การทำลายวงจร: องค์กรจะหลีกเลี่ยงการมองโลกในแง่ร้ายและนำไปสู่ความสำเร็จได้อย่างไร

นับตั้งแต่แนวคิดเชิงทฤษฎีในทศวรรษ 1950 ปัญญาประดิษฐ์ (AI) ได้ปูทางให้ธุรกิจต่างๆ ได้สัมผัสกับโอกาสและประสิทธิภาพการทำงานที่เพิ่มขึ้นผ่านเทคนิคต่างๆ โดยเฉพาะอย่างยิ่งระบบการเรียนรู้ของเครื่องจักร เครื่องมือ/เทคโนโลยีเหล่านี้ช่วยปรับปรุงการพยากรณ์และการตัดสินใจ วางรากฐานสำหรับการพัฒนาเทคโนโลยีในอนาคต ในปัจจุบัน AI แบบ Generative ได้ให้คำมั่นว่าจะเปลี่ยนแปลงทุกสิ่งที่เราเคยรู้จักเกี่ยวกับการทำงานและทำให้ประสบการณ์การใช้ AI เป็นประชาธิปไตยมากขึ้น ผู้ใช้ในปัจจุบันมีส่วนร่วมกับโมเดล AI เช่น ChatGPT ผ่าน "การถามตอบ" ซึ่งผู้ใช้จะโต้ตอบกับโมเดล AI อย่างไรก็ตาม ประโยชน์เหล่านี้ก็มาพร้อมกับความท้าทายใหม่ นั่นคือ Doomprompting ซึ่งเทียบเท่ากับการเลื่อนดูเนื้อหาออนไลน์อย่างไร้จุดหมาย ทำให้ผู้ใช้ติดอยู่ในวังวน แต่ในกรณีของ AI วังวนนั้นจะโต้ตอบกลับมา การปรับปรุงการถามตอบของ AI อย่างต่อเนื่องสำหรับทั้งโมเดลแบบ Generative และ Agentic โดยมีเป้าหมายเพื่อให้ได้ผลลัพธ์ที่สมบูรณ์แบบ (และบางครั้งก็โดยการถามตอบโดยไม่มีเป้าหมายเฉพาะเจาะจง) นำไปสู่ต้นทุนที่เพิ่มขึ้นและผลตอบแทนที่ลดลง สิ่งนี้สร้างอุปสรรคสำคัญต่อความสำเร็จและบั่นทอนจุดประสงค์ของการใช้เทคโนโลยี AI เอง

เมื่อธุรกิจต่างๆ เพิ่มงบประมาณที่เกี่ยวข้องกับ AI ผู้บริหารจำเป็นต้องเข้าใจเส้นทางสู่ผลตอบแทนที่แท้จริงจากการลงทุน และมูลค่าที่เกิดขึ้น รายงานปี 2025 จาก IEEE ระบุว่า 'ต้นทุนที่ซ่อนเร้นของ AI: ความไม่効率เล็กน้อยสะสมกันได้อย่างไร'สิ่งนี้แสดงให้เห็นว่าการปรับเปลี่ยนเล็กน้อยสามารถสะสมจนกลายเป็นภาระทางเศรษฐกิจที่สำคัญได้อย่างไร เพื่อหลีกเลี่ยงการตกเป็นส่วนหนึ่งของการต่อสู้ที่สิ้นเปลืองนี้ องค์กรต่างๆ ต้องปรับปรุงการฝึกอบรมพนักงานที่ใช้ LLM เพื่อให้บรรลุศักยภาพสูงสุดจากการลงทุนใน AI ของตน

ปัญญาประดิษฐ์เชิงสร้างสรรค์ (Generative AI) นำมาซึ่งคำมั่นสัญญาถึงการปรับปรุงและเพิ่มประสิทธิภาพ อย่างไรก็ตาม เมื่อทีมติดอยู่ในวงจรของการปรับปรุงอย่างไม่รู้จบ (หรือการเดินเตร่โดยไร้ทิศทาง) ความไร้ประสิทธิภาพจะบั่นทอนรากฐานนี้

การทำความสะอาด “กองขยะในที่ทำงาน”

หนึ่งในเหตุผลที่ทีมต่างๆ ปรับปรุงผลงานอย่างต่อเนื่องเพื่อสร้างคำตอบที่สมบูรณ์แบบก็คือ "งานไร้คุณภาพ" (workslop) ซึ่งได้รับการอธิบายครั้งแรกใน Harvard Business Review โดยงานไร้คุณภาพนี้หมายถึง "เนื้อหางานที่สร้างโดย AI ซึ่งดูเหมือนจะเป็นงานที่ดี แต่ขาดสาระสำคัญที่จะช่วยให้งานนั้นคืบหน้าไปได้อย่างมีความหมาย"

เนื้อหาที่ AI สร้างขึ้นอย่างไร้คุณภาพนี้ เป็นเพียงจุดเริ่มต้นของวงจรที่นำไปสู่ความล้มเหลว แม้ว่าการปรับปรุงเนื้อหาที่ด้อยคุณภาพผ่านการแก้ไขหรือการทำซ้ำจะเป็นสิ่งสำคัญ แต่เราต้องเข้าใจว่าควรหยุดเมื่อใด ก่อนที่ผลตอบแทนจะลดลงเรื่อยๆ องค์กรต่างๆ ต้องลงทุนเวลาในการฝึกอบรม AI ด้วยความสมดุลที่เหมาะสม ในด้านหนึ่ง ทีมงานควรตระหนักถึงคุณภาพที่ต้องการ ในอีกด้านหนึ่ง พวกเขาควรทราบว่าเมื่อใดที่มากเกินไป การฝึกอบรมพนักงานในการใช้โมเดล AI อย่างชาญฉลาดมากขึ้นผ่านการกระตุ้นที่เหมาะสมและเป้าหมายที่ชัดเจนก็จะเป็นประโยชน์เช่นกัน

การใช้ประโยชน์จาก AI ที่เป็นตัวแทนเพื่อหลีกเลี่ยงการยุยงให้เกิดหายนะ

ในช่วงไม่กี่ปีที่ผ่านมา ธุรกิจต่างๆ ให้ความสนใจและลงทุนในปัญญาประดิษฐ์แบบเอเจนต์ (Agentic AI) เพิ่มมากขึ้นอย่างเห็นได้ชัด ซึ่งเป็นที่ยอมรับในด้านความสามารถในการปรับปรุงประสิทธิภาพการดำเนินงาน ปัญญาประดิษฐ์แบบเอเจนต์สามารถรับมือกับงานที่ซับซ้อน ประสานงานกับเอเจนต์หลายตัว (รวมถึง RAG และเอเจนต์การกระทำ) เพื่อตัดสินใจเกี่ยวกับแนวทางการดำเนินการ และดำเนินการตามภารกิจเพื่อให้งานโดยรวมเสร็จสมบูรณ์อย่างเป็นอิสระ

คุณสมบัติเหล่านี้อาจช่วยให้ AI ลดปัญหาการให้คำแนะนำที่ผิดพลาด หรือหลีกเลี่ยงปัญหาดังกล่าวได้โดยสิ้นเชิง ซึ่งจะช่วยลดความจำเป็นในการสั่งการอินเทอร์เฟซ GenAI ผ่านการให้คำแนะนำหลายครั้งเพื่อให้งานเสร็จสมบูรณ์ ตัวอย่างเช่น การดำเนินงานด้านไอทีที่ขับเคลื่อนด้วย AI หรือ AIOps ซึ่งกำลังปรับปรุงไอทีให้ทันสมัยโดยการผสาน AI เข้ากับงานประจำวัน ในอดีต ทีมงานใช้เวลาไปกับการปรับแต่งระบบด้วยตนเอง แต่แผนกต่างๆ ในศตวรรษที่ 21 จะใช้ประโยชน์จาก AI ในการจัดการหน้าที่สำคัญต่างๆ เช่น การแก้ไขปัญหา การตอบสนองต่อเหตุการณ์ และการจัดสรรทรัพยากรโดยอัตโนมัติ

อีกตัวอย่างที่เหมาะสมคือ วิธีที่ระบบ AI แบบเอเจนต์สามารถจัดการเหตุการณ์ที่ซับซ้อนได้อย่างอิสระ เอเจนต์เหล่านี้ ร่วมกับ ITOps สามารถเข้าใจบริบทของปัญหา ประสานงานกับเอเจนต์ที่ใช้เหตุผลเพื่อตัดสินใจเลือกแนวทางปฏิบัติ ใช้เอเจนต์ปฏิบัติการเพื่อแก้ไขปัญหาขั้นสุดท้ายในระบบไอที และสุดท้าย ใช้เอเจนต์การเรียนรู้เพื่อทำความเข้าใจวิธีการแก้ไขและนำไปใช้ได้อย่างมีประสิทธิภาพมากขึ้นในเหตุการณ์ในอนาคต

ระบบอัตโนมัติอัจฉริยะของ Agentic AI ช่วยลดการโต้ตอบจากมนุษย์และทำงานต่างๆ ได้เองโดยอัตโนมัติ เพื่อตอบสนองความต้องการทางธุรกิจที่เปลี่ยนแปลงไป งานและกระบวนการที่ซ้ำซากควรถูกมอบหมายให้ AI ทำงานโดยอัตโนมัติ การมอบหมายงานนี้ช่วยขจัดวงจรการถามซ้ำและการปรับแต่งซ้ำๆ ที่มักนำไปสู่ผลลัพธ์ที่ย่ำแย่ การทำงานโดยอัตโนมัติช่วยให้โมเดล AI สามารถปรับปรุงและตอบสนองต่อตัวแปรที่เปลี่ยนแปลงไปได้อย่างต่อเนื่องโดยไม่ต้องป้อนข้อมูลด้วยตนเอง ส่งผลให้ได้ผลลัพธ์ที่รวดเร็วยิ่งขึ้นโดยมีการแทรกแซงจากมนุษย์น้อยที่สุด

แม้ว่าผู้เชี่ยวชาญที่ได้รับการฝึกฝนมาแล้วจะยังคงมีบทบาทสำคัญในการดำเนินงานประจำวันผ่านแนวทางการทำงานแบบมีมนุษย์ควบคุม แต่เวลาของพวกเขาจะถูกใช้ให้เกิดประโยชน์มากขึ้นในการตรวจสอบเพื่อยืนยันผลลัพธ์ แนวทางนี้ช่วยลดความเสี่ยงในการเกิดข้อผิดพลาดหรือการปรับแต่งมากเกินไป

บทบาทของการกำกับดูแลในการป้องกันการยุยงให้เกิดหายนะ

ในล่าสุด แบบสำรวจของ McKinsey88% ของผู้ตอบแบบสอบถามรายงานว่าได้นำ AI มาใช้ในอย่างน้อยหนึ่งฟังก์ชันทางธุรกิจ ซึ่งเพิ่มขึ้น 10% จากปี 2024 และเพิ่มขึ้นอย่างน่าทึ่งถึง 33% ตั้งแต่ปี 2023 สำหรับ Agentic AI การเพิ่มขึ้นนี้ยิ่งมากขึ้นไปอีก จากเพียง 33% ในปี 2023 เป็นเกือบ 80% ในปี 2025

การนำ AI มาใช้กันอย่างแพร่หลายนี้กำลังผลักดันให้ธุรกิจต่างๆ ค้นหาโซลูชันใหม่ๆ เพื่อรับมือกับการคาดการณ์ที่ผิดพลาด หนึ่งในเครื่องมือเหล่านั้นคือกรอบการกำกับดูแลที่แข็งแกร่ง กรอบเหล่านี้ควรได้รับการออกแบบอย่างรอบคอบเพื่อให้แน่ใจว่าโครงการ AI ยังคงสอดคล้องกับวัตถุประสงค์ทางธุรกิจและไม่ตกเป็นเหยื่อของการปรับปรุงประสิทธิภาพอย่างไม่รู้จบ เมื่อทีมพัฒนาโครงสร้างเหล่านี้ พวกเขาควรพิจารณาถึง:

• การกำหนดแนวทางกระแสข้อมูลที่เข้าและออกจากโมเดล AI มีความซับซ้อนมากขึ้นเรื่อยๆ เพื่อให้ง่ายต่อการจัดการข้อมูล แนวทางปฏิบัติสำหรับ AI ควรสร้างกรอบการทำงานเพื่อให้ทีมสามารถจัดการข้อมูล ตัดสินใจ และจัดการผลลัพธ์ของ AI อย่างมีความรับผิดชอบ
• การฝึกอบรมผู้ใช้งาน: การฝึกอบรมที่เหมาะสมเกี่ยวกับการใช้งานอย่างทันท่วงทีจะช่วยให้ได้ผลผลิตที่ดีที่สุด
• การใช้แบบจำลองเฉพาะทาง: โมเดล AI ที่เฉพาะเจาะจงกับอุตสาหกรรมและวัตถุประสงค์มีแนวโน้มที่จะให้ผลลัพธ์ที่มีบริบทและมีความหมายได้เร็วกว่า
• การฝึกฝนโมเดล AI: การฝึกฝนโมเดล AI ด้วยข้อมูลเฉพาะอุตสาหกรรม/งาน/องค์กร (เท่าที่เป็นไปได้) จะช่วยลดความซ้ำซ้อนของงานและได้ผลลัพธ์ที่เหมาะสมยิ่งขึ้นได้เร็วยิ่งขึ้น
• การพัฒนากฎเกณฑ์การร่างและบังคับใช้ชุดกฎเกณฑ์ที่ชัดเจนนั้นมีความสำคัญอย่างยิ่งต่อการชี้นำการพัฒนาและการใช้งาน AI เมื่อทีมกำหนดขอบเขตการดำเนินงานแล้ว พวกเขามั่นใจได้ว่าระบบที่นำมาใช้สอดคล้องกับเป้าหมายขององค์กร มาตรฐานทางจริยธรรม และข้อกำหนดด้านกฎระเบียบ

แม้ว่าอัตราการนำโซลูชัน AI มาใช้จะเพิ่มขึ้น แต่การกำกับดูแลกลับไม่ได้พัฒนาตามไปด้วย จากรายงานอุตสาหกรรม PEX ปี 2025น้อยกว่าครึ่ง มีนโยบายการกำกับดูแล AI อยู่แล้ว ในขณะเดียวกัน มีเพียง 25% เท่านั้นที่กำลังดำเนินการตามนโยบายดังกล่าว และเกือบหนึ่งในสามไม่มีนโยบายการกำกับดูแล AI ใดๆ เลย กรอบการทำงานเหล่านี้สามารถเป็นปัจจัยสำคัญในการช่วยให้ธุรกิจกำหนดขอบเขตที่ชัดเจนว่าอะไรคือประสิทธิภาพที่ยอมรับได้

การหลุดพ้นจากวงจรแห่งความหายนะ

เพื่อหลีกเลี่ยงการตกอยู่ในวงจรการกระตุ้นเตือนที่ไร้จุดหมาย ธุรกิจต่างๆ ต้องนำกลยุทธ์ AI ที่ให้ความสำคัญกับผลลัพธ์มากกว่าความสมบูรณ์แบบมาใช้ การใช้การฝึกฝนแบบกระตุ้นเตือน โมเดล AI ที่มีวัตถุประสงค์เฉพาะ และโมเดลที่ฝึกฝนด้วยข้อมูลองค์กรตามบริบท จะช่วยลดความจำเป็นในการกระตุ้นเตือนซ้ำๆ ธุรกิจที่ใช้ประโยชน์จาก AI ที่มีบทบาทเชิงตัวแทน การดำเนินงานด้านไอทีแบบอัตโนมัติ และกรอบการกำกับดูแลที่แข็งแกร่ง สามารถจัดสรรทรัพยากรที่สำคัญใหม่เพื่อบรรลุเป้าหมายทางธุรกิจโดยไม่ต้องติดอยู่กับวงจรการเพิ่มประสิทธิภาพที่ไม่มีที่สิ้นสุด ความสำเร็จจะเกิดขึ้นเมื่อทีมเปลี่ยนความคิดจากการปรับปรุงอย่างต่อเนื่องไปสู่การมุ่งเน้นการดำเนินการและผลลัพธ์ที่วัดได้