่มงบเอไอ แต่ทำไมไม่เกิด Transformation?

การลงทุน AI ที่เพิ่มขึ้นไม่ได้หมายความว่าองค์กรจะเปลี่ยนผ่านได้สำเร็จ หากการใช้งานยังแยกเป็นโครงการรายฝ่าย ขณะที่ข้อมูล กระบวนการ และการตัดสินใจยังไม่เชื่อมกัน

ปัจจุบันหลายองค์กรนำ AI มาใช้กับงานประจำมากขึ้น ตั้งแต่งานแปลภาษา สรุปรายงาน จัดทำเอกสาร ไปจนถึงการลดงานซ้ำๆ และช่วยให้ทีมทำงานได้เร็วขึ้น แต่เมื่อมองในระดับธุรกิจ ผู้บริหารยังต้องการคำตอบว่า เหตุใดการลงทุนด้าน AI ที่เพิ่มขึ้นจึงยังไม่สะท้อนออกมาเป็นผลลัพธ์ทางธุรกิจอย่างชัดเจน

ปัญหาอาจไม่ได้อยู่ที่ความสามารถของ AI แต่อยู่ที่ข้อจำกัดเชิงโครงสร้างเดิมขององค์กร ทั้งข้อมูลที่กระจัดกระจายอยู่ในหลายระบบ กระบวนการส่งต่องานที่ซับซ้อน การอนุมัติที่ล่าช้า และบทบาทของแต่ละฝ่ายที่ยังไม่ชัดเจน

ที่ผ่านมาองค์กรอาจแก้ข้อจำกัดเหล่านี้ด้วยการเพิ่มคนหรือทรัพยากร แต่เมื่อขยายการใช้ AI ในวงกว้าง ปัญหาเชิงโครงสร้างดังกล่าวอาจกลายเป็นคอขวดที่ทำให้การเปลี่ยนแปลงเดินหน้าต่อได้ยาก

ใช้ AI มากขึ้น แต่ยังไม่เชื่อมกับเป้าหมายธุรกิจ

สุปรีดา จิรวงศ์ศรี กรรมการผู้จัดการ ประจำประเทศไทย บริษัท เอบีม คอนซัลติ้ง (ประเทศไทย) จำกัด ระบุว่า หลายองค์กรเริ่มนำ AI มาใช้กับงานเฉพาะของแต่ละฝ่าย ฝ่ายขายอาจใช้ AI ช่วยสรุปข้อมูล ฝ่ายการเงินใช้ตรวจสอบเอกสาร ขณะที่ฝ่ายปฏิบัติการนำมาใช้ช่วยวางแผน การเริ่มต้นจากโจทย์ของแต่ละฝ่ายช่วยให้องค์กรมองเห็นประโยชน์ของ AI ได้เร็วขึ้น

แต่หากแต่ละฝ่ายยังทำงานแยกกัน และไม่ได้เชื่อมการใช้ AI เข้ากับเป้าหมายทางธุรกิจเดียวกัน AI ก็อาจช่วยให้งานบางจุดดีขึ้น แต่ไม่สามารถสร้างการเปลี่ยนแปลงในระดับองค์กร

เอบีม คอนซัลติ้ง เรียกการเปลี่ยนผ่านลักษณะนี้ว่า Patchwork AI Adoption หรือการประยุกต์ใช้ AI แบบปะติดปะต่อ หมายถึงสถานการณ์ที่องค์กรมีโครงการ AI เพิ่มขึ้นเรื่อยๆ แต่ยังไม่มีภาพร่วมกันว่า AI จะช่วยลดต้นทุน เพิ่มรายได้ หรือทำให้การตัดสินใจขององค์กรดีขึ้นอย่างไร

AI ไม่ได้เข้ามาแก้ปัญหาขององค์กรโดยอัตโนมัติ แต่เป็นสะพานที่ทำให้เห็นชัดขึ้นว่า องค์กรมีข้อมูลที่ไม่เชื่อมต่อกัน มีกระบวนการทำงานที่ซ้ำซ้อน หรือมีการตัดสินใจที่ล่าช้าอยู่ที่ใดบ้าง หากคอขวดเหล่านี้ไม่ได้รับการแก้ไข การลงทุนใน AI ก็จะสร้างผลลัพธ์ได้กับงานส่วนย่อยๆ ไม่ใช่ในระดับงบการเงินหรือภาพรวมธุรกิจ

ดังนั้น การนับจำนวนโครงการนำร่อง ยอดการใช้งาน AI หรือจำนวนไลเซนส์ที่มีอยู่ จึงไม่ใช่ตัววัดความสำเร็จที่แท้จริง เพราะสะท้อนเพียงระดับการนำไปใช้ แต่ไม่ได้พิสูจน์ว่าการใช้งานดังกล่าวสร้างมูลค่าทางธุรกิจ

เวลาที่ประหยัดได้จาก AI ต้องนำไปสู่ต้นทุนที่ลดลง ประสิทธิภาพหรือผลผลิตที่สูงขึ้น รวมถึงการตัดสินใจที่รวดเร็วและแม่นยำขึ้น จึงจะถือว่าเกิดคุณค่าทางธุรกิจ

AI-Native Enterprise ต้องออกแบบกระบวนการใหม่ทั้งระบบ

ตัวอย่างหนึ่งคือกระบวนการจัดซื้อ AI สามารถช่วยอ่านใบแจ้งหนี้ จัดหมวดหมู่เอกสาร และตรวจสอบข้อมูลเบื้องต้น ทำให้งานซ้ำๆ ลดลงและบางขั้นตอนทำได้เร็วขึ้น

แต่หากข้อมูลระหว่างฝ่ายจัดซื้อ การเงิน คลังสินค้า โลจิสติกส์ และซัพพลายเออร์ยังแยกออกจากกัน AI จะช่วยได้เพียงบางจุด และยังไม่สามารถทำให้กระบวนการจัดซื้อทั้งระบบทำงานได้ดีขึ้น

การเปลี่ยนแปลงจึงต้องเริ่มจากการออกแบบกระบวนการทำงานใหม่ตั้งแต่ต้นจนจบ หรือ End-to-End Redesign ให้ทุกฝ่ายทำงานบนข้อมูลที่สอดคล้องกัน มีผู้รับผิดชอบชัดเจน และให้ AI ช่วยประมวลผล วิเคราะห์ข้อมูล และเสนอทางเลือก ขณะที่ผู้บริหารและผู้รับผิดชอบยังเป็นผู้ตัดสินใจในเรื่องสำคัญ โดยพิจารณาจากสถานการณ์และเป้าหมายของธุรกิจ

AI-Native Enterprise จึงไม่ได้วัดจากจำนวนเทคโนโลยีที่องค์กรมี แต่วัดจากความสามารถในการทำให้ข้อมูล กระบวนการทำงาน และการตัดสินใจสนับสนุนเป้าหมายทางธุรกิจอย่างเป็นระบบ

ปรับองค์กร Start Small, Scale Big

องค์กรไม่จำเป็นต้องเริ่มจากโครงการขนาดใหญ่ที่ครอบคลุมทั้งบริษัท แต่อาจเริ่มจากกระบวนการสำคัญที่เกี่ยวข้องกับหลายฝ่าย เช่น การจัดซื้อ การวางแผนสินค้าคงคลัง หรือการปิดงบการเงิน แล้วจึงขยายผลจากการใช้งานจริงตั้งแต่ต้นจนจบ

ก่อนเริ่มโครงการ ผู้บริหารควรกำหนดผลลัพธ์ที่ต้องการ กระบวนการที่ควรปรับปรุง และตัวชี้วัดสำหรับประเมินความสำเร็จให้ชัดเจน เพื่อไม่ให้การดำเนินงานจบลงที่โครงการนำร่องซึ่งประสบความสำเร็จในระยะสั้น แต่ไม่สามารถต่อยอดเป็นผลลัพธ์ทางธุรกิจ

เพื่อให้การเปลี่ยนแปลงไม่จบอยู่ที่การนำเครื่องมือมาใช้ เอบีม คอนซัลติ้ง นำกรอบการออกแบบองค์กรสำหรับยุค AI หรือ AI Native Target Operating Model (AI Native TOM) มาใช้วางภาพรวมการเปลี่ยนแปลง ตั้งแต่เป้าหมายทางธุรกิจ โครงสร้างองค์กร วิธีทำงาน ข้อมูล ระบบ ไปจนถึงการกำกับดูแล เพื่อกำหนดว่า AI ควรเข้ามาสนับสนุนการทำงานในจุดใด และเชื่อมโยงกับผลลัพธ์ทางธุรกิจอย่างไร

จาก Operations Hub สู่ Decision Hub

ที่ผ่านมา หลายองค์กรสร้างความได้เปรียบจากประสิทธิภาพในการปฏิบัติงาน ความรวดเร็ว และต้นทุนที่แข่งขันได้ แต่เมื่อ AI สามารถจัดการงานประจำและงานประมวลผลซ้ำๆ ได้มากขึ้น จุดแข็งเดิมเหล่านี้อาจไม่เพียงพอสำหรับการสร้างคุณค่าในระยะยาว องค์กรจึงต้องยกระดับบทบาทจาก Operations Hub ไปสู่ Decision Hub หรือศูนย์กลางการวิเคราะห์และตัดสินใจ โดยใช้ข้อมูลขับเคลื่อนความได้เปรียบเชิงกลยุทธ์ และออกแบบวิธีการทำงานใหม่

โจทย์ในอนาคตอาจไม่ใช่เรื่องที่ว่า องค์กรจะทำงานได้มากแค่ไหน แต่คือหน่วยงานนั้นสามารถช่วยให้ทั้งกลุ่มธุรกิจตัดสินใจได้ดีขึ้น และสร้างคุณค่าใหม่ๆ ได้อย่างไร องค์กรที่เริ่มปรับบทบาทของตัวเองได้ก่อน ย่อมมีโอกาสสร้างความได้เปรียบเชิงกลยุทธ์ได้มากกว่าในระยะยาว

เมื่อ AI กลายเป็นเทคโนโลยีพื้นฐานที่ทุกองค์กรเข้าถึงได้ง่ายขึ้น ความแตกต่างจึงไม่ได้อยู่ที่การมีเครื่องมือมากกว่า แต่อยู่ที่การนำ AI มาแก้ข้อจำกัดเชิงโครงสร้าง และปรับวิธีการทำงานให้เชื่อมโยงกับเป้าหมายทางธุรกิจ