สถาบันการเงินทุ่มงบ AI เพิ่มขึ้น แต่ผลตอบแทนยังพิสูจน์ได้ยาก

สถาบันการเงินทั่วโลกกำลังเพิ่มงบ AI อย่างรวดเร็ว แต่การลงทุนและการทดลองจำนวนมากยังไม่แปลงเป็นผลลัพธ์ที่ตรวจวัดได้จริง ประเด็นสำคัญจาก Quinlan & Associates จึงไม่ใช่ว่าองค์กรควรใช้ AI หรือไม่ หากคือองค์กรจะพิสูจน์ได้อย่างไรว่า AI ช่วยเพิ่มรายได้ ลดต้นทุน ลดความเสี่ยง หรือยกระดับประสบการณ์ลูกค้าได้จริง

เงินลงทุนโตแรง แต่ช่องว่าง ROI ยังใหญ่

Quinlan & Associates ประเมินว่า ภาคบริการการเงินใช้จ่ายกับโครงการที่เกี่ยวข้องกับ AI 7.6 หมื่นล้านดอลลาร์สหรัฐ ในปี 2025 และคาดว่าตัวเลขจะเกิน 1.3 แสนล้านดอลลาร์ ภายในปี 2030 14 ขณะเดียวกัน สถาบันการเงินแบบดั้งเดิม 95% อยู่ระหว่างการสำรวจหรือใช้งาน AI ในการดำเนินธุรกิจแล้ว แต่ 71% ระบุว่ายังทำให้เกิดหรือแสดงให้เห็นผลตอบแทนจากการลงทุน (ROI) ที่ชัดเจนได้ยาก 3

ความต่างระหว่างสองตัวเลขนี้มีนัยสำคัญ การใช้งานอย่างแพร่หลายสะท้อนความตั้งใจและแรงกดดันในการแข่งขัน แต่ไม่ได้แปลว่าแต่ละโครงการสร้างมูลค่าที่ยั่งยืนเสมอไป ข้อมูลที่เชื่อมโยงกับ Quinlan ยังระบุว่า 43% ของโครงการ AI ถูกยกเลิก ซึ่งสะท้อนว่าโครงการจำนวนไม่น้อยไปไม่ถึงจุดที่นำไปใช้งานจริงได้อย่างต่อเนื่อง 15

เหตุใดโครงการ AI จึงไม่กลายเป็นผลตอบแทน

Quinlan ระบุอุปสรรคที่เชื่อมโยงกัน 3 ด้านในการเปลี่ยน AI เป็นมูลค่าทางธุรกิจ

1. เริ่มจากเทคโนโลยี แทนที่จะเริ่มจากปัญหาธุรกิจ องค์กรอาจเลือกใช้เครื่องมือที่มีอยู่ก่อน แล้วค่อยพยายามหาโจทย์รองรับ แทนที่จะกำหนดปัญหาทางธุรกิจ เส้นทางลูกค้า คอขวดของงาน และเป้าหมายด้านมูลค่าให้ชัดเจนตั้งแต่แรก จึงยากที่จะคัดเลือกกรณีใช้งานที่มีเส้นทางสู่ผลลัพธ์ที่น่าเชื่อถือ 6
2. วางธรรมาภิบาลช้าเกินไป หากความเสี่ยง การกำกับดูแล และระบบควบคุมถูกมองเป็นเพียงขั้นตอนอนุมัติหลังเริ่มออกแบบแล้ว ทีมงานอาจเพิ่งพบข้อจำกัดหลังใช้เวลาและงบประมาณไปมาก 6
3. รูปแบบการดำเนินงานไม่พร้อมสำหรับการขยายผล ข้อมูลที่กระจัดกระจาย รากฐานการนำไปใช้ที่ไม่แข็งแรง และขีดความสามารถที่ยังไม่พอในการกำกับ ดูแล ติดตั้ง และขยาย AI อาจทำให้โครงการที่ดูมีแววค้างอยู่ระหว่างช่วงทดลองกับการใช้จริงทั้งองค์กร 6

นี่จึงเป็นข้อจำกัดด้านการลงมือทำ มากกว่าจะเป็นปัญหาว่าเทคโนโลยีมีความสามารถหรือไม่ สถาบันอาจซื้อสิทธิ์ใช้โมเดล ทำโครงการพิสูจน์แนวคิด และรายงานจำนวนการทดลอง AI ได้มาก แต่หากไม่ปรับเวิร์กโฟลว์และความรับผิดชอบให้รองรับ ก็ยากจะเปลี่ยนกิจกรรมเหล่านั้นเป็นผลลัพธ์ทางการเงิน

ธรรมาภิบาล AI คือส่วนหนึ่งของกลไกสร้าง ROI

สำหรับธุรกิจการเงิน ธรรมาภิบาล AI ที่น่าเชื่อถือไม่ใช่เรื่องแยกต่างหากจากผลประกอบการ เพราะเป็นตัวกำหนดว่ากรณีใช้งานหนึ่งจะผ่านการอนุมัติ ถูกนำไปใช้จริง ได้รับการติดตาม และได้รับความไว้วางใจได้หรือไม่ โดยเฉพาะเมื่อระบบมีอิสระในการทำงานมากขึ้น

คู่มือ AI สำหรับภาคบริการการเงินของ World Economic Forum แนะนำให้ฝังการจัดการความเสี่ยงและแนวปฏิบัติด้าน AI อย่างรับผิดชอบไว้ในทุกชั้นของระบบ ตั้งแต่กำหนดระดับความเสี่ยงที่ยอมรับได้ตั้งแต่ต้น ตรวจสอบความถูกต้องของโมเดลอย่างเข้มงวด ไปจนถึงทำให้การทำงานของ AI อธิบายได้ ตรวจสอบย้อนกลับได้ และควบคุมได้ 1 แนวทางเหล่านี้ยิ่งสำคัญเมื่อองค์กรเปลี่ยนจาก AI ที่ช่วยสนับสนุนงาน ไปสู่ระบบที่สามารถดำเนินการหลายขั้นตอนเองได้ การกำหนดขอบเขต จุดส่งต่อให้มนุษย์ตัดสินใจ และการกำกับดูแลที่ชัดเจน ช่วยลดความไม่แน่นอนในการปฏิบัติงานที่มักขัดขวางการขยายโครงการที่มีมูลค่าสูง

หลักฐานในอุตสาหกรรมยังชี้ว่ารากฐานข้อมูลเป็นหัวใจสำคัญ แบบสำรวจ IIF-EY ระบุว่า คุณภาพและความพร้อมใช้ของข้อมูลเป็นความท้าทายหลักในการนำ AI ไปใช้งานจริง ควบคู่กับความต้องการบุคลากรที่มีทักษะและมาตรการกำกับดูแล 4

เทียบกับผลวิจัยของ BCG และ NVIDIA

งานวิจัยในวงกว้างสนับสนุนข้อวิเคราะห์ของ Quinlan แม้จะใช้กลุ่มตัวอย่างและวิธีวัดต่างกัน

การสำรวจผู้บริหารฝ่ายการเงินกว่า 280 คนของ BCG พบว่า ROI ที่ผู้ตอบแบบสำรวจรายงานมีค่ามัธยฐานเพียง 10% ต่ำกว่าเป้าหมาย 20% ที่ผู้ตอบจำนวนมากตั้งไว้ และเกือบหนึ่งในสามรายงานว่าได้ผลลัพธ์เพียงจำกัด 43 ส่วนการศึกษาอีกชิ้นของ BCG ที่ครอบคลุมบริษัทมากกว่า 1,250 แห่ง พบว่ามีเพียง 5% ที่สร้างมูลค่าจาก AI ได้ในระดับขยายผล ขณะที่ 60% ยังไม่ได้มูลค่าที่เป็นสาระสำคัญ แม้ลงทุนไปมากแล้ว

ผลสำรวจภาคบริการการเงินปี 2025 ของ NVIDIA นำเสนออีกด้านหนึ่งของภาพ: กรณีใช้งานที่ติดตั้งจริงบางประเภทกำลังให้ประโยชน์ที่จับต้องได้ ผู้ตอบเกือบ 70% ระบุว่า AI ช่วยเพิ่มรายได้อย่างน้อย 5% และมากกว่า 60% ระบุว่าช่วยลดต้นทุนต่อปีได้อย่างน้อย 5% โดยกรณีใช้งาน Generative AI ที่มี ROI เด่นที่สุดตามรายงานคือการซื้อขายและเพิ่มประสิทธิภาพพอร์ตลงทุน รวมถึงงานด้านประสบการณ์ลูกค้า

เมื่อพิจารณาร่วมกัน งานวิจัยเหล่านี้ไม่ได้ขัดแย้งกัน AI สามารถสร้างผลตอบแทนได้ แต่การติดตั้งระบบไม่ใช่ผลลัพธ์ปลายทาง ความแตกต่างอยู่ที่องค์กรเลือกโจทย์มูลค่าสูงได้หรือไม่ ปรับเวิร์กโฟลว์ที่เกี่ยวข้องหรือไม่ สร้างข้อมูลและระบบควบคุมที่เชื่อถือได้หรือไม่ และวัดผลทั้งเชิงปฏิบัติการและการเงินได้จริงหรือไม่

โจทย์ใหม่: จาก “มี AI” สู่ “ทำให้ AI สร้างผลลัพธ์”

สัญญาณที่ชัดเจนที่สุดจากรายงาน Quinlan คือความไม่สอดคล้องกันระหว่างเงินลงทุน 7.6 หมื่นล้านดอลลาร์ในปี 2025 การมีส่วนร่วมกับ AI อย่างกว้างขวางของสถาบัน และความยากต่อเนื่องในการพิสูจน์ผลตอบแทน 14 3

คำตอบในเชิงปฏิบัติสำหรับผู้บริหารสถาบันการเงิน คือมอง AI เป็นโครงการเปลี่ยนผ่านธุรกิจ ไม่ใช่ชุดโครงการทดลองที่แยกขาดจากกัน ควรเริ่มจากเป้าหมายธุรกิจที่วัดผลได้ กำหนดข้อกำหนดด้านความเสี่ยงและธรรมาภิบาลก่อนเริ่มพัฒนา ระบุเจ้าของผลลัพธ์ให้ชัด และติดตามตัวชี้วัดตลอดวงจรชีวิตหลังนำไปใช้ BCG ก็เสนอในทิศทางเดียวกันว่า บริษัทที่สร้างมูลค่าได้มากมักมุ่งไปยังโครงการจำนวนไม่มาก ขยายผลอย่างรวดเร็ว เปลี่ยนกระบวนการหลัก พัฒนาทักษะทีม และวัดผลตอบแทนทั้งด้านปฏิบัติการและการเงินอย่างเป็นระบบ

เส้นแบ่งการแข่งขันถัดไปจึงไม่น่าจะอยู่ระหว่างสถาบันที่ “มี AI” กับสถาบันที่ “ไม่มี AI” แต่อยู่ระหว่างองค์กรที่สามารถนำ AI ไปทำงานในเวิร์กโฟลว์หลักได้อย่างปลอดภัย วัดผลได้ และขยายผลได้ กับองค์กรที่ยังสะสมโครงการทดลองโดยไม่มีเส้นทางสู่มูลค่าที่ทำซ้ำได้