'อธิปไตยข้อมูล' ทางรอดองค์กรยุค AI คุมต้นทุน-สร้างมูลค่าธุรกิจ

เมื่อโมเดลภาษาขนาดใหญ่ (LLM) เข้าถึงได้ทั่วไป ความได้เปรียบทางการแข่งขันขององค์กรจึงไม่ได้อยู่ที่การเลือกใช้โมเดลเพียงอย่างเดียว แต่อยู่ที่ความสามารถในการใช้ข้อมูลเฉพาะขององค์กรสร้างมูลค่าทางธุรกิจ พร้อมรักษาสิทธิในทรัพย์สินทางปัญญาและควบคุมต้นทุนการประมวลผล

ดารียุช แอชจารี ประธานเจ้าหน้าที่ฝ่ายเทคโนโลยีและรองประธานฝ่ายวิศวกรรมโซลูชัน ประจำภูมิภาคเอเชียแปซิฟิกและญี่ปุ่น บริษัท นูทานิคซ์ กล่าวว่า ยุคที่โมเดล AI ประสิทธิภาพสูงสร้างความได้เปรียบได้ด้วยตัวเองกำลังสิ้นสุดลง เนื่องจากเทคโนโลยีดังกล่าวเข้าถึงได้ง่ายขึ้น ทั้งจากโมเดลโอเพนซอร์สและบริการ API ของผู้ให้บริการคลาวด์รายใหญ่

เมื่อราว 2 ปีก่อน การเข้าถึง LLM ประสิทธิภาพสูงถือเป็นจุดแข็งที่ช่วยสร้างความแตกต่างให้ธุรกิจ แต่ในปี 2569 โมเดลเหล่านี้กลายเป็นเทคโนโลยีพื้นฐานที่องค์กรจำนวนมากสามารถนำมาใช้ได้

โจทย์ของผู้นำไอทีในภูมิภาคเอเชียแปซิฟิกและญี่ปุ่น (APJ) จึงเปลี่ยนจากการเลือกโมเดลที่เหมาะสม ไปสู่การสร้างมูลค่าจาก AI โดยไม่สูญเสียการควบคุมสิทธิในทรัพย์สินทางปัญญาขององค์กร

ดารียุชระบุว่า อธิปไตยทางข้อมูล (Sovereign Data) เป็นปัจจัยสำคัญในยุคที่อัลกอริทึมเข้าถึงได้ทั่วไป เพราะข้อมูลเฉพาะขององค์กรเป็นทรัพยากรที่ช่วยสร้างความแตกต่างและความได้เปรียบทางธุรกิจ

ติดปัญหา โครงสร้างพื้นฐานไม่พร้อม

แม้องค์กรในภูมิภาค APJ จะให้ความสนใจกับ AI เพิ่มขึ้น แต่การนำโครงการทดลองไปใช้งานจริงยังเป็นความท้าทาย โดยต้นฉบับระบุว่าโครงการต้นแบบ AI เกือบ 88% ไม่สามารถนำไปใช้งานจริงได้

รายงาน Enterprise Cloud Index (ECI) ปีที่ 8 ของนูทานิคซ์ ระบุว่า ผู้ตอบแบบสำรวจที่เป็นผู้นำด้านไอที 85% มองว่า AI เป็นแรงผลักดันให้ต้องปรับปรุงระบบไอทีให้ทันสมัย ขณะที่ 82% ยอมรับว่าโครงสร้างพื้นฐานภายในองค์กร (On-premises) ที่มีอยู่ยังไม่พร้อมรองรับภาระงาน AI

ช่องว่างระหว่างความต้องการใช้งาน AI กับความพร้อมของระบบอาจทำให้การใช้ทรัพยากรไม่มีประสิทธิภาพและเพิ่มต้นทุน โดยเฉพาะเมื่อการประมวลผล AI มีค่าใช้จ่ายที่สัมพันธ์กับจำนวนโทเคน (Tokens) ที่ใช้งาน

ดารียุชเปรียบเทียบว่า ในอดีตองค์กรประเมินความเร็วและต้นทุนการประมวลผลด้วยหน่วย MIPS ในยุคเมนเฟรม ส่วนยุค AI ให้ความสำคัญกับจำนวนโทเคนที่ประมวลผล อย่างไรก็ตาม การเปลี่ยนหน่วยวัดไม่ได้ทำให้ความจำเป็นในการวางสถาปัตยกรรมระบบที่เหมาะสมลดลง

หาก AI ใช้โทเคนไปกับผลลัพธ์ที่คลาดเคลื่อนหรือสร้างข้อมูลขึ้นเอง (Hallucination) ก็เท่ากับสิ้นเปลืองทรัพยากร องค์กรจึงต้องมีแหล่งข้อมูลที่ถูกต้องและเชื่อถือได้ เพื่อให้ AI สร้างผลลัพธ์ที่นำไปใช้ประโยชน์ได้จริง

3 ความเสี่ยงจากการรอดูท่าที

การชะลอการตัดสินใจด้าน AI และโครงสร้างพื้นฐานอาจดูเป็นทางเลือกที่ช่วยลดความเสี่ยงในช่วงตลาดผันผวน แต่ดารียุชมองว่า การไม่ลงมือดำเนินการอาจสร้างผลกระทบต่อองค์กร 3 ด้าน

1. สูญเสียทางเลือกด้านเทคโนโลยี การไม่ตัดสินใจเรื่องโครงสร้างพื้นฐานอาจทำให้องค์กรต้องพึ่งพาทิศทางการพัฒนาผลิตภัณฑ์ของผู้ให้บริการรายใดรายหนึ่ง รวมถึงเผชิญความเสี่ยงจากการปรับขึ้นราคาและข้อจำกัดในการเปลี่ยนแพลตฟอร์ม

2. Shadow AI เพิ่มความเสี่ยงด้านความปลอดภัย ผลสำรวจ ECI ระบุว่า 79% ขององค์กรมีหน่วยงานนอกฝ่ายไอทีนำ AI มาใช้งานโดยไม่ได้รับอนุญาต หากฝ่ายไอทีไม่สามารถจัดหาแพลตฟอร์ม AI ที่ตอบโจทย์ด้านความเร็วและข้อกำหนดการใช้งานได้ พนักงานอาจพัฒนาโซลูชันขึ้นมาใช้เอง ซึ่งเพิ่มความเสี่ยงด้านความปลอดภัยของข้อมูลและการไม่ปฏิบัติตามกฎระเบียบ

3. ทักษะบุคลากรไม่ทันการเปลี่ยนแปลง การปรับเปลี่ยนแพลตฟอร์มไอทีครั้งใหญ่ (Great Replatforming) ทำให้องค์กรต้องพัฒนาทักษะใหม่ หากยังยึดติดกับการบริหารจัดการเวอร์ชวลแมชชีนแบบเดิม ทีมไอทีอาจไม่พร้อมรับการเปลี่ยนผ่านไปสู่การควบคุมและบริหารจัดการด้วย Agentic AI

เปลี่ยนข้อมูลเป็นผลลัพธ์ทางธุรกิจ

ดารียุชระบุว่า การออกแบบระบบโดยคำนึงถึงอธิปไตยทางข้อมูลตั้งแต่ต้น (Sovereign-by-design) ไม่ใช่เพียงการปฏิบัติตามกฎระเบียบ แต่เกี่ยวข้องโดยตรงกับประสิทธิภาพทางธุรกิจ

องค์กรควรมอง AI เป็น “AI Factory” หรือฐานการผลิต AI ที่ทำงานเชื่อมโยงกัน แทนการแยกโครงการทดลองออกเป็นส่วน ๆ โดยมีแนวทางสำคัญ 3 ด้าน

1. เพิ่มประสิทธิภาพ ลดต้นทุนคลาวด์

การทำทรัพยากร AI ให้อยู่ในรูปแบบเวอร์ชวลและรวมศูนย์ฮาร์ดแวร์ ช่วยให้องค์กรบริหารทรัพยากรได้มีประสิทธิภาพขึ้น ลดอินสแตนซ์ที่ใช้งานไม่เต็มกำลัง และมีโอกาสลดค่าใช้จ่ายด้านคลาวด์ได้สูงสุด 40%

2. ปกป้องข้อมูลและรักษาสิทธิในการควบคุม

การเก็บข้อมูลที่มีความละเอียดอ่อนไว้ภายในระบบขององค์กร (On-premises) ช่วยสนับสนุนการปฏิบัติตามข้อกำหนดด้านข้อมูลในแต่ละประเทศ เช่น กฎหมาย DPDP ของอินเดีย และกฎหมาย APPI ของญี่ปุ่น

แนวทางนี้ยังช่วยรักษาห่วงโซ่การครอบครองและดูแลรักษาข้อมูล (Chain of Custody) ซึ่งจำเป็นต่อการตรวจสอบย้อนกลับและพิสูจน์ความถูกต้องของระบบ AI ต่อหน่วยงานกำกับดูแล

3. เร่งนำ AI ไปใช้งานจริง

การใช้แพลตฟอร์มที่รองรับทั้งเวอร์ชวลแมชชีนและ Kubernetes เช่น NKP Metal ช่วยลดข้อจำกัดด้านโครงสร้างพื้นฐาน ทำให้องค์กรสามารถติดตั้งและเริ่มใช้งานโมเดลได้ภายในไม่กี่วัน แทนที่จะใช้เวลาหลายเดือนตามต้นฉบับ

เป้าหมายคือการลดระยะเวลาจากการเตรียมระบบไปสู่การใช้งานจริง และเปลี่ยนทรัพยากรที่ใช้ประมวลผล AI ให้เป็นผลลัพธ์ทางธุรกิจได้อย่างมีประสิทธิภาพ

'ข้อมูล' คือทรัพย์สินทางปัญญาขององค์กร

ดารียุชสรุปว่า ความได้เปรียบในการแข่งขันยุค AI ไม่ได้ขึ้นอยู่กับการใช้จ่ายเพื่อแก้ปัญหามากที่สุด แต่ขึ้นอยู่กับความสามารถในการบริหารเศรษฐศาสตร์ของ AI ตั้งแต่การจัดเตรียมข้อมูลที่สะอาดและถูกต้อง ไปจนถึงการสร้างโครงสร้างพื้นฐานที่แข็งแกร่งและทำงานร่วมกันได้

ข้อมูลจึงไม่ควรถูกมองเป็นเพียงภาระในการจัดเก็บและบริหารจัดการ แต่เป็นสินทรัพย์ที่องค์กรต้องสามารถเป็นเจ้าของและควบคุมได้ เพราะเกี่ยวข้องทั้งกับทรัพย์สินทางปัญญา ความไว้วางใจของลูกค้า และผลตอบแทนในอนาคต

โจทย์สำคัญสำหรับผู้นำองค์กรคือ โครงสร้างพื้นฐานไอทีที่มีอยู่กำลังช่วยสร้างนวัตกรรม หรือกลายเป็นข้อจำกัดที่ขัดขวางการเติบโตของธุรกิจ