วันนี้หลายองค์กรเริ่มนำ AI มาใช้กับงานประจำมากขึ้น ตั้งแต่งานแปลภาษา สรุปรายงาน และจัดทำเอกสาร ไปจนถึงการลดงานซ้ำ ๆ และช่วยให้ทีมทำงานได้เร็วขึ้น แต่เมื่อมองในระดับธุรกิจ คำถามที่ผู้บริหารยังคงตั้งข้อสงสัยคือ ทำไมการลงทุนด้าน AI ที่เพิ่มขึ้นจึงยังไม่สะท้อนออกมาเป็นผลลัพธ์ทางธุรกิจที่ชัดเจน
ปัญหาอาจไม่ได้อยู่ที่ AI ทำงานได้ดีแค่ไหน แต่อยู่ที่ AI ทำให้ข้อจำกัดเดิมขององค์กรเห็นชัดขึ้น ทั้งข้อมูลที่กระจัดกระจายอยู่ในหลายระบบ กระบวนการส่งต่องานที่ซับซ้อน การอนุมัติที่ล่าช้า และบทบาทของแต่ละฝ่ายที่ยังไม่ชัดเจน ที่ผ่านมาองค์กรอาจแก้ปัญหาเหล่านี้ด้วยการเพิ่มคนหรือทรัพยากร แต่เมื่อขยายการใช้ AI ในวงกว้าง ข้อจำกัดเชิงโครงสร้างเหล่านี้จะกลายเป็นคอขวดที่ทำให้การเปลี่ยนแปลงเดินหน้าต่อได้ยาก
Patchwork AI Adoption: เมื่อ AI กระจายอยู่ทั่วองค์กร แต่ยังไม่เชื่อมไปสู่เป้าหมายธุรกิจ
ปัจจุบันหลายองค์กรเริ่มนำ AI มาใช้กับงานเฉพาะของแต่ละฝ่าย ฝ่ายขายอาจใช้ AI ช่วยสรุปข้อมูล ฝ่ายการเงินใช้ตรวจสอบ เอกสาร ขณะที่ฝ่ายปฏิบัติการนำมาใช้ช่วยวางแผน การเริ่มต้นจากโจทย์ของแต่ละฝ่ายเป็นเรื่องที่ดี เพราะทำให้องค์กร เห็นประโยชน์ของ AI ได้เร็วขึ้น แต่ถ้าแต่ละฝ่ายยังทำงานแยกกัน และไม่ได้เชื่อมโยงการใช้ AI เข้ากับเป้าหมายทางธุรกิจเดียวกัน AI ก็อาจช่วยให้งานบางจุดดีขึ้น แต่ไม่ได้สร้างการเปลี่ยนแปลงให้กับองค์กรในภาพรวม ABeam Consulting เรียกการเปลี่ยนผ่านลักษณะนี้ว่า Patchwork AI Adoption หรือการประยุกต์ใช้ AI แบบปะติดปะต่อ ซึ่งหมายถึงสถานการณ์ที่องค์กรมีโครงการ AI เพิ่มขึ้นเรื่อย ๆ แต่ยังไม่มีภาพร่วมกันว่า AI จะช่วยลดต้นทุน เพิ่มรายได้ หรือทำให้การตัดสินใจขององค์กรดีขึ้นได้อย่างไร
คุณสุปรีดา จิรวงศ์ศรี กรรมการผู้จัดการ ประจำประเทศไทย บริษัท เอบีม คอนซัลติ้ง (ประเทศไทย) จำกัด ได้สะท้อนประเด็นนี้ไว้อย่างน่าสนใจว่า “AI ไม่ได้เข้ามาแก้ปัญหาขององค์กรโดยอัตโนมัติ แต่เป็นสะพานที่ทำให้เห็นชัดขึ้นว่า องค์กรมีข้อมูลที่ไม่เชื่อมต่อกัน มีกระบวนการทำงานที่ซ้ำซ้อน หรือมีการตัดสินใจที่ล่าช้าอยู่ที่ใดบ้าง หากคอขวดเหล่านี้ไม่ได้รับการแก้ไข การลงทุนใน AI ก็จะสร้างผลลัพธ์ได้กับงานส่วนย่อย ๆ ไม่ใช่ในระดับงบการเงินหรือภาพรวมธุรกิจ”
ดังนั้น การนับจำนวนโครงการนำร่อง ยอดการใช้งาน AI หรือไลเซนส์ที่มีอยู่ จึงไม่ใช่ตัววัดความสำเร็จที่แท้จริง เพราะตัวเลขเหล่านี้สะท้อนแค่ ‘ระดับการนำไปใช้’ แต่ไม่ได้พิสูจน์ว่าการนำไปใช้นั้นจะสร้างมูลค่าที่ปรากฏในงบกำไรขาดทุน เวลาที่ประหยัดได้จาก AI ต้องเปลี่ยนเป็นต้นทุนที่ลดลง ประสิทธิภาพหรือผลผลิตที่สูงขึ้น รวมถึงการตัดสินใจ ที่รวดเร็วและแม่นยำขึ้น จึงจะถือว่าเป็นการสร้างคุณค่าทางธุรกิจได้อย่างแท้จริง
ยกระดับสู่ AI-Native Enterprise: เปลี่ยน AI ให้เป็น “ระบบสนับสนุนการตัดสินใจ”
ตัวอย่างที่เห็นได้ชัดคือกระบวนการจัดซื้อ AI สามารถช่วยอ่านใบแจ้งหนี้ จัดหมวดหมู่เอกสาร และตรวจสอบข้อมูลเบื้องต้น ทำให้งานซ้ำ ๆ ลดลงและบางขั้นตอนทำได้เร็วขึ้น แต่หากข้อมูลระหว่างฝ่ายจัดซื้อ การเงิน คลังสินค้า โลจิสติกส์ และซัพพลายเออร์ยังแยกออกจากกัน AI ก็จะช่วยได้เพียงบางจุด และยังไม่สามารถทำให้กระบวนการจัดซื้อทั้งระบบทำงานได้ดีขึ้น
การเปลี่ยนแปลงจึงต้องเริ่มจากการออกแบบกระบวนการทำงานใหม่ตั้งแต่ต้นจนจบ (End-to-End Redesign) ให้ทุกฝ่ายทำงานบนข้อมูลที่สอดคล้องกัน มีผู้รับผิดชอบชัดเจน และให้ AI ช่วยประมวลผล วิเคราะห์ข้อมูล และเสนอทางเลือก ขณะที่ผู้บริหารและผู้รับผิดชอบยังเป็นผู้ตัดสินใจในเรื่องสำคัญ โดยพิจารณาจากสถานการณ์และเป้าหมายของธุรกิจ นี่คือสิ่งที่ทำให้ AI-Native Enterprise แตกต่าง เพราะไม่ได้วัดจากการมีเทคโนโลยีมากแค่ไหน แต่วัดจากความสามารถในการทำให้ข้อมูล กระบวนการทำงาน และการตัดสินใจสนับสนุนเป้าหมายทางธุรกิจได้อย่างเป็นระบบ
กลยุทธ์ Start Small, Scale Big: ปรับโครงสร้างองค์กรผ่านโจทย์สำคัญทีละเรื่อง
องค์กรไม่จำเป็นต้องเริ่มจากโครงการขนาดใหญ่ที่ครอบคลุมทั้งบริษัท แต่อาจเริ่มจากกระบวนการสำคัญที่เกี่ยวข้องกับหลายฝ่าย เช่น การจัดซื้อ การวางแผนสินค้าคงคลัง หรือการปิดงบการเงิน แล้วค่อยขยายผลจากการใช้งานจริงตั้งแต่ต้นจนจบ ซึ่งก่อนเริ่มโครงการ ผู้บริหารควรตอบคำถามสำคัญให้ชัดเจนว่า ต้องการเห็นผลลัพธ์อะไร กระบวนการใด ควรได้รับการปรับปรุง และจะใช้ตัวชี้วัดใดในการประเมินความสำเร็จ สิ่งเหล่านี้จะช่วยให้องค์กรไม่หลงไปกับโครงการนำร่องที่ดูประสบความสำเร็จในระยะสั้น แต่ไม่สามารถต่อยอดให้เกิดผลลัพธ์ทางธุรกิจได้จริง
เพื่อให้การเปลี่ยนแปลงไม่จบอยู่ที่การนำเครื่องมือมาใช้ ABeam Consulting จึงได้นำกรอบการออกแบบองค์กรสำหรับยุค AI หรือ AI Native Target Operating Model (AI Native TOM) มาใช้วางภาพรวมของการเปลี่ยนแปลงให้เชื่อมโยงตั้งแต่เป้าหมายทางธุรกิจ โครงสร้างองค์กร วิธีทำงาน ข้อมูล ระบบ ไปจนถึงการกำกับดูแล ซึ่งช่วยให้องค์กรมองเห็นแนวทางการเปลี่ยนผ่านได้ครบทั้งด้านธุรกิจและเทคโนโลยี และสามารถกำหนดได้ว่า AI ควรเข้ามาสนับสนุนการทำงานในจุดใด เพื่อให้เกิดผลลัพธ์ที่วัดได้จริง
เมื่อ AI เข้ามาเปลี่ยนเกม องค์กรต้องก้าวจาก Operations Hub สู่ Decision Hub
ที่ผ่านมา หลายองค์กรสร้างความได้เปรียบจากประสิทธิภาพในการปฏิบัติงาน ความรวดเร็ว และต้นทุนที่แข่งขันได้ แต่ในยุคที่ AI สามารถจัดการงานประจำและงานประมวลผลซ้ำ ๆ ได้อย่างแม่นยำ จุดแข็งเดิมเหล่านี้อาจไม่เพียงพอสำหรับการสร้างคุณค่าในระยะยาว องค์กรจึงต้องเร่งยกระดับบทบาทจาก Operations Hub ไปสู่การเป็น Decision Hub หรือศูนย์กลางการวิเคราะห์และตัดสินใจ โดยใช้ข้อมูลขับเคลื่อนความได้เปรียบเชิงยุทธศาสตร์ และออกแบบวิธีการทำงานใหม่เพื่อสร้างการเติบโตอย่างยั่งยืน
คุณสุปรีดา กล่าวทิ้งทายว่า “โจทย์ในอนาคตอาจไม่ใช่เรื่องที่ว่า องค์กรจะทำงานได้มากแค่ไหน แต่คือหน่วยงานนั้นสามารถช่วยให้ทั้งกลุ่มธุรกิจตัดสินใจได้ดีขึ้น และสร้างคุณค่าใหม่ ๆ ได้อย่างไร องค์กรที่เริ่มปรับบทบาทของตัวเอง ได้ก่อน ย่อมมีโอกาสสร้างความได้เปรียบเชิงกลยุทธ์ได้มากกว่าในระยะยาว” เมื่อ AI กลายเป็นเทคโนโลยีพื้นฐานที่ทุกองค์กรเข้าถึงได้ง่ายขึ้น ความได้เปรียบในการแข่งขันจะไม่ได้อยู่ที่ใครมีเครื่องมือมากกว่า แต่อยู่ที่ใครสามารถใช้ AI เพื่อแก้ข้อจำกัดเชิงโครงสร้าง และปรับวิธีการทำงานให้เติบโตไปพร้อมกับเทคโนโลยีได้ดีกว่า ดังนั้น การเป็น AI-Native Enterprise จึงไม่ใช่เพียงก้าวถัดไปของ Digital Transformation แต่คือ การวางทิศทางใหม่ให้องค์กรปรับบทบาทและยกระดับความสามารถในการแข่งขันได้อย่างต่อเนื่องในระยะยาว