รายงาน Data Streaming ประจำปี 2569 ของคอนฟลูเอนท์ (Confluent) ซึ่งสำรวจความคิดเห็นผู้นำด้านไอทีจำนวน 4,625 คน ใน 14 ประเทศทั่วโลก ระบุตัวเลขที่ชวนให้ตั้งคำถาม ผู้นำไอทีไทยถึง 93% จัดให้ Data Streaming เป็นเทคโนโลยีอันดับหนึ่งในการลงทุน สูงกว่าค่าเฉลี่ยผู้นำไอทีทั่วโลกที่ให้ความสำคัญกับประเด็นนี้ในสัดส่วน 88% และ 97% ของผู้นำไอทีไทยยังเชื่อว่าเทคโนโลยีนี้จะช่วยเพิ่มผลตอบแทนจากการลงทุนด้าน AI และเร่งการนำ AI ไปใช้งานในองค์กร ตัวเลขทั้งสองบ่งบอกว่าไทยเป็นหนึ่งในประเทศที่เชื่อมั่นใน Data Streaming มากที่สุดในบรรดาประเทศที่ทำการสำรวจ
แต่ในหน้าถัดไปของรายงานฉบับเดียวกัน ตัวเลขกลับเล่าเรื่องอีกด้านหนึ่ง ผู้นำไอทีไทยกว่า 84% ต้องเผชิญกับอุปสรรคสำคัญอย่างน้อย 3 ประการในการนำ AI ไปใช้งานจริง ซึ่งเป็นสัดส่วนสูงที่สุดเมื่อเทียบกับทุกประเทศที่ทำการสำรวจ องค์กรไทยเชื่อมั่นในเทคโนโลยีนี้มากกว่าใคร แต่ก็สะดุดกับมันมากกว่าใครเช่นกัน
ปัญหาไม่ได้อยู่ที่โมเดล แต่อยู่ที่ข้อมูล
แอนดรูว์ เซลเลอร์ส รองประธานฝ่ายกลยุทธ์และการสนับสนุนด้านเทคโนโลยี ของคอนฟลูเอนท์ เปิดประเด็นด้วยการย้อนภาพรวมของวงการ AI ตลอด 20 ปีที่ผ่านมา ข้อจำกัดหลักของการพัฒนา AI คือขีดความสามารถของตัวโมเดล องค์กรต่างมุ่งหาโมเดลที่ฉลาดขึ้น เร็วขึ้น แม่นยำขึ้น แต่วันนี้สถานการณ์เปลี่ยนไปแล้ว โมเดลมีประสิทธิภาพเพียงพอต่อการใช้งานในระดับองค์กรแล้ว ปัญหาที่แท้จริงจึงย้ายไปอยู่ที่อีกจุดหนึ่งของระบบ นั่นคือช่องโหว่ด้านข้อมูลและบริบท หรือที่เรียกว่า AI Context Gap
“AI จะทำงานได้อย่างมีประสิทธิภาพก็ต่อเมื่อมีข้อมูลแบบเรียลไทม์รองรับ” คุณแอนดรูว์กล่าว ก่อนจะยกตัวอย่างประกอบให้เห็นภาพ แชทบอทของสายการบินจะช่วยหาเที่ยวบินทดแทนให้ผู้โดยสารได้ก็ต่อเมื่อรู้ตารางบินแบบเรียลไทม์ ระบบแนะนำภาพยนตร์ของ Netflix ทำงานได้ดีก็เพราะรู้ประวัติการรับชมที่อัปเดตทันที และระบบแจ้งเตือนเชิงป้องกันในโรงงานจะเตือนล่วงหน้าได้ก็ต่อเมื่อมีข้อมูลจากเซ็นเซอร์ตรวจจับน้ำรั่วส่งเข้ามาอย่างต่อเนื่อง ไม่ใช่ข้อมูลของเมื่อวาน
ตัวเลขจากรายงานฉบับเดียวกันสนับสนุนคำอธิบายนี้ได้ชัดเจน อุปสรรคสำคัญ 3 อันดับแรกที่ผู้นำไอทีไทยระบุว่าเผชิญในการนำ AI ไปใช้งาน ได้แก่ โครงสร้างพื้นฐานที่ไม่รองรับการประมวลผลข้อมูลแบบเรียลไทม์ ซึ่งมีสัดส่วนถึง 83% ความไม่ชัดเจนเกี่ยวกับแหล่งที่มาและความสดใหม่ของข้อมูล 80% และปัญหาการจัดเก็บข้อมูลแบบแยกส่วนโดยไม่มีผู้ดูแลส่วนกลาง 79% ทั้งสามตัวเลขสูงกว่าค่าเฉลี่ยทั่วโลกซึ่งอยู่ที่ 72%, 66% และ 65% ตามลำดับ นั่นหมายความว่าปัญหาที่องค์กรไทยเจอไม่ใช่เรื่องแปลกใหม่ แต่รุนแรงกว่าค่าเฉลี่ยโลกอย่างชัดเจน
“องค์กรส่วนใหญ่ยังคงพึ่งพาระบบประมวลผลแบบ Batch อยู่มาก ซึ่งไม่รองรับความต้องการของ AI ที่จำเป็นต้องใช้ข้อมูลเรียลไทม์ และผู้บริหารไทยถึง 83% เห็นตรงกันว่านี่คือปัญหาหลัก”
เคนนี่ ชิน ผู้อำนวยการภูมิภาคเอเชียตะวันออกเฉียงใต้ เสริมมุมมองจากประสบการณ์ตรง โดยอ้างอิงข้อมูลจากการจัดสัมมนากลุ่มผู้บริหาร หรือ Executive Roundtable ที่คอนฟลูเอนท์จัดขึ้นในเดือนก่อนหน้า ผลจากการพูดคุยกับผู้บริหารในวงนั้นชี้ไปทางเดียวกันว่า ความล้มเหลวของโปรเจกต์ AI ระดับพื้นฐานในหลายองค์กรมีสาเหตุหลักมาจากการขาดธรรมาภิบาลข้อมูล หรือ Data Governance “หากข้อมูลนำเข้าไม่สะอาดและไม่ถูกต้อง AI ก็จะไม่ประสบความสำเร็จ”
มุมมองนี้สอดคล้องกับความเห็นของผู้บริหารระดับโลกของคอนฟลูเอนท์เช่นกัน ชอน โคลว์ส (Shaun Clowes) ประธานเจ้าหน้าที่ฝ่ายผลิตภัณฑ์ หรือ Chief Product Officer ของคอนฟลูเอนท์ ระบุไว้ในรายงานฉบับเดียวกันว่า ปัจจัยที่เป็นอุปสรรคต่อความสำเร็จของ AI ในองค์กรส่วนใหญ่ไม่ได้อยู่ที่ระดับเงินลงทุน แต่อยู่ที่ความพร้อมของข้อมูล เนื่องจาก AI ต้องอาศัยข้อมูลที่ถูกต้อง สดใหม่ และมีบริบทประกอบการตัดสินใจ
เมื่อพื้นฐานไม่พร้อม Agentic AI จึงเดินหน้าได้ช้า
ผลกระทบของปัญหาโครงสร้างพื้นฐานไม่ได้หยุดอยู่แค่ AI ในภาพรวม แต่ลามไปถึงการนำ Agentic AI หรือ AI ที่ทำงานและตัดสินใจแทนมนุษย์ได้โดยอัตโนมัติมาใช้งานด้วย ผู้นำไอทีไทยถึง 81% (สูงที่สุดจากการสำรวจ) ระบุว่าปัญหาด้านโครงสร้างพื้นฐานและคุณภาพข้อมูลเป็นอุปสรรคสำคัญต่อการนำ Agentic AI มาใช้งาน ในขณะที่ค่าเฉลี่ยทั่วโลกอยู่ที่ 66% ขณะที่มีเพียง 32% ทั่วโลกเท่านั้นที่รายงานว่านำ Agentic AI ไปใช้ในระบบการทำงานจริงแล้ว และองค์กรส่วนใหญ่ยังคงเผชิญกับความล่าช้าในการดำเนินโครงการ
ท่ามกลางตัวเลขที่ดูไม่สู้ดีนัก ประเทศไทยกลับมีจุดที่โดดเด่นออกมา องค์กรไทยถึง 39% สามารถนำ Agentic AI ไปใช้ในระบบการทำงานได้แล้ว ซึ่งทำให้ไทยยังคงเป็นหนึ่งในประเทศที่มีความก้าวหน้าด้านนี้ แม้จะเผชิญอุปสรรคโครงสร้างพื้นฐานสูงกว่าค่าเฉลี่ยโลกก็ตาม
“องค์กรไทยที่นำ Agentic AI ไปใช้แล้วนั้น นำไปใช้ในแผนกใดเป็นหลัก ซึ่งยังไม่มีข้อมูลเจาะจงเฉพาะของไทยในประเด็นนี้ แต่เทรนด์ระดับโลกชี้ว่าสายงานที่ให้ผลตอบแทนจากการลงทุนดีที่สุดคือฝ่ายวิศวกรรม การตลาด และฝ่ายปฏิบัติการ” คุณแอนดรูว์กล่าว
คุณแอนดรูว์ยังอธิบายถึงข้อจำกัดเชิงเทคนิคอีกชั้นหนึ่งที่หลายองค์กรยังไม่ทันตั้งตัว นั่นคือข้อจำกัดของมาตรฐาน MCP หรือ Model Context Protocol ซึ่งใช้เชื่อมต่อโมเดลกับข้อมูลภายนอก เขาชี้ว่าการเชื่อมต่อแบบจุดต่อจุดผ่าน MCP ในระยะยาวจะขยายขนาดได้ยาก โดยเฉพาะเมื่อองค์กรมีระบบและแหล่งข้อมูลจำนวนมากขึ้นเรื่อย ๆ ทางออกจึงต้องอาศัยระบบศูนย์กลางอย่าง Real-time Data Layer เข้ามาทำหน้าที่แทน ยิ่งในช่วงเปลี่ยนผ่านที่องค์กรต่าง ๆ กำลังขยับจากการทำวิศวกรรมคำสั่งแบบถาม-ตอบเป็นรอบ ไปสู่ AI ที่ต้องการข้อมูลบริบทอัปเดตต่อเนื่องตลอดเวลา ความจำเป็นของศูนย์กลางข้อมูลเช่นนี้ก็ยิ่งชัดเจนขึ้น
3 ขั้นตอนที่คอนฟลูเอนท์แนะนำสำหรับองค์กรที่ไปต่อ
คุณเคนนี่กล่าวว่า องค์กรในไทยได้ก้าวข้ามขีดจำกัดจากการทดลอง หรือ POC มาสู่ยุคของการนำ AI ไปใช้ปฏิบัติงานให้เกิดผลจริงแล้ว คำถามจึงไม่ใช่ว่าจะเริ่มต้นอย่างไร แต่เป็นว่าจะไปต่ออย่างไรให้ไม่สะดุด เขาเสนอแนวทาง 3 ขั้นตอนไว้เป็นกรอบให้ผู้ฟังนำไปปรับใช้
ขั้นตอนแรก คือ การย้ายจากการประมวลผลแบบ Batch มาเป็น Data Streaming เพื่อให้องค์กรสามารถประมวลผลข้อมูลได้แบบเรียลไทม์ ขั้นตอนที่สอง คือ การใช้ศูนย์กลางข้อมูลแบบ Real-time Data Layer ร่วมกันทั้งองค์กร แทนการเชื่อมต่อระบบต่าง ๆ แบบจุดต่อจุดซึ่งขยายขนาดได้ยากดังที่กล่าวไปข้างต้น และขั้นตอนที่สาม คือ การให้ความสำคัญกับธรรมาภิบาลข้อมูล เพื่อให้มั่นใจว่าข้อมูลที่ป้อนเข้าสู่ระบบ AI เป็นข้อมูลที่สะอาดและวางใจได้ตั้งแต่ต้นทาง
แนวทางทั้ง 3 สอดคล้องกับผลสำรวจในรายงานที่พบว่า ผู้นำไอทีทั่วโลก 88% จัดให้ Data Streaming เป็นหนึ่งในการลงทุนที่สำคัญ แต่สำหรับประเทศไทย สัดส่วนนี้พุ่งสูงถึง 93% ซึ่งสูงกว่าสัดส่วนที่ให้ความสำคัญกับเทคโนโลยี AI และ Machine Learning โดยตรงซึ่งอยู่ที่ 91% นั่นหมายความว่าในสายตาของผู้นำไอทีไทยจำนวนมาก การลงทุนในโครงสร้างพื้นฐานข้อมูลมีน้ำหนักมากกว่าการลงทุนในตัวโมเดล AI เองเสียอีก
ความปลอดภัยของข้อมูลส่วนบุคคลบนแพลตฟอร์ม Data Streaming แอนดรูว์ยืนยันว่าแพลตฟอร์มของคอนฟลูเอนท์มีระบบป้องกันที่ครอบคลุมอยู่แล้ว ทั้งการกำหนดสิทธิ์การเข้าถึงข้อมูลผ่าน Access Control List การเข้ารหัสข้อมูล และการแยกกักเก็บข้อมูลหรือ Data Isolation โดยองค์กรไม่จำเป็นต้องสร้างระบบรักษาความปลอดภัยพื้นฐานขึ้นมาใหม่ด้วยตนเองทั้งหมด
จากห้องประชุมสู่หน้างานจริง
คำถามที่ตามมา คืออุตสาหกรรมใดเห็นผลตอบแทนจากการลงทุนชัดเจนที่สุด คุณแอนดรูว์ยกตัวอย่างสามกลุ่มหลัก ได้แก่ การพัฒนาซอฟต์แวร์ การคิดค้นยาใหม่ และโลจิสติกส์ระดับโลก ส่วนเคนนี่เสริมว่าระบบสนับสนุนลูกค้าอย่าง Chatbot ก็เป็นอีกกรณีที่เห็นผลได้ดีไม่แพ้กัน เขายกตัวอย่างธนาคารดิจิทัลแห่งหนึ่งในสิงคโปร์ที่ใช้ AI วิเคราะห์อารมณ์ของลูกค้าระหว่างการสนทนา และส่งต่อให้เจ้าหน้าที่เข้ามาดูแลทันทีหากตรวจพบอารมณ์เชิงลบ
“การเริ่มต้นใช้ AI ในงานที่มีความเสี่ยงต่ำ จะช่วยให้องค์กรเห็นผลลัพธ์ที่ชัดเจนก่อนขยายผลไปยังงานอื่น” คุณเคนนี่กล่าว ขณะที่คุณแอนดรูว์เสริมว่า กรณีที่เห็นได้ชัดคือระบบตรวจจับการฉ้อโกงในสถาบันการเงิน
ระยะเวลาคืนทุนเป็นอีกคำถามที่ผู้บริหารในห้องประชุมให้ความสนใจ คุณแอนดรูว์อธิบายว่า องค์กรที่มีการจัดการข้อมูลที่ดีอยู่แล้ว เช่น สถาบันการเงินที่ต้องการตรวจจับการฟอกเงิน อาจเห็นผลตอบแทนจากการลงทุนได้เร็วภายใน 90 วัน แต่หากองค์กรต้องเริ่มสร้างโครงสร้างพื้นฐานด้านข้อมูลขึ้นมาใหม่ทั้งหมด ระยะเวลาดังกล่าวย่อมยืดออกไปมากกว่านั้น
คุณแอนดรูว์ระบุว่า ปัจจุบันโมเดลเริ่มรองรับข้อมูลที่ไม่มีโครงสร้าง หรือ Unstructured Data ได้บ้างแล้ว แต่การใช้งานหลักขององค์กรส่วนใหญ่ในเวลานี้ยังคงเป็นข้อความเป็นหลัก เขาคาดว่าในอนาคตจะมีสถาปัตยกรรมที่ช่วยให้โมเดลประมวลผลภาพและวิดีโอได้อย่างมีประสิทธิภาพมากขึ้น
“ในฝั่งสหรัฐอเมริกายังไม่เห็นการใช้งานลักษณะนั้นอย่างแพร่หลาย สิ่งที่เห็นชัดเจนกว่าคือการใช้ Data Streaming เข้ามาจัดการข้อมูลในหุ่นยนต์อัตโนมัติสำหรับอุตสาหกรรมการผลิต” เขายกตัวอย่างกลุ่มผู้ผลิตรถยนต์ในยุโรปที่นำเทคโนโลยีนี้มาใช้ควบคุมคุณภาพการผลิตผ่านข้อมูลจากเซ็นเซอร์แบบต่อเนื่อง
หยุดสร้างโมเดล หันมาสร้างฐานข้อมูล
เมื่อองค์กรมีงบลงทุนด้าน AI จำกัด ควรจัดสรรไปทางไหนก่อน คุณแอนดรูว์ชี้ว่า สำหรับองค์กรส่วนใหญ่ไม่ควรลงทุนสร้างโมเดล AI ของตัวเองเพิ่มเติมในเวลานี้ เนื่องจากบริษัทผู้พัฒนาโมเดลรายใหญ่ทำหน้าที่นี้ได้ดีอยู่แล้ว สิ่งที่องค์กรควรเร่งลงทุนกลับเป็นโครงสร้างพื้นฐานด้านข้อมูล เพื่อให้พร้อมนำโมเดลเหล่านั้นมาใช้งานได้ทันทีเมื่อถึงเวลา
“โมเดล LLM ในปัจจุบันได้เรียนรู้ข้อมูลสาธารณะบนอินเทอร์เน็ตไปแทบจะหมดแล้ว พรมแดนต่อไปที่แท้จริงคือข้อมูลภายในองค์กร องค์กรใดที่สามารถนำข้อมูลภายในมาใช้ร่วมกับ LLM ได้อย่างมีประสิทธิภาพสูงสุด จะเป็นผู้ที่ได้เปรียบ”
เขาสรุปว่า โครงสร้างพื้นฐานแบบเรียลไทม์ช่วยให้ธุรกิจตัดสินใจได้เร็วขึ้น ขณะที่ธรรมาภิบาลข้อมูลช่วยให้สามารถนำข้อมูลกลับมาใช้ซ้ำได้ ทั้งสองส่วนมีความสำคัญเท่าเทียมกัน แต่การเริ่มต้นทำให้ข้อมูลนำกลับมาใช้ซ้ำได้ก่อน จะเป็นจุดเริ่มต้นที่คุ้มค่าที่สุดสำหรับธุรกิจ
คุณเคนนี่ยืนยันว่า คอนฟลูเอนท์ได้กลายเป็นส่วนหนึ่งของกลุ่มธุรกิจ Data and AI ของไอบีเอ็ม หรือ IBM แล้ว โดยประสบการณ์และบริการที่ลูกค้าเคยได้รับจะยังคงเดิมทุกประการ มีเพียงเอกสารสัญญาที่เปลี่ยนไปอยู่ภายใต้ไอบีเอ็มเท่านั้น แอนดรูว์เสริมว่าไอบีเอ็มจะยังคงสนับสนุนระบบมาตรฐานเปิดอย่าง Kafka, Flink และ Iceberg ต่อไปอย่างเต็มที่ โดยจะไม่บังคับให้ลูกค้าต้องผูกติดกับบริการเฉพาะของระบบใดระบบหนึ่ง
ตัวเลขจากรายงานครั้งนี้ต่างสะท้อนภาพเดียวกัน ความพร้อมด้าน AI ขององค์กรไทยไม่ได้ขึ้นอยู่กับการมีโมเดลที่ดีที่สุดอีกต่อไป แต่ขึ้นอยู่กับว่าองค์กรมีข้อมูลที่สะอาด ทันเวลา และเข้าถึงได้หรือไม่ คำถามสำหรับผู้บริหารไทยในปีนี้จึงอาจไม่ใช่ว่าจะลงทุนใน AI หรือไม่ แต่เป็นว่าจะจัดวางโครงสร้างพื้นฐานด้านข้อมูลอย่างไร ให้พร้อมรองรับ AI ที่กำลังเข้ามาเป็นส่วนหนึ่งของการทำงานประจำวัน
ข่าวอื่น ๆ ที่น่าสนใจ
ยุทธศาสตร์ทรู คอร์ปอเรชั่น: เมื่อ AI คือรากฐานความอยู่รอดประเทศและแรงงานไทย
LINE ชี้ ‘The Next Interface’ อนาคต AI Agent ต้องเข้าใจบริบทลดความผิดพลาดองค์กร
