จาก AI ผู้ช่วย สู่ AI ที่ลงมือทำงานแทนบางส่วน

การเข้าใจความเปลี่ยนแปลงของ AI จำเป็นต้องแยกความแตกต่างระหว่าง AI เชิงสร้างสรรค์ หรือ Generative AI กับ AI แบบตัวแทนอัตโนมัติ หรือ Agentic AI

Generative AI ที่ผู้คนคุ้นเคย เช่น เครื่องมือสนทนาและสร้างเนื้อหา ทำหน้าที่ช่วยสร้างคำตอบ ร่างเอกสาร สรุปข้อมูล หรือเสนอแนวทางแก้ปัญหา โดยทั่วไปมนุษย์ยังเป็นผู้กำหนดงาน ตรวจสอบผลลัพธ์ และตัดสินใจว่าจะนำสิ่งที่ได้ไปใช้อย่างไร

ส่วน Agentic AI มีความสามารถในการทำงานโดยมุ่งไปยังเป้าหมายที่กำหนด สามารถวางแผนขั้นตอน ใช้เครื่องมือที่ได้รับอนุญาต เรียกใช้ข้อมูล และดำเนินงานต่อเนื่องหลายขั้นตอนได้ ภายใต้ขอบเขตและสิทธิ์ที่ระบบได้รับ

ตัวอย่างเช่น หากต้องการจัดทำรายงานยอดขาย AI ผู้ช่วยอาจช่วยวิเคราะห์ไฟล์และเขียนบทสรุปให้ แต่ AI Agent ที่เชื่อมต่อกับระบบที่เกี่ยวข้องอย่างเหมาะสม อาจสามารถดึงข้อมูล ตรวจสอบความผิดปกติ จัดทำรายงาน และส่งงานให้ผู้รับผิดชอบตรวจทานได้ตามกระบวนการที่กำหนด

ความแตกต่างนี้ดูเหมือนเป็นเพียงเรื่องความสามารถทางเทคนิค แต่แท้จริงแล้วกำลังเปลี่ยนบทบาทของมนุษย์ในกระบวนการทำงาน

เมื่อ AI ทำงานเป็นขั้นตอนย่อย ๆ ได้มากขึ้น พนักงานอาจไม่จำเป็นต้องลงมือทำทุกขั้นตอนด้วยตนเองอีกต่อไป บทบาทของพวกเขาจะขยับไปสู่การกำหนดเป้าหมาย ตรวจสอบคุณภาพ จัดการข้อยกเว้น และตัดสินใจในเรื่องที่ต้องใช้ประสบการณ์หรือความเข้าใจบริบท

การเปลี่ยนแปลงนี้เรียกร้องให้คนทำงานต้องเรียนรู้ทักษะใหม่ แต่สิ่งที่ยากกว่าอาจเป็นการยอมรับว่าวิธีทำงานที่เคยประสบความสำเร็จในอดีต ไม่จำเป็นต้องเป็นวิธีที่ดีที่สุดสำหรับอนาคต

ศิลปะของการเลิกทำสิ่งเดิม

แนวคิดสำคัญที่เรียกว่า Unlearning หมายถึงการทบทวนและละทิ้งความเชื่อ วิธีคิด หรือพฤติกรรมที่เคยใช้ได้ผล เมื่อสิ่งเหล่านั้นไม่เหมาะกับสถานการณ์ใหม่อีกต่อไป

การ Unlearning ไม่ได้หมายความว่าต้องลืมความรู้เก่าทั้งหมด หรือปฏิเสธประสบการณ์ที่สั่งสมมา แต่คือการรู้ว่าอะไรควรเก็บรักษาไว้ และอะไรควรปรับเปลี่ยน

พนักงานที่ทำงานในระบบเดิมมาเป็นเวลานานอาจมีความเชี่ยวชาญสูง พวกเขารู้ว่าต้องตรวจสอบข้อมูลตรงไหน เอกสารใดต้องผ่านใคร และปัญหาประเภทใดมักเกิดขึ้นในแต่ละขั้นตอน ความรู้เหล่านี้มีคุณค่าอย่างมาก

อย่างไรก็ตาม เมื่อองค์กรเปลี่ยนระบบการทำงาน ความชำนาญบางอย่างอาจกลายเป็นข้อจำกัดโดยไม่รู้ตัว เช่น การยึดติดกับการตรวจสอบทุกขั้นตอนด้วยตนเอง แม้บางงานจะสามารถมอบหมายให้ AI ดำเนินการภายใต้เงื่อนไขที่ปลอดภัยได้แล้ว

บทความต้นทางยกตัวอย่างโครงการย้ายระบบข้อมูลของบริษัทโลจิสติกส์ระดับโลก จากสถาปัตยกรรม SAS แบบเดิมไปสู่ระบบคลาวด์ โดยชี้ว่าความท้าทายสำคัญไม่ได้อยู่ที่การย้ายข้อมูลเพียงอย่างเดียว แต่อยู่ที่การช่วยให้นักวิเคราะห์ธุรกิจซึ่งคุ้นเคยกับวิธีทำงานเดิมมานาน เข้าใจและยอมรับกระบวนการใหม่

ประสบการณ์ดังกล่าวสะท้อนหลักการสำคัญข้อหนึ่ง นั่นคือ ต่อให้ทีมวิศวกรสามารถสร้างระบบใหม่ได้สำเร็จ แต่หากผู้ใช้งานไม่เชื่อมั่นหรือไม่สามารถปรับตัว ระบบนั้นอาจไม่สร้างผลลัพธ์ทางธุรกิจตามที่คาดหวัง

ในทางกลับกัน หากพนักงานเข้าใจว่าการเปลี่ยนแปลงช่วยแก้ปัญหาที่พวกเขาเผชิญอยู่จริง การนำเทคโนโลยีไปใช้ก็มีโอกาสเกิดขึ้นได้เร็วและยั่งยืนกว่าเดิม

คนสองบทบาทที่ช่วยเชื่อม AI เข้ากับโลกการทำงานจริง

การเปลี่ยนผ่านไปสู่ Agentic AI ต้องการรูปแบบการพัฒนาระบบที่ใกล้ชิดกับผู้ใช้งานมากกว่าการทำงานแบบแยกส่วน ซึ่งมักให้ทีมเทคนิคพัฒนาระบบตามข้อกำหนดที่กำหนดไว้ล่วงหน้า แล้วจึงส่งมอบให้หน่วยธุรกิจนำไปใช้

แนวทางที่บทความต้นทางเสนอคือการให้ความสำคัญกับบทบาทสองประเภท ได้แก่ Forward Deployed Engineer และ Agentic Design Lead

Forward Deployed Engineer หรือ FDE เป็นผู้เชี่ยวชาญด้านเทคนิคที่ทำงานใกล้ชิดกับหน่วยธุรกิจ เข้าไปทำความเข้าใจกระบวนการจริง ปัญหาที่เกิดขึ้น และข้อจำกัดของระบบเดิม ก่อนนำความเข้าใจเหล่านั้นมาออกแบบและพัฒนาโซลูชันที่ใช้งานได้จริง

แทนที่จะสร้างระบบที่อยู่ห่างจากผู้ใช้งานแล้วรอรับความคิดเห็นเมื่อโครงการใกล้เสร็จ FDE จะทำงานร่วมกับพนักงานเพื่อค้นหาปัญหาและปรับปรุงระบบอย่างต่อเนื่อง วิธีนี้ช่วยลดช่องว่างระหว่างสิ่งที่นักพัฒนาคิดว่าธุรกิจต้องการ กับสิ่งที่ผู้ใช้งานจำเป็นต้องใช้จริง

อีกบทบาทหนึ่งคือ Agentic Design Lead ซึ่งให้ความสำคัญกับความสัมพันธ์ระหว่างมนุษย์กับ AI โดยตรง หน้าที่ของบุคคลในบทบาทนี้คือการออกแบบกระบวนการทำงานใหม่ให้สอดคล้องกับความสามารถของ AI และพฤติกรรมของผู้ใช้งาน

ตัวอย่างเช่น ก่อนนำ AI Agent มาใช้จัดการคำขอจากลูกค้า องค์กรควรพิจารณาว่างานส่วนใดให้ AI ดำเนินการได้ งานส่วนใดต้องให้พนักงานตรวจสอบ และสถานการณ์ใดจำเป็นต้องส่งต่อให้มนุษย์ตัดสินใจ

การออกแบบเช่นนี้ช่วยให้ AI ไม่ได้เป็นเพียงเครื่องมือใหม่ที่ถูกนำไปวางไว้บนกระบวนการเก่า แต่กลายเป็นส่วนหนึ่งของกระบวนการทำงานที่ได้รับการออกแบบอย่างมีจุดหมาย

ทั้งสองบทบาทจึงทำหน้าที่เสริมกัน FDE ช่วยให้ระบบทำงานได้จริง ขณะที่ Agentic Design Lead ช่วยให้ระบบนั้นเหมาะกับคนและองค์กรที่ต้องใช้งาน

แน่นอนว่าไม่ใช่ทุกบริษัทจำเป็นต้องสร้างตำแหน่งงานใหม่ตามชื่อนี้โดยตรง องค์กรขนาดเล็กอาจให้ผู้เชี่ยวชาญด้าน AI ทำงานร่วมกับผู้จัดการกระบวนการและฝ่ายพัฒนาบุคลากรแทนได้ สิ่งสำคัญคือการมีทั้งความสามารถทางเทคนิคและความเข้าใจมนุษย์อยู่ในกระบวนการพัฒนาระบบตั้งแต่ต้น

นวัตกรรมต้องมีขอบเขต ไม่ใช่ปล่อยให้ AI ทำทุกอย่าง

การส่งมอบอำนาจให้ AI มากขึ้นย่อมมาพร้อมความเสี่ยง องค์กรจึงต้องแยกให้ชัดเจนว่างานประเภทใดสามารถทดลองได้ และงานประเภทใดต้องมีการควบคุมอย่างเข้มงวด

บทความต้นทางแบ่งแนวทางการจัดการออกเป็น 2 กลุ่ม ได้แก่
งานที่ต้องการผลลัพธ์แน่นอนและตรวจสอบได้
กับงานที่สามารถยอมรับความไม่แน่นอนบางส่วนได้

งานประเภทแรกเกี่ยวข้องกับความปลอดภัยหรือความเสียหายที่มีผลกระทบสูง เช่น การควบคุมระบบขนส่งทางราง การจัดการเครื่องจักรอุตสาหกรรม หรือการดำเนินงานในคลังสินค้าที่มีความเสี่ยงต่อชีวิตและทรัพย์สิน ระบบเหล่านี้ต้องมีข้อกำหนดที่ชัดเจน การตรวจสอบที่เหมาะสม และกลไกป้องกันไม่ให้ AI ตัดสินใจเกินขอบเขตที่อนุญาต

ส่วนงานอีกกลุ่มหนึ่ง เช่น การคาดการณ์ความต้องการสินค้า การวิเคราะห์เอกสาร หรือการเสนอแนวทางทำการตลาด สามารถเปิดพื้นที่ให้ AI ทดลองและปรับปรุงผลลัพธ์ได้มากกว่า หากมีการกำกับดูแลอย่างเหมาะสม

องค์กรอาจเริ่มจากพื้นที่ทดลองที่แยกจากระบบสำคัญ จำกัดสิทธิ์การเข้าถึงข้อมูล บันทึกการทำงานของ AI และกำหนดตัวชี้วัดเพื่อประเมินผล ก่อนขยายการใช้งานไปยังงานที่มีความสำคัญสูงขึ้น

หลักคิดคือ ไม่จำเป็นต้องเลือกระหว่างการปิดกั้น AI กับการปล่อยให้ AI ทำงานอย่างอิสระทั้งหมด องค์กรสามารถออกแบบระดับอิสระให้เหมาะสมกับความเสี่ยงของแต่ละงานได้

การเปลี่ยนแปลงต้องสื่อสารเหมือนแคมเปญการตลาด

แม้จะมีเทคโนโลยีที่ดีและระบบรักษาความปลอดภัยที่รัดกุม แต่การเปลี่ยนผ่านก็อาจล้มเหลวได้หากพนักงานไม่เห็นคุณค่า หรือรู้สึกว่าตนเองกำลังสูญเสียการควบคุมงาน

การประกาศจากผู้บริหารว่าองค์กรจะนำ AI มาใช้ อาจช่วยสร้างทิศทางได้ แต่ไม่ได้ทำให้ทุกคนเข้าใจโดยอัตโนมัติว่าตนเองควรเปลี่ยนวิธีทำงานอย่างไร

บทความต้นทางเสนอให้มองการบริหารการเปลี่ยนแปลงเป็นเสมือนแคมเปญการตลาดภายในองค์กร โดยเริ่มจากการเข้าใจผู้ใช้งาน สื่อสารประโยชน์ที่ตรงกับปัญหาของแต่ละทีม และเปิดโอกาสให้พนักงานได้ทดลองใช้เทคโนโลยีด้วยตนเอง

กิจกรรมอย่างเวิร์กช็อป วันทดลองสร้างนวัตกรรม การฝึกอบรมที่ออกแบบตามหน้าที่งาน และการพูดคุยอย่างไม่เป็นทางการ ช่วยให้พนักงานได้ตั้งคำถาม แลกเปลี่ยนประสบการณ์ และเรียนรู้จากข้อผิดพลาดโดยไม่ต้องกังวลว่าจะถูกตำหนิ

สิ่งสำคัญคือการแสดงให้เห็นว่า AI สามารถช่วยลดงานซ้ำซ้อนและเพิ่มเวลาให้พนักงานทำงานที่ต้องใช้ความคิดสร้างสรรค์ การสื่อสาร หรือการตัดสินใจได้อย่างไร

องค์กรควรรับฟังความกังวลอย่างจริงจังด้วย โดยเฉพาะคำถามเกี่ยวกับความมั่นคงในการทำงาน ความรับผิดชอบเมื่อ AI ทำผิดพลาด และการใช้ข้อมูลส่วนบุคคล หากผู้บริหารหลีกเลี่ยงคำถามเหล่านี้ ความไม่ไว้วางใจอาจกลายเป็นอุปสรรคต่อการนำระบบไปใช้

การสร้างความเชื่อมั่นจึงไม่ใช่กิจกรรมประชาสัมพันธ์ที่ทำเพียงครั้งเดียว แต่เป็นกระบวนการต่อเนื่องที่ต้องอาศัยความโปร่งใส การฝึกฝน และการปรับปรุงตามความคิดเห็นของผู้ใช้งาน

Key Takeaways

• ผลิตภาพส่วนบุคคลไม่เท่าทันกับการเปลี่ยนแปลงองค์กร การใช้ AI ช่วยให้งานเร็วขึ้นจะสร้างคุณค่าได้เต็มที่เมื่อกระบวนการทำงานโดยรวมได้รับการปรับปรุงด้วย
• Unlearning สำคัญพอ ๆ กับการเรียนรู้ พนักงานต้องพร้อมทบทวนวิธีทำงานเดิม โดยรักษาความเชี่ยวชาญที่ยังมีคุณค่าและปรับเปลี่ยนสิ่งที่ไม่เหมาะสม
• AI Agent ต้องมาพร้อมการออกแบบงานใหม่ องค์กรควรกำหนดให้ชัดว่า AI ทำอะไรได้ มนุษย์ต้องตรวจสอบตรงไหน และเรื่องใดต้องอาศัยการตัดสินใจของคน
• เทคโนโลยีต้องเดินคู่กับความเข้าใจผู้ใช้งาน การพัฒนาระบบร่วมกับหน่วยธุรกิจตั้งแต่ต้นช่วยลดช่องว่างระหว่างความสามารถทางเทคนิคกับความต้องการจริง
• กำหนดระดับอิสระตามความเสี่ยง งานที่เกี่ยวข้องกับความปลอดภัยต้องมีการควบคุมเข้มงวด ขณะที่งานที่ยอมรับความไม่แน่นอนได้สามารถทดลอง AI ภายใต้ขอบเขตที่กำหนด
• ความเชื่อมั่นสร้างได้ด้วยการลงมือทำ การฝึกอบรม การเปิดพื้นที่ทดลอง การสื่อสารอย่างโปร่งใส และการรับฟังข้อกังวลช่วยให้การนำ AI ไปใช้เกิดขึ้นอย่างยั่งยืน

…..

เรียบเรียงโดย AiNextopia
อ้างอิง : Enterprise AI outcomes depend on the art of unlearning. / techradar