หลีกเลี่ยงความเหนื่อยหน่ายของ Gen AI Pilot: การนำไปสู่จุดมุ่งหมาย

เรามีเรื่องราวแบบนี้มาก่อน: เทคโนโลยีที่เปลี่ยนแปลงโลกจับตามองของผู้นำธุรกิจทั่วอุตสาหกรรม โดยสัญญาว่าจะเปลี่ยนแปลงในระดับใหญ่ ในช่วงต้นปี 2010 เป็นกระบวนการอัตโนมัติแบบหุ่นยนต์ (RPA) ไม่นานหลังจากนั้น การคำนวณแบบคลาวด์ตามมา และในปัจจุบัน เจนเนอรेटีฟ AI (Gen AI) ถือเป็นจุดสนใจ – และองค์กรต่างๆ กำลังพุ่งเข้าไปในโครงการนำร่องโดยไม่มีเส้นทางที่ชัดเจนไปข้างหน้า

ผลลัพธ์? คลื่นของสิ่งที่สามารถเรียกได้ว่าเป็น ความเหนื่อยหน่ายของ Gen AI Pilot นั่นคือสถานะของความเหนื่อยหน่าย ความผิดหวัง และความไม่มีพลังที่เกิดขึ้นเมื่อโครงการนำร่อง AI มากเกินไปโดยไม่มีโครงสร้าง จุดมุ่งหมาย หรือเป้าหมายที่วัดผลได้ บริษัทต่างๆ จัดการโครงการนำร่องหลายโครงการพร้อมๆ กัน โดยมีจุดประสงค์ที่ทับซ้อนกัน แต่ไม่มีเกณฑ์ความสำเร็จที่ชัดเจน พวกเขาจัดการข้ามแผนก แต่แทนที่จะ ปลดปล่อยประสิทธิภาพหรือ ROI พวกเขาสร้างความสับสน ความซ้ำซ้อน และนวัตกรรมที่หยุดชะงัก

การกำหนดความเหนื่อยหน่ายของ Gen AI Pilot

ความเหนื่อยหน่ายของ Gen AI Pilot สะท้อนถึงความท้าทายขององค์กรในวงกว้าง: ความทะเยอทะยานที่ไม่มีจำกัดโดยไม่มีโครงสร้างที่จำกัด สาเหตุของปัญหาเป็นที่รู้จักกันสำหรับทุกคนที่เคยสังเกตเห็นคลื่นเทคโนโลยีก่อนหน้านี้:

• ความเป็นไปได้ไม่สิ้นสุด: Gen AI สามารถนำไปใช้กับทุกฟังก์ชัน – การตลาด การดำเนินงาน HR การเงิน – ซึ่งทำให้ล่อลวงที่จะจัดการโครงการนำร่องหลายโครงการโดยไม่มีขอบเขตที่ชัดเจน
• ความง่ายในการใช้งาน: เครื่องมือเช่น OpenAI’s GPT และ Google’s Gemini ช่วยให้ทีมสามารถจัดการโครงการนำร่องได้อย่างรวดเร็วโดยไม่ต้องอาศัยการเขียนโปรแกรม – บางครั้งภายในเวลาไม่กี่ชั่วโมง
• การขาดแผนการบำรุงรักษา: Gen AI ต้องการข้อมูลที่มีคุณภาพดีเพื่อให้ได้ผลลัพธ์ที่ดี ในหลายกรณี ข้อมูลสามารถ trở nên陈旧โดยไม่มีการดำเนินการเพื่อให้แน่ใจว่าข้อมูลยังคงถูกต้องและเป็นปัจจุบัน
• การวัดที่ไม่ดี: ไม่เหมือนกับการใช้งาน IT แบบดั้งเดิม มันยากที่จะกำหนดว่า Gen AI เป็น “ดี” พอที่จะย้ายจากโครงการนำร่องไปสู่การผลิต ROI มักจะไม่ชัดเจนหรือล่าช้า
• อุปสรรคในการรวมระบบ: องค์กรหลายแห่งต้องดิ้นรนในการเชื่อมต่อ Gen AI กับระบบที่มีอยู่ ข้อมูลที่มีอยู่ หรือกระบวนการทำงาน ซึ่งเพิ่มเวลา ความซับซ้อน และความไม่พอใจ
• ความต้องการทรัพยากรสูง: โครงการนำร่องมักต้องการเวลา เงิน และการลงทุนของมนุษย์อย่างมาก – โดยเฉพาะอย่างยิ่งในการฝึกอบรมและบำรุงรักษาข้อมูลที่สะอาดและใช้งานได้

โดยสรุป ความเหนื่อยหน่ายของ Gen AI เกิดขึ้นเมื่อการทดลองเกินกว่ากลยุทธ์

ทำไมสิ่งนี้จึงเกิดขึ้นซ้ำๆ

ในหลายกรณี เป็นเพราะองค์กรข้ามงานพื้นฐานก่อนที่จะใช้เทคโนโลยีขั้นสูง เมื่อใดก็ตามที่คุณจะใช้เทคโนโลยีใดๆ คุณต้องปรับกระบวนการให้เหมาะสมก่อน ใน Accruent เราได้เห็นว่าโดยการปรับปรุงกระบวนการและรับประกันคุณภาพข้อมูล บริษัทสามารถเพิ่มประสิทธิภาพได้ถึง 50% ก่อนที่จะนำ AI มาใช้ หากคุณวาง Gen AI บนระบบที่ปรับให้เหมาะสมแล้ว การปรับปรุงสามารถเพิ่มขึ้นสองเท่า แต่หากไม่มีงานพื้นฐานนี้ แม้แต่โมเดล AI ที่น่าประทับใจที่สุดก็ไม่สามารถให้ค่าใช้จ่ายที่มีความหมายได้

อีกหนึ่งปัญหาคือการขาดการควบคุมที่ชัดเจน โครงการนำร่อง Gen AI ไม่ควรได้รับการปฏิบัติเหมือนกับการทดลองที่ไม่มีจำกัด ความสำเร็จควรจะวัดจากผลลัพธ์ที่กำหนดไว้ – เวลาที่ประหยัดได้ ต้นทุนที่ลดลง หรือความสามารถที่เพิ่มขึ้น ต้องมีการควบคุมที่ชัดเจนในการดำเนินโครงการต่อไป เพิ่มหรือยุติโครงการตามการประเมินจากข้อมูล ครึ่งหนึ่งของไอเดีย Gen AI อาจเหมาะสมกว่าสำหรับเทคโนโลยีอื่นๆ เช่น RPA หรือเครื่องมือ no-code – และสิ่งนี้ไม่ใช่เรื่องที่น่าเสียใจ จุดมุ่งหมายไม่ใช่การนำ AI มาใช้เพื่อการนำ AI มาใช้ แต่เพื่อแก้ปัญหาธุรกิจอย่างมีประสิทธิภาพ

บทเรียนจาก RPA และการย้ายระบบคลาวด์

สิ่งนี้ไม่ใช่ครั้งแรกที่องค์กรถูกกวาดไปด้วยความกระตือรือร้นของเทคโนโลยี RPA สัญญาว่าจะกำจัดงานซ้ำๆ; การย้ายระบบคลาวด์สัญญาว่าจะมีความยืดหยุ่นและขนาด – ทั้งสองสิ่งนี้ได้ผลลัพธ์ – แต่เฉพาะสำหรับผู้ที่ใช้ระเบียบวินัยในการใช้งาน

สิ่งสำคัญที่ได้รับ? อย่าข้ามงานพื้นฐาน เราได้เห็นแล้วว่าองค์กรสามารถเพิ่มประสิทธิภาพได้ถึง 50% โดยการปรับปรุงกระบวนการและปรับปรุงคุณภาพข้อมูลก่อนที่จะนำ AI มาใช้ เมื่อ AI ถูกนำมาใช้กับระบบที่ปรับให้เหมาะสมแล้ว การปรับปรุงสามารถเพิ่มขึ้นสองเท่า แต่เมื่อ AI ถูกวางบนกระบวนการที่เสียหาย ผลกระทบจะน้อยมาก

สิ่งเดียวกันใช้ได้กับข้อมูลเช่นกัน โมเดล Gen AI ดีเท่ากับข้อมูลที่พวกเขาบริโภค ข้อมูลที่ไม่ดี ออกเดท หรือไม่สอดคล้องกันจะนำไปสู่ผลลัพธ์ที่ไม่ดี – หรือแย่กว่านั้น ข้อมูลที่มีอคติและทำให้เข้าใจผิด นั่นเป็นเหตุผลที่บริษัทต่างๆ ต้องลงทุนในโครงสร้างการบริหารข้อมูลที่มีประสิทธิภาพ ซึ่งเป็นมุมมองที่ได้รับการสนับสนุนจากผู้เชี่ยวชาญในอุตสาหกรรมและเน้นในรายงานของ McKinsey

การล่อลวงของ “AI ที่ง่าย”

หนึ่งในดาบสองคมของ Gen AI คือความสามารถในการเข้าถึงที่ต่ำ ด้วยโมเดลที่สร้างไว้ล่วงหน้าและอินเทอร์เฟซที่ใช้งานง่าย ใครๆ ในองค์กรสามารถจัดการโครงการนำร่องได้ภายในไม่กี่วัน – บางครั้งภายในไม่กี่ชั่วโมงหรือนาที แม้ว่าความสามารถในการเข้าถึงนี้จะมีพลัง แต่ก็เปิดประตูให้กับปัญหา เมื่อ突然ทีมต่างๆ ทั่วทั้งองค์กรทดลองในห้องหลบภัยโดยไม่มีการกำกับดูแลหรือการประสานงาน มันไม่ใช่เรื่องแปลกที่จะเห็นโครงการ Gen AI หลายโครงการดำเนินไปพร้อมๆ กัน โดยมีผู้มีส่วนได้ส่วนเสีย ชุดข้อมูล และคำจำกัดความของความสำเร็จที่แตกต่างกัน

การเข้าถึงที่กระจัดกระจายนี้นำไปสู่ความเหนื่อยหน่าย – ไม่เพียงแต่จากมุมมองของทรัพยากรเท่านั้น แต่ยังมาจากความไม่พอใจที่เพิ่มขึ้นของการไม่เห็นผลลัพธ์ที่เป็นรูปธรรม โดยไม่มีการกำกับดูแลและวิสัยทัศน์ที่ชัดเจน แม้แต่กรณีการใช้งานที่มีแนวโน้มมากที่สุดก็อาจติดอยู่ในวงจรที่ไม่มีที่สิ้นสุดของการวนซ้ำ การปรับปรุง และการประเมินใหม่

การทำลายวงจร: สร้างด้วยจุดมุ่งหมาย

เริ่มต้นด้วยการรักษา Gen AI เช่นเดียวกับการลงทุนเทคโนโลยีองค์กรอื่นๆ – มีฐานะในกลยุทธ์ การกำกับดูแล และการปรับปรุงกระบวนการ นี่คือหลักการบางประการที่ฉันพบว่าสำคัญ:

1. เริ่มต้นด้วยปัญหา ไม่ใช่เทคโนโลยี มักจะเกิดขึ้นว่าองค์กรต่างๆ รีบเข้าไปในกรณีการใช้งาน Gen AI เพราะมันน่าสนใจ – ไม่ใช่เพราะมันแก้ปัญหาธุรกิจที่กำหนดไว้ เริ่มต้นด้วยการระบุจุดเสื่อมหรือความไม่มีประสิทธิภาพในกระบวนการทำงานของคุณ แล้วถามว่า: Gen AI เป็นเครื่องมือที่ดีที่สุดสำหรับงานหรือไม่?
2. ปรับปรุงก่อนที่จะสร้างสรรค์ ก่อนที่จะวาง AI บนกระบวนการที่เสียหาย ให้แก้ไขกระบวนการก่อน การปรับปรุงกระบวนการสามารถปลดปล่อยการเพิ่มขึ้นของประสิทธิภาพได้มาก – และทำให้ง่ายต่อการวัดผลกระทบที่เพิ่มขึ้นของ AI ตามที่ รายงานล่าสุดของ Bain & Company ระบุว่าธุรกิจที่มุ่งเน้นไปที่การเตรียมพร้อมพื้นฐานจะได้รับผลลัพธ์จาก Gen AI เร็วขึ้น
3. ตรวจสอบข้อมูลของคุณ ตรวจสอบให้แน่ใจว่าโมเดลของคุณได้รับการฝึกอบรมจากข้อมูลที่ถูกต้อง ที่เกี่ยวข้อง และมาจากแหล่งที่มีจริยธรรม คุณภาพข้อมูลที่ไม่ดีเป็นหนึ่งในสาเหตุหลักที่โครงการนำร่องไม่สามารถขยายได้ ตามที่ Gartner ระบุ
4. กำหนดว่า “ดี” หมายถึงอะไร โครงการนำร่องทุกโครงการควรจะมี KPI ที่เชื่อมโยงกับเป้าหมายธุรกิจ ไม่ว่าจะเป็นการลดเวลาที่ใช้ในการทำงานที่ซ้ำซ้อนหรือลดต้นทุนการดำเนินงาน ความสำเร็จต้องวัดได้ – และโครงการนำร่องต้องมีการตัดสินใจเพื่อดำเนินการต่อ เปลี่ยนแปลง หรือยุติโครงการ
5. รักษาเครื่องมือที่หลากหลาย Gen AI ไม่ใช่คำตอบสำหรับปัญหาทุกประการ ในบางกรณี การใช้ RPA แอปพลิเคชั่น low-code หรือ machine learning อาจเร็วกว่า ถูกกว่า หรือยั่งยืนกว่า ให้เต็มใจที่จะบอกว่าไม่ใช่ AI หาก ROI ไม่สมเหตุสมผล

มองไปข้างหน้า: สิ่งที่จะช่วยและสิ่งที่อาจทำร้าย

ในอนาคต ความเหนื่อยหน่ายของโครงการนำร่องอาจแย่ลงก่อนที่จะดีขึ้น ความเร็วของนวัตกรรมเพิ่มขึ้นเรื่อยๆ โดยเฉพาะอย่างยิ่งด้วยเทคโนโลยีที่เกิดขึ้นใหม่ๆ เช่น Agentic AI ความกดดันที่จะ “ทำอะไรบางอย่างด้วย AI” นั้นมาก – และหากไม่มีการควบคุมที่เหมาะสม องค์กรต่างๆ อาจถูกครอบงำโดยความเป็นไปได้ที่มากมาย

อย่างไรก็ตาม มีเหตุผลที่จะยังคงความหวัง การปฏิบัติในการพัฒนากำลังเติบโต ทีมต่างๆ เริ่มรักษา Gen AI ด้วยความเข้มงวดเช่นเดียวกับโครงการซอฟต์แวร์แบบดั้งเดิม เราได้เห็นการปรับปรุงในเครื่องมือ การปรับปรุงในแพลตฟอร์มการรวม AI และการประสานงาน API ทำให้ง่ายต่อการวาง Gen AI ในเทคสแต็กที่มีอยู่ โมเดลที่ฝึกอบรมไว้ล่วงหน้าจากผู้ให้บริการเช่น OpenAI, Meta และ Mistral ลดภาระงานของทีมภายใน และโครงสร้างเกี่ยวกับ AI ที่มีจริยธรรมและรับผิดชอบ เช่น โครงสร้างที่ AI Now Institute เป็นผู้เสนอแนะ ช่วยลดความไม่แน่นอนและความเสี่ยง อาจสำคัญที่สุดคือเรากำลังเห็นการเพิ่มขึ้นของความเข้าใจ AI แบบข้ามฟังก์ชัน – ความเข้าใจที่เพิ่มขึ้นในหมู่ผู้นำธุรกิจและผู้นำทางเทคนิคว่า AI สามารถทำอะไร (และไม่สามารถทำอะไร) ได้บ้าง

ความคิดสุดท้าย: มันคือเรื่องของจุดมุ่งหมาย ไม่ใช่โครงการนำร่อง

สุดท้ายแล้ว ความสำเร็จของ AI ขึ้นอยู่กับจุดมุ่งหมาย Gen AI มีศักยภาพที่จะขับเคลื่อนการเพิ่มขึ้นของประสิทธิภาพที่มาก การปลดปล่อยความสามารถใหม่ๆ และการเปลี่ยนแปลงอุตสาหกรรม – แต่เฉพาะเมื่อมันถูกนำไปสู่จุดมุ่งหมายโดยกลยุทธ์ การสนับสนุนจากข้อมูลที่สะอาด และการวัดจากผลลัพธ์

หากไม่มีเครื่องหมายเหล่านี้ มันคือเพียงเทรนด์เทคโนโลยีใหม่ที่มีจุดมุ่งหมายที่จะทำให้ทีมของคุณเหนื่อยหน่ายและทำให้คณะกรรมการของคุณผิดหวัง

หากคุณต้องการหลีกเลี่ยงความเหนื่อยหน่ายของ Gen AI Pilot อย่าเริ่มต้นด้วยเทคโนโลยี เริ่มต้นด้วยจุดมุ่งหมาย และสร้างจากที่นั่น