AI for Business สำหรับผู้บริหารและทีมธุรกิจ

เลือกให้ออกว่างานไหนคุ้มที่จะใช้ AI

โครงการ AI ส่วนใหญ่ไม่ได้ล้มเพราะเทคโนโลยี แต่ล้มเพราะเลือกโจทย์ผิดตั้งแต่ต้น เราจึงเริ่มจากงานที่องค์กรทำอยู่จริง ไล่ดูว่าจุดไหนเสียเวลาไปกับงานซ้ำ จุดไหนต้องรอคนใดคนหนึ่ง และจุดไหนตัดสินใจช้าเพราะข้อมูลกระจัดกระจาย แล้วแปลงออกมาเป็น Use Case ที่เขียนขอบเขตได้ชัด ก่อนจะให้คะแนนและจัดลำดับด้วยเกณฑ์ชุดเดียวกันทั้งห้อง วิธีทำงานส่วนนี้ต่อยอดจากเวิร์กช็อปสาย Discovery & Strategy ที่เราใช้อยู่แล้ว

• แยกงานที่ AI ช่วยได้จริง ออกจากงานที่ฟังดูเข้าท่าแต่ข้อมูลยังไม่พร้อม
• แปลง Pain Point ของงานประจำให้เป็น Use Case ที่อธิบายขอบเขตได้ชัด
• ให้คะแนนด้วย Prioritisation Matrix ทั้งด้านคุณค่าและความยากในการทำจริง
• ทำ ROI Canvas เพื่อดูว่าผลตอบแทนมาจากตรงไหน และมาเมื่อไร
• ตรวจตั้งแต่ต้นว่าข้อมูลที่ต้องใช้มีอยู่จริงไหม อยู่ในรูปแบบใด และใครเป็นเจ้าของ
• ปิดท้ายด้วยรายการสั้นที่องค์กรพร้อมออกงบให้จริง ไม่ใช่รายการความอยากได้

อ่านข้อเสนอ เดโม และคำกล่าวอ้างของผู้ขายให้ออก

เดโมคือกรณีที่ดีที่สุดเท่าที่มีคนเตรียมมาให้ดู ส่วนข้อเสนอมักเขียนกว้างที่สุดเท่าที่จะเขียนได้ ช่วงนี้จึงเป็นการฝึกตั้งคำถาม เราเปิดให้เห็นว่าระบบอย่างแชทบอทที่ตอบจากเอกสารภายใน หรือระบบตัวแทนอัตโนมัติที่ดึงข้อมูลมาจัดโครงสร้างแล้ววิเคราะห์ต่อ ประกอบขึ้นจากอะไรบ้าง งานหนักอยู่ตรงไหน และถ้อยคำแบบไหนในข้อเสนอที่แปลว่ายังไม่ได้ทำ เพราะเราสร้างระบบเหล่านี้เอง จึงเล่าได้ว่าแต่ละส่วนใช้แรงเท่าไรจริง

• ชุดคำถามที่ใช้แยกสิ่งที่ทำเสร็จแล้ว ออกจากสิ่งที่ยังเป็นแผน
• ตัวเลขความแม่นยำที่ยกมาอ้าง วัดจากข้อมูลชุดไหน และวัดในเงื่อนไขใด
• ระบบทำอย่างไรเมื่อเจอคำถามนอกขอบเขต และอ้างอิงที่มาของคำตอบได้หรือไม่
• งานส่วนใหญ่มักอยู่ที่การเตรียมข้อมูลและการเชื่อมกับระบบเดิม ไม่ใช่ที่ตัวโมเดล
• จุดที่ควรระบุให้ชัดใน TOR หรือสัญญา ทั้งขอบเขต การส่งมอบ และการดูแลหลังส่งมอบ
• ทำเองกับจ้างทำ ต่างกันตรงไหนเมื่อมองยาวตลอดอายุการใช้งาน

ต้นทุน ความเสี่ยง และการกำกับดูแลข้อมูล ในระดับที่ใช้ตัดสินใจได้

ต้นทุนของระบบ AI ไม่ใช่ตัวเลขเดียว มีทั้งค่าพัฒนา ค่าเรียกใช้โมเดลที่ผันไปตามปริมาณการใช้งาน ค่าเชื่อมกับระบบเดิม และค่าดูแลหลังจากระบบขึ้นใช้งานแล้ว ส่วนความเสี่ยงมาสองทาง คือข้อมูลที่ออกไปนอกองค์กร และคำตอบที่ผิดทั้งที่ยังฟังดูน่าเชื่อถือ เนื้อหาช่วงนี้ต่อยอดจากหลักสูตร Data & Governance for AI โดยให้ลึกพอสำหรับการตัดสินใจ ไม่ใช่เพื่อไปตั้งค่าระบบเอง

• แยกต้นทุนตั้งต้น ออกจากต้นทุนที่เกิดซ้ำทุกเดือนหลังระบบขึ้นใช้งาน
• ข้อมูลอะไรถูกส่งออกนอกองค์กรบ้าง ไปเก็บไว้ที่ไหน และเก็บนานเท่าไร
• PDPA กับข้อมูลลูกค้าและข้อมูลพนักงาน ทั้งฐานการประมวลผลและการขอความยินยอม
• Model Risk คำตอบผิดเกิดขึ้นได้เสมอ จึงต้องกำหนดว่าจุดไหนต้องให้คนตรวจก่อน
• Governance Framework ใครอนุมัติ ใครรับผิดชอบผลลัพธ์ และทบทวนกันรอบไหน
• สัญญาณที่บอกว่าควรเริ่มจากโครงการนำร่องเล็ก ก่อนขยายทั้งองค์กร

คนละคลาสกับคอร์สลงมือทำ และใช้ต่อกันได้

เรามีคอร์สสำหรับคนลงมือทำอยู่แล้ว ทั้ง Generative AI, n8n, Make.com และ Claude Cowork ซึ่งผู้เรียนสร้างชิ้นงานของตัวเองในคลาส หลักสูตรนี้ไม่ได้มาแทนคอร์สเหล่านั้น แต่ทำคนละหน้าที่ คือฝึกการตัดสินใจ ไม่ใช่การใช้เครื่องมือ ในคลาสจึงไม่มีการเขียนโค้ดและไม่ต้องติดตั้งอะไร ลำดับที่ได้ผลดีคือให้ผู้บริหารและทีมธุรกิจตกลงโจทย์ให้ชัดก่อน แล้วส่งต่อให้ทีมที่จะลงมือสร้างไปเข้าคอร์สภาคปฏิบัติ

• ไม่ต้องเขียนโค้ด ไม่ต้องติดตั้งเครื่องมือใด
• ใช้โจทย์และข้อมูลจริงขององค์กรเป็นตัวอย่างตลอดหลักสูตร
• จัดแบบปิดเฉพาะองค์กร หรือเป็นการบรรยายสำหรับกลุ่มใหญ่ก็ได้
• ส่งต่อเข้าคอร์สภาคปฏิบัติได้ทันที สำหรับทีมที่รับโจทย์ไปสร้างจริง