สัมภาษณ์
Victor Coimbra, ประธานเจ้าหน้าที่ฝ่ายเทคโนโลยีและหุ้นส่วนผู้จัดการของ Artefact – บทสัมภาษณ์
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ประเด็นสำคัญPilots stall because AI is added to organizations designed for humans only.
ดูเพิ่มเติม
- Pilots stall because AI is added to organizations designed for humans only.
- Companies should buy generalist harnesses but build industry-specific ones and own their context.
- Agents excel at work built on existing information while humans own creativity and judgment.
Victor Coimbra ดำรงตำแหน่งประธานเจ้าหน้าที่ฝ่ายเทคโนโลยีและหุ้นส่วนผู้จัดการของ Artefact โดยเป็นผู้นำงานด้านปัญญาประดิษฐ์ วิทยาการข้อมูล และวิศวกรรมทั่วทวีปอเมริกา เส้นทางอาชีพของเขาผสานประสบการณ์ด้านกลยุทธ์ธุรกิจจาก Bain และ Accenture เข้ากับประสบการณ์ลงมือบริหารการส่งมอบระบบปัญญาประดิษฐ์และแมชชีนเลิร์นนิงในสภาพแวดล้อมองค์กรที่ซับซ้อน เขามุ่งช่วยองค์กรเชื่อมโยงขีดความสามารถทางเทคนิคเข้ากับผลลัพธ์ทางธุรกิจที่วัดผลได้ ซึ่งรวมถึงสถาปัตยกรรม การกำกับดูแล และรูปแบบการดำเนินงานที่จำเป็นต่อการขยายการใช้ปัญญาประดิษฐ์
Artefact เป็นบริษัทที่ปรึกษาด้านข้อมูลและปัญญาประดิษฐ์ระดับโลก ซึ่งช่วยองค์กรพัฒนากลยุทธ์ สร้างแพลตฟอร์มข้อมูล นำโซลูชันปัญญาประดิษฐ์ไปใช้งาน และบริหารการเปลี่ยนแปลงภายในองค์กร บริษัททำงานครอบคลุมหลายอุตสาหกรรม ทั้งบริการทางการเงิน สาธารณสุข การผลิต และค้าปลีก ก่อนถึงงาน Adopt AI Summit ซึ่งจะจัดขึ้นวันที่ 3–4 ธันวาคม 2026 ณ Grand Palais ในปารีส Coimbra พูดคุยถึงวิธีที่องค์กรจะก้าวข้ามโครงการนำร่อง สร้างทีมที่ผสานการทำงานของบุคลากรกับเอเจนต์ปัญญาประดิษฐ์ และวัดมูลค่าของปัญญาประดิษฐ์ในการใช้งานจริง
เส้นทางอาชีพของคุณเริ่มจากงานด้านกลยุทธ์ธุรกิจที่ Accenture ก่อนจะมานำทีมปัญญาประดิษฐ์ วิทยาการข้อมูล และวิศวกรรมของ Artefact ทั่วทวีปอเมริกา การผสานงานที่ปรึกษาเชิงกลยุทธ์เข้ากับภาวะผู้นำด้านเทคนิคที่ลงมือปฏิบัติจริงส่งผลต่อแนวทางของคุณในการช่วยองค์กรเปลี่ยนการลงทุนด้านปัญญาประดิษฐ์ให้เป็นผลลัพธ์ทางธุรกิจที่วัดผลได้อย่างไร
สิ่งที่ผมได้เรียนรู้คือ ต้องเชื่อมโยงกลยุทธ์ด้านปัญญาประดิษฐ์เข้ากับการส่งมอบงานอยู่เสมอ ประสบการณ์ด้านกลยุทธ์ที่ Bain และ Accenture ทำให้ผมเห็นว่าผู้บริหารลงทุนกับการเปลี่ยนแปลงที่ส่งผลต่อรายการใดรายการหนึ่งในงบกำไรขาดทุน ส่วนงานวิศวกรรมสอนให้ผมรู้ว่ามูลค่าจำนวนมากอาจสูญหายไประหว่างแนวคิดบนสไลด์กับการนำไปใช้งานจริง
ทุกวันนี้ ปัญญาประดิษฐ์ไม่ได้เป็นเรื่องของเทคโนโลยีมากเท่ากับการสร้างเกราะป้องกันให้การดำเนินงานหลักของธุรกิจ คำถามสำคัญคือ จะเปลี่ยนผลิตภาพของแต่ละคนให้เป็นมูลค่าร่วมกันของทั้งองค์กรได้อย่างไร โดยทำให้ทั้งบริษัทมีขีดความสามารถทางปัญญาร่วมกันอย่างแท้จริง
เรื่องนี้ต้องอาศัยทั้งกลยุทธ์และการลงมือส่งมอบงาน ซึ่งเป็นสิ่งที่ผมเรียนรู้ได้มากจากการทำงานทั้งสองด้าน
แม้องค์กรจะลงทุนในปัญญาประดิษฐ์เป็นจำนวนมาก หลายแห่งก็ยังประสบปัญหาในการก้าวข้ามโครงการนำร่องที่ประสบความสำเร็จ จากประสบการณ์ของคุณ อุปสรรคที่พบบ่อยที่สุดซึ่งขัดขวางไม่ให้โครงการริเริ่มด้านปัญญาประดิษฐ์ขององค์กรนำไปใช้งานจริงมีอะไรบ้าง และบริษัทที่ขยายการใช้งานได้สำเร็จแตกต่างจากบริษัทอื่นอย่างไร
จากประสบการณ์ของผม โครงการนำร่องจำนวนมากไปต่อไม่ได้ เพราะนำปัญญาประดิษฐ์มาใส่ในองค์กรที่ออกแบบมาเพื่อให้มนุษย์ทำงานเพียงอย่างเดียว โดยทั่วไปแล้วเทคโนโลยีใช้งานได้ สิ่งที่มักยังไม่ชัดเจนคือการแบ่งงานกันทำ เช่น งานใดเป็นหน้าที่ของเอเจนต์ งานใดยังคงเป็นหน้าที่ของมนุษย์ ใครเป็นผู้ตรวจสอบ และใครรับผิดชอบผลลัพธ์
นอกจากนี้ ยังมี 3 ปัจจัยที่มักทำให้การขยายการใช้งานช้าลง ได้แก่ ต้นทุนโทเคนที่พุ่งสูงขึ้นตามการคิดราคาแบบอิงปริมาณการใช้งาน ความปลอดภัยและการกำกับดูแล ตลอดจนการนำไปใช้ที่ไม่เคยเปลี่ยนจากการมีสิทธิ์เข้าถึงให้กลายเป็นการใช้งานจริง
บริษัทที่ผมเห็นว่าขยายการใช้งานได้ดีมองว่าปัญญาประดิษฐ์เป็นการออกแบบองค์กรขึ้นใหม่ พวกเขาแบ่งการส่งมอบงานออกเป็น 2 วงจร ในวงจรด้านใน เอเจนต์ทำงานตั้งแต่ต้นจนจบ ได้แก่ เขียนโค้ด สร้าง ทดสอบ ส่งขึ้นระบบ และตรวจทาน ส่วนวงจรด้านนอก มนุษย์เป็นผู้กำหนดเจตนารมณ์ ตรวจสอบผลลัพธ์ และติดตามต้นทุนกับคุณภาพ จากนั้นจึงสร้างแพลตฟอร์มพื้นฐานเพียงแพลตฟอร์มเดียว แล้วนำกลับมาใช้กับทุกกรณีการใช้งาน
คุณเคยเขียนถึงความสำคัญของการสร้างองค์กรที่มีปัญญาประดิษฐ์เป็นหัวใจ แทนที่จะเพียงเพิ่มแชตบอตและผู้ช่วยอัจฉริยะเข้าไปในระบบเดิม การเปลี่ยนแปลงพื้นฐานด้านสถาปัตยกรรมเทคโนโลยีขององค์กรแบบใดบ้างที่จำเป็นต่อการเปลี่ยนผ่านนี้ และปัจจุบันธุรกิจกำลังลงทุนไม่เพียงพอในด้านใด
บริษัทที่มีปัญญาประดิษฐ์เป็นหัวใจดำเนินงานบนแพลตฟอร์ม ซึ่งประกอบด้วย 4 ชั้น ได้แก่ ระบบประสานการทำงาน บริบท โมเดล และโครงสร้างพื้นฐาน ระบบประสานการทำงานคือพื้นที่ที่มนุษย์กับเอเจนต์มาพบและทำงานร่วมกัน เป็นแอปพลิเคชันทั้งหมดที่ครอบโมเดลไว้ บริบทกำหนดว่าเอเจนต์รู้อะไรและมีอำนาจเพียงใด ส่วนโมเดลเป็นกลไกสำหรับเข้าถึง กำหนดเส้นทาง และกำกับดูแลโมเดลให้มีต้นทุนเหมาะสม ขณะที่โครงสร้างพื้นฐานคือส่วนที่ใช้ประมวลผลจริง และเป็นตัวกำหนดว่าใครเป็นผู้ถือกุญแจควบคุม
เป็นเรื่องปกติที่ความสนใจส่วนใหญ่จะมุ่งไปยังส่วนที่มองเห็นได้ 20% ได้แก่ ผู้ช่วยอัจฉริยะและเครื่องมือแชต ส่วนที่ซ่อนอยู่อีก 80% เป็นพื้นที่ที่งานวิศวกรรมส่วนใหญ่เกิดขึ้น และเป็นจุดที่กำหนดต้นทุน ความปลอดภัย และการควบคุม
ข้อเสนอของผมเรียบง่าย คือซื้อระบบประสานการทำงานแบบทั่วไป และสร้างระบบที่ออกแบบเฉพาะสำหรับแต่ละอุตสาหกรรม ส่วนโมเดลและโครงสร้างพื้นฐานนั้น ให้เช่าใช้และทดลอง เพราะมีการเปลี่ยนแปลงทุกไตรมาส และควรเป็นเจ้าของบริบททั้งหมด เพราะนี่คือชั้นที่เป็นของคุณอย่างแท้จริง และเป็นจุดที่ผมเห็นว่ามีโอกาสลงทุนเพิ่มเติมมากที่สุด
เมื่อปัญญาประดิษฐ์พัฒนาจากการช่วยเหลือพนักงานไปสู่การดำเนินขั้นตอนการทำงานที่ซับซ้อนได้โดยอัตโนมัติ องค์กรควรพิจารณาอย่างไรว่ากระบวนการใดเหมาะกับการทำงานอัตโนมัติด้วยเอเจนต์ และต้องวางมาตรการป้องกันด้านเทคนิคและการปฏิบัติงานใดบ้าง ก่อนมอบอำนาจตัดสินใจให้เอเจนต์ปัญญาประดิษฐ์มากขึ้น
ในมุมมองของผม เอเจนต์ทำงานที่มองย้อนกลับไปยังข้อมูลในอดีตได้ดีมาก ส่วนมนุษย์เหมาะกับงานที่มองไปข้างหน้า เอเจนต์ทำได้ดีเยี่ยมกับงานที่อาศัยข้อมูลที่มีอยู่แล้ว เช่น การวิเคราะห์ การเขียนโค้ด การทดสอบ การจัดทำเอกสาร และการกระทบยอด ส่วนงานที่ต้องใช้ความคิดสร้างสรรค์เป็นหน้าที่ของมนุษย์ และโดยนิยามแล้ว ความคิดสร้างสรรค์มุ่งไปข้างหน้า ไม่ว่าจะเป็นรสนิยม วิสัยทัศน์ การวางแผน การตัดสินใจ และการพิจารณาว่าผลลัพธ์นั้นดีจริงหรือไม่
ในทางปฏิบัติ เรื่องนี้สอดคล้องกับ 2 วงจร เอเจนต์ทำงานและดำเนินการในวงจรด้านใน ส่วนมนุษย์ดูแลวงจรด้านนอก ทั้งการกำหนดเจตนารมณ์ การตรวจสอบ และการติดตาม
มาตรการป้องกันถูกออกแบบไว้ในระบบ ไม่ใช่แค่สั่งให้ทำ เราใช้โครงสร้างรองรับ 6 ชั้น ได้แก่ การรับและบันทึกงาน หน่วยความจำ พื้นที่ทำงานที่ปลอดภัยซึ่งมีสภาพแวดล้อมรันแบบแซนด์บ็อกซ์และระบบกำหนดสิทธิ์ วงจรการทำงานที่มีจุดตรวจสอบและการขอคำชี้แจง การกำหนดเส้นทางให้โมเดล และกลไกป้องกันที่ระบุว่าเอเจนต์ทำอะไรเองไม่ได้ เช่น การขออนุมัติจากมนุษย์ การตรวจสอบนโยบาย และการควบคุมข้อมูลส่วนบุคคลที่ระบุตัวบุคคลได้ (PII) จากนั้นระดับความเป็นอิสระในการทำงานจะเพิ่มขึ้นตามประวัติผลงาน เช่นเดียวกับพนักงานใหม่
คุณอธิบายว่าเอเจนต์ AI เป็นเพื่อนร่วมทีม ไม่ใช่เครื่องมือซอฟต์แวร์แบบเดิม มุมมองนี้เปลี่ยนวิธีที่องค์กรควรจัดโครงสร้างทีม มอบหมายความรับผิดชอบ และฝึกอบรมพนักงานให้ทำงานร่วมกับระบบ AI ที่มีอิสระในการทำงานมากขึ้นอย่างไร
องค์กรแบบผสมผสานเกิดขึ้นแล้วในปัจจุบัน คำถามที่ผมเห็นว่าสำคัญที่สุดตอนนี้คือ เราจะแบ่งกำลังคนระหว่างมนุษย์กับเอเจนต์อย่างไร ผมเชื่อว่านี่คือกุญแจสำคัญของการขยายขนาด
ในทีมแบบผสมผสาน ผังองค์กรจัดสรรขีดความสามารถด้านการคิด ไม่ใช่จำนวนพนักงาน โดยทั่วไปทีมเทคโนโลยีที่มีวุฒิภาวะที่ผมพบจะแบ่งงานเป็นงานที่มนุษย์ทำเอง 15% งานที่มี AI ช่วยเสริม 25% และงานที่เอเจนต์ทำ 60% หัวหน้าฝ่ายไอทีเป็นผู้กำหนดเป้าหมาย จัดสรรขีดความสามารถ และรับผิดชอบต่อผลลัพธ์และต้นทุน นักพัฒนาอาวุโสตรวจสอบงานที่เอเจนต์ส่งมอบและตัดสินใจด้านสถาปัตยกรรม ส่วนเอเจนต์ผู้ประสานงานจัดสรรงานและรายงานต้นทุน ขณะที่เอเจนต์ตรวจทานจะตรวจสอบงานส่งมอบทุกชิ้น
ผลลัพธ์ที่ดีขึ้นทบต้นเป็น 3 ขั้น พนักงานที่มี AI ช่วยเสริมทำงานได้ราว 5 เท่า เอเจนต์ที่ทำงานครบวงจรในฐานะพนักงานสังเคราะห์ทำงานได้ราว 10 เท่า ส่วนการประสานทั้งสองกลุ่มให้ทำงานเป็นกำลังคนเดียวกัน คือจุดที่ผมเชื่อว่ามีศักยภาพเพิ่มขึ้นได้ถึง 1,000 เท่า
การฝึกอบรมก็เป็นไปตามแนวคิดเดียวกัน พนักงานเรียนรู้ที่จะมอบหมายงานให้เอเจนต์เหมือนวิศวกรรุ่นน้อง โดยให้บริบทอย่างเป็นระบบและกำหนดผลลัพธ์ให้ชัดเจน พร้อมใช้เวลาไปกับการใช้วิจารณญาณ การวางแผน และการตัดสินใจ
ระบบ AI สำหรับองค์กรต้องพึ่งพาโครงสร้างพื้นฐานด้านข้อมูลที่เชื่อถือได้อย่างมาก แต่หลายองค์กรยังคงประสบปัญหาข้อมูลกระจัดกระจาย การกำกับดูแลที่ไม่สอดคล้องกัน และเทคโนโลยีเดิมที่ล้าสมัย ธุรกิจควรให้ความสำคัญกับขีดความสามารถพื้นฐานด้านใดบ้างเมื่อเตรียมแพลตฟอร์มข้อมูลให้พร้อมสำหรับ AI แบบเอเจนต์ และจะปรับปรุงระบบให้ทันสมัยโดยไม่รบกวนการดำเนินงานที่มีอยู่ได้อย่างไร
ออกแบบแพลตฟอร์มข้อมูลให้รองรับผู้ใช้งานรูปแบบใหม่ นั่นคือเอเจนต์ หากแดชบอร์ดแสดงตัวเลขผิด มนุษย์ก็จะตั้งคำถาม แต่หากเอเจนต์ได้รับตัวเลขผิด มันจะนำตัวเลขนั้นไปดำเนินการในวงกว้าง
ให้ความสำคัญกับขีดความสามารถ 4 ด้าน ประการแรก คำจำกัดความทางธุรกิจที่ใช้ร่วมกัน เพื่อให้เอเจนต์และทุกทีมเข้าใจคำว่า “ลูกค้าที่ยังใช้งานอยู่” ตรงกัน ประการที่สอง เกตเวย์สำหรับการเชื่อมต่อที่มีการยืนยันตัวตนและใช้โปรโตคอลมาตรฐาน เช่น MCP เพื่อให้เอเจนต์เข้าถึงข้อมูลได้ตามสิทธิ์ของบทบาทที่ตนปฏิบัติงานแทน ประการที่สาม คุณภาพและที่มาของข้อมูลที่ตรวจสอบได้ และประการสุดท้าย การมองข้อมูลไม่มีโครงสร้างเป็นสินทรัพย์สำคัญระดับเดียวกับข้อมูลประเภทอื่น เพราะสัญญา ใบงาน และบันทึกการประชุมเป็นแหล่งรวมความรู้จริงส่วนใหญ่
หากต้องการปรับปรุงระบบให้ทันสมัยโดยไม่ก่อให้เกิดการหยุดชะงัก ให้เชื่อมระบบเดิมเข้ากับระบบใหม่เป็นชั้นแรก แล้วค่อยย้ายระบบทีละกรณีการใช้งาน เอเจนต์ยังเปลี่ยนต้นทุนในส่วนนี้ด้วย ปัจจุบันไปป์ไลน์การย้ายระบบแบบหลายเอเจนต์ช่วยปรับปรุงโค้ดเดิมหลายแสนบรรทัดให้ทันสมัยได้ภายในไม่กี่เดือน โดยมนุษย์เป็นผู้ตัดสินใจด้านสถาปัตยกรรม
นอกเหนือจากการเข้าถึงข้อมูลที่มีโครงสร้างแล้ว เอเจนต์ AI ยังต้องเข้าใจองค์ความรู้ในองค์กร กระบวนการทางธุรกิจ และบริบทขององค์กรเพิ่มขึ้นเรื่อย ๆ องค์กรจะรวบรวมและผสานความรู้นี้เข้ากับระบบ AI ได้อย่างมีประสิทธิภาพอย่างไร และจะเกิดความเสี่ยงอะไรบ้างเมื่อเอเจนต์ทำงานโดยมีบริบททางธุรกิจไม่เพียงพอ
บริบทคือสิ่งที่เปลี่ยนโมเดลให้กลายเป็นเพื่อนร่วมงาน เครื่องมือเข้าใจงาน แต่เอเจนต์เข้าใจบริบท คุณคงไม่มอบหมายงานให้วิศวกรรุ่นน้องโดยไม่อธิบายเป้าหมาย ข้อจำกัด และลักษณะของผลงานที่ดี และเอเจนต์ก็ไม่ต่างกัน
รวบรวมความรู้จากตัวงานโดยตรง แทนที่จะจัดทำเอกสารโครงการขนาดใหญ่ที่ดูแลให้ทันสมัยได้ยาก ทุกการประชุม ใบงาน การตัดสินใจ และการแก้ไข จะป้อนข้อมูลเข้าสู่ชั้นบริบทที่ผสานไฟล์ ตาราง เวกเตอร์ และกราฟความสัมพันธ์ งานทุกชิ้นที่เสร็จสมบูรณ์จะบันทึกข้อมูลกลับเข้าสู่หน่วยความจำ เพื่อให้องค์กรเรียนรู้จากการส่งมอบงานแต่ละครั้ง และบริบทเองก็ต้องมีการกำกับดูแล ทั้งการประเมิน สิทธิ์การเข้าถึง และการควบคุมต้นทุน
หากไม่มีบริบท เอเจนต์มักประสบปัญหาบางอย่างที่คาดเดาได้ มันทำตามกฎที่เขียนไว้ แต่พลาดกฎที่ไม่ได้เขียนซึ่งทุกคนรู้กัน มันค้นคืนข้อมูลผิด แต่ตอบด้วยความมั่นใจเต็มที่ มันทำงานโดยอ้างอิงข้อเท็จจริงของไตรมาสก่อน และหากชั้นบริบทไม่มีการกำหนดสิทธิ์อย่างเข้มงวด ก็อาจทำให้ข้อมูลอ่อนไหวตกอยู่ในความเสี่ยง
หลายบริษัทวัดความสำเร็จของ AI จากการเพิ่มผลิตภาพ อัตราการนำไปใช้ หรือจำนวนโครงการนำร่องที่เริ่มขึ้น CIO และผู้นำธุรกิจควรใช้ตัวชี้วัดใดเพื่อประเมินผลตอบแทนจากการลงทุนใน AI อย่างแท้จริง โดยเฉพาะเมื่อต้องคำนึงถึงต้นทุนโครงสร้างพื้นฐาน การบำรุงรักษาอย่างต่อเนื่อง และความซับซ้อนในการดำเนินงานของเอเจนต์ที่ทำงานได้ด้วยตนเอง
วัดผลกำลังคนแบบผสมผสาน ไม่ใช่เครื่องมือ การนำไปใช้เป็นเพียงระดับแรกจากทั้งหมด 4 ระดับ และต้องเทียบกับค่าฐานที่เก็บไว้ก่อนเริ่มใช้งานเสมอ ระดับการนำไปใช้ถามว่าผู้คนนำเครื่องมือมาใช้หรือไม่ ระดับผลิตภาพถามว่าเราส่งมอบงานได้เร็วขึ้นหรือไม่ โดยดูจากระยะเวลานำงานผ่านแต่ละขั้น ปริมาณงานที่ทำเสร็จ และเวลาแก้ปัญหา ระดับคุณภาพถามว่าผลงานดีขึ้นหรือไม่ โดยดูจากข้อบกพร่องที่หลุดรอด อัตราความล้มเหลวของการเปลี่ยนแปลง และงานที่ต้องทำซ้ำ ส่วนระดับคุณค่าและต้นทุนถามว่าคุ้มค่าหรือไม่ โดยดูจากเวลาทำงานที่ประหยัดได้ ระยะเวลานำสินค้าออกสู่ตลาด และต้นทุนทั้งหมดต่อหนึ่งงาน
ตัวชี้วัดหนึ่งที่มักถูกมองข้ามได้ง่าย คือการเคลื่อนย้ายขีดความสามารถด้านการคิดระหว่างมนุษย์กับเอเจนต์ในแต่ละทีม ขีดความสามารถของมนุษย์ที่ว่างลงต้องได้รับการจัดสรรใหม่อย่างมีเป้าหมายให้กับงานที่มุ่งสู่อนาคต มิฉะนั้นผลประโยชน์ที่ได้ส่วนหนึ่งจะสูญเปล่า
ในด้านต้นทุน รูปแบบการคิดราคากำลังเปลี่ยนจากค่าบริการแบบเหมาจ่ายเป็นการคิดตามการใช้งาน ซึ่งอาจทำให้คาดการณ์ค่าใช้จ่ายได้ยากขึ้น ดังนั้นการกำหนดเส้นทางการใช้งานโมเดลและ FinOps จึงควรเป็นส่วนหนึ่งของแพลตฟอร์มตั้งแต่วันแรก มองค่าใช้จ่ายด้าน AI เช่นเดียวกับค่าใช้จ่ายด้านคลาวด์ โดยต้องเห็นค่าใช้จ่ายอย่างชัดเจน ระบุได้ว่าเป็นของทีมใด และเชื่อมโยงกับมูลค่าที่ได้รับ
Artefact ทำงานร่วมกับองค์กรขนาดใหญ่ในภาคบริการทางการเงิน การดูแลสุขภาพ การผลิต ค้าปลีก และอุตสาหกรรมอื่น ๆ ซึ่งการนำ AI มาใช้มีความท้าทายแตกต่างกันไป บทเรียนใดบ้างที่เริ่มปรากฏจากการนำไปใช้งานจริงในภาคส่วนเหล่านี้ และองค์กรควรสร้างสมดุลระหว่างนวัตกรรมกับการปฏิบัติตามกฎระเบียบ ความน่าเชื่อถือ และการกำกับดูแลโดยมนุษย์อย่างไร
ทุกภาคส่วนต้องเผชิญคำถามเดียวกัน นั่นคือจะแบ่งงานระหว่างมนุษย์กับเอเจนต์อย่างไร สิ่งที่แตกต่างกันคือ งานในวงจรการทำงานส่วนใดบ้างที่ยังต้องให้มนุษย์รับผิดชอบ ในธุรกิจค้าปลีกและสินค้าอุปโภคบริโภค ความผิดพลาดมีต้นทุนต่ำ เอเจนต์จึงรับงานไปทำได้มากขึ้นและรวดเร็วขึ้น ส่วนภาคการผลิต ความน่าเชื่อถือและการเชื่อมต่อกับระบบปฏิบัติการเป็นตัวกำหนดความเร็วในการดำเนินงาน สำหรับบริการทางการเงินและการดูแลสุขภาพ การตัดสินใจทุกอย่างต้องอธิบายเหตุผลได้ มนุษย์จึงยังคงรับผิดชอบงานตรวจสอบและการตัดสินใจในสัดส่วนที่มากกว่าไปอีกนาน
บทเรียนที่ผมเห็นในทุกภาคส่วนคือ การปฏิบัติตามกฎระเบียบจะได้ผลดีที่สุดเมื่อเป็นคุณสมบัติของแพลตฟอร์มที่วางไว้ตั้งแต่เริ่มต้น เมื่อมีมาตรการป้องกัน บันทึกการตรวจสอบ และการอนุมัติจากมนุษย์อยู่ในระบบรองรับ ทุกกรณีการใช้งานใหม่ก็จะได้รับสิ่งเหล่านี้ไปด้วย แต่หากค่อยจัดการเรื่องการปฏิบัติตามกฎระเบียบในขั้นตอนสุดท้าย โครงการใหม่แต่ละโครงการก็ต้องเริ่มต้นพูดคุยเรื่องนี้กันใหม่อีกครั้ง
การกำกับดูแลควรแบ่งเป็นระดับ เอเจนต์ทำงานที่มีความเสี่ยงต่ำได้โดยลำพัง ส่วนงานที่มีความเสี่ยงปานกลางให้ตรวจทานเมื่อพบข้อยกเว้น และงานที่มีความเสี่ยงสูงให้เอเจนต์จัดเตรียมข้อมูลเพื่อประกอบการตัดสินใจเท่านั้น ระดับการกำกับดูแลจะปรับเปลี่ยนไปเมื่อความไว้วางใจเพิ่มขึ้น
ขณะที่ Adopt AI Summit ของ Artefact จะจัดขึ้นที่ปารีสในเดือนธันวาคมนี้ การหารือเรื่องอธิปไตยด้าน AI การกำกับดูแล และความสามารถในการแข่งขันทางอุตสาหกรรมก็ยิ่งมีความสำคัญมากขึ้น คุณมองว่าแนวทางการนำ AI มาใช้ของยุโรปจะส่งอิทธิพลต่อกลยุทธ์ขององค์กรทั่วโลกอย่างไร และคิดว่าพัฒนาการใดจะเป็นตัวกำหนดระยะต่อไปของ AI ในองค์กรในช่วงหลายปีข้างหน้า
ยุโรปเป็นหนึ่งในกลุ่มแรก ๆ ที่ตั้งคำถามเรื่องอธิปไตย และผมคิดว่าแนวคิดนี้กำลังกลายเป็นหลักการออกแบบระดับโลก บริษัทข้ามชาติไม่ต้องการสถาปัตยกรรมแยกกันสำหรับกฎระเบียบแต่ละชุด จึงออกแบบให้รองรับข้อกำหนดที่เข้มงวดที่สุด ได้แก่ เป็นเจ้าของบริบทของตนเอง เช่าใช้โมเดล และควบคุมได้ว่าโมเดลทำงานอยู่ที่ใดและใครเป็นผู้ถือกุญแจ โอกาสต่อไปของยุโรปคือการทุ่มเทให้กับการนำ AI มาใช้ด้วยพลังเช่นเดียวกัน เพราะความสามารถในการแข่งขันจะเกิดจากการใช้งานในวงกว้าง
ระยะต่อไปคือองค์กรแบบผสมผสาน และผมเชื่อว่านี่คืออนาคตของการทำงาน บริษัทต่าง ๆ จะเปลี่ยนจากการนับจำนวนพนักงานมาเป็นการบริหารศักยภาพทางความคิดร่วมกันระหว่างมนุษย์กับเอเจนต์ เอเจนต์จะรับงานส่วนใหญ่ที่มองย้อนกลับไปยังสิ่งที่ผ่านมา เช่น การวิเคราะห์ การเขียนโค้ด และการจัดทำรายงาน ส่วนมนุษย์จะหันไปทำงานที่มองไปข้างหน้า เช่น การใช้วิจารณญาณ วิสัยทัศน์ การวางแผน และการตัดสินใจ
ผมเชื่อว่าบริษัทที่หาวิธีแบ่งงานได้ก่อนจะเป็นผู้นำ นี่คือประเด็นที่ผมอยากพูดคุยกันที่ปารีส เพื่อกำหนดทิศทางในปีต่อ ๆ ไป
ขอบคุณสำหรับบทสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมเกี่ยวกับการนำ AI มาใช้ในองค์กร เวิร์กโฟลว์แบบเอเจนต์ และการเปลี่ยนผ่านด้านข้อมูล สามารถเยี่ยมชม Artefact ได้
