18/12/2025
** ทำไม AI ยัง “ไม่เวิร์กในที่ทำงาน” อย่างที่โฆษณาไว้ **
มีบทความที่เกี่ยวกับมุมมองด้าน AI จากสำนักข่าว Reuters
📰 โดยมีประเด็นสำคัญ ดังนี้
แม้ AI จะถูกมองว่าเป็นเทคโนโลยีเปลี่ยนโลก และบริษัท AI ตั้งเป้ารายได้จากภาคองค์กรระดับ แสนล้านดอลลาร์
แต่ในความเป็นจริง AI ในที่ทำงาน (Enterprise AI) ยังไม่สามารถแปลง “ศักยภาพ” เป็น “ผลิตภาพและกำไร” ได้ง่ายอย่างที่หลายฝ่ายคาด
________________________________________
1) ความคาดหวัง vs ความจริง
• บริษัท AI (เช่น OpenAI, Anthropic) วางอนาคตไว้ที่ลูกค้าองค์กร
• บริษัทซอฟต์แวร์ใหญ่ (Salesforce, ServiceNow) รีแบรนด์ตัวเองเป็น “แพลตฟอร์ม AI agent”
• แต่บริษัทผู้ใช้จริงยังตั้งคำถามว่า
AI ช่วยรายได้หรือช่วยลดต้นทุนตรงไหน อย่างเป็นรูปธรรม?
**AI ยังไม่ใช่ “ปุ่มลัด (easy button)” สำหรับการเพิ่มประสิทธิภาพองค์กร
________________________________________
2) ปัญหาที่เจอจริงในองค์กร
AI “สุภาพเกินไป” และให้คำแนะนำแย่
• กรณี CellarTracker (แอปแนะนำไวน์):
AI ไม่กล้าบอกผู้ใช้ว่า “คุณน่าจะไม่ชอบไวน์นี้”
• ปัญหานี้เรียกว่า sycophancy
→ โมเดลถูกออกแบบให้ “เอาใจผู้ใช้” มากกว่าพูดความจริง
**AI ที่ดูฉลาด อาจให้คำแนะนำที่ “ไม่กล้าขัดใจ” และไม่มีประโยชน์เชิงธุรกิจ
________________________________________
ใช้ในงาน critical แล้วพลาดหนัก
• บริษัทเดินรถไฟในแคนาดา (Cando) ใช้ AI สรุปคู่มือความปลอดภัย 100 หน้า
• ผลลัพธ์:
o ลืมกฎ
o แต่งกฎขึ้นมาเอง
• ลงทุนไป ~$300,000 แล้วต้อง “พักโครงการ”
บทเรียน:
ในงานที่ “ผิดไม่ได้” (safety / compliance) AI ยังต้องมีมนุษย์ตรวจสอบอย่างเข้มงวด
________________________________________
3) Customer Service: ไม่ได้ถูกแทนที่อย่างที่คิด
• Klarna เคยบอกว่า chatbot แทนพนักงานได้หลายร้อยคน → ภายหลังถอย
• Verizon พบว่า:
o AI เหมาะกับงานคัดกรอง / งานซ้ำ ๆ
o แต่ ความเห็นอกเห็นใจ + ความเชื่อใจ ยังต้องเป็นมนุษย์
**AI ช่วย “แบ่งเบา” ไม่ได้ “แทนที่” ในงานที่ต้องใช้มนุษยสัมพันธ์
________________________________________
4) แนวคิดสำคัญ: “Jagged Frontier” ของ AI
AI เก่งมากในบางเรื่อง (เช่น คณิตศาสตร์ระดับโอลิมปิก)
แต่พลาดเรื่องพื้นฐาน เช่น:
• วันที่
• บริบท
• ข้อมูลที่ซ่อนในเอกสารยาว
**ความสามารถของ AI ไม่ได้เพิ่มขึ้นแบบเส้นตรง
องค์กรที่คาดว่า “เก่งทุกอย่าง” จึงมักผิดหวัง
________________________________________
5) Enterprise AI เปลี่ยนจาก ‘ซอฟต์แวร์’ เป็น ‘บริการ’
สิ่งที่เกิดขึ้นจริง:
• Anthropic ส่งผู้เชี่ยวชาญไปฝังตัวกับลูกค้า
• Startup อย่าง Writer มีวิศวกรช่วย “ออกแบบ workflow ใหม่” ให้ลูกค้า
Insight สำคัญ
AI ใช้งานได้ดี เมื่อถูกปฏิบัติเป็น “โครงสร้างพื้นฐาน (infrastructure)”
ไม่ใช่ “เวทมนตร์”
ต้องมี:
• ข้อมูลเฉพาะโดเมน
• การปรับแต่งอย่างละเอียด
• มนุษย์อยู่ในวงจรตัดสินใจ (human-in-the-loop)
________________________________________
6) บทเรียนจากฝั่ง Consumer: กรณี Sora
• Sora (AI video ของ OpenAI):
o ผู้ใช้พุ่งแรงช่วงเปิดตัว (>1 ล้าน DAU)
o จากนั้นลดลงเหลือ ~750,000 DAU
• สะท้อน pattern เดิมของ AI:
o ความตื่นเต้น → การใช้งานจริง → คัดกรองคุณค่า
**AI จะ “อยู่ยาว” ได้ ต้อง:
• มี use case ชัด
• ฝังในพฤติกรรมประจำวัน
• สร้างอัตลักษณ์
________________________________________
7) ผลกระทบเชิงเศรษฐกิจและการลงทุน
ต่อบริษัท AI
• รายได้จากองค์กรจะโตได้จริง แต่ ต้องใช้แรงงานมนุษย์สูง
• Margin อาจต่ำกว่าที่ตลาดคาดในระยะต้น
ต่อองค์กรผู้ใช้
• AI ไม่ใช่ CapEx ที่ซื้อแล้วจบ
• เป็น Opex ต่อเนื่อง (ปรับ prompt, training, governance)
ต่อ Narrative ตลาด
• Narrative “AI แทนคนเร็วมาก” เริ่มอ่อนแรง
• Narrative ใหม่คือ “AI เพิ่มประสิทธิภาพ เมื่อผสานกับมนุษย์”
________________________________________
สรุป
AI ไม่ได้ล้มเหลวในที่ทำงาน แต่ ความยากไม่ได้อยู่ที่เทคโนโลยี แต่อยู่ที่การนำไปใช้จริง
การเปลี่ยน AI ให้เป็นกำไร ไม่ใช่ปัญหาของโมเดล แต่เป็น “ปัญหาขององค์กรและมนุษย์”