การทำลายวงจร: วิธีการที่องค์กรสามารถหลีกเลี่ยง Doomprompting และส่งมอบความสำเร็จ

นับตั้งแต่แนวคิดที่เป็นทางทฤษฎีในคริสต์ทศวรรษ 1950 ความฉลาดทางปัญญา (AI) ได้เปิดโอกาสให้ธุรกิจได้สัมผัสกับโอกาสและผลผลิตที่เพิ่มขึ้นผ่านเทคนิคต่างๆ โดยเฉพาะระบบการเรียนรู้ของเครื่องจักร เหล่านี้ได้ปรับปรุงการคาดการณ์และการตัดสินใจ ซึ่งเป็นพื้นฐานสำหรับการพัฒนาทางเทคนิคในอนาคต ในช่วงไม่นานมานี้ Generative AI ได้สัญญาว่าจะเปลี่ยนแปลงทุกสิ่งที่เรารู้เกี่ยวกับการทำงาน และได้ทำให้ประสบการณ์ AI เปิดกว้างสำหรับทุกคน ผู้ใช้สามารถโต้ตอบกับโมเดล AI เช่น ChatGPT ผ่าน “การ提示” โดยที่บุคคลหนึ่งโต้ตอบไปมากับโมเดล AI อย่างไรก็ตาม ความสามารถเหล่านี้ก็มาพร้อมกับความท้าทายใหม่: Doomprompting ซึ่งเทียบเท่ากับการเลื่อนหน้าเว็บอย่างไม่มีจุดมุ่งหมาย ทำให้ผู้ใช้ติดอยู่ในหลุมกระต่าย เมื่อใช้ AI การกระทำนี้จะส่งผลให้เกิดการเพิ่มขึ้นของต้นทุนและผลตอบแทนที่ลดลง ทำให้เกิดอุปสรรคสำคัญต่อความสำเร็จ และทำให้การนำเทคโนโลยี AI มาใช้ไม่มีประโยชน์

เมื่อธุรกิจเพิ่มงบประมาณที่เกี่ยวข้องกับ AI ผู้ตัดสินใจจำเป็นต้องเข้าใจเส้นทางสู่ผลตอบแทนที่แท้จริงจากการลงทุนและคุณค่าที่สร้างขึ้น รายงานปี 2025 จาก IEEE เรื่อง “ค่าใช้จ่ายที่ซ่อนอยู่ของ AI: วิธีการที่อิน效ิภาพเล็กๆ น้อยๆ สะสมเป็นภาระทางเศรษฐกิจ” แสดงให้เห็นว่าการปรับเปลี่ยนเล็กๆ น้อยๆ สามารถสะสมเป็นภาระทางเศรษฐกิจที่สำคัญได้อย่างไร เพื่อหลีกเลี่ยงการกลายเป็นส่วนหนึ่งของการดิ้นรนที่มีค่าใช้จ่ายนี้ องค์กรจะต้องปรับปรุงการฝึกอบรมพนักงานโดยใช้ LLMs เพื่อให้ได้ผลตอบแทนจากการลงทุนใน AI ที่ดีที่สุด

AI ที่สร้างสรรค์นำมาซึ่งความหวังของการปรับปรุงและความมีประสิทธิภาพ อย่างไรก็ตาม เมื่อทีมติดอยู่ในวงจรของการปรับปรุงอย่างไม่มีที่สิ้นสุด (หรือการเดินอย่างไม่มีเป้าหมาย) ความไม่มีประสิทธิภาพจะบ่อนทำลายรากฐานนี้

การทำความสะอาด “Workslop”

หนึ่งในสาเหตุที่ทีมต้องปรับปรุงผลลัพธ์อย่างต่อเนื่องเพื่อให้ได้คำตอบที่สมบูรณ์แบบคือ “workslop” ซึ่งถูกอธิบายครั้งแรกใน Harvard Business Review Workslop คือ ‘เนื้อหาที่สร้างโดย AI ที่ปลอมตัวเป็นงานที่ดี แต่ไม่มีเนื้อหาที่จะพัฒนางานให้สำเร็จ’

สิ่งนี้เป็นจุดเริ่มต้นของการสร้างวงจร Doomprompting การปรับปรุงเนื้อหาที่ไม่ดีโดยการแก้ไขหรือปรับปรุงเป็นสิ่งสำคัญ แต่จำเป็นต้องทราบเมื่อใดที่ควรหยุดก่อนที่จะเข้าสู่จุดคุ้มทุน องค์กรจะต้องเข้าใกล้การลงทุนเวลาในการฝึกอบรม AI ด้วยความสมดุลอันละเอียดอ่อน ในด้านหนึ่ง ทีมควรตระหนักถึงคุณภาพที่ต้องการ ในทางกลับกัน พวกเขาควรทราบเมื่อใดที่มันมากเกินไป การฝึกอบรมพนักงานในการใช้ AI อย่างชาญฉลาดผ่านการ提示ที่เหมาะสมและเป้าหมายที่ชัดเจนจะช่วยได้เช่นกัน

การใช้ AI ที่มีเจตนาเพื่อหลีกเลี่ยง Doomprompting

ในช่วงไม่นานมานี้ ธุรกิจได้เพิ่มความสนใจและลงทุนใน AI ที่มีเจตนา ซึ่งเป็นที่รู้จักในเรื่องความสามารถในการปรับปรุงประสิทธิภาพการทำงาน AI ที่มีเจตินี้สามารถรับมือกับงานที่ซับซ้อน โดยประสานงานกับตัวแทนหลายราย (รวมถึง RAG และตัวแทนการดำเนินการ) เพื่อตัดสินใจวิธีการดำเนินการ และดำเนินการให้เสร็จสิ้นโดยอัตโนมัติ

คุณสมบัติเหล่านี้อาจช่วยให้ AI หลีกเลี่ยง Doomprompting หรือหลีกเลี่ยงมันโดยสิ้นเชิง ซึ่งสามารถกำจัดความจำเป็นในการสอนอินเทอร์เฟซ GenAI ผ่านการ提示หลายครั้งเพื่อให้ทำงานเสร็จสิ้น ตัวอย่างหนึ่งคือ AI ที่ใช้ใน IT operations หรือ AIOps ซึ่งเป็นการปรับปรุง IT โดยการผสมผสาน AI เข้ากับงานประจำวัน

ตัวอย่างอื่นคือระบบ AI ที่มีเจตินี้สามารถจัดการกับเหตุการณ์ที่ซับซ้อนโดยอัตโนมัติ ตัวแทนเหล่านี้พร้อมกับ ITOps สามารถเข้าใจบริบทของปัญหา ประสานงานกับตัวแทนการให้เหตุผลเพื่อตัดสินใจวิธีการดำเนินการ ใช้ตัวแทนการดำเนินการเพื่อแก้ไขปัญหาในระบบ IT และสุดท้าย ใช้ตัวแทนการเรียนรู้เพื่อทำความเข้าใจวิธีการแก้ไขและนำไปใช้อย่างมีประสิทธิภาพในเหตุการณ์ต่อๆ ไป

การทำงานอัตโนมัติของ AI ที่มีเจตินี้ช่วยลดการโต้ตอบของมนุษย์และดำเนินการโดยอัตโนมัติ เพื่อตอบสนองความต้องการทางธุรกิจที่เปลี่ยนแปลงไป การทำงานและปฏิบัติการที่ซ้ำๆ ควรส่งมอบให้กับ AI อัตโนมัติ การมอบหมายนี้กำจัดวงจรของการ提示ซ้ำๆ และการปรับปรุงซ้ำๆ ที่มักจะขับเคลื่อน Doomprompting การดำเนินการอัตโนมัติทำให้ AI โมเดลสามารถปรับปรุงและตอบสนองต่อการเปลี่ยนแปลงต่างๆ โดยไม่ต้องมีการโต้ตอบของมนุษย์

บทบาทของการกำกับดูแลในการป้องกัน Doomprompting

ในรายงานล่าสุดของ McKinsey 88% ของผู้ตอบแบบสอบถามรายงานว่าใช้ AI ในอย่างน้อยหนึ่งฟังก์ชันทางธุรกิจ ซึ่งเป็นการเพิ่มขึ้น 10% จากปี 2024 และเพิ่มขึ้น 33% ตั้งแต่ปี 2023 สำหรับ AI ที่มีเจตินี้ การเพิ่มขึ้นนี้ยิ่งมากขึ้น ตั้งแต่ 33% ในปี 2023 ถึงเกือบ 80% ในปี 2025

การนำ AI มาใช้อย่างกว้างขวางนี้ทำให้ธุรกิจต้องหาวิธีแก้ปัญหา Doomprompting หนึ่งในเครื่องมือเหล่านี้คือโครงสร้างการกำกับดูแลที่มั่นคง ซึ่งควรได้รับการออกแบบอย่างรอบคอบเพื่อให้แน่ใจว่าโครงการ AI สอดคล้องกับวัตถุประสงค์ทางธุรกิจและไม่ตกอยู่ในวงจรการปรับปรุงอย่างไม่มีที่สิ้นสุด เมื่อทีมพัฒนาโครงสร้างการกำกับดูแลเหล่านี้ พวกเขาควรพิจารณา:

• การกำหนดแนวทาง: ข้อมูลที่ไหลเข้าและออกจากโมเดล AI กำลังซับซ้อนมากขึ้น เพื่อทำให้ง่ายขึ้น แนวทาง AI ควรสร้างโครงสร้างสำหรับทีมในการจัดการข้อมูล ตัดสินใจ และจัดการผลลัพธ์ AI อย่างมีความรับผิดชอบ
• การฝึกอบรมผู้ใช้: การฝึกอบรมที่เหมาะสมในการใช้การ提示สามารถช่วยให้ได้ผลผลิตที่ดีขึ้น
• การใช้โมเดลที่มีเจตินา: โมเดล AI ที่มีเจตินาและวัตถุประสงค์เฉพาะอุตสาหกรรมมีแนวโน้มที่จะให้ผลลัพธ์ที่มีบริบทและความหมายเร็วขึ้น
• การฝึกอบรมโมเดล AI: การฝึกอบรมโมเดล AI ด้วยข้อมูลที่เฉพาะเจาะจงสำหรับอุตสาหกรรม/งาน/องค์กร (เมื่อเป็นไปได้) สามารถนำไปสู่ผลลัพธ์ที่เหมาะสมและรวดเร็วยิ่งขึ้น
• การสร้างกฎ: การสร้างและนำกฎที่ชัดเจนไปใช้เป็นสิ่งจำเป็นสำหรับการชี้นำการพัฒนาและใช้ AI เมื่อทีมกำหนดขอบเขตการดำเนินการ พวกเขาจะแน่ใจว่าระบบที่นำมาใช้สอดคล้องกับวัตถุประสงค์ทางธุรกิจ มาตรฐานทางจริยธรรม และข้อกำหนดด้านกฎระเบียบ

การหลีกเลี่ยงวงจร Doomprompting

เพื่อหลีกเลี่ยงการตกอยู่ในวงจร Doomprompting ธุรกิจจะต้องยอมรับกลยุทธ์ AI ที่ให้ความสำคัญกับผลลัพธ์มากกว่าความสมบูรณ์แบบ การใช้การฝึกอบรมการ提示 โมเดล AI ที่มีเจตินาและวัตถุประสงค์เฉพาะ และโมเดลที่ฝึกอบรมด้วยข้อมูลบริบทขององค์กรสามารถลดความจำเป็นในการ提示ซ้ำๆ ได้ ธุรกิจที่ใช้ AI ที่มีเจตนา การดำเนินการ IT อัตโนมัติ และโครงสร้างการกำกับดูแลที่แข็งแกร่งสามารถจัดสรรทรัพยากรที่สำคัญเพื่อบรรลุวัตถุประสงค์ทางธุรกิจโดยไม่ติดอยู่ในวงจรการปรับปรุงอย่างไม่มีที่สิ้นสุด ความสำเร็จจะเกิดขึ้นเมื่อทีมเปลี่ยนความคิดจากการปรับปรุงอย่างต่อเนื่องไปสู่การดำเนินการมุ่งเน้นและผลลัพธ์ที่วัดได้