การขยายการใช้ AI ไม่ควรหมายถึงการต้องสร้างรากฐานข้อมูลขึ้นใหม่ทุกครั้ง

ฤดูกาลวางแผนปี 2027 ขององค์กรธุรกิจกำลังจะมาถึง และ การลงทุนด้าน AI ก็กลับมาเป็นประเด็นสำคัญในการหารือของผู้บริหารระดับสูงอีกครั้ง ผลสำรวจล่าสุดของ Akeneo ในกลุ่มผู้มีอำนาจตัดสินใจด้านไอที พบว่า 93% ระบุว่า AI ช่วยเพิ่มผลิตภาพ แต่ 43% กล่าวว่า AI ยังทำให้มีความรับผิดชอบใหม่ ๆ เพิ่มขึ้นในบทบาทของตนด้วย

ผลการศึกษานี้ชี้ให้เห็นว่า การนำโครงการ AI ไปสู่การใช้งานจริงต้องอาศัยการเตรียมงานล่วงหน้าอย่างมาก โดยเฉพาะการเตรียมข้อมูล ซึ่งเป็นส่วนสำคัญของงานดังกล่าว ในบรรดาผู้นำด้านไอทีที่ Akeneo สำรวจ 36% ระบุว่าองค์กรของตนใช้ความพยายามมากกว่าครึ่งหนึ่งของทั้งหมดในโครงการ AI ไปกับการเตรียมข้อมูล อีก 53% ระบุว่าใช้ความพยายาม 26% ถึง 50% ของโครงการ AI ไปกับการเตรียมข้อมูล แม้การเตรียมข้อมูลนี้เป็นสิ่งจำเป็น แต่โอกาสอยู่ที่การทำให้งานที่เสร็จสิ้นสำหรับการนำ AI ไปใช้งานครั้งหนึ่งสามารถนำกลับมาใช้เพื่อรองรับการนำไปใช้ครั้งถัดไปได้

AI อาจช่วยลดงานในส่วนหนึ่งของธุรกิจ แต่ขณะเดียวกันก็สร้างงานอีกชุดหนึ่งให้ทีมไอที ซึ่งต้องเตรียมข้อมูลและสร้างบริบทขึ้นใหม่สำหรับการนำไปใช้แต่ละครั้ง โอกาสในตอนนี้คือการทำให้งานเหล่านี้นำกลับมาใช้ซ้ำได้มากขึ้น เพื่อให้การนำไปใช้แต่ละครั้งต่อยอดจากครั้งก่อน แทนที่จะเริ่มต้นใหม่ทั้งหมด

มนุษย์คือหัวใจสำคัญของ AI

มนุษย์ยังคงเป็นหัวใจสำคัญของโครงการนำร่องและการนำ AI ไปใช้งานทุกกรณี ทีมไอทีมีส่วนร่วมตลอดวงจรชีวิตของเทคโนโลยีใหม่ ตั้งแต่ทำความเข้าใจความต้องการทางธุรกิจและประเมินโซลูชัน ไปจนถึงการนำไปใช้ การฝึกอบรม การพัฒนากระบวนการ และการรักษาความปลอดภัยอย่างต่อเนื่อง เมื่อเวลาผ่านไป ทีมงานอาจไม่ได้บันทึกข้อยกเว้นและกฎที่ไม่ได้เขียนไว้ซึ่งพบเจอ รวมถึงกรณีที่คำเดียวกันมีคำจำกัดความแตกต่างกันไปในแต่ละระบบ บริบทเหล่านี้มักกลายเป็นองค์ความรู้ขององค์กรที่อยู่กับสมาชิกแต่ละคนในทีม แทนที่จะเป็นข้อมูลที่คนทั้งองค์กรเข้าถึงได้อย่างน่าเชื่อถือ

งานนี้อาจดำเนินต่อไปจนกว่าผู้ที่รู้คำตอบจะไม่พร้อมให้ข้อมูล เมื่อพนักงานเปลี่ยนบทบาท ลาออกจากองค์กร หรือเพียงแค่ไม่อยู่ในเวลาที่เกิดปัญหา บริบทนั้นก็จะสูญหาย การบันทึกองค์ความรู้ดังกล่าวในรูปแบบที่มีโครงสร้างและเข้าถึงได้ทางดิจิทัลจะทำให้ความรู้นั้นไม่จำกัดอยู่กับบุคคลใดบุคคลหนึ่ง นอกจากนี้ยังช่วยให้แต่ละทีมรักษาความเป็นเจ้าของความเชี่ยวชาญของตนไว้ได้ ขณะเดียวกันก็ทำให้คนทั่วทั้งองค์กรเข้าถึงและนำความรู้นั้นกลับมาใช้ได้ แทนที่จะต้องค้นพบใหม่ทุกครั้งที่มีการนำระบบไปใช้งาน

ข้อมูลที่ดีไม่ได้พร้อมสำหรับ AI เสมอไป

เป็นเรื่องง่ายที่จะมองว่าทั้งหมดนี้เป็นเพียงปัญหาคุณภาพข้อมูลอีกประการหนึ่ง แต่ผลวิจัยของ Akeneo ชี้ว่าประเด็นนี้ซับซ้อนกว่านั้น 92% ของผู้นำด้านไอทีให้คะแนนข้อมูลผลิตภัณฑ์และข้อมูลการดำเนินงานที่ระบบ AI ใช้ว่าอยู่ในระดับดีหรือดีเยี่ยม แม้ว่าคนส่วนใหญ่จะใช้ความพยายามมากกว่าหนึ่งในสี่ของทั้งหมดในโครงการ AI ไปกับการเตรียมข้อมูล

ข้อมูลที่ดีไม่ได้รับประกันว่าจะพร้อมสำหรับ AI โดยเฉพาะอย่างยิ่งเพราะสิ่งที่ถือว่า “ดี” อาจขึ้นอยู่กับว่าใครหรืออะไรเป็นผู้ใช้ข้อมูลนั้น โมเดลและเอเจนต์ต้องการมากกว่าข้อมูลที่ถูกต้อง แต่ยังต้องเข้าใจด้วยว่าข้อมูลมาจากไหน เกี่ยวข้องกับข้อมูลอื่นอย่างไร แหล่งข้อมูลใดมีลำดับความสำคัญสูงกว่า และสามารถนำไปใช้ได้ภายใต้เงื่อนไขใด กฎเหล่านี้อาจถูกมองข้ามได้ง่าย เพราะมักเป็นสิ่งที่แฝงอยู่ในวิธีทำงานของทีมที่มีประสบการณ์

งานวิจัยล่าสุดของ McKinsey เกี่ยวกับความพร้อมของข้อมูลสำหรับ AIชี้ประเด็นคล้ายกันเกี่ยวกับบริบท ข้อมูลบางอย่างอาจไม่มีคุณค่าต่อโมเดลหรือเอเจนต์ แต่เมื่อข้อมูลมีคุณค่า บริบทของข้อมูลนั้นก็ต้องถ่ายทอดต่อไปได้ เมื่อข้อมูลถูกย้ายออกจากแหล่งที่มาเดิม ต้องรักษาความชัดเจนเกี่ยวกับที่มาและความสัมพันธ์กับข้อมูลแวดล้อมไว้ เพื่อไม่ให้ความหมายสูญหาย

จุดนี้เองที่ทำให้สถาปัตยกรรมเบื้องหลัง AI มีความสำคัญไม่น้อยไปกว่าตัวโมเดล ต่างจากซอฟต์แวร์แบบดั้งเดิม LLM มักทำงานกับข้อมูลที่กระจัดกระจายและระบบที่แยกจากกันได้ แม้ข้อมูลในแต่ละแหล่งจะมีโครงสร้างหรือติดป้ายกำกับแตกต่างกันก็ตาม อีกทั้งยังสามารถค้นพบความสัมพันธ์ที่ไม่เคยมีการกำหนดไว้อย่างชัดเจนมาก่อนได้ ความท้าทายที่ใหญ่กว่าคือการไม่มีข้อมูลอยู่เลย เมื่อโมเดลและเอเจนต์ทำงานข้ามระบบ ข้อมูลและบริบทที่จำเป็นต้องมีอยู่และเข้าถึงได้ตั้งแต่แรก

งานวิจัยปี 2026 ของ PwC เกี่ยวกับช่องว่างในการนำ AI ไปสู่การปฏิบัติจริงพบว่า การผสานรวมยังคงเป็นเหตุผลอันดับต้น ๆ ที่ทำให้การลงทุนด้านเทคโนโลยีไม่เป็นไปตามความคาดหวัง การเชื่อมโยงข้อมูลไม่มีโครงสร้างที่กระจายอยู่เป็นวงกว้างต้องใช้เวลา และมักทำให้โครงการล่าช้าก่อนที่จะนำไปใช้งานได้อย่างเต็มรูปแบบ

งานที่จำเป็นต่อการแก้ปัญหาเหล่านั้นในการนำไปใช้ครั้งหนึ่ง สามารถช่วยให้การนำไปใช้ครั้งถัดไปทำได้ง่ายขึ้น

สร้างโครงสร้างพื้นฐาน AI ที่นำกลับมาใช้ซ้ำได้

สำหรับโครงการ AI หนึ่งโครงการ การเตรียมงานส่วนใหญ่สามารถดำเนินการอยู่เบื้องหลังได้ ทีมไอทีแก้ไขความไม่สอดคล้องกัน เตรียมข้อมูลที่แอปพลิเคชันต้องใช้ และผสานรวมแอปพลิเคชันเข้ากับระบบอื่น ๆ เพื่อให้โครงการเข้าสู่การใช้งานจริง

ปัญหาเกิดขึ้นเมื่อการทำงานดังกล่าวแก้ได้เพียงกรณีใช้งานเฉพาะหน้า การเตรียมข้อมูลจะเป็นส่วนหนึ่งของการนำ AI ไปใช้งานเสมอ แต่งานส่วนใหญ่ควรต่อยอดไปใช้ได้ในครั้งถัดไป หากทีมพบว่าฟิลด์หรือคำเดียวกันมีความหมายต่างกันในสองระบบ การแก้ความกำกวมก็ควรนำไปสู่การกำหนดคำจำกัดความที่แอปพลิเคชันในอนาคตนำกลับมาใช้ได้ หากทีมตัดสินใจได้ว่าควรเชื่อถือแหล่งข้อมูลใดเมื่อระบบให้ข้อมูลไม่ตรงกัน การตัดสินใจนั้นก็ควรนำไปใช้ต่อในการนำระบบไปใช้งานครั้งต่อ ๆ ไป

หลักการเดียวกันนี้ใช้กับการเชื่อมต่อระบบด้วย แทนที่จะสร้างช่องทางใหม่เพื่อเข้าถึงผลิตภัณฑ์และข้อมูลสำหรับโมเดลหรือเอเจนต์แต่ละตัว องค์กรควรกำหนดวิธีการที่สอดคล้องกันเพื่อให้ระบบ AI ค้นหาและใช้ข้อมูลที่เชื่อถือได้

การนำไปใช้ครั้งแรกอาจยังต้องอาศัยความพยายามอย่างมาก เพราะทีมต่าง ๆ กำลังค้นหานิยาม ความสัมพันธ์ และข้อยกเว้นที่ก่อนหน้านี้มีอยู่ในประสบการณ์ของผู้คน ความพยายามดังกล่าวสามารถนำไปต่อยอดได้ เมื่อองค์ความรู้ขององค์กรกลายเป็นส่วนหนึ่งของโครงสร้างพื้นฐานมากขึ้น การนำระบบไปใช้ในครั้งต่อ ๆ ไปจะได้รับประโยชน์จากงานนี้ โดยขอบเขตของประโยชน์ที่ได้รับขึ้นอยู่กับระดับความคล้ายคลึงกันของข้อมูลและกรณีใช้งาน

เรื่องนี้ยิ่งมีความสำคัญมากขึ้นเมื่อ AI ก้าวข้ามการสร้างคำตอบและเริ่มดำเนินการในระบบต่าง ๆ ขององค์กร โครงการริเริ่มมาตรฐานเอเจนต์ AI ของ NIST เน้นย้ำถึงความสำคัญที่เอเจนต์ต้องสามารถโต้ตอบกับข้อมูลภายในและระบบภายนอกได้อย่างปลอดภัย เมื่อเอเจนต์ได้รับมอบหมายความรับผิดชอบมากขึ้นและโต้ตอบกับระบบและโมเดลจำนวนมากขึ้น องค์กรจำเป็นต้องกำหนดบริบทและมาตรการควบคุมที่เหมาะสมสำหรับแต่ละกรณีใช้งาน โดยไม่ต้องเริ่มต้นใหม่ทั้งหมด

ธรรมาภิบาลต้องเป็นส่วนหนึ่งของสภาพแวดล้อม

โครงสร้างพื้นฐานที่นำกลับมาใช้ซ้ำได้ยังต้องอาศัยธรรมาภิบาลที่นำกลับมาใช้ซ้ำได้ด้วย ผลสำรวจความเสี่ยงและธรรมาภิบาล AI ประจำเดือนกันยายน 2026 ของ EY พบว่า ผู้บริหารระดับสูงด้าน AI จำนวน 91% ระบุว่าองค์กรของตนกำลังทดลองใช้หรือนำ AI แบบเอเจนต์ไปใช้งานจริง อย่างไรก็ตาม ผู้ตอบแบบสำรวจ 49% ซึ่งองค์กรใช้เอเจนต์กล่าวว่า กรอบธรรมาภิบาลที่มีอยู่ยังไม่ได้รับการปรับปรุงให้รองรับข้อกำหนดและความเสี่ยงเฉพาะของ AI แบบเอเจนต์

เมื่อ AI ได้รับมอบหมายความรับผิดชอบมากขึ้นภายในกระบวนการทางธุรกิจ กฎเกณฑ์ที่กำกับกระบวนการนั้นก็ต้องกลายเป็นส่วนหนึ่งของสภาพแวดล้อมที่ AI ทำงานอยู่ เอเจนต์อาจเข้าถึงข้อมูลบางอย่างได้โดยอิสระ ขณะที่ขั้นตอนอื่น ๆ ในกระบวนการอาจต้องให้มนุษย์ตรวจสอบหรืออนุมัติก่อนจึงจะดำเนินการต่อได้ การตัดสินใจเหล่านั้นไม่อาจอยู่เพียงในเอกสารนโยบายหรือความเข้าใจของใครบางคนเกี่ยวกับวิธีที่กระบวนการควรดำเนินไป

การตัดสินใจด้านธรรมาภิบาลต้องขยายขอบเขตให้ไกลกว่าการทบทวนภายในองค์กร และครอบคลุมถึงระบบที่ AI ทำงานอยู่ด้วย ควรกำหนดนโยบาย สิทธิ์การเข้าถึง และจุดที่ต้องได้รับอนุมัติซึ่งใช้กำกับระบบไว้เป็นส่วนหนึ่งของการนำระบบไปใช้งาน หากไม่มีการฝังมาตรการควบคุมเหล่านี้ไว้ในระบบ ทีมต่าง ๆ จะต้องตีความนโยบายและสิทธิ์การเข้าถึงใหม่ทุกครั้งที่นำ AI ไปใช้ในกรณีใหม่

เตรียมพร้อมรับกระแส AI ระลอกถัดไป

เมื่อองค์กรต่าง ๆ เริ่มใช้ประโยชน์จากงบประมาณด้าน AI ที่เพิ่มขึ้นในปี 2027 ทีมไอทีจะต้องรับผิดชอบโมเดล การเชื่อมต่อระบบ และระบบต่าง ๆ ที่มีจำนวนเพิ่มขึ้น ความท้าทายสำคัญกว่าคือ องค์กรจะสร้างโครงสร้างพื้นฐานที่รองรับสิ่งที่จะเกิดขึ้นต่อไปได้หรือไม่

หากทีมยังต้องหาข้อสรุปเกี่ยวกับนิยามเดิม ๆ สร้างการเชื่อมต่อเดิม ๆ ขึ้นใหม่ และแปลกฎเดิม ๆ ซ้ำแล้วซ้ำเล่า AI ก็อาจขยายตัวเร็วกว่าการพัฒนาโครงสร้างพื้นฐานที่จำเป็นต่อการรองรับ

แนวทางนี้ช่วยให้มองความพร้อมด้าน AI ได้อีกแบบหนึ่ง ไม่ควรวัดความก้าวหน้าเพียงจากจำนวนโมเดลหรือเอเจนต์ที่นำไปใช้งานจริง แต่ควรพิจารณาด้วยว่าการนำไปใช้แต่ละครั้งช่วยให้องค์กรพร้อมรับครั้งต่อไปมากขึ้นหรือไม่

ปัจจุบัน AI ช่วยให้งานแต่ละอย่างเสร็จเร็วขึ้นแล้ว ผลิตภาพที่เพิ่มขึ้นในระยะถัดไปจะเกิดจากการทำให้งานเบื้องหลังระบบเหล่านั้นนำกลับมาใช้ซ้ำได้ง่ายขึ้น AI กำลังฝังตัวในกระบวนการทางธุรกิจมากขึ้นอย่างต่อเนื่อง ทำให้มีระบบจำนวนมากขึ้นที่ต้องพึ่งพารากฐานข้อมูลชุดเดียวกัน การสร้างรากฐานดังกล่าวตั้งแต่ตอนนี้จะเป็นตัวกำหนดว่าองค์กรจะนำ AI รุ่นถัดไปมาใช้ได้ง่ายเพียงใด