ผู้นำทางความคิด

ก่อนขยายการใช้งานเอเจนต์ AI ให้ถามก่อนว่าพวกเขาไม่รู้อะไร

Dror Nadler
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ประเด็นสำคัญคำตอบที่มั่นใจล้มเหลวเมื่อเอเจนต์ละเว้นบริบท เช่น…
ดูเพิ่มเติม
  • คำตอบที่มั่นใจล้มเหลวเมื่อเอเจนต์ละเว้นบริบท เช่น วันที่ยื่นเอกสารที่ล้าสมัยหรือความแตกต่างของปฏิทินการเงิน
  • เกือบ 6 ใน 10 ธุรกิจพบว่าคำตอบ AI ที่มั่นใจแต่ผิดเกิดจากบริบททางธุรกิจที่ขาดหายหรือไม่สมบูรณ์
  • การตรวจสอบโดยมนุษย์ต้องขยายตามระดับความเสี่ยง เพราะข้อมูลที่ถูกต้องแต่ถูกแชร์อย่างผิดวิธีก็ยังละเมิดกฎระเบียบได้

ลองนึกภาพว่า CFO กำลังเตรียมตัวเข้าประชุมกับนักลงทุนสถาบันรายใหญ่ เพื่อช่วยเตรียมการ ทีมดูแลนักลงทุนสัมพันธ์ (IR) ขอให้เครื่องมือ AI ค้นหาข้อมูลพื้นหลังบางอย่าง เช่น วันที่ประชุมครั้งล่าสุดกับบริษัทนั้น ประเด็นสำคัญที่อีกฝ่ายแสดงความสนใจ จำนวนหุ้นที่ถือครอง และข้อมูลอื่น ๆ

เครื่องมือระบุอย่างมั่นใจว่านักลงทุนรายนั้นถือหุ้นอยู่ 2.5 ล้านหุ้น ไม่มีใครเอะใจ และ CFO ก็เดินหน้าเตรียมตัวสำหรับการสนทนาสำคัญครั้งนี้อย่างเต็มที่

แต่มีข้อควรระวัง: AI ดึงตัวเลขดังกล่าวมาจากเอกสาร แบบฟอร์ม Form 13F ซึ่งรายงานการถือครองหุ้น ณ วันสิ้นไตรมาสก่อนหน้า ข้อมูลนี้ถูกต้องในเวลาที่รายงาน… แต่ตอนนี้ก็ผ่านมาแล้วหลายเดือน ระหว่างนั้นนักลงทุนรายนี้แอบขายหุ้นไป 2 ล้านหุ้น ทำให้สัดส่วนการถือครองลดลงอย่างมาก วาระการประชุม (และอาจรวมถึงตัวการประชุมเอง!) ดูจะไม่เกี่ยวข้องอีกต่อไป

เกิดอะไรขึ้น? ในสถานการณ์นี้ AI ไม่ได้หลอนหรือแต่งตัวเลขขึ้นมาเอง แต่ดึงข้อมูลที่ถูกต้องมาใช้โดยไม่ระบุเงื่อนไขหรืออธิบายข้อจำกัด

ในกรณีนี้ ผลที่ตามมาอาจเป็นการสนทนาที่กระอักกระอ่วนหรือการพลาดโอกาส แต่ในสถานการณ์อื่น คำตอบที่ฟังดูเด็ดขาดในทำนองเดียวกันแต่ขาดบริบทสำคัญอาจก่อให้เกิดความเสี่ยงที่ร้ายแรงยิ่งกว่า

โมเดลที่ดีขึ้นไม่ได้เป็นคำตอบเสมอไป

โมเดลพื้นฐานพัฒนาให้ดีขึ้นเรื่อย ๆ แล้วเหตุใดคำตอบที่มั่นใจแต่ผิดจึงดูเหมือนเกิดขึ้นบ่อยขึ้นเรื่อย ๆ—ปัญหาที่ธุรกิจในหลากหลายอุตสาหกรรมกำลังเผชิญอยู่?

ประการแรก AI เชิงสร้างสรรค์ (GenAI) แพร่หลายไปทั่วแล้ว ตามรายงาน สถานะของ AI ในปี 2026 ของ McKinsey ผู้เชี่ยวชาญในภาคธุรกิจเกือบ 9 ใน 10 คนระบุว่าองค์กรของตนใช้ AI เป็นประจำในงานธุรกิจอย่างน้อยหนึ่งด้าน

ขณะที่องค์กรก้าวพ้นช่วงทดลองใช้และพึ่งพา AI ในงานประจำวันกับการตัดสินใจทางธุรกิจมากขึ้น พวกเขาก็เริ่มพบข้อจำกัดด้านสิ่งที่เครื่องมือเหล่านี้รู้และเข้าใจเช่นกัน

ผลสำรวจ อุตสาหกรรมเมื่อไม่นานมานี้เผยให้เห็นสาเหตุที่มักอยู่เบื้องหลังปัญหานี้: ในช่วง 6 เดือนที่ผ่านมาเพียงอย่างเดียว ธุรกิจเกือบ 6 ใน 10 แห่ง (57%) ระบุว่าคำตอบที่มั่นใจแต่ผิดของเอเจนต์ AI มีสาเหตุมาจากบริบทธุรกิจที่ขาดหายหรือไม่ครบถ้วน

เมื่อ AI เข้าถึงข้อมูลได้มากมาย เรื่องนี้อาจฟังดูน่าประหลาดใจ แต่มีข้อแตกต่างสำคัญที่ควรทำความเข้าใจ: บริบทไม่ใช่สิ่งเดียวกับข้อมูล

บริบทคืออะไร—และไม่ใช่อะไร

บริบทอาจครอบคลุมทั้งองค์ความรู้ภายในองค์กร ข้อยกเว้นของกฎเกณฑ์ ความสัมพันธ์ กระบวนการ และความคาดหวังเกี่ยวกับวิธีการทำงานให้สำเร็จ ซึ่งเป็นรายละเอียดปลีกย่อยที่มักแตกต่างกันไปในแต่ละบริษัท

จากการทำงานร่วมกับทีมดูแลนักลงทุนสัมพันธ์ ฉันเห็นว่าความแตกต่างเหล่านี้สำคัญเพียงใด ลองพิจารณาตัวอย่างที่ดูเหมือนตรงไปตรงมาสักสองสามข้อ:

  • รอบปีบัญชี: ไตรมาสแรกของบริษัทหนึ่งอาจตรงกับปีปฏิทิน ขณะที่ของอีกบริษัทเริ่มในเดือนกันยายน หากขาดบริบทนี้ เอเจนต์ AI อาจเปรียบเทียบผลประกอบการจากรอบระยะเวลารายงานที่ไม่ถูกต้อง
  • ตัวชี้วัดทางการเงิน: องค์กรอาจรายงานกำไรต่อหุ้นทั้งตามหลัก GAAP และแบบ non-GAAP หากเอเจนต์ไม่เข้าใจว่าควรอ้างอิงตัวเลขใด (และเมื่อใด) ก็อาจนำเสนอผลการดำเนินงานของธุรกิจอย่างคลาดเคลื่อน
  • เรื่องราวของบริษัท: การสื่อสารของบริษัทเปลี่ยนแปลงไปตามกาลเวลา โดยสะท้อนการตัดสินใจอย่างตั้งใจว่าจะเน้นย้ำหรือละเว้นเรื่องใด หากไม่เข้าใจประวัติความเป็นมาและเหตุผลเบื้องหลัง เอเจนต์ AI อาจสร้างเนื้อหาที่บั่นทอนเรื่องราวซึ่งบริษัทบรรจงพัฒนาขึ้นมา

เมื่อคำนึงถึงเรื่องทั้งหมดนี้ ก็ไม่น่าแปลกใจที่โมเดลพื้นฐานเดียวกันจะให้ผลลัพธ์แตกต่างกันมากในแต่ละบริษัท ขึ้นอยู่กับบริบทและความรู้เฉพาะทางที่โมเดลเข้าถึงได้

AI ที่ออกแบบมาโดยเฉพาะสำหรับอุตสาหกรรมหรือธุรกิจเฉพาะด้าน (หรือที่เรียกว่า AI แนวดิ่ง) อาจช่วยเชื่อมช่องว่างบางส่วนได้ ด้วยการคำนึงถึงความรู้เฉพาะทาง กระบวนการทำงาน และรายละเอียดปลีกย่อยของแต่ละภาคส่วน แต่แม้เทคโนโลยีที่ซับซ้อนที่สุดก็ยังเก็บรวบรวมทุกสิ่งที่องค์กรรู้ไม่ได้ นี่จึงเป็นเหตุผลที่มนุษย์ยังมีบทบาทเช่นกัน

สิ่งที่ AI ไม่รู้เกี่ยวกับธุรกิจของคุณ

แต่มนุษย์ไม่ได้อยู่กับองค์กรไปตลอด ลองพิจารณาว่าจะเกิดอะไรขึ้นเมื่อเจ้าหน้าที่ดูแลนักลงทุนสัมพันธ์ (IRO) ผู้มีประสบการณ์ลาออกจากบริษัทหลังทำงานมาได้สักห้าปี พวกเขาน่าจะใช้เวลาทำงานไปกับการระบุและเข้าถึงนักลงทุนที่มีแนวโน้มจะลงทุน วิเคราะห์กิจกรรมของผู้ถือหุ้น สร้างความสัมพันธ์ เตรียมการสำหรับการรายงานผลประกอบการ เตรียมผู้บริหาร… และงานอื่น ๆ อีกมากมาย

บริษัทยังคงเก็บบทพูดสำหรับรายงานผลประกอบการ งานนำเสนอ และไฟล์อื่น ๆ ไว้ แต่ความรู้ภายในองค์กรที่อยู่เบื้องหลังเอกสารเหล่านั้นล่ะ? ความรู้ส่วนใหญ่ก็ออกจากบริษัทไปพร้อมกับพนักงาน โดยเฉพาะเมื่อพิจารณาว่า IRO เกือบ 8 ใน 10 คน (78%) ไม่มีผู้สืบทอดตำแหน่งที่ระบุไว้

ด้วยเหตุนี้ องค์กรจึงต้องลงมือเก็บรักษาความรู้และความเข้าใจไว้ในรูปแบบที่ระบบ AI นำไปใช้ได้ การเชื่อมเอเจนต์ AI เข้ากับไดรฟ์ส่วนกลางเพียงอย่างเดียวมักไม่เพียงพอ

การมีวิธีบันทึกองค์ความรู้และขั้นตอนการทำงานสำคัญอย่างเป็นระบบ ไม่ว่าจะเป็นเหตุผลเบื้องหลังการตัดสินใจครั้งสำคัญ ประวัติความสัมพันธ์ หรือข้อมูลสำคัญต่อภารกิจอื่น ๆ ที่ไม่เคยถูกรวบรวมไว้ในเอกสารอย่างเป็นทางการ ล้วนเป็นเรื่องสำคัญสำหรับธุรกิจในทุกอุตสาหกรรม

การสร้างฐานความรู้เช่นนี้ให้ใช้งานได้จริงต้องอาศัยคน ทั้งในการบันทึกข้อมูลและใช้วิจารณญาณประกอบ แม้ AI จะช่วยจัดระเบียบองค์ความรู้ได้ แต่บริบทสำคัญที่เทคโนโลยีมักมองข้ามนั้นมาจากพนักงาน

เมื่อทำงานในสภาพแวดล้อมที่มีความเสี่ยงสูง ช่องว่างด้านบริบทอาจสร้างความเสียหายอย่างมาก

เราได้พูดถึงสิ่งที่เกิดขึ้นเมื่อ AI ตอบผิดแล้ว แต่บางครั้งเอเจนต์ AI ก็อาจดึงข้อมูลที่ถูกต้องได้—ทั้งแม่นยำ เป็นปัจจุบัน และเกี่ยวข้อง—แต่ก็ยังสร้างปัญหาได้ด้วยการแชร์ข้อมูลนั้นในสถานการณ์ที่ไม่เหมาะสม

ความผิดพลาดเช่นนี้สร้างความเสียหายเป็นพิเศษในอุตสาหกรรมที่มีการกำกับดูแลอย่างเข้มงวด

ตัวอย่างเช่น ในงานนักลงทุนสัมพันธ์ การเปิดเผยข้อมูลสาระสำคัญที่ยังไม่เปิดเผยต่อสาธารณะ (MNPI) เช่น ผลประกอบการทางการเงินที่ยังไม่ประกาศ ให้นักวิเคราะห์หรือนักลงทุนทราบ อาจเป็นการละเมิดกฎการเปิดเผยข้อมูลอย่างเป็นธรรม (Reg FD) ของ SEC สหรัฐฯ ซึ่งอาจนำไปสู่บทลงโทษทางการเงินและความเสียหายต่อชื่อเสียง

อุตสาหกรรมอื่น ๆ เช่น การดูแลสุขภาพ บริการทางการเงิน และบริการด้านกฎหมาย ก็เผชิญความเสี่ยงด้านกฎระเบียบในลักษณะเดียวกัน ซึ่งชี้ให้เห็นถึงความจำเป็นในการกำหนดมาตรการป้องกัน เมื่อเอเจนต์ AI เข้าถึงข้อมูลที่ละเอียดอ่อนได้

เรื่องนี้ยังแสดงให้เห็นว่าเหตุใดมนุษย์จึงยังคงมีบทบาทสำคัญ โดยเป็นส่วนจำเป็นในการตรวจสอบและอนุมัติสิ่งที่จะสื่อสาร บริษัทอาจพิจารณากำหนดระดับการตรวจสอบโดยมนุษย์ให้เหมาะสมกับระดับความเสี่ยง โดยให้เวิร์กโฟลว์ AI แต่ละประเภททำงานอย่างเป็นอิสระในระดับที่แตกต่างกัน

สามคำถามที่ควรถามก่อนขยายการใช้งานเอเจนต์ AI

เราทุกคนคงเคยเจอสถานการณ์ทั้งในที่ทำงานหรือชีวิตทั่วไปที่เราไม่รู้ว่าเรายังไม่รู้อะไรอยู่บ้าง บางครั้งผลที่ตามมาไม่ได้ร้ายแรง แต่อีกหลายครั้งก็อาจส่งผลกระทบหนักกว่า

ปัจจุบัน AI มีชุดข้อมูลขนาดมหาศาลให้เรียนรู้ ทำให้โมเดล AI รู้มากขึ้นมาก… แต่ก็ยังต้อง “ส่งสัญญาณ” เมื่อพบช่องว่าง ดังนั้น เมื่อธุรกิจใช้ AI จัดการกับเป้าหมายและเวิร์กโฟลว์เชิงกลยุทธ์มากขึ้น จึงควรถามคำถามต่อไปนี้ก่อนขยายการใช้งาน:

  • เอเจนต์ของเราบอกได้หรือไม่ว่าคำตอบของตนมาจากแหล่งใด—และข้อมูลนั้นได้รับการอัปเดตครั้งล่าสุดเมื่อใด? เอเจนต์สามารถแจ้งข้อมูลนี้ได้เองโดยไม่ต้องมีใครถามหรือไม่?
  • เอเจนต์มีบริบททางธุรกิจที่จำเป็นสำหรับตีความและตอบสนองต่อคำขอหรือไม่? เอเจนต์จะระบุข้อจำกัดของตนเองหรือไม่?
  • เราทราบหรือไม่ว่าเมื่อใดมนุษย์จำเป็นต้องเข้ามาตรวจสอบและอนุมัติ? จะมีการเข้ามาดำเนินการในสถานการณ์ใด และจะเริ่มกระบวนการตรวจสอบอย่างไร?

ทางออกไม่ใช่การหลีกเลี่ยง AI

ขอพูดให้ชัดเจนว่า ฉันเชื่อมั่นใน AI ฉันใช้ AI ทุกวันในการทำงาน มองเห็นประโยชน์ทั้งในปัจจุบันและอนาคต และคิดว่าในหลาย ๆ ด้าน เรายังเพิ่งเริ่มสำรวจศักยภาพของ AI เท่านั้น ฉันไม่สงสัยเลยว่าบริษัทที่หลีกเลี่ยง AI รวมถึงบริษัทที่นำ AI มาใช้โดยขาดการวางแผนอย่างเป็นระบบและมีประสิทธิภาพ กำลังเผชิญความเสี่ยงจริงที่จะตามหลังคู่แข่ง

แต่การนำ AI มาใช้ไม่ได้หมายความว่าต้องเปิดทางให้โมเดลอเนกประสงค์เข้าถึงข้อมูลขององค์กร แล้วปล่อยให้ทำงานไปตามอำเภอใจ

ณ ตอนนี้ เท่าที่ฉันเห็น AI ที่ทำงานได้อย่างอิสระเต็มรูปแบบยังไม่เหมาะกับงานหรือการตัดสินใจทางธุรกิจทุกประเภท องค์กรต้องเข้าใจว่า AI ทำงานได้อย่างอิสระในเรื่องใด ต้องมีบริบทเพิ่มเติมในเรื่องใด และเรื่องใดที่ยังขาดวิจารณญาณของมนุษย์ไม่ได้

ดังนั้น ก่อนถามว่าเอเจนต์ AI รู้อะไร ให้ถามก่อนว่ามันไม่รู้อะไร คำตอบจะช่วยกำหนดวิธีนำไปใช้งาน สิ่งที่คุณไว้วางใจให้มันทำ และวิธีเตรียมความพร้อมให้มันทำงานได้สำเร็จ

Dror Nadlerดำรงตำแหน่งประธานเจ้าหน้าที่ฝ่ายผลิตภัณฑ์ของ Q4 Inc. โดยเป็นผู้นำด้านกลยุทธ์ผลิตภัณฑ์และนวัตกรรม เพื่อช่วยให้ทีมงานฝ่ายนักลงทุนสัมพันธ์ใช้ประโยชน์จาก AI ข้อมูล และเทคโนโลยีในการทำงานได้อย่างมีประสิทธิภาพยิ่งขึ้น เขามีประสบการณ์มากกว่า 25 ปีในด้านเทคโนโลยีสำหรับองค์กร ซอฟต์แวร์ในรูปแบบบริการ (SaaS) และบริการทางการเงิน โดยเคยดำรงตำแหน่งผู้นำที่ Intralinks, Cellrox, Rapid7 และ EMC ตลอดเส้นทางอาชีพ Dror มุ่งเน้นการพัฒนาและขยายผลิตภัณฑ์เทคโนโลยี ขับเคลื่อนนวัตกรรม และเร่งการเติบโตทางธุรกิจ เขาสำเร็จหลักสูตรปริญญาโทบริหารธุรกิจสำหรับผู้บริหารจาก Boston University ปริญญาโทด้านเทคโนโลยีสารสนเทศจาก Harvard University และปริญญาด้านกฎหมายจาก Reichman University