Digile ภูมิใจที่ได้เป็นผู้สนับสนุนของ Glean:GO 2026 – บล็อกนี้เป็นการเริ่มต้นการเตรียมความพร้อมสำหรับการสนทนาที่เราจะมีขึ้นที่ซานฟรานซิสโกในเดือนสิงหาคมนี้.
ลองเดินเข้าไปในห้องประชุมของผู้บริหารบริษัทใดๆ ในปีนี้ คุณจะได้ยินเรื่องราวเดียวกัน: โครงการนำร่อง AI หลายสิบโครงการถูกเปิดตัว การสาธิตที่น่าประทับใจเพียงไม่กี่รายการ และแทบไม่มีอะไรที่เปลี่ยนแปลงวิธีการดำเนินธุรกิจอย่างแท้จริง นี่ไม่ใช่เพราะขาดความทะเยอทะยาน (จากรายงานของ Deloitte) สถานการณ์ปัญญาประดิษฐ์ในองค์กร ปี 2026 รายงานซึ่งสำรวจความคิดเห็นจากผู้นำทางธุรกิจและไอทีมากกว่า 3,200 คนใน 24 ประเทศ พบว่า สามในสี่ขององค์กรยังคงมีโครงการด้าน AI ส่วนใหญ่ที่อยู่ในขั้นตอนทดลองใช้งาน. 74% บอกว่าพวกเขาต้องการให้ AI ช่วยเพิ่มรายได้ แต่มีเพียง 20% เท่านั้นที่ได้เห็นผลลัพธ์นั้นจริงๆ.
ช่องว่างระหว่างความทะเยอทะยานและผลกระทบที่เกิดขึ้นนั้นมีชื่อเรียกแล้วในปัจจุบัน นั่นคือ ช่องว่างด้านความพร้อมของ AI และเป็นเรื่องที่ควรทำความเข้าใจอย่างถ่องแท้ เพราะสัญชาตญาณที่จะโทษเทคโนโลยีนั้นมักจะผิดพลาดเสมอ.
ตัวเลขนั้นโหดร้ายกว่าที่ผู้นำส่วนใหญ่ตระหนัก
โครงการ NANDA ของ MIT ใช้เวลาหลายเดือนในการศึกษาการใช้งาน AI เชิงสร้างสรรค์ในองค์กร โดยทำการสัมภาษณ์ผู้นำ 150 คน สำรวจความคิดเห็นพนักงาน 350 คน และวิเคราะห์การเปิดตัว AI สู่สาธารณะ 300 โครงการ ผลสรุปที่ตีพิมพ์ในรายงาน “GenAI Divide” นั้นชัดเจนมาก: โครงการนำร่อง AI เชิงสร้างสรรค์ 951,000 โครงการล้มเหลวในการสร้างผลลัพธ์ทางธุรกิจที่วัดผลได้ ตัวเลขของ Gartner นั้นดูจะเบากว่าเล็กน้อย แต่ก็บอกเล่าเรื่องราวเดียวกัน โดยชี้ให้เห็นว่าเป้าหมายทางธุรกิจที่ไม่ชัดเจน คุณภาพข้อมูลที่ไม่ดี และการขาดการสนับสนุนจากผู้บริหาร เป็นสาเหตุหลักที่ทำให้โครงการ AI 441,000 โครงการไม่ประสบความสำเร็จเกินกว่าขั้นตอนนำร่อง.
สิ่งที่น่าสนใจคือการศึกษาเหล่านี้ระบุว่าสาเหตุมาจากอะไร นักวิจัยของ MIT ระบุอย่างชัดเจนว่าความล้มเหลวไม่ได้เกิดจากคุณภาพของโมเดล โมเดลล้ำสมัยในปัจจุบันมีความสามารถเพียงพอสำหรับกรณีการใช้งานส่วนใหญ่ในองค์กร ความล้มเหลวคือ “ช่องว่างในการเรียนรู้” – ความไม่สอดคล้องกันระหว่างวิธีการทำงานของเครื่องมือ AI กับโครงสร้างขององค์กรในการรองรับเครื่องมือเหล่านั้น บริษัทต่างๆ ทดลองใช้ AI ในลักษณะเดียวกับการทดลองใช้เครื่องมือ SaaS ใหม่: โครงการขนาดเล็ก ทีมงานขนาดเล็ก ตัวชี้วัดความสำเร็จที่ยืมมาจากโครงการก่อนหน้า แต่ AI ไม่ได้ทำงานแบบนั้น มันส่งผลกระทบต่อเวิร์กโฟลว์ การกำกับดูแลข้อมูล แผนผังองค์กร และการยอมรับความเสี่ยงพร้อมกันทั้งหมด และองค์กรส่วนใหญ่ยังไม่มีศักยภาพเพียงพอที่จะจัดการกับการเปลี่ยนแปลงที่ครอบคลุมหลายด้านเช่นนี้.
ช่วงเวลาแห่งการรอคอยของนักบินมีรูปแบบที่แน่นอน
หากได้พูดคุยกับ CIO หลายๆ คน คุณจะพบรูปแบบที่สอดคล้องกันซึ่งอยู่เบื้องหลังโครงการนำร่องที่หยุดชะงัก.
- ความพร้อมของข้อมูล: ผู้บริหารอนุมัติโครงการนำร่องโดยสันนิษฐานว่าข้อมูลอยู่ในสภาพที่เหมาะสม แต่แล้วก็พบในระหว่างโครงการว่าข้อมูลกระจัดกระจายอยู่ตามระบบต่างๆ มีการติดป้ายกำกับที่ไม่สอดคล้องกัน หรือไม่น่าเชื่อถือเพียงพอที่จะนำไปใช้กับแบบจำลองในการตัดสินใจ ไม่ว่าแบบจำลองจะซับซ้อนแค่ไหนก็แก้ไขปัญหานี้ไม่ได้.
- ความเป็นเจ้าของ: โครงการนำร่องมักเริ่มต้นจากการเป็นโครงการเสริมของทีมงานด้านนวัตกรรม โดยมีผู้ที่มีความกระตือรือร้นแต่ไม่มีอำนาจในการจัดสรรงบประมาณเป็นผู้สนับสนุน เมื่อถึงเวลาที่จะขยายขนาด โครงการก็ไม่มีผู้รับผิดชอบที่ชัดเจนในการบูรณาการเครื่องมือเข้ากับการดำเนินงานหลัก และโครงการก็หยุดชะงักไปเงียบๆ โดยรอผู้สนับสนุนที่ไม่เคยมาถึง.
- การวัดผลและตัวชี้วัด: ทีมงานเริ่มโครงการนำร่องโดยไม่ได้ตกลงกันล่วงหน้าว่าความสำเร็จมีลักษณะอย่างไร ดังนั้นหลังจากผ่านไปหกเดือน จึงไม่มีใครสามารถบอกได้อย่างแน่ชัดว่าโครงการนำร่องประสบความสำเร็จหรือไม่ ผลลัพธ์ที่ไม่ชัดเจนจะไม่ถูกนำไปใช้ในวงกว้าง แต่จะถูกเก็บไว้ก่อน.
- การบริหารจัดการการเปลี่ยนแปลง: เครื่องมือที่ใช้งานได้จริงในทางเทคนิค แต่พนักงานกลับหลีกเลี่ยง ไม่ไว้วางใจ หรือเพิกเฉยอย่างเงียบๆ นั้น ไม่ใช่ความล้มเหลวทางเทคโนโลยี แต่เป็นความล้มเหลวในการนำไปใช้ โครงการนำร่อง 51 โครงการที่ MIT พบว่าประสบความสำเร็จในการขยายผลนั้น มีลักษณะร่วมกันคือ พวกเขาเห็นว่าความขัดแย้งในองค์กร ไม่ใช่ความขัดแย้งทางเทคนิค คือปัญหาที่แท้จริงที่ต้องแก้ไข.
การลดช่องว่างเริ่มต้นด้วยการจัดลำดับขั้นตอน ไม่ใช่การใช้จ่าย
เมื่อโครงการนำร่องล้มเหลว มักจะนึกถึงการให้ทุนสนับสนุนโครงการที่ใหญ่กว่า แต่นั่นแทบจะไม่เคยได้ผล บริษัทที่กำลังลดช่องว่างด้านความพร้อมนั้น กลับทำในสิ่งที่ดูไม่หวือหวาเท่าไหร่: พวกเขาจัดลำดับการลงทุนด้าน AI โดยคำนึงถึงความพร้อมขององค์กรเป็นหลัก มากกว่าที่จะพิจารณาจากกรณีการใช้งานที่ดูหวือหวาที่สุด.
นั่นหมายความว่าเราต้องให้ความสำคัญกับโครงสร้างพื้นฐานด้านข้อมูลเป็นสิ่งจำเป็นเบื้องต้น ไม่ใช่ขั้นตอนการทำงานคู่ขนาน หมายความว่าเราต้องกำหนดผู้รับผิดชอบทางธุรกิจที่ชัดเจน – ไม่ใช่ห้องปฏิบัติการนวัตกรรม – ก่อนเริ่มโครงการนำร่อง เพื่อให้มีผู้รับผิดชอบต่อผลลัพธ์ ไม่ใช่แค่การสาธิต หมายความว่าเราต้องกำหนดตัวชี้วัดที่จะตัดสินว่าโครงการนำร่องจะขยายผลได้หรือไม่ ก่อนเริ่มโครงการ ไม่ใช่หลังจากนั้น และหมายความว่าเราต้องจัดสรรเวลาและทรัพยากรอย่างแท้จริงสำหรับด้านมนุษย์ของการนำไปใช้: การฝึกอบรม การออกแบบขั้นตอนการทำงานใหม่ และการพูดคุยที่อาจไม่สบายใจเกี่ยวกับสิ่งที่เปลี่ยนแปลงไปสำหรับผู้ที่งานของพวกเขาเกี่ยวข้องกับเครื่องมือนี้.
เรื่องทั้งหมดนี้อาจไม่น่าตื่นเต้นเท่ากับการประกาศโครงการ AI ใหม่ แต่สิ่งนี้แหละคือความแตกต่างระหว่างการที่โครงการ 95% ยังคงติดอยู่ในขั้นตอนการทดลองใช้งาน กับการที่โครงการ 5% สามารถเปลี่ยน AI ให้กลายเป็นข้อได้เปรียบทางธุรกิจที่ยั่งยืนได้.
ช่องว่างกำลังแคบลงสำหรับผู้ที่เต็มใจทำงานที่ไม่น่าดึงดูดใจ
ช่องว่างด้านความพร้อมในการใช้ AI ไม่ใช่ปัญหาทางเทคโนโลยีที่กำลังมองหาโมเดลที่ดีกว่า แต่เป็นปัญหาด้านองค์กรที่กำลังมองหาการจัดลำดับขั้นตอนที่ดีกว่า การกำหนดความรับผิดชอบที่ชัดเจนกว่า และการวัดผลที่เที่ยงตรงกว่า องค์กรที่จะเข้าใจเรื่องนี้ได้ก่อนจะไม่ใช่องค์กรที่มีงบประมาณด้าน AI มากที่สุดเสมอไป แต่จะเป็นองค์กรที่ให้ความสำคัญกับความพร้อมในการใช้ AI อย่างจริงจังเช่นเดียวกับที่ให้ความสำคัญกับเทคโนโลยีเอง.
เราตั้งตารอที่จะร่วมค้นหาคำตอบของคำถามเหล่านี้กับชุมชนที่ Glean:GO 2026 เดือนสิงหาคมนี้ ที่ซานฟรานซิสโก หัวข้อสนทนาหลักคือการเปลี่ยนองค์กรจากขั้นตอนการทดลองไปสู่ผลกระทบทางธุรกิจที่แท้จริง หากคุณจะไปร่วมงาน เรายินดีที่จะได้พบปะพูดคุยด้วย.
ติดตามเราเพื่อรับข่าวสารล่าสุดได้ที่ ลิงก์อิน, ทวิตเตอร์, เฟซบุ๊ก, อินสตาแกรม, และ ยูทูบ.
