AI กำลังเปลี่ยนโจทย์การแข่งขันขององค์กรจากการทำงานให้เร็วขึ้นไปสู่การทบทวนวิธีดำเนินธุรกิจทั้งหมด แม้เทคโนโลยีจะช่วยลดเวลาทำงานจากหลายชั่วโมงเหลือเพียงไม่กี่วินาที แต่ประสิทธิภาพที่เพิ่มขึ้นไม่ได้หมายความว่ารายได้หรือยอดขายจะเพิ่มขึ้นตามไปด้วย หากองค์กรยังคงใช้กระบวนการเดิมโดยไม่เปลี่ยนวิธีสร้างคุณค่าทางธุรกิจ
Olivier Klein, Executive in Residence at AWS นำเสนอแนวคิดดังกล่าวในการบรรยายหัวข้อ “The AI-First Enterprise: What’s next in Technology and How Organizations must Change to Win” โดยชี้ให้เห็นว่า การเปลี่ยนผ่านสู่ AI-First Enterprise ไม่ได้จำกัดอยู่ที่การนำเครื่องมือใหม่เข้ามาใช้ แต่ครอบคลุมถึงการออกแบบกระบวนการทำงาน โครงสร้างทีม การพัฒนาบุคลากร และระบบเทคโนโลยีที่รองรับการแข่งขันในระยะยาว
เมื่อ AI ทำงานเร็วขึ้น องค์กรต้องเปลี่ยนวิธีสร้างรายได้
ประเด็นสำคัญของการนำ AI มาใช้ไม่ได้อยู่ที่เทคโนโลยีช่วยลดเวลาทำงานได้มากเพียงใด แต่อยู่ที่องค์กรสามารถเปลี่ยนเวลาที่ประหยัดได้ให้เป็นผลลัพธ์ทางธุรกิจหรือไม่ Klein อธิบายปรากฏการณ์ Efficiency Paradox ซึ่งสะท้อนว่า แม้ AI จะทำให้งานที่เคยใช้เวลาหลายชั่วโมงเสร็จได้ภายในไม่กี่วินาที แต่หากเวลาที่เหลือถูกนำไปใช้กับกระบวนการเบื้องหลังแบบเดิม ประสิทธิภาพที่เพิ่มขึ้นก็อาจไม่ได้สร้างรายได้เพิ่มขึ้นตามที่คาดหวัง
ทางออกจึงไม่ใช่เพียงนำ AI มาเร่งขั้นตอนการทำงานที่มีอยู่ แต่ต้อง Re-engineer หรือออกแบบกระบวนการใหม่ตั้งแต่ต้น เพื่อให้ความสามารถของเทคโนโลยีเปลี่ยนวิธีดำเนินธุรกิจได้จริง แนวคิดนี้สอดคล้องกับวิวัฒนาการของการประยุกต์ใช้ AI ที่แบ่งได้เป็น 3 ระดับ เริ่มจาก Personal Productivity ซึ่งช่วยงานส่วนบุคคล เช่น การเขียนอีเมลและสร้างเอกสาร ต่อด้วย Operational Improvements ที่เพิ่มประสิทธิภาพกระบวนการทำงานเดิม และระดับ Redefining Business & AI-First Expectations ซึ่งเป็นการนิยามรูปแบบธุรกิจใหม่
ความเปลี่ยนแปลงในระดับสูงสุดอาจไปถึงวิธีที่ลูกค้าติดต่อกับองค์กร โดยลูกค้าอาจไม่จำเป็นต้องเข้าใช้งานเว็บไซต์หรือแอปพลิเคชันด้วยตนเอง แต่ใช้ AI Agent ของตนสื่อสารกับ AI Agent ขององค์กรแทน เมื่อรูปแบบปฏิสัมพันธ์เปลี่ยนไป องค์กรจึงต้องพิจารณาว่ากระบวนการและบริการที่ออกแบบไว้สำหรับผู้ใช้แบบเดิมยังตอบโจทย์หรือไม่
AI ลดกำแพงทักษะ พร้อมเปลี่ยนโครงสร้างทีม
เมื่อการสื่อสารกับ AI ผ่านภาษาธรรมชาติช่วยให้คนเข้าถึงเครื่องมือที่ซับซ้อนได้มากขึ้น ข้อจำกัดด้านทักษะทางเทคนิคก็เริ่มเปลี่ยนไป บุคลากรในสายงานอย่างฝ่ายขาย การตลาด และ Product Management สามารถใช้เครื่องมือที่เดิมต้องอาศัยความรู้ด้านวิศวกรรมได้ โดยไม่จำเป็นต้องมีทักษะการเขียนโปรแกรมในระดับเดียวกับผู้เชี่ยวชาญทุกครั้ง
ตัวอย่างหนึ่งคือการใช้ Model Context Protocol (MCP) เชื่อม AI เข้ากับซอฟต์แวร์ Blender เพื่อให้ผู้ที่ไม่มีพื้นฐานด้านการออกแบบสามมิติสามารถสร้างชิ้นงาน 3D ผ่านคำสั่งภาษาธรรมชาติได้โดยตรง ความสามารถดังกล่าวสะท้อนการลดช่องว่างระหว่างผู้ที่มีทักษะทางเทคนิคกับบุคลากรในสายงานอื่น และเปิดทางให้คนเข้ามามีส่วนร่วมกับงานที่ก่อนหน้านี้อาจอยู่นอกขอบเขตความสามารถของตน
เมื่อความสามารถในการทำงานซับซ้อนเข้าถึงคนได้กว้างขึ้น วิธีจัดทีมก็ต้องเปลี่ยนตาม Klein กล่าวถึงการปรับจากแนวคิด Two-Pizza Teams ซึ่งมีสมาชิกประมาณ 6–10 คน ไปสู่ทีมขนาดเล็กลง เช่น One-Pizza หรือ Two-Slice Teams ที่เน้นภารกิจเฉพาะ มีรอบการทำงานสั้นลงในระดับวันหรือชั่วโมง และลดขั้นตอนที่ไม่จำเป็น ทิศทางนี้ชี้ให้เห็นว่าองค์กรต้องพิจารณาโครงสร้างทีมจากภารกิจและความคล่องตัว มากกว่ายึดติดกับรูปแบบการแบ่งงานแบบเดิม
กับดักลดคนด้วย AI อาจกระทบการสร้างผู้บริหารในอนาคต
การที่ AI Agent สามารถรับผิดชอบงานพื้นฐานบางประเภทได้ ทำให้องค์กรบางแห่งเลือกตัดตำแหน่ง Junior โดยคาดหวังว่าจะเพิ่มประสิทธิภาพการทำงาน แต่การตัดตำแหน่งระดับต้นอาจมีผลต่อเส้นทางการพัฒนาบุคลากร เพราะงานพื้นฐานเป็นส่วนหนึ่งของกระบวนการสะสมประสบการณ์ก่อนเติบโตไปสู่บทบาทที่มีความรับผิดชอบสูงขึ้น
หากองค์กรลดโอกาสการเรียนรู้ของบุคลากรรุ่นใหม่มากเกินไป ก็อาจส่งผลต่อการสร้างผู้บริหารรุ่นถัดไปในระยะยาว ประเด็นนี้ทำให้การใช้ AI ทดแทนงานไม่ควรถูกพิจารณาเฉพาะประสิทธิภาพที่เกิดขึ้นในปัจจุบัน แต่ต้องคำนึงถึงความสามารถขององค์กรในการพัฒนาคนให้เติบโตไปพร้อมกับการเปลี่ยนแปลงทางเทคโนโลยีด้วย
แนวคิด Continuous Learning จึงมีความสำคัญต่อทั้งบุคลากรและองค์กร โดย Klein เน้นการเรียนรู้และการละทิ้งความรู้เดิม หรือ Learn & Unlearn ควบคู่กับ Curiosity หรือความอยากรู้อยากเห็น เพื่อให้คนพร้อมเรียนรู้สิ่งใหม่และปรับเปลี่ยนวิธีคิดเมื่อสถานการณ์เปลี่ยนไป ในยุคที่ AI พัฒนาอย่างรวดเร็ว ความสามารถในการปรับตัวจึงต้องเดินหน้าไปพร้อมกับการนำเทคโนโลยีมาใช้
เมื่อโมเดล AI ใกล้เคียงกัน การเชื่อมต่อระบบคือโจทย์สำคัญ
นอกเหนือจากการเปลี่ยนวิธีทำงานและพัฒนาบุคลากร องค์กรยังต้องทบทวนแนวทางเลือกใช้เทคโนโลยี เมื่อประสิทธิภาพของ Foundational Models ระดับแนวหน้าเริ่มมีความใกล้เคียงกันมากขึ้น Klein มองว่าองค์กรไม่จำเป็นต้องยึดติดกับโมเดลใดโมเดลหนึ่ง แต่ควรให้ความสำคัญกับความยืดหยุ่นของโครงสร้างพื้นฐานและความสามารถในการเชื่อมต่อ AI เข้ากับระบบงานที่มีอยู่
MCP ทำหน้าที่เชื่อมต่อโมเดล AI กับซอฟต์แวร์และฐานข้อมูลต่าง ๆ โดยเปรียบได้กับ USB-C หรือ Bluetooth ที่ช่วยให้ระบบต่าง ๆ ติดต่อกันได้ การเชื่อมต่อดังกล่าวช่วยให้ AI สามารถทำงานร่วมกับเครื่องมือเฉพาะทางและระบบขององค์กร แทนที่จะจำกัดการใช้งานอยู่เพียงการถามตอบหรือสร้างเนื้อหาแยกส่วน
อย่างไรก็ตาม การเชื่อมต่อระบบไม่ได้หมายความว่า AI Agent จะทำงานได้อย่างถูกต้องโดยอัตโนมัติ องค์กรจำเป็นต้องสร้าง AI Harness เพื่อกำหนดขอบเขตการเรียกใช้เครื่องมือ กฎเกณฑ์การคิด และบริบทความทรงจำ พร้อมตรวจสอบคุณภาพด้วย Continuous Benchmarking ผ่านชุดทดสอบและการประเมินโดยมนุษย์ เพื่อพิจารณาว่าผลลัพธ์มีความถูกต้องและสอดคล้องกับเป้าหมายที่กำหนดหรือไม่
เมื่อโมเดล AI มีความสามารถใกล้เคียงกัน ความได้เปรียบจึงไม่ได้ขึ้นอยู่กับการเลือกโมเดลเพียงอย่างเดียว แต่ยังมาจากทรัพยากรที่องค์กรมีอยู่ Klein ระบุถึงปัจจัยสำคัญ ได้แก่ Proprietary Data เครือข่าย โครงสร้างพื้นฐานจริง และทุน ซึ่งเป็นองค์ประกอบที่องค์กรต้องพิจารณาร่วมกับความสามารถของ AI ในการสร้างความแตกต่างทางธุรกิจ
ผู้นำต้องวัดผลที่ความสามารถ ไม่ใช่ปริมาณการใช้ AI
การเปลี่ยนผ่านสู่ AI-First Enterprise ไม่อาจเกิดขึ้นได้ด้วยการปรับเทคโนโลยีเพียงด้านเดียว เพราะวิธีบริหารคนและวัฒนธรรมองค์กรเป็นอีกส่วนที่กำหนดว่า AI จะสร้างผลลัพธ์ได้จริงหรือไม่ Klein ชี้ว่าผู้นำไม่ควรมุ่งวัดเพียงจำนวนครั้งหรือปริมาณการใช้เครื่องมือ AI ของพนักงาน แต่ควรพิจารณาผลลัพธ์และความสามารถในการแก้ปัญหาเป็นสำคัญ
หลักคิดนี้เชื่อมโยงกับแนวทาง Thinking, Not Just Tools ซึ่งให้ความสำคัญกับการพัฒนากระบวนการคิดมากกว่าการฝึกใช้เครื่องมือเฉพาะ เพราะเทคโนโลยีเปลี่ยนแปลงได้ตลอดเวลา ขณะที่ความสามารถในการคิด เรียนรู้ และปรับตัวช่วยให้บุคลากรรับมือกับเครื่องมือและโจทย์ใหม่ ๆ ได้ต่อเนื่อง
ท้ายที่สุด การก้าวสู่ AI-First Enterprise จึงเป็นการเปลี่ยนแปลงที่เชื่อมโยงตั้งแต่วิธีสร้างคุณค่าทางธุรกิจและการจัดทีม ไปจนถึงการพัฒนาคน ระบบเทคโนโลยี และวิธีวัดผลขององค์กร โดยโจทย์ไม่ได้จบที่การนำ AI มาใช้ แต่คือการออกแบบให้องค์ประกอบทั้งหมดทำงานร่วมกัน เพื่อให้ความสามารถของ AI นำไปสู่ผลลัพธ์ที่สอดคล้องกับเป้าหมายทางธุรกิจ
ข่าวอื่น ๆ ที่น่าสนใจ
ซีพีเปิดพื้นที่ทดลองนวัตกรรมร่วม 30 พันธมิตร – ลงนาม MOU ดึงนักวิจัยมหาวิทยาลัยทำงานกับภาคอุตสาหกรรม
ซิกเว่ชี้ AI-First ต้องเปลี่ยนทั้งองค์กร ทรูรื้อกระบวนการทำงาน-พัฒนาคนรับเศรษฐกิจยุค AI
