ท่ามกลางกระแสการทุ่มงบประมาณด้านปัญญาประดิษฐ์ (AI) เพื่อเพิ่มความเร็วในการทำงานประจำวัน ตั้งแต่งานแปลภาษา สรุปเอกสาร ไปจนถึงการลดขั้นตอนซ้ำซ้อน คำถามสำคัญที่ผู้นำองค์กรกำลังเผชิญคือ เหตุใดเม็ดเงินลงทุนที่เพิ่มขึ้นอย่างต่อเนื่องจึงยังไม่สะท้อนออกมาเป็นผลลัพธ์เชิงธุรกิจที่จับต้องได้
แก่นแท้ของปัญหานี้ไม่ได้อยู่ที่ประสิทธิภาพของเทคโนโลยี แต่เกิดจากการที่ AI เข้ามาสะท้อน “ข้อจำกัดเชิงโครงสร้างเดิม” ขององค์กรให้เด่นชัดขึ้น ไม่ว่าจะเป็นข้อมูลที่กระจัดกระจาย กระบวนการส่งต่องานที่ซับซ้อน ความล่าช้าในการอนุมัติ ตลอดจนบทบาทหน้าที่ของแต่ละฝ่ายที่ไม่ชัดเจน ซึ่งในอดีตองค์กรมักแก้ปัญหาด้วยการเพิ่มบุคลากรหรือทรัพยากร ทว่าเมื่อขยายสเกลการใช้ AI ข้อจำกัดเหล่านี้กลับกลายเป็นคอขวดที่ขัดขวางการเปลี่ยนผ่านทั้งระบบ
เอบีม คอนซัลติ้ง ระบุว่า ปรากฏการณ์นี้คือ “Patchwork AI Adoption” หรือการประยุกต์ใช้ AI แบบปะติดปะต่อ ที่แต่ละแผนกต่างคนต่างนำเครื่องมือมาแก้โจทย์เฉพาะจุด เช่น ฝ่ายขายสรุปข้อมูล ฝ่ายบัญชีตรวจเอกสาร หรือฝ่ายปฏิบัติการวางแผน แม้จะช่วยให้เห็นประโยชน์เฉพาะส่วนได้อย่างรวดเร็ว แต่เมื่อขาดการเชื่อมโยงสู่เป้าหมายธุรกิจภาพรวม การดำเนินงานลักษณะนี้จึงไม่สามารถขับเคลื่อนองค์กรได้จริง
สุปรีดา จิรวงศ์ศรี กรรมการผู้จัดการ ประจำประเทศไทย บริษัท เอบีม คอนซัลติ้ง (ประเทศไทย) จำกัด ชี้ว่า AI ไม่ได้เข้ามาแก้ปัญหาองค์กรโดยอัตโนมัติ แต่ทำหน้าที่เป็นสะพานที่ทำให้เห็นชัดเจนว่าโครงสร้างส่วนใดมีปัญหาเรื่องข้อมูลไม่เชื่อมโยง กระบวนการซ้ำซ้อน หรือการตัดสินใจที่ล่าช้า หากคอขวดเชิงโครงสร้างเหล่านี้ไม่ถูกรื้อระบบ การลงทุนจะสร้างผลลัพธ์ได้เพียงงานย่อยๆ แต่ไม่สามารถสร้างผลกระทบต่อผลกำไรขาดทุนหรือภาพรวมธุรกิจได้เลย
ด้วยเหตุนี้ ตัวชี้วัดความสำเร็จอย่างจำนวนโครงการนำร่อง ยอดการใช้งาน หรือจำนวนไลเซนส์ จึงเป็นเพียงตัวเลขที่สะท้อนระดับการนำมาใช้ (Adoption) เท่านั้น แต่ไม่ได้การันตีการสร้างมูลค่าทางธุรกิจ ความคุ้มค่าที่แท้จริงต้องวัดจากการที่เวลาที่ประหยัดได้สามารถแปรเปลี่ยนเป็นการลดต้นทุน การเพิ่มผลผลิต และการตัดสินใจที่แม่นยำขึ้น
หนทางแก้ไขคือการยกระดับสู่ “AI-Native Enterprise” ด้วยการออกแบบกระบวนการทำงานใหม่ตั้งแต่ต้นจนจบ (End-to-End Redesign) ตัวอย่างเช่น กระบวนการจัดซื้อ แม้ AI จะช่วยอ่านใบแจ้งหนี้และตรวจเอกสารได้ แต่หากฐานข้อมูลระหว่างจัดซื้อ การเงิน คลังสินค้า และซัพพลายเออร์ยังแยกส่วนกัน การทำงานทั้งระบบก็ไม่อาจดีขึ้น องค์กรต้องปรับให้ทุกฝ่ายทำงานบนฐานข้อมูลเดียวกัน กำหนดผู้รับผิดชอบที่ชัดเจน โดยให้ AI ทำหน้าที่ประมวลผล วิเคราะห์ และเสนอทางเลือก ขณะที่ผู้บริหารยังคงเป็นผู้ตัดสินใจในเรื่องสำคัญตามบริบทธุรกิจ
การขับเคลื่อนสู่ความสำเร็จสามารถนำกลยุทธ์ “Start Small, Scale Big” มาปรับใช้ โดยเริ่มต้นจากกระบวนการสำคัญที่ข้ามสายงาน เช่น การจัดซื้อ การวางแผนสินค้าคงคลัง หรือการปิดงบการเงิน ก่อนเริ่มโครงการ ผู้บริหารต้องกำหนดเป้าหมาย กระบวนการที่ต้องปรับ และตัวชี้วัดความสำเร็จให้ชัดเจน เพื่อป้องกันการติดกับดักโครงการทดลองระยะสั้น
ทั้งนี้ สามารถประยุกต์ใช้กรอบแนวคิด AI Native Target Operating Model (AI Native TOM) ของ เอบีม คอนซัลติ้ง เพื่อเชื่อมโยงตั้งแต่เป้าหมายธุรกิจ โครงสร้างองค์กร กระบวนการ ข้อมูล ระบบ ไปจนถึงการกำกับดูแล
ในยุคที่ AI เข้ามาแทนที่งานปฏิบัติการประจำ องค์กรจำเป็นต้องเปลี่ยนผ่านบทบาทจาก Operations Hub ไปสู่การเป็น “Decision Hub” หรือศูนย์กลางการวิเคราะห์และตัดสินใจเชิงยุทธศาสตร์
สุปรีดา เน้นย้ำว่า โจทย์ในอนาคตไม่ได้อยู่ที่การทำงานได้ปริมาณมากเพียงใด แต่อยู่ที่การช่วยให้กลุ่มธุรกิจตัดสินใจได้ดีขึ้นและสร้างมูลค่าใหม่ได้อย่างไร องค์กรที่เริ่มปรับตัวก่อนย่อมสร้างความได้เปรียบในการแข่งขันได้อย่างยั่งยืน
