ใครที่เกิดในยุค 80 หรือก่อนหน้านั้นน่าจะพอจำ “ยุคตื่นทอง” ของเทคโนโลยีสารสนเทศ (IT) มาแล้วหลายครั้งนะครับ ถ้าเราลองมาไล่เรียงกันดูก็จะมีประมาณนี้:
🌐 ยุค Dot-com Bubble: ช่วงที่ผมยังเรียน ป.ตรี จนถึงเริ่มทำงานใหม่ ๆ เห็นหลายโปรเจกต์ต้องมีคำว่า "e-" หรือ "i-" นำหน้า หน่วยงานแทบทุกที่ (แม้กระทั่งองค์กรปกครองส่วนท้องถิ่น) ต่างก็แห่กันทำเว็บไซต์ ทั้ง ๆ ที่ชาวบ้านในพื้นที่ยุคนั้นยังเข้าไม่ถึงอินเทอร์เน็ตด้วยซ้ำ สุดท้ายก็จบลงที่ความล้มเหลว กลายเป็นระบบที่ไม่ช่วยงาน ต้องกลับมาทำ Manual หรือกลายเป็นเว็บไซต์และเซิร์ฟเวอร์ร้าง ซึ่งต่อมาก็กลายเป็นแหล่งแฝงตัวของอาชญากรไซเบอร์ที่สร้างปัญหาตามมาอีกมากมาย
📱 ยุค Mobile App: ถ้าจำกันได้ช่วง GSM มาจนถึง 2G เรื่องพวกนี้ยังไม่น่าสนใตเท่าไหร่ เพราะ Application ที่บน WAP มันไม่ได้น่าใช้นัก แต่พอเข้ายุค 3G ทุกหน่วยงานก็อยากมี App เป็นของตัวเอง จนเกิดการทำแอปฯ ซ้ำซ้อน (โดยเฉพาะในกลุ่มภาครัฐ) ผลาญงบประมาณกันมหาศาล และสุดท้ายก็กลายเป็น “App ร้าง” เต็ม App Store ไปหมด
⛓️ ยุค Blockchain & Crypto: หลังวิกฤติเศรษฐกิจก็เป็นการมาถึงของ Blockchain และ Crypto Assets แม้อุตสาหกรรมนี้จะพิสูจน์ตัวเองแล้วว่าน่าจะ “Here to stay” ไปอีกนาน แต่ผมก็เห็นหลายบริษัทล้มเหลวอย่างสิ้นเชิง เพราะปฏิบัติต่อเทคโนโลยีนี้ในฐานะ “A solution that is looking for a problem” คือผู้บริหารต้องการนำเทคโนโลยีล้ำหน้ามาใช้ แต่ไม่สามารถค้นหาปัญหาที่แท้จริง และสมควรแก้ไขได้
🥽 ยุค Metaverse: สารภาพตามตรงว่าผมเองก็เคย "เห่อ" ไปกับเขาด้วย ถึงขั้นอยากปั้น Start-up ด้านนี้ ผลสรุปคือเสียทั้งเงินและเวลาไปพอสมควรครับ และเราก็ไม่ได้เจ็บลำพัง เพราะองค์กรขนาดใหญ่หลายแห่งก็เจ็บตัวกันไปเยอะ
จนมาถึงปัจจุบัน “ยุคของ AI”
ส่วนตัวผมมองว่าในภาพใหญ่ AI จะไม่ตกอยู่ในชะตากรรมเดียวกับเทคโนโลยีที่ถูก Overrate ตามกระแสในอดีต เพราะ AI ถือกำเนิดและถูกบ่มเพาะมาตั้งแต่ยุค 1950s ณ วันนี้ก็ผ่านมาแล้วเกือบ 70 ปี ปัจจัยเกื้อหนุนต่าง ๆ ก็พร้อม ทำให้ศักยภาพที่ AI จะ Disrupt หลายสิ่งในชีวิตมนุษย์ได้อย่างแท้จริงจึงถูกปลดล็อก และน่าจะอยู่ต่อไปได้อย่างยั่งยืนแน่นอน
แต่ถึงแม้ AI จะมีศักยภาพมหาศาลในระดับสังคมโดยรวม หากเรามองดูใน “ระดับองค์กร” Candid เราก็ชักจะเห็นว่าหลาย ๆ ที่น่าจะกำลังเดินทางพลาดแบบเดิม ๆ นั่นคือรีบร้อนกระโจนลงสนาม AI Transformation และบีบให้พนักงาน “ต้องทำอะไรสักอย่าง” ให้เกิด AI Project ที่ “Wow ๆ” เพียงเพื่อที่องค์กรจะได้มีเรื่องราวน่าสนใจไปออกสื่อ หรือคุยกับนักลงทุน
แล้วเราจะทำอย่างไรไม่ให้ประวัติศาสตร์ต้องซ้ำรอย?
ตัวอย่างหนึ่งมาจากการที่ Candid GRC เราไปรันโครงการ AI Transformation มา และพบกับทีมงานที่ถูกส่งมาเข้าโครงการแบบงง ๆ ทีมหนึ่ง มาพร้อมกับโจทย์ตั้งต้นจากผู้บริหารแล้วว่า
“เราจะนำเทคโนโลยี AI OCR มา Digitize ข้อมูลในเอกสารกระดาษเฉพาะทางชนิดหนึ่ง ไปเก็บไว้ในฐานข้อมูล เพื่อให้ User ค้นหาได้ง่ายขึ้น”
ในมุมของทีม Candid เรามองว่าเทคโนโลยี OCR ไม่ใช่เรื่องใหม่ แม้จะถูกยกระดับด้วย AI หรือ LLM ก็ตาม มันก็ไม่ได้เป็นโครงการที่ “Wow” ขนาดนั้น ทำให้โปรเจกต์นี้อาจจะไม่ได้ดึงศักยภาพขอในปัจจุบันมา Transform องค์กรได้อย่างจริงจัง
เราจึงกระตุ้นให้สมาชิกในทีม ลองถอยกลับไปช้หลักการพื้นฐานของ Design Thinking เพื่อทำความเข้าใจ (Empathize) ผู้ใช้งานเป้าหมายให้มากขึ้น โดยให้ไปถาม User ด้วยคำถามง่ายๆ เช่น:
- ปัจจุบัน User ใช้ข้อมูลในเอกสารเฉพาะทางเหล่านี้ทำอะไรบ้าง?
- พบปัญหาอะไรในการทำงาน?
- หากเรานำเอกสารผ่าน OCR แล้ว จะนำไปช้ต่ออย่างไร?
คำตอบที่ทีมนี้เจอนั้นน่าสนใจมาก นั่นคือปกติแล้ว User จะเอาเอกสารกระดาษนี้มาอ่านแค่รอบเดียว มีน้อยครั้งมากที่จะไปค้นเอกสารเก่า ๆ มาอ่านใหม่ และแม้จะแปลงเอกสารเป็นข้อมูล Electronic ที่ค้นหาด้วย Keywor ได้แล้ว ก็คงไม่ได้สร้างประโยชน์นัก เพราะข้อมูลที่ตั้งต้นถูกสร้างมาจากหลายแหล่ง มีการใช้ถ้อยคำที่หลากหลาย และ ไม่เป็นมาตรฐานเดียวกัน แม้ว่าจะกำลังพูดถึงเรื่องเดียวกันก็ตาม
ปัญหานี้ทำให้การค้นหาด้วย Keyword แทบไม่มีประโยชน์ เพราะไม่รู้จะ Search ด้วยคำว่าอะไร และไม่สามารถนำข้อมูลไป “ประมวลผลและวิเคราะห์ในเชิงสถิติ” ได้
นี่คือปัญหาหรือ Unmet Need ที่แท้จริง ครับ เพราะสิ่งที่ User ขาด ไม่ใช่การทำ Text Extraction (การดึงตัวอักษรจากภาพ) แต่เป็นการเปลี่ยน ข้อมูลที่มาจากหลายแหล่ง ให้เป็นมาตรฐานเดียวกัน หรือ (Data Standardization
ต่อให้ระบบ OCR จะดึงข้อมูลออกมาได้แม่นยำแค่ไหน ถ้าเนื้อหาจาก 2 แหล่งไม่ตรงกัน User ก็เอาไปใช้งานต่อไม่ได้อยู่ดี
ด้วยความที่เป็นเรื่องเฉพาะทาง LLM ทั่วไปไม่สามารถช่วยได้ แต่ในยุคทองของ AI แบบนี้ เราเชื่อว่าต้องมีโมเดลที่ช่วยแก้ปัญหานี้ได้แล้ว เราจึงแนะนำให้ทีมเปลี่ยนโฟกัส ข้ามเรื่องกระบวนการทำ OCR ไปเลย แล้วช่วยกัน Research หา AI Model ที่สร้างขึ้นมาเพื่องานเฉพาะทางนี้มาลองใช้แทน
ซึ่ง Candid เราก็พบโมเดลตัวหนึ่งที่ทำหน้าที่ “แปลงข้อมูลเฉพาะทางหลากหลายรูปแบบนี้ ให้ออกมาเป็นมาตรฐานสากลเดียวกัน” เราจึงติดต่อไปยังผู้พัฒนา (ซึ่งเป็นนักวิจัย) และท่านก็ใจดีอนุญาตให้นำมาลองใช้ได้ฟรี
ผลลัพธ์คือทีมนี้ได้ Solution ที่ “Wow” มากๆ ครับ เพราะมันช่วยแก้ปัญหาที่คาราคาซังมาหลายปีให้องค์กรได้อย่างชะงัด เปิดโอกาสให้นำข้อมูลที่สะสมมาตั้งแต่อดีต แปลงให้ถูกต้องตามมาตรฐาน และนำไปวิเคราะห์เชิงสถิติเพื่อต่อยอดทางธุรกิจได้อีกมหาศาล
เหตุการณ์นี้สะท้อนให้เห็นว่า ในการทำ AI Transformation เราไม่ควรมุ่งเน้นแค่การยัดเยียด Technology ใหม่ ๆ เข้ามา โยนโจทย์พื้น ๆ ให้พนักงานนำไปปฏิบัติ แล้วหวังว่าว่าองค์กรเราจะเปลี่ยนโฉมด้วย AI
แต่เราต้องตั้งต้นจาก ปัญหาของ User เป็นหลัก มองหา Unmet Need ให้เจอ โดยไม่จำเป็นต้อตีกรอบว่า Solution นั้นต้องเป็น AI เสมอไปด้วยซ้ำ
และเมื่อเราตกผลึกปัญหาทางธุรกิจที่แท้จริงได้ หาคำตอบที่ “ใช่” จนเจอ นวัตกรรมที่ได้ ก็จะสร้าง Business Impact ได้อย่างมหาศาล และไม่มีวันกลายเป็นเพียงระบบหรือ App ที่ถูกทิ้งร้างตัวต่อไปอย่างแน่นอนครับ