ทุกวันนี้คงไม่ต้องถามแล้วว่า องค์กรไทยใช้ AI หรือยัง เพราะคำตอบน่าจะเป็น ‘ใช้กันบ้างแล้ว’ ไม่ว่าจะเอามาช่วยทำงาน วิเคราะห์ข้อมูล ดูแลลูกค้า หรือทดลองทำโปรเจกต์ใหม่ๆ
แต่คำถามที่น่าสนใจกว่าคือ แล้วมีองค์กรไทยกี่แห่งที่เอา AI ไปใช้จริงในระดับที่ครอบคลุมทั้งองค์กร และสร้างผลลัพธ์ทางธุรกิจได้อย่างต่อเนื่อง?
ประเด็นนี้ ‘บุศรินทร์ ประดิษฐยนต์’ Country Head ‘เอสที เทเลมีเดีย โกลบอล ดาต้าเซ็นเตอร์ ประเทศไทย’ นำงานวิจัยของ ‘ST Telemedia Global Data Centres’ หรือ ‘STT GDC’ มาเล่าให้ฟัง ซึ่งพบว่า ไทยยังมีช่องว่างตรงนี้อยู่ไม่น้อย
งานวิจัย ‘Mind the Gap: Bridging the AI Infrastructure Readiness Divide’ ซึ่งสำรวจองค์กรชั้นนำและกลุ่ม Digital Native 60 แห่งในไทย พบว่า 78% ขององค์กรที่สำรวจขยับพ้นช่วงทดลองใช้ AI มาอยู่ในระดับ ‘ผู้สร้าง’ หรือ Builder แล้ว แต่ยังไม่มีองค์กรใดเลยที่ไปถึงระดับ ‘ผู้นำ’ หรือ Leader ขณะที่มีองค์กรไม่ถึง 10% ที่มีความพร้อมในการรองรับ AI Workload ได้อย่างมีประสิทธิภาพ
พูดง่ายๆ คือ ไทยไม่ได้อยู่ในจุดที่ยังไม่รู้ว่า AI คืออะไร แต่กำลังติดอยู่ตรงกลางระหว่าง ‘ลองใช้’ กับ ‘เอาไปใช้จริงในระดับใหญ่’
เรื่องนี้น่าสนใจขึ้นไปอีกเมื่อมองคู่กับภาพรวมเศรษฐกิจดิจิทัลของไทย เพราะข้อมูลจาก ‘สำนักงานส่งเสริมเศรษฐกิจดิจิทัล’ หรือ ‘depa’ ระบุว่า อุตสาหกรรมดิจิทัลของไทยคาดว่าจะมีมูลค่าประมาณ 2.9 ล้านล้านบาทภายในปี 2569 หรือคิดเป็นราว 15% ของ GDP ประเทศ ซึ่งแน่นอนว่าความต้องการด้านคลาวด์และดาต้าเซ็นเตอร์ก็ต้องเติบโตตามไปด้วย
ปัญหาจึงไม่ได้อยู่แค่ว่าไทยมี AI ให้ใช้หรือไม่ แต่คือองค์กรมีความพร้อมมากพอที่จะเอา AI ไปใช้งานจริงแค่ไหน
หนึ่งในเหตุผลสำคัญคือเรื่องเงิน งานวิจัยเดียวกันพบว่า 57% ของผู้นำธุรกิจไทยมองว่า ข้อจำกัดด้านงบประมาณและความยากในการวัด ROI เป็นอุปสรรคสำคัญที่สุด ขณะที่ 76% ขององค์กรที่สำรวจใช้งบไอทีสำหรับ AI ไม่ถึง 5%
ซึ่งก็เข้าใจได้ เพราะสำหรับหลายองค์กร AI ยังอยู่ในสถานะของเทคโนโลยีที่ ‘น่าสนใจ’ แต่ยังตอบไม่ได้เต็มปากว่าจะสร้างรายได้หรือลดต้นทุนได้เท่าไร
แต่ในอีกมุมหนึ่ง การรอดูผลตอบแทนให้ชัดก่อนค่อยลงทุน ก็อาจกลายเป็นปัญหาเสียเอง เพราะองค์กรที่นำ AI เข้าไปอยู่ในกระบวนการทำงานจริงเริ่มเห็นประโยชน์ที่จับต้องได้แล้ว เช่น ธุรกิจธนาคาร การเงิน และประกันภัยที่ใช้ AI บริหารสภาพคล่องเงินสดในตู้ ATM ช่วยประเมินราคาที่ดินจากเดิมใช้เวลาหลายวันเหลือเพียงไม่กี่นาที รวมถึงตรวจจับบัญชีม้าก่อนเกิดความเสียหาย
นี่จึงเป็นความแตกต่างสำคัญระหว่างการ ‘มี AI’ กับการ ‘ใช้ AI ให้เกิดมูลค่า’ เพราะการเอา AI มาใส่ไว้ในโปรเจกต์หนึ่งโปรเจกต์อาจไม่ได้เปลี่ยนธุรกิจมากนัก แต่เมื่อ AI ถูกนำไปเชื่อมกับกระบวนการทำงานหลายส่วน ตั้งแต่ข้อมูล การปฏิบัติงาน ไปจนถึงการตัดสินใจ ผลลัพธ์ที่ได้ก็มีโอกาสขยายตามไปด้วย
อีกเรื่องที่องค์กรต้องคิดให้เร็วขึ้นคือ ‘กฎ’ เพราะยิ่ง AI ถูกนำมาใช้กว้างขึ้น ความเสี่ยงก็ยิ่งตามมา
ประเทศไทยกำลังอยู่ระหว่างการจัดทำร่างกฎหมาย AI โดย ‘สำนักงานพัฒนาธุรกรรมทางอิเล็กทรอนิกส์’ หรือ ‘ETDA’ ซึ่งมุมมองหนึ่งที่น่าสนใจคือ กฎระเบียบไม่จำเป็นต้องเป็นสิ่งที่ทำให้การใช้ AI ช้าลงเสมอไป แต่ถ้าวางกรอบให้ชัด กฎก็สามารถทำหน้าที่เหมือน Guardrails ที่ช่วยให้องค์กรทดลองและพัฒนา AI ได้เร็วขึ้น โดยไม่ต้องกังวลว่าทุกการทดลองจะกลายเป็นความเสี่ยงขององค์กร
เรื่องนี้สำคัญขึ้นเรื่อยๆ เพราะเมื่อพนักงานสามารถเข้าถึงเครื่องมือ AI ได้ง่ายขึ้น ปัญหาอย่าง Shadow AI หรือการที่พนักงานนำ AI ที่องค์กรไม่ได้อนุมัติมาใช้กับข้อมูลของบริษัท ก็มีโอกาสเกิดขึ้นตามมา
ดังนั้น การกำกับดูแล AI ที่ดีอาจไม่ใช่การตั้งประตูหลายชั้นจนไม่มีใครกล้าทดลอง แต่เป็นการกำหนดกรอบที่ชัดเจนว่าอะไรทำได้ อะไรทำไม่ได้ และข้อมูลแบบไหนสามารถนำไปใช้กับ AI ได้
อย่างไรก็ตาม ต่อให้เรื่องคนและกฎระเบียบพร้อม ก็ยังมีอีกโจทย์ที่หลายองค์กรอาจมองข้าม นั่นคือ ‘โครงสร้างพื้นฐาน’ AI รุ่นใหม่ต้องการพลังประมวลผลและพลังงานมากขึ้น รวมถึงต้องจัดการความร้อนจากฮาร์ดแวร์ที่เพิ่มขึ้นด้วย งานวิจัยของ STT GDC พบว่า 50% ขององค์กรไทยที่สำรวจลงทุนใน GPU ประสิทธิภาพสูงแล้ว แต่มีเพียง 15% ที่เริ่มนำระบบระบายความร้อนด้วยของเหลว หรือ Liquid Cooling มาใช้
พูดอีกแบบคือ บางองค์กรอาจซื้อ ‘เครื่องยนต์’ สำหรับ AI มาแล้ว แต่โครงสร้างพื้นฐานที่ต้องรองรับเครื่องยนต์เหล่านั้นยังตามไม่ทัน และนี่อาจเป็นหนึ่งในเหตุผลที่ทำให้การทดลอง AI ไม่สามารถขยายไปสู่ระดับ Production ได้อย่างเต็มที่
ดังนั้น การขยับจาก Builder ไปสู่ Leader จึงไม่ได้หมายความว่าองค์กรต้องมีโปรเจกต์ AI เยอะที่สุด แต่ต้องเริ่มคิดตั้งแต่ต้นว่าระบบที่สร้างขึ้นมาจะรองรับการขยายตัวในอนาคตได้อย่างไร ทั้งเรื่องโครงสร้างพื้นฐาน สถาปัตยกรรมแบบ Hybrid การใช้งาน On-premise, Colocation, และ Cloud รวมถึงการจัดการข้อมูลให้เหมาะกับความต้องการของแต่ละองค์กร
ขณะเดียวกัน องค์กรก็ไม่จำเป็นต้องทำทุกอย่างด้วยตัวเอง เพราะเมื่อการใช้งาน AI มีความซับซ้อนขึ้น การเลือกพาร์ตเนอร์ที่มีความเชี่ยวชาญเฉพาะด้าน ทั้งระบบ High-Density และ Liquid Cooling ก็กลายเป็นอีกส่วนที่ช่วยให้องค์กรขยายการใช้งาน AI ได้เร็วขึ้น
ท้ายที่สุดแล้ว ความท้าทายของ AI ในไทยอาจไม่ใช่เรื่องว่า “เรามี AI หรือยัง” แต่เป็นคำถามว่า “เราทำให้ AI กลายเป็นส่วนหนึ่งของธุรกิจได้จริงหรือยัง” เพราะการเป็นผู้นำด้าน AI ไม่ได้วัดจากจำนวนโปรเจกต์ทดลอง หรือจำนวนครั้งที่องค์กรประกาศว่าเริ่มใช้ AI แต่ดูจากความสามารถในการเปลี่ยนเทคโนโลยีเหล่านี้ให้กลายเป็นผลลัพธ์ทางธุรกิจที่วัดได้
และถ้า 78% ขององค์กรไทยไปถึงระดับ Builder แล้ว แต่ยังไม่มีใครไปถึง Leader เลย ช่องว่างที่ต้องเร่งเติมหลังจากนี้จึงไม่ใช่การทำให้คนไทยรู้จัก AI มากขึ้นอย่างเดียว แต่คือการทำให้ AI ที่ทดลองอยู่ในวันนี้ เดินทางไปถึงการใช้งานจริงในระดับที่สร้างผลกระทบต่อธุรกิจและเศรษฐกิจได้จริง
ที่มา: ข่าวประชาสัมพันธ์
ติดตามข่าวสารจาก Brand Inside ได้จาก Facebook ของเรา
