ปัจจุบันแทบไม่มีองค์กรไหนไม่พูดถึง AI คำถามสำคัญวันนี้ไม่ใช่ว่าองค์กรมี AI หรือยัง แต่คือ AI ที่ลงทุนไปสร้าง Business Value ได้จริงแค่ไหน
หลายองค์กรมี AI Pilot กระจายอยู่ในหลายหน่วยงาน ตั้งแต่ HR การเงิน ไปจนถึงการตลาด แต่ความท้าทายที่แท้จริงคือ จะขยับจากการทดลองในแต่ละจุด ไปสู่การใช้งานระดับองค์กร และเชื่อม AI เข้ากับเป้าหมายทางธุรกิจ ทั้งการเติบโต การเพิ่ม Productivity การลดต้นทุน การบริหารความเสี่ยง และการสร้างประสบการณ์ใหม่ให้กับลูกค้าได้อย่างไร
สำหรับ ปฐมา จันทรักษ์ กรรมการผู้จัดการใหญ่ เอคเซนเชอร์ ประเทศไทย โจทย์สำคัญจึงไม่ใช่การมี AI มากขึ้น แต่อยู่ที่การ Scale AI ให้เกิด Business Outcome ที่วัดผลได้จริง
จาก New Normal สู่ Never Normal
ก่อนที่องค์กรจะไปถึงเรื่อง AI ปฐมาชวนมองกลับไปที่บริบทของโลกธุรกิจที่เปลี่ยนไปอย่างรวดเร็วและคาดเดาได้ยากขึ้น
จากโควิด-19 ที่เร่งให้องค์กรต้องทำ Digital Transformation ตามมาด้วยความผันผวนทางภูมิรัฐศาสตร์ Supply Chain และพฤติกรรมผู้บริโภคที่เปลี่ยนแปลงอย่างรวดเร็ว
โลกธุรกิจจึงไม่ได้อยู่ในภาวะ New Normal อีกต่อไป แต่กำลังอยู่ในภาวะ Never Normal ที่ความไม่แน่นอนกลายเป็นสิ่งที่องค์กรต้องบริหารจัดการอยู่ตลอดเวลา
“ในโลกแบบนี้ CEO ไม่สามารถรอให้ปัญหาเกิดขึ้นแล้วค่อยรับมือ แต่ต้องเปลี่ยนจาก Reactive Planning ไปสู่ Scenario-Based Planning เตรียมหลายสถานการณ์ไว้ล่วงหน้า และสร้างองค์กรที่สามารถปรับตัวได้อย่างต่อเนื่อง AI กลายเป็นหนึ่งในเครื่องมือสำคัญของการ Reinvent องค์กร แต่การมีเทคโนโลยีเพียงอย่างเดียวยังไม่เพียงพอ”
งานวิจัยของ Accenture ชื่อ Pulse of Change ในปี 2026 พบว่าผู้บริหารจำนวนมากในเอเชียแปซิฟิกกำลังเพิ่มการลงทุนด้าน AI และเห็นศักยภาพของ Agentic AI ในการสร้างผลลัพธ์ ทั้งด้าน Productivity การตัดสินใจ Customer Experience นวัตกรรม และการบริหารความเสี่ยง ซึ่งเป็นทิศทางที่ดีแต่สิ่งสำคัญคือ จะวัดการลงทุนนั้นอย่างไร
3 กับดักที่ทำให้ AI ไปไม่ถึงระดับองค์กร
จากประสบการณ์การทำงานกับองค์กรในประเทศไทย ปฐมามองว่า หลายองค์กรยังไปไม่ถึงการ Scale AI เพราะติดอยู่กับ 3 เรื่องสำคัญ ได้แก่ Data, Process และ People
1. มี Data มาก แต่ยังใช้ร่วมกันไม่ได้
หลายองค์กรมีข้อมูลจำนวนมหาศาล แต่ข้อมูลถูกจัดเก็บแยกตามบริษัท หน่วยธุรกิจ และระบบต่างๆ แม้จะอยู่ภายใต้องค์กรเดียวกัน ทำให้การเชื่อมข้อมูลเข้าด้วยกันเป็นเรื่องยาก และยิ่งกลายเป็นข้อจำกัดเมื่อต้องนำ AI มาใช้ในระดับองค์กร
จุดนี้ทำให้บทบาทของ Data Architect และ Data Governance มีความสำคัญมากขึ้น องค์กรต้องมองเห็น Blueprint ของข้อมูลทั้งระบบ ตั้งแต่ข้อมูลชุดใดควรเชื่อมเข้าหากัน ใครควรมีสิทธิ์เข้าถึง ไปจนถึงการกำกับดูแลให้สอดคล้องกับข้อกำหนด เช่น PDPA
เพราะท้ายที่สุดแล้ว คุณภาพของ AI ขึ้นอยู่กับคุณภาพ บริบท และโครงสร้างของข้อมูลที่อยู่เบื้องหลัง
2. ใช้ AI กับ Process เดิม แทนที่จะออกแบบ Process ใหม่
สิ่งที่เกิดขึ้นบ่อยคือ องค์กรมองหาขั้นตอนที่ใช้เวลานาน แล้วนำ AI เข้าไปช่วยให้ขั้นตอนนั้นทำงานเร็วขึ้น เช่น อ่านเอกสาร ค้นข้อมูล หรือคัดกรองผู้สมัคร วิธีนี้อาจเพิ่ม Efficiency แต่ยังไม่ใช่ Reinvention
“ถ้าเราใช้ AI ทำ Process เดิมให้เร็วขึ้น เราได้ Efficiency แต่ยังไม่ใช่ Reinvention การ Reinvent คือการถามใหม่ว่า ถ้าออกแบบกระบวนการโดยมี AI ตั้งแต่ต้น Process นี้ยังจำเป็นต้องมี 5 ขั้นตอนอยู่หรือไม่”
สมมติกระบวนการเดิมมี 5 ขั้นตอน ในโลกใหม่อาจต้องตั้งคำถามว่า 5 ขั้นตอนนี้ ยังจำเป็นอยู่หรือไม่ หรือ เหลือเพียง 2 หรือ 3 ขั้นตอนก็เพียงพอ บางขั้นตอนควรให้ AI ทำ บางขั้นตอนยังต้องอาศัย Human Judgment และบางขั้นตอนอาจไม่จำเป็นอีกต่อไป
นี่คือความแตกต่างระหว่าง การใช้ AI เพื่อทำของเดิมให้เร็วขึ้น กับการใช้ AI เพื่อ Reinvent วิธีการทำงาน
ตัวอย่างหนึ่งของสถาบันการเงินในประเทศไทยสะท้อนแนวคิดนี้ได้อย่างชัดเจน โดยมีการพัฒนาแพลตฟอร์มสินเชื่อแบบ Cloud-Native ที่ออกแบบ Digital Core และ Customer Journey ใหม่ตั้งแต่ต้น แทนการนำเทคโนโลยีใหม่ไปครอบระบบเดิม ปัจจุบันแพลตฟอร์มดังกล่าวสามารถรองรับลูกค้าหลายล้านราย รวมถึงใช้ AI และ Automation เพิ่มประสิทธิภาพการให้บริการได้อย่างมีนัยสำคัญ
3. มี AI แต่ยังไม่ได้เตรียม The Right Talent
เมื่อ AI เข้ามารับงานบางส่วน บทบาทของคนก็ต้องเปลี่ยนตามไปด้วย งานบางประเภทจะถูก Automation มากขึ้น ขณะที่อีกหลายงานยังต้องอาศัยบริบท การตรวจสอบความถูกต้อง Creativity ความสัมพันธ์ และ Human Judgment
ดังนั้น โจทย์ของผู้นำไม่ใช่เพียงเลือก Technology แต่ต้องออกแบบ Future of Work ควบคู่กันไป รู้ว่างานใดควรให้ AI ทำ งานใดควรให้คนตัดสินใจ และจะยกระดับทักษะของคนอย่างไรให้สามารถสร้างมูลค่าได้สูงขึ้น
การ Reskill จึงไม่ใช่การส่งพนักงานทุกคนไปเรียน AI แบบเดียวกัน เพราะแต่ละตำแหน่งต้องใช้ AI ต่างกัน และที่สำคัญ “จำนวนคนที่ผ่านการอบรม ไม่ควรเป็นตัวชี้วัดหลักของ AI Transformation”
สิ่งที่ควรวัดคือ หลังจากเรียนแล้ว คนทำงานได้ดีขึ้นหรือไม่ เร็วขึ้นหรือไม่ คุณภาพดีขึ้นหรือไม่ สามารถสร้างรายได้เพิ่ม ลด Cost of Transaction หรือลดงานที่ซ้ำซ้อนได้จริงหรือไม่
AI Transformation ต้องวัด Outcome ไม่ใช่ Activity และ Business Outcome ต้องมาก่อน Technology
สำหรับปฐมา สิ่งที่องค์กรต้องวัดจริงคือ Business Outcome หรือผลลัพธ์ที่เกิดขึ้นกับงานและธุรกิจ หากฝ่ายขายใช้ AI ต้องตอบได้ว่า Conversion หรือรายได้เพิ่มขึ้นหรือไม่ หากฝ่ายปฏิบัติการใช้ AI ต้องตอบได้ว่า Cost per Transaction ลดลงหรือไม่
หากใช้ AI กับ Customer Service ต้องตอบได้ว่า Customer Experience ดีขึ้น Resolution Time ลดลง หรือพนักงานสามารถแก้ปัญหาที่ซับซ้อนให้ลูกค้าได้ดีขึ้นหรือไม่
องค์กรไม่ควรวัดความสำเร็จจากจำนวน AI Use Case หรือจำนวนคนที่เข้าอบรม แต่ควรวัดว่า AI กำลังสร้างคุณค่าให้ธุรกิจ ลูกค้า และคนในองค์กรได้จริงเพียงใด
North Star ต้องชัด แต่ Strategy ต้องพร้อมเปลี่ยน
อีกสิ่งหนึ่งที่สำคัญคือ ทุกคนในองค์กรต้องรู้ว่าองค์กรกำลังเดินไปทางไหน ในโลก Never Normal กลยุทธ์และวิธีการอาจต้องปรับตามสถานการณ์อยู่เสมอ แต่ North Star หรือเป้าหมายปลายทางขององค์กรต้องชัด
และ North Star ต้องไม่ใช่เพียงคำสวยๆ ต้องตอบให้ได้ว่า เรากำลังใช้ AI เพื่อโตเร็วขึ้น เพิ่ม Productivity ลด Cost-to-Serve สร้างประสบการณ์ลูกค้าใหม่ หรือบริหารความเสี่ยงได้ดีขึ้นอย่างไร เมื่อเป้าหมายชัด การเลือกใช้ AI หรือ Technology ต่างๆ จึงค่อยตามมา
อย่าเริ่ม Customer Experience ด้วยคำถามว่า “จะใช้ AI ตัวไหน” หากองค์กรต้องการเป็นอันดับหนึ่งด้าน Customer Experience คำถามแรกไม่ควรเป็นว่าจะใช้ Chatbot หรือ AI ตัวไหน แต่ควรเริ่มจากคำถามว่า Pain Point ที่แท้จริงของลูกค้าคืออะไร
ตัวอย่างเช่น ลูกค้าอาจไม่ได้ไม่พอใจ Contact Center เพราะไม่มี AI แต่ไม่พอใจเพราะต้องกดเลือกหลายขั้นตอน เล่าเรื่องเดิมซ้ำ หรือถูกส่งต่อหลายครั้งกว่าจะถึงคนที่แก้ปัญหาได้
AI สามารถช่วยวิเคราะห์เหตุผลที่ลูกค้าติดต่อเข้ามา ส่งต่อให้ผู้ที่เหมาะสม ดึงข้อมูลที่เกี่ยวข้องขึ้นมาให้ทันที และช่วยให้พนักงานเห็นประวัติและบริบทของลูกค้าก่อนเริ่มการสนทนา
ดังนั้นสิ่งที่องค์กรกำลัง Reinvent จึงไม่ใช่ Contact Center เพียงจุดเดียว แต่คือ Customer Journey ทั้งเส้น Technology, Data, People และ Process ต้องเชื่อมกันบนเป้าหมายเดียวกัน
ผู้นำต้องทำให้คนเชื่อ ก่อนจะทำให้องค์กรเปลี่ยน
อีกโจทย์สำคัญของ Transformation คือ “คน” ในวันที่พนักงานจำนวนไม่น้อยมอง AI ด้วยความกังวลว่าเทคโนโลยีอาจเข้ามาแทนที่งานของตน หน้าที่ของผู้นำจึงไม่ใช่เพียงกำหนด Strategy หรือเลือก Technology แต่ต้องทำให้คนเข้าใจว่าบทบาทของเขาจะเปลี่ยนอย่างไร เขาจะมีทักษะอะไรเพิ่มขึ้น และ AI จะช่วยให้เขาสร้างคุณค่าได้มากขึ้นอย่างไร
“หน้าที่ผู้นำไม่ใช่แค่สั่งว่าต้องทำอะไร แต่เราจะเป็นผู้นำที่ทำให้คนเชื่อได้อย่างไร ว่าองค์กรไปในทิศทางนี้ได้ และเราพร้อมสนับสนุนเขาด้วยเครื่องมือและทักษะที่จำเป็น”
ความเชื่อแบบนี้ไม่ได้เกิดจากการประกาศ Vision เพียงครั้งเดียว แต่ต้องเกิดจาก Small Wins ที่พนักงานสัมผัสได้จริง การ Recognition คนที่นำ AI ไปสร้างผลลัพธ์ และการเปิดรับ Feedback อย่างต่อเนื่อง
กรณีศึกษาขององค์กรระดับโลกแห่งหนึ่งที่ Accenture ร่วมสนับสนุน สะท้อนให้เห็นว่า การสร้าง AI Champion และนำ AI เข้าไปอยู่ใน Workflow จริง สามารถช่วยเปลี่ยนการเรียนรู้ให้กลายเป็นการใช้งานในชีวิตประจำวันของพนักงานหลายหมื่นคน
สิ่งสำคัญไม่ใช่จำนวนคนที่ผ่าน Training แต่คือจำนวนคนที่เปลี่ยนพฤติกรรมและใช้ AI สร้างผลลัพธ์จริง
จาก Pilot สู่ Enterprise Reinvention
ปฐมาย้ำว่า ไม่มีองค์กรไหนสามารถลอกสูตรของอีกองค์กรหนึ่งไปใช้ได้ทั้งหมด เพราะแต่ละองค์กรมี Business Model, Data, Process, People และจุดแข็งที่แตกต่างกัน
สิ่งสำคัญจึงไม่ใช่ว่าใครเริ่มใช้ AI ก่อน แต่คือใครสามารถ Scale AI ให้กลายเป็นความสามารถของทั้งองค์กร และเชื่อมไปสู่ผลลัพธ์ทางธุรกิจได้จริง
“ในโลก Never Normal ความได้เปรียบไม่ได้อยู่ที่ว่าใครมี AI มากที่สุด แต่อยู่ที่ว่าใครสามารถเปลี่ยน AI ให้กลายเป็น Business Value ได้เร็วและยั่งยืนที่สุด”
Reinvention จึงไม่ใช่ Technology Transformation แต่คือ Business Transformation ที่ต้องทำให้ Data, Process, People และ Technology เดินไปในทิศทางเดียวกัน
และท้ายที่สุด สิ่งที่ควรวัดไม่ใช่ว่าองค์กรมี AI กี่ตัว มี Pilot กี่โครงการ หรือมีคนผ่านการอบรมกี่คน แต่คือ AI ทำให้องค์กรแข่งขันได้ดีขึ้นหรือไม่ ลูกค้าได้รับประสบการณ์ที่ดีขึ้นหรือไม่ คนทำงานมี Productivity สูงขึ้นหรือไม่ และธุรกิจสามารถสร้างคุณค่าได้มากขึ้นหรือไม่ นั่นต่างหากคือความสำเร็จของ AI Transformation
