ใช้ AI ในธุรกิจให้คุ้ม เริ่มจากปัญหา ไม่ใช่เริ่มจาก AI

"เราจะเอา AI มาใช้ตรงไหนดี" คือคำถามที่กลับหัว

ตอบตรงประเด็นก่อนเลย โปรเจกต์ AI ที่ไม่คุ้มส่วนใหญ่ไม่ได้พังเพราะเทคโนโลยีไม่ดีพอ แต่พังเพราะเริ่มจากเครื่องมือ ไม่ได้เริ่มจากปัญหา พอเริ่มจาก "เราต้องมี AI" คำถามถัดมาคือ "เอาไปใส่ตรงไหนได้บ้าง" ซึ่งเป็นการหาที่ลงให้เครื่องมือ ไม่ใช่การหาทางแก้ให้ปัญหา

อาการที่เจอบ่อยคือทีมทำเดโมออกมาได้สวย ผู้บริหารดูแล้วประทับใจ แล้วอีกสามเดือนไม่มีใครใช้ เพราะสิ่งที่ทำออกมาไม่ได้เปลี่ยนการตัดสินใจของใครเลย มันแค่แสดงให้ดูว่าทำได้ ซึ่งไม่เหมือนกับการทำให้งานดีขึ้น

คำถามที่ตั้งถูกไม่ใช่ "เราจะเอา AI มาใช้ตรงไหน" แต่คือ "งานไหนในธุรกิจเราที่ช้า แพง หรือพลาดบ่อย จนคุ้มที่จะลงทุนแก้" พอตอบข้อนี้ได้ คำตอบว่าจะใช้ AI หรือไม่ใช้ จะตามมาเอง และบ่อยครั้งคำตอบคือไม่ต้องใช้

สี่คำถามที่ต้องตอบให้ได้ก่อนอนุมัติงบ

หนึ่ง งานนี้ตัดสินใจอะไรอยู่ ถ้าระบบตอบมาแล้วไม่มีใครทำอะไรต่างจากเดิม แปลว่ายังไม่ใช่งานที่ควรลงทุน ระบบที่ให้คำตอบสวยแต่ไม่มีใครเปลี่ยนพฤติกรรมตาม คือรายงานที่แพงกว่าเดิม

สอง ถ้าตอบผิดจะเสียหายแค่ไหน AI ไม่ได้ให้คำตอบถูกทุกครั้ง และไม่มีวันให้ถูกทุกครั้ง งานที่ผิดแล้วแค่เสียเวลานิดหน่อยกับงานที่ผิดแล้วจ่ายเงินผิดคน เป็นคนละเรื่องกันโดยสิ้นเชิง ข้อนี้เป็นตัวกำหนดว่าต้องมีคนตรวจก่อนใช้ผลหรือไม่

สาม ข้อมูลที่จะใช้มีอยู่จริงหรือยัง อยู่ในสภาพที่ใช้ได้ไหม ข้อมูลที่กระจายอยู่ในไฟล์ Excel คนละเวอร์ชัน หรือพิมพ์มือไม่เป็นมาตรฐาน ต้องจัดบ้านก่อน และงานจัดบ้านมักใหญ่กว่างาน AI เอง

สี่ ถ้าไม่ใช้ AI แก้ปัญหานี้ยังไงได้บ้าง คำถามนี้สำคัญที่สุดและถูกข้ามบ่อยที่สุด หลายงานแก้ได้ด้วยการแก้ขั้นตอนทำงาน ทำแบบฟอร์มให้ดีขึ้น หรือเขียนเงื่อนไขธรรมดา ๆ ซึ่งถูกกว่า เร็วกว่า และอธิบายให้ผู้ตรวจสอบฟังได้ง่ายกว่ามาก

งานแบบไหนที่ AI ช่วยได้จริง และแบบไหนที่ยังไม่ควรฝาก

AI ทำได้ดีกับงานที่มีปริมาณมาก รูปแบบไม่ตายตัว และผิดพลาดได้บ้างโดยไม่เสียหายร้ายแรง เช่น สรุปเอกสารยาวให้อ่านเร็วขึ้น จัดกลุ่มคำถามลูกค้าที่เข้ามาเยอะ ๆ ร่างข้อความฉบับแรกให้คนแก้ต่อ หรือดึงข้อมูลออกจากเอกสารที่รูปแบบไม่เหมือนกัน งานพวกนี้เดิมกินเวลาคนเยอะและไม่ต้องการความแม่นยำระดับบัญชี

ส่วนงานที่ยังไม่ควรฝากให้ตัดสินเอง คืองานที่ต้องถูกต้องทุกครั้ง ต้องอธิบายที่มาได้ หรือมีผลทางกฎหมายและการเงินโดยตรง เช่น คำนวณภาษี ตัดสินใจอนุมัติสินเชื่อ วินิจฉัยทางการแพทย์ หรือสรุปยอดที่จะเอาไปยื่นหน่วยงานรัฐ งานกลุ่มนี้ AI ช่วยเป็นผู้ช่วยได้ แต่ต้องมีคนรับผิดชอบเซ็นชื่อกำกับเสมอ

เส้นแบ่งที่ใช้ได้จริงคือถามว่า ถ้าระบบตอบผิดหนึ่งครั้งในยี่สิบครั้ง ยังรับได้ไหม ถ้ารับได้ AI น่าจะเหมาะ ถ้ารับไม่ได้ ต้องออกแบบให้มีคนตรวจ หรือไม่ก็ยังไม่ใช่งานสำหรับ AI

ต้นทุนที่คนมักลืมตอนตั้งงบ

ค่าพัฒนาตอนแรกมักเป็นส่วนที่เล็กที่สุด สิ่งที่ลืมกันบ่อยคือค่าจัดข้อมูลให้พร้อมใช้ ค่าตรวจสอบคุณภาพคำตอบอย่างเป็นระบบ ไม่ใช่แค่ลองเล่นดูแล้วรู้สึกว่าดี และค่าคนที่ต้องคอยตรวจผลในช่วงแรก

อีกก้อนที่มองไม่เห็นคือค่าใช้จ่ายต่อการเรียกใช้ ระบบที่ผู้ใช้กดวันละไม่กี่ครั้งกับระบบที่ยิงอัตโนมัติทุกรายการ ต่างกันหลายเท่าตัวเมื่อคิดเป็นรายเดือน ควรประเมินตั้งแต่ต้นว่าจะถูกเรียกใช้บ่อยแค่ไหนเมื่อใช้งานจริง ไม่ใช่ตอนทดลอง

และต้นทุนที่แพงที่สุดคือการต้องรื้อทีหลัง ระบบที่ต่อ AI เข้าไปในทุกจุดตั้งแต่วันแรก พอพบว่าไม่คุ้มก็ถอดออกยาก เพราะมันฝังอยู่ในขั้นตอนทำงานไปแล้ว การออกแบบให้ถอดออกได้ตั้งแต่ต้นจึงถูกกว่าเสมอ

วิธีเริ่มที่ไม่ต้องเดิมพันทั้งงบ

เริ่มจากงานเดียวที่วัดผลได้ เลือกงานที่วันนี้ใช้เวลาคนชัดเจน เช่น พนักงานสามคนใช้เวลาวันละสองชั่วโมงคีย์ข้อมูลจากใบสั่งซื้อ ตัวเลขแบบนี้ทำให้ตอบได้จริงว่าคุ้มหรือไม่คุ้ม ไม่ใช่ความรู้สึก

ตั้งเกณฑ์ก่อนเริ่มว่าแบบไหนเรียกว่าสำเร็จ และแบบไหนเรียกว่าเลิก เขียนเป็นตัวเลขไว้ตั้งแต่วันแรก ทีมที่ไม่มีเกณฑ์เลิกมักจะเลี้ยงโปรเจกต์ที่ไม่ได้ผลไว้นานเกินจำเป็น เพราะลงแรงไปเยอะแล้ว

ให้คนยังอยู่ในวงตัดสินใจในช่วงแรกเสมอ ปล่อยให้ระบบเสนอ แล้วให้คนกดยืนยัน เก็บสถิติว่าคนแก้คำตอบบ่อยแค่ไหนและแก้ตรงไหน ข้อมูลชุดนี้มีค่ากว่าเดโมทุกอัน เพราะมันบอกว่าระบบพร้อมจะทำงานเองหรือยัง

และวางให้ถอดออกได้ ถ้าเดือนที่สามพบว่าไม่คุ้ม ควรปิดได้โดยที่งานเดิมยังเดินต่อได้ตามปกติ นั่นคือความแตกต่างระหว่างการทดลองที่ควบคุมได้ กับการเดิมพัน