AI ขององค์กรส่วนใหญ่ไปไม่ถึงวันที่ใช้งานได้จริง เพราะอะไร?

องค์กรแห่งหนึ่งเพิ่งลงทุนครั้งใหญ่กับปัญญาประดิษฐ์ ซื้อโมเดลภาษาขนาดใหญ่ จ่ายค่าบริการ AI ระดับองค์กร เชื่อมต่อระบบกับข้อมูลภายใน และสร้างผู้ช่วย AI ที่ผู้บริหารสามารถใช้ถามคำถามทางธุรกิจได้ด้วยภาษาธรรมชาติ

บริษัทนี้ทุกอย่างดูพร้อม

แต่เมื่อผู้บริหารถามว่า “ตอนนี้เรามีลูกค้าที่ใช้งานอยู่จริงกี่ราย?” ระบบกลับตอบตัวเลขหนึ่ง ขณะที่ฝ่ายการเงินมีอีกตัวเลขหนึ่ง ฝ่ายปฏิบัติการมีตัวเลขที่สาม และฐานข้อมูลเก่าของบริษัทกลับให้คำตอบที่สี่

นี่คือแนวคิดที่เรียกว่า Data Debt หรือ “หนี้ข้อมูล” และมันอาจกลายเป็นหนึ่งในอุปสรรคที่สำคัญที่สุดของยุค AI

บทความล่าสุดของ Forbes Technology Council เสนอแนวคิดที่น่าสนใจว่า องค์กรต่าง ๆ กำลังเผชิญสิ่งที่เรียกว่า “Data Debt Ceiling” หรือ “เพดานหนี้ข้อมูล” ซึ่งเป็นเส้นแบ่งที่มองไม่เห็นว่า เพราะไม่รู้ว่าเมื่อใดความสามารถของ AI จะเติบโตเร็วกว่าความน่าเชื่อถือของข้อมูลที่อยู่เบื้องหลังมัน

และเมื่อถึงจุดนั้น การเพิ่มโมเดล AI หรือเพิ่มงบประมาณด้านเทคโนโลยีอาจไม่ได้ทำให้ปัญหาดีขึ้น แต่อาจทำให้มันขยายตัวเร็วขึ้นด้วยซ้ำ

AI อาจฉลาด แต่ไม่ได้แปลว่าข้อมูลขององค์กรฉลาดตามไปด้วย

ตลอดหลายปีที่ผ่านมา องค์กรจำนวนมากลงทุนกับข้อมูลอย่างต่อเนื่อง เรามี ERP, CRM, ระบบบัญชี, ระบบ HR, Data Warehouse, Data Lake และระบบรายงานอีกนับไม่ถ้วน

แต่การมีข้อมูลจำนวนมากไม่ได้หมายความว่าองค์กรมี “ข้อมูลที่พร้อมสำหรับ AI”

ข้อมูลจำนวนหนึ่งถูกสร้างขึ้นเมื่อสิบหรือยี่สิบปีก่อน บางระบบถูกสร้างโดยแต่ละแผนกเพื่อแก้ปัญหาเฉพาะหน้า บางระบบใช้คำศัพท์แตกต่างกัน ทั้งที่กำลังพูดถึงสิ่งเดียวกัน

คำว่า “ลูกค้า” ในระบบการตลาดอาจหมายถึงคนที่เคยซื้อสินค้า แต่ในระบบบัญชีอาจหมายถึงผู้ที่มีบัญชีอยู่ ขณะที่ฝ่ายบริการลูกค้าอาจนับเฉพาะคนที่มีสัญญาที่ยังไม่หมดอายุ

เมื่อมนุษย์เป็นผู้วิเคราะห์ข้อมูล ความแตกต่างเหล่านี้อาจยังพอจัดการได้ เพราะคนรู้บริบทและรู้ว่าตัวเลขไหนมาจากไหน แต่เมื่อ AI เข้ามาทำหน้าที่ตอบคำถามแทนมนุษย์ ความคลุมเครือเหล่านี้จะกลายเป็นปัญหาทันที

AI สามารถตอบคำถามได้อย่างรวดเร็วและมั่นใจ แต่ความมั่นใจของมันไม่ได้รับประกันว่าคำตอบนั้นถูกต้อง

นี่คือความย้อนแย้งของ AI ในองค์กร ยิ่ง AI ทำงานได้ง่ายขึ้น ความผิดพลาดของข้อมูลเบื้องหลังก็ยิ่งถูกเปิดเผยเร็วขึ้น

Forbes อ้างถึงข้อมูลจาก Gartner ว่าโครงการ AI จำนวนมากที่ขาดข้อมูลที่พร้อมสำหรับ AI มีความเสี่ยงถูกยกเลิก ขณะเดียวกันหลายองค์กรยังไม่สามารถสร้างผลกระทบทางธุรกิจที่วัดผลได้จาก Generative AI

คำถามจึงไม่ใช่เพียงว่า “องค์กรมี AI หรือยัง?” แต่ควรถามว่า “ข้อมูลที่ AI กำลังใช้ มีคุณภาพและน่าเชื่อถือพอหรือยัง?”

Data Debt คืออะไร?

หาก Technical Debt คือหนี้(ปัญหา)ที่เกิดจากการเขียนซอฟต์แวร์แบบลัดขั้นตอนเพื่อให้ระบบทำงานได้เร็วขึ้น Data Debt ก็มีลักษณะคล้ายกัน

มันคือผลสะสมจากการตัดสินใจในอดีตที่ดูเหมือนเล็กน้อย แต่ทิ้งภาระเอาไว้ให้คนรุ่นหลัง

• ฐานข้อมูลที่ไม่มีมาตรฐาน
• ข้อมูลซ้ำซ้อน
• ชื่อฟิลด์ที่ไม่เหมือนกัน
• รหัสสินค้าไม่ตรงกัน
• ข้อมูลลูกค้าคนเดียวกันปรากฏหลายรายการ
• ไม่มีเจ้าของข้อมูลที่ชัดเจน
• ไม่มีระบบติดตามว่าตัวเลขหนึ่งมาจากไหน
• แต่ละฝ่ายมีคำจำกัดความของ “ยอดขาย” ไม่เหมือนกัน

สิ่งเหล่านี้อาจไม่สร้างปัญหาใหญ่ในวันที่องค์กรยังใช้ข้อมูลเพื่อทำรายงานแบบเดิม ๆ แต่เมื่อ AI เข้ามา ข้อมูลทั้งหมดจะกลายเป็นวัตถุดิบสำหรับการตอบคำถาม การคาดการณ์ และการตัดสินใจ

หนี้จากข้อมูลที่เคยซ่อนอยู่หลังระบบจึงเริ่มปรากฏให้เห็น และเมื่อ AI ถูกนำไปใช้ในระดับองค์กร ปัญหานี้สามารถขยายตัวได้อย่างรวดเร็ว

การทดสอบง่าย ๆ ที่เผยให้เห็น “เพดานปัญหา” ขององค์กร

วิธีหนึ่งในการตรวจสอบว่าองค์กรกำลังมี Data Debt มากแค่ไหน ไม่จำเป็นต้องเริ่มจากการซื้อซอฟต์แวร์ราคาแพง

เพียงเริ่มจากคำถามง่าย ๆ ลองถามผู้บริหารว่า มีคำถามทางธุรกิจอะไรบ้างที่ต้องตอบเป็นประจำ เช่น วันนี้มีลูกค้าที่ใช้งานอยู่กี่ราย? รายได้จากผลิตภัณฑ์แต่ละประเภทเป็นเท่าไร? มีโครงการใดที่กำลังล่าช้า? หรือค่าใช้จ่ายส่วนไหนกำลังเพิ่มขึ้น?

จากนั้นลองถามทีมข้อมูลว่า ต้องใช้เวลานานเท่าใดกว่าจะได้คำตอบจากข้อมูลต้นทางที่เชื่อถือได้ หากคำถามง่าย ๆ ต้องใช้เวลาหลายชั่วโมงหรือหลายวัน นั่นอาจเป็นสัญญาณว่าข้อมูลกำลังกลายเป็นคอขวดขององค์กร

และถ้าองค์กรยังไม่มี Single Source of Truth การนำ AI เข้ามาช่วยตัดสินใจย่อมมีความเสี่ยงสูงขึ้น

การทดสอบสุดท้ายคือการย้อนกลับไปดูที่มาของตัวเลขที่สำคัญที่สุดขององค์กร ตัวเลขนั้นมาจากระบบใด? ผ่านการแปลงข้อมูลอย่างไร? ใครเป็นผู้แก้ไข? ใครรับผิดชอบ? และสามารถตรวจสอบย้อนกลับไปยังต้นทางได้หรือไม่?

สิ่งนี้เรียกว่า Data Lineage หรือเส้นทางของข้อมูล

ทำไม Generative AI ทำให้ปัญหานี้เร่งตัวขึ้น

ในอดีตองค์กรอาจเลือกนำข้อมูลที่ดีที่สุดมาทำรายงาน ผู้เชี่ยวชาญคัดกรองข้อมูลก่อนนำเสนอผู้บริหาร

แต่ AI แบบใหม่กำลังเปลี่ยนเกม ผู้ใช้สามารถถาม AI โดยตรงว่า “ยอดขายไตรมาสนี้ลดลงเพราะอะไร?” “ลูกค้ากลุ่มไหนกำลังจะเลิกใช้บริการ?” “ทำไมต้นทุนแผนกนี้เพิ่มขึ้น?” หรือ “ถ้าเราลดราคา 5% จะเกิดอะไรขึ้น?”

คำถามเหล่านี้ดูธรรมดา แต่เบื้องหลังต้องอาศัยข้อมูลจำนวนมากจากหลายระบบ และยิ่ง AI สามารถเข้าถึงข้อมูลได้มากเท่าไร ความผิดพลาดของข้อมูลก็ยิ่งมีโอกาสถูกส่งต่อไปมากขึ้นเท่านั้น

นี่จึงเป็นเหตุผลที่การนำ AI มาใช้ไม่ควรเริ่มต้นด้วยคำถามว่า “เราจะใช้โมเดลอะไร?” แต่ควรเริ่มด้วยคำถามว่า “AI จะใช้ข้อมูลอะไร และเรามั่นใจในข้อมูลนั้นแค่ไหน?”

ทางออกไม่ใช่หยุด AI แล้วกลับไปแก้ข้อมูลสองปี

เมื่อได้ยินเรื่อง Data Debt ผู้บริหารบางคนอาจคิดว่า ถ้าอย่างนั้นเราต้องหยุดโครงการ AI แล้วใช้เวลาหนึ่งปีหรือสองปีจัดระเบียบข้อมูลเสียก่อน แต่แนวทางดังกล่าวอาจเป็นกับดักอีกแบบหนึ่ง

เพราะในโลกธุรกิจที่เทคโนโลยีเปลี่ยนแปลงอย่างรวดเร็ว การรอให้ทุกอย่างสมบูรณ์แบบก่อนจึงค่อยเริ่ม AI อาจทำให้องค์กรตามไม่ทัน

ทุกโครงการ AI ควรมี “หนี้ข้อมูล” ที่ต้องสะสางอยู่ในเส้นทางเดียวกัน ถ้า AI ต้องใช้ข้อมูลลูกค้า ก็จัดการคุณภาพข้อมูลลูกค้าไปพร้อมกัน ถ้าต้องใช้ข้อมูลยอดขาย ก็สร้างมาตรฐานคำจำกัดความของยอดขายไปพร้อมกัน ถ้าต้องเชื่อมข้อมูลจากหลายระบบ ก็สร้าง Data Lineage ไปพร้อมกัน

AI จึงไม่ได้เป็นเพียงผู้ใช้ข้อมูล แต่สามารถกลายเป็นแรงผลักดันให้บริษัทกลับมาจัดระเบียบข้อมูลของตัวเอง

อีกแนวทางที่น่าสนใจคือการสร้าง Data Readiness Score ให้แต่ละหน่วยธุรกิจ แทนที่จะพูดกว้าง ๆ ว่า “ข้อมูลของเรายังไม่พร้อม” องค์กรควรสามารถระบุได้ว่า ข้อมูลลูกค้าพร้อมกี่% ข้อมูลการเงินพร้อมกี่% ข้อมูลซัพพลายเชนพร้อม กี่% ฯลฯ

ทันทีที่ข้อมูลถูกเปลี่ยนจาก “ปัญหาทางเทคนิค” ให้กลายเป็น “ตัวเลขที่ผู้บริหารมองเห็น” การตัดสินใจก็จะง่ายขึ้น องค์กรจะรู้ว่าควรลงทุนตรงไหนก่อน และโครงการ AI ใดมีโอกาสสร้างผลลัพธ์ได้จริง

เมื่อ Data Governance กลายเป็นเรื่องของธุรกิจ ไม่ใช่แค่ฝ่าย IT

สิ่งที่น่าสนใจที่สุดของ Data Debt อาจไม่ใช่เรื่องเทคโนโลยีเลย แต่คือเรื่อง ความรับผิดชอบ

ใครเป็นเจ้าของข้อมูลลูกค้า? ใครตัดสินว่า “ลูกค้าที่ใช้งานอยู่” หมายถึงอะไร? ใครรับรองตัวเลขรายได้? ใครมีอำนาจเปลี่ยนคำจำกัดความของ KPI?

คำถามเหล่านี้เคยถูกมองว่าเป็นเรื่องของฝ่าย IT หรือ Data Team แต่ในยุค AI มันกลายเป็นเรื่องของผู้บริหารโดยตรง

เพราะเมื่อ AI เริ่มตอบคำถามแทนมนุษย์ คำจำกัดความของข้อมูลจะกลายเป็นส่วนหนึ่งของการตัดสินใจทางธุรกิจ

องค์กรที่ไม่มีเจ้าของข้อมูลที่ชัดเจนจึงไม่ได้มีเพียงปัญหาเรื่อง Data Governance แต่กำลังมีปัญหาเรื่อง Governance ของการตัดสินใจ

บทสรุป

AI ไม่ได้ติดเพดานที่โมเดล แต่อาจติดอยู่ที่ข้อมูล

การแข่งขันด้าน AI เต็มไปด้วยคำถามว่า โมเดลใครเก่งกว่า? ใครมี GPU มากกว่า? ใครเปิดตัว AI Agent ได้เร็วกว่า? ใครมีโมเดลที่ฉลาดกว่า?

แต่เมื่อ AI กำลังเดินทางจากห้องทดลองเข้าสู่กระบวนการทำงานจริง คำถามที่สำคัญกว่าอาจอยู่ใต้พื้นผิว

หากข้อมูลกระจัดกระจาย คำจำกัดความไม่ตรงกัน ไม่มี Data Lineage และไม่มีผู้รับผิดชอบอย่างชัดเจน ต่อให้มีโมเดล AI ที่ทรงพลังเพียงใด ผลลัพธ์ก็อาจเป็นเพียงความเร็วที่เพิ่มขึ้นในการสร้างคำตอบที่ไม่น่าเชื่อถือ

Data Debt จึงเปรียบเสมือนหนี้ที่มองไม่เห็น มันไม่ได้ปรากฏอยู่ในงบดุล แต่จะปรากฏขึ้นทันทีเมื่อองค์กรพยายามขยาย AI จากโครงการทดลองไปสู่การใช้งานระดับองค์กร

และ “Data Debt Ceiling” ก็คือจุดที่องค์กรเริ่มพบว่า AI สามารถไปได้ไกลกว่าความสามารถของข้อมูลที่มีอยู่

ทางออกไม่ใช่การรอให้ข้อมูลสมบูรณ์แบบ แต่คือการทำให้ ทุกการลงทุนใน AI ช่วยลดหนี้ข้อมูลไปพร้อมกัน