โมเดลและแพลตฟอร์ม AI
สิ่งที่การประชุมสุดยอดว่าด้วยการพลิกโฉม AI & ข้อมูลในอุตสาหกรรมก่อสร้าง แคนาดา 2026 เผยให้เห็นเกี่ยวกับ AI ระดับองค์กร

ประเด็นสำคัญข้อจำกัดหลักของ AI สำหรับองค์กรในขณะนี้คือองค์กรที่อยู่รอบโมเดล มากกว่าการเข้าถึงโมเดล
ดูเพิ่มเติม
- ข้อจำกัดหลักของ AI สำหรับองค์กรในขณะนี้คือองค์กรที่อยู่รอบโมเดล มากกว่าการเข้าถึงโมเดล
- ความพร้อมของข้อมูลเป็นวินัยในการดำเนินงานอย่างต่อเนื่อง เพราะ AI ไม่สามารถสร้างข้อมูลที่ไม่เคยถูกบันทึกไว้ได้
- การลงทุนใน AI กำลังเผชิญกับการตรวจสอบผลตอบแทนจากการลงทุนที่เข้มข้นขึ้น ขณะที่บริษัทต่างๆ ต้องการผลลัพธ์ที่วัดได้ซึ่งเชื่อมโยงกับปัญหาการดำเนินงานเฉพาะ
การเปิดเผยข้อมูล: AMG World เป็นเจ้าภาพต้อนรับ Unite.AI ในการเข้าร่วมการประชุมสุดยอดที่โตรอนโต ข้อสังเกตและข้อสรุปในบทความนี้เป็นของเราเอง
อุตสาหกรรมก่อสร้างอาจไม่ใช่ที่แรกที่ผู้คนนึกถึงเมื่อต้องการมองหาเบาะแสเกี่ยวกับทิศทางของปัญญาประดิษฐ์ และนั่นเองที่ทำให้อุตสาหกรรมนี้เป็นบททดสอบเทคโนโลยีดังกล่าวได้อย่างเหมาะเจาะ
อุตสาหกรรมก่อสร้างต้องจัดการกับห่วงโซ่อุปทานที่ซับซ้อน ทีมงานที่กระจายตัว ระบบเดิม ความเสี่ยงทางกายภาพ อัตรากำไรที่จำกัด และข้อมูลจำนวนมหาศาลที่เกิดขึ้นในไซต์งานซึ่งเปลี่ยนแปลงอยู่เสมอ ระบบ AI อาจสร้างการสาธิตที่น่าประทับใจในสภาพแวดล้อมที่ควบคุมได้ แต่การส่งมอบคุณค่าที่เชื่อถือได้ภายใต้เงื่อนไขเหล่านี้เป็นความท้าทายอีกระดับหนึ่ง
ในการประชุมสุดยอด ว่าด้วยการพลิกโฉม AI & ข้อมูลในอุตสาหกรรมก่อสร้าง แคนาดา 2026 ซึ่งจัดโดย AMG World ที่โตรอนโตเมื่อวันที่ 17 พฤศจิกายน การพูดคุยสะท้อนให้เห็นว่าตลาด AI กำลังก้าวเข้าสู่ช่วงที่ต้องพิสูจน์ตัวเองมากขึ้น วาระการประชุมครอบคลุมผลตอบแทนจากการลงทุน (ROI) ที่วัดผลได้ ข้อมูลที่เชื่อมโยงถึงกัน ดิจิทัลทวิน การปรับเปลี่ยนกำลังคน และการนำไปใช้งานจริง อย่างไรก็ตาม ข้อสรุปหนึ่งที่โดดเด่นจากการนำเสนอและการอภิปรายกลุ่มย่อยคือ อุปสรรคหลักของ AI ระดับองค์กรไม่ใช่การเข้าถึงโมเดลประสิทธิภาพสูงอีกต่อไป แต่อยู่ที่องค์กรรอบตัวโมเดลนั้น
ความมุ่งมั่นที่จะใช้ AI กำลังปะทะกับความเป็นจริงในการดำเนินงาน
แทบไม่จำเป็นต้องโน้มน้าวผู้เข้าร่วมประชุมว่า AI อาจส่งผลต่ออุตสาหกรรมก่อสร้าง คำถามที่ยากกว่าคือจะนำ AI ไปใช้อย่างไร ควรใช้กับงานใด และจะพิสูจน์คุณค่าให้มากพอที่จะคุ้มกับการลงทุนได้อย่างไร
หลายองค์กรดูเหมือนกำลังติดอยู่ระหว่างความมุ่งมั่นกับความไม่แน่ใจ องค์กรเหล่านี้ต้องการนำ AI มาใช้ แต่ยังไม่มีกระบวนการที่ชัดเจนสำหรับระบุกรณีการใช้งานที่เหมาะสม กำหนดผู้รับผิดชอบ หรือนำเทคโนโลยีมาใช้ในแบบที่พนักงานยอมรับได้ การพูดคุยเช่นนี้เป็นสัญญาณที่ดีกว่าความกระตือรือร้นอย่างไร้ข้อกังขา ซึ่งเป็นลักษณะเด่นในช่วงแรกของกระแส AI เชิงกำเนิด
เรื่องนี้ยังหมายความว่าผู้จำหน่ายต้องรับมือกับลูกค้าที่คาดหวังมากขึ้นด้วย อินเทอร์เฟซที่น่าดึงดูดเพียงอย่างเดียวไม่เพียงพอ บริษัทก่อสร้างต้องการทราบมากขึ้นเรื่อย ๆ ว่าระบบ AI จะทำงานร่วมกับสภาพแวดล้อมข้อมูลที่มีอยู่ได้อย่างไร จะเกิดอะไรขึ้นเมื่อข้อมูลขาดหาย จะตรวจสอบความถูกต้องของผลลัพธ์ได้อย่างไร และระบบจะยังใช้งานได้เมื่อเผชิญกับการปฏิบัติงานจริงในไซต์งานหรือไม่
แม้แต่การพูดคุยเรื่องโมเดลก็ยังมีขอบเขตแคบกว่าที่ตลาด AI โดยรวมอาจทำให้คาดคิด Claude เป็นโมเดลภาษาขนาดใหญ่แบบใช้งานทั่วไปเพียงตัวเดียวที่มีการเอ่ยชื่อซ้ำหลายครั้งในการสนทนาที่บันทึกไว้ในบันทึกของเรา ทั้งนี้ไม่ควรตีความว่าเป็นข้อสรุปเกี่ยวกับส่วนแบ่งตลาด แต่เรื่องนี้ชี้ให้เห็นว่าองค์กรต่าง ๆ มักมุ่งนำเครื่องมือเพียงไม่กี่ตัวมาใช้ โดยเครื่องมือเหล่านั้นได้ผ่านเกณฑ์ภายในด้านความไว้วางใจ ความปลอดภัย หรือการจัดซื้อจัดจ้างมาแล้ว
ปัญหา AI ที่สำคัญที่สุดเริ่มต้นก่อนถึงขั้นโมเดล
คุณภาพของข้อมูลเป็นประเด็นที่ถูกหยิบยกขึ้นมาพูดถึงอย่างต่อเนื่องที่สุด
ดิจิทัลทวินเป็นตัวอย่างที่ชัดเจน ดิจิทัลทวินจะมีประโยชน์ก็ต่อเมื่อข้อมูลจากทุกส่วนที่เกี่ยวข้องของโครงการไหลเข้าสู่ระบบอย่างต่อเนื่อง หากผู้รับเหมาไม่ส่งข้อมูลอัปเดต ระบบของบุคคลที่สามเปิดเผยข้อมูลที่จำเป็นเพียงบางส่วน หรือพนักงานลาออกโดยไม่ได้ถ่ายทอดสิ่งที่ตนรู้ โมเดลก็จะค่อย ๆ ห่างไกลจากความเป็นจริง
ผลลัพธ์ที่ได้อาจยังดูซับซ้อนและล้ำสมัย แต่ก็อาจผิดพลาดได้เช่นกัน
ปัญหานี้แก้ไม่ได้ด้วยการเพิ่มขนาดโมเดล AI ไม่สามารถสร้างข้อมูลการดำเนินงานที่ไม่เคยมีการบันทึกขึ้นมาใหม่ได้อย่างน่าเชื่อถือ และยังไม่สามารถระบุได้ว่าฝ่ายใดต้องรับผิดชอบอุดช่องว่างของข้อมูล หากองค์กรไม่ได้กำหนดความรับผิดชอบนั้นไว้
การพูดคุยที่โตรอนโตกลับมาหยิบย้ำถึงความจำเป็นของข้อมูลที่เชื่อถือได้ โครงสร้างข้อมูลที่ชัดเจน และกระบวนการดูแลให้โมเดลเป็นปัจจุบันอยู่เสมอ นี่เป็นเหตุผลหนึ่งที่ วาระการประชุมอย่างเป็นทางการให้ความสำคัญอย่างมากกับรากฐานข้อมูล การส่งมอบงานที่เชื่อมโยงถึงกัน ดิจิทัลทวิน และการประสานให้บุคลากรกับกระบวนการทำงานสอดคล้องกัน
บทเรียนสำคัญสำหรับอุตสาหกรรม AI โดยรวมคือ ความพร้อมด้านข้อมูลไม่ใช่เพียงโครงการทำความสะอาดฐานข้อมูลที่ดำเนินการให้เสร็จก่อนเริ่มใช้งาน แต่เป็นวินัยในการปฏิบัติงานที่ต้องทำอย่างต่อเนื่อง
ทีมงานภาคสนามกำลังกลายเป็นส่วนหนึ่งของโครงสร้างพื้นฐาน AI
ข้อสังเกตที่นำไปใช้ได้จริงข้อหนึ่งจากการประชุมเกี่ยวข้องกับบทบาทของผู้จัดการโครงการ โดยมีการระบุว่าผู้จัดการโครงการเป็นจุดสำคัญในการรวบรวมข้อมูลจากภาคสนามและทำให้มั่นใจว่าข้อมูลดังกล่าวจะไปถึงระบบที่องค์กรในวงกว้างใช้งาน
ผู้จัดการโครงการและทีมงานหน้างานจึงเป็นส่วนหนึ่งของโครงสร้างพื้นฐาน AI ไม่ว่าตำแหน่งงานของพวกเขาจะกล่าวถึงปัญญาประดิษฐ์หรือไม่ก็ตาม
หากการบันทึกข้อมูลต้องกรอกแบบฟอร์มเพิ่ม ป้อนข้อมูลซ้ำ หรือทำตามขั้นตอนการทำงานใหม่ที่ซับซ้อน ช่องว่างของข้อมูลก็จะยังคงอยู่ ดังนั้น ระบบที่มีประสิทธิภาพสูงสุดคือระบบที่ทำให้การเก็บข้อมูลอย่างถูกต้องเป็นส่วนหนึ่งของการทำงานตามปกติ แทนที่จะเพิ่มภาระงานธุรการเข้ามาภายหลัง
เรื่องนี้สำคัญเป็นพิเศษในอุตสาหกรรมที่ขั้นตอนการทำงานหลายอย่างยังเป็นแบบแอนะล็อก และพนักงาน ผู้รับเหมา สหภาพแรงงาน ผู้ให้บริการเทคโนโลยี และเจ้าของโครงการอาจมีวิธีจัดการกับข้อมูลแตกต่างกัน การนำ AI มาใช้อย่างประสบความสำเร็จต้องทำมากกว่าแค่เปิดให้ผู้คนเข้าถึงผู้ช่วย AI แต่ต้องออกแบบการไหลเวียนของข้อมูลที่เชื่อถือได้ทั่วทั้งองค์กร
การตรวจสอบผลตอบแทนจากการลงทุนเข้มงวดขึ้น
ผู้เข้าร่วมยังแสดงความกังวลเกี่ยวกับการลงทุนด้าน AI ที่ยังไม่ให้ผลตอบแทนตามที่คาดหวังไว้ในตอนแรก มีการกล่าวถึงต้นทุนของโทเคน แต่ประเด็นที่ใหญ่กว่าคือความเสี่ยงด้านเงินลงทุน
บริษัทก่อสร้างคุ้นเคยกับการประเมินโครงการโดยพิจารณาจากต้นทุน กำหนดการ ความปลอดภัย และความเสี่ยงที่ต้องแบกรับ จึงไม่น่าจะยอมให้มีการทดลองใช้ AI โดยไม่กำหนดระยะเวลาสิ้นสุดไปเรื่อย ๆ โดยเฉพาะเมื่อการนำไปใช้งานต้องอาศัยการเชื่อมต่อระบบใหม่ การให้คำปรึกษา การฝึกอบรม และการเตรียมข้อมูล นอกเหนือจากการใช้งานโมเดล
ไม่ได้หมายความว่าบริษัทต่าง ๆ กำลังถอยห่างจาก AI แต่หมายความว่าบริษัทเหล่านั้นต้องการเห็นความเชื่อมโยงที่ชัดเจนยิ่งขึ้นระหว่างเทคโนโลยีกับผลลัพธ์ทางธุรกิจที่วัดผลได้
การนำ AI ไปใช้ที่น่าเชื่อถือที่สุดจะมุ่งแก้ปัญหาการดำเนินงานที่เฉพาะเจาะจง เช่น ลดงานธุรการ เพิ่มความสะดวกในการเข้าถึงความรู้เกี่ยวกับโครงการ ระบุความเสี่ยงด้านกำหนดการ ดูแลรักษาบันทึกดิจิทัล หรือช่วยให้ทีมตัดสินใจได้เร็วขึ้นโดยใช้ข้อมูลที่มีอยู่แล้ว โครงการ AI ที่อธิบายเพียงว่าเป็นการเปลี่ยนผ่านจะเผชิญแรงต้านมากกว่าโครงการที่ออกแบบมาเพื่อแก้ปัญหาคอขวดที่ระบุได้ชัดเจน
ความน่าเชื่อถือกำลังกลายเป็นส่วนหนึ่งของการคำนวณผลตอบแทนจากการลงทุน ผู้เข้าร่วมตั้งคำถามว่าจะเกิดอะไรขึ้นหากบริการ AI หรือแพลตฟอร์มคลาวด์รายใหญ่ใช้งานไม่ได้ เมื่อผนวก AI เข้ากับขั้นตอนการทำงานด้านปฏิบัติการแล้ว การวางแผนเพื่อให้การดำเนินงานต่อเนื่องจะปล่อยให้เป็นเรื่องที่ค่อยคิดทีหลังไม่ได้อีกต่อไป องค์กรต้องรู้ว่างานใดดำเนินต่อไปได้ การตัดสินใจใดต้องมีมนุษย์เข้ามาทำหน้าที่แทน และระบบจะกู้คืนได้อย่างไรโดยไม่สูญเสียข้อมูล
การยอมรับยังคงเป็นความท้าทายด้านบุคลากร
ผู้คนกังวลว่าจะถูก AI แย่งงาน แต่ยังมีอุปสรรคที่ใกล้ตัวกว่านั้น นั่นคือพนักงานจำนวนมากยังไม่มีความเข้าใจพื้นฐานว่า AI ทำอะไรได้และทำอะไรไม่ได้
เรื่องนี้ก่อให้เกิดความเสี่ยงได้ทั้งสองทาง พนักงานอาจหลีกเลี่ยงระบบที่มีประโยชน์เพราะไม่ไว้วางใจ หรืออาจเชื่อผลลัพธ์มากเกินไปเพราะประเมินความแม่นยำสูงเกินจริง
การฝึกอบรมเพียงครั้งเดียวไม่อาจแก้ความท้าทายนี้ได้ การยอมรับขึ้นอยู่กับการแสดงให้พนักงานเห็นว่า AI ช่วยสนับสนุนงานของตนได้อย่างไร การกำหนดความคาดหวังให้ชัดเจนเกี่ยวกับความรับผิดชอบของมนุษย์ และการเลือกใช้แอปพลิเคชันที่พนักงานมองเห็นประโยชน์ได้
เรื่องนี้ท้าทายเป็นพิเศษสำหรับบริษัทขนาดเล็กและขนาดกลาง หลายแห่งไม่มีศักยภาพพอที่จะจัดตั้งทีม AI โดยเฉพาะ หรือมอบหมายให้มีผู้รับผิดชอบโครงการทดลองในระยะยาว ดังนั้น คำถามเกี่ยวกับการฝึก LLM ภายในองค์กรอาจสำคัญน้อยกว่าคำถามเรื่องการเข้าถึงข้อมูล การกำกับดูแล การประเมินผล และผู้ที่จะยังคงรับผิดชอบต่อระบบที่เกิดขึ้น
โอกาสทางการตลาดมีอยู่มาก แต่ผู้ที่คว้าโอกาสนี้ได้อาจเป็นผู้ให้บริการที่ช่วยลดความซับซ้อนภายในองค์กร แทนที่จะเพียงนำเสนอโมเดลอีกรุ่นหนึ่ง
อุตสาหกรรมก่อสร้างคือบททดสอบความทนทานของ AI ระดับองค์กร
สิ่งที่ทำให้การประชุมสุดยอดที่โตรอนโตมีคุณค่าคือการมุ่งเน้นช่องว่างระหว่างการสาธิตที่ประสบความสำเร็จกับการนำไปใช้งานที่เชื่อถือได้ การผสมผสานระหว่างการบรรยายและการหารือกลุ่มย่อยเปิดพื้นที่ให้พูดถึงข้อกังวลด้านการปฏิบัติงาน ซึ่งมักถูกละไว้ในเรื่องเล่าเกี่ยวกับ AI ที่นำเสนออย่างสวยหรู
อุตสาหกรรมก่อสร้างเผยให้เห็นจุดอ่อนแทบทุกด้านที่ AI ระดับองค์กรต้องเอาชนะ ทั้งข้อมูลที่กระจัดกระจาย สภาพแวดล้อมที่เปลี่ยนแปลง กระบวนการเดิม ผู้ซื้อที่ระมัดระวัง ศักยภาพด้านเทคนิคที่จำกัด แรงต้านจากแรงงาน และผลกระทบร้ายแรงเมื่อข้อมูลผิดพลาด
อุตสาหกรรมนี้ยังแสดงให้เห็นด้วยว่าเหตุใดโอกาสจึงยังน่าดึงดูดอย่างยิ่ง การเชื่อมโยงความรู้เกี่ยวกับโครงการ ข้อมูลภาคสนาม ฝาแฝดดิจิทัล และประสบการณ์ขององค์กรเข้าด้วยกัน อาจช่วยปรับปรุงวิธีที่บริษัทวางแผนและส่งมอบงานที่ซับซ้อนได้อย่างมีนัยสำคัญ แต่ระบบที่จะประสบความสำเร็จคือระบบที่ทำให้ข้อมูลครบถ้วน น่าเชื่อถือ และเข้าถึงได้มากขึ้นสำหรับผู้ที่มีหน้าที่นำข้อมูลไปดำเนินการ
การพูดคุยจะดำเนินต่อไปนอกโตรอนโต
ซีรีส์งานด้านการก่อสร้างของ AMG World จะจัดต่อที่ การประชุมสุดยอดว่าด้วยการเปลี่ยนผ่านด้าน AI และข้อมูลในอุตสาหกรรมก่อสร้าง ออสติน 2027 ในวันที่ 26 มกราคม ตามด้วย การประชุมสุดยอดว่าด้วยการเปลี่ยนผ่านด้าน AI และข้อมูลในอุตสาหกรรมก่อสร้าง ยุโรป 2027 ที่ลอนดอนในวันที่ 23 กุมภาพันธ์
ผู้จัดงานยังขยายการหารือไปสู่อุตสาหกรรมอื่นที่ใช้สินทรัพย์จำนวนมากด้วย โดยจะจัดการประชุมสุดยอดด้าน AI และเทคโนโลยีสำหรับอุตสาหกรรมน้ำมันและก๊าซ 2027 ที่ฮิวสตันในวันที่ 9 กุมภาพันธ์ ซึ่งจะรวบรวมผู้นำด้าน AI ข้อมูล การเปลี่ยนผ่านสู่ดิจิทัล และการปฏิบัติงานจากภาคพลังงาน
หากโตรอนโตเป็นเครื่องบ่งชี้ ระยะต่อไปของ AI ระดับองค์กรจะไม่ได้ขับเคลื่อนโดยผู้ที่สร้างการสาธิตได้ฉูดฉาดที่สุด แต่จะนำโดยองค์กรที่เชื่อมโยงโมเดลเข้ากับข้อมูลที่เชื่อถือได้ บุคลากรที่รับผิดชอบได้ กระบวนการที่ยืดหยุ่นทนทาน และผลลัพธ์ทางธุรกิจที่คุ้มค่าต่อการลงทุน












