การสำรวจอย่างละเอียดขั้นตอนการนำ AI ไปใช้ที่อยู่เบื้องหลังความสำเร็จของ AI ระดับองค์กร

ทุกองค์กรจะผ่านขั้นตอนการนำ AI ไปใช้เดียวกัน ไม่ว่าจะวางแผนไว้หรือไม่ก็ตาม เส้นทางเริ่มจากการใช้เครื่องมือแบบกระ散ไปสู่การทดลองแรก ๆ จากนั้นเข้าสู่การผลิตจริง และสุดท้ายสู่ระบบร่วมที่ธุรกิจทั้งหมดพึ่งพา การเปลี่ยนแปลงแต่ละขั้นเป็นไปอย่างค่อยเป็นค่อยไป ทำให้บริษัทมักจะเข้าสู่ขั้นตอนใหม่ก่อนที่ใครจะสังเกตเห็น

สิ่งที่ทำให้บริษัทหนึ่งแตกต่างจากอีกบริษัทคือระดับความก้าวหน้าในเส้นทางนั้น และช่องว่างระหว่างบริษัทในตลาดนั้นกว้างมาก McKinsey’s 2025 Global Survey พบว่า 88 เปอร์เซ็นต์ขององค์กรใช้ AI อย่างน้อยหนึ่งฟังก์ชันของธุรกิจ ในขณะที่ประมาณหนึ่งในสามเริ่มขยายการใช้งานและ 7 เปอร์เซ็นต์บอกว่า AI ได้รับการขยายเต็มรูปแบบ นั่นหมายความว่าเกือบทุกธุรกิจเริ่มนำ AI ไปใช้แล้ว แต่มีเพียงไม่กี่บริษัทที่ประสบความสำเร็จจริง

ในช่วงหลายปีที่ผ่านมา ฉันได้ทำงานกับทีมผู้นำในทุกจุดของเส้นทางนี้ และพบว่ามีรูปแบบเดียวกันตลอด การที่บริษัทอยู่ในขั้นตอนใดบ่งบอกมากกว่าการเลือกโมเดลหรือผู้ขายว่าผลลัพธ์ของโปรแกรม AI จะเป็นอย่างไร แต่ละขั้นตอนของการนำ AI ไปใช้ต้องการการเปลี่ยนแปลงภายในองค์กรที่แตกต่างกัน และการเปลี่ยนแปลงนั้นคือสิ่งที่ทำนายผลลัพธ์ ดังนั้นเราจะไปสำรวจแต่ละขั้นตอนพร้อมกับจุดที่บริษัทมักติดขัดเมื่อพยายามก้าวไปขั้นต่อไป

ห้าขั้นตอนของการนำ AI ไปใช้และการตัดสินใจที่ผลักดันบริษัทให้ก้าวหน้า

ในบริษัทที่เราทำงานด้วย ขั้นตอนทั้งห้านี้มักปรากฏในลำดับเดียวกันเสมอ เริ่มจากบางคนใช้เครื่องมือ AI ด้วยตนเองโดยไม่มีนโยบายศูนย์กลาง และผู้นำมักไม่ทราบจนถึงภายหลัง บางบริษัทอาจไม่เคยก้าวข้ามขั้นตอนนี้เลย แต่บริษัทที่ทำได้จะค่อย ๆ ไปสู่จุดที่ธุรกิจทั้งหมดถูกสร้างรอบความสามารถของเทคโนโลยี สิ่งที่ควรเข้าใจคือแต่ละขั้นตอนต้องการสิ่งที่แตกต่างจากองค์กร การตัดสินใจที่ทำให้บริษัทผ่านขั้นตอนการทดลองมักเป็นการตัดสินใจเดียวกันที่ทำให้บริษัทติดขัดในปีต่อมา และนี่คือจุดที่โปรแกรม AI จำนวนมากล่มสลายโดยเงียบ ๆ

1. การใช้แบบกระ散โดยไม่มีเจ้าของ

ขั้นตอนแรกมักดูเหมือนเพียงความสนใจเท่านั้น ในขณะนี้พนักงานใช้เครื่องมือ AI โดยไม่มีนโยบายศูนย์กลาง ฝ่ายจัดซื้อไม่มีการมองเห็นใด ๆ และไม่มีใครวัดผลของงานที่ทำอยู่ มีข้อมูลที่มีคุณค่าอยู่ในความสับสนนี้ เพราะความสนใจที่ขอบของบริษัทบ่งบอกว่าความขัดแย้งจริง ๆ อยู่ที่ไหน และสัญญาณนั้นแทบไม่มีทางถึงชั้นผู้บริหารผ่านช่องทางทางการ

ข้อผิดพลาดที่ผู้นำทำในขั้นตอนนี้คือการทำให้เป็นทางการเร็วเกินไป ซึ่งทำให้การทดลองที่แท้จริงกลายเป็นการกำกับดูแลก่อนที่ใครจะรู้ว่าจริง ๆ แล้วควรกำกับดูแลอะไร

สิ่งที่ควรตัดสินใจในขั้นตอนนี้: สัญชาตญาณที่ถูกต้องคือการสังเกตสิ่งที่เกิดขึ้นแทนการพยายามควบคุม จึงควรกำหนดนโยบายการใช้เบื้องต้นที่ครอบคลุมการจัดการข้อมูลและปล่อยให้ส่วนอื่น ๆ ทำงานต่อไปตามปกติ สิ่งที่ต้องมองหาคือการทำซ้ำ หากวิธีแก้เดียวกันปรากฏในสามทีมที่ไม่มีการประสานงานกัน คุณจะมีกรณีการใช้งานที่สมควรได้รับการสนับสนุนงบประมาณ

2. การทดลองที่ได้รับทุนแต่มีเกณฑ์ความสำเร็จอ่อนแอ

การทดลองมาพร้อมกับงบประมาณ เจ้าของที่ระบุชื่อ และการสาธิตต่อคณะกรรมการ แล้วงานก็จบลงอย่างเงียบ ๆ Research from MIT’s NANDA initiative พบว่าการทดลอง AI สร้างสรรค์ส่วนใหญ่ขององค์กรไม่มีผลกระทบที่วัดได้ต่อกำไรและขาดทุน

สาเหตุหลักมีสามประการ ประการแรกคือเกณฑ์ความสำเร็จถูกกำหนดโดยความแม่นยำของโมเดลแทนตัวเลขที่ธุรกิจใส่ใจจริง ๆ ประการที่สองคือไม่มีไหล่ข้อมูลที่แท้จริงรองรับการสาธิต ประการที่สามคือเมื่อการเปิดตัวเสร็จสิ้น ไม่มีใครรับผิดชอบต่อผลลัพธ์ สิ่งที่ทำให้ขั้นตอนนี้ยากต่อการสังเกตจากภายในคือดูเหมือนความก้าวหน้า มีการสาธิตที่ดีขึ้น ผู้ขายแข่งขันเพื่อขั้นต่อไป และคณะทำงานยังคงประชุมอยู่ แต่ทั้งหมดนั้นไม่กลายเป็นตัวเลขที่ฝ่ายการเงินสามารถวัดได้

การกระทำที่ควรทำ: อย่ายอมรับการทดลองหากไม่มีตัวชี้วัดทางธุรกิจแนบมาด้วยและไม่มีเจ้าของที่พร้อมรับผิดชอบต่อเมตริกนั้นในอีกหนึ่งปี และยกเลิกการทดลองที่ไม่มีใครสามารถระบุตัวชี้วัดหรือเจ้าของได้ การทดลองสี่ครั้งที่ทำตามระเบียบนี้จะให้ผลดีกว่าการทดลองสิบสองครั้งที่ทุกคนชื่นชม

3. การผสานเข้าการผลิต

ในบรรดาขั้นตอนการนำ AI ไปใช้ ขั้นตอนนี้เป็นสาเหตุที่ทำให้โปรแกรมจำนวนมากหยุดลง พนักงานและลูกค้าพึ่งพาระบบทุกวัน และความต้องการใหม่ ๆ ปรากฏขึ้นที่การทดลองไม่เคยต้องเจอ เช่น การตรวจสอบ การส่งต่อปัญหาให้มนุษย์ การควบคุมเวอร์ชันของพรอมต์และโมเดล การตอบสนองต่อเหตุฉุกเฉิน และการสืบค้นข้อมูลที่ต้องยืนหยัดต่อการตรวจสอบ NIST AI Risk Management Framework ระบุรายละเอียดของการควบคุมเหล่านี้ไว้ ควรอ่านก่อนกำหนดวันเปิดตัว

ปัญหาที่ยากกว่าที่นี่ไม่ใช่ด้านเทคนิค แต่เป็นด้านองค์กร เพราะขั้นตอนนี้ให้รางวัลกับวินัยด้านวิศวกรรม มากกว่าการทดลองต่อเนื่อง ทีมที่เคยทำงานแบบกลุ่มวิจัยจะเจอความยากลำบากในขณะผู้นำกำลังมองหาเหตุผลทางเทคโนโลยี เศรษฐศาสตร์ก็เปลี่ยนด้วย ค่าใช้จ่ายของการทดลองเป็นค่าใช้จ่ายครั้งเดียวและง่ายต่อการอนุมัติ ส่วนการผลิตสร้างเส้นค่าใช้จ่ายถาวร และบริษัทที่ไม่ได้วางงบประมาณไว้มักมองคำขอการต่ออายุครั้งแรกเป็นสัญญาณว่าการลงทุนล้มเหลว

สิ่งที่ต้องเปลี่ยนก่อนการเปิดตัว: ย้ายความเป็นเจ้าของไปก่อนการเปิดตัว ไม่ใช่หลังจากนั้น มอบการส่งมอบให้กับผู้ที่เคยดำเนินการในสภาพการผลิตแล้ว และจัดสรรค่าใช้จ่ายการดำเนินงานล่วงหน้าเป็นสามปีตั้งแต่เริ่มต้น จากนั้นระบุบุคคลที่รับการแจ้งเตือนเมื่อโมเดลเสื่อมสภาพ เพราะชื่อคนนั้นคือสิ่งที่แยกระบบทำงานจากการสาธิต

4. ความสามารถร่วมและการนำกลับมาใช้ใหม่

ตอนนี้ AI กลายเป็นโครงสร้างพื้นฐานที่หลายหน่วยธุรกิจใช้ ทีมแพลตฟอร์มดูแลส่วนประกอบที่นำกลับมาใช้ใหม่ วิธีการประเมินมาตรฐาน และเส้นทางการปรับใช้ ทำให้ค่าใช้จ่ายของกรณีการใช้งานใหม่ลดลง เพราะไม่มีใครต้องสร้างพื้นฐานตั้งแต่ต้นทุกครั้ง

สัญญาณที่ชัดเจนว่าบริษัทถึงขั้นนี้ไม่ได้เกี่ยวกับเทคโนโลยีเลยเลย การมอบอำนาจงบประมาณย้ายจากทีมนวัตกรรมไปยังเจ้าของสายธุรกิจ และเมื่อหัวหน้าฝ่ายใช้เงินจากงบประมาณการดำเนินงานและรับผลตอบแทนในตัวเลขของตนเอง องค์กรก็ได้ข้ามผ่านอย่างแท้จริง เราเคยเห็นการเปลี่ยนแปลงเดียวนี้ทำให้คุณภาพของกรณีการใช้งานดีขึ้นกว่าการตัดสินใจทางเทคนิคใด ๆ ในปีเดียวกัน

ที่ที่เงินควรอยู่: ให้การสนับสนุนทีมแพลตฟอร์มเป็นโครงสร้างพื้นฐาน ไม่ใช่โครงการ แล้ววัดผลจากการนำกลับมาใช้ใหม่ แทนการวัดจากจำนวนสิ่งที่เปิดตัว จากนั้นย้ายงบประมาณ AI จากนวัตกรรมเข้าสู่หน่วยงาน เพราะเมื่อเจ้าของธุรกิจเป็นผู้จ่ายเงิน กรณีการใช้งานจะคมชัดขึ้นโดยไม่ต้องมีการแทรกแซงจากใคร

5. AI อยู่ในโมเดลการดำเนินงาน

บริษัทในขั้นตอนนี้ออกแบบผลิตภัณฑ์ กระบวนการ และการตัดสินใจโดยอิงความสามารถของ AI ตั้งแต่แรก ไม่ต้องปรับปรุงภายหลัง ข้อเสนอใหม่สมมติว่าความสามารถนั้นมีอยู่แล้ว บทบาทเปลี่ยนไปสอดคล้องกับสิ่งที่ระบบจัดการ และรอบการวางแผนสั้นลงเพราะไอเดียสามารถทดสอบกับข้อมูลจริงได้ในไม่กี่วัน

องค์กรที่ถึงขั้นนี้จริง ๆ มีน้อยมาก และจำนวนที่อ้างว่าตนอยู่ในขั้นนี้มากกว่าจำนวนที่ผ่านเกณฑ์จริง การทดสอบง่าย ๆ สามารถทำได้ในที่ประชุมเดียว: ถามว่าบริษัทจะหยุดทำอะไรได้บ้างหากโมเดลหายไปในวันพรุ่งนี้ คำตอบที่จริงใจมักทำให้รู้สึกอึดอัด เพราะมันชี้ไปที่รายได้แทนความสะดวก ทุกครั้งที่เราถามคำถามนี้กับทีมผู้นำ คำตอบที่ซื่อสัตย์มักทำให้พวกเขาติดอยู่หนึ่งหรือสองขั้นตอนต่ำกว่าที่สไลด์กลยุทธ์อ้างอิง

คำถามระดับคณะกรรมการ: ถือความสามารถของ AI เป็นสินทรัพย์เชิงกลยุทธ์และตรวจสอบอย่างเข้มงวดเช่นเดียวกับสินทรัพย์อื่น ๆ ตรวจสอบความเข้มข้นของผู้ขาย การพึ่งพาโมเดล และการเป็นเจ้าของข้อมูลในระดับคณะกรรมการ แล้วถามว่ามีแผนสำรองอย่างไรสำหรับทุกกระบวนการที่ไม่สามารถทำงานได้หากไม่มีโมเดล และจัดสรรงบประมาณสำหรับแผนสำรองนั้นก่อนที่ใครจะต้องใช้

อะไรจะเกิดขึ้นเมื่อบริษัทข้ามขั้นตอนหนึ่ง: ตัวอย่างจากโลกจริง

เราพบบริษัทหลายแห่งและลำดับมักเป็นเช่นเดียวกัน: เมื่อการทดลองประสบความสำเร็จ คณะกรรมการชื่นชม ทุกคนต้องการแสดงความก้าวหน้า และบริษัทจึงข้ามจากการสาธิตไปสู่การเปิดตัวเต็มรูปแบบโดยไม่หยุดที่การผสานเข้าการผลิตใด ๆ ไม่มีใครอยากใช้ไตรมาสหนึ่งในการตรวจสอบและกำหนดความเป็นเจ้าของเมื่อการสาธิตทำงานแล้ว ดังนั้นจึงข้ามขั้นตอนนั้น ลูกค้าหนึ่งของเราทำเช่นนั้นและเสียค่าใช้จ่ายมากกว่าที่คาดคิด

สิ่งที่ผิดพลาด

ลูกค้าเป็นธุรกิจบริการที่ให้การสนับสนุนงาน และโมเดลรับหน้าที่ตอบสนองครั้งแรกที่เคยทำโดยทีมของพวกเขา โมเดลเปิดใช้งานทั่วทั้งองค์กรบนพื้นฐานของการทดลองที่ทำได้ดี และเป็นเวลาสี่เดือนที่ไม่มีอะไรผิดปกติ เมื่อเรามาตรวจสอบสิ่งที่กำลังทำงานอยู่จริง ๆ พบว่าไม่มีการตรวจสอบโมเดลเลย ดังนั้นไม่มีระบบใดบอกว่าคำตอบเริ่มผิดพลาด ไม่มีเส้นทางการส่งต่อกรณีที่ควรตรวจสอบโดยคน ทีมที่สร้างโมเดลได้ย้ายไปโครงการต่อไปและไม่มอบความเป็นเจ้าของให้ใคร และเพราะการทดลองเป็นค่าใช้จ่ายครั้งเดียว ไม่มีใครจัดสรรงบประมาณการดำเนินงานให้กับสิ่งที่ตอนนี้ทำงานทุกวัน

ค่าใช้จ่ายที่เกิดขึ้น

คำตอบเริ่มผิดพลาดและคนที่เฝ้าติดตามอาจจับได้แต่ไม่มีใครเฝ้าดู ทำให้ลูกค้าตรวจพบเป็นคนแรก การแก้โมเดลเป็นส่วนที่ง่ายและใช้เวลาประมาณสองสัปดาห์ ส่วนการทำให้ผู้ใช้ที่เคยพึ่งพาผลลัพธ์นั้นกลับมามั่นใจอีกครั้งใช้เวลาถึงไตรมาสที่เหลือ และผู้นำใช้ส่วนใหญ่ของไตรมาสนั้นโต้เถียงว่าการลงทุน AI นั้นเป็นความผิดพลาดหรือไม่ ในขณะที่ความผิดพลาดจริงคือวิธีการเปิดตัว

สิ่งที่ควรเรียนรู้

การตรวจสอบและการเป็นเจ้าของดูเหมือนค่าใช้จ่ายเพิ่มเติมจนกว่าจะไม่มีมันอยู่ และการละเว้นทำให้การเปิดตัวดูถูกกว่า reality ค่าใช้จ่ายไม่ได้หายไป แต่ปรากฏในภายหลังเป็นการสูญเสียความเชื่อมั่นแทนการเป็นตัวเลขในงบประมาณ

วิธีระบุขั้นตอนปัจจุบันของบริษัทของคุณในการนำ AI ไปใช้

• คุณสามารถระบุเมตริกทางธุรกิจที่แต่ละโมเดลที่เปิดใช้เคลื่อนย้ายได้หรือไม่?
• ใครจะได้รับการแจ้งเตือนเมื่อโมเดลใดโมเดลหนึ่งเสื่อมสภาพ?
• กรณีการใช้งานใหม่ใช้เวลานานเท่าไหร่ตั้งแต่คำขอจนถึงการผลิต?
• งาน AI ของคุณใช้ซ้ำสิ่งที่สร้างไว้แล้วเท่าไหร่?

คำตอบที่ชัดเจนยืนยันขั้นตอนที่บริษัทได้ถึงแล้ว คำตอบที่ไม่แน่นอนชี้ตรงไปยังชั้นที่ควรได้รับการสนับสนุนต่อไป ซึ่งทำให้มันมีคุณค่าเท่า ๆ กัน

บริษัทที่ก้าวหน้าไม่ใช่บริษัทที่มีโมเดลดีที่สุดเสมอไป แต่เป็นบริษัทที่อ่านตำแหน่งของตนอย่างตรงไปตรงมาและใส่เงินลงในสิ่งที่พาไปสู่ขั้นตอนต่อไป สิ่งนี้ยากกว่าที่คิด เพราะทุกทีมรายงานความก้าวหน้าของตนเองและไม่มีใครอยากเป็นคนที่บอกว่าตนเองล้าหลัง ผู้นำที่ทำได้ถูกต้องจะถามคำถามโดยตรงและตรวจสอบคำตอบกับสิ่งที่กำลังทำงานจริง

ทุกองค์กรต่างอยู่ในหนึ่งในขั้นตอนเหล่านี้แล้ว ไม่ว่าจะมีการตั้งชื่อหรือไม่ก็ตาม ความได้เปรียบอยู่กับทีมผู้นำที่รู้ว่าตนอยู่ที่ขั้นไหนและที่มอบงบประมาณให้ขั้นต่อไปอย่างตั้งใจ