AI สำหรับองค์กรต้องมีบริบทที่สั่งสมต่อเนื่อง ก่อนจะได้รับความไว้วางใจให้ทำงานได้อย่างอิสระ

ลองนึกภาพเช้าวันจันทร์ ซึ่งเหลือเวลาอีกหลายชั่วโมงก่อนการประชุมคาดการณ์ผลประกอบการประจำไตรมาส ผู้บริหารฝ่ายการเงินถามเอเจนต์ AI ว่า “ทำไมอัตรากำไรขั้นต้นจึงลดลง สมมติฐานข้อใดต้องเปลี่ยน และบริษัทควรทำอะไรต่อไป” ภายในไม่กี่วินาที เอเจนต์ดึงข้อมูลจากระบบหลายระบบ ระบุปัจจัยสำคัญได้หลายข้อ และเสนอให้ลดค่าใช้จ่ายตามดุลยพินิจหรือทบทวนแผนการจ้างงาน คำตอบชัดเจน มีรายละเอียด และฟังดูสมเหตุสมผล ไม่มีอะไรในคำตอบที่ดูผิดอย่างเห็นได้ชัด

นี่แหละคือสิ่งที่ทำให้เรื่องนี้อันตรายมาก 

เมื่อตรวจสอบให้ละเอียด ก็พบว่ามีรายละเอียดสำคัญหลายอย่างขาดหายไป เอเจนต์ใช้ประมาณการฉบับที่ไม่ถูกต้อง และมองข้ามรายการปรับปรุงบัญชีที่ได้รับอนุมัติจากไตรมาสก่อน ทั้งยังไม่ได้คำนึงว่าภูมิภาคหนึ่งใช้กฎทางธุรกิจที่แตกต่างจากภูมิภาคอื่น ข้อมูลต้นทางไม่ได้จำเป็นต้องผิดแต่อย่างใด เพียงแต่เอเจนต์ไม่รู้ว่าองค์กรตีความข้อมูลนั้นอย่างไร หรือข้อมูลแต่ละส่วนเชื่อมโยงกันอย่างไร ปัญหานี้ไม่ใช่สิ่งที่แก้ได้ง่าย ๆ ด้วยการเปลี่ยนไปใช้โมเดลอื่น แต่เป็นเพราะโมเดลไม่รู้จักธุรกิจนี้ 

การพัฒนา AI สำหรับองค์กรมุ่งเน้นไปที่ความสามารถของโมเดลและความเป็นอิสระของเอเจนต์เป็นส่วนใหญ่ แต่โมเดลไม่อาจสรุปผลที่เชื่อถือได้และเฉพาะเจาะจงกับบริษัทได้ หากไม่เข้าใจว่าองค์กรกำหนดความหมายของตัวเลขต่าง ๆ อย่างไร และเชื่อมโยงตัวเลขเหล่านั้นกับวิธีดำเนินธุรกิจอย่างไร 

สิ่งที่ขาดหายไปคือบริบทธุรกิจที่สั่งสมต่อเนื่อง หรือความเข้าใจอย่างเป็นระบบภายใต้การกำกับดูแลว่า ข้อมูลขององค์กรมีความหมายอย่างไร ทั้งในแง่นิยาม ความสัมพันธ์ สมมติฐาน การคำนวณ กระบวนการทำงาน ข้อยกเว้น และการตัดสินใจต่าง ๆ ที่สั่งสมขึ้นตามกาลเวลา

บริบทดังกล่าวพัฒนาขึ้นผ่านการวางแผน การคาดการณ์ การจำลองสถานการณ์ การวิเคราะห์ความคลาดเคลื่อน การแก้ไข ข้อเสนอแนะ กิจกรรมปิดบัญชี และการตัดสินใจที่ได้รับอนุมัติ หากปราศจากบริบทนี้ องค์กรก็เสี่ยงที่จะมอบความรับผิดชอบให้ AI มากขึ้น โดยไม่ได้ให้ความเข้าใจธุรกิจที่เพียงพอสำหรับการรับผิดชอบงานเหล่านั้นอย่างน่าเชื่อถือ 

ความสามารถของ AI พัฒนาเร็วกว่าความพร้อมขององค์กร

ตามรายงานดัชนี AI ปี 2026 ของ Stanford องค์กรที่ตอบแบบสำรวจ 88% ใช้ AI ในปี 2025 แต่การนำเอเจนต์ไปใช้งานยังอยู่ในระดับเลขหลักเดียวในเกือบทุกสายงาน 

สถิติเหล่านี้แสดงให้เห็นว่าองค์กรต่าง ๆ เข้าถึงความสามารถของ AI ได้แล้ว แต่หลายแห่งยังไม่พร้อมที่จะให้ AI ทำงานที่ส่งผลสำคัญต่อองค์กร ผู้นำรู้ว่าจำเป็นต้องพัฒนางานโดยใช้ AI แต่ยังต้องพิจารณาว่ากำลังพัฒนาในระดับที่เหมาะสมกับปัญหาหรือไม่

โมเดลอ่านข้อมูลได้ แต่ไม่เข้าใจธุรกิจ

โมเดลพื้นฐานทำได้ดีในการจดจำรูปแบบ สังเคราะห์ข้อมูล โต้ตอบด้วยภาษาธรรมชาติ และสำรวจชุดข้อมูลขนาดใหญ่ แม้ความสามารถเหล่านี้จะเป็นความก้าวหน้าที่สำคัญ แต่ตัวโมเดลเองกลับมีความแตกต่างจากคู่แข่งน้อยลงเรื่อย ๆ 

โจทย์ที่ยากกว่าสำหรับองค์กรคือการสอนให้ AI เข้าใจว่าข้อมูลของบริษัทหมายถึงอะไร และที่สำคัญคือมีการนำข้อมูลนั้นไปใช้ในการตัดสินใจและการวิเคราะห์อย่างไร

การพูดคุยเรื่องการกำกับดูแล AI ส่วนใหญ่มุ่งเน้นไปที่การทำให้ข้อมูลสะอาด แม้จะเป็นขั้นตอนที่จำเป็น แต่ก็ยังไม่เพียงพอสำหรับการขยายการใช้ AI ในองค์กรอย่างกว้างขวาง ชุดข้อมูลสองชุดที่สะอาดเหมือนกันก็ยังอาจใช้คำนิยาม ช่วงเวลา และกฎทางธุรกิจที่แตกต่างกันได้ 

ผลการศึกษาซีอีโอปี 2025 ของ IBM พบว่า โครงการ AI 25% ให้ผลตอบแทนจากการลงทุน (ROI) ตามที่คาดหวัง และมีเพียง 16% เท่านั้นที่ขยายการใช้งานได้ทั่วทั้งองค์กร รูปแบบนี้สอดคล้องกับความท้าทายในการนำไปใช้ที่ใหญ่กว่านั้น กล่าวคือ การเข้าถึงโมเดลและข้อมูลไม่ได้รับประกันว่าระบบ AI จะประมวลและเชื่อมโยงกฎขององค์กร ซึ่งเป็นตัวกำหนดว่าควรใช้ข้อมูลอย่างไร ได้ถูกต้อง

การจัดหาโมเดลที่มีความสามารถสูงขึ้นทำได้ง่าย แต่ต้องสร้างความเข้าใจเฉพาะของบริษัทขึ้นมาเอง 

บริบทที่ค้นคืนได้ไม่ใช่บริบทที่สั่งสมต่อเนื่อง

สิ่งที่มักเรียกกันว่าบริบทใน AI สำหรับองค์กร ส่วนใหญ่ยังคงเป็นข้อมูลที่ระบบค้นคืนมาให้ในขณะที่มีคำขอ ระบบค้นหาเอกสาร ระเบียน หรือจุดข้อมูลที่เกี่ยวข้อง แล้วนำมาใช้สร้างคำตอบ จากนั้นก็เริ่มต้นใหม่เมื่อได้รับคำถามครั้งถัดไป 

การค้นคืนข้อมูลมีประโยชน์ แต่หากใช้เพียงอย่างเดียว ก็ไม่ได้สร้างความทรงจำขององค์กรที่สั่งสมต่อเนื่อง ระบบแทบไม่เก็บสิ่งที่ได้เรียนรู้ไว้ใช้ต่อ ทำให้ AI ต้องเผชิญกับธุรกิจราวกับเป็นคนนอกทุกครั้งที่เริ่มปฏิสัมพันธ์ใหม่

เรื่องนี้คล้ายกับการรับนักวิเคราะห์คนใหม่ที่เก่งมากเข้าทำงานทุกเช้า นักวิเคราะห์เข้าใจการเงินและรู้วิธีตรวจสอบชุดข้อมูล แต่ก็ยังต้องเรียนรู้ว่าบริษัทแห่งนี้กำหนดนิยามตัวชี้วัดอย่างไร ใช้ประมาณการฉบับใดเป็นหลัก เพราะเหตุใดจึงอนุมัติข้อยกเว้น และสมมติฐานข้อใดมักพิสูจน์แล้วว่าผิด

บริบทที่สั่งสมต่อเนื่องมีจุดประสงค์แตกต่างออกไป แทนที่จะเริ่มต้นใหม่ทุกครั้งที่ได้รับคำสั่งหรือเข้าสู่วงจรการวางแผน บริบทจะสะสมเพิ่มขึ้นตามเวลา การตรวจสอบแต่ละครั้ง สถานการณ์จำลอง การแก้ไข การอนุมัติ และการตัดสินใจ ล้วนมีส่วนช่วยสร้างความเข้าใจอย่างเป็นระบบภายใต้การกำกับดูแลว่าองค์กรดำเนินงานอย่างไร นั่นหมายความว่า วงจรในภายหลังสามารถต่อยอดจากสิ่งที่วงจรก่อนหน้าสร้างไว้ แทนที่จะต้องค้นพบความสัมพันธ์ ตรรกะ และวิธีทำงานเดิมซ้ำทุกครั้งที่ได้รับคำสั่ง 

นั่นไม่ได้หมายความว่าต้องเก็บทุกอย่างไว้ตลอดไป บริบทองค์กรที่เป็นประโยชน์ต้องกำหนดขอบเขตไว้อย่างชัดเจน แก้ไขได้ คำนึงถึงสิทธิ์การเข้าถึง และตรวจสอบย้อนกลับไปยังแหล่งที่มาได้ องค์กรจำเป็นต้องเก็บรักษาสิ่งที่สำคัญไว้ พร้อมทั้งทำให้สามารถระบุและปรับเปลี่ยนสมมติฐานที่ล้าสมัย ข้อยกเว้นชั่วคราว และการตีความที่ไม่ถูกต้องได้เมื่อเวลาผ่านไป

ความไว้วางใจขึ้นอยู่กับสิ่งที่อยู่เบื้องหลังโมเดล

โมเดลเป็นส่วนที่เห็นได้ชัดที่สุดของระบบ AI แต่แทบไม่ใช่ส่วนที่กำหนดว่าองค์กรจะเชื่อถือผลลัพธ์ได้หรือไม่

โมเดลที่มีความสามารถสามารถตรวจสอบความคลาดเคลื่อน สำรวจคำอธิบายที่เป็นไปได้ และเสนอแนวทางดำเนินการได้ แต่องค์กรจะเชื่อถือคำแนะนำนั้นได้หรือไม่นั้นขึ้นอยู่กับสถาปัตยกรรมที่ประกอบอยู่รอบโมเดล

Gartner พบว่าองค์กรที่รายงานว่าการริเริ่มด้าน AI ประสบความสำเร็จ ลงทุนในรากฐานต่าง ๆ มากกว่าสูงสุดถึงสี่เท่าเมื่อคิดเป็นสัดส่วนต่อรายได้ โดยรากฐานเหล่านี้รวมถึงคุณภาพข้อมูล การกำกับดูแล บุคลากรที่พร้อมทำงานด้าน AI และการบริหารจัดการการเปลี่ยนแปลง เมื่อเทียบกับองค์กรที่ได้ผลลัพธ์ไม่ดี

ชั้นบริบทที่อยู่ภายใต้การกำกับดูแลเป็นส่วนหนึ่งของรากฐานดังกล่าว โดยอยู่ระหว่างระบบต้นทาง โมเดล และการดำเนินการทางธุรกิจ

จุดนี้เองที่ต้องแยกความฉลาดออกจากการดำเนินการตามกฎเกณฑ์อย่างเคร่งครัด AI สามารถตรวจสอบ ร่าง และเสนอคำแนะนำได้ แต่เมื่อมีการตรวจทานและอนุมัติการดำเนินการแล้ว การลงมือปฏิบัติควรผ่านการคำนวณภายใต้การกำกับดูแล การตรวจสอบสิทธิ์ การควบคุมการเขียนข้อมูลกลับเข้าสู่ระบบ และบันทึกการตรวจสอบ ความยืดหยุ่นที่ทำให้โมเดลมีประโยชน์ต่อการสำรวจทางเลือก ไม่เหมาะเสมอไปเมื่อต้องยืนยันการเปลี่ยนแปลงในธุรกิจ

โมเดลสามารถแนะนำได้ว่าควรทำอะไร แต่สถาปัตยกรรมที่อยู่รอบโมเดล รวมถึงการอนุมัติจากมนุษย์และการควบคุมของระบบ เป็นตัวกำหนดว่าอนุญาตให้ทำอะไรได้บ้าง

ข้อจำกัดที่ทำให้เอเจนต์มีประโยชน์

การนำเอเจนต์มาใช้งานกำลังเกิดขึ้นเร็วกว่าการวางระบบควบคุมกำกับ KPMG พบว่าสัดส่วนขององค์กรที่นำเอเจนต์ AI มาใช้อย่างน้อยบางส่วน เพิ่มขึ้นจาก 11% ในไตรมาสแรกของปี 2025 เป็น 42% ภายในไตรมาสที่สาม อย่างไรก็ตาม Gartner รายงานว่า มีองค์กรเพียง 13% เท่านั้น ที่เห็นด้วยอย่างยิ่งว่าองค์กรมีโครงสร้างกำกับดูแลเอเจนต์ที่เหมาะสมแล้ว

ช่องว่างดังกล่าวมีความสำคัญ เพราะความสามารถและอำนาจในการดำเนินการเป็นการตัดสินใจด้านการออกแบบคนละเรื่อง ระบบอาจมีความสามารถทางเทคนิคในการเข้าถึงฐานข้อมูล ปรับประมาณการ หรือเริ่มกระบวนงานได้ แต่นั่นไม่ได้หมายความว่าควรอนุญาตให้ระบบทำสิ่งเหล่านี้ได้โดยอิสระ

ก่อนมอบหมายงานสำคัญให้องค์กร ควรกำหนดข้อจำกัดสามประการ

• กำหนดความหมายร่วมกัน

ต้องปรับให้คำจำกัดความ ตัวชี้วัด ลำดับชั้น ปฏิทินปีงบประมาณ และกฎการคำนวณสอดคล้องกันก่อนที่เอเจนต์จะใช้เหตุผลกับข้อมูลเหล่านี้ได้อย่างสม่ำเสมอ

ไม่ควรคาดหวังให้ AI แก้ไขความขัดแย้งอย่างเงียบ ๆ ในเรื่องที่องค์กรเองยังไม่ได้จัดการให้เรียบร้อย หากไม่มีความหมายร่วมกัน AI อาจมองว่าคำจำกัดความที่ขัดแย้งกันใช้แทนกันได้ และให้คำตอบที่ฟังดูสมเหตุสมผลแต่ผิดพลาดในทางปฏิบัติ

• กำหนดสิ่งที่จะเก็บไว้ใช้ต่อ

องค์กรต้องกำหนดว่าการแก้ไข การอนุมัติ การตัดสินใจ และผลลัพธ์ใดจะกลายเป็นบริบทที่นำกลับมาใช้ได้ นอกจากนี้ยังต้องมีนโยบายกำกับดูแลการเก็บรักษา การเข้าถึง และการแก้ไขข้อมูลด้วย

ความทรงจำที่มีประโยชน์ต้องผ่านการคัดเลือกและกำกับดูแล ไม่ใช่สะสมทุกอย่างโดยไม่เลือก มิฉะนั้น สมมติฐานที่ล้าสมัยหรือข้อยกเว้นเฉพาะครั้งอาจเปลี่ยนแปลงคำแนะนำในอนาคตโดยที่ไม่มีใครสังเกตเห็น

• แยกคำแนะนำออกจากการลงมือดำเนินการ

การวิเคราะห์ คำแนะนำ การเปลี่ยนแปลงที่เสนอ การดำเนินการที่มนุษย์อนุมัติ และการดำเนินการโดยอัตโนมัติภายใต้ขอบเขตที่กำหนด ล้วนเป็นระดับอำนาจที่แตกต่างกัน เอเจนต์ควรมีตัวตนและสิทธิ์การเข้าถึงที่เหมาะสมกับแต่ละระดับ

การประเมินต้องครอบคลุมลำดับการดำเนินการทั้งหมดด้วย ได้แก่ ดึงข้อมูลใดมาใช้ ใช้บริบทใด เรียกใช้เครื่องมือใด มีการเปลี่ยนแปลงอะไร และสามารถย้อนคืนการเปลี่ยนแปลงนั้นได้หรือไม่

การทดสอบเฉพาะคำตอบสุดท้ายทำให้มองข้ามสาเหตุส่วนใหญ่ที่อาจทำให้กระบวนงานแบบเอเจนต์ล้มเหลว

ความสามารถบอกว่าเอเจนต์ทำอะไรได้ ส่วนการกำกับดูแลกำหนดว่าได้รับอนุญาตให้ทำอะไร

ความเป็นอิสระต้องอาศัยมากกว่าความสามารถ

ในสถานการณ์เรื่องส่วนต่างที่กล่าวถึงตอนต้น ความเร็วจะมีประโยชน์ก็ต่อเมื่อระบบรู้ด้วยว่าประมาณการฉบับใดเป็นฉบับหลัก ข้อยกเว้นใดได้รับอนุมัติ ระบบได้รับอนุญาตให้ดำเนินการอะไร และใครยังคงต้องรับผิดชอบ

ผมเชื่อว่า AI สำหรับองค์กรจะได้รับความไว้วางใจก็ต่อเมื่อสามารถนำบริบทที่ถูกต้องไปใช้ต่อ และแสดงให้เห็นได้ว่ามาถึงผลลัพธ์ที่มีนัยสำคัญนั้นได้อย่างไร

องค์กรควรสร้างชั้นบริบทและระบบควบคุมดังกล่าวก่อนขยายขอบเขตความเป็นอิสระของเอเจนต์ รูปแบบการทำงานจะเปลี่ยนไป แต่ความรับผิดชอบจะไม่เปลี่ยน