หลายองค์กรเริ่มลงทุนกับ AI มากขึ้น แต่การมีเครื่องมือเยอะหรือทดลองหลาย Use Case ยังไม่พอ สิ่งที่ต้องตอบให้ได้คือ AI กำลังช่วยแก้ปัญหาตรงไหนของธุรกิจ และผลลัพธ์ที่ได้คุ้มกับสิ่งที่ลงทุนไปหรือไม่
ประเด็นสำคัญ
- อย่าเริ่มจาก ‘มี AI แล้วจะเอาไปทำอะไร’ ให้เริ่มจาก Bottleneck ของธุรกิจ
- AI ไม่ได้มีไว้แค่ลดต้นทุน แต่สร้างความแตกต่างในราคาที่ถูกลงได้
- ลูกค้าไม่ได้ต้องการ AI เขาต้องการ ‘ผลลัพธ์’
- เลือก Use Case ตรงจุดที่ ‘Impact สูง’ และ ‘AI ทำได้ดี’
- วันนี้ AI ยังทำไม่ได้ ไม่ได้แปลว่าอีกไม่กี่สัปดาห์จะยังทำไม่ได้
- ROI ของ AI อย่าดูแค่ลดคน ต้องนับ ‘ต้นทุนค่าเสียโอกาส’ ที่ได้คืนมาด้วย
- AI Transformation จะไม่เกิด ถ้าผู้นำไม่ได้ลงมา Lead เอง
- จาก ‘ใช้ได้ไหม’ เปลี่ยนเป็น ‘ทำอย่างไรให้ใช้ได้อย่างปลอดภัย’
- AI กำลังเปลี่ยน Workflow ทั้งระบบ
- สำหรับ SME ใช้ AI เพื่อ ‘ทดลองให้เร็วขึ้น’ ก่อน
- Build หรือ Buy ไม่มีคำตอบเดียว
- คนทำงานต้องลองใช้ หัวหน้าทีมต้องหา Use Case และ Leader ต้องลงมือเอง
ดร.ต้า-วิโรจน์ จิรพัฒนกุล Vice President of AI, LINE MAN Wongnai ชวนองค์กรกลับมาเริ่มจากกลยุทธ์ของธุรกิจ หา Bottleneck หรือ ‘คอขวด’ ที่ทำให้ธุรกิจโตช้า แล้วจึงถามต่อว่า AI สามารถเข้าไปแก้ปัญหานั้นได้หรือไม่ เพราะต่อให้เทคโนโลยีทำงานได้ดี หากไปแก้โจทย์ที่ไม่มีผลกับธุรกิจมากพอ ROI (ผลตอบแทนจากการลงทุน) ก็อาจไม่เกิด
จากประสบการณ์ขับเคลื่อน AI ภายใน LINE MAN Wongnai เขามองว่า AI สามารถสร้างผลลัพธ์ให้ธุรกิจผ่าน 3 แกนสำคัญ ตั้งแต่ Automation เพื่อลดต้นทุนและเพิ่มประสิทธิภาพ, Personalization เพื่อยกระดับความสัมพันธ์กับลูกค้า ไปจนถึง Intelligence ที่ช่วยสร้างสินค้า ประสบการณ์ หรือโมเดลธุรกิจรูปแบบใหม่ แต่ทั้งหมดต้องเริ่มจากโจทย์ทางธุรกิจ ไม่ใช่เริ่มจากตัวเทคโนโลยี
อย่าเริ่มจาก ‘มี AI แล้วจะเอาไปทำอะไร’ ให้เริ่มจาก Bottleneck ของธุรกิจ
หนึ่งในกับดักขององค์กรคือซื้อเครื่องมือ AI มาแล้วค่อยหาว่าจะนำไปใช้ตรงไหน ดร.ต้าเสนอให้กลับลำดับความคิด เริ่มจากกลยุทธ์ของธุรกิจคืออะไร จุดอ่อนอยู่ตรงไหน และ Process ใดคือคอขวดที่ทำให้ธุรกิจโตช้าหรือมีต้นทุนสูง แล้วค่อยพิจารณาว่า AI เข้าไปช่วยได้หรือไม่
ใน LINE MAN Wongnai การเลือก Use Case เริ่มจากดูว่า จุดไหนขององค์กรจะสร้างผลกระทบได้มากที่สุด หนึ่งคือ ‘กล้ามเนื้อมัดใหญ่’ หรือส่วนที่ใช้ทรัพยากรจำนวนมาก เช่น Developer ซึ่งมีจำนวนมากในฐานะ Tech Company หาก AI ช่วยให้คนกลุ่มนี้ทำงานได้มีประสิทธิภาพขึ้น 20-30% ก็สร้างผลต่อองค์กรได้ทันที อีกด้านคือการหา Bottleneck ที่ขวางการเติบโต เช่น งาน Operation ที่ยังต้องใช้คนจำนวนมากอย่าง Customer Support เพราะแม้ตัวแพลตฟอร์มจะขยายได้เร็ว แต่งานที่ต้องเพิ่มคนตามจำนวนลูกค้ากลับ Scale ได้ยากกว่า
ดังนั้น เวลาจะเลือกว่าจะนำ AI ไปใช้ตรงไหน องค์กรควรมองทั้ง จุดที่ใช้ทรัพยากรมาก และจุดที่เป็นคอขวดของการเติบโต แล้วค่อยประเมินว่า AI พร้อมเข้ามาช่วยงานนั้นได้ดีแค่ไหน
AI ไม่ได้มีไว้แค่ลดต้นทุน แต่สร้างความแตกต่างในราคาที่ถูกลงได้
ดร.ต้าเสนอแนวคิดว่า AI กำลังเปิดทางให้ธุรกิจทำ ‘Low-cost Differentiation’ หรือสร้างความแตกต่างให้ลูกค้าได้โดยมีต้นทุนต่ำลง ผ่าน 3 Strategic Levers คือ Automation, Personalization และ Intelligence
- Automation ช่วยลดงานซ้ำ เพิ่ม Productivity และลดต้นทุน เช่น ใช้ AI ตรวจเอกสารของร้านค้าหรือไรเดอร์ที่เดิมต้องให้คนเปิดดูทีละหน้า
- Personalization ทำให้ธุรกิจสามารถให้บริการแบบเฉพาะบุคคลกับลูกค้าจำนวนมากได้ เช่น จากเดิมที่ Account Manager ดูแลได้เฉพาะร้านค้ารายใหญ่ AI สามารถช่วยวิเคราะห์ข้อมูลและให้คำแนะนำกับร้านค้ารายเล็กจำนวนมากในระดับที่มนุษย์ไม่สามารถดูแลทีละรายได้
- Intelligence เปิดโอกาสให้สร้างคุณค่าใหม่จากสิ่งที่เดิมทำไม่ได้ เช่น ในธุรกิจการศึกษา AI อาจทำให้การ ‘เฉลยโจทย์’ กลายเป็นสิ่งที่ไม่มีมูลค่าเหมือนเดิม แต่ในอีกด้านก็สามารถสร้างสื่อ Interactive ให้ผู้เรียนปรับตัวแปรและเห็นผลลัพธ์ได้ทันที ทำให้ประสบการณ์การเรียนรู้ดีขึ้นกว่าเดิม
AI จึงไม่ได้มีบทบาทเพียงทำของเดิมให้เร็วขึ้น แต่อาจบังคับให้ธุรกิจกลับมาถามใหม่ว่า Value ที่แท้จริงที่ลูกค้าต้องการจากเราคืออะไร
ลูกค้าไม่ได้ต้องการ AI เขาต้องการ ‘ผลลัพธ์’
หนึ่งในประโยคสำคัญของเวทีคือเมื่อธุรกิจพูดถึง AI มากขึ้น อย่าหลงลืมว่าลูกค้าไม่ได้เข้ามาหาเพราะต้องการเทคโนโลยี แต่ต้องการให้ปัญหาของตัวเองถูกแก้
ดร.ต้ายกตัวอย่างร้านค้าบนแพลตฟอร์มว่า สิ่งที่ร้านค้าต้องการไม่ใช่ AI Assistant แต่คือคำตอบว่า ‘ทำอย่างไรร้านจะขายดีขึ้น’ ดังนั้นความสำเร็จของ AI จึงไม่ควรวัดจากว่ามี Feature ใหม่กี่ตัว หรือพนักงานใช้เครื่องมือกี่คน แต่ต้องย้อนกลับไปดู Business Outcome ว่าเครื่องมือนั้นช่วยให้ยอดขายดีขึ้น ลดต้นทุน เพิ่มคุณภาพงาน หรือสร้างประสบการณ์ที่ดีขึ้นได้จริงหรือไม่
มุมนี้ทำให้การลงทุน AI ต้องขยับจากการวัด Adoption หรือ Productivity อย่างเดียว ไปสู่การวัดผลที่เชื่อมกับธุรกิจโดยตรง
เลือก Use Case ตรงจุดที่ ‘Impact สูง’ และ ‘AI ทำได้ดี’
AI ไม่ได้เก่งทุกงานเท่ากัน แม้บางงานจะทำได้เหนือมนุษย์แล้ว แต่ก็ยังมีงานง่ายๆ บางประเภทที่ AI ทำพลาดได้ ดร.ต้าอธิบายแนวคิด ‘Jagged Frontier’ หรือขอบเขตความสามารถของ AI ที่ไม่ได้ราบเรียบสม่ำเสมอ งานบางอย่างอยู่ในพื้นที่ที่ AI ทำได้ดีมาก ขณะที่งานใกล้เคียงกันบางอย่างอาจยังทำไม่ได้ดี
องค์กรจึงควรเลือก Use Case จากจุดตัดของสองแกน คือ Impact สูงต่อธุรกิจ และ AI มีความสามารถเพียงพอที่จะทำงานนั้นได้ดี เช่น งานตรวจเอกสารซ้ำๆ ที่ใช้คนจำนวนมากและ AI อ่านข้อมูลได้แม่นยำแล้ว เป็นพื้นที่ที่ควร Automate ก่อน
ในทางกลับกัน หากงานมี Impact สูงแต่ AI ยังทำได้ไม่ดี การฝืนใช้ AI อาจสร้าง Double Work เพราะสุดท้ายต้องให้คนเก่งกลับมาตรวจและทำใหม่ทั้งหมด ส่วนงานที่ AI ทำได้ดีมากแต่ช่วยประหยัดเวลาเพียง 2 ชั่วโมงต่อเดือน หากต้องใช้ทีม Developer ลงแรงสร้างระบบมูลค่าหลักแสนก็อาจไม่มีความคุ้มค่า
Use Case ที่ดีจึงต้องตอบทั้ง ‘ทำแล้วสำคัญกับธุรกิจหรือไม่’ และ ‘เทคโนโลยีพร้อมทำหรือยัง’ ไม่ใช่ตอบเพียงข้อใดข้อหนึ่ง
วันนี้ AI ยังทำไม่ได้ ไม่ได้แปลว่าอีกไม่กี่สัปดาห์จะยังทำไม่ได้
ความยากของการวางกลยุทธ์ AI คือขีดความสามารถของเทคโนโลยีเปลี่ยนเร็วมาก สิ่งที่ทดลองแล้วไม่เวิร์กวันนี้ อาจกลายเป็น Use Case ที่ใช้งานได้จริงเมื่อโมเดลรุ่นใหม่ออกมา
LINE MAN Wongnai เคยมีแนวคิดใช้ Voice AI Agent มาตั้งแต่ช่วงแรก แต่เมื่อทดลองแล้วเสียงยังไม่เป็นธรรมชาติและต้นทุนยังไม่คุ้มเมื่อเทียบกับการใช้คนในประเทศไทย บริษัทจึงยังไม่ฝืนใช้ แต่เก็บ Use Case นั้นไว้ เมื่อเทคโนโลยีพัฒนาจนเสียงเป็นธรรมชาติมากขึ้น จึงกลับมาทดลองใหม่ และพบว่าลูกค้าจำนวนมากสามารถคุยกับ AI จนจบโดยไม่ติดใจว่ากำลังคุยกับระบบอัตโนมัติ
ดังนั้นองค์กรไม่จำเป็นต้องแบ่ง Use Case เป็นเพียง ‘ทำ’ หรือ ‘ไม่ทำ’ บางเรื่องสามารถพักไว้ใน ‘รายการที่พักไว้พิจารณาภายหลัง’ และกลับมาทดลองใหม่เมื่อเทคโนโลยีพร้อมกว่าเดิม
ROI ของ AI อย่าดูแค่ลดคน ต้องนับ ‘ต้นทุนค่าเสียโอกาส’ ที่ได้คืนมาด้วย
การประเมินความคุ้มค่าของ AI มักเริ่มจากคำถามว่า ลดจำนวนคนได้เท่าไรหรือประหยัดเวลาพนักงานได้กี่ชั่วโมง ซึ่งเป็นตัวชี้วัดที่ใช้ได้ แต่ไม่เพียงพอ
ดร.ต้ายกกรณี Customer Support ของ LINE MAN Wongnai ซึ่ง AI สามารถทำงานบางส่วนได้แม่นยำกว่าคน เพราะระบบถูกกำหนดให้ปฏิบัติตามเงื่อนไขและขั้นตอนอย่างสม่ำเสมอ ขณะที่พนักงานใหม่อาจยังจำ SOP (ขั้นตอนการปฏิบัติงานมาตรฐาน) ได้ไม่ครบ ผลลัพธ์จึงไม่ได้เกิดขึ้นเพียงจากค่าแรงที่ประหยัดลง แต่รวมถึงคุณภาพการให้บริการและรายได้ที่รักษาไว้ได้
ตัวอย่างหนึ่งคือสัดส่วน Order ที่ถูกยกเลิกหลังติดต่อ Customer Support ลดจากกว่า 50% เหลือราว 30% หลังนำ AI เข้ามาช่วย ซึ่งดร.ต้าชี้ว่าความแตกต่างประมาณ 20 จุดเปอร์เซ็นต์ดังกล่าวคิดเป็นมูลค่ากว่าร้อยล้านบาทต่อปี
นี่คือเหตุผลที่การวัด ROI ของ AI ต้องมองทั้งต้นทุน เวลา Productivity คุณภาพงาน และ Business Opportunity ที่สามารถรักษาหรือสร้างเพิ่มได้ ไม่ใช่แค่ตีมูลค่าจากจำนวนคนที่ลดลงเพียงอย่างเดียว
AI Transformation จะไม่เกิด ถ้าผู้นำไม่ได้ลงมา Lead เอง
อีกปัจจัยที่ดร.ต้าย้ำคือ Top-Down Sponsorship เพราะหาก AI เป็นกลยุทธ์สำคัญของธุรกิจ ผู้นำก็ต้องปฏิบัติกับมันเหมือนกลยุทธ์อื่น ไม่ใช่มอบให้ CTO ทีม IT หรือกลุ่มพนักงานที่สนใจ AI ไปทดลองกันเอง
เขายก LINE MAN Wongnai เป็นตัวอย่างว่า CEO ยังคงเข้าประชุมใน AI Project สำคัญๆ คอยตั้งคำถาม ผลักดัน และช่วยปลดอุปสรรคด้วยตัวเอง เพราะเมื่อผู้นำลงมาอยู่ในกระบวนการ จะทำให้อีก 3 องค์ประกอบเกิดขึ้นตามมา ได้แก่ Empower, Enable และ Experiment
Empower คือให้ทีมเข้าถึงเครื่องมือ AI ที่ดีและมีทีม Technical Support คอยช่วย ไม่ควรคาดหวังว่าพนักงานทุกคนจะกลายเป็น AI Native ด้วยตัวเอง
Enable คือเปลี่ยนฝ่ายที่เกี่ยวข้อง เช่น Compliance หรือ Procurement จากผู้ตั้งคำถามว่า ‘ใช้ได้ไหม’ มาเป็นผู้ช่วยหาคำตอบว่า ‘ทำอย่างไรถึงจะใช้ได้อย่างปลอดภัย’
และ Experiment คือสร้างพื้นที่ให้ลองผิดลองถูก เพราะเทคโนโลยีใหม่ไม่มีทางพิสูจน์ทุกอย่างได้ก่อนลงมือทำจริง
จาก ‘ใช้ได้ไหม’ เปลี่ยนเป็น ‘ทำอย่างไรให้ใช้ได้อย่างปลอดภัย’
ในองค์กรขนาดใหญ่ AI มักติดอยู่ที่ข้อกังวลเรื่องข้อมูล ความปลอดภัย การจัดซื้อ หรือ Compliance ซึ่งเป็นความเสี่ยงที่จำเป็นต้องจัดการ แต่หากทุกฝ่ายเริ่มต้นด้วย Default to No การทดลองก็แทบไม่เกิด
ดร.ต้าเสนอ Default-to-Yes Mindset คือองค์กรยอมรับร่วมกันก่อนว่า AI จะเป็นส่วนหนึ่งของการทำธุรกิจ แล้วเปลี่ยนโจทย์ จากที่ ‘ใช้ได้หรือไม่ได้’ เป็น ‘ต้องออกแบบอย่างไรจึงจะใช้ได้อย่างปลอดภัย’
เช่นหากการเชื่อม AI กับฐานข้อมูลจริงมีความเสี่ยง ทีมเทคนิคอาจสร้างข้อมูลสำเนาและนำข้อมูลสำคัญที่ระบุตัวตนออก เพื่อให้ทีมสามารถทดลองกับโครงสร้างข้อมูลที่ใกล้ของจริงโดยไม่สร้างความเสี่ยงต่อระบบหลัก
บทบาทของฝ่ายควบคุมจึงไม่ควรเป็นเพียงการ Block แต่ต้องกลายเป็นฝ่ายสนับสนุนที่ช่วยให้องค์กรทดลองและเดินหน้าได้ภายใต้ขอบเขตที่ปลอดภัย
AI กำลังเปลี่ยน Workflow ทั้งระบบ
เมื่อ AI ทำงานบางประเภทได้เร็วขึ้นมาก Bottleneck ขององค์กรก็จะเคลื่อนที่ไปยังขั้นตอนถัดไป เช่น หาก Developer ใช้ AI เขียนโค้ดได้เร็วขึ้น 80% แต่กระบวนการ Review Code ยังต้องใช้คนตรวจทีละบรรทัด ผลลัพธ์สุดท้ายอาจไม่ได้เร็วขึ้น 80% เพราะคอขวดเพียงย้ายจากการเขียนโค้ดไปอยู่ที่การตรวจโค้ดแทน ฉะนั้นการใช้ AI ให้ได้ผลจึงต้องมองใหม่ทั้ง Workflow ว่าเมื่อขั้นตอนหนึ่งเร็วขึ้น ขั้นตอนไหนจะกลายเป็นคอขวดถัดไป แล้วออกแบบกระบวนการให้สอดรับกัน
บทบาทของคนก็จะเปลี่ยนตาม เช่น พนักงาน Customer Experience ที่เดิมรับสายลูกค้า อาจขยับมาวิเคราะห์ Case ที่ AI ตอบไม่ได้ แล้วนำความรู้จากประสบการณ์ของตัวเองไปปรับ Prompt ให้ AI ทำงานดีขึ้น ส่วน UX Designer อาจลดเวลาที่ใช้วางรายละเอียดหน้าจอทีละจุด แล้วขยับไปเป็น System Designer ที่กำหนด Design Principle และ Guideline ให้ AI สร้างหลายเวอร์ชันก่อนที่มนุษย์จะเลือกและให้ Feedback
สำหรับ SME ใช้ AI เพื่อ ‘ทดลองให้เร็วขึ้น’ ก่อน
ธุรกิจขนาดเล็กอาจไม่มีงบประมาณหรือทีมเทคโนโลยีขนาดใหญ่ แต่มีข้อได้เปรียบคือสามารถทดลองและเปลี่ยนแปลงได้เร็ว ดร.ต้ามองว่า AI สามารถทำให้วงจรการทดลองทางธุรกิจสั้นลงอย่างมาก
จากเดิมที่ทีมอาจคิด Marketing Campaign ได้ 2 ไอเดียและเลือกทำเพียงหนึ่งเพราะข้อจำกัดด้านเวลา วันนี้ AI สามารถช่วยคิด 5 แนวทาง ผลิตชิ้นงาน และเปิดโอกาสให้ทีมทดลองหลายทางพร้อมกันได้เร็วขึ้น
สิ่งสำคัญคือกล้าลองให้ AI ทำงานจริง มากกว่าตัดสินจากความเชื่อเดิมว่ามนุษย์น่าจะทำได้ดีกว่า เพราะหลายครั้งขีดความสามารถของ AI ในปัจจุบันสูงกว่าสิ่งที่คนในองค์กรเข้าใจ การทดลองจึงเป็นวิธีสร้างความรู้ใหม่ให้ธุรกิจว่า AI เหมาะกับงานของตัวเองตรงไหน
Build หรือ Buy ไม่มีคำตอบเดียว
สำหรับ SME การใช้ AI สร้างเครื่องมือเล็กๆ เพื่อแก้ปัญหาเฉพาะภายในธุรกิจสามารถทำได้ และยังช่วยฝึกให้เจ้าของธุรกิจเข้าใจ Digital Transformation มากขึ้น แต่หากระบบกำลังจะ Scale และรองรับข้อมูลจำนวนมาก Software ที่สร้างขึ้นอย่างง่ายอาจเริ่มมีข้อจำกัด และการดูแลระบบจะซับซ้อนขึ้นตามขนาด ในอีกด้าน การซื้อ Software หรือบริการจากผู้เชี่ยวชาญอาจช่วยให้เริ่มใช้งานได้เร็วและได้ Best Practice ที่ผู้ให้บริการออกแบบไว้แล้ว แต่เมื่อปริมาณการใช้งานสูง ต้นทุนก็อาจเพิ่มขึ้นมาก
ดร.ต้ายกแนวคิด ‘จ่ายค่าเล่าเรียน’ จาก LINE MAN Wongnai ที่เลือกทดลองทั้งการ Build เองและใช้ Vendor ระดับโลก เพื่อเรียนรู้ว่าระบบที่ดีควรมีหน้าตาอย่างไร ก่อนนำความรู้นั้นกลับมาพัฒนาสิ่งที่เหมาะกับองค์กรเอง
การตัดสินใจจึงต้องชั่งน้ำหนักระหว่าง ความเร็ว ต้นทุน ความสามารถในการ Scale และความรู้ที่องค์กรต้องการสร้างขึ้นภายใน
คนทำงานต้องลองใช้ หัวหน้าทีมต้องหา Use Case และ Leader ต้องลงมือเอง
ดร.ต้าแบ่งบทบาทของ AI Transformation ไว้ใน 3 ระดับ
สำหรับคนทำงาน วิธีเตรียมตัวที่ตรงที่สุดคือ ‘ใช้ให้เยอะ’ ลองนำงานที่ทำอยู่ไปผ่าน AI เพื่อเข้าใจว่ามันทำอะไรได้และไม่ได้ เพราะหลายครั้งเราประเมินขีดความสามารถของ AI ต่ำกว่าความเป็นจริง
สำหรับหัวหน้าทีม หน้าที่คือหา ‘กล้ามเนื้อมัดใหญ่’ และ Bottleneck ในทีม เพราะคนที่อยู่กับ Process ทุกวันย่อมรู้ดีที่สุดว่าตรงไหนใช้แรงงานมาก ตรงไหนเสียเวลา และตรงไหนที่ AI น่าจะสร้าง Impact ได้
ส่วนระดับองค์กร ผู้นำต้องเข้าไป Lead การทดลองจริง เลือก Use Case ที่มี Focus และยอมให้เกิดการลองผิดลองถูกโดยไม่จำเป็นต้องหว่านทำทุกโครงการพร้อมกัน เพราะหากเลือกโจทย์ที่มี Impact สูง แม้การทดลองไม่สำเร็จทั้งหมด ต้นทุนของความล้มเหลวก็ยังสามารถมองเป็น ‘ค่าเล่าเรียน’ เพื่อสร้างความรู้ให้กับองค์กรได้
ท้ายที่สุด AI Transformation ไม่ได้วัดกันที่องค์กรมีเครื่องมือมากแค่ไหน แต่อยู่ที่เลือกใช้ AI ได้ถูกจุดหรือไม่ ตั้งแต่หา Bottleneck เลือก Use Case ที่สร้าง Impact เปิดพื้นที่ให้ทดลอง ไปจนถึงออกแบบ Workflow ใหม่ให้ทั้งคนและ AI ทำงานร่วมกันได้จริง
TAGS:
