Andrej Jonovic ประธานเจ้าหน้าที่บริหารของ XBP Global – ชุดบทสัมภาษณ์

Andrej Jonovic เป็นประธานเจ้าหน้าที่บริหารของ XBP Global บริษัทเทคโนโลยีและบริการข้ามชาติที่มุ่งเน้นการจัดการเวิร์กโฟลว์สำคัญยิ่งต่อภารกิจขององค์กร XBP Global นำ AI แบบเอเจนต์มาใช้ในสภาพแวดล้อมที่อยู่ภายใต้การกำกับดูแล ซึ่งรวมถึงภาคสุขภาพ ภาครัฐ และบริการทางการเงิน ที่ซึ่งความแม่นยำ ความปลอดภัย อธิปไตยด้านข้อมูล และความสามารถในการตรวจสอบย้อนหลังเป็นสิ่งจำเป็น ในบทสัมภาษณ์นี้ Jonovic พูดถึงการประสานกระบวนการแบบปรับเปลี่ยนได้ โมเดลแบบเปิดน้ำหนัก การประมวลผลเอกสารอัจฉริยะ การตัดสินโดยมนุษย์ และสิ่งที่ต้องทำเพื่อเปลี่ยน AI จากความสามารถทางเทคนิคให้เป็นผลลัพธ์การดำเนินงานที่วัดผลได้

คุณเริ่มต้นอาชีพในฐานะทนายความด้านธุรกรรม ก่อนจะย้ายไปทำงานด้านการควบรวมและซื้อกิจการ การปรับเปลี่ยนองค์กร และท้ายที่สุดก็เข้ามาเป็นผู้นำ XBP Global ประสบการณ์ดังกล่าวหล่อหลอมวิธีที่คุณประเมินธรรมาภิบาล ความเสี่ยงทางธุรกิจ และผลกระทบต่อองค์กรจากการนำปัญญาประดิษฐ์มาใช้ในเวิร์กโฟลว์สำคัญยิ่งต่อภารกิจอย่างไร

ผมมักเริ่มพิจารณา AI จากรูปแบบการดำเนินงานก่อน เมื่อมีพื้นฐานจากงานธุรกรรมและการเปลี่ยนแปลงองค์กร เราจะคุ้นเคยกับการตั้งคำถามว่าโครงสร้างนั้นใช้งานได้จริงหรือไม่ เมื่อลงมือปฏิบัติหลังจากพ้นช่วงนำเสนอไปแล้ว

เรื่องนี้สำคัญมากเมื่อเป็น AI เพราะโมเดลอาจทำงานได้ดีเยี่ยมเมื่อแยกทดสอบ แต่ยังส่งผลให้การดำเนินงานออกมาไม่ดีได้ ในภาคสุขภาพ ภาครัฐ และธนาคาร ความแม่นยำในการประมวลผล การปฏิบัติตามข้อกำหนด และความสามารถในการตรวจสอบย้อนหลังเป็นสิ่งที่ละเลยไม่ได้ คุณต้องเข้าใจว่าข้อมูลจัดเก็บอยู่ที่ใด ระบบได้รับอนุญาตให้ทำอะไรบ้าง มีการควบคุมการตัดสินใจอย่างไร และต้นทุนจะเป็นอย่างไรเมื่อต้องดำเนินเวิร์กโฟลว์ในปริมาณมาก

ต้องออกแบบธรรมาภิบาลให้เป็นส่วนหนึ่งของสถาปัตยกรรมนั้น ผมต้องการทราบว่าโมเดลทำงานอยู่ที่ใด มีข้อมูลใดบ้างที่ส่งข้ามขอบเขตขององค์กร มีการบันทึกอะไรไว้ในบันทึกการตรวจสอบ และจะเกิดอะไรขึ้นเมื่อเวิร์กโฟลว์มาถึงจุดตัดสินใจที่ต้องใช้การควบคุมในระดับที่แตกต่างออกไป

จุดนี้น่าจะเป็นด้านที่ภูมิหลังของผมส่งผลมากที่สุด โดยทั่วไปผมสนใจไม่มากนักว่าเทคโนโลยีทำอะไรได้บ้างในการสาธิตภายใต้สภาพแวดล้อมที่ควบคุมไว้ ผมอยากรู้ว่าสามารถนำเทคโนโลยีไปใช้ในกระบวนการสำคัญยิ่งต่อภารกิจและไว้วางใจให้ทำงานได้หรือไม่

XBP Global อธิบายว่า AI แบบเอเจนต์เป็นวิวัฒนาการที่ก้าวข้ามระบบอัตโนมัติแบบใช้กฎและระบบอัตโนมัติกระบวนการด้วยหุ่นยนต์แบบเดิม ในทางเทคนิคแล้ว มีอะไรเปลี่ยนแปลงบ้างเมื่อเวิร์กโฟลว์เปลี่ยนจากการทำตามคำสั่งที่กำหนดไว้ล่วงหน้า ไปสู่การใช้เอเจนต์ AI ที่สามารถอนุมาน ตัดสินใจ และประสานงานหลายงานได้

สถาปัตยกรรมมีความสามารถในการปรับตัวมากขึ้นอย่างมาก

ระบบอัตโนมัติของเวิร์กโฟลว์แบบดั้งเดิมทำงานตามกฎที่กำหนดไว้แน่นอน คุณมีกฎอยู่ รู้ว่าขั้นตอนถัดไปจะเกิดอะไรขึ้น และเพิ่มตรรกะที่กำหนดตายตัวเมื่อกระบวนการซับซ้อนขึ้น วิธีนี้ใช้ได้ดีมากกับงานที่คาดการณ์ได้ ปัญหาจะเกิดขึ้นเมื่อมีกฎจำนวนมหาศาล หรือเมื่อกระบวนการเปลี่ยนแปลงเร็วกว่าที่จะสร้างระบบขึ้นใหม่ได้

สิ่งที่เรากำลังทำอยู่ในตอนนี้คือการประสานกระบวนการแบบปรับเปลี่ยนได้ คุณยังคงใช้กลไกกฎที่ทำงานตามเงื่อนไขแน่นอนได้ในส่วนที่ต้องอาศัยความแม่นยำและการปฏิบัติตามข้อกำหนด จากนั้นจึงนำโมเดลอัจฉริยะมาใช้ในส่วนของเวิร์กโฟลว์ที่การอนุมานช่วยเพิ่มคุณค่าได้ เอเจนต์สามารถประสานงานงานต่าง ๆ เข้าถึงข้อมูล และเลือกการดำเนินการถัดไปได้ โดยไม่ต้องให้ใครเขียนโค้ดกำหนดเส้นทางที่เป็นไปได้ทุกแบบในกระบวนการ

อีกสิ่งหนึ่งที่เปลี่ยนไปคือ โมเดลที่อยู่เบื้องหลังสามารถเปลี่ยนทดแทนได้ง่ายขึ้น เราเห็นโมเดลแบบเปิดน้ำหนักระดับองค์กรพัฒนาขึ้นอย่างรวดเร็วมาก หากออกแบบไปป์ไลน์อย่างเหมาะสม คุณก็สามารถผสานรวมโมเดลที่มีประสิทธิภาพสูงขึ้นได้เมื่อระบบนิเวศพัฒนาไป โดยไม่ต้องสร้างกระบวนการดำเนินงานทั้งหมดขึ้นใหม่

ดังนั้น ผมคิดว่าสินทรัพย์ทางเทคนิคที่สำคัญขึ้นเรื่อย ๆ คือเวิร์กโฟลว์นั่นเอง ซึ่งประกอบด้วยการประสานงาน ความรู้เฉพาะด้าน การควบคุม และข้อมูลที่อยู่รอบโมเดล

หลายบริษัทกำลังทดลองใช้ AI แต่ประสบปัญหาในการขยับจากโครงการนำร่องไปสู่การใช้งานจริง อุปสรรคด้านสถาปัตยกรรมหรือองค์กรที่พบได้บ่อยที่สุด ซึ่งขัดขวางไม่ให้องค์กรนำเวิร์กโฟลว์แบบเอเจนต์ไปใช้งานในวงกว้าง มีอะไรบ้าง 

ลูกค้ากำลังก้าวผ่านช่วงทดลองแล้ว พวกเขาได้เห็นการสาธิตและได้ยินคำกล่าวอ้างเรื่องผลตอบแทนจากการลงทุนที่สูงมาก ถึงจุดหนึ่งก็ต้องมีใครสักคนนำเทคโนโลยีไปใส่ไว้ในกระบวนการจริงและทำให้มันใช้งานได้

จุดนี้เองที่ทำให้การวางสถาปัตยกรรมเป็นเรื่องยาก เวิร์กโฟลว์สำหรับใช้งานจริงต้องเชื่อมต่อกับสภาพแวดล้อมที่บริษัทมีอยู่แล้ว ข้อมูลอ่อนไหวอาจต้องเก็บไว้ในคลาวด์ส่วนตัวหรือภายในองค์กร ยังคงต้องเข้าถึงระบบเดิม และต้องปฏิบัติตามข้อกำหนดด้านกฎระเบียบ นอกจากนี้ ต้นทุนยังต้องเหมาะสมเมื่อขยายการใช้งานในระดับองค์กร

เมื่อไม่นานมานี้ เราได้รับงานเกี่ยวกับวงจรการบำรุงรักษาฝูงบินของสายการบินระดับโลก รายการบำรุงรักษาทุกชิ้นจะถูกแปลงเป็นเวกเตอร์และจัดเก็บไว้ในฐานข้อมูลเวกเตอร์ส่วนตัวภายในคลาวด์ส่วนตัวของลูกค้า โครงสร้างพื้นฐานแบบเอเจนต์จะจัดการการเข้าถึงข้อมูลดังกล่าว และรองรับการเรียกคืนบันทึกเมื่อเครื่องบินสิ้นสุดสัญญาเช่าหรือถูกขาย

นี่เป็นโจทย์ที่แตกต่างอย่างมากจากการพิสูจน์ว่าโมเดลตอบคำถามเกี่ยวกับบันทึกข้อมูลเครื่องบินได้ คุณกำลังจัดการกับสภาพแวดล้อมการดำเนินงานทั้งหมด ซึ่งมีทั้งการควบคุมข้อมูลและกระบวนการที่ต้องทำงานซ้ำได้อย่างสม่ำเสมอ

ในเชิงองค์กร ช่องว่างมักอยู่ที่การกำหนดผู้รับผิดชอบ ต้องมีใครสักคนที่เข้าใจกระบวนการอย่างลึกซึ้งพอจะกำหนดได้ว่า ในทางปฏิบัติแล้วคำว่า «พร้อมใช้งานจริง» หมายถึงอะไร หากขาดวินัยในการดำเนินงานเช่นนี้ โครงการนำร่องก็อาจดูน่าประทับใจต่อไปได้อีกนาน โดยไม่เกิดประโยชน์อย่างแท้จริง

XBP Global ผสานระบบอัตโนมัติเข้ากับการกำกับดูแลโดยมีมนุษย์ร่วมอยู่ในวงจร โดยเฉพาะอย่างยิ่งเมื่อเป็นการตัดสินใจที่มีผลกระทบสูง คุณพิจารณาอย่างไรบ้างว่าการตัดสินใจใดให้ระบบ AI ดำเนินการได้อย่างอิสระ และกรณีใดที่ต้องให้มนุษย์ยังคงมีส่วนร่วมในกระบวนการ? 

เราออกแบบบทบาทของมนุษย์ให้มุ่งเน้นการวินิจฉัยชี้ขาด

ในเวิร์กโฟลว์ที่มีผลกระทบสูง โดยทั่วไป งานส่วนใหญ่สามารถดำเนินไปตามกระบวนการได้ด้วยความมั่นใจในระดับสูง แต่ก็ยังมีกรณีเฉพาะที่ข้อมูลไม่ครบถ้วน สถานการณ์ไม่ปกติ หรือผลเสียจากการตอบผิดมีความร้ายแรงเกินไป

เมื่อกระบวนการไปถึงกรณีใดกรณีหนึ่งเหล่านั้น ระบบจะส่งรายการธุรกรรมไปยังผู้เชี่ยวชาญเฉพาะด้าน บุคคลนั้นจะเป็นผู้พิจารณาแก้ไขกรณีดังกล่าว แล้วนำผลการพิจารณากลับเข้าสู่ระบบ เพื่อให้โมเดลพัฒนาต่อไป

ผมคิดว่ากลไกป้อนกลับนี้สำคัญ การกำกับดูแลโดยมนุษย์จะมีคุณค่ามากขึ้นเมื่อช่วยปรับปรุงเวิร์กโฟลว์ให้ดีขึ้นตามเวลา ผู้เชี่ยวชาญนำความรู้เฉพาะด้านมาใช้กับกรณีที่โมเดลยังต้องการความช่วยเหลือ

ระดับความเป็นอิสระที่ยอมรับได้ยังขึ้นอยู่กับสภาพแวดล้อมเป็นอย่างมาก การพิจารณาวินิจฉัยในระบบสาธารณสุข การจัดการบันทึกของภาครัฐ และกระบวนการทางการเงินที่อยู่ภายใต้การกำกับดูแล ล้วนมีข้อกำหนดแตกต่างจากงานภายในที่มีผลกระทบต่ำ ระดับความมั่นใจที่ยอมรับได้ต้องสอดคล้องกับผลที่เกิดขึ้นจริงเมื่อระบบนำการตัดสินใจนั้นไปใช้

ลูกค้าของคุณดำเนินงานในอุตสาหกรรมที่มีการกำกับดูแลและในภาครัฐ ซึ่งอธิปไตยของข้อมูล ความปลอดภัย และความสามารถในการตรวจสอบเป็นสิ่งจำเป็น องค์กรจะนำโมเดลภาษาขนาดใหญ่ไปใช้งานในสภาพแวดล้อมที่ได้รับการปกป้องได้อย่างไร โดยไม่ลดทอนความสามารถที่ทำให้ระบบเหล่านี้มีประโยชน์? 

โมเดลแบบเปิดที่เปิดเผยน้ำหนักกำลังเปลี่ยนคำตอบของคำถามนี้ไปอย่างมาก

เป็นเวลานานที่มีความเชื่อกันว่า หากต้องการประสิทธิภาพของโมเดลที่ดีที่สุด ก็จำเป็นต้องส่งข้อมูลไปยังสภาพแวดล้อมของผู้อื่น ซึ่งก่อให้เกิดปัญหาอย่างชัดเจนเมื่อข้อมูลต้องอยู่ภายในขอบเขตขององค์กร

ปัจจุบัน เราสามารถนำโมเดลแบบเปิดที่เปิดเผยน้ำหนักระดับองค์กรมาเชื่อมต่อเข้ากับไปป์ไลน์การทำงานแบบเอเจนต์ที่ติดตั้งใช้งานจริง โดยยังคงเก็บข้อมูลไว้ภายในสภาพแวดล้อมของลูกค้าได้ ทั้งนี้อาจใช้โครงสร้างพื้นฐานคลาวด์ส่วนตัวหรือระบบที่ติดตั้งภายในองค์กร ขึ้นอยู่กับข้อกำหนด องค์กรยังคงได้รับประโยชน์จากความก้าวหน้าในระบบนิเวศของโมเดลโดยรวม พร้อมกับรักษามาตรการควบคุมที่จำเป็นต่ออธิปไตยของข้อมูลไว้ได้

สถาปัตยกรรมยังต้องปรับเปลี่ยนได้ด้วย ไม่มีเหตุผลที่จะคิดว่าโมเดลที่ดีที่สุดสำหรับงานหนึ่ง ๆ ในวันนี้จะยังคงดีที่สุดต่อไปในอนาคต แนวทางการฝึกของเราได้รับการออกแบบให้สามารถผสานโมเดลใหม่เข้ากับไปป์ไลน์ที่มีอยู่ได้อย่างรวดเร็ว

สำหรับลูกค้าที่อยู่ภายใต้การกำกับดูแล ความยืดหยุ่นนี้มีคุณค่าอย่างยิ่ง เพราะเวิร์กโฟลว์สามารถพัฒนาต่อไปได้ โดยขอบเขตการจัดเก็บข้อมูลยังคงไม่เปลี่ยนแปลง นอกจากนี้ยังเป็นแนวทางเริ่มต้นรับมือกับข้อกำหนดต่าง ๆ เช่น EU AI Act โดยไม่มองว่าการปฏิบัติตามข้อกำหนดเป็นสิ่งที่ค่อยมาเพิ่มเติมภายหลังจากติดตั้งใช้งานเทคโนโลยีไปแล้ว

ข้อมูลขององค์กรจำนวนมากยังคงติดอยู่ในเอกสาร รูปภาพ ระบบเดิม และบันทึกที่เป็นเอกสารจริง การประมวลผลเอกสารอัจฉริยะกำลังพัฒนาไปอย่างไร และมีบทบาทอย่างไรในการเปลี่ยนข้อมูลที่กระจัดกระจายให้เป็นข้อมูลที่เอเจนต์ AI นำไปใช้ได้อย่างน่าเชื่อถือ?

ผมคิดว่าการประมวลผลเอกสารอัจฉริยะกำลังกลายเป็นส่วนหนึ่งของโครงสร้างพื้นฐานสำหรับเวิร์กโฟลว์แบบเอเจนต์

ในอดีต การประมวลผลเอกสารจำนวนมากอาศัยแม่แบบเป็นหลัก คุณทราบว่าเอกสารมีหน้าตาอย่างไร รู้ว่าต้องการข้อมูลจากช่องใด แล้วระบบก็สกัดข้อมูลนั้นออกมา แต่ข้อมูลขององค์กรแทบไม่เป็นระเบียบเรียบร้อยเช่นนั้น โดยเฉพาะในภาคสาธารณสุข อาจมีทั้ง EOB หนังสือติดต่อที่ซับซ้อน ข้อมูลการเรียกร้องสินไหม และบันทึกที่มาในรูปแบบต่าง ๆ

แนวทางใหม่คำนึงถึงบริบทมากขึ้น คุณสามารถนำข้อมูลที่ไม่มีโครงสร้างมาวิเคราะห์ว่าข้อมูลใดเกี่ยวข้อง แล้วแปลงเป็นผลลัพธ์ที่มีโครงสร้างซึ่งระบบขั้นถัดไปนำไปใช้ได้จริง เรื่องนี้สำคัญ เพราะเอเจนต์ไม่สามารถประสานงานได้อย่างน่าเชื่อถือ หากข้อมูลพื้นฐานไม่ครบถ้วนหรือได้รับการตีความผิดพลาด

ขนาดของการดำเนินงานทำให้โจทย์เปลี่ยนไปด้วย เราดูแลสภาพแวดล้อมที่ประมวลผลรูปภาพ การเรียกร้องสินไหม รายการธุรกรรมการชำระเงิน และเอกสารประเภทอื่น ๆ ในปริมาณมหาศาล ในระดับดังกล่าว ความแตกต่างเพียงเล็กน้อยด้านคุณภาพการสกัดข้อมูลก็กลายเป็นปัญหาใหญ่ในการดำเนินงานได้

ดังนั้น IDP จึงกลายเป็นส่วนต้นทางของเวิร์กโฟลว์อัจฉริยะมากขึ้นเรื่อย ๆ โดยเปลี่ยนข้อมูลที่กระจัดกระจายให้เป็นข้อมูลที่นำไปใช้ได้ มอบข้อมูลที่เชื่อถือได้ให้กระบวนการส่วนถัดไปนำไปดำเนินการ และวางรากฐานให้เกิดระบบอัตโนมัติเพิ่มขึ้นในขั้นตอนถัด ๆ ไป

XBP Global กล่าวถึงการย้ายกระบวนการเดิมที่อิงกฎเกณฑ์ไปสู่ไปป์ไลน์ AI แบบเอเจนต์ และการเพิ่มอัตราการแก้ไขปัญหาได้ตั้งแต่ครั้งแรก ก่อนที่ระบบ AI จะให้ผลลัพธ์ที่เชื่อถือได้ ระบบต้องเข้าใจอะไรบ้างเกี่ยวกับกระบวนการ ข้อยกเว้น และความรู้ที่สั่งสมภายในองค์กร?

ความรู้ที่สั่งสมภายในองค์กรจำนวนมากไม่เคยถูกรวบรวมไว้ในเอกสารกระบวนการที่เป็นระบบ

ความรู้นี้ฝังอยู่ในระบบเดิม ชุดกฎเกณฑ์ และดุลยพินิจของผู้ที่ปฏิบัติงานตามกระบวนการนี้มาหลายปี พวกเขารู้ว่าข้อมูลใดสำคัญ กฎข้อใดใช้กับสถานการณ์ใด และจะเกิดอะไรขึ้นในขั้นตอนถัดไปหากตัดสินใจผิด

เมื่อนำงานดังกล่าวไปใช้กับระบบใหม่ คุณต้องรักษาความรู้เชิงปฏิบัติงานนี้ไว้ ในธุรกิจของเรา นั่นมักหมายถึงการผสานตรรกะแบบกำหนดผลแน่นอนเข้ากับ AI แทนที่จะคิดว่าควรยกเลิกกฎทุกข้อทันที ในบางส่วนของกระบวนการทำงานที่อยู่ภายใต้การกำกับดูแล กลไกประมวลผลกฎมีประโยชน์อย่างยิ่ง เพราะข้อกำหนดมีความชัดเจนแม่นยำ ส่วนในขั้นตอนอื่น ๆ โมเดลอัจฉริยะสามารถจัดการกับความหลากหลายได้อย่างมีประสิทธิภาพกว่ามาก

ความเชี่ยวชาญเฉพาะด้านช่วยบอกได้ว่าแต่ละอย่างควรใช้ตรงไหน

นั่นเป็นเหตุผลเช่นกันที่เราไม่อาจประเมินการแก้ปัญหาได้ตั้งแต่ครั้งแรกจากคะแนนของโมเดลเพียงอย่างเดียว กระบวนการทำงานต้องให้ผลลัพธ์ที่ผ่านขั้นตอนถัดไปได้ หากปัญหาทำให้เกิดการส่งต่อไปจัดการต่อที่อื่นในขั้นตอนปลายทาง ก็เท่ากับว่าคุณเพียงย้ายปัญหาไป ไม่ได้แก้ไขมัน

ระบบต้องเข้าใจกระบวนการมากพอที่จะรู้ว่าธุรกรรมที่ประสบความสำเร็จตั้งแต่ต้นจนจบมีลักษณะอย่างไร

XBP Global ไม่เพียงนำระบบอัตโนมัติมาใช้กับการดำเนินงานของลูกค้า แต่ยังใช้กับการเปลี่ยนผ่านของบริษัทเองไปสู่รูปแบบการดำเนินงานที่ให้ AI เป็นหัวใจหลักด้วย คุณได้เรียนรู้อะไรจากการใช้บริษัทเป็นพื้นที่ทดสอบภายใน และคุณสร้างสมดุลระหว่างการเพิ่มผลิตภาพกับการพัฒนาบุคลากรและการบริหารจัดการการเปลี่ยนแปลงอย่างไร

เราเดินหน้าใช้ระบบนี้ภายในองค์กรอย่างจริงจัง เพราะผมคิดว่าคุณจะเรียนรู้ได้อย่างรวดเร็วเมื่อผลลัพธ์ส่งผลต่อผลประกอบการของบริษัทเอง

ขณะนี้คาดว่าความพยายามด้านระบบอัตโนมัติที่ให้ AI เป็นหัวใจหลักของเราจะสร้างประสิทธิภาพในการดำเนินงานต่อปีเมื่อคิดเป็นอัตรารายปีได้ 65 ล้านถึง 75 ล้านดอลลาร์ โดยคาดว่าจะได้รับประโยชน์ประมาณ 35 ล้านดอลลาร์ในปี 2026 รายได้ต่อพนักงานอยู่ที่ประมาณ 89,000 ดอลลาร์ในไตรมาสที่สอง เพิ่มขึ้นจากประมาณ 82,000 ดอลลาร์ในไตรมาสก่อนหน้า และเราคาดว่าตัวเลขนี้จะเข้าใกล้ 100,000 ดอลลาร์ภายในสิ้นปี

ตัวชี้วัดเหล่านี้มีประโยชน์ เพราะบอกให้เรารู้ว่ารูปแบบการดำเนินงานมีผลิตภาพเพิ่มขึ้นจริงหรือไม่

ผลกระทบต่อกำลังคนเป็นเรื่องที่เกิดขึ้นจริง เราประเมินว่าจำนวนพนักงานทั่วโลกจะลดลงประมาณ 20% ภายในสิ้นปี 2026 ขณะที่เราปรับไปสู่รูปแบบการดำเนินงานที่มีผลิตภาพสูงขึ้น การบริหารจัดการการเปลี่ยนแปลงต้องยอมรับว่าการเปลี่ยนแปลงด้านผลิตภาพส่งผลต่อความต้องการกำลังคน

ขณะเดียวกัน บุคลากรที่ยังทำงานในกระบวนการเหล่านี้ต้องมีความสามารถมากขึ้น เราต้องการผู้เชี่ยวชาญเฉพาะด้าน สถาปนิกระบบ และผู้ปฏิบัติงานที่สามารถวางโครงสร้างงาน ประเมินผลลัพธ์ และรับผิดชอบต่อการตัดสินใจที่มีมูลค่าสูงขึ้น

การดำเนินการเปลี่ยนผ่านนี้ภายในบริษัทของเราเองทำให้การพูดคุยมีความเป็นรูปธรรมมากขึ้น คุณจะเห็นได้อย่างรวดเร็วว่าระบบอัตโนมัติใดสร้างประสิทธิภาพที่ยั่งยืน และกิจกรรมใดเป็นเพียงการที่ใครบางคนใช้ AI บ่อยขึ้น

โครงการ AI ระดับองค์กรมักได้รับการประชาสัมพันธ์ผ่านการสาธิต มากกว่าผลลัพธ์ทางธุรกิจที่วัดผลได้ ผู้นำควรใช้ตัวชี้วัดใดประเมินกระบวนการทำงานอัจฉริยะ และควรพิจารณาความแม่นยำ อัตราข้อยกเว้น ระยะเวลาประมวลผล ต้นทุนการดำเนินงาน และการลดความเสี่ยงอย่างไร

ผมจะวัดผลกระบวนการทำงานในสองระดับ

ในระดับการดำเนินงาน ผมต้องการทราบความแม่นยำ อัตราการแก้ปัญหาได้ตั้งแต่ครั้งแรก ระยะเวลาประมวลผล ปริมาณกรณียกเว้น และต้นทุนในการประมวลผลงาน ในสภาพแวดล้อมที่มีการกำกับดูแล ผมยังให้ความสำคัญกับการตรวจสอบย้อนหลังธุรกรรมได้หรือไม่ และการควบคุมต่าง ๆ ยังคงมีประสิทธิภาพสม่ำเสมอเมื่อดำเนินงานในปริมาณมากหรือไม่

จากนั้นผมต้องการดูว่าการปรับปรุงเหล่านั้นส่งผลต่อผลประกอบการของธุรกิจหรือไม่

ที่ XBP อัตรากำไรขั้นต้นหลังปรับปรุงของเราอยู่ที่ 24.9% ในไตรมาสที่สอง ซึ่งสูงที่สุดเท่าที่เคยทำได้ ขณะที่รายได้ต่อพนักงานเพิ่มขึ้นเป็นประมาณ 89,000 ดอลลาร์ เป้าหมายประสิทธิภาพในการดำเนินงานต่อปีเมื่อคิดเป็นอัตรารายปียังเพิ่มขึ้นเป็น 65 ล้านถึง 75 ล้านดอลลาร์ หลังจากเราระบุโอกาสเพิ่มเติมในการใช้ระบบอัตโนมัติ

ตัวชี้วัดเหล่านี้บอกเรื่องที่แตกต่างจากคะแนนการทดสอบมาตรฐาน โดยแสดงให้เห็นว่าเทคโนโลยีกำลังเปลี่ยนแปลงโครงสร้างต้นทุนของการดำเนินงานหรือไม่

กระบวนการทำงานอาจมีความแม่นยำของโมเดลดีเยี่ยม แต่ก็ยังถือเป็นการนำไปใช้ที่ไม่ดีได้ หากมีค่าใช้จ่ายในการดำเนินงานสูงเกินไปหรือทำให้ต้องกลับไปทำงานด้วยตนเองซ้ำมากเกินไป ผมคิดว่าผู้นำต้องติดตามผลลัพธ์ไปจนถึงปลายทาง เทคโนโลยีต้องสร้างประโยชน์ต่อการดำเนินงานที่ปรากฏให้เห็นในตัวชี้วัดที่วัดได้จริง

เมื่อมองไปข้างหน้า คุณคาดว่า AI แบบเอเจนต์จะยังคงเป็นชั้นระบบที่เพิ่มเข้ามาบนระบบองค์กรเดิม หรือจะกลายเป็นชั้นหลักสำหรับประสานงาน ซึ่งผู้คน ซอฟต์แวร์ ข้อมูล และกระบวนการทางธุรกิจจะมีปฏิสัมพันธ์ผ่านชั้นนี้

ผมคิดว่ากระบวนการทำงานจะมีลักษณะเป็นเอเจนต์มากขึ้น

องค์กรจะยังคงมีระบบ คลังข้อมูล และแอปพลิเคชันที่ทำหน้าที่เฉพาะด้าน สิ่งที่จะเปลี่ยนไปคือวิธีที่งานเคลื่อนผ่านระบบเหล่านั้น ไปป์ไลน์แบบเอเจนต์สามารถดึงข้อมูล ประสานการทำงานของเครื่องมือ เรียกใช้การดำเนินการ และพิจารณาว่าธุรกรรมจำเป็นต้องได้รับการแทรกแซงในรูปแบบอื่นหรือไม่

ตัวอย่างสายการบินแสดงให้เห็นเรื่องนี้ได้แล้ว บันทึกการซ่อมบำรุงอยู่ในฐานข้อมูลเวกเตอร์ส่วนตัวภายในสภาพแวดล้อมของลูกค้า ส่วนชั้นระบบแบบเอเจนต์จะจัดการวิธีเข้าถึงและใช้งานข้อมูลดังกล่าวตลอดวงจรการบำรุงรักษา

ผมคาดว่าการประสานงานในลักษณะนี้จะพบเห็นได้ทั่วไปมากขึ้น

โมเดลพื้นฐานจะยังคงเปลี่ยนแปลงต่อไป โมเดลแบบเปิดเผยน้ำหนักกำลังพัฒนาอย่างรวดเร็ว และจะมีโมเดลรุ่นถัดไปตามมาหลังจากรุ่นที่เราใช้กันอยู่ในปัจจุบัน สิ่งนี้ทำให้ชั้นการประสานงานมีความสำคัญมากขึ้นเรื่อย ๆ เพราะองค์กรต้องการสิ่งที่มั่นคงและยั่งยืนเพื่อรองรับโมเดลเหล่านั้น

หากคุณสร้างไปป์ไลน์โดยยึดกระบวนการ ความรู้เฉพาะด้าน ข้อกำหนดด้านความปลอดภัย และมาตรการควบคุมขององค์กรเป็นหลัก คุณก็จะใช้ประโยชน์จากโมเดลที่ดียิ่งขึ้นได้ต่อไปเมื่อมีโมเดลเหล่านั้นออกมา ผมคิดว่ามูลค่าในระยะยาวส่วนใหญ่จะอยู่ตรงนี้

ขอบคุณสำหรับบทสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมสามารถเข้าชม XBP Global ได้