Jitendra Putcha, หัวหน้าฝ่ายปฏิบัติการของ Tredence – ซีรีส์สัมภาษณ์

Jitendra Putcha, หัวหน้าฝ่ายปฏิบัติการของ Tredence, เป็นผู้บริหารเทคโนโลยีและการปฏิบัติการที่มีประสบการณ์เกือบสามทศวรรษ ครอบคลุมปัญญาประดิษฐ์, การวิเคราะห์ข้อมูล, การเปลี่ยนแปลงดิจิทัล, การส่งมอบ, และบริการเทคโนโลยีระดับองค์กร ก่อนเข้าร่วม Tredence ในเดือนเมษายน 2026 เขาเคยดำรงตำแหน่งหัวหน้าฝ่ายการส่งมอบที่ Mastech Digital, โดยเป็นส่วนหนึ่งของทีมผู้นำระดับบริหารที่ดูแลกลยุทธ์, การเปลี่ยนแปลง, ความรับผิดชอบด้าน P&L, และการให้บริการ เขาเคยทำงานหลายปีที่ LTIMindtree และ LTI, สุดท้ายดำรงตำแหน่ง รองประธานอาวุโสและหัวหน้าฝ่ายข้อมูลและ AI ระดับโลก, รับผิดชอบการนำ AI ระดับองค์กร, Generative AI, AI agents, บริการข้อมูลและการวิเคราะห์, วิศวกรรมผลิตภัณฑ์, และการพัฒนาแพลตฟอร์ม ก่อนหน้านั้น Putcha ทำงานเกือบ 18 ปีที่ Cognizant, ผ่านตำแหน่งผู้นำระดับสูงรวมถึง รองประธานฝ่าย AI & Analytics และหัวหน้าศูนย์ Hyderabad, ซึ่งงานของเขาครอบคลุมการส่งมอบข้อมูลและการวิเคราะห์ระดับโลก, การเปลี่ยนแปลงโดยใช้ AI, และการขยายขีดความสามารถด้านการวิเคราะห์ในหลายอุตสาหกรรม ประวัติการทำงานก่อนหน้านี้ของเขารวมถึงบทบาทที่ Wipro และ DSQ Software, ให้พื้นฐานอาชีพที่ครอบคลุมการจัดเก็บข้อมูล, ธุรกิจอัจฉริยะ, การวิเคราะห์, และการส่งมอบระดับองค์กรขนาดใหญ่.

Tredence เป็นบริษัทโซลูชันด้านวิทยาศาสตร์ข้อมูลและ AI ระดับโลกที่มุ่งเน้นการแก้ไขปัญหา “last-mile” ใน AI — ช่องว่างระหว่างการสร้างข้อมูลเชิงลึกและการแปลงให้เป็นผลลัพธ์ทางธุรกิจที่วัดได้ ก่อตั้งในปี 2013 บริษัทผสานความเชี่ยวชาญอุตสาหกรรมกับการวิศวกรรมข้อมูล, วิทยาศาสตร์ข้อมูล, การเรียนรู้ของเครื่อง, Generative AI, AI agents, เทคโนโลยีคลาวด์, และเครื่องเร่งประสิทธิภาพที่เป็นกรรมสิทธิ์ เพื่อช่วยองค์กรนำ AI ไปใช้ในระดับใหญ่ Tredence กล่าวว่ามีพนักงานมากกว่า 4,200 คนและทำงานกับบริษัทในหลายภาคส่วนรวมถึงค้าปลีก, สินค้าอุปโภคบริโภคบรรจุภัณฑ์, เทคโนโลยี, โทรคมนาคม, การดูแลสุขภาพ, การเดินทาง, อุตสาหกรรม, และอื่น ๆ วิธีการของบริษัทให้ความสำคัญกับการฝังการวิเคราะห์และ AI เข้าไปในกระบวนการธุรกิจจริง แทนที่จะหยุดอยู่ที่โมเดลหรือแดชบอร์ด โดยมีความสามารถครอบคลุม Generative AI ที่พร้อมใช้งานระดับองค์กร, ระบบมัลติโมดัลและเอเจนต์, Responsible AI, การปรับสมัยข้อมูล, และการกำกับดูแล AI.

คุณมีประสบการณ์กว่า 28 ปีที่ครอบคลุมข้อมูลระดับองค์กร, การวิเคราะห์, AI, และการส่งมอบระดับโลกขนาดใหญ่ รวมถึงบทบาทผู้นำที่ Cognizant, LTIMindtree, และ Mastech Digital ก่อนเข้าร่วม Tredence ในตำแหน่งหัวหน้าฝ่ายปฏิบัติการในปี 2026 สิ่งที่ดึงดูดคุณมาที่ Tredence ในขั้นตอนการเติบโตนี้คืออะไร, และคุณมองเห็นโอกาสใหญ่ที่สุดในการปรับเปลี่ยนวิธีการทำงานและการส่งมอบคุณค่าของบริษัทบริการที่มุ่งเน้น AI อย่างไรเมื่อองค์กรย้ายจากการทดลองไปสู่ AI ในระดับขนาดใหญ่?

สิ่งที่ทำให้ฉันสนใจ Tredence คือความเป็นจริงของบริษัท ในอาชีพของฉัน ฉันได้เห็นการเปลี่ยนแปลงเทคโนโลยีหลายครั้ง แต่หายากที่จะพบองค์กรที่เชื่อมโยงความเชี่ยวชาญ AI เชิงลึกโดยตรงกับผลลัพธ์ทางธุรกิจที่แท้จริง Tredence ไม่ได้พูดถึง AI เพียงเพื่อพูดเท่านั้น; บริษัทสร้างโซลูชันที่แก้ไขปัญหาองค์กรจริง ๆ

ในขณะนี้ อุตสาหกรรมอยู่ในจุดเปลี่ยนแปลงที่น่าทึ่ง กำลังก้าวผ่านขั้นตอนการทดสอบและตั้งคำถามที่ท้าทาย: เราจะฝัง AI เข้าไปในการดำเนินงานประจำวันอย่างไร? นี่คือสิ่งที่เราเรียกว่า “last mile” ของ AI: การเชื่อมช่องว่างระหว่างการสร้างข้อมูลเชิงลึกและการทำให้ข้อมูลเชิงลึกเหล่านั้นถึงบุคคล, กระบวนการ, หรือการตัดสินใจที่เฉพาะเจาะจงซึ่งสามารถสร้างผลลัพธ์ที่เป็นประโยชน์

โอกาสในที่นี้ไม่ได้เกี่ยวกับการนำเครื่องมือที่ทันสมัยมาใช้เท่านั้น แต่เป็นการแก้ไขปัญหาการดำเนินการ, ช่วยให้องค์กรคิดต่างออกไป, และเห็นคุณค่าที่วัดได้ ในฐานะ COO งานของฉันคือการรักษาขอบได้เปรียบนี้ ฉันต้องการให้แน่ใจว่าเราขยายการดำเนินงานโดยไม่สูญเสียความคล่องตัวหรือการมุ่งเน้นลูกค้า เปลี่ยนความทะเยอทะยาน AI ระดับสูงให้เป็นผลตอบแทนในโลกจริง

เรายังคงเห็นองค์กรหลายแห่งดำเนินโครงการทดลอง AI ที่มีศักยภาพแต่ไม่เคยกลายเป็นระบบการผลิตที่มีความหมาย เมื่อคุณมองที่โครงการที่หยุดชะงัก จุดล้มเหลวที่พบบ่อยที่สุดคืออะไร, และปัญหาใดที่ผู้บริหารยังคาดเดาต่ำเกินไป?

พูดตรง ๆ ส่วนใหญ่โครงการทดลอง AI ไม่ล้มเหลวเพราะเทคโนโลยีล้มเหลว แต่ล้มเหลวเพราะเราปฏิบัติต่อ AI เหมือนเครื่องยนต์ที่ทรงพลังแต่ลืมสร้างรถจริงรอบ ๆ มัน คิดแบบนี้: เครื่องยนต์ระดับโลกจะไม่มีประโยชน์เลยถ้าคุณไม่ให้เชื้อเพลิงที่สะอาด, พวงมาลัย, และคนขับ

โมเดล AI ของคุณจะจอดอยู่ในโรงรถเช่นเดียวกันหากคุณประเมินคุณค่าพื้นฐานสามประการต่ำเกินไป ข้อมูลที่เชื่อถือได้คือเชื้อเพลิงที่สะอาดของคุณ หากข้อมูลของคุณเป็นฐานข้อมูลที่รกและไม่มีการจัดระเบียบ เครื่องยนต์ของคุณจะอุดตันและโมเดลของคุณจะให้คำตอบที่ไม่น่าเชื่อถือ การกำกับดูแลที่แข็งแกร่งคือพวงมาลัยของคุณ หากไม่มีกฎระเบียบที่ชัดเจนและแนวป้องกันความปลอดภัย ทีมงานจะกลัวความเสี่ยงเกินกว่าจะนำรถออกสู่ถนน

สุดท้าย ความเป็นเจ้าของธุรกิจที่ชัดเจนคือผู้ขับเคลื่อนของคุณ, และเป็นส่วนที่ผู้บริหารประเมินต่ำที่สุด หากผู้นำธุรกิจไม่เข้ามาควบคุม, ส่งเสริมเครื่องมือ, และฝังมันโดยตรงในกระบวนการทำงานประจำวันของทีม โครงการจะประสบปัญหาในการส่งมอบผลลัพธ์ เราต้องหลีกเลี่ยง “ดักแสดงสาธิต” ความสำเร็จไม่ได้อยู่ที่การเปิดตัวโครงการทดลองจำนวนมากหรือรวบรวมเครื่องยนต์ทดสอบ แต่คือการล็อกข้อมูลของคุณ, ตั้งแนวป้องกันที่ชัดเจน, กำหนดความรับผิดชอบที่แท้จริง, และฝัง AI อย่างเงียบ ๆ เข้าไปในวิธีการดำเนินธุรกิจของคุณทุกวัน

Tredence ได้อธิบาย “last mile” ของ AI ว่าเป็นการเชื่อมโยงข้อมูลเชิงลึกสู่การกระทำมาอย่างยาวนาน AI แบบ Agentic มีศักยภาพที่จะก้าวไกลกว่านั้นโดยให้ซอฟต์แวร์ดำเนินการตัดสินใจ ปัญหา “last mile” จะเปลี่ยนอย่างไรเมื่อ AI ย้ายจากการแนะนำการกระทำไปสู่การดำเนินการนั้นโดยอัตโนมัติ?

ในอดีต การจัดการกับ “last mile” ของ AI เปรียบเสมือนการขับรถพร้อม GPS หน้าจอบอกคุณอย่างชัดเจนว่าจะเลี้ยวที่ไหน แต่คุณยังต้องหมุนพวงมาลัยเอง AI แบบ Agentic กลับพลิกสถานการณ์อย่างสิ้นเชิง ตอนนี้รถก็ขับเองโดยอัตโนมัติ.

สิ่งนี้เปลี่ยนการสนทนาทั้งหมดไป เราไม่ได้พยายามโน้มน้าวผู้จัดการให้เชื่อใจแผนภูมิบนแดชบอร์ดอีกต่อไปแล้ว เรากำลังสร้างระบบที่เราสามารถไว้วางใจให้ทำการตัดสินใจแทนเรา ความท้าทายที่แท้จริงไม่ใช่การทำให้คนมองข้อมูลอีกต่อไป แต่คือการกำหนดว่าความควบคุมใดที่เราพร้อมมอบให้ซอฟต์แวร์ได้อย่างสบายใจ.

สำหรับงานประจำที่มีความเสี่ยงต่ำ เช่น การอัปเดตบันทึกสินค้าคงคลังหรือทำความสะอาดไฟล์ข้อมูล การให้เอเจนต์ทำงานแบบอัตโนมัติเป็นเรื่องที่ไม่มีเหตุผลต้องคิด เพราะมันช่วยตัดขั้นตอนการรอคอยขององค์กรออกไปได้ แต่พอการตัดสินใจมีผลต่อธุรกรรมการเงินขนาดใหญ่ การร้องเรียนของลูกค้าที่ละเอียดอ่อน หรือขอบเขตทางกฎหมาย คุณต้องมีมนุษย์พร้อมแทรกแซงและหยุดยั้ง.

ในที่สุด บริษัทที่ประสบความสำเร็จด้วย AI แบบ Agentic จะไม่ใช่แค่ผู้ที่มีเทคโนโลยีที่ฉลาดที่สุดเท่านั้น แต่จะเป็นองค์กรที่กำหนดขอบเขตที่ชัดเจนว่า ซอฟต์แวร์สามารถทำงานอิสระได้ที่ไหนและต้องให้การตัดสินใจของมนุษย์เข้ามาควบคุมที่ไหน.

คุณได้อ้างว่าการทำงานขององค์กรแบบ Agentic ต้องอาศัยบริบทของโดเมน การกำกับดูแล และการดำเนินการอัจฉริยะที่ทำงานร่วมกัน ทำไมการวาง LLM หรือ AI Agent ไว้บนสแต็กข้อมูลเดิมของบริษัทไม่พอ และต้องมีการเปลี่ยนแปลงสถาปัตยกรรมอะไรบ้าง?

การวาง LLM ไว้บนข้อมูลระดับองค์กรเปรียบเสมือนการจ้างพนักงานอัจฉริยะและให้เขาเข้าถึงเอกสารทุกฉบับของบริษัทตั้งแต่วันแรก พนักงานนั้นอาจฉลาดและมีความสามารถ แต่เขายังไม่เข้าใจระบบ กระบวนการ กฎระเบียบภายในและข้อบังคับของคุณ.

ธุรกิจต้องเผชิญกับความท้าทายคล้ายกัน เพราะสภาพแวดล้อมของพวกเขามีความซับซ้อนโดยธรรมชาติ ข้อมูลกระจายอยู่ในหลายระบบ และกฎธุรกิจได้พัฒนาขึ้นอย่างเงียบ ๆ มาหลายปี นอกจากนี้ข้อบังคับด้านการปฏิบัติตามยังแตกต่างกันตามอุตสาหกรรมและภูมิภาค เพื่อให้เอเจนต์ทำงานได้อย่างมีประสิทธิภาพ พวกมันต้องการบริบท ไม่ใช่แค่ข้อมูลเท่านั้น.

เพราะฉะนั้น เราจึงมอง AI ระดับองค์กรเป็นสถาปัตยกรรมสามชั้น ชั้นแรกคือฐานข้อมูลที่เชื่อถือได้ ชั้นที่สองคือปัญญาโดเมน ซึ่งจับบริบทธุรกิจ ความสัมพันธ์ คำจำกัดความ และกระบวนการทำงาน ชั้นที่สามคือชั้นประสบการณ์และการดำเนินการแบบปิด‑ลูป ที่เอเจนต์สามารถให้เหตุผลและทำงานภายในขอบเขตที่กำกับดูแลได้.

หลายองค์กรได้ลงทุนอย่างหนักในชั้นแรก และบางส่วนก็สร้างส่วนของชั้นที่สองแล้ว อย่างไรก็ตาม โอกาสที่แท้จริงอยู่ที่การเชื่อมต่อทั้งสามชั้นให้ทำงานร่วมกัน.

หากไม่มีบริบทและการกำกับดูแล แม้โมเดลที่มีศักยภาพที่สุดก็อาจสร้างคำตอบที่ดูสมเหตุสมผลแต่ไม่สอดคล้องกับความเป็นจริงของธุรกิจ AI ระดับองค์กรไม่ต้องการความฉลาดเพิ่มขึ้น มันต้องการบริบทเพิ่มขึ้น.

“AI agent” กลายเป็นคำที่ถูกใช้เกินจริงในอุตสาหกรรมอย่างรวดเร็ว จากมุมมองทางเทคนิค สิ่งที่แยกแยะเอเจนต์ระดับองค์กรที่มีประโยชน์จริงจากแชทบอทที่เชื่อมต่อกับเครื่องมือและกระบวนการบางอย่างคืออะไร?

เอเจนต์ระดับองค์กรที่มีประโยชน์จริงจะถูกกำหนดโดยสิ่งที่มันทำได้อย่างรับผิดชอบ มากกว่าการพูดคุยได้ราบรื่นในขณะนี้ หลายสิ่งที่คนเรียกว่า “เอเจนต์” จริง ๆ แล้วเป็นแชทบอทที่เชื่อมต่อกับไม่กี่ API พวกมันอาจตอบคำถามพื้นฐานหรือเรียกใช้กระบวนการที่ตายตัวและง่าย ๆ นั่นอาจสะดวก แต่ไม่ใช่การเปลี่ยนแปลงที่ลึกซึ้ง.

เอเจนต์ระดับองค์กรที่แท้จริงไม่ได้ทำตามสคริปต์อย่างเดียว; มันเข้าใจเป้าหมายสุดท้าย เห็นทางเลือกต่าง ๆ ให้เหตุผล ทำงานข้ามระบบเก่าหลายระบบ ปรับตัวเมื่อสภาพแวดล้อมเปลี่ยนแปลง และปฏิบัติตามกรอบการกำกับดูแลขององค์กรอย่างเคร่งครัด ฉันมองว่ามันเหมือนกับความแตกต่างระหว่างเครื่องมือค้นหาและผู้จัดการปฏิบัติการที่เชื่อถือได้ เครื่องมือค้นหาให้ข้อมูลแก่คุณ ส่วนผู้จัดการรับผิดชอบทำให้ภารกิจสำเร็จ.

เพื่อให้บรรลุเป้าหมายนั้น เอเจนต์ต้องมีบริบทโดเมนที่ลึกซึ้ง ตัวอย่างเช่น เอเจนต์สินค้าคงคลังในร้านค้าปลีกไม่สามารถดูแค่สเปรดชีตได้ ต้องเข้าใจรอบการเติมสินค้า รูปแบบความต้องการ ระดับการให้บริการ และผลกระทบต่อกำไรทั้งหมดพร้อมกัน สิ่งที่แยกแยะเอเจนต์จริงจากแชทบอทที่ซับซ้อนไม่ใช่หน้าตาแชท แต่คือความเข้าใจโดเมน ความจำ การให้เหตุผล การประสานงานด้านหลังและความรับผิดชอบที่ฝังอยู่ในระบบ ในที่สุด ธุรกิจไม่ต้องการอินเทอร์เฟซใหม่เพื่อดูข้อมูล เราต้องการระบบที่สามารถทำงานได้อย่างเชื่อถือได้และขยายได้.

Tredence ให้ความสำคัญอย่างมากกับ AI เฉพาะอุตสาหกรรม โดยเฉพาะในด้านค้าปลีกและสินค้าอุปโภคบริโภค เมื่อโมเดลพื้นฐานมีความสามารถเพิ่มขึ้น บริบทของความเชี่ยวชาญด้านโดเมนยังคงสร้างความได้เปรียบได้อย่างไร และความฉลาดที่จำเป็นต้องมาจากการเข้าใจกระบวนการทำงาน คำศัพท์ ข้อจำกัด และเศรษฐศาสตร์ของอุตสาหกรรมเฉพาะนั้นเท่าใด?

โมเดลพื้นฐานได้กลายเป็นอันทรงพลังอย่างมหาศาล แต่ความเชี่ยวชาญเฉพาะด้านยังคงเป็นความแตกต่างระหว่างปัญญาแบบดิบและการใช้งานที่แท้จริง มันเหมือนกับการมอบตำราแพทย์ระดับสูงเดียวกันให้กับศัลยแพทย์ นักกฎหมายองค์กร และผู้จัดการค้าปลีก ข้อมูลในหนังสือเหมือนกันทุกประการ แต่จะมีคุณค่าเฉพาะต่อผู้ที่เข้าใจผู้ป่วย ห้องผ่าตัด และความสำคัญของงานนั้นเท่านั้น 

ทุกอุตสาหกรรมมีกฎที่มองไม่เห็น เศรษฐกิจเฉพาะตัว กฎระเบียบที่เข้มงวด และข้อจำกัดการดำเนินงานประจำวันของตนเอง ตัวอย่างเช่นในอุตสาหกรรมค้าปลีก ระบบแนะนำ AI ที่แม้จะปรับปรุงความแม่นยำของการพยากรณ์ได้ แต่กลับทำให้สินค้าหมดสต็อกบนชั้นอย่างมหาศาลนั้น ไม่ได้ช่วยเหลือเลย—มันกลายเป็นความเสี่ยง

เมื่อเรานำความเชี่ยวชาญเชิงลึกของอุตสาหกรรมมาประยุกต์ใช้กับโมเดลทั่วไป ผลลัพธ์ทางธุรกิจจะมีขนาดมหาศาล ตัวอย่างเช่นที่ Tredence เราได้เปิดตัวโซลูชันเฉพาะด้านที่ให้ผลลัพธ์ที่น่าทึ่งและได้รับการตรวจสอบสำหรับลูกค้าของเรา โปรแกรมการพยากรณ์ของซูเปอร์มาร์เก็ตสร้างมูลค่าประมาณ 200 ล้านดอลลาร์และผลักดันอัตราการจับคู่การเติมสินค้าให้เกิน 90 เปอร์เซ็นต์ แพลตฟอร์มซัพพลายเชนของอุตสาหกรรมการผลิตทำให้ประหยัดได้ 10 ล้านดอลลาร์ในปีแรก การปรับปรุงกระบวนการทำงานของค้าปลีกลดภาระงานของนักวิเคราะห์ลง 70 เปอร์เซ็นต์ ในขณะที่โปรแกรมอื่นช่วยลดการสูญเสียถึง 100 ล้านดอลลาร์

เมื่อโมเดลพื้นฐานกลายเป็นสาธารณูปโภคที่ใช้ได้เหมือนไฟฟ้า ความได้เปรียบเชิงแข่งขันที่แท้จริงจะย้ายไปสู่ผู้ที่มีบริบทและความเข้าใจการทำงานเฉพาะของตนเองดีที่สุด เพื่อเปลี่ยนปัญญาทั่วไปให้เป็นผลลัพธ์ทางธุรกิจที่แม่นยำ

มีความตึงเครียดระหว่างการสร้างแพลตฟอร์ม AI ที่ใช้ซ้ำได้กับการปรับระบบให้เข้ากับข้อมูลและกระบวนการของแต่ละองค์กร เราจะกำหนดว่าอะไรควรเป็นมาตรฐานและอะไรควรปรับแต่งได้อย่างไร และการปรับแต่งเกินขนาดอาจกลายเป็นอุปสรรคต่อการขยาย AI ได้หรือไม่

การหาจุดสมดุลระหว่างแพลตฟอร์มมาตรฐานกับฟีเจอร์ที่ปรับแต่งเป็นเรื่องยากเสมอ สำหรับฉันมันเหมือนการวางผังเมือง คุณต้องทำให้ถนน กริดไฟฟ้า และระบบน้ำเป็นมาตรฐานแน่นอน แต่ไม่ได้หมายความว่าทุกบ้านในย่านต้องเป็นสำเนาเดียวกัน

กฎเดียวกันนี้ใช้กับ AI เช่นกัน สิ่งต่าง ๆ เช่น ความปลอดภัยของข้อมูล การกำกับดูแล และการตรวจสอบต้องเป็นมาตรฐานอย่างสมบูรณ์ ควรกลายเป็นโครงสร้างพื้นฐานขององค์กรที่มองไม่เห็น เพื่อให้ทำงานได้อย่างมีประสิทธิภาพ ฉันแนะนำให้บริษัทสร้างตลาดภายในสำหรับเอเจนต์ที่ใช้ซ้ำได้ เพื่อให้ทีมไม่ต้องสร้างล้อใหม่ตลอดเวลา

กระบวนการทำงานจริงของธุรกิจของคุณต้องคงความยืดหยุ่นอยู่เสมอ เพราะนั่นคือจุดที่ทำให้คุณมีความได้เปรียบเชิงแข่งขันเฉพาะของคุณในขณะนี้ ความเสี่ยงที่ใหญ่ที่สุดไม่ได้อยู่ที่การปรับแต่งไม่พอ แต่เป็นการปรับแต่งเกินขนาด เมื่อการใช้งาน AI ทุกครั้งกลายเป็นโครงการวิศวกรรมที่เป็นเอกเทศและซับซ้อน การขยายขนาดจึงกลายเป็นฝันร้ายและค่าใช้จ่ายในการบำรุงรักษาพุ่งสูง เป้าหมายควรเป็นการสร้างความสามารถที่ทำซ้ำได้ คุณกำหนดฐานที่มั่นคงแล้วให้ทีมของคุณใช้บล็อกต่าง ๆ ปรับให้เข้ากับความต้องการของตนอย่างรวดเร็ว ความสามารถในการใช้และนำ AI ไปใช้ซ้ำกลายเป็นตัวแยกความแตกต่าง เร่งการนำไปใช้และให้ค่าเวลาถึงคุณค่าเร็วขึ้น พร้อมผลตอบแทนการลงทุนที่แข็งแกร่ง

เมื่อเอเจนต์สามารถตัดสินใจและดำเนินงานได้เอง ธุรกิจควรกำหนดว่าอิสระภาพควรอยู่ที่ไหนและเมื่อใดที่การอนุมัติของมนุษย์ยังคงจำเป็น? มีฟังก์ชันธุรกิจใดบ้างที่คุณคิดว่าองค์กรกำลังเคลื่อนที่เร็วเกินไปหรือช้าเกินไป?

เมื่อให้ AI มีอิสระภาพ ความเสี่ยงควรเป็นตัวกำหนดกฎ ไม่ใช่แค่ความสามารถของเทคโนโลยีเพียงอย่างเดียว การที่เอเจนต์สามารถทำกระบวนการตั้งแต่ต้นจนจบไม่ได้หมายความว่าคุณควรตัดสายความปลอดภัยออกอย่างสมบูรณ์ งานประจำวันเช่นการบันทึกสินค้าคงคลังหรือการซิงค์ไฟล์หลังบ้านเหมาะกับการอัตโนมัติเต็มรูปแบบ เพราะช่วยขจัดคอขวดการดำเนินงานขนาดใหญ่ แต่พอการตัดสินใจเกี่ยวข้องกับกฎระเบียบที่เข้มงวด การใช้จ่ายเงินจำนวนมาก หรือปัญหาลูกค้าที่มีความสำคัญสูง คุณต้องมีมนุษย์เข้ามาเป็นส่วนหนึ่งของกระบวนการ

ขณะนี้ฉันเห็นบริษัทหลายแห่งระมัดระวังเกินไปในห่วงโซ่อุปทานและการดำเนินงานหลังบ้าน พวกเขาชะลอการอัตโนมัติกระบวนการจัดซื้อและการจับคู่ใบแจ้งหนี้ที่เอเจนต์สามารถทำให้ประหยัดเวลาได้ทันที ในทางกลับกัน พวกเขาก็เคลื่อนที่เร็วเกินไปในบริการลูกค้าและการปฏิบัติตามกฎหมาย เร่งเอเจนต์อิสระเข้าสู่การจัดการข้อพิพาทลูกค้าที่คาดเดาไม่ได้หรือการตรวจสอบสัญญาอัตโนมัติโดยไม่มีการควบคุมที่จริงจัง เป้าหมายที่นี่คือการทำอัตโนมัติอย่างรับผิดชอบ ไม่ใช่การทำอัตโนมัติให้ได้มากที่สุด

เมื่อโมเดลแนวหน้าถูกทำให้ถูกลงและมีความสามารถมากขึ้น บทบาทของบริษัทให้บริการ AI จะเปลี่ยนไปหรือไม่? มูลค่าจะย้ายจากการสร้างโมเดลไปสู่สถาปัตยกรรมข้อมูล การบูรณาการ การประเมิน การประสานงาน การกำกับดูแล และการออกแบบกระบวนการธุรกิจใหม่รอบ AI อย่างไร? สิ่งใดจะทำให้บริษัทให้บริการ AI ยังคงมีคุณค่า?

เรากำลังเห็นการเปลี่ยนแปลงตามธรรมชาติในแหล่งสร้างมูลค่า ไม่กี่ปีที่แล้ว โครงสร้างพื้นฐานการคำนวณดิบเป็นข้อได้เปรียบเชิงแข่งขันหลัก วันนี้มันกลายเป็นสาธารณูปโภค และโมเดล AI ก็กำลังมุ่งหน้าไปในทิศทางเดียวกัน

องค์กรต่างๆ ไม่ได้มองหาโมเดลที่ใหญ่ขึ้นอีกต่อไป พวกเขาต้องการการตัดสินใจที่เร็วขึ้น ผลผลิตที่สูงขึ้น และผลลัพธ์ทางธุรกิจที่ชัดเจน ด้วยเหตุนี้ มูลค่าจึงย้ายไปสู่ระบบนิเวศรอบโมเดลทั้งหมด—เช่นสถาปัตยกรรมข้อมูลที่สะอาด การกำกับดูแลที่เข้มงวด การประสานงานอัจฉริยะ และการคิดทบทวนกระบวนการทำงานใหม่เพื่อทำให้ AI ใช้งานได้จริงในระดับใหญ่ ผู้ชนะอาจไม่ใช่บริษัทที่มีเทคโนโลยีซับซ้อนที่สุด แต่เป็นผู้ที่สามารถแปลงเทคโนโลยีให้เป็นผลลัพธ์ทางธุรกิจที่จับต้องได้

เรายังเห็นองค์กรต่างๆ นำแนวทางพอร์ตโฟลิโอมาใช้กับ AI โมเดลแนวหน้า โมเดลเปิดน้ำหนัก และโมเดลเฉพาะที่เล็กลงต่างมีบทบาทตามกรณีการใช้งาน ค่าใช้จ่าย ความหน่วงเวลา และความต้องการการกำกับดูแล เมื่อ AI พัฒนา ความสำเร็จจะถูกกำหนดโดยไม่ใช่ผู้สร้างเครื่องยนต์ แต่เป็นผู้ที่รู้วิธีนำมันไปใช้ภายในธุรกิจ สิ่งที่ผมเรียกว่า “จังหวะการดำเนินงาน” จะเป็นตัวแยกผู้ชนะออกจากคนอื่นในที่สุด

มองไปหลายปีข้างหน้า หากองค์กรสามารถแก้ไขปัญหาข้อมูล การกำกับดูแล และการบูรณาการที่เผชิญอยู่ในวันนี้ได้สำเร็จ AI‑native บริษัทขนาดใหญ่จะมีลักษณะอย่างไร? คุณคาดว่าเอเจนต์จะยังคงเป็นเครื่องมือที่พนักงานใช้ หรือเราจะเห็นกระบวนการทำงานและฟังก์ชันธุรกิจทั้งหมดดำเนินการโดยเครือข่ายเอเจนต์ AI ที่ประสานงานกันมากขึ้น?

AI‑native enterprise จะไม่เป็นเพียงบริษัทแบบดั้งเดิมที่เพิ่มซอฟต์แวร์บางอย่างเข้ามาเท่านั้น มันจะเป็นองค์กรที่ถูกออกแบบใหม่อย่างพื้นฐาน เราเคยเห็นการเปลี่ยนแปลงคล้ายกันในยุคอินเทอร์เน็ตและดิจิทัล เมื่อเทคโนโลยีเปลี่ยนแปลงไม่เพียงแค่วิธีการทำงานของธุรกิจ แต่รวมถึงโครงสร้างขององค์กรด้วย บริษัทเหล่านี้จะทำงานแตกต่างอย่างมาก

ในปัจจุบัน ธุรกิจจัดโครงสร้างรอบคนที่ทำงานด้วยมือโดยซอฟต์แวร์สนับสนุน ในอนาคต กระบวนการทำงานทั้งหมดอาจถูกประสานโดยเครือข่ายเอเจนต์ AI ที่ทำงานร่วมกัน โดยที่มนุษย์จะรับบทบาทการกำกับดูแลและเชิงกลยุทธ์มากขึ้น มันคล้ายกับการที่ไฟฟ้าทำให้โรงงานเปลี่ยนแปลง ไม่ได้ทำให้โรงงานหายไป แต่ทำให้การออกแบบและการดำเนินงานของโรงงานเปลี่ยนแปลงอย่างสิ้นเชิง

ในบริษัทแห่งอนาคตเหล่านี้ เอเจนต์จะคอยตรวจสอบการดำเนินงานอย่างต่อเนื่อง ชี้โอกาส และจัดการการดำเนินงานประจำวันในหลายแผนก ซึ่งไม่ได้หมายความว่ามนุษย์จะหายไป งานของเราจะกลายเป็นเชิงกลยุทธ์มากขึ้น เน้นการตัดสินใจ การสร้างสรรค์ และการสร้างความสัมพันธ์

ผู้ชนะจะไม่ใช่บริษัทที่ติดตั้งเอเจนต์มากที่สุด แต่เป็นผู้ที่สร้างการผสมผสานที่แข็งแกร่งที่สุดระหว่างข้อมูลที่เชื่อถือได้ ปัญญาเชิงโดเมน และการกำกับดูแลของมนุษย์ อนาคตไม่ได้เกี่ยวกับองค์กรที่ทำงานโดยอัตโนมัติเต็มรูปแบบ แต่เป็นองค์กรที่ประสานงานอย่างชาญฉลาด ที่มนุษย์และเอเจนต์ทำงานร่วมกันเพื่อบรรลุเป้าหมายที่แต่ละฝ่ายไม่อาจทำได้โดยลำพัง

ขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมควรไปเยี่ยมชม Tredence