อุตสาหกรรมปัญญาประดิษฐ์ (AI) ในประเทศไทยกำลังเติบโตแบบก้าวกระโดด ทว่าองค์กรส่วนใหญ่ยังเผชิญความท้าทายสำคัญในการสร้างความคุ้มค่าจากการลงทุน จากผลสำรวจผู้บริหารกว่า 1,000 บริษัทไทย พบว่าอัตราการนำ AI มาใช้ในภาคธุรกิจเพิ่มขึ้นจาก 32% ในปี 2023 แตะระดับ 73% แต่มีเพียง 9% เท่านั้นที่ขยับไปสู่ระดับขั้นสูง (Advanced) ขณะที่ 74% ยังจำกัดการใช้งานอยู่เพียงระดับ Chatbot พื้นฐาน
วัตสัน ถิรภัทรพงศ์ Country Manager ของ AWS ประจำประเทศไทย เปิดเผยว่า ความเร็วในการนำ AI เข้ามาใช้อาจไม่สะท้อนถึงผลตอบแทนจากการลงทุน (ROI) เสมอไป หากองค์กรยังใช้เพียงการถาม-ตอบทั่วไป การนำ AI ขั้นสูงมาปรับใช้จริงจำเป็นต้องฝังเทคโนโลยีเข้าไปในกระบวนการทำงาน (Workflow) และผูกโยงกับกลยุทธ์ทางธุรกิจอย่างเป็นรูปธรรม เพื่อไม่ให้งบประมาณด้าน AI สูญเปล่า
เทรนด์เทคโนโลยี AI ได้เปลี่ยนผ่านอย่างรวดเร็ว จากการเปิดตัวของ ChatGPT ในช่วงปลายปี 2022 ที่เน้นรูปแบบ Chatbot เข้าสู่ยุค GenAI สำหรับธุรกิจ จนถึงปัจจุบันที่กำลังก้าวสู่ “Agentic AI” ซึ่งเป็นการร้อยเรียงระบบ AI Agent หลายตัวทำงานประสานกัน และมีแนวโน้มขยายตัวสู่ “Physical AI” ที่เชื่อมโยงเข้ากับระบบภาคอุตสาหกรรมในโลกความเป็นจริง
AWS ได้วางโครงสร้างพื้นฐานและบริการ AI ครบวงจรเพื่อรองรับการขยายสเกลของธุรกิจ ตั้งแต่ระดับโครงสร้างพื้นฐานด้วยบริการ GPU as a Service ผ่านความร่วมมือกับ NVIDIA ควบคู่กับการพัฒนาชิป AI GPU ของตนเองเพื่อแก้ปัญหาความล่าช้าและราคาเซิร์ฟเวอร์ที่สูงขึ้น ระดับแพลตฟอร์มมี Amazon SageMaker สำหรับเทรนโมเดลเฉพาะทาง เช่น การทำ Hyper-personalize ด้านสินเชื่อของสถาบันการเงิน หรือโมเดลภาษาท้องถิ่น
ภายใต้วิสัยทัศน์ “Model Agnostic” AWS เชื่อว่าไม่มีโมเดลใดโมเดลเดียวที่จะครองโลกได้ และแต่ละองค์กรในอนาคตอาจต้องใช้งานเฉลี่ยถึง 24 โมเดล จึงได้พัฒนา Amazon Bedrock แพลตฟอร์มที่เปิดให้เข้าถึงโมเดลชั้นนำได้เกือบ 200 โมเดล ไม่ว่าจะเป็น Anthropic Claude, OpenAI, Meta Llama, Mistral และโมเดลจากฝั่งจีน พร้อมทั้งมี Bedrock Agent สำหรับการสร้างระบบอัตโนมัติ รวมถึง Agent สำเร็จรูปพร้อมใช้งาน
การขับเคลื่อน AI ให้ประสบผลสำเร็จไม่ได้ขึ้นอยู่กับเทคโนโลยีเพียงอย่างเดียว แต่ต้องมีกรอบนโยบายทางธุรกิจ (Business Case) ที่ชัดเจน มีการกำหนดเจ้าของโครงการ (Owner) และวัดผลลัพธ์ได้อย่างเป็นรูปธรรม แทนที่จะปล่อยให้พนักงานซื้อ Subscription ใช้งานส่วนตัวโดยไร้ทิศทาง
ตัวอย่างความสำเร็จที่เกิดขึ้นจริงในภาคธุรกิจไทย เช่น KBTG ในเครือ K-Bank ได้นำ AI มาช่วยนักพัฒนาซอฟต์แวร์ เพิ่มประสิทธิภาพการทำงานได้ถึง 3 เท่า และใช้เป็นแกนหลักในการทำ Code Migration ย้ายระบบซอฟต์แวร์เก่า (Technical Debt) ที่เป็น Proprietary มาสู่ระบบ Open Source ช่วยลดต้นทุนลิขสิทธิ์มหาศาล ขณะที่โอสถสภา องค์กรอายุ 135 ปี ได้นำองค์ความรู้ภายในมาพัฒนาแอปพลิเคชัน “Osotspa Brain” ผ่านการจัด Hackathon จนได้ 59 Use Case แก้ปัญหาให้พนักงาน 5,000 คนได้อย่างรวดเร็ว
ความท้าทายด้านบุคลากรเป็นอีกหนึ่งประเด็นสำคัญ ผลสำรวจระบุว่า 77% ขององค์กรเห็นว่าความรู้เดิมของพนักงานจำเป็นต่อการก้าวสู่ AI-led Organization แต่มีเพียง 24% ที่ได้รับการสนับสนุนการฝึกอบรมอย่างจริงจัง AWS จึงได้ขับเคลื่อนโครงการ Upskill คนไทยผ่าน AI Academy และโปรแกรมพัฒนาทักษะต่างๆ จนสร้างบุคลากรไปแล้วราว 120,000 คน
AWS ยังได้นำเสนอกรอบการพัฒนาที่เรียกว่า AI Application Development Life Cycle (AI ALC) เพื่อแก้ปัญหาสองขั้ว ระหว่าง “AI Assisted” ที่คนทำงานเกือบทั้งหมดแล้วใช้ AI เป็นเพียงส่วนเสริม กับ “AI Managed” ที่ปล่อยให้ AI เขียนโค้ดทั้งหมดจนเกิดปัญหา AI หลอน (Hallucination) โดย AI ALC จะเป็นจุดกึ่งกลางที่มนุษย์และ AI ทำงานร่วมกัน ตั้งแต่การร่างสเปก ตรวจทาน สร้างโค้ด และตรวจสอบความถูกต้อง
สำหรับความคืบหน้าด้านโครงสร้างพื้นฐานในไทย ภายใต้งบลงทุน 5 พันล้านดอลลาร์สหรัฐ (ราว 1.9 แสนล้านบาท) ในการเปิดตัว AWS Region กรุงเทพฯ ภายในเวลา 1 ปี AWS สามารถเปิดให้บริการได้ถึง 130 บริการ จาก 200 บริการทั่วโลก พร้อมเปิดให้บริการ Amazon Bedrock ภายในประเทศ ทำให้ข้อมูลขององค์กรไทยถูกจัดเก็บและประมวลผลอยู่ภายในประเทศอย่างปลอดภัย สอดรับกับเป้าหมายการผลักดันให้ประเทศไทยก้าวสู่การเป็น AI Hub ระดับภูมิภาค ผ่านความร่วมมือกับพันธมิตรอย่าง Synnex ในการขยายโซลูชันสู่ตลาด
