ความล้มเหลวในการนำ Generative AI มาใช้ 2026 – เหตุใด 95% จึงหยุดชะงัก

ความล้มเหลวในการนำ Generative AI มาใช้มักถูกพูดถึงในฐานะปัญหาทางเทคนิค แต่เมื่อแยกชิ้นส่วนโครงการที่หยุดชะงักออกมาดู จะพบว่าสาเหตุเกือบทั้งหมดอยู่ที่การตัดสินใจก่อนเริ่มโครงการ งานวิจัยของ MIT NANDA พบว่าโครงการนำร่อง Generative AI ในองค์กรราว 95% แทบไม่สร้างผลกระทบต่อกำไรที่วัดได้เลย บทความนี้จะเรียบเรียงว่าอะไรคือสิ่งที่แยก 95% นั้นออกจาก 5% ที่เหลือ พร้อมทั้งรูปแบบความล้มเหลวที่เกิดขึ้นเฉพาะกับโรงงานและสำนักงานสัญชาติญี่ปุ่นในประเทศไทย และประเด็นที่ควรตัดสินใจให้จบก่อนลงมือ

ทำไมการนำ Generative AI มาใช้จึงล้มเหลว – เริ่มจากตัวเลขภาพรวม

หลายบริษัทเข้ามาปรึกษาด้วยสมมติฐานว่า PoC ของตนเองเป็นกรณีผิดปกติที่ติดขัดอยู่รายเดียว ในความเป็นจริง การติดขัดคือเสียงส่วนใหญ่ ไม่ใช่ข้อยกเว้น ลองเรียงตัวเลขจากงานวิจัยที่เผยแพร่แล้วดูก่อนว่าเส้นค่าเฉลี่ยอยู่ตรงไหน

NANDA ซึ่งเป็นโครงการวิจัยภายใต้ MIT Media Lab เผยแพร่รายงานชื่อ The GenAI Divide – State of AI in Business 2025 โดยระบุว่าโครงการนำร่อง Generative AI ของบริษัทที่สำรวจราว 95% หยุดชะงัก และแทบไม่สร้างผลกระทบต่อกำไรที่วัดได้ ในทางกลับกัน มีเพียงราว 5% เท่านั้นที่ทำให้รายได้เร่งตัวขึ้นอย่างรวดเร็ว รายงานนี้เผยแพร่ในปี 2025 และยังคงถูกอ้างอิงอย่างกว้างขวางในปี 2026 เมื่อมีการถกเถียงเรื่องการลงทุนด้าน AI ขององค์กร

งานวิจัยของ RAND Corporation ระบุว่าโครงการ AI ล้มเหลวมากกว่า 80% ซึ่งคิดเป็นอัตราความล้มเหลวราวสองเท่าของโครงการไอทีทั่วไป

Gartner คาดการณ์ว่าภายในปี 2026 โครงการ AI ที่ไม่มี AI-ready data รองรับจะถูกยกเลิกไป 60% จากการติดตามของ Gartner อัตราความล้มเหลวของโครงการเพิ่มขึ้นอย่างรวดเร็วจาก 17% ในปี 2024 เป็น 42% ในปี 2025 และ 72% ขององค์กรมีแนวโน้มจะหยุด PoC ด้าน AI เพราะข้อมูลยังไม่พร้อม

ผลสำรวจในประเทศญี่ปุ่นก็ให้แนวโน้มเดียวกัน การสำรวจในปี 2026 กับผู้บริหารระดับกลาง 1,008 คน พบว่ามีผู้ใช้เพียง 1 ใน 4 คนเท่านั้นที่ลดเวลาทำงานลงได้จริงด้วย Generative AI สาเหตุหลักของความล้มเหลวที่ถูกระบุคือ วัตถุประสงค์ของการนำมาใช้คลุมเครือ ไม่ได้กำหนดตัวชี้วัดผลลัพธ์ และคาดหวังสูงเกินไปโดยไม่เข้าใจข้อจำกัดทางเทคนิคของ AI

เมื่อเรียงตัวเลขเหล่านี้จะเห็นจุดร่วมหนึ่งอย่าง ไม่มีงานวิจัยชิ้นใดบอกว่าล้มเหลวเพราะโมเดลไม่ฉลาดพอ MIT NANDA ชี้ไปที่ปัญหาการผนวกรวมเข้ากับระบบงานขององค์กรและการจัดสรรงบประมาณผิดพลาด Gartner ชี้ไปที่ความไม่พร้อมของข้อมูล ผลสำรวจในญี่ปุ่นชี้ไปที่การขาดวัตถุประสงค์และตัวชี้วัด ทั้งหมดนี้อยู่นอกตัวโมเดล และอยู่ในการออกแบบของฝ่ายที่นำมาใช้

ประเด็นนี้เปลี่ยนทิศทางการประชุมของผู้บริหาร การใช้เวลาเปรียบเทียบว่าจะใช้โมเดลไหนหรือจะทำสัญญากับเครื่องมือตัวใด แทบไม่มีผลต่อการย้ายจากฝั่ง 95% มายังฝั่ง 5% สิ่งที่กำหนดการย้ายฝั่งคือวิธีเลือกโจทย์ วิธีเลือกพาร์ตเนอร์ และสภาพของข้อมูล

ความล้มเหลวของ Generative AI แยกโครงสร้างได้เป็น 4 แบบ

เมื่อดูโครงการที่หยุดชะงักทีละราย สาเหตุดูเหมือนจะต่างกันทุกครั้ง แต่เมื่อจัดระเบียบแล้วจะรวมลงเหลือราว 4 ประเภท

เริ่มโดยที่วัตถุประสงค์ยังคลุมเครือ

แบบนี้พบมากที่สุด PoC ที่เริ่มด้วยความคิดว่าลองจับดูก่อน จะไม่มีการกำหนดวิธีจบ เมื่อไม่มีการกำหนดวิธีจบ ก็ไม่มีวัตถุดิบสำหรับตัดสินว่าควรทำต่อหรือควรหยุด และจะค่อย ๆ หายไปเองเมื่อผู้รับผิดชอบหมดแรงผลักดัน การที่ผลสำรวจในญี่ปุ่นระบุว่าสาเหตุหลักคือวัตถุประสงค์คลุมเครือและไม่ได้ตั้งตัวชี้วัด ก็คือการอธิบายโครงสร้างนี้

สิ่งที่ต้องระวังคือ ถ้าวัตถุประสงค์เขียนไว้ในระดับความละเอียดว่าเพิ่มประสิทธิภาพงานหรือขับเคลื่อน DX ในทางปฏิบัติก็เท่ากับไม่มีวัตถุประสงค์เลย สิ่งที่ใช้ตัดสินใจได้จริงคือวัตถุประสงค์ที่ระบุลงไปว่าแผนกไหน งานอะไร เวลาส่วนใดที่จะลด ภายในเมื่อไร และลดลงเท่าไร

ช่องว่างของการเรียนรู้ – เครื่องมือทั่วไปไม่เรียนรู้จากกระบวนการทำงานขององค์กร

สิ่งที่ MIT NANDA ชี้ว่าเป็นปัญหาการผนวกรวมเข้ากับองค์กร คือช่องว่างของการเรียนรู้นี้ เครื่องมือ Generative AI แบบทั่วไปนั้นแข็งแรงมากสำหรับการใช้งานส่วนบุคคล แต่ไม่ได้เรียนรู้และปรับตัวเข้ากับกระบวนการทำงานขององค์กร ความคาดหวังที่ว่ายิ่งใช้ยิ่งเข้ากับงานของบริษัทเราจึงไม่เป็นจริง

ที่หน้างานจะปรากฏออกมาแบบนี้ ต้องอธิบายวิธีเขียนใบเสนอราคาของบริษัทใหม่ทุกครั้ง ไม่รู้จักระบบรหัสสินค้าของบริษัทจึงตอบได้แค่หลักการทั่วไป และทำผิดซ้ำเรื่องเดิมที่เพิ่งแก้ไปเมื่อสัปดาห์ก่อน ในขั้นทดลองส่วนบุคคลนี่เป็นเพียงความไม่สะดวกเล็กน้อย แต่เมื่อพยายามฝังเข้าไปในงานของทั้งแผนก ความไม่สะดวกเดียวกันจะถูกคูณด้วยจำนวนคน

จัดสรรงบประมาณผิดจุด – ROI อยู่ที่งานหลังบ้าน

MIT NANDA ยังชี้ว่าการจัดสรรงบประมาณผิดพลาดเป็นอีกสาเหตุหนึ่ง งบประมาณ Generative AI ของหลายบริษัทเทไปทางฝ่ายขายและการตลาด ในขณะที่ผลตอบแทนการลงทุนจริงอยู่ที่การทำงานหลังบ้านให้เป็นอัตโนมัติ

เมื่อนำมาใช้กับโรงงานสัญชาติญี่ปุ่นในประเทศไทย ข้อสังเกตนี้จะเข้าใจได้ทันที การสนับสนุนงานขายและแชตสำหรับลูกค้าเป็นพื้นที่ที่วัดผลได้ยาก และโครงสร้างรายได้ของบริษัทลูกในไทยส่วนใหญ่ถูกกำหนดโดยความสัมพันธ์กับสำนักงานใหญ่และคู่ค้า ในทางกลับกัน งานหลังบ้านอย่างการประมวลผลเอกสารบัญชี การเปรียบเทียบใบเสนอราคาของฝ่ายจัดซื้อ การจัดระเบียบรายงานข้อบกพร่องของฝ่ายคุณภาพ และการตอบคำถามพนักงานเกี่ยวกับระเบียบภายใน ล้วนนับได้เป็นจำนวนเคสและเวลาต่อเคส การลงทุนในที่ที่นับได้ทำให้ขออนุมัติงบก้อนถัดไปได้ง่ายกว่ามาก

ข้อมูลยังไม่อยู่ในสภาพ AI-ready

ความไม่พร้อมของข้อมูลที่ Gartner ชี้ มีความหมายสองชั้นในบริบทของ Generative AI ชั้นแรกคือข้อมูลที่จำเป็นยังไม่ถูกแปลงเป็นดิจิทัล อีกชั้นหนึ่งคือแปลงเป็นดิจิทัลแล้วแต่ยังไม่อยู่ในรูปแบบที่ค้นหาได้

ตัวอย่างเช่น รายงานประจำวันย้อนหลัง 5 ปีที่วางอยู่ในโฟลเดอร์ส่วนกลางในรูปไฟล์ PDF ที่สแกนมาเป็นภาพ ถือว่าเก็บไว้แล้วก็จริง แต่ในมุมของ AI เท่ากับไม่มีอยู่ เช่นเดียวกับไฟล์ Excel ที่กระจายอยู่ในโฟลเดอร์ส่วนตัวของแต่ละคน และชื่อสินค้าเดียวกันถูกเขียนไว้ 3 แบบ นั่นก็ไม่ใช่สภาพ AI-ready

ทั้ง 4 ข้อนี้ไม่ได้เป็นอิสระต่อกัน วัตถุประสงค์คลุมเครือทำให้เลือกงานเป้าหมายไม่ได้ และเมื่อไม่มีงานเป้าหมายก็ตัดสินไม่ได้ว่าต้องเตรียมข้อมูลชุดใด ลำดับการลงมือจึงเป็น วัตถุประสงค์ งานเป้าหมาย ข้อมูล แล้วจึงเป็นเครื่องมือ โครงการที่เริ่มจากการเปรียบเทียบเครื่องมือมักหยุดชะงักเพราะลำดับนี้กลับด้าน แนวทางการดำเนินงานและค่าใช้จ่ายแยกตามขั้นตอน เราเรียบเรียงไว้ใน แนวทางและค่าใช้จ่ายในการนำ Generative AI มาใช้

รูปแบบความล้มเหลวที่เกิดเฉพาะกับฐานการผลิตในประเทศไทย

ทั้งหมดข้างต้นเป็นเรื่องที่เกิดขึ้นทั่วโลก ต่อจากนี้คือความล้มเหลวที่เกิดเฉพาะกับบริษัทสัญชาติญี่ปุ่นที่มีฐานอยู่ในประเทศไทย เมื่อโครงการที่เดินหน้าได้ดีที่สำนักงานใหญ่มาหยุดเฉพาะที่ฐานในไทย สาเหตุเกือบทั้งหมดอยู่ในหัวข้อนี้

แนวปฏิบัติด้าน Generative AI ของสำนักงานใหญ่ใช้ไม่ได้จริงในไทย

บริษัทสัญชาติญี่ปุ่นจำนวนมากให้ฝ่ายไอทีของสำนักงานใหญ่จัดทำแนวปฏิบัติการใช้ Generative AI ปัญหาคือแนวปฏิบัตินั้นเกือบทั้งหมดเขียนขึ้นบนสมมติฐานของสภาพแวดล้อมการทำงานในญี่ปุ่นและเอกสารภาษาญี่ปุ่น

เมื่อส่งลงมาถึงฐานในไทย ความคลาดเคลื่อนจะปรากฏขึ้น เครื่องมือภายในที่ได้รับอนุมัติมีหน้าจอภาษาญี่ปุ่นอย่างเดียว พนักงานคนไทยจึงใช้งานไม่ได้ นิยามชั้นความลับอิงกับระบบเอกสารของญี่ปุ่น จึงตัดสินไม่ได้ว่าเอกสารนำเข้าส่งออกและเอกสารยื่นหน่วยงานราชการไทยที่ใช้ทุกวันจัดอยู่ในชั้นใด ช่องทางขออนุมัติทำงานตามเวลาญี่ปุ่น คำตอบจึงไม่กลับมาภายในเวลาทำงานของไทย ผลคือแนวปฏิบัติมีอยู่ในฐานะสิ่งที่ต้องปฏิบัติตาม แต่ในทางปฏิบัติกลับไม่มีใครใช้

สภาพนี้อันตรายเพราะพนักงานไม่ได้หยุดใช้ AI แต่ย้ายไปใช้บัญชีส่วนตัวแทน เมื่อการใช้งานที่ไม่มีการควบคุมแพร่ออกไป เหตุการณ์ด้านความปลอดภัยครั้งถัดไปจะทำให้ทั้งฐานถูกสั่งห้ามใช้ Generative AI ทั้งหมด นี่คือรูปแบบความล้มเหลวที่มีต้นทุนสูงที่สุด

ยังไม่เคยตรวจสอบความแม่นยำเมื่อใช้ภาษาไทย

ความแม่นยำที่ดูดีในภาษาญี่ปุ่นและภาษาอังกฤษ ไม่ได้แปลว่าจะได้ผลเท่ากันในภาษาไทย โดยเฉพาะเอกสารที่ปะปนคำย่อที่พนักงานไทยใช้กันทุกวัน ชื่อกระบวนการที่ลงตัวเป็นภาษาไทยที่หน้างาน และศัพท์เทคนิคภาษาญี่ปุ่นที่ยืมมาเขียนทับศัพท์เป็นภาษาไทย ความแม่นยำจะลดลงอย่างเห็นได้ชัด

ทั้งที่เป็นเช่นนี้ การประเมิน PoC กลับมักทำผ่านพนักงานญี่ปุ่นที่ใช้ภาษาญี่ปุ่นเท่านั้น เมื่อขยายผลจริงและพนักงานไทยเริ่มใช้ ปฏิกิริยาที่ได้คือไม่เหมือนที่คิดไว้ แล้วการใช้งานก็หยุดลง การประเมินจึงต้องทำด้วยภาษาที่จะใช้จริงและเอกสารที่จะใช้จริง

อ่านการกระจายตัวของทักษะ AI ของพนักงานไทยผิด

สมมติฐานที่ว่าพนักงานท้องถิ่นคงยังไม่คุ้นกับ AI นั้นไม่ตรงกับข้อเท็จจริงในประเทศไทยอีกต่อไป งานวิจัยของ Microsoft ระบุว่าอัตราการใช้ AI ของ data worker ในไทยอยู่ที่ 32% ซึ่งเป็นสองเท่าของค่าเฉลี่ยโลก กลุ่ม Frontier Professionals ซึ่งเป็นผู้ใช้ระดับสูง คิดเป็น 32% ของพนักงานในไทย และเป็นสองเท่าของค่าเฉลี่ยโลกที่ 16% เช่นกัน

พูดอีกอย่างคือ พนักงานไทยบางส่วนอาจใช้คล่องกว่าพนักงานญี่ปุ่นที่ประจำอยู่ ประเด็นจึงไม่ใช่ค่าเฉลี่ยแต่เป็นการกระจายตัว เพราะกลุ่มที่ใช้จนคล่องแล้วกับกลุ่มที่ไม่เคยแตะเลยในงานอยู่ในแผนกเดียวกัน การอบรมรวมแบบเดียวกันทั้งหมดจึงน่าเบื่อสำหรับกลุ่มบนและเร็วเกินไปสำหรับกลุ่มล่าง เหตุผลที่การใช้งานเงียบหายไปหลังอบรม เราแยกโครงสร้างไว้ใน การสนับสนุนให้การใช้ AI อยู่ตัวในองค์กร

ข้อมูลยังกระจายอยู่ระหว่าง Excel กับกระดาษ

ที่ฐานการผลิตในประเทศไทย ยังพบได้ทั่วไปว่าระบบหลักครอบคลุมแค่บัญชีและสต๊อก ส่วนผลผลิต บันทึกคุณภาพ และประวัติการบำรุงรักษาเครื่องจักร ยังอยู่ในไฟล์ Excel ที่หน้างานและรายงานประจำวันบนกระดาษ ถ้าถาม Generative AI ในสภาพนี้ว่าช่วยบอกแนวโน้มของของเสียหน่อย มันก็ไม่มีข้อมูลให้อ้างอิงและตอบได้แค่หลักการทั่วไป

ตามที่คำคาดการณ์ของ Gartner บ่งชี้ โครงการที่ไม่มี AI-ready data รองรับคือโครงการที่ถูกยกเลิก จุดสำคัญคือไม่จำเป็นต้องสร้างฐานข้อมูลกลางทั้งบริษัทก่อน สิ่งที่ต้องมีคือข้อมูลเฉพาะที่เกี่ยวข้องกับงานชิ้นแรกที่เลือกไว้ ในรูปแบบที่อ้างอิงได้

ไม่ได้กำหนดเกณฑ์ความสำเร็จของ PoC ไว้ตั้งแต่แรก

สิ่งที่พบบ่อยที่ฐานในไทยคือ PoC ที่ใช้เสียงตอบรับจากหน้างานเป็นเกณฑ์ความสำเร็จ ความรู้สึกวัดไม่ได้ ข้อสรุปจึงไม่เกิด PoC ที่ไม่มีข้อสรุปจะถูกต่ออายุแบบคลุมเครือทุกรอบการรายงาน แล้วหายไปพร้อมกับการโยกย้ายตำแหน่งของผู้รับผิดชอบ

ทั้ง 5 ข้อนี้ไม่มีข้อใดที่ยากในเชิงเทคนิค ล้วนเป็นเรื่องที่ตัดสินได้ในการหารือ 30 นาทีถึงไม่กี่ชั่วโมง แต่กลายเป็นความล้มเหลวเพราะปล่อยให้เวลาผ่านไปหลายเดือนโดยไม่ได้หารือ

การแพร่ของ AI ในไทยเร็วกว่าที่คิด – การรอดูก็เป็นความล้มเหลวแบบหนึ่ง

การชะลอการลงมือเพื่อเลี่ยงความล้มเหลวดูเหมือนเป็นทางเลือกที่ปลอดภัย แต่ตัวเลขของตลาดไทยแสดงว่าต้นทุนของทางเลือกนี้สูงขึ้นทุกปี

ตามรายงาน Global AI Diffusion Report ที่ Microsoft นำเสนอในงาน Microsoft AI Tour Bangkok เมื่อวันที่ 10 มิถุนายน 2026 การใช้ AI อย่างจริงจังในประเทศไทยเพิ่มจาก 9.1% ในต้นปี 2025 เป็น 12.4% ในไตรมาสแรกของปี 2026 ทำให้ไทยอยู่อันดับ 2 ของโลกเมื่อวัดด้วยอัตราการเติบโต อันดับ 1 คือเกาหลีใต้ที่ 43.2% และอันดับ 3 คือญี่ปุ่นที่ 34.1% รายงานยังระบุว่าผู้บริหารระดับสูง 51% ได้กำหนดทิศทางเชิงกลยุทธ์ด้าน AI แล้ว นอกจากนี้ Microsoft ยังประกาศแผนลงทุน 1 พันล้านดอลลาร์สหรัฐในประเทศไทยระหว่างปี 2026 ถึง 2028 และพัฒนาทักษะแรงงานไทย 150,000 คน

มีการคาดการณ์เฉพาะภาคการผลิตด้วยเช่นกัน การใช้ AI ในภาคการผลิตของไทยคาดว่าจะเพิ่มขึ้นสูงสุด 15% ภายในปี 2030 โดยการพยากรณ์ความต้องการคาดว่าจะช่วยยกระดับ service level ได้ 65% ระบบอัตโนมัติทางอุตสาหกรรมที่ใช้ AI คาดว่าจะเพิ่มผลิตภาพ 20% และการบำรุงรักษาเชิงพยากรณ์คาดว่าจะลดเวลาเครื่องจักรหยุด 53% และลดพฤติกรรมที่ไม่ปลอดภัย 90% นอกจากนี้ยังมีรายงานว่า 73% ของบริษัทในไทยกำลังเตรียมนำ AI มาใช้

ตัวเลขเหล่านี้ต้องอ่านอย่างระมัดระวัง อัตราการใช้งานที่สูงขึ้นไม่ได้แปลว่านำมาใช้แล้วจะสำเร็จ ควรอ่านคู่กับตัวเลข 95% ของ MIT NANDA นั่นคือ จำนวนบริษัทที่เริ่มลงมือเพิ่มขึ้นอย่างรวดเร็ว แต่ส่วนใหญ่ยังไปไม่ถึงผลลัพธ์

จุดยืนที่สมจริงสำหรับบริษัทสัญชาติญี่ปุ่นในไทยจึงไม่ใช่การรีบลงมือ และไม่ใช่การรอดูต่อไป แต่คือการจำกัดขอบเขตแล้วทำให้สำเร็จจริงสัก 1 เรื่อง

กลุ่ม 5% ที่สำเร็จทำอะไรต่างออกไป

งานวิจัยของ MIT NANDA ไม่ได้วิเคราะห์แต่ความล้มเหลว แต่ยังกล่าวถึงแนวโน้มของกลุ่มราว 5% ที่สำเร็จด้วย สรุปได้ว่ากลุ่มนี้เลือกโจทย์เพียงเรื่องเดียว ลงมือทำ และสร้างความร่วมมือกับพาร์ตเนอร์อย่างชาญฉลาด

เลือกโจทย์เพียงเรื่องเดียวแล้วลงมือทำ

จุดร่วมของกรณีที่สำเร็จคือไม่ขยายขอบเขต แทนที่จะเริ่มจากแผนขยายผลทั้งบริษัท พวกเขาจำกัดไว้ที่งาน 1 อย่างในแผนก 1 แผนก แล้วทำตัวเลขออกมาให้ได้ที่จุดนั้น

สำหรับฐานในประเทศไทย งานที่เลือกเป็นชิ้นแรกได้ง่ายมีเช่น การรวบรวมและสรุปรายงานการผลิตประจำวัน การดึงรายการจากใบเสนอราคาของซัพพลายเออร์มาลงตารางเปรียบเทียบ การแปลรายงานข้อบกพร่องด้านคุณภาพระหว่างภาษาไทยกับภาษาญี่ปุ่นพร้อมสรุปประเด็น และการตอบคำถามพนักงานเกี่ยวกับระเบียบภายในและคู่มือการทำงาน ทุกงานล้วนนับจำนวนเคสได้ วัดเวลาต่อเคสได้ และระบุผู้รับผิดชอบได้

ในทางกลับกัน งานที่ไม่ควรเลือกเป็นชิ้นแรกคืองานที่ผลลัพธ์ปรากฏทางอ้อมเท่านั้น การยกระดับคุณภาพการประชุมหรือการกระตุ้นการคิดไอเดียไม่ใช่ว่าไม่มีคุณค่า แต่ตัดสินไม่ได้จึงไม่เหมาะเป็นหัวข้อของ PoC

อย่ายึดติดกับการพัฒนาเอง – ซื้อ 67% เทียบกับพัฒนาเอง 33%

จุดที่งานวิจัยของ MIT NANDA แสดงความต่างชัดที่สุดคือวิธีจัดหาเครื่องมือ เครื่องมือที่ซื้อจากผู้ให้บริการเฉพาะทางมีอัตราความสำเร็จราว 67% ในขณะที่เครื่องมือที่พัฒนาเองภายในมีอัตราความสำเร็จราว 33% นั่นคือการพัฒนาเองสำเร็จไม่ถึงครึ่งของการซื้อ

ช่องว่างนี้ไม่ได้เกิดจากความสามารถของวิศวกรภายใน การพัฒนาเองหมายถึงต้องแบกงานเลือกโมเดล เชื่อมข้อมูลธุรกิจ ออกแบบสิทธิ์การเข้าถึง เฝ้าระวังการทำงาน และประเมินความแม่นยำอย่างต่อเนื่อง ไว้ทั้งหมดเอง และถ้าส่วนใดส่วนหนึ่งบางลง ทั้งระบบก็หยุด ที่ฐานในต่างประเทศยิ่งชัด เพราะมีคนรับผิดชอบได้เพียง 1 ถึง 2 คน และโครงการจะหยุดทันทีที่คนคนนั้นย้ายงานหรือลาออก

อย่างไรก็ตาม ตัวเลขนี้ไม่ได้ปฏิเสธการพัฒนาเอง หากเริ่มจากการซื้อ สร้างรูปแบบการเดินระบบให้ลงตัว แล้วค่อยขยายขอบเขตที่ทีมของตัวเองดูแลได้ทีละขั้น อัตราความสำเร็จของงานที่ทำเองจะสูงขึ้น เส้นแบ่งว่าจะถือครองอะไรไว้เองแค่ไหน เราเรียบเรียงมุมมองการตัดสินไว้ใน การสนับสนุนให้พัฒนา AI ได้เองภายในองค์กร

ไม่ผัดวันเตรียมข้อมูล

ข้อที่สามคือด้านกลับของข้อสังเกตจาก Gartner ฝ่ายที่สำเร็จจะตรวจสอบที่อยู่ของข้อมูลทันทีหลังตัดสินใจเลือกงานเป้าหมาย เป็นงานทำรายการว่าโฟลเดอร์ใดเก็บรูปแบบใด ครอบคลุมช่วงเวลาใด และใครเป็นคนอัปเดต

การสำรวจนี้มีผลพลอยได้ บางครั้งผลลัพธ์คือพบว่างานนี้ไม่เคยมีการเก็บข้อมูลไว้เลย ซึ่งกรณีนั้นก็สลับงานเป้าหมายของ PoC ได้ตั้งแต่เนิ่น ๆ เมื่อเทียบกับการรู้ตัวหลังผ่านไปหลายเดือน นี่คือความล้มเหลวที่ราคาถูกกว่ามาก

อ่านกรณีการใช้งาน Generative AI และตัวอย่างการนำ AI มาใช้อย่างไร

ในขั้นพิจารณา เวลาส่วนใหญ่มักถูกใช้ไปกับการรวบรวมตัวอย่างการใช้งานของบริษัทอื่น ตัวอย่างเหล่านั้นมีประโยชน์ แต่ถ้าอ่านผิดวิธีก็จะตัดสินใจผิด

ประการแรก ตัวเลขผลลัพธ์ที่เขียนไว้ในกรณีศึกษาตั้งอยู่บนสภาพข้อมูลและปริมาณงานของบริษัทนั้น ต่อให้ใส่เครื่องมือเดียวกันในงานเดียวกัน ถ้าข้อมูลยังอยู่บนกระดาษก็จะไม่ได้ตัวเลขเดียวกัน เวลาอ่านกรณีศึกษา การมองหาคำอธิบายว่าบริษัทนั้นอยู่ในสภาพใดก่อนเริ่ม มีประโยชน์กว่าตัวเลขผลลัพธ์

ประการที่สอง กรณีที่เผยแพร่ออกมาเอนไปทางความสำเร็จ ตามที่ MIT NANDA แสดงให้เห็น ในความเป็นจริงราว 95% หยุดชะงัก การกระจายตัวของกรณีที่เผยแพร่จึงต่างจากการกระจายตัวของประชากรจริงอย่างมาก พื้นที่ที่หากรณีศึกษาได้มากจึงไม่ได้แปลว่าเป็นพื้นที่ที่สำเร็จได้ง่ายกว่า

ประการที่สาม พื้นที่ในภาคการผลิตที่ผลลัพธ์ออกมาเป็นตัวเลขได้ง่ายนั้น เป็นที่รู้กันพอสมควรอยู่แล้วไม่ว่าจะเป็น Generative AI หรือไม่ ตัวเลขจากคาดการณ์ภาคการผลิตไทย ทั้ง service level ที่ดีขึ้น 65% จากการพยากรณ์ความต้องการ ผลิตภาพที่เพิ่มขึ้น 20% จากระบบอัตโนมัติทางอุตสาหกรรม และเวลาเครื่องจักรหยุดที่ลดลง 53% จากการบำรุงรักษาเชิงพยากรณ์ ล้วนมาจากพื้นที่ที่ข้อมูลนำเข้าถูกเก็บอัตโนมัติจากเครื่องจักร ส่วนงานที่คนเป็นผู้ตัดสินและคนเป็นผู้บันทึก ต้องเริ่มจากการทำให้มีบันทึกก่อน

แทนที่จะทุ่มเวลารวบรวมกรณีศึกษา การยกงานที่เป็นตัวเลือกของตัวเองมา 3 งานแล้วตรวจว่าข้อมูลของแต่ละงานอยู่ที่ใด จะทำให้ตัดสินใจได้เร็วกว่า การออกแบบว่าจะวัดผลด้วยตัวชี้วัดใด เราสรุปไว้ใน การวัดผลการนำ AI มาใช้และการออกแบบ ROI

บริการสนับสนุนการนำ Generative AI มาใช้ คือการจ้างอะไร

คำว่าบริการสนับสนุนการนำ Generative AI มาใช้มีขอบเขตกว้าง และมองไม่ออกว่าจ้างอะไรได้บ้าง เมื่อประมวลจากที่เรียบเรียงมาทั้งหมด สิ่งที่คุ้มค่าที่สุดในการให้คนนอกช่วยเรียงตามลำดับได้ดังนี้

คุ้มค่าที่สุดคือการเลือกโจทย์ก่อนเริ่ม เป็นงานคัดรายการงานที่เป็นตัวเลือก จัดอันดับด้วยที่อยู่ของข้อมูลและความง่ายในการวัดผล แล้วตัดสินใจเลือกงานชิ้นแรก ถ้าพลาดตรงนี้ ทุกขั้นตอนหลังจากนั้นจะสูญเปล่า

ถัดมาคือการออกแบบเกณฑ์ความสำเร็จ ทำเอกสารระบุวันตัดสิน ตัวชี้วัด ค่าเป้าหมาย และเงื่อนไขถอนตัว ดังที่กล่าวไว้ PoC ที่ไม่มีสิ่งเหล่านี้จะไม่ได้ข้อสรุป

ลำดับที่สามคือการเตรียมข้อมูล จัดเฉพาะข้อมูลที่เกี่ยวกับงานเป้าหมายให้อยู่ในรูปแบบที่อ้างอิงได้ โดยแยกออกจากโครงการสร้างฐานข้อมูลกลางทั้งบริษัท

ลำดับที่สี่คือการออกแบบการเดินระบบและทำให้อยู่ตัวโดยรวมภาษาไทยเข้าไปด้วย ครอบคลุมการตรวจความแม่นยำภาษาไทย การสนับสนุนความชำนาญของพนักงานแบบแยกกลุ่ม และการมองเห็นสถานะการใช้งานจริง

แม้จะรับการสนับสนุนจากภายนอก การตัดสินใจขั้นสุดท้ายว่าจะเลือกงานใดควรอยู่กับบริษัท เพราะคนที่รู้ว่าตรงไหนเจ็บคือคนหน้างาน สิ่งที่คนนอกให้ได้คือแกนสำหรับเลือก และรูปแบบความล้มเหลวที่เคยเกิดกับที่อื่น วิธีจัดโครงสร้างการว่าจ้างรวมถึงรูปแบบสัญญา เราเรียบเรียงไว้ใน ที่ปรึกษาด้าน Generative AI

10 ข้อที่ต้องตรวจก่อนเริ่ม

สรุปเนื้อหาทั้งหมดเป็นรายการตรวจสอบก่อนเริ่ม ถ้ายังมีช่องว่างเหลืออยู่แม้เพียงข้อเดียว การเริ่ม PoC ในสภาพนั้นจะไม่ได้ข้อสรุป

ใน 10 ข้อนี้ จากประสบการณ์ ข้อที่มักสะดุดคือปริมาณงานปัจจุบัน เงื่อนไขถอนตัว และภาษาที่ใช้ เพราะปริมาณงานปัจจุบันมักไม่เคยวัด เงื่อนไขถอนตัวเขียนยาก และการประเมินมักตกไปที่ภาษาญี่ปุ่นโดยอัตโนมัติ

คำถามที่พบบ่อย

PoC ของเราหยุดนิ่งมาหลายเดือน ควรถอนตัวหรือไม่

ก่อนอื่นให้ตรวจว่า PoC นั้นเคยมีวันตัดสินและเงื่อนไขถอนตัวหรือไม่ ถ้าไม่มี สภาพนั้นใกล้เคียงกับยังไม่ได้เริ่มมากกว่าล้มเหลว กรณีนี้แทนที่จะตัดสินใจถอนตัว การย้อนกลับไปจำกัดงานเป้าหมายให้เหลือ 1 งานแล้วเขียนเงื่อนไขใหม่จะเร็วกว่า ถ้ามีเงื่อนไขอยู่แล้วแต่ทำไม่ถึง ให้ถอนตัวและบันทึกไว้ว่าทำไมจึงไปไม่ถึง บันทึกนั้นจะเพิ่มความแม่นยำให้ครั้งถัดไป

ควรตั้งงบประมาณสำหรับการนำ Generative AI มาใช้เท่าไร

ขนาดของตัวเลขเปลี่ยนไปตามขอบเขต จึงระบุจำนวนเงินตายตัวไม่ได้ แต่วิธีคิดเรื่องงบมีลำดับอยู่ สำหรับงานชิ้นแรก การเลือกงานเป้าหมายและการเตรียมข้อมูลใช้เวลามากกว่าค่าบริการเครื่องมือ ถ้าตั้งงบไว้แค่ค่าเครื่องมือก็จะไม่พอกับภาระงานจริง รายละเอียดค่าใช้จ่ายแยกตามขั้นตอนดูได้ที่ แนวทางและค่าใช้จ่ายในการนำ Generative AI มาใช้

ควรประเมินความสามารถด้านภาษาไทยอย่างไร

ดึงเอกสารสำหรับประเมินจากงานจริงมาราว 20 ถึง 30 ฉบับ สิ่งสำคัญคือต้องเป็นเอกสารจริงที่มีคำย่อและชื่อเรียกภายในปะปนอยู่ ไม่ใช่ตัวอย่างที่จัดให้เรียบร้อยแล้ว จากนั้นให้คนเขียนผลลัพธ์ที่คาดหวังไว้ก่อน แล้วนำมาเทียบกับผลลัพธ์ของ AI ถ้าข้ามขั้นตอนนี้แล้วเชื่อเพียงคำอธิบายของผู้ขายว่ารองรับภาษาไทย ความแม่นยำที่ไม่พอจะโผล่มาหลังขยายผลจริง

ถ้าแนวปฏิบัติของสำนักงานใหญ่ไม่เข้ากับงานจริงในไทย ควรทำอย่างไร

แทนที่จะแก้แนวปฏิบัติ การทำตารางแปลงสำหรับใช้ในไทยเป็นทางที่สมจริงกว่า ทำตารางจับคู่ประเภทเอกสารที่ใช้ทุกวันที่ฐานในไทยเข้ากับชั้นความลับตามนิยามของสำนักงานใหญ่ แล้วขอให้ฝ่ายไอทีของสำนักงานใหญ่ยืนยัน เมื่อมีตารางนี้ พนักงานไทยจะไม่ติดขัดกับการตัดสินอีก

สรุป

ความล้มเหลวของการนำ Generative AI มาใช้เกิดขึ้นในฐานะปัญหาการออกแบบ ไม่ใช่ปัญหาสมรรถนะของโมเดล MIT NANDA พบว่าราว 95% ของโครงการนำร่องหยุดชะงักโดยไม่สร้างผลกระทบต่อกำไรที่วัดได้ และมีราว 5% ที่สำเร็จ RAND ระบุว่าโครงการ AI ล้มเหลวมากกว่า 80% ราวสองเท่าของไอทีทั่วไป และ Gartner คาดว่าโครงการที่ไม่มี AI-ready data รองรับจะถูกยกเลิก 60% ภายในปี 2026 ผลสำรวจในญี่ปุ่นก็พบว่ามีผู้ใช้เพียง 1 ใน 4 ที่ลดเวลาทำงานได้จริง

โครงสร้างความล้มเหลวแยกได้เป็น 4 ส่วน คือวัตถุประสงค์คลุมเครือ ช่องว่างของการเรียนรู้ การจัดสรรงบผิดจุด และข้อมูลที่ยังไม่พร้อม สำหรับฐานในประเทศไทยจะมีเพิ่มอีก 5 ข้อ คือแนวปฏิบัติของสำนักงานใหญ่ที่ไม่เข้ากัน ความแม่นยำภาษาไทยที่ยังไม่ตรวจ การอ่านการกระจายทักษะผิด ข้อมูลที่กระจายระหว่าง Excel กับกระดาษ และการไม่มีเกณฑ์ความสำเร็จ

ขณะเดียวกัน การแพร่ของ AI ในไทยก็เร็ว การใช้อย่างจริงจังเพิ่มจาก 9.1% ต้นปี 2025 เป็น 12.4% ในไตรมาสแรกของปี 2026 และอยู่อันดับ 2 ของโลกด้านอัตราการเติบโต ต้นทุนของการตัดสินใจรอดูจึงสูงขึ้น

ทิศทางที่ควรไปคือแคบลง ไม่ใช่กว้างขึ้น กลุ่ม 5% ที่สำเร็จเลือกโจทย์เรื่องเดียว ลงมือทำ และสร้างความร่วมมือกับพาร์ตเนอร์อย่างชาญฉลาด ด้านวิธีจัดหา เครื่องมือที่ซื้อสำเร็จราว 67% เทียบกับพัฒนาเองราว 33% การเติมงานเป้าหมาย ปริมาณงานปัจจุบัน เป้าหมาย วันตัดสิน เงื่อนไขถอนตัว ที่อยู่ของข้อมูล และภาษาที่ใช้ ให้ครบด้วยตัวเลขและชื่อเฉพาะก่อนเริ่ม คือทางลัดที่สุดในการไม่ค้างอยู่ฝั่ง 95%

แค่จัดระเบียบว่างานชิ้นแรกควรเป็นอะไรและข้อมูลของงานนั้นอยู่ที่ไหนในตอนนี้ สถานการณ์ก็ขยับแล้ว หากที่ฐานในประเทศไทยของท่าน การตัดสินใจติดค้างอยู่ระหว่างนโยบายของสำนักงานใหญ่กับงานจริงหน้างาน หรือ PoC หยุดนิ่งโดยยังไม่ได้ข้อสรุปว่าจะเดินต่ออย่างไร ยินดีพูดคุยตั้งแต่ขั้นพิจารณาที่ยังไม่ได้สรุปข้อกำหนด

ติดต่อ TOMAS TECH ได้ที่นี่

ข้อมูลอ้างอิง

• MIT report – 95% of generative AI pilots at companies are failing – การกระจาย 95% กับ 5% ของ MIT NANDA ช่องว่างของการเรียนรู้ และอัตราความสำเร็จ 67% ของการซื้อกับ 33% ของการพัฒนาเอง
• AI Project Failure Statistics 2026 – RAND Corporation กับอัตราความล้มเหลวเกิน 80% และการเทียบกับโครงการไอทีทั่วไป
• AI-Ready Data – Gartner กับการยกเลิก 60% ภายในปี 2026 อัตราความล้มเหลวจาก 17% เป็น 42% และ 72% ขององค์กรที่มีแนวโน้มหยุด PoC
• AI adoption failure cases in Japan – ผลสำรวจผู้บริหาร 1,008 คน กับตัวเลข 1 ใน 4 วัตถุประสงค์คลุมเครือและการไม่ตั้งตัวชี้วัด
• Thailand ranks second worldwide for AI adoption growth – ตัวเลขของประเทศไทยและแผนการลงทุนจาก Microsoft Global AI Diffusion Report
• Thailand AI in manufacturing outlook – คาดการณ์ AI ในภาคการผลิตของไทย service level ดีขึ้น 65% ผลิตภาพเพิ่ม 20% และเวลาเครื่องจักรหยุดลดลง 53%