- ตามรายงานของ MIT 95% ของบริษัททั่วโลกยังไม่ได้รับผลตอบแทนทางธุรกิจที่เป็นรูปธรรมจากการนำ Generative AI มาใช้
- องค์กรจำนวนมากได้ทดลองใช้โมเดลภาษาขนาดใหญ่ในวงกว้าง เช่น ChatGPT และ Copilot แต่การใช้งานส่วนใหญ่ยังจำกัดอยู่ที่ การเพิ่มผลิตภาพ
- กรณีที่ประสบความสำเร็จพบเพียง 5% ของโครงการ AI pilot แบบบูรณาการ เท่านั้น และส่วนใหญ่ก็ยังไม่ส่งผลต่อยอดขายหรือกำไร
- สาเหตุหลักคือ Generative AI ยังไม่สอดคล้องกับกระบวนการทำงานจริง อีกทั้งยังจำฟีดแบ็กไม่ได้และปรับตามบริบทได้ไม่ดี
- รายงานมองว่าความกังวลเรื่องการแทนที่งานจำนวนมากนั้นเกินจริง โดยวิเคราะห์ว่าแม้ จะช่วยลดต้นทุนภายนอกได้ แต่การปรับโครงสร้างภายในหรือการปลดพนักงานครั้งใหญ่ยังไม่น่าเกิดขึ้นในเร็ว ๆ นี้
- สรุปคือ AI เด่นในงานเฉพาะทางมากกว่าการเป็นกลยุทธ์ระดับองค์กร และแนะนำให้บริษัทโฟกัสในพื้นที่ที่จำกัดและให้ผลลัพธ์ได้ทันที แทนการพยายามปฏิรูปทั้งองค์กร
การลงทุนขององค์กรใน Generative AI และผลตอบแทน
- ในช่วง 3 ปีที่ผ่านมา องค์กรต่าง ๆ ลงทุนในโครงการ Generative AI ไปแล้ว 30,000–40,000 ล้านดอลลาร์สหรัฐ
- แต่บริษัทที่ได้รับ ผลตอบแทนทางธุรกิจอย่างเป็นรูปธรรม ยังมีน้อยมาก
- งานวิจัยใหม่ของ MIT ระบุว่า 95% ของบริษัทตอบว่าแม้นำ AI มาใช้แล้ว ก็ยังไม่มีผลลัพธ์ที่วัดได้
- มีเพียง 5% ของโครงการ AI pilot เท่านั้นที่สร้างมูลค่าระดับหลายล้านดอลลาร์ได้
สถานะการนำโมเดลภาษาขนาดใหญ่มาใช้และข้อจำกัด
- มากกว่า 80% ของบริษัทขนาดใหญ่ได้ทดสอบ หรือรันโครงการนำร่องของ LLM หลัก ๆ เช่น ChatGPT และ Copilot
- ราว 40% ของบริษัทได้นำระบบเหล่านี้มาใช้ในระดับหนึ่ง แต่ส่วนใหญ่ยังจำกัดอยู่ที่ การเสริมผลิตภาพส่วนบุคคลของพนักงาน
- แทบไม่มีผลต่อการเพิ่มรายได้หรือกำไรโดยรวมของบริษัท
ข้อจำกัดทางเทคนิคของ Generative AI
- เครื่องมือ Generative AI จำนวนมาก ยังไม่เข้ากับกระบวนการทำงานจริง
- ปัญหาหลักที่ถูกชี้คือ เวิร์กโฟลว์ที่ไม่เสถียร การขาดการเรียนรู้ตามบริบท และการเชื่อมต่องานที่ไม่มีประสิทธิภาพ
- โมเดล Generative AI ส่วนใหญ่ ไม่สามารถเก็บรักษาฟีดแบ็กในอดีต และยากต่อการถ่ายทอดบทเรียนข้ามบริบทหรือข้ามงาน
- ตามรายงาน ระบบ GenAI ส่วนใหญ่ยังไม่สามารถคงฟีดแบ็ก ปรับตัวตามบริบท หรือพัฒนาอย่างต่อเนื่องในระยะยาวได้
- คุณสมบัติเหล่านี้ทำให้ ต้นทุนการบูรณาการระยะยาวในองค์กรสูงขึ้น แต่ประสิทธิภาพที่ได้จริงยังจำกัด
ความต่างระหว่างความคาดหวังทางธุรกิจกับความเป็นจริง
- แม้ ความคาดหวังและเม็ดเงินลงทุนใน Generative AI จะสูงมาก แต่ก็ยังไม่สามารถแปลงเป็นการลดต้นทุนหรือการสร้างรายได้จริงได้
- ในทางปฏิบัติ ระบบถูกใช้ใน งานที่จำกัด เช่น บริการลูกค้า การตลาด และการเขียนเอกสาร ซึ่งช่วยประหยัดเวลาได้ แต่ส่งผลต่อรายได้โดยตรงน้อยมาก
ผลกระทบต่อการจ้างงานและโครงสร้างองค์กร
- ความกังวลว่า Generative AI จะทำให้เกิดการลดตำแหน่งงานจำนวนมากในระยะสั้น ยังมีหลักฐานรองรับน้อย
- ผลของ AI มีแนวโน้มจะอยู่ที่ การเพิ่มประสิทธิภาพต้นทุนภายนอก เช่น การลดค่าใช้จ่ายเอาต์ซอร์ส มากกว่าการเปลี่ยนโครงสร้างกำลังคนภายใน
- กล่าวคือ แทนที่จะทดแทนพนักงานจำนวนมากทันที คาดว่าจะ ลดค่าใช้จ่ายด้าน outsourcing ได้ในระดับหนึ่ง มากกว่า
ความเข้าใจผิดทางเทคนิคและข้อจำกัดในการพัฒนา
- หลายองค์กร ยังไม่เข้าใจศักยภาพและข้อจำกัดที่แท้จริงของ AI อย่างแม่นยำ จึงเกิดกรณีล้มเหลวจำนวนมาก
- แม้ Generative AI จะสร้างข้อความหรือโค้ดได้รวดเร็ว แต่ ยังขาดการเรียนรู้อย่างต่อเนื่องและความยืดหยุ่นแบบมนุษย์
- ตัวอย่างเช่น พนักงานสามารถปรับตัวตามความผิดพลาดก่อนหน้าและความต้องการใหม่ได้อย่างยืดหยุ่น แต่ AI ยังไม่สามารถถ่ายโอนความทรงจำอย่างต่อเนื่องในลักษณะนั้นได้
การลงทุนและทิศทางในอนาคต
- นักลงทุนและผู้บริหาร ยังคาดหวังว่าเทคโนโลยี AI จะพัฒนาอย่างต่อเนื่อง แต่ในระยะสั้น ความก้าวหน้ายังช้ากว่าที่คาด
- รายงานชี้ว่า การเร่งนำ AI ไปใช้ทันทีในทุกอุตสาหกรรมและทุกเวิร์กโฟลว์ยังเร็วเกินไป
- องค์กรจำเป็นต้องโฟกัสการใช้งานใน ขอบเขตแคบที่ให้ผลลัพธ์ได้ทันทีและวัดผลได้
- ตัวอย่าง: ระบบอัตโนมัติสำหรับงานสนับสนุนลูกค้า เครื่องมือช่วยพัฒนา และการร่างเอกสาร
- การบูรณาการ AI ครอบคลุมทั้งองค์กรยังมีความเสี่ยงสูงและมีโอกาสล้มเหลวมาก
บทสรุปและข้อสังเกต
- การสร้างมูลค่าทางธุรกิจจาก Generative AI ในองค์กร ยังจำกัดอยู่เพียงบางกรณีที่ประสบความสำเร็จ
- บริษัทส่วนใหญ่ ยังได้ประโยชน์เพียงเล็กน้อยในงานประจำวัน
- รายงานเน้นว่าองค์กรควร มอง Generative AI เป็นเครื่องมือที่มีขอบเขตจำกัด มากกว่าจะเป็นเครื่องยนต์การเติบโตแบบรอบด้าน
- แม้ความคาดหวังจะสูง แต่ ตราบใดที่ระบบปัจจุบันยังปรับตัวแบบมนุษย์ไม่ได้ บริษัทก็ยังยากจะสร้างผลกำไรก้อนใหญ่จาก AI ได้
ยังไม่มีความคิดเห็น