เอเจนต์ AI ของคุณดีเท่ากับระบบการจัดเก็บเอกสารของคุณ

เมื่อวันที่ 30 ธันวาคม 2025 บริการไปรษณีย์ของเดนมาร์กได้ส่ง จดหมายฉบับสุดท้ายในประวัติศาสตร์ 401 ปีขององค์กร จดหมายกล่องที่เหลืออยู่ 1,500 กล่องถูกถอดออกจากถนนในปีนั้น ในขณะเดียวกันในเดือนกรกฎาคม 2026 คณะรัฐมนตรีเยอรมนียอมรับ GeDIG พระราชบัญญัติข้อมูลสุขภาพและนวัตกรรมดิจิทัล ซึ่งจะค่อย ๆ ยกเลิกการใช้แฟกซ์ในสำนักงานแพทย์จนถึงฤดูใบไม้ร่วง 2029 และทำให้การส่งต่ออิเล็กทรอนิกส์เป็นข้อบังคับ

แล้วทำไมประเทศหนึ่งจึงสามารถดำเนินการเปลี่ยนแปลงเหล่านี้ได้ในขณะที่อีกประเทศหนึ่งยังคงค่อย ๆ ลดการพึ่งพาเครื่องแฟกซ์ในศตวรรษนี้? หากพิจารณาการใช้ AI ในธุรกิจของแต่ละประเทศ พบว่า 42% ของบริษัทเดนมาร์ก ใช้เทคโนโลยี AI อย่างน้อยหนึ่งประเภทในปี 2025 ซึ่งเป็นสัดส่วนสูงสุดในยุโรป ส่วนเยอรมนีอยู่ที่ 26% อยู่เหนือค่าเฉลี่ยของสหภาพยุโรป แต่ต่ำกว่าดานมาร์กสิบหกจุดเปอร์เซ็นต์

สำหรับผม ความแตกต่างนี้กระตุ้นให้เราต้องทบทวนความเชื่อเกี่ยวกับการนำ AI ไปใช้ โดยเฉพาะความเชื่อว่าการเลือกโมเดลเป็นจุดเริ่มต้นของการนำ AI ไปใช้โดยไม่คำนึงถึงสภาพของระบบรอบ ๆ โมเดล ทั้งสองประเทศเข้าถึงโมเดลและผู้ให้บริการคลาวด์เดียวกันได้ แต่ความแตกต่างอยู่ที่กระบวนการทางธุรกิจและภาครัฐได้สร้างบันทึกดิจิทัลที่เชื่อถือได้หรือไม่ เนื่องจากเอเจนต์ AI ไม่ทำงานกับความเป็นจริงโดยตรง แต่ทำงานกับเวอร์ชันของความเป็นจริงที่มีอยู่ในระบบ ดังนั้นจึงเกิดข้อจำกัดบางประการโดยธรรมชาติ

ข้อจำกัดแรก: ข้อมูลไม่เคยถูกแปลงเป็นดิจิทัล

เอเจนต์ไม่สามารถดึงเอกสารที่ไม่เคยเข้าสู่ระบบได้ รูปแบบของการไหลของข้อมูลในองค์กรกำหนดว่ามีอะไรที่เอเจนต์จะมองว่าเป็นงานได้บ้าง

ในระดับประเทศ ข้อมูลจาก Eurostat แสดงให้เห็นว่าการนำ AI ไปใช้ในธุรกิจมีความสัมพันธ์กับการแปลงเป็นดิจิทัลของกระบวนการบริหาร อย่างไรก็ตาม กลไกสำคัญคือประเทศที่พลเมืองได้รับเอกสารราชการเป็นดิจิทัลอยู่แล้ว จะมีการโต้ตอบนอกระบบสำหรับบริษัทต้องทำการประสานข้อมูลน้อยลง ลดภาระงานตีความที่จำเป็นก่อนที่ AI จะสามารถนำไปใช้ในปฏิบัติการได้อย่างปลอดภัย

ในระดับบริษัท การศึกษาของ IZA ในปี 2026 ที่สำรวจบริษัทเดนมาร์ก 1,907 แห่งพบว่าการเพิ่มระดับดิจิไลเซชันหนึ่งส่วนเบี่ยงเบนมาตรฐานสัมพันธ์กับความน่าจะเป็นในการนำระบบ AI หลักมาใช้เพิ่มขึ้น 8 ถึง 10 จุดเปอร์เซ็นต์ ซึ่งบ่งชี้ว่าการนำ AI ไปใช้ขึ้นอยู่กับว่าการดำเนินงานภายในของบริษัทได้ถูกจัดระเบียบเป็นโครงสร้างดิจิทัลที่เครื่องคอมพิวเตอร์อ่านได้หรือไม่ หากกระบวนการกระจัดกระจาย จะมีข้อมูลที่มั่นคงสำหรับระบบ AI หรือเอเจนต์น้อยมาก

สิ่งนี้อาจช่วยอธิบายว่าทำไมการแปลงเป็นดิจิทัลตามนโยบายจึงไม่ทำให้พร้อมใช้งาน AI โดยอัตโนมัติ การบังคับใช้ระบบใบแจ้งหนี้อิเล็กทรอนิกส์ B2B ในอิตาลีได้สร้างช่องทางดิจิทัลเต็มรูปแบบ แต่การนำ AI ไปใช้โดยรวมยังคงต่ำกว่าค่าเฉลี่ยของสหภาพยุโรป การแปลงเป็นดิจิทัลเพียงขั้นตอนเดียวไม่สามารถกำจัดระบบแอนะล็อกที่ล้อมรอบได้

ข้อจำกัดที่สอง: ข้อมูลมีอยู่เพียงในหัวของคนเดียวเท่านั้น

มนุษย์เป็นผู้ดำเนินการ ซึ่งหมายความว่าบ่อยครั้งพวกเขารู้รายละเอียดที่ AI ไม่รู้ ผู้ดูแลองบการเงินทราบว่าผู้เช่าชำระเงินเป็นเงินสด แต่การชำระเงินนั้นไม่เคยบันทึกในระบบบัญชี ส่งผลให้บันทึกธนาคารและระบบไม่สอดคล้องกัน ผู้ดูแลงานเข้าใจเหตุผลนั้น ในขณะที่ AI เพียงเห็นข้อมูลที่ไม่สอดคล้อง ผู้จัดการอสังหาริมทรัพย์จำได้ว่าผู้ให้เช่าได้ขอไม่ให้ติดต่อเป็นเวลาสองสัปดาห์ ทีมงานอาจรู้วิธีแก้ปัญหาสำหรับอาคารหรือคลายเอนท์หนึ่งแห่ง แต่ไม่มีใครบันทึกไว้

ClarEval ทดสอบงานที่ขาดเป้าหมาย ขาดสมมติฐาน และมีคำศัพท์ที่คลุมเครือ ผลการทำงานของโมเดลด้อยลงจากประมาณ 89% หลังจากได้รับการชี้แจงเหลือประมาณ 9% เมื่อความคลุมเครือยังไม่ได้รับการแก้ไข ในขณะเดียวกัน Ambig‑SWE พบว่าการอนุญาตให้โมเดลตั้งคำถามกับผู้ใช้ที่มีข้อมูลที่ขาดหายไป สามารถกู้คืนประสิทธิภาพที่สูญเสียได้สูงสุดถึง 74% ซึ่งบ่งบอกว่าวิศวกรควรสร้างระบบที่สามารถขอคำชี้แจงตั้งแต่แรกเริ่ม

ข้อจำกัดที่สาม: ข้อมูลมีอยู่แต่ไม่สามารถส่งต่อได้

ข้อมูลบางส่วนมีอยู่ภายในบริษัทแต่ยังไม่สามารถเข้าถึงโมเดลได้ เนื่องจากกฎความเป็นส่วนตัว การควบคุมความปลอดภัย สัญญาหรือแนวนโยบายภายใน

การศึกษาโดยอิงข้อมูลคลาวด์เป็นเวลาเจ็ดปี พบว่า GDPR—กฎหมายความเป็นส่วนตัวข้อมูลหลักของสหภาพยุโรป—ทำให้การจัดเก็บข้อมูลลดลง 26% และการประมวลผลลดลง 15% ในบริษัทยุโรปเมื่อเทียบกับบริษัทสหรัฐที่คล้ายกัน กล่าวคือ ระเบียบความเป็นส่วนตัวทำให้บริษัทใช้ข้อมูลน้อยลงโดยจำกัดปริมาณข้อมูลที่สามารถเก็บและประมวลผลเพื่อการวิเคราะห์และ AI การนำ Generative AI ไปใช้มีอัตราใกล้เคียงกัน ที่ 37% ของบริษัทยุโรปและ 36% ของบริษัทสหรัฐ แต่ช่องว่างในความลึกของการนำ AI ไปใช้กว้างมาก โดย 81% ของบริษัทสหรัฐใช้ AI อย่างน้อยสองกระบวนการภายใน เทียบกับ 55% ในยุโรป เหตุผลหนึ่งที่เป็นไปได้คือข้อมูลที่มีอยู่แล้วในองค์กรมักยากต่อการนำกลับมาใช้กับ AI ในยุโรป ตัวอย่างเช่น การสนทนาการสนับสนุนลูกค้ามักมีข้อมูลส่วนบุคคลที่เก็บรวบรวมเพื่อแก้ไขปัญหาของลูกค้า ภายใต้หลักการจำกัดวัตถุประสงค์ของ GDPR (มาตรา 5(1)(b)) ข้อมูลนี้ไม่สามารถนำไปใช้ฝึก AI ได้โดยไม่มีฐานกฎหมายที่ถูกต้อง บริษัทสหรัฐโดยทั่วไปเผชิญกับข้อจำกัดของรัฐบาลกลางที่น้อยกว่าต่อการนำข้อมูลดังกล่าวกลับมาใช้ใหม่

วิธีสร้างระบบที่ถูกต้อง

การดึงข้อมูลทำงานได้เฉพาะเมื่อคำตอบมีอยู่ในระบบเท่านั้น เอเจนต์ควรถามเมื่อข้อมูลขาดหาย ไม่ควรเดา และควรแปลงการโทรหรือการตัดสินใจแบบไม่เป็นทางการให้เป็นบันทึกที่มีโครงสร้าง บริษัทควรลบกระบวนการทำงานแบบกระดาษที่ทำงานขนานกันออกไป เพราะหากงานสามารถทำได้นอกระบบ ส่วนหนึ่งของบริบทจะยังคงไม่ปรากฏ

แต่ละบริษัทต้องเผชิญกับช่องว่างของตนเอง วัดว่าข้อเท็จจริงที่จำเป็นต่อการดำเนินการอย่างถูกต้องอยู่ในระบบหรือไม่ ทดสอบกระบวนการทำงานโดยมีและไม่มีฟิลด์การตรวจสอบความเป็นส่วนตัวที่ถูกตัดออก สุดท้าย สำหรับกระบวนการทำงานที่สามารถทำบนกระดาษได้ นั่นคือเอเจนต์ที่ควรสร้างเป็นอันดับสุดท้าย

เอเจนต์อาจช่วยเพิ่มผลผลิตของมนุษย์ได้ แต่ไม่สามารถซ่อมแซมสิ่งที่ขาดหายไป