3-4 ปีที่ผ่านมา แทบทุกองค์กรลงมือทำโปรเจกต์ Generative AI กันหมด แต่ความจริงที่หลายคนไม่อยากได้ยิ คือ ครึ่งหนึ่งของโปรเจกต์เหล่านั้น ไปไม่ถึงฝั่ง Gartner พบว่าภายในสิ้นปีที่ผ่านมา อย่างน้อย 50% ของโปรเจกต์ GenAI ถูกยกเลิกหลังจบขั้น proof of concept (POC) ด้วยสาเหตุอย่างคุณภาพข้อมูลที่ย่ำแย่ การควบคุมความเสี่ยงที่ไม่รัดกุม ต้นทุนที่บานปลาย หรือคุณค่าทางธุรกิจที่ไม่ชัดเจน
ที่น่าสนใจ คือ อุปสรรคตัวจริงมักไม่ใช่ตัวเทคโนโลยี แต่เป็น วิธีที่องค์กรลงมือทำ ต่างหาก และองค์กรที่เข้าใจพื้นฐานเหล่านี้จริงๆ สามารถผลักโปรเจกต์จาก pilot ขึ้น production ได้ในอัตราที่สูงกว่าองค์กรอื่นถึงเท่าตัว
บทความนี้สรุป 5 จุดล้มเหลวที่ Gartner วิเคราะห์จากการนำ GenAI ไปใช้จริงหลายร้อยกรณี พร้อมแนวทางแก้ในแต่ละจุด
1: มองไม่เห็นคุณค่าทางธุรกิจ (Lack of business value)
นี่ คือ สาเหตุที่พื้นฐานที่สุด เมื่อองค์กรไล่ตาม demo ที่ดูหวือหวา หรือ พยายามเอา GenAI ไปใส่ทุกที่พร้อมกัน ทรัพยากรก็ถูกกระจายไปกับ initiative ที่ impact ต่ำ พอไม่มีกรอบจัดลำดับความสำคัญหรือ success metric ที่ชัด โปรเจกต์ก็วัดคุณค่าไม่ได้ และกลายเป็นเป้าแรกที่โดนตัดทันทีที่งบเริ่มตึงหรือผู้บริหารเริ่มถามหา ROI
ทางออก: สร้างกรอบจัดลำดับความสำคัญของ use case อย่างเป็นระบบ ให้สอดคล้องทั้งกับความทะเยอทะยานด้าน AI ขององค์กรและความเป็นไปได้ทางเทคนิค จากนั้นกำหนดและติดตามผลลัพธ์ทางธุรกิจที่วัดได้จริงอย่างต่อเนื่อง เช่น productivity ที่เพิ่มขึ้น ต้นทุนที่ลดลง หรือความพึงพอใจของลูกค้าที่ดีขึ้น
2: ข้อมูลยังไม่พร้อม (Data isn’t ready)
ต่างจากปัญหาเทคนิคอื่น ๆ ข้อมูลคุณภาพต่ำส่งผลกระทบต่อ ทุกแผนก ที่พยายามใช้ GenAI มันทำให้ได้ผลลัพธ์ที่เชื่อถือไม่ได้ ทำให้ระบบ retrieval augmented generation (RAG) ล้มเหลว และทำให้ fine-tune โมเดลได้ไม่มีประสิทธิภาพ
ทางออก: วางรากฐานข้อมูลให้พร้อมสำหรับ AI ควบคู่ไปกับการขยายโปรเจกต์ GenAI ข้อมูลต้องผ่านการคัดกรอง ถูกต้อง เสริมคุณค่า และมี governance ที่ดี นอกจากนี้ควรเทรนทีมเรื่องการจัดการข้อมูลสำหรับ GenAI โดยเฉพาะ ทั้งการสร้าง data pipeline สำหรับ RAG การใช้ vector database และการใช้ knowledge graph เพื่อจัดระเบียบและดึงข้อมูลที่เกี่ยวข้องออกมาใช้
3: ต้นทุนรวมที่บานปลาย (Escalating total cost of ownership)
ต้นทุนที่พุ่งขึ้นสามารถฆ่าโปรเจกต์ได้ แม้โปรเจกต์นั้นจะประสบความสำเร็จในเชิงเทคนิคและสร้างคุณค่าให้ผู้ใช้แล้วก็ตาม ค่า token ต่อครั้งที่ดูเหมือนน้อยนิด จะกลายเป็นฝันร้ายด้าน total cost of ownership (TCO) ทันทีเมื่อคูณด้วยผู้ใช้หลักพันคนและ use case หลักร้อย องค์กรมักประเมินค่าใช้จ่ายด้าน operation ต่ำเกินไป เพราะมองไม่เห็นว่าต้นทุนจะ scale อย่างไร โปรเจกต์ที่ดูคุ้มตอน POC จึงกลายเป็นหลุมดำงบประมาณตอนขึ้น production และถูกยกเลิกกะทันหัน
ทางออก: ทำ GenAI FinOps ตั้งแต่วันแรก ให้ความรู้กับผู้เกี่ยวข้องทุกฝ่าย ไม่ใช่แค่ทีม IT เกี่ยวกับผลด้านต้นทุนของแนวทาง deploy การเลือกโมเดล และการใช้ token หลีกเลี่ยงการ customize โมเดลราคาแพงเมื่อไม่จำเป็น ใช้ prompt caching เพื่อลด API call ที่ซ้ำซ้อน และใช้ model routing เพื่อส่ง query ไปยังโมเดลขนาดที่เหมาะสมกับงาน พร้อมทั้ง monitor ต้นทุนอย่างต่อเนื่องด้วยเครื่องมือที่ช่วยจัดสรรและมองเห็นค่าใช้จ่ายได้จริง
4: มอง Responsible AI เป็นเรื่องรอง (Responsible AI is an afterthought)
การผลัก responsible AI ไปเป็นเรื่องที่ค่อยคิดทีหลัง เท่ากับเปิดช่องให้เกิดการละเมิดกฎระเบียบ ความเสียหายต่อแบรนด์ อันตรายต่อผู้ใช้ และการถูกสั่งปิดโปรเจกต์ GenAI ไม่เพียงสืบทอดความเสี่ยงเดิมของ AI แต่ยังเพิ่มความเสี่ยงใหม่อย่าง deepfake และ hallucination เข้ามาด้วย หากไม่มีการควบคุมด้านความปลอดภัย ความเป็นส่วนตัว ความรับผิดชอบ และความเป็นธรรม องค์กรก็เสี่ยงตั้งแต่เสียชื่อเสียงไปจนถึงความรับผิดทางกฎหมาย และความเสี่ยงแบบนี้มักเป็นเรื่องที่ C-suite และบอร์ดให้ความสำคัญเป็นพิเศษ
ทางออก: วาง responsible AI ไว้เป็นหัวใจของงาน GenAI ตั้งแต่เริ่ม โดยยึด 4 เสาหลัก:
- Safety: ป้องกันผลลัพธ์ที่เป็นอันตรายและทำให้โมเดลเชื่อถือได้
- Privacy: ปกป้องข้อมูลที่อ่อนไหว
- Accountability: สร้าง governance และความเป็นเจ้าของที่ชัดเจน
- Fairness: เลี่ยง bias และ toxicity เพื่อผลลัพธ์ที่เป็นธรรม
พร้อมนำเครื่องมือสำคัญมาใช้ ทั้งการ validate และกรอง input ระบบ monitor และ observability สำหรับ output การติดตาม compliance และเก็บ audit trail รวมถึงการควบคุมความปลอดภัยของการเข้าถึงข้อมูลและโมเดล และที่สำคัญ ต้องกำหนดให้ชัดว่า ตรงไหนไม่ควรใช้ GenAI เพื่อกันหายนะที่พอคาดเดาได้ล่วงหน้า
5: บริหารความเปลี่ยนแปลงได้ไม่ดี (Poor change management)
ต่อให้เครื่องมือ GenAI เก่งแค่ไหน ถ้าไม่มีการบริหารความเปลี่ยนแปลง (change management) คนก็แทบไม่ใช้ อัตราการใช้งานจะค่อย ๆ ตกลง พนักงานรู้สึกถูกคุกคามมากกว่าถูกเสริมพลัง สุดท้ายองค์กรได้คุณค่ากลับมาเพียงเศษเสี้ยว ขณะที่ทีมเทคนิคก็ได้แต่สงสัยว่าทำไมโซลูชันที่ตั้งใจทำถึงไม่มีใครแตะ
ทางออก: ปฏิบัติกับ change management เหมือนเป็นข้อกำหนดชั้นหนึ่ง ไม่ใช่เรื่องปะหน้า ลองทำ empathy map เพื่อเข้าใจว่า GenAI กระทบต่องาน ตัวตน และ work-life balance ของพนักงานอย่างไร เน้นการ เสริม ความสามารถของคน ไม่ใช่ทำให้รู้สึกว่างานกำลังจะหายไป เมื่อทำได้ ควรฝัง GenAI เข้าไปใน workflow ที่มีอยู่เดิม แทนที่จะบังคับให้ใช้เครื่องมือและกระบวนการใหม่ ทดลอง UX กับผู้ใช้จริง แล้วปรับตาม feedback ที่ได้
ร้อยเรียงทั้ง 5 จุดเข้าด้วยกัน
ถ้าให้เลือกสาเหตุเดียวที่ทำให้โปรเจกต์ GenAI ล้มบ่อยที่สุด คำตอบ คือ การเลือก use case ผิด บวกกับการมองไม่เห็นคุณค่าทางธุรกิจ องค์กรที่ไม่ได้กำหนด success metric ที่เจาะจงและไม่ได้จับ GenAI ให้สอดคล้องกับเป้าหมายเชิงกลยุทธ์ มักมีอัตราล้มเหลวสูงที่สุด นี่คือเหตุผลที่ Gartner แนะนำให้มอง GenAI เป็น โครงการเปลี่ยนแปลงทางธุรกิจ ไม่ใช่แค่การ deploy เทคโนโลยีชิ้นหนึ่ง
อีกกับดักที่พบบ่อย คือ "productivity trap" ที่เกิดเมื่อองค์กรปล่อยเครื่องมือ GenAI แบบ general-purpose ออกไปโดยไม่มี workflow หรือ governance ที่ชัด ทางออกคือโฟกัสไปที่ use case ที่มีคุณค่าสูงและมีขอบเขตชัด ซึ่ง GenAI เข้าไปเสริมความสามารถของคนใน workflow ที่กำหนดไว้ เช่น งานบริการลูกค้า หรือการช่วยเขียนโค้ดภายในสภาพแวดล้อมการพัฒนา
และเมื่อพูดถึงต้นทุน สิ่งที่เปลี่ยนต้นทุนให้กลายเป็นจุดล้มเหลวคือการที่องค์กร มองไม่เห็น ว่าเงินไหลไปไหน ทั้งค่า token ค่า host โมเดล และค่า inference ล้วนกินงบเพิ่มขึ้นเมื่อการใช้งาน scale องค์กรที่ให้ความรู้กับผู้เกี่ยวข้องเรื่องต้นทุนและวางกลยุทธ์ optimize prompt ไว้ล่วงหน้า จะยืนระยะกับโปรเจกต์ GenAI ได้ดีกว่าในระยะยาว
สุดท้ายแล้ว GenAI เป็นเทคโนโลยีระดับเปลี่ยนยุคที่ช่วยองค์กรรับมือโจทย์ยาก ๆ และสร้างความได้เปรียบที่ยั่งยืนได้จริง แต่กุญแจไม่ได้อยู่ที่ตัวเทคโนโลยี มันอยู่ที่การวางกรอบให้ถูกตั้งแต่ต้น ทั้งเรื่องคุณค่า ข้อมูล ต้นทุน ความรับผิดชอบ และคน