การนำ AI มาใช้จนประสบความสำเร็จทำให้ต้องเริ่มใช้งานรอบที่สอง ซึ่งบริษัทแทบไม่เคยวางแผนไว้

เมื่อประมาณ 3 ปีก่อน ฉันซื้อแพ็กเกจ AI แบบชำระเงินเป็นครั้งแรก แล้วเริ่มทดลองดูว่ามันทำอะไรให้ฉันได้บ้าง การทดลองใช้ส่วนตัวในช่วงแรกค่อย ๆ พัฒนาเป็นโครงการภายในขนาดเล็ก จากนั้นเป็นการสมัครใช้บริการสำหรับธุรกิจทั่วทั้งบริษัท และในที่สุดก็ขยายการนำ AI มาใช้ไปเกือบทุกแผนก ทั้งฝ่ายพัฒนา การเงิน กฎหมาย การตลาด และฝ่ายสนับสนุน

โดยพื้นฐานแล้ว การนำ AI มาใช้ในระยะแรกได้ผลดี ภายในเวลาประมาณ 6 เดือน ความเร็วในการพัฒนาซอฟต์แวร์ภายในของเราเพิ่มขึ้นราว 5 เท่า ขณะเดียวกัน ตัวเลขอีกอย่างก็เพิ่มขึ้นเช่นกัน นั่นคือค่าใช้จ่ายด้าน AI ของเราพุ่งขึ้นประมาณ 15 เท่า

ตอนนั้นเองที่ฉันเข้าใจว่า การนำ AI มาใช้จนประสบความสำเร็จก็อาจสร้างปัญหาขึ้นมาได้ เมื่อมีการใช้งานเทคโนโลยีนี้อย่างแพร่หลาย กฎเกณฑ์ที่เราเริ่มต้นไว้ก็ใช้ไม่ได้อีกต่อไป ค่าใช้จ่ายอาจบานปลายเมื่อ AI เข้าถึงข้อมูลของบริษัทได้มากขึ้นและรับงานไปทำมากขึ้น ขณะที่เครื่องมือหลายอย่างยังอยู่ภายใต้การควบคุมของผู้ให้บริการภายนอก

แล้วซีอีโอควรทำอย่างไร เมื่อการนำ AI มาใช้ได้ผล แต่บริษัทกลับควบคุมวิธีการใช้งานได้ไม่เต็มที่อีกต่อไป ลองมาหาคำตอบกัน

อย่าเหมารวมการใช้งาน AI อย่างต่อเนื่องว่าเป็นผลลัพธ์ทางธุรกิจ

สิ่งแรกที่ฉันสังเกตเห็นคือ ในช่วงเริ่มนำ AI มาใช้ ตัวชี้วัดการยอมรับการใช้งาน เช่น จำนวนผู้ใช้ที่ใช้งานอยู่หรือความถี่ในการใช้งาน ยังมีประโยชน์ ในฐานะผู้นำ คุณย่อมอยากรู้ว่าพนักงานใช้เครื่องมือเหล่านี้หรือไม่ ใช้เครื่องมือใดเป็นพิเศษ และ AI ช่วยประหยัดเวลาของพวกเขาได้จริงหรือเปล่า แต่เมื่อการใช้งานแพร่หลายไปทั่วทั้งบริษัท ตัวเลขเหล่านี้ก็มีประโยชน์น้อยลงมาก

เราเห็นเรื่องนี้เกิดขึ้นกับตัวเอง เมื่อผู้คนเข้าถึงโมเดลที่มีความสามารถสูง พวกเขาก็เริ่มใช้มันแทบทุกเรื่อง มีอยู่ช่วงหนึ่ง พนักงานเริ่มถาม AI ว่าตอนนี้ที่นิวยอร์กกี่โมง แน่นอนว่าตัวอย่างนี้ฟังดูไร้สาระ แต่ก็แสดงให้เห็นว่าการใช้งานอาจเพิ่มขึ้นอย่างรวดเร็ว โดยไม่ได้สร้างคุณค่าให้บริษัทอย่างมีนัยสำคัญ

Shopify ก็ประสบปัญหาในลักษณะเดียวกัน หลังผสาน AI เข้ากับการทำงานอย่างลึกซึ้ง จน River เอเจนต์ภายในของบริษัท ร่างคำขอรวมโค้ดเพื่อใช้งานจริงได้มากถึงครึ่งหนึ่งแล้ว อย่างไรก็ตาม Tobi Lütke ซีอีโอ เพิ่งเตือนถึงสิ่งที่เขาเรียกว่า “ระเบิดขยะ” ซึ่งหมายถึงงานที่ AI สร้างขึ้นและพนักงานส่งต่อโดยไม่ตรวจสอบให้ถี่ถ้วน ทำให้คนอื่นต้องมาทบทวน แก้ไข หรือแม้แต่สรุปผลงานนั้น

กล่าวอีกอย่างคือ การใช้ AI มากขึ้นอาจทำให้เกิดงานเพิ่มขึ้นแทนที่จะสร้างคุณค่าเพิ่ม บริษัทอาจมีตัวเลขการใช้งานที่น่าประทับใจและผลงานจำนวนมหาศาล แต่ผลงานบางส่วนกลับสร้างงานอีกชิ้นให้คนอื่นต้องทำต่อ

นี่คือสิ่งที่ซีอีโอต้องปรับเปลี่ยน พรอมป์ต์ การเข้าสู่ระบบ และปริมาณโทเคนที่ใช้ ล้วนแสดงให้เห็นว่ามีกิจกรรมเกิดขึ้นมากมายในกระบวนการทำงาน แต่ตัวเลขเหล่านี้ไม่ได้บอกว่า AI สร้างผลตอบแทนคุ้มกับค่าใช้จ่ายจริงหรือไม่

ความเร็วสร้างคอขวดรูปแบบใหม่

มีคำกล่าวว่า “รีบร้อนแล้วมักเสียงาน” ฉันคิดว่าคำกล่าวนี้ใช้กับ AI ได้เช่นกัน เพราะเราเรียนรู้แล้วว่าการทำให้คน “ทำงานเร็วขึ้น” ด้วย AI ไม่ได้หมายความว่าจะมีงานให้ทำน้อยลงทันที

ปัจจุบัน AI ช่วยให้ทีมพัฒนาของเราผลิตโค้ดได้มากขึ้นอย่างเห็นได้ชัดภายในเวลาเท่าเดิม แต่สิ่งสำคัญคือโค้ดทั้งหมดนั้นยังต้องผ่านการตรวจสอบก่อนนำขึ้นใช้งานจริง ไม่ต้องสงสัยเลยว่า การตรวจสอบโดยอัตโนมัติช่วยได้

แต่ก็ยังห่างไกลจากจุดที่ฉันจะไว้ใจได้โดยไม่ตรวจสอบ ดังนั้น แม้นักพัฒนาจะใช้เวลาเขียนโค้ดทุกอย่างด้วยตัวเองน้อยลง แต่ตอนนี้พวกเขากลับมีผลงานให้ตรวจสอบ ทดสอบ และตัดสินใจมากขึ้นมาก

กล่าวอีกอย่างคือ งานไม่ได้หายไปไหน เพียงแต่เปลี่ยนรูปแบบไปเท่านั้น

เมื่อพิจารณาว่าปริมาณโค้ดที่ต้องอาศัยคนตรวจสอบเพิ่มขึ้นตามไปด้วย การพัฒนาที่เร็วขึ้น 5 เท่าของเราจึงดูไม่น่าตื่นตาตื่นใจเท่าเดิม ต้นทุนที่แท้จริงของกระบวนการทำงานที่ใช้ AI ยังรวมถึงเวลาที่ใช้ตรวจสอบสิ่งที่ AI สร้างขึ้น และที่สำคัญที่สุดคือการตัดสินใจตั้งแต่แรกว่าจะไว้ใจผลงานนั้นได้หรือไม่

การเริ่มนำ AI มาใช้รอบที่สองเป็นเรื่องจำเป็น

จากมุมมองของฉัน บริษัทต่าง ๆ จำเป็นต้องเริ่มนำ AI มาใช้ “รอบที่สอง”

การนำ AI มาใช้รอบแรกเน้นเรื่องการยอมรับการใช้งานเป็นหลัก ได้แก่ การเปิดให้ผู้คนเข้าถึง ค้นหากรณีใช้งานจริง และดูว่าเทคโนโลยีช่วยได้ตรงไหนและช่วยไม่ได้ตรงไหน แต่หลังจากใช้งานจริงมาหลายเดือน คุณก็มีสิ่งที่มีค่ากว่าการคาดเดามาก นั่นคือหลักฐานจากบริษัทของคุณเองที่บอกว่าค่าใช้จ่ายเพิ่มขึ้นตรงไหน ทีมใดสร้างผลลัพธ์ได้ดีกว่า และผู้คนใช้เวลาตรวจสอบผลงานจาก AI มากเกินไปตรงไหน

ดังนั้น ฉันคิดว่าถึงเวลาออกแบบกฎเกณฑ์การใช้ AI ใหม่ แทนที่จะมุ่งผลักดันให้มีการใช้งานแพร่หลายขึ้น ในทางปฏิบัติ ฉันจะให้ความสำคัญกับสามเรื่องนี้

• เลือกโมเดลให้เหมาะกับงาน คำขอทั่วไปสามารถส่งไปยังโมเดลขนาดเล็กที่มีค่าใช้จ่ายต่ำกว่า ส่วนงานที่ซับซ้อนกว่าก็ส่งไปยังโมเดลที่คุ้มกับค่าใช้จ่ายเพิ่มเติม เป้าหมายสูงสุดคือหลีกเลี่ยงการจ่ายราคาโมเดลระดับแนวหน้าสำหรับงานที่มีมูลค่าต่ำ
• กำหนดให้ชัดเจนว่างานใดต้องมีมนุษย์ควบคุม สำหรับโค้ดที่จะนำไปใช้งานจริง เอกสารทางกฎหมาย หรือผลงานอื่นที่มีผลกระทบสูง ให้ระบุว่าต้องมีมนุษย์อนุมัติผลลัพธ์ก่อนส่งต่อไปยังขั้นตอนถัดไปของกระบวนการทำงาน นอกจากนี้ ให้กำหนดกฎการเข้าถึงข้อมูลที่ละเอียดอ่อน เพื่อให้พนักงานรู้ว่าโมเดลใดรับข้อมูลดังกล่าวได้และโมเดลใดรับไม่ได้
• จัดทำแผนสำรองไว้ แม้จะคิดว่าไม่จำเป็นก็ตาม หากขั้นตอนการทำงานที่สำคัญต้องพึ่งพาผู้ให้บริการภายนอก ให้บันทึกพรอมป์ต์ การผสานการทำงาน กระแสข้อมูล และข้อพึ่งพาที่เจาะจงกับแต่ละโมเดลไว้อย่างละเอียดเพียงพอ เพื่อให้ย้ายภาระงานไปยังผู้ให้บริการรายอื่นได้ในกรณีฉุกเฉิน

นี่คือความแตกต่างระหว่างการนำ AI มาใช้ระลอกแรกกับระลอกที่สอง ระลอกแรกถามว่า เราจะใช้ AI ที่ไหนได้บ้าง ส่วนระลอกที่สองถามว่า เราควรใช้ AI ที่ไหน ภายใต้กฎใด และมีค่าใช้จ่ายเท่าไร

ตรวจสอบการนำ AI มาใช้ก่อนขยายผลอีกครั้ง

เมื่อการนำ AI มาใช้ได้ผลและการใช้งานระลอกแรกดูเหมือนประสบความสำเร็จ ผมจะไม่ขยายผลต่อไปในรูปแบบเดิมอีกหนึ่งปี หลังจากใช้งานจริงประมาณ 90 ถึง 180 วัน ผมจะหยุดและตรวจสอบสิ่งที่บริษัทสร้างขึ้นจริง

นั่นหมายถึงการวัดผลลัพธ์ทางธุรกิจที่ได้รับการยอมรับ จับคู่โมเดลและค่าใช้จ่ายให้สอดคล้องกับมูลค่าที่แท้จริงของงาน ระบุจุดที่ยังจำเป็นต้องให้มนุษย์ตรวจสอบ และพิจารณาว่าขั้นตอนการทำงานใดอาจขยับเข้าใกล้ระบบอัตโนมัติเต็มรูปแบบได้บ้าง

การนำ AI มาใช้ระลอกแรกพิสูจน์ว่า AI ช่วยให้บริษัททำงานได้เร็วขึ้น ส่วนระลอกที่สองช่วยป้องกันไม่ให้ความเร็วที่เพิ่มขึ้นนำไปสู่ค่าใช้จ่ายที่ไม่จำเป็น การเข้าถึงที่ไม่มีการควบคุม หรือการพึ่งพาผู้ให้บริการที่ธุรกิจไม่เคยตกลงยอมรับอย่างมีสติ