ธุรกิจควรเริ่มใช้ AI กับงานไหนก่อน จึงจะตรวจผลได้ชัดเจน?

ธุรกิจควรเริ่มใช้ AI กับงานที่เกิดซ้ำ มีขอบเขตชัด ใช้ข้อมูลที่องค์กรอนุญาต และมีวิธีตรวจว่าผลลัพธ์ถูกต้องหรือใช้งานได้ งานนั้นควรมีความเสี่ยงที่ควบคุมได้ พร้อมผู้รับผิดชอบตรวจทานก่อนส่งต่อ

สำหรับ Generative AI ซึ่งใช้สร้างข้อความ ภาพ หรือเนื้อหาอื่น งานเริ่มต้นอาจเป็นการร่างอีเมลจากข้อมูลที่ยืนยันแล้ว สรุปเอกสารที่มีต้นฉบับให้ตรวจ หรือจัดหมวดคำถามเพื่อให้ทีมทบทวน

แต่ความเหมาะสมขึ้นอยู่กับรายละเอียดของงาน ข้อมูล และผลกระทบหากผิดพลาด ผู้บริหารจึงควรเลือกจากปัญหาที่ต้องการแก้ และกำหนดวิธีตรวจผลก่อนเลือกเครื่องมือ

ประเด็นสำคัญสำหรับผู้บริหาร

• งานที่ทำบ่อยมีโอกาสสร้างประโยชน์สะสม แต่ต้องตรวจความเสี่ยงและต้นทุนตรวจแก้ด้วย

• ข้อมูลต้องพร้อมทั้งด้านเนื้อหาและสิทธิในการนำไปใช้กับเครื่องมือ

• การวัดเวลาต้องรวมการเตรียมข้อมูล ตรวจทาน และแก้ไข

• ผลทดลองที่ดีควรนำไปสู่การขยายขอบเขตอย่างเป็นขั้นตอน พร้อมผู้รับผิดชอบชัดเจน

ก่อนเลือกงาน ให้ระบุปัญหาทางธุรกิจก่อน

คำว่า “ใช้ AI เพิ่มประสิทธิภาพ” ยังไม่ชัดพอที่จะวัดผล ควรระบุว่ากระบวนการปัจจุบันติดตรงไหน เช่น

• ทีมใช้เวลาร่างข้อความจากข้อมูลชุดเดิมซ้ำ ๆ

• ต้องอ่านเอกสารจำนวนมากเพื่อค้นข้อมูลเฉพาะ

• คำถามลูกค้าต้องถูกจัดหมวดก่อนส่งต่อ

• ข้อมูลกระจัดกระจายจนเตรียมรายงานได้ช้า

จากนั้นถามว่า AI จะช่วยขั้นตอนใด และความเร็วในขั้นตอนนั้นสัมพันธ์กับผลลัพธ์รวมอย่างไร

ตัวอย่างเช่น หากรายงานเสร็จช้าเพราะรอข้อมูลจากหลายฝ่าย การให้ AI เขียนรายงานเร็วขึ้นอาจยังไม่แก้เวลารอที่เป็นปัญหาหลัก

ใช้ 4 เกณฑ์เลือกงานแรกสำหรับ AI

กรอบนี้เป็นข้อเสนอสำหรับการคัดเลือกงานทดลองของธุรกิจ ไม่ใช่คะแนนมาตรฐานหรือแบบประเมินที่ผ่านการวิจัย

1. ความถี่: งานเกิดซ้ำและมีภาระมากเพียงใด?

งานที่เกิดซ้ำทำให้มีโอกาสเปรียบเทียบผลหลายครั้ง และช่วยดูว่าประโยชน์ที่พบเกิดขึ้นอย่างสม่ำเสมอหรือไม่

ควรตรวจทั้งจำนวนครั้งและเวลาที่ใช้จริง งานที่ทำทุกวันแต่ใช้เวลาเพียงเล็กน้อยอาจให้ประโยชน์น้อยกว่างานที่ทำเป็นรอบแต่ใช้ทรัพยากรมาก

ข้อมูลที่ควรเก็บ

• ความถี่และจำนวนงานในช่วงเวลาที่เลือก

• เวลาต่อชิ้นจนพร้อมใช้งาน

• ความแตกต่างของงานง่ายและงานซับซ้อน

• จำนวนคนที่เกี่ยวข้อง

• สาเหตุของงานแก้หรือการส่งกลับ

ข้อมูลเหล่านี้เป็นจุดตั้งต้นสำหรับเปรียบเทียบวิธีเดิมกับวิธีที่ใช้ AI

2. ความเสี่ยง: หาก AI ผิดพลาด จะกระทบใคร?

ความเสี่ยงไม่ได้ขึ้นอยู่กับว่าเป็นงานเขียนหรือวิเคราะห์ แต่ขึ้นอยู่กับผลที่จะนำไปใช้

ร่างอีเมลภายในอาจตรวจแก้ได้ก่อนส่ง ส่วนข้อความเดียวกันหากยืนยันราคา เงื่อนไขสัญญา หรือคำแนะนำเฉพาะทาง อาจมีผลกระทบมากกว่า

NIST ระบุว่า Generative AI สามารถสร้างข้อมูลผิดและนำเสนออย่างมั่นใจได้ รวมถึงเหตุผลหรือแหล่งอ้างอิงที่ไม่ถูกต้อง จึงไม่ควรใช้ความลื่นไหลของคำตอบเป็นหลักฐานว่าข้อมูลถูกต้อง nvlpubs.nist.gov

คำถามก่อนทดลอง

• ความผิดพลาดตรวจพบได้ก่อนนำไปใช้หรือไม่?

• หากผิดแล้ว แก้กลับได้เพียงใด?

• มีผลต่อเงิน ลูกค้า ความปลอดภัย หรือสิทธิของบุคคลหรือไม่?

• ใครมีความรู้เพียงพอที่จะตรวจ?

• ขั้นตอนใดต้องให้คนยืนยันก่อนดำเนินการ?

งานแรกควรมีขอบเขตที่องค์กรสามารถกำกับและหยุดได้เมื่อพบปัญหา

3. ข้อมูล: มีข้อมูลที่เหมาะสมและได้รับอนุญาตให้ใช้หรือยัง?

AI ต้องได้รับข้อมูลที่สัมพันธ์กับงาน หากต้นฉบับไม่ครบ ล้าสมัย หรือขัดกัน ผลลัพธ์ก็อาจนำไปใช้งานยาก

นอกจากคุณภาพข้อมูล ต้องตรวจด้วยว่าองค์กรอนุญาตให้นำข้อมูลประเภทนั้นเข้าเครื่องมือหรือไม่ และเงื่อนไขของบริการรองรับการใช้งานที่ต้องการเพียงใด

รายการที่ควรตรวจ

• แหล่งข้อมูลและผู้รับผิดชอบ

• เวอร์ชันที่ใช้และความเป็นปัจจุบัน

• ความครบถ้วนของข้อมูล

• สิทธิในการเข้าถึงและนำไปใช้

• ข้อมูลส่วนบุคคลหรือความลับที่ต้องจัดการ

• การตั้งค่าการเก็บและใช้ข้อมูลของเครื่องมือที่เลือก

หากข้อมูลยังไม่พร้อม อาจเริ่มจากชุดข้อมูลตัวอย่างที่จัดเตรียมอย่างเหมาะสม เพื่อทดสอบวิธีทำงานก่อนใช้กับข้อมูลจริง

4. การตรวจคุณภาพ: รู้ได้อย่างไรว่าผลงานผ่าน?

ก่อนทดลอง ควรกำหนดว่าอะไรคือผลลัพธ์ที่ใช้งานได้ และใครเป็นผู้ตรวจ

งานตัวอย่างเกณฑ์ตรวจสรุปเอกสารประเด็นสำคัญครบ ตรงกับต้นฉบับ และไม่เพิ่มข้อสรุปที่ไม่มีร่างอีเมลข้อมูลถูกต้อง ตรงวัตถุประสงค์ และไม่รับปากเกินขอบเขตจัดหมวดคำถามหมวดถูกต้องตามเกณฑ์ และแยกเรื่องไม่แน่ชัดให้คนพิจารณาเตรียมร่างรายงานใช้ข้อมูลครบ แยกข้อเท็จจริงกับข้อเสนอ และตรวจย้อนกลับได้ร่างเนื้อหาจากข้อมูลสินค้าไม่แต่งสเปก คุณสมบัติ หรือผลการใช้งานเพิ่มเติม

หากทีมยังตกลงกันไม่ได้ว่าผลงานที่ดีคืออะไร ควรกำหนดเกณฑ์ร่วมก่อน มิฉะนั้นผลทดลองอาจขึ้นอยู่กับความรู้สึกของผู้ตรวจแต่ละคน

งานประเภทไหนควรนำมาพิจารณาก่อน?

ตารางนี้เป็นจุดตั้งต้นสำหรับคัดเลือก ไม่ได้ยืนยันว่าทุกงานจะเหมาะกับทุกเครื่องมือ

งานที่อาจทดลองขอบเขตเริ่มต้นสิ่งที่ต้องตรวจร่างข้อความจากข้อมูลที่อนุมัติแล้วใช้ภายในหรือให้คนตรวจก่อนส่งข้อมูลและเงื่อนไขไม่ถูกเปลี่ยนสรุปเอกสารอ้างอิงมีต้นฉบับให้ตรวจเทียบไม่ตกหล่นหรือเพิ่มข้อเท็จจริงจัดหมวดคำถามใช้เกณฑ์หมวดที่กำหนดไว้ความแม่นยำและเรื่องที่ต้องส่งต่อร่าง FAQ จากคำตอบที่ยืนยันแล้วให้ทีมเจ้าของเนื้อหาตรวจความครบถ้วนและบริบทเสนอร่างเช็กลิสต์ใช้เป็นข้อเสนอให้ผู้รู้ทบทวนไม่มีขั้นตอนที่ผิดหรือขาดสาระสำคัญ

หากงานมีรูปแบบและกฎตายตัว ควรเปรียบเทียบกับเครื่องมืออื่นด้วย เช่น แบบฟอร์ม สูตร หรือระบบอัตโนมัติทั่วไป เพื่อเลือกวิธีที่ดูแลและตรวจสอบได้เหมาะสมที่สุด

ทดลองอย่างไรให้สรุปผลได้?

1. เลือกงานและขอบเขตให้เฉพาะเจาะจง

แทนที่จะทดลอง “ให้ AI ช่วยฝ่ายขาย” ให้ระบุเป็น “ร่างอีเมลตอบคำถามบริการจากข้อมูลที่อนุมัติแล้ว โดยฝ่ายขายตรวจทุกฉบับก่อนส่ง”

ขอบเขตชัดช่วยให้ทราบว่าส่วนใดถูกทดลอง และส่วนใดยังทำด้วยวิธีเดิม

2. เก็บข้อมูลวิธีเดิม

วัดเวลาตั้งแต่เริ่มจนผลงานพร้อมใช้งาน รวมการค้นข้อมูล ตรวจ และแก้ไข พร้อมบันทึกคุณภาพตามเกณฑ์เดียวกับที่จะใช้ตรวจ AI

3. เปรียบเทียบงานที่ใกล้เคียงกัน

ควรมีทั้งงานทั่วไปและกรณีที่ยากขึ้น เช่น ข้อมูลไม่ครบหรือคำถามกำกวม ไม่เลือกเฉพาะตัวอย่างที่ AI ทำได้ดี

จำนวนงานทดลองควรสัมพันธ์กับความหลากหลายและความเสี่ยง ไม่มีจำนวนเดียวที่เหมาะกับทุกงาน

4. บันทึกเงื่อนไขการใช้งาน

เก็บเครื่องมือ เวอร์ชันหรือรุ่นที่ใช้ คำสั่ง ชุดข้อมูล และเกณฑ์ตรวจ เพื่อให้ทราบว่าผลเกิดจากเงื่อนไขใด และทบทวนได้เมื่อมีการเปลี่ยนแปลง

5. กำหนดเงื่อนไขขยายหรือหยุดไว้ล่วงหน้า

ตัวอย่างเช่น คุณภาพต้องผ่านเกณฑ์ที่ทีมตกลง เวลาโดยรวมต้องมีประโยชน์ต่อกระบวนการ และไม่มีข้อผิดพลาดสำคัญที่ยังควบคุมไม่ได้

เงื่อนไขควรถูกกำหนดก่อนเห็นผล เพื่อให้การตัดสินใจไม่ขึ้นอยู่กับตัวอย่างที่น่าประทับใจเพียงครั้งเดียว

วัดผลให้รวมเวลาตรวจแก้

เวลาที่ AI สร้างคำตอบเสร็จเป็นเพียงส่วนหนึ่งของกระบวนการ

เวลาทำงานเมื่อใช้ AI = เวลาเตรียมข้อมูลและคำสั่ง + เวลาประมวลผล + เวลาตรวจทาน + เวลาแก้ไข + เวลาจัดส่งต่อ

มิติสิ่งที่ควรติดตามเวลาเวลาจนผลงานพร้อมใช้ และความแตกต่างระหว่างงานทั่วไปกับงานยากคุณภาพงานที่ผ่านเกณฑ์ ประเภทข้อผิดพลาด และความรุนแรงต้นทุนค่าเครื่องมือ เวลาของทีม และค่าเชื่อมระบบหากมีการใช้งานจริงผลงานถูกนำไปใช้หรือยังต้องทำใหม่ผลต่อกระบวนการเวลารอและภาระของขั้นตอนถัดไปเปลี่ยนอย่างไร

เวลาที่ประหยัดได้เป็นความสามารถรองรับงานเพิ่ม แต่ยังไม่เท่ากับค่าใช้จ่ายที่ลดลงจริง หากจะสรุปผลตอบแทนทางการเงิน ต้องใช้ต้นทุนและผลลัพธ์ที่เกิดขึ้นจริงประกอบ

ตัวอย่างสมมติ: ใช้ AI ร่างอีเมลตอบลูกค้า

สมมติทีมบริการลูกค้าต้องตอบคำถามเดิมเกี่ยวกับขอบเขตบริการและข้อมูลก่อนเริ่มงาน จึงทดลองให้ AI ร่างคำตอบจากเอกสารที่บริษัทอนุมัติ

ทีมยังเป็นผู้ตรวจและส่งอีเมล โดยบันทึกเวลา ความถูกต้อง และการแก้ไขทุกครั้ง

หาก AI ร่างเร็ว แต่เพิ่มเงื่อนไขที่บริษัทไม่ได้ให้บริการ ทีมต้องนำข้อผิดพลาดนี้มาพิจารณา ไม่สรุปจากความเร็วอย่างเดียว

การปรับอาจเป็นการจำกัดข้อมูลอ้างอิง ทำรูปแบบคำตอบให้ชัด หรือกำหนดให้เรื่องที่ไม่มีข้อมูลเพียงพอถูกส่งต่อ เมื่อปรับแล้วจึงทดลองซ้ำและตรวจผล

ตัวอย่างนี้เป็นสถานการณ์สมมติเพื่ออธิบายวิธีทดลอง ไม่ใช่กรณีศึกษาหรือผลลัพธ์ของลูกค้าจริง

คำถามที่พบบ่อย

ควรเริ่มใช้ AI จากฝ่ายไหน?

เริ่มจากงานที่มีปัญหาชัด ข้อมูลพร้อม และตรวจผลได้ ไม่จำเป็นต้องเลือกจากชื่อฝ่ายก่อน

งานที่ทำบ่อยที่สุดควรเป็นงานแรกเสมอหรือไม่?

ไม่เสมอไป ต้องพิจารณาความเสี่ยงและภาระตรวจทานร่วมกัน งานที่บ่อยแต่ตรวจยากอาจยังไม่เหมาะกับการเริ่มต้น

ทดลองแล้ว AI ตอบถูก ต้องให้คนตรวจต่อหรือไม่?

ผลทดลองใช้ได้กับขอบเขตที่ทดสอบเท่านั้น ควรกำหนดระดับการตรวจตามความเสี่ยง และทบทวนเมื่อข้อมูล เครื่องมือ หรือรูปแบบงานเปลี่ยน

ควรซื้อระบบใหญ่ก่อนทดลองหรือไม่?

ควรเลือกขนาดการลงทุนให้สัมพันธ์กับข้อกำหนดและความเสี่ยง บางงานทดลองในขอบเขตเล็กได้ ขณะที่บางงานต้องเตรียมระบบและการจัดการข้อมูลก่อน

เลือกงานแรกให้ตอบได้ว่า AI ช่วยอะไร

ก่อนเริ่ม ให้ทีมตอบร่วมกันว่า งานมีปัญหาอะไร AI จะช่วยขั้นตอนไหน ใช้ข้อมูลใด ใครตรวจ และจะเปรียบเทียบผลอย่างไร

งานแรกที่เหมาะสมควรช่วยให้องค์กรเรียนรู้ทั้งประโยชน์และข้อจำกัด แล้วใช้หลักฐานนั้นตัดสินใจว่าจะปรับ ทดลองต่อ หรือขยายการใช้งาน