เจสัน วอยาห์น ประธานเจ้าหน้าที่บริหารของ KMS Technology – บทสัมภาษณ์

Jason Wojahn เป็นประธานเจ้าหน้าที่บริหารของ KMS Technology และมีประสบการณ์ราวสามทศวรรษในการก่อตั้งและขยายธุรกิจบริการเทคโนโลยีสำหรับองค์กร เขาร่วมก่อตั้งและบริหาร Thirdera ก่อนที่ Cognizant จะเข้าซื้อกิจการ เคยเป็นผู้นำธุรกิจ ServiceNow ทั่วโลกของ Accenture และดำรงตำแหน่งผู้บริหารที่ Cloud Sherpas และ IBM Global Services งานของเขามุ่งเน้นการปรับเปลี่ยนองค์กร รูปแบบการดำเนินงาน และการเปลี่ยนความก้าวหน้าด้าน AI ให้เป็นผลลัพธ์ทางธุรกิจที่วัดผลได้

KMS Technology เป็นบริษัทด้านวิศวกรรมดิจิทัล ข้อมูล และ AI ที่ช่วยองค์กรสร้างซอฟต์แวร์ ปรับปรุงแอปพลิเคชันให้ทันสมัย เสริมความแข็งแกร่งให้รากฐานข้อมูล และนำ AI ไปใช้งานจริงในระบบการผลิต บริการของบริษัทครอบคลุมการให้คำปรึกษาด้านเทคนิค วิศวกรรมผลิตภัณฑ์ วิศวกรรมข้อมูล และระบบอัตโนมัติเวิร์กโฟลว์อัจฉริยะ ในบทสัมภาษณ์นี้ Wojahn พูดถึง “เศรษฐกิจแห่งการลงมือทำ” ช่องว่างระหว่างโครงการนำร่อง AI กับการใช้งานจริง อำนาจในการตัดสินใจของเอเจนต์ และวิธีที่ธุรกิจจะวัดความก้าวหน้าผ่านผลลัพธ์ตั้งแต่ต้นจนจบ

คุณใช้เวลาสามทศวรรษในการก่อตั้งและขยายองค์กรเทคโนโลยีสำหรับองค์กร ตั้งแต่การขยาย Navigis และเป็นผู้นำธุรกิจ ServiceNow ทั่วโลกของ Accenture ไปจนถึงการสร้าง Thirdera และปัจจุบันดำรงตำแหน่งประธานเจ้าหน้าที่บริหารของ KMS Technology ประสบการณ์เหล่านี้หล่อหลอมมุมมองของคุณต่อการปรับเปลี่ยนองค์กรอย่างไร และอะไรดึงดูดให้คุณเข้ามารับความท้าทายในการช่วยให้องค์กรนำ AI มาเป็นแกนหลัก?

ผมเริ่มต้นที่ IBM Global Services โดยดูแลงานส่งมอบบริการให้ลูกค้าองค์กรรายใหญ่ จากนั้นก็ทำงานที่ Navigis, Cloud Sherpas, Accenture, Thirdera และ Cognizant ซึ่งเกือบทั้งหมดอยู่ในระบบนิเวศของ ServiceNow

นี่คือรูปแบบที่ผมเห็นซ้ำแล้วซ้ำเล่า ทุกครั้งที่มีแพลตฟอร์มระลอกใหม่เกิดขึ้น ต่างก็ให้คำมั่นว่าจะพลิกโฉมองค์กร แต่เทคโนโลยีแทบไม่ใช่ปัจจัยชี้ขาดว่าใครจะเป็นผู้ชนะ บริษัทที่ประสบความสำเร็จคือบริษัทที่ปรับเปลี่ยนวิธีการทำงานจริงภายในองค์กร

ช่วงเวลาที่ทำงานกับ ServiceNow สอนให้ผมรู้ว่าคุณค่าอยู่ในเวิร์กโฟลว์ ไม่ใช่แดชบอร์ด ตลอดสามทศวรรษที่ผ่านมา ซอฟต์แวร์สำหรับองค์กรพัฒนาได้ดีมากในการบอกเราว่าเกิดอะไรขึ้น แต่ทำได้ไม่ดีนักในการลงมือแก้ไข ผู้คนเข้ามาเติมเต็มช่องว่างนั้น พวกเขากลายเป็นทีมบูรณาการระบบที่ไม่ได้รับค่าตอบแทน คอยส่งต่องานจากระบบหนึ่งไปยังอีกระบบหนึ่ง

AI เปลี่ยนเรื่องนี้ไป ความสามารถด้านปัญญากำลังมีอยู่อย่างแพร่หลาย สิ่งที่ขาดแคลนในตอนนี้คือความสามารถในการเปลี่ยนความสามารถนั้นให้เป็นการลงมือทำที่ประสานงานกัน นั่นคือเหตุผลที่ผมมาร่วมงานกับ KMS นั่นคือความเชี่ยวชาญด้านวิศวกรรมที่ลึกซึ้งพอจะสร้างระบบที่ลงมือทำงานได้ ไม่ใช่แค่ติดตามงาน และโอกาสที่จะทำให้องค์กรใช้ AI เป็นแกนหลัก แทนที่จะเพียงเปิดใช้ AI เป็นเครื่องมือสนับสนุน

องค์กรจำนวนมากพิสูจน์ศักยภาพของ AI ผ่านโครงการนำร่องได้สำเร็จ แต่กลับประสบปัญหาในการต่อยอดความสำเร็จระยะแรกให้เกิดคุณค่าในระดับการใช้งานจริงทั่วทั้งองค์กร องค์กรมักพบอุปสรรคใดบ้างเมื่อต้องก้าวข้ามช่วงทดลองใช้ และเหตุใดความท้าทายเหล่านี้จึงมักปรากฏขึ้นหลังจากเทคโนโลยีพิสูจน์ประสิทธิภาพแล้ว?

โครงการนำร่องพิสูจน์ว่าโมเดลทำงานได้ ส่วนการใช้งานจริงพิสูจน์ว่าองค์กรทำงานได้

นี่คือบททดสอบที่แตกต่างกันมาก โครงการนำร่องใช้ข้อมูลที่สะอาดและคัดสรรมาอย่างดี มีผู้สนับสนุนที่กระตือรือร้น และมีทีมขนาดเล็กที่คอยหาทางแก้ไขช่องโหว่ทุกจุด โครงการนี้ออกแบบมาเพื่อหลีกเลี่ยงส่วนที่ยาก

แต่การใช้งานจริงหลีกเลี่ยงเรื่องเหล่านั้นไม่ได้ ตอนนี้เอเจนต์ต้องเข้าถึงระบบห้าระบบแทนที่จะเป็นระบบเดียว ต้องมีผู้รับผิดชอบต่อผลลัพธ์เมื่อเอเจนต์ทำผิดพลาด ต้องกำหนดว่าเอเจนต์มีสิทธิ์อนุมัติเรื่องใดบ้าง และต้องมีค่าใช้จ่ายในการเดินระบบทุกวัน

นี่คือเหตุผลที่ความท้าทายเหล่านี้ปรากฏขึ้นหลังจากเทคโนโลยีพิสูจน์ประสิทธิภาพแล้ว เพราะปัญหาเหล่านี้ไม่เคยเป็นปัญหาด้านเทคโนโลยี แต่เป็นปัญหาเรื่องข้อมูล การบูรณาการระบบ ความรับผิดชอบ และอำนาจตัดสินใจ ส่วนโครงการนำร่องก็ถูกออกแบบมาเพื่อเลี่ยงปัญหาเหล่านี้ทุกข้อ

วิธีแก้คือเลิกมองโครงการนำร่องเป็นเพียงการสาธิต ให้ถือว่าโครงการนำร่องเป็นระยะแรกของการใช้งานจริง เลือกเวิร์กโฟลว์ที่สำคัญ เชื่อมต่อกับระบบที่ใช้งานจริง ระบุผู้รับผิดชอบ และกำหนดตั้งแต่วันแรกว่าเอเจนต์ตัดสินใจเรื่องใดได้บ้าง การเริ่มต้นอาจช้ากว่า แต่จะขยายผลได้เร็วกว่ามาก

คุณกล่าวถึงการเปลี่ยนผ่านสู่ “เศรษฐกิจแห่งการลงมือทำ” ซึ่งความได้เปรียบในการแข่งขันขึ้นอยู่กับความสามารถขององค์กรในการเปลี่ยนความสามารถด้านปัญญาให้เป็นการลงมือทำที่ประสานงานกันมากขึ้นเรื่อย ๆ ในทางปฏิบัติ แนวคิดนี้หมายถึงอะไร และทำให้องค์กรควรปรับวิธีลงทุนด้าน AI อย่างไร?

งานทุกชิ้นดำเนินไปตามลำดับขั้นเดียวกัน ได้แก่ ข้อมูล ข่าวเชิงลึก การตัดสินใจ และการลงมือทำ

ซอฟต์แวร์สำหรับองค์กรใช้เวลาหลายทศวรรษไปกับสองขั้นแรก ส่วน AI กำลังช่วยพัฒนาสามขั้นแรกอย่างรวดเร็ว องค์กรส่วนใหญ่ยังติดขัดอยู่ที่ขั้นลงมือทำ และความได้เปรียบกำลังเคลื่อนไปอยู่ที่ขั้นนี้

ในทางปฏิบัติ เศรษฐกิจแห่งการลงมือทำหมายความว่าความสามารถด้านปัญญาไม่ใช่ทรัพยากรที่ขาดแคลนอีกต่อไป แต่สิ่งที่ขาดแคลนคือความสามารถในการทำงานให้สำเร็จ บริษัทสองแห่งอาจใช้โมเดลชุดเดียวกัน มีข้อมูลเหมือนกัน และได้ข้อคิดเห็นเชิงลึกเหมือนกัน บริษัทที่ชนะคือบริษัทที่เปลี่ยนข้อคิดเห็นเชิงลึกเหล่านั้นให้เป็นการลงมือทำที่ประสานงานกัน โดยมีอำนาจหน้าที่ชัดเจนและมีบันทึกการตรวจสอบย้อนหลัง

เรื่องนี้เปลี่ยนวิธีการลงทุน งบประมาณด้าน AI ส่วนใหญ่ในปัจจุบันใช้ซื้อเครื่องมือ เช่น ผู้ช่วยทำงานอัตโนมัติ ผู้ช่วย AI และระบบค้นหาที่ดียิ่งขึ้น เครื่องมือเหล่านี้ช่วยให้แต่ละคนทำงานได้เร็วขึ้น แต่ข้อเสนอที่ AI ร่างเสร็จภายในสิบนาทีก็ยังอาจต้องรออนุมัติถึงสามวัน งานที่เสร็จเร็วขึ้นไม่ได้แปลว่าจะได้ผลลัพธ์เร็วขึ้น

ดังนั้น จงจัดสรรงบให้กับเวิร์กโฟลว์ ไม่ใช่เครื่องมือ และเริ่มจากคำถามที่ต่างออกไป ไม่ใช่ “เราจะทำให้พนักงานคนนี้มีประสิทธิภาพเพิ่มขึ้น 20% ได้อย่างไร?” แต่เป็น “งานใดบ้างที่ไม่ควรต้องอาศัยการประสานงานของมนุษย์อีกต่อไป?”

เมื่อ AI พัฒนาจากการช่วยพนักงานทำงานเป็นรายชิ้น ไปสู่การดำเนินเวิร์กโฟลว์ทั้งหมดได้โดยอัตโนมัติ องค์กรต้องทบทวนกระบวนการ โครงสร้างการตัดสินใจ และรูปแบบความรับผิดชอบที่มีอยู่อย่างไร?

กระบวนการส่วนใหญ่ในองค์กรถูกออกแบบให้สอดคล้องกับข้อจำกัดของมนุษย์ เมื่อข้อมูลเคลื่อนที่ช้า เราจึงสร้างการประชุมขึ้นมา เมื่อต้องมีการกำกับดูแลการตัดสินใจ เราจึงสร้างขั้นตอนการอนุมัติแบบเป็นลำดับชั้น สิ่งที่เราเรียกว่ากระบวนการส่วนใหญ่ แท้จริงแล้วคือการส่งต่องานระหว่างผู้คน

หากทำให้กระบวนการเดิมเป็นแบบอัตโนมัติ ก็เท่ากับทำให้ผังองค์กรเป็นแบบอัตโนมัติด้วย ผลที่ได้คือการส่งต่องานที่เร็วขึ้น ไม่ใช่จำนวนครั้งที่ส่งต่องานน้อยลง

การทบทวนควรเริ่มจากการตัดสินใจ ไม่ใช่จากงาน สำหรับแต่ละเวิร์กโฟลว์ ให้ทำแผนผังการตัดสินใจที่เกี่ยวข้อง เอเจนต์สามารถเสนอแนะเรื่องใดได้บ้าง ตัดสินใจเรื่องใดได้บ้าง ดำเนินการเรื่องใดได้ด้วยตนเอง และในกรณีใดที่ต้องให้คนเข้ามามีส่วนร่วม

อำนาจในการตัดสินใจควรกำหนดแยกเป็นเรื่อง ๆ ไม่ใช่ครอบคลุมเวิร์กโฟลว์ทั้งหมด เอเจนต์อาจได้รับความไว้วางใจอย่างเต็มที่ให้กระทบยอดใบแจ้งหนี้ แต่ยังต้องให้คนอนุมัติการชำระเงินที่เกินวงเงินที่กำหนด

ความรับผิดชอบไม่ได้หายไป แต่ชัดเจนยิ่งขึ้น มนุษย์และเอเจนต์ร่วมกันรับผิดชอบการดำเนินงาน โดยเอเจนต์เป็นผู้จัดการงาน ส่วนคนเป็นผู้กำหนดขอบเขตอำนาจ จัดการกรณียกเว้น และรับผิดชอบต่อผลลัพธ์ เอเจนต์ทุกตัวต้องมีผู้รับผิดชอบที่ระบุชื่อได้ และทุกการดำเนินการควรตรวจสอบย้อนกลับได้ รวมถึงย้อนกลับได้เมื่อเป็นไปได้

บทบาทของผู้นำเปลี่ยนจากการประสานงาน ไปสู่การออกแบบระบบที่ดำเนินงานนั้น

ที่ KMS Technology คุณมุ่งเปลี่ยนวิศวกรรมดิจิทัลแบบดั้งเดิมให้เป็นการดำเนินงานระดับองค์กรที่มี AI เป็นแกนหลัก การเปลี่ยนแปลงนี้เกิดขึ้นภายในองค์กรอย่างไร และ KMS ผสาน AI แพลตฟอร์มข้อมูล และการจัดการเวิร์กโฟลว์อัจฉริยะเข้าด้วยกันเพื่อสร้างผลลัพธ์ทางธุรกิจที่วัดผลได้อย่างไร?

เราเริ่มนำแนวคิดเดียวกันนี้มาใช้กับตัวเราเอง KMS เติบโตขึ้นมาในฐานะบริษัทวิศวกรรมดิจิทัล บทต่อไปของเราคือการดำเนินงานระดับองค์กรที่มี AI เป็นแกนหลัก ทั้งการพัฒนา ปรับปรุงระบบให้ทันสมัย และดำเนินงาน โดยมีมนุษย์และเอเจนต์ร่วมกันรับผิดชอบการดำเนินงาน ผลลัพธ์ที่ได้สะท้อนผ่านเวลาและแรงงานที่ใช้:

พัฒนา Evergreen Telehealth ต้องการแพลตฟอร์มการแพทย์ทางไกลที่สร้างขึ้นบน AI แบบเอเจนต์และมาตรฐานข้อมูลสุขภาพ FHIR แต่ในตลาดยังไม่มีแพลตฟอร์มลักษณะนี้ เราทำงานโดยให้ AI เป็นแกนหลัก และฝัง Claude ไว้ในทุกขั้นตอน ตั้งแต่การกำหนดข้อกำหนด การออกแบบ การพัฒนา ไปจนถึงการทดสอบ ทีมของเราและวิศวกรของ Evergreen พัฒนาแพลตฟอร์มหลักจากแนวคิดสู่การใช้งานจริงได้ภายใน 75 วันทำงาน ครอบคลุมแอป 3 รายการ (เว็บ, iOS และ Android) การเชื่อมต่อที่ใช้งานจริง 4 รายการ (EHR การยืนยันตัวตน การชำระเงิน และร้านขายยา) และเอเจนต์ที่ใช้งานจริง 2 ตัว รูปแบบการทำงานมีมนุษย์เป็นผู้นำและใช้ AI เพื่อเร่งการทำงาน เอเจนต์ร่างเรื่องราวผู้ใช้ สร้างโค้ด และทดสอบ วิศวกรรับผิดชอบสถาปัตยกรรม การจับคู่ข้อมูลทางคลินิก และการตัดสินใจทุกเรื่องที่สำคัญ

ปรับปรุงระบบให้ทันสมัย อีกตัวอย่างหนึ่งคือบริษัทซอฟต์แวร์ทางทะเลที่ต้องเปลี่ยนแพลตฟอร์มซึ่งใช้งานภายในองค์กรมาแล้วกว่า 20 ปี บริษัทไม่อาจให้เหตุผลรองรับการสร้างระบบใหม่แบบดั้งเดิมที่ใช้เวลานาน ก่อนที่นักลงทุนจะเห็นความคืบหน้าได้ เราจึงดำเนินการพัฒนาด้วยเอเจนต์แบบจำกัดเวลา 6 สัปดาห์ โดยนำข้อกำหนดของลูกค้าเข้ามาเป็นบริบท เพื่อให้เอเจนต์พัฒนาระบบตามข้อกำหนด แทนที่จะแค่สร้างโค้ด ทีมส่งมอบขอบเขตงาน MVP ได้ 35 ถึง 45 เปอร์เซ็นต์ โดยใช้เวลาทำงานของทีมประมาณ 800 ชั่วโมง เทียบกับประมาณการเดิมที่ 6,000 ถึง 8,000 ชั่วโมง เอเจนต์เขียนโค้ดและการทดสอบหน่วยมากกว่า 5,000 รายการ ส่วนวิศวกรกำหนดกรอบควบคุมและประเมินคุณภาพ

ดำเนินงาน นับจากนั้น Evergreen ได้ขยายสถาปัตยกรรมเอเจนต์ไปทั่วทั้งธุรกิจ โดยมีเอเจนต์กำกับดูแลคอยตรวจสอบระบบ และมีคนร่วมในกระบวนการเพื่อประเมินและแก้ไข

เราไม่ได้แค่เขียนโค้ดให้เร็วขึ้น แต่กำลังเปลี่ยนปริมาณงานที่ทีมสามารถดำเนินการได้

ทั้งสามกรณี มนุษย์และเอเจนต์ร่วมกันรับผิดชอบการดำเนินงาน เอเจนต์จัดการงานที่ทำซ้ำได้ ส่วนวิศวกรของเราและทีมของลูกค้ารับผิดชอบการตัดสินใจ กรณียกเว้น และผลลัพธ์

การเปลี่ยนแปลงเดียวกันนี้ช่วยให้เราสร้างประสิทธิภาพในการส่งมอบงานได้มากขึ้น นี่คือความแตกต่างระหว่างการส่งมอบงานที่มี AI เป็นแกนหลัก กับการส่งมอบงานที่ใช้ AI เป็นเครื่องมือสนับสนุน

ระบบ AI สำหรับองค์กรต้องอาศัยการเข้าถึงข้อมูลจากแอปพลิเคชันเดิมที่กระจัดกระจาย แพลตฟอร์มคลาวด์ และสภาพแวดล้อมข้อมูลมากขึ้นเรื่อย ๆ การเชื่อมต่อระบบเหล่านี้เป็นความท้าทายมากเพียงใด และองค์กรควรวางรากฐานด้านสถาปัตยกรรมอะไรบ้างก่อนนำเวิร์กโฟลว์ที่ขับเคลื่อนด้วย AI ไปใช้ในวงกว้าง?

นี่คือความท้าทายหลัก องค์กรส่วนใหญ่ไม่ได้มีปัญหาเรื่อง AI แต่มีปัญหาเรื่องระบบที่กระจัดกระจาย ซึ่ง AI ทำให้ไม่อาจมองข้ามได้อีกต่อไป

ลองดูวิธีการทำงานในปัจจุบัน มีคนค้นหาข้อมูลในแอปพลิเคชันหนึ่ง ติดตามการอนุมัติในอีกแอปพลิเคชันหนึ่ง แล้วคัดลอกผลลัพธ์ไปใส่ในแอปพลิเคชันที่สาม ผู้คนทำหน้าที่เป็นชั้นเชื่อมต่อระบบ เอเจนต์ไม่สามารถทำงานนั้นได้ หากเข้าถึงระบบเหล่านั้นไม่ได้ เข้าใจบริบทไม่ได้ และดำเนินการด้วยสิทธิ์ที่เหมาะสมไม่ได้

ดังนั้น รากฐานจึงสำคัญกว่าตัวโมเดล โดยมี 4 ประการที่ควรเริ่มจากสิ่งต่อไปนี้:

• สถาปัตยกรรมข้อมูลสมัยใหม่ที่ให้บริบทที่เชื่อถือได้แก่เอเจนต์
• ชั้นการเชื่อมต่อที่ช่วยให้เอเจนต์ดำเนินการข้ามระบบได้ ไม่ใช่แค่อ่านข้อมูลจากระบบเหล่านั้น
• ระบบระบุตัวตนและสิทธิ์การเข้าถึงที่ออกแบบมาสำหรับเอเจนต์ ไม่ใช่เฉพาะสำหรับคน
• ระบบติดตามตรวจสอบ เพื่อให้เห็นว่าเอเจนต์แต่ละตัวทำอะไรและเพราะเหตุใด

สถาปัตยกรรมเทคโนโลยีก็กำลังควบรวมให้กระชับขึ้นเช่นกัน แพลตฟอร์มข้อมูลกำลังเปลี่ยนมาสู่การดำเนินงาน แพลตฟอร์มเวิร์กโฟลว์กำลังฉลาดขึ้น และแอปพลิเคชันกำลังมุ่งสู่การทำงานแบบไร้ส่วนติดต่อผู้ใช้ หากเวิร์กโฟลว์เชื่อมต่อข้ามทุกชั้นของระบบได้ แล้วเหตุใดผู้ใช้จึงต้องเป็นฝ่ายทำเช่นนั้นเอง?

อย่ารอให้สถาปัตยกรรมสมบูรณ์แบบ เลือกเวิร์กโฟลว์สำคัญมาหนึ่งอย่าง แล้วปรับปรุงสิ่งที่เกี่ยวข้องกับเวิร์กโฟลว์นั้นให้ทันสมัย จากนั้นค่อยทำอย่างถัดไป

เมื่อเอเจนต์ AI เริ่มตัดสินใจและดำเนินการต่าง ๆ ในการปฏิบัติงานของธุรกิจ คำถามเรื่องธรรมาภิบาล ความรับผิดรับชอบ และการกำกับดูแลโดยมนุษย์ก็ยิ่งมีความสำคัญมากขึ้น องค์กรควรพิจารณาอย่างไรว่าเรื่องใดสามารถมอบหมายให้ AI ตัดสินใจได้ และเรื่องใดต้องอยู่ภายใต้การควบคุมของมนุษย์?

ผมจะเริ่มจากการเปลี่ยนคำถาม ไม่ใช่ “AI ทำสิ่งนี้ได้ไหม?” เพราะคำตอบคือได้มากขึ้นเรื่อย ๆ คำถามที่ดีกว่าคือ “ใครเป็นผู้อนุญาตให้ AI ลงมือทำ?”

ความสามารถและสิทธิ์เข้าถึงไม่ได้หมายความว่ามีอำนาจตัดสินใจ เมื่อเอเจนต์สามารถอนุมัติการคืนเงิน เปลี่ยนตารางการผลิต หรืออนุมัติการใช้จ่ายได้ ก็ต้องมีใครสักคนกำหนดขอบเขตให้ชัดเจน

วิธีประเมินที่นำไปใช้ได้จริงคือพิจารณาต้นทุนและความสามารถในการย้อนกลับ การตัดสินใจที่เกิดขึ้นบ่อย มีกฎเกณฑ์ชัดเจน และแก้กลับได้ง่าย เหมาะอย่างยิ่งที่จะมอบหมายให้ระบบดำเนินการ ส่วนการตัดสินใจที่มีผลกระทบสูง ย้อนกลับไม่ได้ หรือเป็นตัวกำหนดความสัมพันธ์กับลูกค้า ควรให้บุคคลเป็นผู้ตัดสินใจ

การมอบหมายอำนาจควรต้องแลกมาด้วยผลงานที่พิสูจน์ได้ เริ่มจากให้เอเจนต์เสนอคำแนะนำและให้บุคคลเป็นผู้อนุมัติ เมื่อมีหลักฐานสนับสนุนมากขึ้น ค่อยปรับบทบาทของบุคคลจากการอนุมัติทุกการดำเนินการ ไปเป็นการกำกับดูแลระบบและจัดการกรณียกเว้น

เป้าหมายไม่ใช่การให้มนุษย์เข้าไปอยู่ในทุกวงจร แต่คือการให้มนุษย์อยู่ในวงจรที่เหมาะสม ข้อมูลให้บริบท โมเดลใช้เหตุผล เอเจนต์ลงมือดำเนินการ ส่วนมนุษย์เป็นผู้กำหนดอำนาจและรับผิดชอบต่อผลที่ตามมา

คุณเคยเป็นผู้นำธุรกิจแพลตฟอร์มองค์กรขนาดใหญ่ที่ Accenture และ Cognizant ซึ่งการขยายการดำเนินงานจำเป็นต้องประสานเทคโนโลยี บุคลากร และกระบวนการต่าง ๆ ในองค์กรระดับโลกให้สอดคล้องกัน บทเรียนจากประสบการณ์เหล่านั้นข้อใดนำมาปรับใช้กับความพยายามเปลี่ยนผ่านสู่ AI ในปัจจุบันได้ โดยเฉพาะเมื่อแรงต้านภายในองค์กรหรือรูปแบบการดำเนินงานที่ล้าสมัยกลายเป็นอุปสรรคใหญ่กว่าเทคโนโลยีเอง?

ผมได้เรียนรู้เรื่องการบูรณาการมากกว่าสิ่งอื่นใด ที่ Cloud Sherpas จากนั้นที่ Accenture และต่อมาที่ Cognizant ผมใช้เวลาหลายปีในการผสานองค์กรต่าง ๆ เข้าด้วยกัน ทั้งวัฒนธรรม รูปแบบการให้บริการ แรงจูงใจ และภูมิภาคที่แตกต่างกัน ล้วนต้องทำงานร่วมกันเป็นธุรกิจแพลตฟอร์มเดียว

เทคโนโลยีแทบไม่เคยเป็นข้อจำกัด แต่รูปแบบการดำเนินงานต่างหากที่เป็นข้อจำกัด

มีบทเรียนสามข้อที่นำมาปรับใช้กับการเปลี่ยนผ่านสู่ AI ได้โดยตรง

ข้อแรก แรงต้านมักมีเหตุผลรองรับ ผู้คนย่อมปกป้องสิ่งที่ตนถูกประเมินผล หากนำเอเจนต์เข้ามาใช้ แต่ยังประเมินทีมจากชั่วโมงทำงาน จำนวนบุคลากร และกิจกรรมที่ทำอยู่ ก็จะได้เพียงการปฏิบัติตาม ไม่ใช่การเปลี่ยนแปลง ปรับเกณฑ์การวัดผล แล้วพฤติกรรมก็จะเปลี่ยนตาม

ข้อสอง ต้องกำหนดสิทธิ์ในการตัดสินใจให้ชัดเจน ในการผสานองค์กรทุกครั้ง บทสนทนาที่ยากที่สุดมักเป็นเรื่องว่าใครมีอำนาจตัดสินใจเรื่องใด AI ทำให้หลีกเลี่ยงคำถามนี้ไม่ได้ เพราะผู้ตัดสินใจบางส่วนไม่ใช่มนุษย์อีกต่อไป

ข้อสาม ต้องชี้แจงให้ชัดว่าอะไรจะยังคงเดิม ผู้คนปรับตัวต่อการเปลี่ยนแปลงได้ดีขึ้นเมื่อเข้าใจเหตุผลและรู้ว่าอะไรจะไม่เปลี่ยนไป

การเปลี่ยนผ่านสู่ AI คือการปรับรูปแบบการดำเนินงานที่มีเทคโนโลยีเข้ามาเกี่ยวข้อง ผู้นำที่มองเรื่องนี้เป็นเพียงการติดตั้งซอฟต์แวร์ย่อมต้องผิดหวัง

ตัวชี้วัดความสำเร็จของ AI แบบดั้งเดิมมักเน้นอัตราการนำไปใช้ การเพิ่มผลิตภาพ และเวลาที่ประหยัดได้ ผู้บริหารควรให้ความสำคัญกับตัวชี้วัดใดเพื่อพิจารณาว่า AI ช่วยให้ธุรกิจดำเนินงานได้ดีขึ้นจริงหรือไม่ และองค์กรจะแยกแยะการเพิ่มประสิทธิภาพทีละเล็กทีละน้อยออกจากการเปลี่ยนแปลงการดำเนินงานอย่างมีนัยสำคัญได้อย่างไร?

การนำไปใช้และเวลาที่ประหยัดได้เป็นตัวชี้วัดปัจจัยนำเข้า ตัวชี้วัดเหล่านี้บอกว่าผู้คนกำลังใช้เครื่องมือ แต่ไม่ได้บอกว่าธุรกิจกำลังเดินหน้าได้เร็วขึ้นหรือไม่

หากวิศวกรประหยัดเวลาได้สองชั่วโมง แต่การเผยแพร่ยังต้องรอการตรวจสอบอีกหนึ่งสัปดาห์ ลูกค้าก็ไม่ได้รับประโยชน์จากการเปลี่ยนแปลงใด ๆ งานที่เสร็จเร็วขึ้นไม่ได้หมายความว่าผลลัพธ์จะเกิดเร็วขึ้น

ผมจะให้ความสำคัญกับตัวชี้วัดสามประเภท ได้แก่

• ระยะเวลาตั้งแต่เกิดความต้องการจนได้ผลลัพธ์: ใช้เวลานานเท่าใดกว่าคำขอจะกลายเป็นผลลัพธ์ โดยนับตั้งแต่ต้นจนจบ
• จุดที่งานต้องรอ: การตัดสินใจใช้เวลานานเท่าใด มีการส่งต่องานกี่ครั้ง และมีงานค้างระหว่างทีมมากเพียงใด
• งานที่ไม่ต้องอาศัยการประสานงาน: เวิร์กโฟลว์ดำเนินไปได้มากน้อยเพียงใดโดยไม่ต้องให้มนุษย์ประสานงาน ขณะที่บุคลากรยังคงมุ่งเน้นการใช้วิจารณญาณและจัดการกรณียกเว้น

จากนั้นเชื่อมโยงตัวชี้วัดเหล่านี้กับผลประกอบการ ได้แก่ ต้นทุนการให้บริการ คุณภาพ และรายได้

วิธีตรวจสอบว่ามีการเปลี่ยนแปลงอย่างแท้จริงหรือไม่เรียบง่ายมาก งานเร็วขึ้น หรือรูปแบบของเวิร์กโฟลว์เปลี่ยนไป? การเพิ่มประสิทธิภาพทีละเล็กทีละน้อยทำให้กระบวนการเดิมเร็วขึ้น ส่วนการเปลี่ยนแปลงอย่างแท้จริงคือการตัดขั้นตอน การส่งต่องาน และการอนุมัติที่ไม่จำเป็นอีกต่อไปออก

วัดระยะเวลาตั้งแต่เกิดความต้องการจนได้ผลลัพธ์ หาจุดที่งานต้องรอ แล้วเปลี่ยนสิ่งที่ทำให้งานติดค้างอยู่ตรงนั้น

เมื่อมองไปข้างหน้าในอีกสามถึงห้าปี คุณคาดว่าความสัมพันธ์ระหว่าง AI ซอฟต์แวร์สำหรับองค์กร และแรงงานมนุษย์จะเปลี่ยนแปลงไปอย่างไร คุณมองเห็นอนาคตที่ระบบซึ่งพัฒนาขึ้นโดยมี AI เป็นแกนหลักเข้ามาแทนที่เวิร์กโฟลว์แบบดั้งเดิมขององค์กรอย่างสิ้นเชิงหรือไม่ และผู้นำธุรกิจควรเริ่มทำอะไรตั้งแต่วันนี้เพื่อเตรียมพร้อมสำหรับการเปลี่ยนผ่านดังกล่าว?

ตลอดสามสิบปีที่ผ่านมา ซอฟต์แวร์สำหรับองค์กรบอกเราว่าเกิดอะไรขึ้น ในช่วงสามถึงห้าปีข้างหน้า ซอฟต์แวร์จะลงมือทำงานมากขึ้นเรื่อย ๆ

สิ่งที่ AI จะเข้ามาแทนที่คือการประสานงาน ทั้งการตามงาน คัดลอกข้อมูล ส่งต่องาน และติดตามผล ซึ่งกินเวลาส่วนใหญ่ในแต่ละวันของคนทั่วไป ผู้คนจะหันไปใช้วิจารณญาณ จัดการข้อยกเว้น สานสัมพันธ์ และรับผิดชอบต่อผลลัพธ์มากขึ้น นี่เป็นการใช้ความเชี่ยวชาญของมนุษย์ที่ดีกว่า แต่ต้องอาศัยความสามารถใหม่ ๆ ซึ่งผู้นำต้องตั้งใจพัฒนาขึ้นมา

ผู้นำควรทำอะไรในวันนี้ เริ่มจากเลือกเวิร์กโฟลว์สำคัญหนึ่งรายการ แล้วแจกแจงการตัดสินใจต่าง ๆ ที่อยู่ภายใน ปรับปรุงข้อมูลที่เป็นพื้นฐาน กำหนดให้ชัดเจนว่าเอเจนต์ได้รับอนุญาตให้ตัดสินใจเรื่องใด และระบุว่าใครเป็นผู้รับผิดชอบต่อผลลัพธ์ จากนั้นจึงขยับไปยังเวิร์กโฟลว์ถัดไป

บริษัทที่มอง AI เป็นเครื่องมือจะได้ประสิทธิภาพเพิ่มขึ้น ส่วนบริษัทที่ปรับโครงสร้างการทำงานโดยมี AI เป็นแกนหลักจะได้แรงส่ง AI ไม่ใช่กลยุทธ์ การลงมือปฏิบัติต่างหากที่เป็นกลยุทธ์

ขอขอบคุณสำหรับบทสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านที่ต้องการศึกษาเพิ่มเติมเกี่ยวกับการดำเนินงานระดับองค์กรที่มี AI เป็นแกนหลัก เวิร์กโฟลว์อัจฉริยะ และการเปลี่ยนผ่านจากโครงการนำร่อง AI ไปสู่การใช้งานจริง สามารถเยี่ยมชม KMS Technology ได้