เพลย์บุ๊กภายในของ GitHub สำหรับการสร้าง Workforce ที่ขับเคลื่อนด้วย AI

• GitHub ขยายการนำ AI มาใช้ด้วยแนวทางที่ยึดคนเป็นศูนย์กลาง พร้อมสร้าง ขีดความสามารถด้าน AI ระดับทั้งองค์กร
• การยอมรับ AI ไม่ใช่ปัญหาทางเทคนิค แต่เป็น โจทย์ด้านการบริหารการเปลี่ยนแปลง ไม่ใช่แค่การแจกจ่ายเครื่องมือ แต่คือการปรับโครงสร้างวิธีทำงานขององค์กรใหม่
• เพื่อให้ประสบความสำเร็จ GitHub ได้จัดทำโมเดลการดำเนินงานบนพื้นฐานของ 8 เสาหลัก (ผู้สนับสนุน AI, นโยบายที่ชัดเจน, โอกาสในการเรียนรู้, การวัดผลด้วยข้อมูล, ผู้รับผิดชอบที่ชัดเจน, การสนับสนุนจากผู้บริหาร, เครื่องมือที่เหมาะสม, ชุมชนแห่งการปฏิบัติ)
• นอกจากนี้ยังได้วางระบบทั้งการสื่อสารวิสัยทัศน์จากผู้บริหารอย่างจริงจัง, แนวทางการใช้งานที่ชัดเจน, เครือข่ายผู้สนับสนุนแบบสมัครใจ, ชุมชนแห่งการปฏิบัติ (CoP), เส้นทางการเรียนรู้อย่างเป็นระบบ, ภาวะผู้นำเฉพาะด้าน และระบบวัดผลที่พิสูจน์ ROI ได้
• กลยุทธ์นี้แสดงให้เห็นว่าเป็นแนวทางเชิงโครงสร้างที่ก้าวข้ามการยอมรับใช้งานแบบพื้นฐาน ไปสู่ การปฏิรูปการทำงาน การเพิ่มผลิตภาพ และการเติบโตของบุคลากร

---

บทนำ: โอกาสและโจทย์สำคัญ

• Generative AI คือโอกาสครั้งใหญ่ในการเร่งผลลัพธ์ทางธุรกิจ และกำลังเกิด การแข่งขัน เพื่อช่วงชิงคุณค่าอย่างเข้มข้น
• โจทย์ไม่ใช่การตระหนักถึงศักยภาพของ AI แต่คือ การทำให้เกิดการใช้งานจริงในระดับสเกล ซึ่งเป็นจุดตัดสินความสำเร็จ
• หลายองค์กรลงทุนกับเครื่องมือ AI มากเกินไป แต่การใช้งานกลับจำกัดอยู่ในกลุ่ม ผู้ใช้กระตือรือร้นเพียงส่วนน้อย ทำให้ไม่สามารถเปลี่ยนเป็นผลิตภาพระดับทั้งองค์กรได้
• ความต่างระหว่างองค์กรที่มีผลงานสูงกับองค์กรที่ชะงักงัน คือการมี กลยุทธ์การขับเคลื่อนใช้งานที่มีเจตนาและเป็นระบบ หรือไม่

ความเข้าใจผิดที่นำไปสู่ความล้มเหลว: ไม่ใช่การปล่อยใช้เทคโนโลยี แต่คือการบริหารการเปลี่ยนแปลง

• องค์กรมักปฏิบัติต่อการนำ AI มาใช้เหมือนการติดตั้งซอฟต์แวร์ แต่ในความเป็นจริงมันคือภารกิจด้านการบริหารการเปลี่ยนแปลงที่เป็น การเดินสายวิธีทำงานใหม่
• สิ่งที่ตัดสินความสำเร็จหรือความล้มเหลวไม่ใช่การซื้อลิขสิทธิ์ใช้งาน แต่คือการสร้าง โครงสร้างพื้นฐานด้านมนุษย์ ที่เปลี่ยน พนักงานที่ยังลังเล ให้กลายเป็น ผู้ใช้ระดับเชี่ยวชาญ

ลักษณะของเอกสาร: เพลย์บุ๊กภายในของ GitHub

• เอกสารนี้คือเพลย์บุ๊กภายในที่ GitHub พัฒนาและใช้งานเพื่อสร้าง ความคล่องแคล่วด้าน AI ให้กับบุคลากรทั่วโลก
• เป็นผลลัพธ์ของโครงการ AI for Everyone และนำเสนอ พิมพ์เขียวการปฏิบัติที่ผ่านการพิสูจน์ในภาคสนาม ไม่ใช่แค่ทฤษฎี
• เป้าหมายคือทำให้ระบบที่ฝัง AI เข้าไปในวิธีทำงาน สามารถถูกทำซ้ำได้ โดยองค์กรอื่นด้วย

ภาพรวมโมเดลการดำเนินงาน: ระบบที่เสริมกันและกัน

• การขับเคลื่อนการใช้ AI ให้สำเร็จไม่ได้ถูกออกแบบเป็นโครงการเดี่ยว แต่เป็น ผลรวมขององค์ประกอบที่เสริมกันและกัน
• GitHub ผสาน กลยุทธ์จากบนลงล่าง กับ แรงขับเคลื่อนจากฐานราก อย่างประณีต เพื่อสร้าง ระบบนิเวศที่ความคล่องแคล่วด้าน AI เติบโตได้
• รากฐานของระบบนิเวศนี้คือ การสนับสนุนที่มองเห็นได้จากผู้บริหาร และ นโยบายกับราวกั้นที่ชัดเจน
  • ผู้สนับสนุนจากฝั่งผู้นำช่วยวางจุดเริ่มต้นผ่านวิสัยทัศน์และการลงทุน
  • นโยบายและราวกั้นช่วยสร้างสภาพแวดล้อมให้พนักงาน ทดลองและสร้างนวัตกรรมได้อย่างปลอดภัย

แปดเสาหลัก (8 Pillars): นิยามและบทบาท

• AI Advocates: เครือข่ายแชมเปียนอาสาภายในองค์กร ทำหน้าที่ขยายการยอมรับใช้งานผ่าน อิทธิพลจากเพื่อนร่วมงาน และ ฟีดแบ็กจากหน้างานจริง
• Clear policies and guardrails: สนับสนุน การใช้งานอย่างรับผิดชอบ ด้วย กฎและแนวทางที่กระชับ ซึ่งทุกคนเข้าใจได้
• Learning and development opportunities: จัดเตรียม ระบบนิเวศการเรียนรู้ที่เข้าถึงได้ง่าย โดยคัดสรร คอนเทนต์ภายนอกคุณภาพสูง
• Data-driven metrics: ใช้ กรอบการวัดผลหลายระดับ เพื่อติดตามการยอมรับใช้งาน ระดับกิจกรรม และผลกระทบทางธุรกิจ
• Dedicated responsible individual (DRI): ผู้รับผิดชอบส่วนกลางที่ทำหน้าที่ ออร์เคสเตรต โปรแกรม เปิดใช้งานผู้อื่น และ ขับเคลื่อนกลยุทธ์โดยรวม
• Executive support: มอบวิสัยทัศน์ การลงทุน และการสื่อสารอย่างโปร่งใสผ่าน ความมุ่งมั่นจากผู้นำที่มองเห็นได้ชัดเจน
• Right-fit tooling: จัดพอร์ตโฟลิโอ เครื่องมือจากผู้ให้บริการฝั่งที่ 1 และบุคคลที่ 3 ที่ผ่านการตรวจสอบแล้ว ให้เหมาะกับบทบาทและกรณีใช้งานที่หลากหลาย
• Communities of practice (CoPs): จัดฟอรัมเฉพาะสำหรับ การเรียนรู้จากเพื่อนร่วมงาน การแบ่งปันความรู้ และการแก้ปัญหา

โฟกัสด้านการดำเนินการ: สามองค์ประกอบเชื่อมต่อ

• 1) จัดเครื่องมือให้ทีม + สร้างระบบสนับสนุนจากมนุษย์: จัดหา เครื่องมือ AI ที่ผ่านการตรวจสอบแล้ว สร้างแชมเปียนภายในผ่าน โปรแกรม Advocates และทำให้การเรียนรู้จากเพื่อนร่วมงานเกิดขึ้นอย่างต่อเนื่องผ่าน CoPs
• 2) ขยายผลด้วย L&D ที่มีโครงสร้าง: ยกระดับทักษะด้านเทคนิคและการทำงานอย่าง เป็นระบบ ผ่าน เส้นทางการเรียนรู้ และการคัดสรรคอนเทนต์แบบมาตรฐาน
• 3) บริหารด้วย DRI และข้อมูล: ให้ DRI ขับเคลื่อนการตัดสินใจลงทุน และใช้ ตัวชี้วัดที่อิงข้อมูล วัดผลและปรับปรุงผลกระทบ เพื่อให้โปรแกรม พัฒนาอย่างต่อเนื่อง

Put the framework into action

• กรอบการใช้งาน AI ไม่ได้จบแค่การเข้าใจองค์ประกอบหลัก แต่ต้องมีแนวทางเชิงกลยุทธ์เพื่อนำไปปฏิบัติจริง
• GitHub นำเสนอโรดแมปการลงมือทำโดยมีเสาหลักทั้งแปดเป็นแกนกลาง และจุดเริ่มต้นแรกคือ การสนับสนุนจากผู้บริหาร (Executive support)
• หากผู้บริหารนำเสนอวิสัยทัศน์และเหตุผลอย่างชัดเจน พร้อมอธิบายอย่างเป็นรูปธรรมว่า AI จะเพิ่มคุณค่าให้กับงานของพนักงานอย่างไร ก็จะสามารถสร้างแรงส่งตั้งต้นได้

Executive support: How to set the tone

• ความสำเร็จของการนำ AI มาใช้เริ่มต้นจากบทบาทของผู้บริหาร
• ไม่ใช่แค่การจัดหาเครื่องมือ แต่ต้องย้ำ "เหตุผล(why)" ของกลยุทธ์ AI ของบริษัทอย่างต่อเนื่อง
• แทนที่จะอธิบายเป้าหมายอย่างเป็นนามธรรม ควรอธิบายเป็น ประโยชน์ที่จับต้องได้ซึ่งเชื่อมตรงกับงานประจำวันของพนักงาน เพื่อเพิ่มการมีส่วนร่วม
• ตัวอย่างข้อความสำหรับวิศวกร:
  “เราจะใช้ AI เพื่อลดงานซ้ำซากและน่าเบื่อ Copilot จะช่วยเขียนโค้ด boilerplate สร้าง unit test และสรุป PR ที่ซับซ้อน เพื่อให้คุณโฟกัสกับการแก้ปัญหาเชิงสร้างสรรค์ได้มากขึ้น”
• ตัวอย่างข้อความสำหรับทั้งองค์กร:
  “เป้าหมายของกลยุทธ์ AI คือการส่งมอบผลิตภัณฑ์ที่ดีกว่าให้ลูกค้าได้รวดเร็วยิ่งขึ้น เราจะใช้ AI เพื่อขยายขีดความสามารถของเรา เพิ่มความเร็วของนวัตกรรม และเปิดโอกาสให้มุ่งเน้นงานสร้างสรรค์ที่มีมูลค่าสูง”

แนวทางที่สมจริงและโปร่งใส

• การนำ AI มาใช้ย่อมมาพร้อมกับระบบอัตโนมัติในงานและการเปลี่ยนแปลงของบทบาทหน้าที่
• หากเพิกเฉยต่อเรื่องนี้ จะเกิดความกังวลและแรงต้าน ซึ่งขัดขวางการยอมรับใช้งาน
• ดังนั้น ผู้นำจึงควรนำเสนอ กลยุทธ์การเปลี่ยนบทบาทและการยกระดับทักษะ (upskilling) อย่างเป็นรูปธรรม แทนการพูดปลอบใจแบบกว้าง ๆ

• สิ่งที่ไม่ควรพูด: “งานของทุกคนยังปลอดภัย”
• สิ่งที่ควรพูด: “จากนี้งานของเราจะเปลี่ยนไปในลักษณะนี้ และเราจะสนับสนุนให้ทุกคนเรียนรู้ทักษะใหม่ที่จำเป็นด้วยวิธีนี้”

• แนวทางที่ตรงไปตรงมาเช่นนี้ช่วยสร้างความไว้วางใจ เพราะปฏิบัติต่อพนักงานในฐานะ พาร์ตเนอร์ ของการเปลี่ยนแปลง

กลยุทธ์การสื่อสารแบบปรับตามกลุ่มเป้าหมาย

การสื่อสารเรื่อง AI จำเป็นต้อง ปรับให้เหมาะกับแต่ละกลุ่มเป้าหมาย

• ผู้จัดการ (Managers):
  ไม่ใช่แค่เตรียมให้ใช้ AI ในระดับบุคคล แต่ต้องเตรียมให้พร้อมในการพาทีมทั้งหมดไปต่อ ผู้จัดการต้องมีบทบาทในการออกแบบ workflow ของทีมใหม่ ระบุงานที่ทำให้เป็นอัตโนมัติได้ และนิยามงานมูลค่าสูงใหม่ ควรสนับสนุนให้เชื่อมโยงการนำ AI มาใช้เข้ากับการยกระดับผลงานและนวัตกรรมของทีมโดยตรง
• ผู้ปฏิบัติงานรายบุคคลระดับอาวุโส (Senior ICs):
  ควรถูกท้าทายให้ไม่เพียงยกระดับผลงานของตนเอง แต่ยังเป็น สถาปนิกภายใน ของการใช้งาน AI ด้วย คนกลุ่มนี้มีอิทธิพลสูงในองค์กร จึงมีบทบาทสำคัญในการนำเข้าและทำให้แนวทางใช้งาน AI แบบใหม่กลายเป็นมาตรฐาน นอกจากเพิ่มศักยภาพผลงานของตนผ่าน AI แล้ว ยังควรช่วยกระจายขีดความสามารถด้าน AI ในฐานะเมนเทอร์ภายในด้วย ซึ่งจะทำให้ อิทธิพลของบุคลากรหลักขยายตัวแบบทวีคูณ

Policies and tooling: การมอบความชัดเจนและการเข้าถึง

• การนำ AI มาใช้ทั่วทั้งองค์กรจำเป็นต้องมี guardrails ที่ชัดเจน
• หากพนักงานไม่แน่ใจว่าอะไรได้รับอนุญาต พวกเขาจะไม่แม้แต่เริ่มทดลอง ดังนั้น นโยบายการใช้งานที่ยอมรับได้ (Acceptable Use Policy) ที่ชัดเจนและเข้าถึงง่ายจึงเป็นเงื่อนไขล่วงหน้าของความสำเร็จ
• นี่ไม่ใช่แค่เรื่องของการปฏิบัติตามข้อกำหนดเท่านั้น แต่เป็นรากฐานที่ช่วยให้พนักงาน ใช้งาน AI ได้อย่างปลอดภัยและมั่นใจ

• หลักการในการจัดทำนโยบาย

  • นโยบายควรถูกจัดทำขึ้นผ่านความร่วมมือกับผู้มีส่วนได้ส่วนเสียหลัก เช่น IT, HR, ฝ่ายความปลอดภัย และฝ่ายกฎหมาย
  • วิธีนี้จะทำให้สามารถใช้แนวทางที่ครอบคลุมในมุมของการบริหารความเสี่ยงได้
  • นโยบายฉบับสุดท้ายควรถูกจัดให้เป็น เอกสารศูนย์กลางเพียงฉบับเดียว และต้องสรุปอย่างชัดเจนถึงเครื่องมือ AI ทั้งหมดที่ได้รับอนุมัติ รวมถึงประเภทข้อมูลที่เหมาะสมสำหรับแต่ละเครื่องมือ

• โมเดลเครื่องมือแบบแบ่งระดับ (Tiered tooling)

  • โมเดลนโยบายการใช้ AI ที่ประสบความสำเร็จคือ แนวทางแบบแบ่งระดับ
  • แทนที่จะลิสต์เพียงข้อห้าม ควรแยกให้ชัดว่าอะไรได้รับอนุมัติ เพื่อช่วยให้พนักงานตัดสินใจได้ง่าย

• Tier 1: เครื่องมือที่ผ่านการตรวจสอบและอนุมัติครบถ้วน

  • เป็นเครื่องมือที่ผ่านการตรวจสอบด้านความปลอดภัยภายในและกฎหมายอย่างเข้มงวด
  • ปลอดภัยสำหรับการจัดการข้อมูลลับของบริษัทและข้อมูลลูกค้า
  • รวมถึงผลิตภัณฑ์ 1st-party ของบริษัทเอง (เช่น GitHub Copilot) และเครื่องมือ 3rd-party ระดับเอ็นเตอร์ไพรส์ที่มีสัญญาและได้รับอนุมัติแล้ว
  • พนักงานสามารถมองเครื่องมือในหมวดนี้เป็น ตัวเลือกเริ่มต้นที่ปลอดภัย ได้

• Tier 2: เครื่องมือสาธารณะและสำหรับผู้บริโภคที่ยังไม่ผ่านการตรวจสอบ

  • ครอบคลุม เครื่องมือ AI สาธารณะ ทั้งหมดที่บริษัทยังไม่ได้ทำสัญญาหรือรับรองอย่างเป็นทางการ
  • นโยบายเรียบง่ายและใช้ได้ทั่วไป: เครื่องมือเหล่านี้ใช้ได้เฉพาะกับ ข้อมูลสาธารณะและไม่อ่อนไหว เท่านั้น
  • สิ่งนี้ช่วยให้พนักงานสามารถทดลองใช้เทคโนโลยี AI ใหม่ ๆ ได้อย่างอิสระ โดยไม่ทำให้ข้อมูลของบริษัทตกอยู่ในความเสี่ยง

• ผลลัพธ์และสารสำคัญ

  • โมเดลแบบแบ่งระดับนี้มอบ กรอบคิดที่เรียบง่ายและชัดเจน ให้กับพนักงาน:
    • “หากเครื่องมือใดไม่ได้อยู่ใน ‘รายชื่อที่ผ่านการตรวจสอบครบถ้วน’ ให้ ใช้เฉพาะข้อมูลสาธารณะ”
  • กฎพื้นฐานที่ชัดเจนเช่นนี้ช่วยขจัดความไม่แน่นอน และเป็นกุญแจสำคัญในการ ขยายการใช้ AI อย่างรับผิดชอบในวงกว้าง

AI advocates: ผู้ผลักดันจากฐานรากของคุณ

• หากต้องการให้การนำ AI มาใช้ประสบความสำเร็จในระยะยาว ไม่ใช่แค่การสนับสนุนจากผู้บริหารและนโยบายที่ชัดเจนเท่านั้น แต่ อิทธิพลระหว่างเพื่อนร่วมงาน (peer-to-peer influence) ก็เป็นแรงขับเคลื่อนหลักเช่นกัน
• ด้วยเหตุนี้ โปรแกรม AI Advocates จึงเป็นกลไกที่มีประสิทธิภาพมาก โดยสร้างเครือข่ายแชมเปียนภายในแบบสมัครใจ เพื่อทำหน้าที่เป็นสะพานเชื่อมระหว่างแต่ละทีมกับโปรแกรมสนับสนุนส่วนกลาง
• Advocates แปลงกลยุทธ์ระดับบนให้เป็นกรณีใช้งานที่เป็นรูปธรรมในระดับทีม และสร้างแรงส่งด้าน AI ภายในองค์กรอย่างเป็นธรรมชาติ

• วิธีที่มีประสิทธิภาพที่สุดในการสร้างเครือข่ายคือ เปิดรับอาสาสมัคร
• แทนที่จะใช้ขั้นตอนเสนอชื่ออย่างเป็นทางการที่ซับซ้อน การประกาศทั่วทั้งองค์กรเพื่อรับคนที่มีความหลงใหลใน AI จะช่วยดึงดูดคนที่มีแรงจูงใจในตัวเองและอยากช่วยให้เพื่อนร่วมงานประสบความสำเร็จอย่างจริงใจ
• สิ่งนี้นำไปสู่การมีแชมเปียนภายในที่แข็งแกร่งและได้รับความไว้วางใจ

• What advocates do

  • บทบาทของ Advocates มีหลายมิติ โดยทำหน้าที่หลัก 3 ด้านคือ ผู้เชี่ยวชาญภายใน, ผู้สร้างชุมชน และ ช่องทางรับส่งฟีดแบ็ก
  • บทบาทแชมเปียนภายใน
    ทำหน้าที่เป็นผู้เชี่ยวชาญด้าน AI ของแต่ละทีม เป็นพี่เลี้ยงให้เพื่อนร่วมงาน ตอบคำถามในชีวิตการทำงานประจำวัน และช่วยลดอุปสรรคเชิงปฏิบัติเพื่อให้การนำ AI ไปใช้ทำได้ง่ายขึ้น
  • ส่งเสริมการเรียนรู้ระหว่างเพื่อนร่วมงาน
    แสดงคุณค่าของ AI ผ่านตัวอย่างที่เป็นรูปธรรมและสมจริง แบ่งปันกรณีความสำเร็จภายในทีมเพื่อให้เพื่อนร่วมงานสัมผัสผลลัพธ์ที่แท้จริงของ AI ซึ่งมีพลังในการโน้มน้าวมากกว่าการฝึกอบรมแบบเป็นทางการ
  • เป็นกระบอกเสียงของทีม
    สร้างวงจรฟีดแบ็กระหว่างโปรแกรมส่วนกลางกับหน้างาน เพื่อสื่อสารว่าอะไรได้ผล อะไรเป็นปัญหา และมีโอกาสใดอยู่บ้าง ทำให้โปรแกรมสามารถปรับปรุงอย่างต่อเนื่องบนพื้นฐานของความต้องการจากผู้ใช้จริง
  • ร่วมวางแผนและทำงานด้านการฝึกอบรม
    ร่วมมือกับโปรแกรมส่วนกลางโดยสะท้อนความต้องการและกรณีใช้งานเฉพาะของทีม เพื่อร่วมออกแบบและนำเซสชันฝึกอบรมแบบปรับให้เหมาะ ซึ่งสร้างผลลัพธ์ได้จริง

• Supporting your advocates

  • หากโปรแกรม Advocates จะประสบความสำเร็จ ทีมสนับสนุนส่วนกลางจำเป็นต้องให้ การสนับสนุนที่เป็นรูปธรรมและมีคุณค่า โดยแนวทางหลักมีดังนี้
  • ส่งเสริมชุมชน Advocate ที่เติบโตได้ด้วยตนเอง
    จัดเตรียมพื้นที่สื่อสาร เช่น ช่อง Slack เฉพาะ และสนับสนุนการเช็กอินเป็นประจำที่ขับเคลื่อนโดย advocate เพื่อให้ชุมชนเติบโตเป็น เครือข่ายที่บริหารจัดการตัวเองได้ สำหรับแบ่งปันแนวปฏิบัติที่ดีและช่วยกันแก้ปัญหา
  • เชื่อมต่อกับผู้นำโดยตรง
    เปิดทางให้ Advocates เชื่อมต่อโดยตรงกับตัวแทนฝ่ายผู้นำ เช่น DRI (Directly Responsible Individual) หรือผู้สนับสนุนโปรแกรม เพื่อเป็นช่องทางเชื่อมระหว่างการตัดสินใจของผู้บริหารกับการดำเนินงานในหน้างาน
  • ปรัชญา Train the Trainer
    มุ่งพัฒนา Advocates ไม่ให้เป็นเพียงผู้รับข้อมูล แต่ให้เติบโตเป็น เมนเทอร์และผู้นำเวิร์กช็อป โดยหล่อหลอมให้พวกเขาเป็นผู้สอนที่มีประสิทธิภาพและเป็นผู้เชี่ยวชาญด้าน AI ซึ่งทำหน้าที่เป็นส่วนขยายของโปรแกรมส่วนกลาง
  • ด้วยการสนับสนุนเช่นนี้ Advocates จะกลายเป็นผู้นำด้าน AI ที่ได้รับความไว้วางใจภายในองค์กร และช่วย กระจายความสามารถในการใช้ AI ไปทั่วทั้งองค์กรอย่างเป็นธรรมชาติ

Communities of practice: ส่งเสริมความร่วมมือ

• หากโปรแกรม Advocates มอบการสนับสนุนแบบ high-touch ที่เข้าถึงทีมรายทีมอย่างลึกซึ้ง การขยายความคล่องแคล่วด้าน AI (AI fluency) ไปทั่วทั้งองค์กรก็จำเป็นต้องมีพื้นที่ความร่วมมือในวงกว้างมากขึ้น
• ในจุดนี้ ชุมชนนักปฏิบัติ (Communities of Practice, CoPs) มีบทบาทสำคัญ โดยมอบพื้นที่เฉพาะให้พนักงานเชื่อมต่อกันได้อย่างอิสระ ถามคำถาม และแบ่งปันความรู้
• CoPs ทำหน้าที่เป็น เนื้อเยื่อเชื่อมโยง (connective tissue) ของโปรแกรมส่งเสริม AI ที่ประสบความสำเร็จ ช่วยทลายไซโล และทำให้มั่นใจว่าข้อมูลเชิงลึกอันมีคุณค่าจะไม่สูญหายไปในการสนทนาเฉพาะจุด

• อีกหนึ่งเป้าหมายคือ จัดโครงสร้างให้กับความสนใจด้าน AI ที่เกิดขึ้นเอง โดยไม่กดทับความคิดสร้างสรรค์
• ในบริษัทส่วนใหญ่ มักมีชุมชน AI ขนาดเล็กอยู่แล้วในรูปแบบของช่องแชตหรืออีเมลเธรดที่กระจัดกระจาย
• โปรแกรมที่มีประสิทธิภาพจะพัฒนากิจกรรมที่กระจัดกระจายเหล่านี้ให้กลายเป็น เครือข่ายที่เป็นระบบและมีความเชื่อมโยงกัน โดยมีขั้นตอนสำคัญดังนี้

  • Establishing dedicated, purpose-driven communities

    • แทนที่จะมีช่อง AI ขนาดใหญ่เพียงช่องเดียว การสร้าง ชุมชนเฉพาะตามวัตถุประสงค์และกลุ่มผู้ใช้ จะได้ผลมากกว่า
    • วิธีนี้ช่วยให้บทสนทนามีความเฉพาะเจาะจงและเกี่ยวข้องมากขึ้น
    • ตัวอย่างโครงสร้างเริ่มต้นที่แนะนำ ได้แก่:
      • ชุมชนทั่วไป: ช่องสำหรับประกาศทั่วทั้งองค์กรและคำถามที่ไม่ใช่เชิงเทคนิค (เช่น #how-do-i-ai)
      • ชุมชนนักพัฒนาโดยเฉพาะ: ช่องสำหรับแบ่งปันกรณีเทคนิค การสนทนาเชิงลึก และการแลกเปลี่ยนเทคนิคขั้นสูง (เช่น #copilot-users)
      • ชุมชนเฉพาะแผนก: ช่องสำหรับกรณีใช้งานเฉพาะของบทบาทงาน เช่น การตลาด การขาย การเงิน (เช่น #ai-for-sales)

  • Defining clear charters and leadership

    • แต่ละชุมชนต้องมี วัตถุประสงค์ที่บันทึกไว้อย่างชัดเจน และมีผู้นำ (หรือกลุ่มผู้นำ) ที่รับผิดชอบดูแล
    • ผู้นำอาจคัดเลือกจาก Advocates ก็ได้ ซึ่งจะช่วยรักษาทิศทางของบทสนทนาและดูแลให้ชุมชนยังคงเป็นทรัพยากรที่มีคุณค่าอย่างต่อเนื่อง

  • Sustaining momentum

    • การเปิดช่องขึ้นมาอย่างเดียวไม่เพียงพอ
    • โปรแกรมสนับสนุนส่วนกลางควรใช้ชุมชนเป็นแพลตฟอร์มในการแชร์กรณีใช้งาน AI ที่น่าสนใจจากภายในองค์กร และสื่อสารเกี่ยวกับฟีเจอร์ใหม่หรือการฝึกอบรม
    • เมื่อเวลาผ่านไป จำเป็นต้องมีการพัฒนาและปรับโครงสร้างชุมชนใหม่เป็นระยะ

• การบ่มเพาะ CoPs อย่างตั้งใจในลักษณะนี้ จะก่อให้เกิด กลไกการเรียนรู้ระหว่างเพื่อนร่วมงานที่ขยายต่อได้และขับเคลื่อนตัวเองได้
• นี่คือรากฐานสำคัญที่องค์กรต้องมีเพื่อให้ทั้งองค์กรใช้งาน AI ได้อย่างคล่องแคล่ว

Curated learning and development: ลดอุปสรรค

• การให้เพียงสิทธิ์เข้าถึงเครื่องมือ AI อย่างเดียวไม่เพียงพอ แต่จำเป็นต้องมีระบบ การเรียนรู้และพัฒนา (Learning & Development, L&D) เพื่อช่วยให้ พนักงานได้พัฒนาความชำนาญ (proficiency) ในการใช้งานจริง
• เป้าหมายคือทำให้พนักงานทุกคน ไม่ว่าจะมีพื้นฐานด้านเทคนิคหรือไม่ สามารถพัฒนา ทักษะการใช้ AI เชิงปฏิบัติที่เหมาะกับบทบาทของตน ได้
• เพื่อสิ่งนี้ GitHub ได้สร้าง เว็บไซต์ L&D ที่คัดสรรทั้งประสบการณ์ภายในและแหล่งข้อมูลภายนอก และมอบระบบนิเวศการเรียนรู้แบบหลายชั้นที่ตอบโจทย์สไตล์การเรียนรู้และความต้องการที่หลากหลาย

• กลยุทธ์ L&D ที่มีประสิทธิภาพประกอบด้วยการลงทุนสำคัญดังต่อไปนี้

  • A centralized resource hub

    • จำเป็นต้องมีเว็บไซต์ แหล่งข้อมูลจริงเพียงหนึ่งเดียว (single source of truth) ที่รวบรวมสื่อการเรียนรู้เกี่ยวกับ AI ทั้งหมด
    • ไม่ใช่เพียงหน้ารวมลิงก์ แต่เป็นพื้นที่ที่จัดแสดง กรณีนวัตกรรมภายใน แนวปฏิบัติที่ดีที่สุด และโปรเจกต์ของพนักงาน แบบไดนามิก
    • นอกจากให้สื่อการเรียนรู้แล้ว ยังช่วยสร้างแรงจูงใจไปพร้อมกัน

  • Core AI Learning paths

    • จัดทำเส้นทางการเรียนรู้แบบ zero-to-one เพื่อให้พนักงานทุกคนมีความสามารถพื้นฐาน
    • แทนที่จะสร้างคอนเทนต์เองทั้งหมด ให้ คัดสรรสื่อการเรียนรู้ภายนอกที่ผ่านการพิสูจน์แล้ว
    • เนื่องจากความสามารถของ AI เปลี่ยนแปลงอย่างรวดเร็ว คอนเทนต์ที่ผลิตภายในจึงเสี่ยงล้าสมัยได้อย่างรวดเร็ว

  • Building blocks for technical users

    • สำหรับพนักงานสายเทคนิคระดับสูง สิ่งที่ต้องการไม่ใช่การเรียนพื้นฐาน แต่คือ การเร่งงาน (acceleration)
    • มี ไลบรารีคอมโพเนนต์ AI ที่นำกลับมาใช้ซ้ำได้ เช่น เทมเพลต รีโพซิทอรีที่โคลนได้ และเวิร์กโฟลว์
    • ช่วยลดงานซ้ำซ้อนและทำให้สร้างโซลูชัน AI ได้อย่างรวดเร็ว

  • Integration with onboarding

    • ผนวกการเรียนรู้ AI เข้ากับกระบวนการ onboarding เพื่อให้เริ่มพัฒนาความชำนาญได้ตั้งแต่วันแรกที่เข้าทำงาน
    • เน้นย้ำว่าความสามารถในการใช้ AI เป็นทักษะหลักของความสำเร็จในอาชีพ

• ผ่านแนวทางนี้ ไม่เพียงช่วยยกระดับความสามารถของพนักงานแต่ละคน แต่ยังทำให้เกิด วัฒนธรรมการใช้ AI ทั่วทั้งองค์กรได้ด้วย

Dedicated program leadership: Driving the program

• โปรแกรมส่งเสริมการใช้ AI ไม่ควรเป็นเพียงการรวบรวมทรัพยากร แต่ต้องเป็น ระบบที่มีชีวิตและดำเนินต่อเนื่อง ซึ่งต้องมี ผู้รับผิดชอบโดยตรง (Directly Responsible Individual, DRI) หรือทีมเฉพาะขนาดเล็ก
• บทบาทผู้นำนี้ทำหน้าที่เป็น กาวที่เชื่อมกลยุทธ์ การลงมือทำ และกิจกรรมของชุมชนเข้าด้วยกัน ทำให้องค์กรทั้งหมดทำงานเป็นระบบเดียวกันอย่างเป็นธรรมชาติ
• ภารกิจหลักของ DRI ไม่ใช่ การสร้างอาณาจักรอำนาจของตนเอง (fiefdom building) แต่คือ การขยายศักยภาพของผู้อื่น (scaling others)

• บทบาทและความรับผิดชอบหลัก

  • Owning the program strategy and roadmap

    • วางกลยุทธ์ภาพรวมและกำหนดโรดแมปการดำเนินงาน
    • บริหารแผนรายเดือนและรักษาความสอดคล้องกับเป้าหมายของบริษัท

  • Leading change management

    • รับผิดชอบการบริหารการเปลี่ยนแปลงภายในองค์กร เพื่อให้ การนำ AI มาใช้เป็นไปอย่างราบรื่นและโปร่งใส
    • ลดความสับสนให้น้อยที่สุดและเพิ่มอัตราการนำไปใช้ให้สูงสุด

  • Acting as a central AI consultant

    • ให้ การสนับสนุนแบบ 1:1 และ office hours แก่พนักงานและ Advocates
    • ช่วยแก้ปัญหาที่ซับซ้อนและสนับสนุนการพัฒนา use case ระดับสูง

  • Amplifying internal success and innovation

    • ค้นหาและเผยแพร่กรณีความสำเร็จภายใน
    • กระจายแนวปฏิบัติที่ดีผ่านชุมชนและเวิร์กช็อป เพื่อสร้างวงจรเชิงบวก

  • Managing the AI tooling and policy lifecycle

    • รับคำขอใช้เครื่องมือใหม่ และ ร่วมมือกับฝ่าย IT ความปลอดภัย และกฎหมาย เพื่อบริหารทั้งกระบวนการประเมิน จัดหา และกำหนดนโยบาย

  • Owning adoption and fluency metrics

    • ติดตาม ตัวชี้วัดนำ เช่น MAU, MEU และการแบ่งกลุ่มผู้ใช้
    • พิสูจน์ประสิทธิผลของโปรแกรมและประเมินระดับความพร้อมด้าน AI ของพนักงาน

  • Demonstrating business ROI

    • เชื่อมโยง ตัวชี้วัดตามหลังและข้อมูลการนำไปใช้ เช่น ผลิตภาพที่ดีขึ้น คุณภาพโค้ดที่ดีขึ้น และความพึงพอใจของนักพัฒนา
    • มอบ เรื่องเล่า ROI ที่ขับเคลื่อนด้วยข้อมูล ให้แก่ผู้บริหาร

• เพื่อสิ่งนี้ GitHub ได้แต่งตั้ง program director และ program manager อย่างเป็นทางการเพื่อขับเคลื่อนโครงการ AI for Everyone
• โครงสร้างเฉพาะทางนี้ช่วยรับประกัน สมาธิและความรับผิดชอบที่จำเป็นต่อการส่งเสริม AI ในระดับองค์กร

Metrics: Measuring for success

• หากต้องการทำให้การลงทุนในโปรแกรมส่งเสริมการใช้ AI มีความชอบธรรมและขับเคลื่อนการพัฒนา การ วัดตัวชี้วัดที่ถูกต้อง เป็นสิ่งจำเป็น
• ต้องก้าวข้ามการนับเพียงจำนวนไลเซนส์ที่แจกจ่าย ไปสู่ความเข้าใจแบบรอบด้านถึง ขอบเขต ความลึก และผลลัพธ์ของการใช้ AI ภายในองค์กร
• เนื่องจากยังไม่มีมาตรฐานอุตสาหกรรมที่ชัดเจน แนวทาง หลายระยะ (วัดขอบเขตการนำไปใช้ → วัดความลึกของการใช้งาน → วัดผลลัพธ์ทางธุรกิจ) จึงมีประสิทธิภาพที่สุด

• Phase 1: Measuring breadth of adoption

  • Monthly Active Users (MAU): สัดส่วนพนักงานที่ใช้ AI อย่างน้อย 1 ครั้งในหนึ่งเดือน → ตัวชี้วัดพื้นฐานของอัตราการนำไปใช้โดยรวม
  • Monthly Engaged Users (MEU): สัดส่วนพนักงานที่ใช้งานหลายวันในหนึ่งเดือน → ตัวชี้วัดสำคัญในการดูว่าก้าวพ้นช่วงทดลองใช้เบื้องต้นและเริ่มกลายเป็นนิสัยหรือไม่

• Phase 2: Measuring depth of engagement

  • User segmentation:
    • Dedicated users: ใช้งานมากกว่า 10 วันต่อเดือน (กลุ่ม power user หลัก)
    • Occasional users: ใช้งาน 2–9 วันต่อเดือน
    • Tire kickers: ใช้งาน 1 วันต่อเดือน
    • → เป้าหมายคือเปลี่ยน Tire kickers ให้กลายเป็น Occasional/Dedicated
  • Total AI events: จำนวนการโต้ตอบทั้งหมด เช่น พรอมป์ต์และการเติมโค้ดอัตโนมัติ → จำนวนอีเวนต์ต่อผู้ใช้ที่เพิ่มขึ้นเป็นสัญญาณว่า AI กำลังฝังตัวเข้าไปในเวิร์กโฟลว์การทำงาน

• Phase 3: Measuring business impact

  • อ้างอิง GitHub Engineering System Success Playbook (ESSP) → มอบชุดตัวชี้วัดแบบครอบคลุมที่ครอบคลุมความสุขของนักพัฒนา คุณภาพ ความเร็ว และผลลัพธ์ทางธุรกิจโดยรวม
  • ตัวชี้วัด AI ที่สำคัญ:
    • AI leverage: วัดปริมาณแรงงานแบบแมนนวลที่ลดลงและระดับการเพิ่มผลิตภาพจากการใช้ AI
    • Cycle time: เวลาที่ใช้ตั้งแต่ commit จนสะท้อนสู่ production → ยิ่งลดลงจากการใช้ AI มากเท่าไร ยิ่งหมายถึงประสิทธิภาพที่ดีขึ้น
    • Code churn: วัดสัญญาณด้านคุณภาพผ่านการดูว่าโค้ดจาก AI ต้องนำกลับมาแก้ซ้ำลดลงหรือไม่
    • Pull request size: ต้องตรวจสอบว่า AI ไม่ได้ทำให้เกิด PR ที่ใหญ่เกินจำเป็น
    • Developer wellbeing: ติดตามว่างานซ้ำๆ ที่ลดลงนำไปสู่ความพึงพอใจที่มากขึ้นและภาวะหมดไฟที่ลดลงหรือไม่
    • Perceived productivity: ใช้แบบสำรวจและวิธีอื่นๆ เพื่อตรวจว่าพนักงานรู้สึกหรือไม่ว่า AI ช่วยให้พวกเขาโฟกัสกับงานที่มีคุณค่ามากขึ้นได้

• การวัดแบบหลายระยะเช่นนี้ช่วยพิสูจน์ได้ครบทั้ง การนำ AI มาใช้ การใช้งานเชิงลึก และ ROI พร้อมอธิบายคุณค่าต่อผู้บริหารด้วยเรื่องเล่าที่ขับเคลื่อนด้วยข้อมูล

Executing on enablement: A strategic checklist

เช็กลิสต์นี้คือคู่มือเชิงปฏิบัติที่สรุปเฟรมเวิร์กที่อธิบายไว้ก่อนหน้าให้เป็น โรดแมปการดำเนินงานแบบเป็นขั้นตอน

• Phase 1: Foundational steps (first 30 days)

  • Secure executive sponsorship
    • แต่งตั้ง ผู้สนับสนุนระดับ C-level ที่รับผิดชอบการสนับสนุนงบประมาณ การแสดงการสนับสนุนโครงการต่อสาธารณะ และการสื่อสารสารอย่างต่อเนื่อง
  • Appoint a DRI
    • แต่งตั้งผู้รับผิดชอบหลักโดยเฉพาะ ที่รับผิดชอบความสำเร็จของโครงการและมีอำนาจประสานงานข้ามแผนก
  • Draft a v1 usage policy
    • ร่วมมือกับ Legal·Security·IT เพื่อกำหนด นโยบายการใช้งานเวอร์ชันแรก (เช่น เครื่องมือ vetted vs unvetted) เพื่อรับประกันสภาพแวดล้อมการทดลองที่ปลอดภัย
  • Establish initial metrics
    • จัดทำ ระบบวัดผล MAU·MEU และสร้างแดชบอร์ดเริ่มต้น
  • Announce the program
    • ทำงานร่วมกับผู้สนับสนุนและทีมสื่อสารเพื่อเผยแพร่ ประกาศทั่วทั้งองค์กร ที่มีทั้งวิสัยทัศน์ ทรัพยากรที่พร้อมใช้ และกำหนดการถัดไป

• Phase 2: Building momentum (first 90 days)

  • Launch the AI advocates program
    • เปิดรับอาสาสมัครภายในองค์กร จัดเซสชันแนะนำบทบาท และจัดตั้ง ช่องทางสื่อสารเฉพาะ
  • Establish communities of practice
    • เปิดช่องทางสำหรับผู้ใช้ทั่วไปและนักพัฒนา พร้อม กำหนด charter ที่ชัดเจนและแต่งตั้งผู้นำชุมชน
  • Launch a centralized resource hub
    • เปิด เว็บไซต์ฮับภายในเวอร์ชันแรก ที่รวบรวมเครื่องมือที่ได้รับอนุมัติ นโยบาย และเส้นทางการเรียนรู้
  • Begin showcasing success
    • DRI·Advocates ร่วมกันค้นหาและแบ่งปัน กรณีความสำเร็จในระยะแรก เพื่อขยาย social proof และแรงบันดาลใจ
  • Launch an onboarding module
    • ร่วมมือกับ HR เพื่อ ผสานโมดูลการใช้ AI เข้ากับกระบวนการ onboarding ของพนักงานใหม่

• Phase 3: Scaling and measuring (ongoing)

  • Implement a "Train the Trainer" program
    • จัดการฝึกอบรมที่เป็นระบบเพื่อ เสริมทักษะด้านการเป็นพี่เลี้ยงและการนำเวิร์กช็อป ของ Advocates
  • Develop a business ROI dashboard
    • สร้างแดชบอร์ด ROI ที่เชื่อมโยง ตัวชี้วัดการนำไปใช้ เช่น MAU/MEU เข้ากับตัวชี้วัดปลายทางอย่าง cycle time·คุณภาพโค้ด·ผลิตภาพของฝ่ายขาย
  • Conduct qualitative surveys
    • เก็บข้อมูลผลลัพธ์ด้านการรับรู้เรื่องผลิตภาพ ผลต่อ wellbeing และฟีดแบ็กต่อโครงการ ผ่าน แบบสำรวจภายในองค์กร ที่สั้นและจัดเป็นประจำ

เส้นทางสู่ความคล่องแคล่วด้าน AI

• การลงทุนในเครื่องมือ AI เพียงอย่างเดียวไม่เพียงพอ
• โครงการดำเนินงานที่เป็นระบบและรอบด้าน คือปัจจัยสำคัญที่แยกองค์กรที่ทำให้การลงทุนด้าน AI สร้างคุณค่าได้จริง ออกจากองค์กรที่ทำไม่ได้

• ความสำเร็จในการนำ AI มาใช้ไม่มี ทางลัดแบบครอบจักรวาล (silver bullet)
• สิ่งที่จำเป็นคือความพยายามในการดำเนินงานอย่างต่อเนื่องและ ขับเคลื่อนด้วยข้อมูล
• เพื่อให้เกิดสิ่งนี้ จำเป็นต้องมีสิ่งต่อไปนี้:
  • การสนับสนุนอย่างเต็มที่จากผู้บริหาร
  • นโยบายที่ชัดเจนและเข้าถึงได้
  • ผู้สนับสนุน AI (advocates) จากหน้างานที่ขับเคลื่อนด้วยความสมัครใจ
  • ความมุ่งมั่นต่อการวัดผลด้วยตัวชี้วัดที่ถูกต้อง
  • การสร้างระบบดำเนินงานที่แข็งแกร่ง และปรับตัวต่อการเปลี่ยนแปลงได้

• หากผู้นำมุ่งมั่นต่อแนวทางที่เป็นระบบเช่นนี้ องค์กรก็สามารถก้าวสู่การเป็น องค์กรที่เป็นมิตรกับ AI ซึ่งมีผลิตภาพสูงขึ้น สร้างนวัตกรรมได้มากขึ้น และมีประสิทธิผลมากขึ้น