อารุณ กุมาร์ รามจันดราน ซีอีโอของ QBurst – บทสัมภาษณ์พิเศษ

อรุณ กุมาร รามจันดรานซีอีโอของ QBurst เป็นผู้บริหารด้านเทคโนโลยีและบริการมากประสบการณ์ที่มีประสบการณ์ด้านการเป็นผู้นำมากกว่า 25 ปี ครอบคลุมด้านการให้คำปรึกษาระดับโลก การขายดีลขนาดใหญ่ การบริหารกำไรขาดทุน และการเปลี่ยนแปลงองค์กร เขาเข้ารับตำแหน่งซีอีโอในเดือนเมษายน 2025 และรับผิดชอบในการนำพา QBurst ไปทั่วทั้งธุรกิจ พร้อมทั้งกำหนดกลยุทธ์ให้เป็นบริษัทด้านบริการเทคโนโลยีที่ขับเคลื่อนด้วย AI และวิศวกรรมดิจิทัล ก่อนหน้านี้ เขาดำรงตำแหน่งระดับสูงที่ Hexaware Technologies (รวมถึงตำแหน่งประธานและผู้นำด้านการให้คำปรึกษา GenAI), Capgemini/Sogeti (ผู้นำด้านลูกค้าและการขายระดับบริหาร) และ Infosys และ Virtusa ซึ่งเขาได้สร้างและขยายหน่วยธุรกิจ นำโครงการเชิงกลยุทธ์ที่สำคัญ และขับเคลื่อนการเติบโตในหลายภูมิภาคและอุตสาหกรรม

คิวเบิร์สต์ เป็นพันธมิตรด้านวิศวกรรมดิจิทัลระดับโลกที่วางตำแหน่งตัวเองอยู่บน “AI-Q ระดับสูง” โดยผสมผสานการส่งมอบที่ขับเคลื่อนด้วย AI เข้ากับ AI ประยุกต์และแนวทางที่ขับเคลื่อนด้วยข้อมูล เพื่อช่วยให้องค์กรต่างๆ ปรับปรุง สร้าง และขยายขนาด บริษัทให้ความสำคัญกับการออกแบบประสบการณ์ดิจิทัลแบบครบวงจร การปรับปรุงให้ทันสมัย ​​และการพัฒนาผลิตภัณฑ์ โดยสนับสนุนลูกค้าด้วยโครงการต่างๆ เช่น แพลตฟอร์มดิจิทัลที่ประกอบได้ โซลูชันการสนทนาและประสบการณ์ลูกค้า และรากฐานข้อมูลที่พร้อมใช้งาน AI ซึ่งมุ่งเน้นการสร้างผลลัพธ์ที่วัดได้ เช่น ผลผลิตที่ดีขึ้น การส่งมอบที่รวดเร็วขึ้น และประสบการณ์ลูกค้าที่แข็งแกร่งยิ่งขึ้น ในกลุ่มลูกค้าระดับนานาชาติที่กว้างขวาง

คุณเข้ารับตำแหน่ง CEO ของ QBurst หลังจากมีประสบการณ์ด้านการบริหารระดับสูงมายาวนานใน Hexaware, Capgemini, Infosys และองค์กรระดับโลกอื่นๆ อะไรที่ดึงดูดคุณให้มาที่ QBurst ในช่วงเวลาแห่งการเติบโตนี้ และภูมิหลังของคุณมีส่วนกำหนดทิศทางที่คุณต้องการนำพาบริษัทไปอย่างไร?

การตัดสินใจเข้าร่วมงานกับ QBurst เกิดจากการบรรจบกันของโอกาสและศักยภาพ สิ่งที่ดึงดูดใจผมให้มาที่ QBurst คือการผสมผสานระหว่างจุดแข็งที่มีอยู่แล้วและโอกาสทางการตลาดที่ไม่เหมือนใคร วัฒนธรรมการเป็นผู้ประกอบการของ QBurst และความสำเร็จในการใช้เทคโนโลยีล้ำสมัยเพื่อตอบสนองความต้องการของลูกค้าระดับสูง ทำให้ผมประทับใจและสนใจเป็นอย่างมาก

ด้วยการบรรจบกันของการเปลี่ยนแปลงที่พลิกผันและสภาพแวดล้อมที่เปลี่ยนแปลงไปในด้านเทคโนโลยี อุตสาหกรรม และกฎระเบียบ บริษัทที่มีความมุ่งมั่นและแตกต่างอย่าง QBurst จึงมีโอกาสครั้งสำคัญที่จะก้าวออกมาจากกลุ่มคู่แข่งและสร้างบริษัทให้บริการด้านเทคโนโลยีและวิศวกรรมรูปแบบใหม่ รวมถึงโมเดลการส่งมอบบริการใหม่สำหรับอนาคตที่ขับเคลื่อนด้วย AI

ด้วยประสบการณ์กว่า 25 ปีในการขับเคลื่อนการเปลี่ยนแปลงด้วยเทคโนโลยีในหลากหลายอุตสาหกรรม ประสบการณ์ของคุณมีอิทธิพลต่อวิธีคิดของคุณเกี่ยวกับการขยายแพลตฟอร์มบริการที่ขับเคลื่อนด้วย AI ในปัจจุบันอย่างไร?

ผมสังเกตว่านวัตกรรมและการนำเทคโนโลยีมาใช้หลักๆ มักเกิดขึ้นหลังจากกระแสความนิยมลดลง และปัญหาทางธุรกิจที่แท้จริงเริ่มได้รับการแก้ไขในระดับองค์กร มีประเด็นสำคัญสามประเด็นที่ผมอยากจะกล่าวถึงเกี่ยวกับการขยายขนาดแพลตฟอร์มบริการที่ขับเคลื่อนด้วย AI

1. ก้าวข้าม “ขั้นตอนการทดสอบแนวคิด” (PoC Stage)

ความท้าทายที่ใหญ่ที่สุดที่ผมเห็นในปัจจุบันคือการก้าวข้ามขั้นตอน PoC (Proof of Concept) การขยายขนาดต้องอาศัยการเปลี่ยนวิธีคิด: เราไม่ได้แค่สร้าง AI แต่เราให้บริการโซลูชันระดับใช้งานจริง ที่ QBurst เราช่วยให้ลูกค้าเติบโตผ่านขั้นตอน PoC โดยมุ่งเน้นที่ความคล่องตัว – การปรับใช้โมเดลใหม่ๆ ที่มีบริบทที่กว้างขึ้น แทนที่จะยึดติดอยู่กับเทคโนโลยีของเมื่อวาน

2. ไม่มี AI ใดที่จะสมบูรณ์แบบได้หากปราศจากรากฐานที่แข็งแกร่ง

บทเรียนหนึ่งที่ผมได้เรียนรู้ตลอดทุกวัฏจักรของเทคโนโลยี ตั้งแต่ยุคแรกเริ่มของโทรศัพท์มือถือในปี 2009 จนถึงการปฏิวัติคลาวด์ คือ คุณไม่สามารถทำให้ความวุ่นวายกลายเป็นระบบอัตโนมัติได้ ปัญญาประดิษฐ์จะมีประสิทธิภาพได้มากแค่ไหนก็ขึ้นอยู่กับข้อมูลที่ป้อนเข้าไป QBurst ขับเคลื่อนการเติบโตโดยการทำให้มั่นใจว่างานที่ "น่าเบื่อแต่จำเป็น" นั้นเสร็จสมบูรณ์ นั่นคือ การปรับปรุงระบบดิจิทัลให้ทันสมัย ​​และวิศวกรรมข้อมูลขั้นสูง

3. วิสัยทัศน์ 'ปัญญาประดิษฐ์ระดับสูง'

เพื่อนำพาการเปลี่ยนแปลงนี้ เราได้ปรับเปลี่ยนตำแหน่งทางการตลาดของเราให้เป็นบริษัทที่มี 'AI-Q สูง' ซึ่งสะท้อนให้เห็นถึงการบูรณาการ AI แบบ Generative และ AI แบบ Agentic เข้ากับบริการหลักทั้งหมดของเรา เพื่อขับเคลื่อนการเปลี่ยนแปลงองค์กรไปสู่ระบบ AI อย่างแท้จริง ที่ QBurst AI ไม่ใช่เพียงแค่ส่วนเสริม แต่เป็นแก่นหลักของกลยุทธ์และการส่งมอบบริการของเรา โดยผสานรวมโมเดลการเรียนรู้ของเครื่องที่กำหนดเองเข้ากับระบบอัตโนมัติอัจฉริยะ เพื่อให้มั่นใจว่าเมื่อธุรกิจเติบโต ความชาญฉลาดของระบบก็จะเติบโตไปพร้อมกับธุรกิจด้วย

เราเป็นผู้นำมาตั้งแต่ยุคเริ่มต้นของ Android และเรายังคงใช้ดีเอ็นเอเชิงรุกนั้นเพื่อเป็นผู้นำในยุค AI ที่ QBurst เราไม่ใช่แค่บริษัทที่เน้นเทคโนโลยีเป็นหลัก แต่เราเป็นพันธมิตรที่เน้นผลลัพธ์เป็นสำคัญ โดยการเติบโตของเราขับเคลื่อนด้วยความพึงพอใจของลูกค้า

คุณได้เน้นย้ำถึง 'AI-Q ระดับสูง' ในฐานะกรอบการทำงานที่สำคัญสำหรับ QBurst ผู้นำองค์กรควรตีความแนวคิดนี้อย่างไร และเหตุใดจึงเป็นปัจจัยสำคัญที่สร้างความแตกต่างในภูมิทัศน์ AI ในปัจจุบัน?

เส้นทางสู่ "AI-Q ระดับสูง" ของ QBurst คือการตัดสินใจอย่างมีสติ: การทำงานอย่างรวดเร็วในระดับปฏิบัติการด้วย SDLC ที่ขับเคลื่อนด้วย AI และการตัดสินใจที่กล้าหาญในระดับกลยุทธ์ด้วย Managed Agents ที่สำคัญที่สุดคือ การยึดโยงองค์กรทั้งหมดไว้กับการเปลี่ยนแปลงอย่างค่อยเป็นค่อยไปและลึกซึ้งในด้านวัฒนธรรม ค่านิยม และศักยภาพของบุคลากร

แม้ว่าจะมีทั้งความเสี่ยงและข้อกังวลเกี่ยวกับ AI แต่หากนำไปใช้อย่างปลอดภัย AI ก็สามารถสร้างความอุดมสมบูรณ์และนวัตกรรมได้ องค์กรต่างๆ จะเห็นคุณค่าไม่เพียงแค่ในแง่ของผลิตภาพ แต่ยังรวมถึงการเติบโตและการเปลี่ยนแปลงอีกด้วย

จากมุมมองด้านการส่งมอบงาน เราเห็นสิ่งนี้เกิดขึ้นจริงทุกวันผ่านกรอบการทำงาน SDLC ที่ขับเคลื่อนด้วย AI ของเรา นี่คือ "วิธีการ" ในการเปลี่ยนแปลง โดยที่เราได้ฝัง AI เข้าไปในทุกขั้นตอนของการพัฒนา ตั้งแต่การสร้างเรื่องราวของผู้ใช้ไปจนถึงสคริปต์ทดสอบที่แก้ไขตัวเองได้ ผลลัพธ์ที่ได้นั้นชัดเจนในตัวเอง:

• ระยะเวลาในการนำผลิตภัณฑ์ออกสู่ตลาด: ลดระยะเวลาในการพัฒนาและทดสอบลงอย่างมาก
• คุณภาพ: ลดจำนวนข้อบกพร่องหลังการวางจำหน่ายได้อย่างน่าทึ่งถึง 25-35%
• ประสิทธิภาพ: ปรับปรุงการส่งมอบโดยรวมได้อย่างสม่ำเสมอ 20-30%

ชั้นเชิงกลยุทธ์คือจุดที่เราก้าวข้ามการปรับปรุงประสิทธิภาพของชิ้นส่วนต่างๆ ไปสู่การปรับปรุงประสิทธิภาพของระบบนิเวศทั้งหมด สิ่งนี้ทำให้เราต้องคิดใหม่เกี่ยวกับเสาหลักของโซลูชันของเรา นำไปสู่การสร้าง Managed Agents ซึ่งเป็นการผสมผสานระหว่าง AI ระดับองค์กร (Enterprise Agentic AI) และ Managed Services สำหรับลูกค้าของเรา นั่นหมายความว่าเอเจนต์ AI จะจัดการงานส่วนหน้าและส่วนหลัง กระบวนการทำงาน และการดำเนินงานต่างๆ ซึ่งจะช่วยเพิ่มประสิทธิภาพและส่งเสริมนวัตกรรมอย่างต่อเนื่อง เราไม่ได้แค่ให้บริการ แต่เรากำลังจัดการเครือข่ายคุณค่าที่ไร้รอยต่อ

หลายองค์กรกำลังสะสมสิ่งที่เรียกว่า “หนี้ AI” ซึ่งหมายถึงการใช้จ่ายจำนวนมากไปกับโครงการนำร่อง AI รุ่นใหม่ที่ไม่สามารถขยายขนาดหรือสร้างมูลค่าได้ สาเหตุที่แท้จริงของปัญหานี้คืออะไร และองค์กรจะหลุดพ้นจากรูปแบบนี้ได้อย่างไร?     

องค์กรต่างๆ สะสม “หนี้ AI” เมื่อการลงทุนใน GenAI หยุดอยู่แค่โครงการนำร่องและล้มเหลวในการขยายผลไปสู่มูลค่าทางธุรกิจที่แท้จริง สาเหตุหลักคือสิ่งที่เราเรียกว่ากับดักการปรับปรุงระบบเก่า – ความพยายามที่จะติดตั้งความสามารถของ GenAI เข้ากับระบบเดิมที่ไม่ได้ออกแบบมาเพื่อรองรับเวิร์กโฟลว์ที่ใช้ AI โดยเฉพาะ ในสภาพแวดล้อมเหล่านี้ ข้อมูล สถาปัตยกรรม และการกำกับดูแลจึงไม่พร้อม โครงการนำร่องจึงหยุดชะงักหรือล้มเหลวเมื่อถึงกำหนดการขยายผล

ปัญหานี้ซ้ำเติมด้วยการขาดความพร้อมพื้นฐาน หลายองค์กรรีบเร่งทำการทดลองโดยละเลยการลงทุนที่สำคัญในด้านกลยุทธ์ข้อมูล วิศวกรรมข้อมูล และการกำกับดูแลข้อมูล หากปราศจากรากฐานข้อมูลที่ทันสมัยและกรอบการควบคุมที่ชัดเจน โครงการ GenAI จะยังคงเป็นเพียงแนวคิดต้นแบบที่แยกส่วน แทนที่จะเป็นความสามารถระดับองค์กร

การเปลี่ยนแปลงรูปแบบนี้จำเป็นต้องเปลี่ยนไปใช้การออกแบบที่เน้น AI เป็นหลัก แทนที่จะถามว่าควรเพิ่ม AI เข้าไปในส่วนใด องค์กรต่างๆ ต้องออกแบบระบบโดยคำนึงถึงผลลัพธ์ของ AI ตั้งแต่วันแรก ด้วยการปรับโครงสร้าง สถาปัตยกรรม การไหลของข้อมูล และการกำกับดูแลให้สอดคล้องกัน เพื่อรองรับระบบอัตโนมัติอัจฉริยะในระดับใหญ่

ในทางปฏิบัติ สิ่งนี้เริ่มต้นด้วยวิศวกรรมข้อมูล การสร้างไปป์ไลน์และโมเดลข้อมูลที่แข็งแกร่งและมีการกำกับดูแลที่ดีตั้งแต่เริ่มต้น จะสร้างเงื่อนไขให้ปัญญาประดิษฐ์รุ่นใหม่ (GenAI) สามารถขยายขนาดได้อย่างยั่งยืน เมื่อรากฐานถูกต้อง AI ก็จะเปลี่ยนจากการทดลองไปสู่ผลกระทบ ดังนั้น หนี้สิน AI จึงแปรเปลี่ยนเป็นการสร้างมูลค่าในระยะยาว

รูปแบบสัญญาแบบคิดตามเวลาและวัสดุแบบดั้งเดิมนั้นเริ่มไม่สอดคล้องกับความเป็นจริงของประสิทธิภาพที่ขับเคลื่อนด้วย AI มากขึ้นเรื่อยๆ เหตุใดรูปแบบนี้จึงล้าสมัย และแนวทางต่างๆ เช่น "เอเจนต์ที่ได้รับการจัดการ" หรือ "บริการในรูปแบบซอฟต์แวร์" จะสามารถมอบเส้นทางที่ยั่งยืนกว่าสำหรับไอทีขององค์กรได้อย่างไร?     

รูปแบบการคิดค่าบริการแบบเวลาและวัสดุแบบดั้งเดิมถูกสร้างขึ้นสำหรับยุคที่ทรัพยากรมีจำกัด ซึ่งมูลค่าจะผูกติดโดยตรงกับความพยายามของมนุษย์ ในยุค AI สมมติฐานนั้นใช้ไม่ได้อีกต่อไปแล้ว ความชาญฉลาดและการดำเนินการกำลังเพิ่มขึ้นอย่างมากมาย และเมื่อความอุดมสมบูรณ์เพิ่มขึ้น มูลค่าจะเปลี่ยนจากความพยายามไปสู่ผลลัพธ์ AI ทำลายตรรกะของการคิดค่าบริการรายชั่วโมงอย่างสิ้นเชิง

นี่คือเหตุผลที่อุตสาหกรรมกำลังมุ่งไปสู่โมเดลที่เน้นผลลัพธ์ ตัวชี้วัดต่างๆ เช่น จำนวนตั๋วที่ได้รับการแก้ไขโดยไม่ต้องมีการแทรกแซงจากมนุษย์ หรือเวิร์กโฟลว์ที่เสร็จสมบูรณ์ตั้งแต่ต้นจนจบโดย AI ล้วนให้คุณค่าที่ชัดเจนและวัดผลได้ โมเดลเหล่านี้มองความสามารถในฐานะซอฟต์แวร์ ไม่ใช่แรงงาน ซึ่งสามารถอธิบายได้ว่าเป็น "บริการในรูปแบบซอฟต์แวร์"

แนวทางต่างๆ เช่น Managed Agents และ Service-as-a-Software นำเสนอเส้นทางที่ยั่งยืนกว่า แนวทางเหล่านี้เปลี่ยนจุดเน้นจากการจ่ายค่าแรงไปเป็นการจ่ายค่าผลลัพธ์ที่ชาญฉลาด ทำให้สามารถคาดการณ์ต้นทุนได้ ปรับปรุงอย่างต่อเนื่อง และแบ่งปันผลประโยชน์จากการทำงานอัตโนมัติ Managed Agents ช่วยให้วิศวกรและ AI สามารถทำงานร่วมกันเพื่อบรรลุเป้าหมายทางธุรกิจ ในขณะที่ Service-as-a-Software ทำให้สามารถวัดคุณค่าได้จากผลลัพธ์มากกว่าจำนวนชั่วโมงที่ใช้ไป

ในโลกที่ขับเคลื่อนด้วย AI รูปแบบธุรกิจที่เหมาะสมที่สุดคือรูปแบบที่ให้รางวัลแก่ผลลัพธ์ ไม่ใช่ความพยายาม ซึ่งจะสร้างผลประโยชน์ร่วมกันทั้งสำหรับองค์กรและผู้ให้บริการ

วิธีการ 'High AI-Q' ของคุณมุ่งเน้นไปที่ความสามารถ การประยุกต์ใช้ และผลกระทบ ซึ่งเป็นสามองค์ประกอบสำคัญสำหรับการเตรียมความพร้อมด้าน AI CIO จะประเมินความพร้อมในแต่ละองค์ประกอบเหล่านี้ได้อย่างไรก่อนที่จะขยายโครงการ GenAI?

ก่อนที่จะขยายการใช้งาน GenAI ผู้บริหารด้านไอที (CIO) จำเป็นต้องมีความเข้าใจที่ชัดเจนเกี่ยวกับระดับความพร้อมในสามด้านของ 'High AI-Q' ได้แก่ บุคลากร การประยุกต์ใช้ และผลกระทบ ไม่ใช่แค่เพียงด้านเทคโนโลยีเท่านั้น

ในระดับบุคลากร ความพร้อมนั้นหมายถึงความพร้อมของบุคลากร ผู้บริหารด้านไอทีควรประเมินทักษะด้าน AI ความเปิดกว้างต่อการเปลี่ยนแปลง และว่าพนักงานสามารถเข้าถึง LLM ได้อย่างปลอดภัยและมีการกำกับดูแล ซึ่งช่วยให้สามารถทดลองได้อย่างปลอดภัยหรือไม่

ในระดับแอปพลิเคชันนั้น มุ่งเน้นไปที่พื้นฐานด้านข้อมูลและการกำกับดูแล เช่น คุณภาพข้อมูล สถาปัตยกรรม ความปลอดภัย และความสมบูรณ์ของนโยบายและมาตรการควบคุมต่างๆ ในการเข้าถึง LLM และแนวทางการพัฒนา AI

ในระดับผลกระทบ CIO ควรประเมินกรณีการใช้งานโดยพิจารณาจากความพยายามเทียบกับมูลค่าทางธุรกิจ การระบุโอกาสที่ใช้ความพยายามน้อยแต่มีผลกระทบสูงจะช่วยให้ประสบความสำเร็จในระยะเริ่มต้นและสนับสนุนแนวทางการขยายขนาด GenAI แบบค่อยเป็นค่อยไป

สำหรับองค์กรที่ยังคงใช้สถาปัตยกรรมแบบดั้งเดิมอยู่ จำเป็นต้องดำเนินการปรับปรุงพื้นฐานอะไรบ้างเพื่อเตรียมพร้อมสำหรับเวิร์กโฟลว์แบบเอเจนต์และโมเดลการส่งมอบที่ใช้ AI เป็นหลัก?

ต่อไปนี้คือสามขั้นตอนที่จะช่วยเตรียมความพร้อมให้กับองค์กรในการก้าวไปสู่เวิร์กโฟลว์แบบตัวแทน (agentic workflows)

1. ให้ความสำคัญกับการปรับปรุงโครงสร้างพื้นฐานข้อมูลให้ทันสมัย: สำหรับองค์กรที่ใช้สถาปัตยกรรมแบบเดิม ขั้นตอนแรกคือการปรับปรุงโครงสร้างพื้นฐานข้อมูลให้ทันสมัย ​​เพื่อให้สามารถใช้งานเมตาเดต้า แหล่งที่มาของข้อมูล และตัวชี้วัดคุณภาพข้อมูลสำหรับข้อมูลที่กระจัดกระจายอยู่ ซึ่งจะช่วยให้เจ้าหน้าที่ได้รับข้อมูลที่ครบถ้วนและสามารถอธิบายได้ตามบริบทที่ต้องการ การนำเครื่องมือที่ใช้ GenAI มาใช้ทำให้การปรับปรุงนี้รวดเร็วและตรงไปตรงมามากขึ้น แม้ว่าการใช้ GenAI กับสถาปัตยกรรมแบบเดิมจะทำได้ แต่ความต้องการโทเค็นเพื่อให้ได้ผลลัพธ์ที่มีความหมายนั้นจะสูงมาก

2. สร้างชั้นความรู้ระดับองค์กร: องค์กรที่ยังไม่ได้ปรับปรุงระบบให้ทันสมัยจะมีองค์ความรู้สะสมจำนวนมากที่ยังไม่ได้บันทึก การสร้างชั้นความรู้เพื่อบันทึกองค์ความรู้ที่สะสมมาอย่างไม่คงที่นี้ภายในระบบจะเป็นภารกิจสำคัญลำดับที่สอง นี่คือชั้นความรู้ที่ขาดหายไปในเส้นทางการนำ AI มาใช้ของหลายองค์กร

3. กำหนดขอบเขตและวิธีการทำงานของเอเจนต์: ขั้นตอนที่สามคือการตรวจสอบให้แน่ใจว่าเอเจนต์ปฏิบัติตามแนวทางปฏิบัติที่ดีที่สุดและข้อกำหนดด้านความปลอดภัยทั้งหมดที่องค์กรปฏิบัติตามอยู่ในปัจจุบัน กรอบการกำกับดูแล นโยบายด้านความปลอดภัย และกรอบการตรวจสอบช่วยให้เอเจนต์สามารถคิดและดำเนินการได้อย่างมีประสิทธิภาพภายในขอบเขตและวิธีการทำงานที่กำหนดไว้ขององค์กร

เมื่อเตรียมความพร้อมสำหรับ “ความพร้อมด้าน AI” แล้ว นอกเหนือจากเครื่องมือต่างๆ แล้ว ยังต้องคำนึงถึงอะไรบ้าง ทั้งในด้านข้อมูล กระบวนการ การกำกับดูแล และความสามารถของทีม?

ความพร้อมด้าน AI นั้นไปไกลกว่าการเลือกใช้เครื่องมือที่เหมาะสม ในทางปฏิบัติ การนำ AI มาใช้จะประสบความสำเร็จหรือล้มเหลวขึ้นอยู่กับความสามารถขององค์กรในการรวบรวมความรู้ที่สืบทอดกันมา เช่น กระบวนการที่ไม่เป็นลายลักษณ์อักษร ตรรกะในการตัดสินใจ และความสัมพันธ์ที่สำคัญซึ่งมีอยู่เฉพาะในหัวของพนักงานเท่านั้น ความรู้เหล่านี้ต้องได้รับการบันทึกในภาษาธรรมชาติที่ระบบ AI สามารถนำไปใช้ในการวิเคราะห์ได้ ไม่ใช่แค่ประมวลผลข้อมูลแบบแยกส่วน

ความพร้อมของข้อมูลมีความสำคัญอย่างยิ่ง แต่คุณภาพเพียงอย่างเดียวไม่เพียงพอ สิ่งที่กำหนดความสำเร็จอย่างแท้จริงคือเมตาเดตา ซึ่งรวมถึงบริบท ที่มา และความหมายที่อยู่เบื้องหลังข้อมูล หากปราศจากสิ่งนี้ แม้แต่แบบจำลองที่ทันสมัยที่สุดก็อาจให้ผลลัพธ์ที่ไม่ลึกซึ้งหรือไม่น่าเชื่อถือ

การนำ AI มาใช้ในองค์กรยังคงล้าหลังกว่า AI สำหรับผู้บริโภคด้วยเหตุผลที่ว่า การกำกับดูแล ความปลอดภัย และการปฏิบัติตามกฎระเบียบเป็นสิ่งที่ไม่สามารถต่อรองได้ สิ่งเหล่านี้ไม่ใช่ปัญหาที่ต้องหลีกเลี่ยง แต่เป็นข้อกำหนดที่ต้องสร้างให้พร้อม องค์กรต้องสร้างกรอบความไว้วางใจที่รวมถึงมาตรการป้องกัน การตรวจสอบการทำงานของ GenAI ความสามารถในการอธิบาย และกระบวนการทำงานที่มีมนุษย์เข้ามาเกี่ยวข้อง เพื่อให้มั่นใจว่าผลลัพธ์ของ AI นั้นปลอดภัย สามารถทำซ้ำได้ และแม่นยำ

สุดท้ายนี้ ทีมงานจำเป็นต้องพัฒนาสัญชาตญาณด้าน AI ความพร้อมหมายถึงการยกระดับทักษะพนักงานด้านความรู้ความเข้าใจเกี่ยวกับ AI เพื่อให้พวกเขารู้วิธีการกระตุ้นอย่างมีประสิทธิภาพ ตรวจสอบความถูกต้องของผลลัพธ์ และตรวจสอบผลลัพธ์ที่ได้ แทนที่จะเชื่อมั่นใน “กล่องดำ” อย่างไร้เหตุผล AI ทำงานได้ดีที่สุดเมื่อมนุษย์ยังคงมีส่วนร่วมอย่างใกล้ชิด

ภาคบริการด้านเทคโนโลยีเต็มไปด้วยผู้เล่นรายใหญ่ที่มีประสบการณ์มายาวนาน คุณคิดว่าอะไรคือจุดเด่นที่สำคัญที่สุดของ QBurst ในการแข่งขันเพื่อรับงานด้านการเปลี่ยนแปลงองค์กร?

QBurst สร้างความแตกต่างในตลาดบริการด้านเทคโนโลยีที่มีการแข่งขันสูง ด้วยการผสานความเชี่ยวชาญด้านวิศวกรรมอย่างลึกซึ้งเข้ากับความคล่องตัวของบริษัทขนาดเล็กที่เน้นนวัตกรรมเป็นหลัก

จุดแข็งในการแข่งขันของเรานั้นเกิดจากเสาหลักสำคัญ 5 ประการ:

1. ความเชี่ยวชาญด้านวิศวกรรมเชิงลึก ผสานกับแนวคิดการออกแบบเชิงสร้างสรรค์ – เราไม่ได้แค่เขียนโค้ด แต่เราแก้ปัญหาทางธุรกิจด้วยโซลูชันแบบองค์รวมที่เน้นผู้ใช้งานเป็นศูนย์กลาง

2. ความคล่องตัวและความรับผิดชอบ – เรามีขนาดใหญ่พอที่จะขยายขนาดได้ แต่ก็กระชับพอที่จะใส่ใจ – ความยืดหยุ่นและการปรับตัวให้เข้ากับการเปลี่ยนแปลงอย่างรวดเร็วของเราเป็นสิ่งที่ลูกค้าของเราให้การรับรองมาแล้ว ทีมงานของเรามีความรับผิดชอบอย่างแท้จริงต่อความสำเร็จของลูกค้า คุณจะเห็นความรับผิดชอบในการส่งมอบงานนั้นครอบคลุมไปถึงระดับผู้บริหารระดับสูง

3. ความเข้าใจในวัฒนธรรม: ไม่ว่าจะเป็นแอปพลิเคชันขนาดเล็ก LINE ในญี่ปุ่น หรือระบบกำหนดราคาแบบบูรณาการสำหรับห้างสรรพสินค้าขายของชำในอเมริกา เราปรับแต่งไม่เพียงแค่เทคโนโลยี แต่ยังรวมถึงประสบการณ์การใช้งานให้เหมาะสมกับแต่ละตลาดด้วย

4. วิสัยทัศน์ที่มุ่งเน้น AI เป็นอันดับแรก – เรากำลังผสาน AI เข้ากับการส่งมอบงาน การดำเนินงาน และโซลูชันสำหรับลูกค้าของเรา ไม่ใช่ในฐานะคำศัพท์ที่ใช้กันอย่างแพร่หลาย แต่ในฐานะตัวคูณความสามารถ

5. วัฒนธรรมแห่งนวัตกรรมและการทดลอง – ผู้นำของเรามีความเชี่ยวชาญด้านเทคโนโลยีและชื่นชอบการแก้ปัญหาของลูกค้าโดยใช้เทคโนโลยีใหม่ล่าสุดและที่กำลังเกิดขึ้น เราไม่กลัวความล้มเหลวและได้สร้างผลกระทบที่มีความหมายต่อลูกค้าของเราโดยใช้วิธีการแบบสตาร์ทอัพในหลายกรณี

นอกจากนี้ เรายังไม่กลัวที่จะเปลี่ยนแปลงตัวเอง เรากำลังทดลองใช้โมเดลที่เน้นผลลัพธ์ กรอบการทำงานการส่งมอบที่ปรับเปลี่ยนได้ และห้องปฏิบัติการนวัตกรรมร่วมสำหรับลูกค้าระดับองค์กร

เมื่อมองไปข้างหน้าในอีกสามถึงห้าปีข้างหน้า คุณคาดว่ารูปแบบการดำเนินงานด้านไอทีขององค์กรจะพัฒนาไปอย่างไรบ้างกับการเพิ่มขึ้นของเวิร์กโฟลว์แบบเอเจนต์และองค์กรที่ใช้ AI เป็นหลัก และผู้นำควรเตรียมพร้อมสำหรับอะไรบ้างในตอนนี้?

นวัตกรรมระลอกต่อไปจะเป็นของผู้ที่สามารถผสานความสามารถอันทรงพลังของ AI เข้ากับระบบควบคุม การกำกับดูแล และความไว้วางใจที่รอบคอบ นั่นคือเหตุผลที่การสนทนาที่กำลังเกิดขึ้นเกี่ยวกับกรอบการทำงานแบบเอเจนต์สำหรับองค์กรจึงมีความสำคัญและเร่งด่วนอย่างยิ่ง

สำหรับผมแล้ว ข้อคิดสำคัญบางประการมีดังนี้:

• การก่อสร้างศูนย์ข้อมูล AI กำลังเร่งตัวขึ้น ไม่ได้ชะลอตัวลง ความเชื่อมั่นในแวดวงศูนย์ข้อมูลอยู่ในระดับสูงมาก โดยทั้งกำลังการผลิต ความต้องการ และการลงทุนต่างเพิ่มสูงขึ้น
• การนำ AI มาใช้ในองค์กรจะช้ากว่า AI สำหรับผู้บริโภค (ข้อมูลขององค์กรมักไม่เป็นระเบียบ กระจัดกระจาย และกระจายอยู่หลายระบบ แทนที่จะสะอาดและรวมศูนย์ โมเดลในปัจจุบันยังไม่แม่นยำเพียงพอสำหรับสถานการณ์และหน้าที่เฉพาะเจาะจงของบริษัทโดยไม่ต้องปรับให้เข้ากับบริบทเฉพาะของแต่ละองค์กร เพื่อปลดล็อกคุณค่าที่แท้จริง โมเดลจะต้องได้รับการฝึกฝนและปรับแต่งอย่างละเอียดด้วยข้อมูลเฉพาะขององค์กร โดยเฉพาะอย่างยิ่งในขั้นตอนสุดท้ายของเวิร์กโฟลว์และกรณีการใช้งานเฉพาะ)
• ก่อนที่ระบบอัตโนมัติอย่างแท้จริงจะสามารถเติบโตได้ในองค์กรนั้น มีความท้าทายที่ใหญ่กว่านั้น นั่นคือ การสร้างโครงสร้างการกำกับดูแล การอนุมัติ และการควบคุมที่เทียบเท่ากับที่มีอยู่สำหรับพนักงาน ซึ่งจะช่วยให้แรงงานมนุษย์สามารถทำงานได้อย่างน่าเชื่อถือและขยายขนาดได้

ผู้นำควรเตรียมตัวโดยคำนึงถึงสิ่งต่อไปนี้:

• ควรปฏิบัติต่อเจ้าหน้าที่เสมือนพนักงานใหม่ โดยมีขอบเขตงานที่กำหนดไว้อย่างชัดเจน การกำกับดูแลอย่างเปิดเผย และกลไกในการควบคุมข้อผิดพลาดในขณะที่พวกเขา "เรียนรู้" กฎระเบียบทั้งที่เป็นลายลักษณ์อักษรและไม่เป็นลายลักษณ์อักษรขององค์กร
• มีความจำเป็นต้องมี “ระบบตัวกลางสำหรับตัวแทน” หรือชั้นการประสานงาน ซึ่งตัวแทนจะลงทะเบียน ขอสิทธิ์ในการเขียน และการกระทำของตัวแทนเหล่านั้นจะถูกตรวจสอบโดยตัวแทนควบคุมดูแล
• การสร้างระบบตรวจสอบและถ่วงดุลที่ทำให้องค์กรของมนุษย์มีความแข็งแกร่งขึ้นมาใหม่ จะมีความสำคัญอย่างยิ่งต่อการบรรลุการดำเนินงานที่ปลอดภัย แม่นยำ และน่าเชื่อถือในโลกธุรกิจที่ขับเคลื่อนด้วยตัวแทน
• การบริหารจัดการความสามารถของบุคลากรและการพัฒนาทักษะใหม่เป็นอีกแง่มุมที่สำคัญ เนื่องจากส่วนต่อประสานและการทำงานร่วมกันระหว่างมนุษย์และ AI เปลี่ยนแปลงไปตามระบบและกรอบการทำงานแบบ Agentic
• สิ่งที่น่าตื่นเต้นที่สุดคือการเกิดขึ้นของเฟรมเวิร์กเอเจนต์ระดับองค์กรขั้นสูง—ที่เหนือกว่าสิ่งที่มีอยู่ในปัจจุบัน—ซึ่งสามารถเปลี่ยนวิสัยทัศน์นี้ให้กลายเป็นความจริงที่ใช้งานได้จริงและปรับขนาดได้ เมื่อผสานรวมกับความเข้าใจในโดเมนและโซลูชันที่แข็งแกร่ง

ขอบคุณสำหรับบทสัมภาษณ์ที่ดี ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมควรเยี่ยมชม คิวเบิร์สต์.