ทำไม Agentic AI จะล้มเหลวหากไม่มีข้อมูลทรัพย์สินที่เชื่อถือได้

Agentic AI กำลังเคลื่อนที่อย่างรวดเร็วจากการสนทนาไปสู่การนำไปใช้ในการอุตสาหกรรมที่มีทรัพย์สินเข้มข้น ไม่เหมือนกับ AI ที่สร้างสรรค์ ซึ่งสรุปข้อมูลหรือสร้างคำแนะนำ Agentic AI สามารถรับเป้าหมาย หยิบยืมข้อมูลจากหลายระบบ และดำเนินการได้ มันสามารถตรวจสอบประวัติการบำรุงรักษา ตรวจสอบใบสั่งงานที่เปิดอยู่ ตรวจสอบตารางงานของทีมและสร้างคำแนะนำโดยไม่ต้องมีคนเชื่อมต่อข้อมูลทั้งหมดด้วยตนเอง

ความสามารถนี้คือสิ่งที่ทำให้หลายองค์กรเร่งนำไปใช้ ตาม การสำรวจ CIO และผู้บริหารเทคโนโลยีของ Gartner ในปี 2026 มีเพียง 17% ขององค์กรที่ได้นำ AI ที่มีหน่วยงานมาใช้ ในขณะที่มากกว่า 60% คาดว่าจะทำเช่นนั้นภายในสองปีหน้า ซึ่งเร็วกว่าเทคโนโลยีที่เกิดขึ้นใหม่อื่นๆ ที่รวมอยู่ในการสำรวจ

ในกรณีการนำไปใช้ที่ฉันสนับสนุน ทีมงานใช้เวลานานเกินไปในการสลับระหว่างระบบ ตารางงาน บันทึกการตรวจสอบ และอีเมลเพียงเพื่อตัดสินใจปฏิบัติการเพียงครั้งเดียว Agentic AI สัญญาว่าจะลดความซับซ้อนในการวางแผนการทำงานและให้เทคนิคมีมุมมองที่ชัดเจนเกี่ยวกับประวัติทรัพย์สินโดยไม่ต้องอาศัยความทรงจำของสถาบันเพียงอย่างเดียว

แต่สัญญานั้นมาพร้อมกับข้อผิดพลาดที่ง่ายที่จะพลาดไปในความเร่งรีบในการนำไปใช้: จากที่ฉันเห็น Agentic AI เป็นปัญหาการเชื่อถือในการดำเนินการมากกว่าปัญหาในการสร้างแบบจำลอง

ในอุตสาหกรรมที่มีทรัพย์สินเข้มข้น เช่น สาธารณูปโภค การขนส่ง การทำเหมืองแร่ การสื่อสาร และการผลิต AI ที่มีหน่วยงานมีประสิทธิภาพเท่ากับข้อมูลที่มันใช้ในการดำเนินการ หากข้อมูลนั้นไม่สมบูรณ์ ล้าสมัย หรือไม่สอดคล้องกัน AI ไม่จำเป็นต้องล้มเหลวด้วยเสียงดัง มันอาจล้มเหลวด้วยความมั่นใจ โดยแนะนำการทำงานในทรัพย์สินที่ไม่ถูกต้อง หาไม่พบการเชื่อมโยง การประเมินความเสี่ยงต่ำเกินไป หรือตัดสินใจไม่ถูกต้องเกี่ยวกับสิ่งที่ควรให้ความสำคัญ

การให้อาหาร AI ด้วยข้อมูลที่ไม่ดีจะไม่เพิ่มความฉลาด แต่จะเพิ่มความเสี่ยงในการดำเนินการ

ปัญหาเดิมๆ ของข้อมูลที่เกิดขึ้นในความเร็วใหม่

ปัญหาเรื่องคุณภาพข้อมูลที่ Agentic AI เปิดเผยไม่ใช่เรื่องใหม่ ในช่วง 17 ปีที่ทำงานเกี่ยวกับระบบและการนำระบบการจัดการทรัพย์สินเข้ามาใช้ ฉันเห็นปัญหาเดียวกันเกิดขึ้นซ้ำๆ: บันทึกซ้ำกัน ความสัมพันธ์ของทรัพย์สินที่ไม่สมบูรณ์ การตั้งชื่อที่ไม่สอดคล้องกัน การให้คะแนนความสำคัญที่ล้าสมัย และการเข้ารหัสความล้มเหลวที่ไม่ดีเป็นเวลาหลายปี

สิ่งที่เปลี่ยนแปลงไปไม่ใช่ลักษณะของปัญหา แต่ความกว้างของปัญหา

ช่างเทคนิคที่มีประสบการณ์อาจจับข้อมูลที่ไม่ถูกต้องก่อนที่จะดำเนินการตามข้อมูลนั้น โดยอาศัยความรู้ของสถาบันที่ไม่เคยบันทึกไว้ในระบบ AI ไม่มีสัญชาตญาณเช่นนั้น มันสามารถประมวลผลบันทึกหลายพันรายการได้เร็วกว่าที่คนสามารถตรวจสอบด้วยตนเอง และใช้สมมติฐานที่มีข้อบกพร่องในระดับใหญ่กว่าคนจะสังเกตเห็น

ปัญหาในการนำระบบเข้ามาใช้ในองค์กรที่กว้างขึ้นแล้วเห็นได้ชัดเจน ใน รายงานเบื้องต้นของ MIT Project NANDA ในปี 2025 พบว่า 95% ขององค์กรที่ศึกษาไม่ได้ผลกระทบทางการเงินจากโครงการ AI ที่สร้างสรรค์ รายงานนี้ให้เหตุผลว่าความแตกต่างนี้เกิดจากช่องว่างในการเรียนรู้และการผสานรวม รวมถึงเครื่องมือที่ไม่สามารถรักษาความหมายหรือปรับตัวเข้ากับกระบวนการทำงานที่มีอยู่ได้ ในการดำเนินงานที่พึ่งพาสินทรัพย์เป็นหลัก ซึ่ง การแนะนำที่ไม่ถูกต้องอาจส่งผลกระทบต่ออุปกรณ์จริงมากกว่าแค่บนหน้าจอ ช่องว่างระหว่างความตั้งใจของ AI และความเป็นจริงของข้อมูลมีนัยสำคัญยิ่งขึ้น

ที่ที่ข้อมูลที่ไม่ดีกลายเป็นตัดสินใจที่ไม่ปลอดภัย

ในบริบทการดำเนินงาน ผลที่ตามมาเหล่านั้นกลายเป็นรูปธรรม

ลองพิจารณาการจัดลำดับความสำคัญของการบำรุงรักษา หาก AI ไม่สามารถเห็นความล้มเหลวล่าสุด ใบสั่งงานที่ถูกเลื่อนออกไป หรือการเปลี่ยนแปลงในสถานะของทรัพย์สิน มันอาจกำหนดลำดับความสำคัญที่ไม่ถูกต้อง สิ่งนี้สามารถสร้างงานที่ไม่จำเป็นในพื้นที่หนึ่ง ในขณะที่ปล่อยให้ความเสี่ยงที่สำคัญกว่าไม่ได้รับการแก้ไขในอีกพื้นที่หนึ่ง

ความเสี่ยงเพิ่มขึ้นเมื่อความสัมพันธ์ระหว่างทรัพย์สินเองไม่ถูกต้อง นี่คือสถานการณ์ที่ทำให้เกิดสัญญาณเตือน หากระบบไม่สามารถสะท้อนความสัมพันธ์ระหว่างทรัพย์สินได้อย่างถูกต้อง เช่น อุปกรณ์ใดที่ต้องแยกออกก่อนเริ่มงาน หรือข้อจำกัดใดที่ใช้บังคับในไซต์เฉพาะ คำแนะนำของระบบอาจกลายเป็นอันตรายได้จริงๆ

ดังนั้น องค์กรควรพิจารณาให้ละเอียดก่อนที่จะให้ AI ที่มีหน่วยงานมีอำนาจเต็มในการตัดสินใจที่สำคัญ กรอบการบริหารความเสี่ยง AI ของ NIST เสนอโครงสร้างสำหรับการรวมความน่าเชื่อถือตลอดวงจรชีวิตของระบบ AI แทนที่จะแก้ไขปัญหาหลังจากการนำไปใช้ AI สามารถรวบรวมข้อมูลได้อย่างรวดเร็ว เสนอทางเลือก และสรุปหลักฐานที่อยู่เบื้องหลังคำแนะนำ อย่างไรก็ตาม เมื่อความปลอดภัย การปฏิบัติตามกฎระเบียบ หรือความน่าเชื่อถือของบริการตกอยู่ในความเสี่ยง คนต้องยังคงเกี่ยวข้อง

อย่างน้อยในตอนแรก เป้าหมายควรเป็น AI ที่สนับสนุนการตัดสินใจ ไม่ใช่ AI ที่ตัดสินใจเพียงอย่างเดียว

ทำไมการจัดการทรัพย์สินระดับองค์กรจึงเป็นพื้นฐาน ไม่ใช่สำนักงานหลัง

การจัดการทรัพย์สินระดับองค์กรหรือ EAM คือที่ที่ความเป็นจริงในการดำเนินงานถูกจัดระเบียบ มันคือที่ที่ใบสั่งงาน การบำรุงรักษา การตรวจสอบ การอนุมัติ ความสัมพันธ์ของทรัพย์สิน และประวัติอุปกรณ์ถูกบันทึกและจัดการ

พื้นฐานการจัดการทรัพย์สินที่แข็งแกร่งให้ AI ที่มีหน่วยงานข้อมูลการดำเนินการที่เชื่อถือได้ในการทำงาน พื้นฐานที่อ่อนแออาจถูกเปิดเผยเกือบในทันที การวิเคราะห์ของ EY เกี่ยวกับการจัดการทรัพย์สินระดับองค์กรที่ใช้ AI เน้นย้ำถึงบทบาทของข้อมูลแบบเรียลไทม์และการวิเคราะห์ในการย้ายองค์กรจากการบำรุงรักษาที่ตอบสนองไปสู่การบำรุงรักษาที่คาดการณ์

แทนที่จะรักษา EAM ไว้เป็นระบบสำนักงานหลัง องค์กรที่เตรียมพร้อมสำหรับ AI ที่มีหน่วยงานควรพิจารณามันเป็นส่วนหนึ่งของชั้นการควบคุมการดำเนินงาน มันกำหนดสิ่งที่ AI สามารถเข้าถึงได้ กระบวนการที่ต้องปฏิบัติตาม หลักฐานที่อาศัย และที่ที่การอนุมัติของมนุษย์ยังคงต้องการ

EAM ยังช่วยให้ได้ข้อมูลที่อยู่เบื้องหลังการตัดสินใจในการดำเนินงาน คำแนะนำการบำรุงรักษาไม่ควรพิจารณาเพียงสถานะของทรัพย์สินแต่ละรายการเท่านั้น แต่ยังพิจารณาความสำคัญ ความล้มเหลวล่าสุด อุปกรณ์ที่เชื่อมต่อ ส่วนประกอบที่มีอยู่ ขั้นตอนความปลอดภัย การมีอยู่ของทีม และผลกระทบต่อการดำเนินงานโดยรวม

หากไม่มีข้อมูลนี้ แม้ AI ที่มีหน่วยงานที่ซับซ้อนจะแนะนำแนวทางปฏิบัติที่ไม่ถูกต้อง

ข้อมูลของคุณพร้อมสำหรับ AI หรือไม่?

แทนที่จะเริ่มการตรวจสอบคุณภาพข้อมูลที่กว้างและเป็นนามธรรม องค์กรควรเริ่มต้นด้วยกรณีการใช้งานเฉพาะ เช่น การวางแผนการบำรุงรักษาที่ได้รับการสนับสนุนจาก AI และถามคำถามที่มุ่งเป้า

คำถามเหล่านี้คือคำถามแรกที่ฉันถาม: เราเชื่อถือในลำดับชั้นของทรัพย์สินหรือไม่? ประวัติการล้มเหลวน่าเชื่อถือหรือไม่? แผนงานปัจจุบันหรือไม่? การมีอยู่ของทีมถูกต้องหรือไม่? แผนความปลอดภัยเป็นปัจจุบันหรือไม่?

ข้อมูลไม่ต้องสมบูรณ์แบบ องค์กรไม่เคยจะมีข้อมูลการดำเนินการที่สมบูรณ์แบบ มันแค่ต้องถูกต้อง ทันสมัย และจัดการได้ดีพอที่ AI จะสามารถสนับสนุนการตัดสินใจของมนุษย์ได้อย่างแท้จริง

แนวทางนี้ทำให้การปรับปรุงข้อมูลเป็นไปได้ง่ายขึ้น แทนที่จะพยายามทำความสะอาดทุกบันทึกทั่วทั้งองค์กร ทีมสามารถมุ่งเน้นไปที่ข้อมูลที่ส่งผลกระทบโดยตรงต่อกรณีการใช้งานที่เลือก

ความเสี่ยงที่จะทำผิดพลาดไม่ได้กระจายเท่าๆ กัน อุตสาหกรรมที่การตัดสินใจดิจิทัลส่งผลกระทบต่อการดำเนินงานทางกายภาพมีความเสี่ยงสูงสุด ซึ่งเป็นเหตุผลที่ NIST กำลังพัฒนาโปรไฟล์ AI Risk Management Framework เพื่อชี้แนะผู้ดำเนินการโครงสร้างพื้นฐานที่สำคัญที่ใช้ความสามารถที่ได้รับการเสริมจาก AI ในกระบวนการที่มีความเสี่ยงต่ำ การแนะนำที่ไม่ดีของ AI อาจทำให้เกิดความไม่สะดวกหรืองานเพิ่มเติม ในขณะที่ในระบบไฟฟ้า ระบบน้ำเหมือง ระบบขนส่ง หรือระบบโทรคมนาคม อาจส่งผลกระทบต่อความปลอดภัย การหยุดทำงาน การปฏิบัติตามกฎระเบียบ หรือการหยุดให้บริการ

สิ่งนี้ไม่ได้หมายความว่าอุตสาหกรรมเหล่านี้ควรหลีกเลี่ยง AI ที่มีหน่วยงาน มันหมายความว่าพวกเขาต้องมีเจตนาในการรักษาคุณภาพข้อมูล การกำกับดูแล และการดูแลของมนุษย์มากขึ้น ก่อนที่จะเพิ่มความรับผิดชอบ

เส้นทางปฏิบัติที่เป็นไปได้สำหรับ AI ที่มีหน่วยงาน

เส้นทางการนำไปใช้ที่เป็นไปได้เริ่มต้นด้วยกรณีการใช้งานเฉพาะที่ AI สามารถเพิ่มคุณค่าโดยไม่ทำให้เกิดความเสี่ยงที่มากเกินไป

จากนั้น องค์กรควรทำแผนที่ข้อมูลที่กรณีการใช้งานนั้นพึ่งพา และประเมินอย่างซื่อสัตย์ว่าข้อมูลนั้นสามารถเชื่อถือได้หรือไม่ ทีมควรแก้ไขข้อมูลทรัพย์สินที่สำคัญที่สุด ระบุเจ้าของที่ชัดเจน และมาตรฐานวิธีการบันทึกการทำงาน ความล้มเหลว และการเปลี่ยนแปลงการดำเนินงาน

AI ควรดำเนินการภายในกระบวนการกำกับดูแลที่มีอยู่ แทนที่จะหลีกเลี่ยงไปรอบๆ ในช่วงแรก AI สามารถสนับสนุนผู้วางแผน ทีมความน่าเชื่อถือ และเทคนิคโดยการรวบรวมข้อมูล ระบุรูปแบบ และแนะนำการดำเนินการที่เป็นไปได้

สิ่งนี้ทำให้องค์กรมีเวลาในการเปรียบเทียบคำแนะนำของ AI กับผลลัพธ์จริง ระบุช่องว่างของข้อมูล และยืนยันว่าระบบควบคุมที่จำเป็นกำลังทำงาน

เพียงหลังจากที่ผลลัพธ์ถูกเข้าใจแล้ว องค์กรควรพิจารณาให้ AI มีความรับผิดชอบมากขึ้น อัตลักษณ์ควรเพิ่มขึ้นอย่างค่อยเป็นค่อยไป และเฉพาะเมื่อความเสี่ยงที่เกี่ยวข้องชัดเจน ถูกควบคุม และสามารถตรวจสอบได้

กลยุทธ์ AI ที่มีหน่วยงานที่ประสบความสำเร็จเชื่อมโยง AI กับข้อมูลทรัพย์สินที่เชื่อถือได้และกระบวนการทำงานที่แข็งแกร่งของ EAM โดยได้รับการสนับสนุนจากการกำกับดูแลและความรับผิดชอบของมนุษย์ที่ชัดเจน รายงาน State of AI in the Enterprise ของ Deloitte ในปี 2026 ได้ข้อสรุปเดียวกันจากมุมมองที่กว้างขึ้น โดยอธิบายถึงพื้นฐานข้อมูลที่เชื่อถือได้และเป็นหนึ่งเดียวว่าเป็นสิ่งจำเป็นสำหรับการขยาย AI องค์กรยังคงรับผิดชอบต่อการกระทำที่ AI แนะนำหรือดำเนินการ ซึ่งความรับผิดชอบนั้นไม่หายไปเพียงเพราะการตัดสินใจถูกสร้างโดยอัลกอริทึม

AI ที่มีหน่วยงานควรได้รับการยอมรับในการดำเนินงาน ไม่ใช่การได้รับมอบหมายให้ดำเนินการ เริ่มต้นด้วยสิ่งที่แคบ ตรวจสอบคำแนะนำของ AI กับสิ่งที่เกิดขึ้นจริง แก้ไขช่องว่างของข้อมูลที่ปรากฏ และขยายบทบาทของ AI เพียงเมื่อหลักฐานสนับสนุน ฉันอยากเห็น AI ที่มีหน่วยงานได้รับความไว้วางใจเล็กน้อยและรักษามันไว้มากกว่าที่จะให้ความไว้วางใจมากและเสียไป ในอุตสาหกรรมที่มีทรัพย์สินเข้มข้น ความอดทนเป็นความแตกต่างระหว่าง AI ที่ได้รับความไว้วางใจและ AI ที่เสียความไว้วางใจอย่างเงียบๆ