ความยาวของงานที่ AI ทำสำเร็จได้ เพิ่มขึ้นเป็นสองเท่าทุกราว 7 เดือน เร็วกว่ายุคเซมิคอนดักเตอร์เกือบสามเท่า แต่เมื่อสำรวจการนำ AI ไปใช้ในระบบสาธารณสุขราว 10,000 กรณี กลับมีเพียงราว 20 กรณีที่วัดผลกระทบได้จริง
.
ตัวเลขสองชุดนี้มาจากเวที AI for Business ในงาน AIS ACADEMY for THAIs 2026: MASTERING AI BEYOND BORDERS จัดโดย AIS Academy ที่ Samyan Mitrtown Hall ซึ่งรวมผู้บริหารจาก Google Cloud, Sea (Thailand), AI Singapore, AWS และที่ปรึกษาด้านการวางระบบธุรกิจ ไว้ในช่วงเช้าเดียวกัน แต่ละคนพูดจากคนละมุมของธุรกิจ ตั้งแต่งานวิจัยระดับโลก ห้องประชุมผู้บริหาร ไปจนถึงหลังร้านของธุรกิจขนาดเล็ก และทุกมุมเดินมาชี้ที่ข้อจำกัดเดียวกัน คือไม่ใช่ตัวเทคโนโลยี แต่เป็นโจทย์ที่ตั้ง ความพร้อมของข้อมูล บุคลากร และกระบวนการทำงาน
.
[ข้อจำกัดข้อแรกเริ่มจากวิธีที่เรามอง AI ตั้งแต่ต้น]
.
คุณสรุจ ทิพเสนา Country Manager, Google Cloud ประเทศไทย เปิดหัวข้อ 'ปลดล็อกศักยภาพมนุษย์ด้วย AI' ด้วยการชวนเลิกมอง AI เป็นเครื่องมือ แล้วมองเป็นการเปลี่ยนแปลงของเทคโนโลยีระดับเดียวกับไฟฟ้า เพราะถ้ายังมองเป็นเครื่องมือก็จะใช้ได้แค่ระดับเครื่องมือ ตัวอย่างที่ยกมาคือ AlphaFold ที่ย่นงานวิเคราะห์โครงสร้างโปรตีนจากระดับเป็นปีเหลือสุดสัปดาห์เดียว และ WeatherNext 3 ที่เพิ่มความละเอียดการพยากรณ์อากาศจาก 25 กิโลเมตรเหลือราว 5 กิโลเมตร จนพยากรณ์ได้ในระดับอำเภอ ก่อนสรุปว่าเมื่อชิ้นงานผลิตได้ง่ายขึ้น คุณค่าของคนจะย้ายไปอยู่ที่ทักษะการเล่าเรื่อง การฟัง การประสานงาน และความเข้าอกเข้าใจ ซึ่งเป็นสิ่งที่ AI ทำแทนไม่ได้
.
[เมื่อความสามารถไม่ใช่ปัญหา คำถามจึงย้ายไปอยู่ที่วิธีใช้]
.
Dr. Leslie Teo, Senior Director of AI Products จาก AI Singapore ระบุในเซสชัน The Age of Useful AI: AI Now, AGI Ahead? ว่าระยะห่างระหว่างโมเดลแบบ Open-weight กับโมเดลแบบปิดเหลือเพียงราว 4 เดือน ดังนั้นคำตอบไม่ได้อยู่ที่ตัวโมเดลอีกแล้ว ช่องว่างจริงมีสามเรื่อง คือบริบทของข้อมูล ซึ่งเคยมีข้อมูลจากเอเชียตะวันออกเฉียงใต้เพียงราว 0.5% ของโทเคนทั้งหมด การประเมินผลที่ต้องวัดในระดับกรณีใช้งาน ไม่ใช่แปลเกณฑ์ภาษาอังกฤษมาใช้ และโครงที่ครอบการทำงานของโมเดล ซึ่งในการศึกษากับนักพัฒนาให้ผลดีขึ้นถึง 50% และในห้องเรียนคือความต่างระหว่างนักเรียนที่เรียนรู้ได้จริง กับนักเรียนที่คะแนนตกทันทีเมื่อนำ AI ออก
.
[ช่องว่างเชิงหลักการเหล่านั้น วัดออกมาเป็นตัวเลขทางธุรกิจได้]
.
คุณวัตสัน ถิรภัทรพงศ์ Country Manager, AWS ประเทศไทย เปิดเซสชัน 'ตีแผ่ 5 เคสจริง AI เปลี่ยนธุรกิจ' ด้วยตัวเลข 93% ขององค์กรที่นำ AI ไปใช้แล้วขยายผลต่อไม่ได้ แล้วยกเคสองค์กรไทยที่ข้ามจุดนั้นมาแล้ว บิ๊กซีเปลี่ยนการสั่งซื้อผ่านแชทที่ต้องใช้พนักงาน 18 คนต่อกะ มาเป็นผู้ช่วยที่ตอบคำถามอย่างถามหาวัตถุดิบทำไข่เจียวหมูสับได้ จนมูลค่าต่อตะกร้าเพิ่มเกือบ 10% 7-Eleven คาดการณ์ความต้องการรายสาขากว่าหมื่นแห่ง ลดปัญหาสินค้าขาดชั้นวางได้ 40% พร้อมลดสินค้าคงคลังลงเกือบ 30 ถึง 40% ไทยออยล์รวบรวมองค์ความรู้ 64 ปีเป็นระบบที่ถามได้ ย่นการหาข้อมูลเข้าที่ประชุมจากสองสัปดาห์เหลือ 5 นาที ประหยัดเวลาได้ราว 14,000 ชั่วโมงต่อปีจากผู้ใช้นำร่องเพียง 50 คน และคืนทุนภายในครึ่งปี ส่วน OR ใช้ข้อมูลเชิงพื้นที่ประเมินว่าปั๊มที่จะเปิดใหม่คุ้มทุนเมื่อไร และแสนสิริลดเวลาจัดการใบแจ้งหนี้ 50,000 รายการต่อเดือนลงเกือบครึ่ง
.
[แต่เคสแบบนั้นเกิดขึ้นได้ ก็ต่อเมื่อคนในองค์กรพร้อมก่อน]
.
ดร.ศรุต วานิชพันธุ์ Senior Director, Sea (Thailand) เล่าในเซสชัน 'เติบโตด้วยพลัง AI: Scaling Through Technology with AI' ว่าบริษัทไม่ลงไปเล่นกับคลื่น Metaverse แต่กับ AI ออกเป็นนโยบายชัดเจนว่าทุกคนต้องสร้าง Agent ของตัวเอง โดยซีอีโอเรียกผู้บริหารระดับสูงมาถามทุกสัปดาห์ว่าสัปดาห์นี้สร้างแล้วหรือยัง แล้วไล่ลงไปทุกทีม ควบคู่กับการเปิดรับเครื่องมือจากภายนอกและพัฒนาโมเดลภาษาของภูมิภาคขึ้นเองสำหรับงานอีคอมเมิร์ซ ผลที่ออกมาอยู่ในผลิตภัณฑ์ ตั้งแต่ผู้รักษาประตูที่เป็น AI ในเกม EA Sports FC ซึ่งเซฟลูกได้เพิ่มขึ้น 10 ถึง 20% การพัฒนาตัวละครใหม่ที่ลดจาก 6 เดือนเหลือ 1 ถึง 2 เดือน ไปจนถึงเครื่องมือที่ช่วยผู้ขายรายเล็กบน Shopee สร้างภาพสินค้าได้โดยไม่ต้องมีสตูดิโอ
.
[คำถามที่เหลือคือธุรกิจที่ยังไม่มีทรัพยากรแบบนั้น จะเริ่มจากตรงไหน]
.
คุณพงศธร ธนบดีภัทร ที่ปรึกษาด้านกลยุทธ์องค์กร ปิดช่วงเช้าด้วยหัวข้อ 'AI กับโอกาสใหม่ของ SMEs' โดยยังไม่พูดถึง AI เลยในช่วงแรก และเล่าธุรกิจของตัวเองที่ทำยอดขายปีแรก 30 ล้านบาทแล้วอยู่ที่ตัวเลขนั้นอีกเกือบ 10 ปี ก่อนอธิบายว่าธุรกิจต้องรักษาสมดุลของทรัพยากร กระบวนการ และสมการกำไรไปพร้อมกัน แต่คนไทยมักขยายเฉพาะขาที่ง่ายที่สุดคือเพิ่มคน แล้วสาธิตด้วยโจทย์ร้านกาแฟที่กำลังผลิตติดอยู่ที่ 60 แก้วต่อชั่วโมงเพราะพนักงานคนสุดท้ายต้องเดินไปเปิดตู้เย็นอีกฝั่ง เมื่อย้ายตู้เย็นมาไว้ที่สถานีนั้น กำลังผลิตขึ้นเป็น 80 แก้วต่อชั่วโมง หรือเพิ่ม 33% โดยไม่เพิ่มพนักงาน ไม่เพิ่มงบการตลาด และไม่ซื้อเครื่องใหม่
.
ย้อนกลับไปที่ตัวเลขสองชุดตอนต้น ระยะห่างระหว่างความสามารถที่โตเป็นสองเท่าทุก 7 เดือน กับผลกระทบที่วัดได้เพียง 20 จาก 10,000 กรณี ไม่ได้ปิดด้วยการรอโมเดลรุ่นถัดไป แต่ปิดด้วยการเลือกโจทย์ให้ถูก เตรียมข้อมูลและคนให้พร้อม และรู้ว่าคอขวดของกระบวนการอยู่ที่ใด เพราะหาก AI เป็นตัวคูณอย่างที่ คุณสรุจ ระบุไว้ ผลลัพธ์ย่อมขึ้นอยู่กับสิ่งที่ถูกนำไปคูณเป็นสำคัญ
.
อ่านบทความเต็มได้ที่:
techsauce.co/ai/ais-academy-…