รายงานของ Alteryx พบว่ามีช่องว่างระหว่างความตื่นตัวในการใช้ AI กับความพร้อมของโครงสร้างข้อมูลในองค์กร แม้ AI จะถูกนำมาใช้ในกระบวนการตัดสินใจมากขึ้น แต่ผู้บริหารและนักวิเคราะห์ยังไม่มั่นใจในข้อมูลที่ใช้ป้อนให้ระบบ

ตัวเลขบางส่วนสะท้อนปัญหานี้อย่างชัดเจน

• 28% ขององค์กรระบุว่าพวกเขามีความเชื่อมั่นต่ำหรือไม่มีความเชื่อมั่นเลยในความถูกต้องของข้อมูล
• โปรเจกต์ AI จำนวนมากยังคงอยู่ในขั้นทดลอง โดย มีไม่ถึงหนึ่งในสี่ที่ถูกนำไปใช้งานจริงในระบบการทำงาน

นั่นหมายความว่า องค์กรส่วนใหญ่ไม่ได้ติดขัดที่อัลกอริทึม แต่ติดขัดที่ข้อมูลซึ่งกระจัดกระจาย มีนิยามไม่ตรงกัน และขาดการกำกับดูแลที่ชัดเจน

เมื่อข้อมูลไม่น่าเชื่อถือ แม้โมเดลจะล้ำแค่ไหน ผลลัพธ์ที่ได้ก็ยังต้องถูกตรวจสอบซ้ำ นักวิเคราะห์ข้อมูลหลายคนจึงต้องใช้เวลาหลายชั่วโมงต่อสัปดาห์เพื่อตรวจสอบและแก้ไขผลลัพธ์ที่ AI สร้างขึ้นก่อนนำไปใช้ในการตัดสินใจทางธุรกิจ

ทำไมคุณภาพข้อมูลและการกำกับดูแลจึงกลายเป็นคอขวดของ AI

ในองค์กรขนาดใหญ่ ข้อมูลมักมีปัญหาเชิงโครงสร้างหลายแบบ เช่น

• ข้อมูลกระจายอยู่ในหลายระบบและหลายฝ่าย
• นิยามข้อมูลไม่เหมือนกันระหว่างทีม
• ไม่มีเจ้าของข้อมูลหรือความรับผิดชอบที่ชัดเจน
• กระบวนการวิเคราะห์ไม่สามารถตรวจสอบย้อนหลังได้

แม้ AI จะยังสามารถสร้างการคาดการณ์ได้ แต่ถ้าองค์กรไม่มั่นใจในข้อมูลที่ใช้ ผลลัพธ์เหล่านั้นก็ยากที่จะถูกนำไปใช้จริง

งานวิจัยยังพบว่า เกือบครึ่งหนึ่งของผู้นำองค์กรระบุว่าข้อมูลที่มีคุณภาพสูง เข้าถึงได้ และมีการกำกับดูแลที่ดี เป็นปัจจัยสำคัญที่สุดในการทำให้ AI ประสบความสำเร็จ

นี่จึงเป็นเหตุผลที่หลายบริษัทเริ่มต้นด้วยการสร้างโมเดลก่อน แต่กลับพบว่าพวกเขายังไม่ได้สร้าง “รากฐานข้อมูล” ที่จำเป็นสำหรับ AI

นักวิเคราะห์ 65% มองว่า AI ควรอยู่ใกล้ทีมธุรกิจมากขึ้น

อีกหนึ่งข้อค้นพบที่น่าสนใจจากงานวิจัยคือ 65% ของนักวิเคราะห์เชื่อว่า AI จะทำงานได้ดีที่สุดเมื่อทีมธุรกิจเป็นผู้ดูแลตรรกะของระบบ ไม่ใช่ให้ฝ่าย IT ควบคุมทุกอย่างเพียงฝ่ายเดียว

แนวคิดนี้สะท้อนการเปลี่ยนแปลงของการบริหารข้อมูลในองค์กร

โมเดลที่หลายองค์กรเริ่มใช้คือ

• ฝ่าย IT ดูแลโครงสร้างพื้นฐาน ความปลอดภัย และมาตรฐานการกำกับดูแล
• ทีมธุรกิจ ดูแลตรรกะการวิเคราะห์และกระบวนการตัดสินใจที่เกี่ยวข้องกับงานจริง

เหตุผลคือ ทีมธุรกิจเข้าใจความหมายของข้อมูลและบริบทการใช้งานดีที่สุด ขณะที่ฝ่าย IT ทำหน้าที่รักษาความปลอดภัย ความเสถียร และการกำกับดูแลระบบ

การแบ่งบทบาทลักษณะนี้ช่วยลดคอขวดในการพัฒนา AI และทำให้ระบบสอดคล้องกับการทำงานจริงขององค์กร

บทเรียนสำคัญ: ความพร้อมด้านข้อมูลต้องมาก่อน AI

เมื่อรวมข้อค้นพบทั้งหมดเข้าด้วยกัน จะเห็นรูปแบบที่ชัดเจนในการนำ AI มาใช้ในองค์กร

หลายบริษัทพยายามเร่งสร้างความสามารถด้าน AI ก่อนที่โครงสร้างข้อมูลของตนจะพร้อมรองรับ

แต่ระบบ AI ที่ใช้งานได้จริงต้องมีองค์ประกอบพื้นฐาน เช่น

• ชุดข้อมูลที่เชื่อถือได้และมีคุณภาพ
• การกำกับดูแลข้อมูลและการติดตามแหล่งที่มา (data lineage)
• ความรับผิดชอบด้านตรรกะการวิเคราะห์ในระดับธุรกิจ
• เวิร์กโฟลว์การวิเคราะห์ที่ทำซ้ำและตรวจสอบได้

หากไม่มีพื้นฐานเหล่านี้ ผลลัพธ์ของ AI จะถูกตั้งคำถามอยู่เสมอ และการนำไปใช้จริงก็จะชะลอตัว

สำหรับองค์กร บทสรุปจึงค่อนข้างตรงไปตรงมา: การลงทุนในโมเดล AI เพียงอย่างเดียวไม่เพียงพอ สิ่งที่สำคัญกว่าคือการสร้างระบบข้อมูลที่น่าเชื่อถือ เข้าใจได้ และใช้งานได้ทั่วทั้งองค์กร

เมื่อองค์กรเริ่มเปลี่ยนจากการทดลอง AI ไปสู่การใช้งานจริง ความได้เปรียบทางการแข่งขันอาจไม่ได้มาจากอัลกอริทึมที่ดีกว่าเสมอไป แต่อาจมาจาก วินัยด้านข้อมูลที่ดีกว่า

โมเดลใหม่ของ AI ในองค์กร

ข้อค้นพบจาก Alteryx ชี้ให้เห็นแนวทางที่องค์กรเริ่มมุ่งไป คือการผสานสามองค์ประกอบสำคัญเข้าด้วยกัน

1. โครงสร้างข้อมูลที่แข็งแรง พร้อมการกำกับดูแลที่ชัดเจน
2. การกำกับดูแลและตรวจสอบโดยมนุษย์ สำหรับการตัดสินใจที่ขับเคลื่อนด้วย AI
3. การกระจายความเป็นเจ้าของตรรกะทางธุรกิจ โดยให้ IT ดูแลแพลตฟอร์มและการกำกับดูแล

เมื่อองค์ประกอบเหล่านี้ทำงานร่วมกัน AI ก็สามารถก้าวข้ามขั้นทดลอง และกลายเป็นเครื่องมือที่ฝังอยู่ในกระบวนการทำงานประจำวันขององค์กรได้

แต่จนกว่าจะถึงจุดนั้น หลายบริษัทอาจยังต้องเรียนรู้บทเรียนเดียวกันซ้ำ ๆ: ส่วนที่ยากที่สุดของ AI ไม่ใช่การสร้างโมเดล แต่คือการเตรียมข้อมูลให้พร้อมใช้งาน

รายงานของ Alteryx พบว่ามีช่องว่างระหว่างความตื่นตัวในการใช้ AI กับความพร้อมของโครงสร้างข้อมูลในองค์กร แม้ AI จะถูกนำมาใช้ในกระบวนการตัดสินใจมากขึ้น แต่ผู้บริหารและนักวิเคราะห์ยังไม่มั่นใจในข้อมูลที่ใช้ป้อนให้ระบบ

ตัวเลขบางส่วนสะท้อนปัญหานี้อย่างชัดเจน

• 28% ขององค์กรระบุว่าพวกเขามีความเชื่อมั่นต่ำหรือไม่มีความเชื่อมั่นเลยในความถูกต้องของข้อมูล
• โปรเจกต์ AI จำนวนมากยังคงอยู่ในขั้นทดลอง โดย มีไม่ถึงหนึ่งในสี่ที่ถูกนำไปใช้งานจริงในระบบการทำงาน

นั่นหมายความว่า องค์กรส่วนใหญ่ไม่ได้ติดขัดที่อัลกอริทึม แต่ติดขัดที่ข้อมูลซึ่งกระจัดกระจาย มีนิยามไม่ตรงกัน และขาดการกำกับดูแลที่ชัดเจน

เมื่อข้อมูลไม่น่าเชื่อถือ แม้โมเดลจะล้ำแค่ไหน ผลลัพธ์ที่ได้ก็ยังต้องถูกตรวจสอบซ้ำ นักวิเคราะห์ข้อมูลหลายคนจึงต้องใช้เวลาหลายชั่วโมงต่อสัปดาห์เพื่อตรวจสอบและแก้ไขผลลัพธ์ที่ AI สร้างขึ้นก่อนนำไปใช้ในการตัดสินใจทางธุรกิจ

ทำไมคุณภาพข้อมูลและการกำกับดูแลจึงกลายเป็นคอขวดของ AI

ในองค์กรขนาดใหญ่ ข้อมูลมักมีปัญหาเชิงโครงสร้างหลายแบบ เช่น

• ข้อมูลกระจายอยู่ในหลายระบบและหลายฝ่าย
• นิยามข้อมูลไม่เหมือนกันระหว่างทีม
• ไม่มีเจ้าของข้อมูลหรือความรับผิดชอบที่ชัดเจน
• กระบวนการวิเคราะห์ไม่สามารถตรวจสอบย้อนหลังได้

แม้ AI จะยังสามารถสร้างการคาดการณ์ได้ แต่ถ้าองค์กรไม่มั่นใจในข้อมูลที่ใช้ ผลลัพธ์เหล่านั้นก็ยากที่จะถูกนำไปใช้จริง

งานวิจัยยังพบว่า เกือบครึ่งหนึ่งของผู้นำองค์กรระบุว่าข้อมูลที่มีคุณภาพสูง เข้าถึงได้ และมีการกำกับดูแลที่ดี เป็นปัจจัยสำคัญที่สุดในการทำให้ AI ประสบความสำเร็จ

นี่จึงเป็นเหตุผลที่หลายบริษัทเริ่มต้นด้วยการสร้างโมเดลก่อน แต่กลับพบว่าพวกเขายังไม่ได้สร้าง “รากฐานข้อมูล” ที่จำเป็นสำหรับ AI

นักวิเคราะห์ 65% มองว่า AI ควรอยู่ใกล้ทีมธุรกิจมากขึ้น

อีกหนึ่งข้อค้นพบที่น่าสนใจจากงานวิจัยคือ 65% ของนักวิเคราะห์เชื่อว่า AI จะทำงานได้ดีที่สุดเมื่อทีมธุรกิจเป็นผู้ดูแลตรรกะของระบบ ไม่ใช่ให้ฝ่าย IT ควบคุมทุกอย่างเพียงฝ่ายเดียว

แนวคิดนี้สะท้อนการเปลี่ยนแปลงของการบริหารข้อมูลในองค์กร

โมเดลที่หลายองค์กรเริ่มใช้คือ

• ฝ่าย IT ดูแลโครงสร้างพื้นฐาน ความปลอดภัย และมาตรฐานการกำกับดูแล
• ทีมธุรกิจ ดูแลตรรกะการวิเคราะห์และกระบวนการตัดสินใจที่เกี่ยวข้องกับงานจริง

เหตุผลคือ ทีมธุรกิจเข้าใจความหมายของข้อมูลและบริบทการใช้งานดีที่สุด ขณะที่ฝ่าย IT ทำหน้าที่รักษาความปลอดภัย ความเสถียร และการกำกับดูแลระบบ

การแบ่งบทบาทลักษณะนี้ช่วยลดคอขวดในการพัฒนา AI และทำให้ระบบสอดคล้องกับการทำงานจริงขององค์กร

บทเรียนสำคัญ: ความพร้อมด้านข้อมูลต้องมาก่อน AI

เมื่อรวมข้อค้นพบทั้งหมดเข้าด้วยกัน จะเห็นรูปแบบที่ชัดเจนในการนำ AI มาใช้ในองค์กร

หลายบริษัทพยายามเร่งสร้างความสามารถด้าน AI ก่อนที่โครงสร้างข้อมูลของตนจะพร้อมรองรับ

แต่ระบบ AI ที่ใช้งานได้จริงต้องมีองค์ประกอบพื้นฐาน เช่น

• ชุดข้อมูลที่เชื่อถือได้และมีคุณภาพ
• การกำกับดูแลข้อมูลและการติดตามแหล่งที่มา (data lineage)
• ความรับผิดชอบด้านตรรกะการวิเคราะห์ในระดับธุรกิจ
• เวิร์กโฟลว์การวิเคราะห์ที่ทำซ้ำและตรวจสอบได้

หากไม่มีพื้นฐานเหล่านี้ ผลลัพธ์ของ AI จะถูกตั้งคำถามอยู่เสมอ และการนำไปใช้จริงก็จะชะลอตัว

สำหรับองค์กร บทสรุปจึงค่อนข้างตรงไปตรงมา: การลงทุนในโมเดล AI เพียงอย่างเดียวไม่เพียงพอ สิ่งที่สำคัญกว่าคือการสร้างระบบข้อมูลที่น่าเชื่อถือ เข้าใจได้ และใช้งานได้ทั่วทั้งองค์กร

เมื่อองค์กรเริ่มเปลี่ยนจากการทดลอง AI ไปสู่การใช้งานจริง ความได้เปรียบทางการแข่งขันอาจไม่ได้มาจากอัลกอริทึมที่ดีกว่าเสมอไป แต่อาจมาจาก วินัยด้านข้อมูลที่ดีกว่า

โมเดลใหม่ของ AI ในองค์กร

ข้อค้นพบจาก Alteryx ชี้ให้เห็นแนวทางที่องค์กรเริ่มมุ่งไป คือการผสานสามองค์ประกอบสำคัญเข้าด้วยกัน

1. โครงสร้างข้อมูลที่แข็งแรง พร้อมการกำกับดูแลที่ชัดเจน
2. การกำกับดูแลและตรวจสอบโดยมนุษย์ สำหรับการตัดสินใจที่ขับเคลื่อนด้วย AI
3. การกระจายความเป็นเจ้าของตรรกะทางธุรกิจ โดยให้ IT ดูแลแพลตฟอร์มและการกำกับดูแล

เมื่อองค์ประกอบเหล่านี้ทำงานร่วมกัน AI ก็สามารถก้าวข้ามขั้นทดลอง และกลายเป็นเครื่องมือที่ฝังอยู่ในกระบวนการทำงานประจำวันขององค์กรได้

แต่จนกว่าจะถึงจุดนั้น หลายบริษัทอาจยังต้องเรียนรู้บทเรียนเดียวกันซ้ำ ๆ: ส่วนที่ยากที่สุดของ AI ไม่ใช่การสร้างโมเดล แต่คือการเตรียมข้อมูลให้พร้อมใช้งาน