KEY POINTS :

 

* ผลสำรวจพบว่าองค์กรไทย 78% อยู่ในระดับ "ผู้สร้าง" (Builder) ที่เริ่มทดลองใช้ AI แต่ยังไม่มีองค์กรใดก้าวสู่ระดับ "ผู้นำ" (Leader)

 

* อุปสรรคสำคัญคือข้อจำกัดด้านงบประมาณและความยากในการวัดผลตอบแทนจากการลงทุน (ROI)

 

* การขยายการใช้งาน AI จำเป็นต้องมีกรอบธรรมาภิบาลที่ชัดเจน ลดการทำงานแบบแยกส่วน (Silos) และสร้างสมดุลระหว่างความเร็วของ AI กับความรับผิดชอบในการตัดสินใจของมนุษย์

 

* โครงสร้างพื้นฐานทางกายภาพเป็นปัจจัยสำคัญ องค์กรต้องเตรียมความพร้อมไม่เพียงแค่ฮาร์ดแวร์อย่าง GPU แต่รวมถึงระบบพลังงานและระบบระบายความร้อนด้วยของเหลว (Liquid Cooling) เพื่อรองรับ AI ในระดับโปรดักชัน

 

* แนวทางสู่การเป็น "ผู้นำ" AI คือการออกแบบระบบเพื่อรองรับการขยายตัวตั้งแต่ต้น ใช้สถาปัตยกรรมแบบผสมผสาน และเลือกพันธมิตรที่เชี่ยวชาญเพื่อเปลี่ยนโครงการทดลองให้เป็นผลลัพธ์ทางธุรกิจที่วัดผลได้จริง

 

ประเทศไทยกำลังเดินหน้าสู่ยุคที่ AI เป็นส่วนหนึ่งของกลยุทธ์องค์กร แต่โจทย์จากนี้ไม่ใช่การเริ่มต้นใช้งาน หากเป็นการขยาย AI จากโครงการทดลองสู่การใช้งานจริง...

 

 

บุศรินทร์ ประดิษฐยนต์ ผู้จัดการประจำประเทศไทย บริษัท เอสที เทเลมีเดีย โกลบอล ดาต้าเซ็นเตอร์ (ประเทศไทย) จำกัด (STT GDC) กล่าวว่า เป้าหมาย AI ไทยชัดเจนอยู่แล้ว ทว่าโจทย์สำคัญจากนี้ คือการลงมือทำเพื่อสร้างผลลัพธ์จริง

 

ข้อมูลจากสำนักงานส่งเสริมเศรษฐกิจดิจิทัล (ดีป้า) ระบุว่า อุตสาหกรรมดิจิทัลของไทยคาดว่าจะมีมูลค่าสูงถึง 2.9 ล้านล้านบาทภายในสิ้นปี 2569 คิดเป็นสัดส่วนประมาณ 15% ของ GDP ประเทศ ส่งผลให้ความต้องการระบบคลาวด์และดาต้าเซนเตอร์เพิ่มขึ้นตามไปด้วย

 

✅ วัด ROI ยาก ฉุดการลงทุน AI

 

งานวิจัยของ STT GDC ในหัวข้อ “Mind the Gap: Bridging the AI Infrastructure Readiness Divide” ซึ่งสำรวจองค์กรชั้นนำและกลุ่ม Digital Native จำนวน 60 แห่งในประเทศไทย พบว่า 78% ขององค์กรก้าวผ่านขั้นการทดลองและเข้าสู่ระดับ “ผู้สร้าง” (Builder) แล้ว แต่ยังไม่มีองค์กรใด หรือ 0% ที่อยู่ในระดับ “ผู้นำ” (Leader)

 

ขณะเดียวกัน มีองค์กรไม่ถึง 10% ที่มีความพร้อมรองรับเวิร์กโหลด AI ได้อย่างมีประสิทธิภาพ

 

อุปสรรคสำคัญขององค์กรไทยไม่ได้อยู่ที่การขาดความสนใจใน AI แต่เป็นความไม่แน่ใจว่าเทคโนโลยีดังกล่าวจะสร้างมูลค่าทางธุรกิจที่วัดผลได้อย่างไร

 

งานวิจัยของ STT GDC พบว่า 57% ของผู้นำธุรกิจไทยระบุว่า ข้อจำกัดด้านงบประมาณและความยากในการวัดผลตอบแทนจากการลงทุน หรือ ROI เป็นอุปสรรคสำคัญที่สุด ขณะที่ 76% ขององค์กรจัดสรรงบไอทีสำหรับ AI ไม่ถึง 5%

 

การลงทุน AI ยังอยู่ภายใต้แรงกดดันจากการพิสูจน์ผลตอบแทนทางการเงิน ขณะที่การสร้างคุณค่าจาก AI จำเป็นต้องเชื่อมโยงเทคโนโลยีเข้ากับกระบวนการทำงานขององค์กร ไม่ใช่จำกัดอยู่เพียงโครงการทดลองหรือการใช้งานเฉพาะจุด

 

✅ วางกรอบ ก่อนขยายสเกล

 

สำหรับประเด็นที่มีความสำคัญต่อการขยาย AI คือธรรมาภิบาล องค์กรที่ต้องการขยายการใช้งาน AI ไม่จำเป็นต้องเป็นองค์กรที่มีข้อจำกัดจำนวนมาก แต่ควรมีกรอบการทำงานที่ชัดเจน

ทั้งนี้การเปลี่ยนจาก “gates” หรือขั้นตอนควบคุมที่เข้มงวด ไปสู่ “Guardrails” ที่ยืดหยุ่น ยังช่วยลดข้อจำกัดในการทำงานของทีม โดยเฉพาะเมื่อองค์กรต้องการขยาย AI ไปยังหลายหน่วยงาน

 

อีกประเด็นคือการลดการทำงานแบบแยกส่วน หรือ Silos เพื่อให้ข้อมูลและระบบ AI สามารถนำมาประมวลผลและใช้งานร่วมกันได้จริง

 

อย่างไรก็ตาม เทคโนโลยีและกระบวนการเป็นเพียงส่วนหนึ่งของธรรมาภิบาล AI เพราะการตัดสินใจและความรับผิดชอบขั้นสุดท้ายยังคงอยู่ที่มนุษย์

 

AI สามารถช่วยเพิ่มความเร็วในการตัดสินใจ แต่ไม่ได้เข้ามาแทนที่ความรับผิดชอบของคน องค์กรที่ขยายการใช้งาน AI ได้จึงต้องสร้างสมดุลระหว่างการใช้ AI เป็นตัวเร่งกับการใช้ความเชี่ยวชาญของมนุษย์ในการตัดสินใจขั้นสูง

 

กรอบดังกล่าวยังมีส่วนช่วยจัดการความเสี่ยงจาก “Shadow AI” ซึ่งอาจนำไปสู่การละเมิดข้อบังคับและสร้างความเสี่ยงต่อชื่อเสียงขององค์กร เมื่อ AI ถูกนำไปใช้งานในวงกว้าง

 

✅ ‘โครงสร้างพื้นฐาน’ ต้องพร้อม ก่อนขยาย AI สู่ Production

 

นอกจากธรรมาภิบาลและกระบวนการทำงานแล้ว โครงสร้างพื้นฐานทางกายภาพเป็นอีกปัจจัยที่กำหนดความพร้อมขององค์กรในการขยาย AI

ข้อมูลจาก STT GDC พบว่า 50% ขององค์กรไทยลงทุนในฮาร์ดแวร์ AI ประสิทธิภาพสูงอย่าง GPU แล้ว แต่มีเพียง 15% ที่เริ่มนำระบบระบายความร้อนด้วยของเหลว หรือ Liquid Cooling มาใช้งาน

 

การประมวลผล AI ยุคใหม่ต้องใช้พลังงานและมีภาระด้านการจัดการความร้อนสูงกว่าระบบเดิม ทำให้การออกแบบระบบพลังงานและระบบทำความเย็นกลายเป็นองค์ประกอบสำคัญในการใช้ประโยชน์จากฮาร์ดแวร์ AI ให้เต็มประสิทธิภาพ

 

ดังนั้น การเลือกฮาร์ดแวร์หรือซอฟต์แวร์จึงไม่ใช่โจทย์ทั้งหมดของการเตรียมความพร้อม AI แต่ต้องพิจารณาด้วยว่าโครงสร้างพื้นฐานที่มีอยู่สามารถรองรับการรัน AI ในระดับ Production Scale ได้หรือไม่

 

✅ '3 แนวทาง' เปลี่ยนจาก Builder สู่ Leader

 

การก้าวจาก “ผู้สร้าง” ไปสู่ “ผู้นำ” AI ไม่ได้เกิดจากการทำ Proof-of-Concept ซ้ำหลายครั้ง แต่ต้องเปลี่ยนวิธีคิดทั้งด้านการวางแผน การจัดสรรเงินทุน และการลงมือปฏิบัติ โดยมี 3 ปัจจัยสำคัญ

 

1)ออกแบบเพื่อรองรับการขยายตั้งแต่ต้น (Design for scale from the start) องค์กรควรวางระบบโครงสร้างพื้นฐานที่มีความยืดหยุ่นตั้งแต่ต้น เพื่อรองรับความหนาแน่นของการประมวลผลและเวิร์กโหลด AI ที่มีแนวโน้มเพิ่มขึ้น แทนที่จะรอให้ระบบมีข้อจำกัดแล้วจึงกลับมาปรับปรุงภายหลัง

 

2)ใช้สถาปัตยกรรมแบบผสมผสาน ครอบคลุมทั้งสภาพแวดล้อมแบบ On-premise, Colocation และระบบคลาวด์ รวมถึงการใช้งานแบบไฮบริด เพื่อเพิ่มความยืดหยุ่น รองรับหลักอธิปไตยของข้อมูล (Data Sovereignty) และเพิ่มประสิทธิภาพการทำงานของ AI

 

3)เลือกพันธมิตรให้เหมาะกับข้อจำกัดขององค์กร องค์กรควรประเมินขีดความสามารถภายในอย่างตรงไปตรงมา และเลือกพันธมิตรที่มีความเชี่ยวชาญด้านโครงสร้างพื้นฐานเฉพาะทางเข้ามาเสริมในส่วนที่องค์กรยังขาด โดยเฉพาะเทคโนโลยี Liquid Cooling การออกแบบระบบความหนาแน่นสูง (High-Density) และประสบการณ์ด้านโครงสร้างพื้นฐานที่รองรับการขยาย AI

 

✅ บททดสอบต่อไป : เปลี่ยน AI ให้เป็นผลลัพธ์ธุรกิจ

 

บุศรินทร์มองว่า ประเทศไทยมีทั้งวิสัยทัศน์และความพร้อมในการเข้ามามีบทบาทใน AI economy แต่โจทย์ถัดไปคือการเปลี่ยนความมุ่งมั่นดังกล่าวให้เป็นการใช้งานที่สร้างผลลัพธ์อย่างเป็นรูปธรรม

 

องค์กรที่ต้องการขยาย AI จึงต้องมองไกลกว่าโครงการ AI รายโครงการ และสร้างสภาพแวดล้อมที่รองรับการขยายผล ทั้งธรรมาภิบาลที่เชื่อถือได้ บุคลากรที่มีทักษะ โครงสร้างพื้นฐานที่ยืดหยุ่นและแข็งแกร่ง รวมถึงแนวทางที่ชัดเจนในการเปลี่ยนงานทดลองไปสู่การใช้งานจริงทางธุรกิจ

 

ท้ายที่สุด ความเป็นผู้นำด้าน AI ของประเทศไทยไม่ได้วัดจากจำนวนโครงการนำร่องที่เปิดตัว แต่วัดจากความสามารถในการเปลี่ยน AI ให้เป็นผลลัพธ์ทางธุรกิจที่วัดผลได้ และสร้างการใช้งานอย่างต่อเนื่องในระดับองค์กร

 

ที่มา กรุงเทพธุรกิจ

วันที่ 10 สิงหาคม 2569