ความตื่นเต้นเกี่ยวกับ AI ระดับองค์กรมีอยู่ไม่ขาดสาย ธุรกิจต่างเปิดตัว Proof of Concept ทำเดโมภายใน และโชว์ความสำเร็จช่วงแรกได้เร็วกว่าที่เคย แต่เมื่อถึงขั้นนำ AI ไปใช้งานจริง เรื่องราวมักเปลี่ยนไป

และนั่นคือจุดที่หลายองค์กรติดขัด

โครงการทดลองอาจแสดงผลลัพธ์ที่น่าพอใจในสภาพแวดล้อมที่ควบคุมได้ อาจถึงขั้นสร้างความประทับใจให้ผู้มีส่วนได้ส่วนเสียจนเกิดแรงขับเคลื่อนจริงๆ แต่การก้าวจากการทดลองที่สำเร็จไปสู่ AI ที่เชื่อถือได้เป็นความท้าทายที่ต่างกันโดยสิ้นเชิง และสำหรับองค์กรส่วนใหญ่ การก้าวกระโดดนี้คือจุดที่ทุกอย่างเริ่มพังทลาย

นี่ไม่ใช่ความล้มเหลวแบบสุ่ม รูปแบบที่บริษัทต่างๆ ทำผิดพลาดซ้ำแบบเดียวกันนั้นคาดการณ์ได้อย่างน่าประหลาดใจ

โครงการทดลอง AI ส่วนใหญ่ล้มเหลวด้วยเหตุผลหลักเดียวกัน: ความพร้อมของข้อมูลที่ไม่เพียงพอ การบริหารการเปลี่ยนแปลงที่อ่อนแอ การตัดสินใจแบบแยกส่วน และความเข้าใจผิดว่าการขยายผลต้องการอะไรจริงๆ หากบริษัทต้องการความสำเร็จกับ AI ในการใช้งานจริงมากขึ้น ต้องเลิกมองว่าการใช้งานจริงเป็นส่วนต่อขยายของโครงการทดลอง และเริ่มมองว่ามันคือโมเดลการดำเนินงานที่แตกต่างโดยสิ้นเชิง

โครงการทดลองสำเร็จ แต่มาปฏิบัติจริงเผยให้เห็นรอยร้าว

เหตุผลที่ชัดเจนที่สุดข้อหนึ่งที่ทำให้โครงการ AI สะดุด คือโครงการทดลองมักถูกสร้างขึ้นภายใต้เงื่อนไขในอุดมคติ

ในโครงการทดลอง ทีมมักทำงานกับข้อมูลที่สะอาดกว่า ขอบเขตการใช้ที่แคบกว่า และการช่วยเหลือแบบเจ้าหน้าที่มากกว่าที่ตัวเองรู้ตัว ข้อมูลอาจถูกคัดเลือกด้วยมือ ย้ายระหว่างระบบด้วยตนเอง หรือถูกทำความสะอาดเบื้องหลังมาบ้าง สิ่งเหล่านี้ทำให้โครงการทดลองราบรื่น แต่ก็สร้างความเป็นจริงอีกเวอร์ชันที่ไม่อาจยืนหยัดได้เมื่อขยายผล

โครงการนำร่องจำนวนมากถูกสร้างขึ้นในสุญญากาศ คุณได้ผลลัพธ์ที่ดีเพราะทำงานกับข้อมูลเวอร์ชันที่ดีที่สุด แต่เมื่อวิธีแก้ไขเจอกับความยุ่งเหยิงของธุรกิจจริง ประสิทธิภาพก็ตกลงทันที

นั่นคือหนึ่งในช่องว่างที่ใหญ่ที่สุดระหว่างเดโมกับ AI ในการใช้งานจริง

ในการใช้งานจริง ข้อมูลไม่สมบูรณ์ ไม่สอดคล้อง แตกกระจาย และเปลี่ยนแปลงตลอดเวลา ระบบต่างๆ ไม่ได้เชื่อมต่อกันอย่างราบรื่นเสมอไป ข้อยกเว้นปรากฏขึ้น เคสพิเศษเพิ่มจำนวน การตัดสินใจของคนเข้ามาอยู่ในรูปแบบการทำงานในแบบที่ไม่เคยถูกบันทึกไว้ในโครงการทดลอง พูดง่ายๆ คือ โลกจริงก็ทำตัวเหมือนโลกจริง

และนั่นสำคัญ เพราะในการใช้งานจริง AI ต้องทำงานได้ภายใต้เงื่อนไขเหล่านั้น ไม่ใช่ในสภาพแวดล้อมทดสอบที่ถูกขัดเกลามาอย่างดี

ความพร้อมของข้อมูลสำหรับ AI ในการใช้งานจริง: บริบทที่หายไป

เมื่อองค์กรได้ยินคำว่า “ปัญหาข้อมูล” มักคิดถึงแค่เรื่องคุณภาพ แต่ปัญหามักกว้างกว่านั้น

บางครั้งข้อมูลก็ไม่มีอยู่ในรูปแบบที่ใช้งานได้เลย ยกตัวอย่างจากรูปแบบงานแบ็กออฟฟิศทั่วไป: นักวิเคราะห์ที่มีประสบการณ์มักจัดหมวดหมู่งานโดยอิงจากสัญญาณที่ตนซึมซับมาตามกาลเวลา สัญญาณเหล่านั้นไม่เคยถูกบันทึกอย่างครบถ้วน ข้อมูลสำคัญไม่ได้หายไปจากฐานข้อมูล แต่หายไปจากองค์ความรู้ของกระบวนการ

นี่คือเหตุผลสำคัญที่ทำให้โครงการ AI สะดุดก่อนไปถึงขั้นการใช้งานจริง

หาก 10 เปอร์เซ็นต์สุดท้ายของการตัดสินใจอยู่แค่ในหัวของใครบางคน โมเดลก็ไม่สามารถทำซ้ำได้อย่างสม่ำเสมอ ก่อนขยายผล AI องค์กรต้องเก็บบันทึกวิจารณญาณ กฎเกณฑ์ และข้อยกเว้นที่พนักงานผู้มีประสบการณ์ใช้ทุกวัน ในหลายกรณี นั่นหมายถึงการบันทึกว่าคนทำงานกันจริงๆ อย่างไร

บางครั้งข้อมูลมีอยู่ แต่กระจายอยู่ในระบบที่ไม่เชื่อมต่อกัน แพลตฟอร์มจองมีเรื่องราวส่วนหนึ่ง CRM มีอีกส่วน ทีมปฏิบัติการเป็นเจ้าของชุดข้อมูลที่สาม ในโครงการทดลอง ทีมอาจเชื่อมช่องว่างเหล่านั้นด้วยมือได้บ้าง แต่การปะติดปะต่อด้วยเจ้าหน้าที่ขยายผลไม่ได้

หากต้องการ AI ที่เชื่อถือได้ในการใช้งานจริง ข้อมูลของคุณต้องเชื่อมต่อกันแบบครบวงจร

องค์กรส่วนใหญ่ประเมินมิติด้านคนของการขยายผลต่ำเกินไป

อีกความผิดพลาดที่พบบ่อยคือการคิดว่าความล้มเหลวในการใช้งานจริงเป็นปัญหาทางเทคนิคล้วนๆ

ซึ่งส่วนใหญ่ไม่ใช่

คุณสามารถทำให้รูปแบบงานบางส่วนเป็นอัตโนมัติได้ แต่ก็ยังมีคนอยู่ทั้งต้นทางและปลายทางของงานนั้น ลูกค้ามีปฏิสัมพันธ์กับประสบการณ์ พนักงานส่งงานเข้าระบบอัตโนมัติและรับผลลัพธ์อีกฝั่ง หากจุดส่งต่อเหล่านั้นออกแบบมาไม่ดี หรือคนไม่เข้าใจว่าทำไมการเปลี่ยนแปลงจึงสำคัญ การนำไปใช้ก็พังลงอย่างรวดเร็ว

นี่คือเหตุผลที่การบริหารการเปลี่ยนแปลงเป็นปัจจัยสำคัญมากในการนำ AI ไปใช้งานจริง

และการบริหารการเปลี่ยนแปลงไม่ใช่แค่การอบรม การแสดงให้พนักงานเห็นว่าต้องคลิกปุ่มไหนหรือปรับใหม่หน้าตาเป็นอย่างไรนั้นไม่พอ คนต้องเข้าใจว่าทำไมกระบวนการใหม่จึงดีกว่า คาดหวังอะไรจากพวกเขา และจะวัดความสำเร็จอย่างไร หากการเปลี่ยนแปลงสร้างความสับสน แรงเสียดทานเพิ่มเติม หรือความเสี่ยงที่รับรู้ได้ ทีมจะกลับไปสู่นิสัยเดิมโดยธรรมชาติ

นี่มักเป็นเหตุผลที่ซ่อนอยู่ว่าทำไมโครงการทดลอง AI “ใช้งานได้” แต่ไม่เคยประสบความสำเร็จจริงในการใช้งานจริง เทคโนโลยีอาจทำงานได้ แต่องค์กรไม่เคยนำมาใช้อย่างเต็มที่

ปัญหา KPI ใหญ่กว่าที่ทีมส่วนใหญ่คิด

โครงการทดลองยังอาจล้มเหลวได้เพราะธุรกิจวัดผลลัพธ์ผิดตัว

ลองนึกภาพบริษัทบัตรเครดิตที่วัดงานบริการลูกค้าด้วยเวลาเฉลี่ยในการให้บริการ ในมุมประสิทธิภาพ สายที่สั้นกว่าย่อมดูดีกว่า แต่หากเป้าหมายใหญ่ของบริษัทคือการเพิ่มการใช้บัตร บทสนทนาที่ยาวขึ้นอีกนิดที่ช่วยให้ลูกค้าเข้าใจสิทธิประโยชน์อาจสร้างมูลค่าทางธุรกิจได้มากกว่ามาก

นี่คือจุดที่ AI ในการใช้งานจริงมักติดกับดัก KPI แบบแยกส่วน

ทีมหนึ่งมุ่งเพิ่มความเร็ว อีกทีมรับผิดชอบรายได้ ทีมที่สามดูแลประสบการณ์ลูกค้า ไม่มีทีมไหนเห็นห่วงโซ่คุณค่าทั้งหมด และแต่ละทีมถูกวัดผลต่างกัน โครงการ AI จึงถูกประเมินด้วยตัวชี้วัดเชิงปฏิบัติการแคบๆ แทนที่จะเป็นผลกระทบทางธุรกิจโดยรวม

นั่นนำไปสู่การตัดสินใจแบบระยะสั้น และยังทำให้พิสูจน์ ROI ยากขึ้นด้วย

ROI ไม่ใช่การคำนวณครั้งเดียวจบ

หลายองค์กรต้องการ Business Case ที่สมบูรณ์ก่อนขยายผล และนั่นเองที่ทำให้พวกเขาช้าลง ประเด็นคือ ROI ของ AI ไม่สามารถสร้างครั้งเดียวแล้วปล่อยทิ้งไว้ได้

มันต้องพัฒนาต่อเนื่อง

เมื่อทีมทดสอบวิธีแก้ไข พวกเขาจะเรียนรู้ว่าอะไรได้ผล อะไรไม่ได้ผล ระบบอัตโนมัติมีประสิทธิภาพตรงไหน และการกำกับดูแลโดยคนยังสำคัญตรงไหน โมเดลอาจทำงานได้ดีกับเคสทั่วไปแต่ทำได้ไม่ดีกับเคสที่ซับซ้อนกว่า การออกแบบรูปแบบงานใหม่อาจสร้างคุณค่าในขั้นตอนหนึ่งแต่ไม่ครอบคลุมทั้งกระบวนการ นั่นหมายความว่าโมเดล ROI ต้องถูกปรับแต่งไปตามการออกแบบที่เปลี่ยนไป

นี่คือการเปลี่ยนกรอบความคิดที่สำคัญยิ่งสำหรับผู้นำที่ต้องการความสำเร็จกับ AI การใช้งานจริงไม่ใช่จุดสิ้นสุดของการทดลอง แต่เป็นจุดเริ่มต้นของการปรับปรุงอย่างต่อเนื่อง

การขยายผล AI คือการยอมรับว่างานไม่มีวันเสร็จจริงๆ

นั่นอาจเป็นความแตกต่างที่ใหญ่ที่สุดระหว่างโครงการทดลองกับ AI ในการใช้งานจริง

โครงการทดลองมีเส้นชัย แต่การใช้งานจริงไม่มี

ในโครงการทดลอง ความสำเร็จมักถูกนิยามด้วยคำถามเดียว: โมเดลใช้งานได้ไหม แต่ในการใช้งานจริง คำถามทวีคูณ: ประสิทธิภาพยังคงที่ตามเวลาหรือไม่ รูปแบบงานเปลี่ยนจริงไหม ผลลัพธ์ดีขึ้นหรือเปล่า เกิดอะไรขึ้นทั้งต้นน้ำและปลายน้ำ มีความเสี่ยงใหม่โผล่มาไหม พนักงานใช้ระบบตามที่ตั้งใจไว้หรือไม่

การนำ AI ไปใช้งานจริงหมายถึงการสร้างเพื่อรองรับการปรับปรุง การติดตามผล การดูแล และความเป็นเจ้าของในการดำเนินงานตั้งแต่วันแรก

พูดอีกอย่างคือ การขยายผลคือพันธะต่อการปรับตัวอย่างต่อเนื่อง

ทางแก้เชิงโครงสร้าง: จัดองค์กรรอบคุณค่า

หากมีการเปลี่ยนแปลงหนึ่งอย่างที่จะเพิ่มโอกาสพา AI จากโครงการทดลองสู่การขยายผลได้อย่างมหาศาล ก็คือสิ่งนี้: องค์กรต้องทำงานข้ามแผนกในแบบที่ต่างออกไป

องค์กรต้องลดการจัดโครงสร้างแนวดิ่งและหันมาเน้นแนวราบมากขึ้น แทนที่จะจัดองค์กรตามฟังก์ชันอย่างการตลาด งานบริการลูกค้า หรือการส่งมอบเพียงอย่างเดียว ต้องจัดองค์กรรอบสายธารคุณค่า (Value Stream) ที่ทำให้ทีมเข้าถึงข้อมูล ตัดสินใจ และบริหารการเปลี่ยนแปลงได้แบบครบวงจร

การเปลี่ยนแปลงนี้จำเป็นอย่างยิ่งสำหรับ AI ในการใช้งานจริง

หากไม่มีสิ่งนี้ ทีมจะเห็นปัญหาแค่เสี้ยวเดียว ปรับแต่งเฉพาะจุด พลาดผลกระทบปลายน้ำ และพิสูจน์คุณค่าระดับองค์กรได้ยาก แต่ด้วยกรอบคิดแบบสายธารคุณค่า การเชื่อมข้อมูลที่ถูกต้อง จัดแนว KPI และสนับสนุนตัวงานทั้งหมดที่ AI ควรช่วยปรับปรุงจะง่ายขึ้น

แพลตฟอร์ม AI ที่สร้างมาเพื่อเงื่อนไขของชีวิตจริง

โครงการทดลอง AI ส่วนใหญ่ไม่ได้ล้มเหลวเพราะเทคโนโลยีบกพร่องโดยเนื้อแท้ แต่ล้มเหลวเพราะองค์กรเข้าใจผิดว่าการทดลองที่ควบคุมได้คือระบบปฏิบัติงานจริง

หากบริษัทต้องการความสำเร็จที่มากขึ้นกับ AI ในการใช้งานจริง ต้องเตรียมพร้อมรับมือข้อมูลที่ยุ่งเหยิง บันทึกวิจารณญาณของคนที่ซ่อนอยู่ ลงทุนกับการบริหารการเปลี่ยนแปลงอย่างแท้จริง จัดแนวตัวชี้วัดให้สอดคล้องกับคุณค่าทางธุรกิจ และปฏิบัติต่อการขยายผลเสมือนวินัยที่ต่อเนื่อง ไม่ใช่งานเปิดตัว

รูปแบบนั้นคาดการณ์ได้ และทางแก้ก็เช่นกัน

และสำหรับผู้นำที่จริงจังกับการนำ AI ไปใช้งานจริง นี่ควรเป็นเรื่องน่ายินดี เพราะเมื่อคุณเข้าใจว่าทำไมโครงการทดลองถึงสะดุด คุณก็เริ่มออกแบบเพื่อสิ่งที่การใช้งานจริงต้องการได้ เส้นทางสู่ AI ในการใช้งานจริงเริ่มจากข้อมูลที่ดีขึ้น ความเป็นเจ้าของที่ชัดเจนขึ้น และรูปแบบงานที่ออกแบบมาเพื่อโลกจริง หากคุณพร้อมนำ AI ที่สร้างมาเพื่อความเป็นจริงไปใช้ มาคุยกัน