- องค์กรจำนวนมาก ยึดติดกับ ROI ระยะสั้น ในการนำ AI มาใช้ จนทำลายสภาพแวดล้อมสำหรับการสะสมมูลค่าในระยะยาวด้วยตัวเอง และเพิ่ม ความน่าจะเป็นของความล้มเหลว
- จากข้อมูลของ MIT, McKinsey, Upwork, HBR และแหล่งอื่น ๆ พบว่าเกิดวงจรลบที่ ผลลัพธ์ไม่เกิดขึ้นจริง ความเหนื่อยล้าของพนักงาน และความสับสนเชิงกลยุทธ์ สะสมต่อเนื่อง จนนำไปสู่การจากไปของผู้ใช้งานกลุ่มนำร่องและ การพังทลายของความไว้วางใจ
- จากกรณีศึกษาในภาคปฏิบัติ หลังจากเกิดผลลัพธ์ระยะแรกแล้ว การ ปรับขึ้นราคาและเป้าหมายผลงาน กลับทำให้พื้นที่สำหรับนวัตกรรมเหือดแห้ง และก่อให้เกิดปรากฏการณ์ stag hunt ที่นำไปสู่ความล่าช้าในการตัดสินใจและการขยายผลิตภัณฑ์ที่ชะงักงัน
- หัวใจของการแก้ปัญหาคือการแตะ leverage points ของ Donella Meadows ในทิศทางที่ถูกต้อง: ไม่ใช่การเพิ่มการควบคุมหรือเน้นการสกัดผลตอบแทน แต่เป็นการสร้าง อำนาจแบบกระจาย การลงทุนกลับ และพื้นที่สำหรับการปรับตัว
- เช่นเดียวกับกรณีของ SharkNinja, Johnson Hana และ Shopify เมื่อเปลี่ยนไปสู่ ระบบปฏิบัติการที่ตั้งอยู่บนความไว้วางใจ ก็จะเกิด นวัตกรรมแบบทบต้น ซึ่งกลายเป็น ผลพลอยได้ตามธรรมชาติ ของ ROI
การตั้งปัญหาและบริบท
- ผลการวิจัยล่าสุดจาก MIT ระบุว่า 95% ของโครงการนำ AI ไปใช้ในองค์กรล้มเหลว และตัวเลขนี้ก็ถูกมองว่าไม่ได้เกินจริง
- ในผลสำรวจของ McKinsey ก็มี ผู้บริหารมากกว่า 80% ตอบว่า generative AI ยังไม่สามารถสร้างความเปลี่ยนแปลงที่มองเห็นได้ต่อรายได้ของบริษัท
- งานวิจัยของ Upwork ยังพบว่า ยิ่งพนักงานใช้งาน AI มาก ก็ยิ่งมีแนวโน้มจะลาออกสูงขึ้น ไม่เข้าใจกลยุทธ์ AI ของบริษัท และ 88% ประสบภาวะหมดไฟ
- สาเหตุรากของปรากฏการณ์นี้คือ องค์กรกำลัง กดดันให้ต้องคืนผลตอบแทนจากการลงทุน AI อย่างเร่งรีบ จนต้องสละผลลัพธ์ระยะยาว
- กล่าวคือ ในระยะแรก จะเห็น ผลเชิงบวก เช่น ประสิทธิภาพที่ดีขึ้นและระบบงานอัตโนมัติ แต่เมื่อฝ่ายบริหารเริ่มเรียกร้องให้ พิสูจน์ ROI ในระยะสั้น โครงการก็มักหยุดชะงักหรือลงเอยด้วยความล้มเหลว
- ผู้เขียนเป็นผู้นำ โครงการเปลี่ยนผ่านสู่ AI ในบริษัทที่ปรึกษาขนาดกลางมาตั้งแต่ปี 2023
- ใช้แนวทางอย่างเป็นระบบ: ดำเนิน โครงการนำร่อง (pilot), ปรับเวิร์กโฟลว์ และใช้กลยุทธ์บริหารการเปลี่ยนแปลง
- ผลลัพธ์คือสามารถสร้าง ผลิตภาพแรงงานได้มากกว่า 40,000 ชั่วโมง และความพึงพอใจของลูกค้าก็อยู่ในระดับสูง
- แต่เมื่อในระดับบริษัทเริ่ม เรียกร้องผลตอบแทนจากการลงทุนแบบทันที ผลงานของโครงการก็เริ่มชะงัก
-
ประเด็นสำคัญ
- ช่วงเวลาที่การเปลี่ยนผ่านสู่ AI หยุดนิ่ง มักมี รูปแบบและสัญญาณเตือน บางอย่างที่สังเกตได้ และหากมองเห็นให้ชัด ก็ยังพาไปสู่การเปลี่ยนแปลงระยะยาวได้
- จากประสบการณ์นี้ ผู้เขียนต้องการเสนอ สัญญาณเตือนล่วงหน้าและสูตรสำหรับสร้างการเปลี่ยนแปลงที่ยั่งยืน
ทำไม ‘ความสำเร็จ’ จึงเป็นตัวจุดชนวนให้เกิด ‘ความล้มเหลว’
- บริษัทที่ปรึกษาขนาด 300 คน ที่ผู้เขียนเคยทำงานด้วย สร้างผลงานได้อย่างแข็งแกร่งจากการนำ AI มาใช้ในช่วงแรก และสร้างโมเมนตัมได้สำเร็จ
- มีการใช้ เครื่องมืออัตโนมัติสำหรับวิเคราะห์ research call ที่ทำหน้าที่ได้คล้ายพนักงาน junior เช่น ถอดเสียง สรุปความ และสร้างรายงานให้ลูกค้าโดยอัตโนมัติ
- ด้วยเหตุนี้ ทีมจึงสามารถโฟกัสกับ การปรับเวิร์กโฟลว์หลักและการสกัด insight ที่นำไปใช้ได้จริง ส่งผลให้ คุณภาพงานดีขึ้นและลูกค้าพึงพอใจมากขึ้น
- เดิมเชื่อว่าความสำเร็จนี้จะพิสูจน์ศักยภาพของ AI และเร่งการนำไปใช้ทั้งบริษัท แต่ในความจริงกลับเกิด ภาวะผลงานหยุดนิ่ง
- นี่ไม่ใช่ปัญหาเฉพาะของบริษัทแห่งเดียว แต่เป็นตัวอย่างของ แรงเชิงโครงสร้างที่องค์กรดั้งเดิมส่วนใหญ่ต้องเผชิญเมื่อพยายามปรับตัวกับ AI
-
ผลข้างเคียงของการเร่งเก็บเกี่ยว ROI ระยะสั้น
- บริษัทใช้การเพิ่มประสิทธิภาพเป็นฐานในการ ขึ้นราคาค่าบริการลูกค้าและลดเวลาที่ใช้ในการทำงาน
- แม้ดูเหมือนเป็น กลยุทธ์สร้างรายได้ทันที เพื่อดึง ROI กลับมาอย่างรวดเร็ว แต่ในเวลาเดียวกันก็ทำให้ เป้าหมายด้านผลงานถูกยกระดับขึ้น
- ผลคือพนักงานทุกคนต้อง หมกมุ่นกับการทำตัวเลขให้ถึงเป้า จน พื้นที่เผื่อสำหรับนวัตกรรม (slack) หายไป
-
ภาวะชะงักงันภายในองค์กร
- แรงกดดันจากเป้าหมายระยะสั้นทำให้ความเสียดทานในองค์กรสูงขึ้น และก่อให้เกิด การเข้มงวดเกณฑ์การตัดสินใจและความล่าช้าในการอนุมัติ
- ส่งผลให้ โครงการสำคัญในการขยายผลิตภัณฑ์ที่ขับเคลื่อนด้วย AI ต้อง ล่าช้าเกือบหนึ่งปี ท่ามกลางภาระงานล้นและความกดดันของทีม
-
ทฤษฎี Stag Hunt
- สิ่งนี้ทำงานเหมือนสถานการณ์ stag hunt (ล่ากวาง) ในทฤษฎีเกมทุกประการ
- stag: ผลลัพธ์ขนาดใหญ่ที่แบ่งปันร่วมกัน ซึ่งได้มาจากความร่วมมือระยะยาวเท่านั้น
- hare: การเก็บเกี่ยว ROI ทันทีหรือผลลัพธ์เล็ก ๆ ที่เป็นประโยชน์เฉพาะตน
- เมื่อบริษัทรีบเก็บเกี่ยว ROI เร็วเกินไป นั่นเท่ากับส่งสัญญาณว่ากำลังละทิ้งความร่วมมือแล้วหันไป ไล่ล่า hare ซึ่งนำไปสู่ การพังทลายของความไว้วางใจร่วมกัน
-
ภาวะกลืนไม่เข้าคายไม่ออกของผู้บุกเบิกนวัตกรรม
- แม้ผู้บุกเบิกภายในจะพัฒนา เวิร์กโฟลว์ใหม่ ระบบอัตโนมัติ และเครื่องมือ ขึ้นมาได้ แต่บริษัทส่วนใหญ่กลับไม่สามารถเปลี่ยนสิ่งเหล่านี้ให้เป็นการเปลี่ยนแปลงเชิงโครงสร้าง และนำไปใช้เพียงเพื่อ ยกระดับเป้าหมายผลงาน
- ผู้สร้างนวัตกรรมยังคงถูก ประเมินภายใต้กฎของระบบเดิม และเมื่อไม่มี รางวัลตอบแทนหรือโอกาสเลื่อนตำแหน่ง พื้นที่ของพวกเขาก็ค่อย ๆ หายไป
- ท้ายที่สุด พวกเขาจึงเหลือทางเลือกที่สมเหตุสมผลเพียง เลิกสร้างนวัตกรรมหรือลาออก
ทฤษฎีคานงัด
- จากประสบการณ์ก่อนหน้า ผู้เขียนเริ่มมองหาวิธี ป้องกันความล้มเหลวของการเปลี่ยนผ่านสู่ AI
- ในกระบวนการนี้ได้อ้างอิงแนวคิดระบบของ Donella Meadows และบทความคลาสสิกของเธอ 「Leverage Points」(1997)
- ข้อค้นพบของ Meadows : หากต้องการสร้างการเปลี่ยนแปลงอย่างต่อเนื่อง ต้องหา จุดแทรกแซงที่เหมาะสม ให้พบ
- การแทรกแซงที่ผิวเผินให้ ผลน้อยเมื่อเทียบกับความพยายามจำนวนมาก แต่คานงัดที่มองไม่เห็นสามารถสร้าง ความเปลี่ยนแปลงขนาดใหญ่ด้วยการแทรกแซงเพียงเล็กน้อย
- อย่างไรก็ตาม ในระบบใหม่ ๆ สัญชาตญาณของมนุษย์มักพาไปผิดทิศ ทำให้แม้จะเจอคานงัดที่ทรงพลังแล้ว ก็ยัง เผลอออกแรงผลักผิดทาง ได้
- แต่บริษัทส่วนใหญ่กลับใช้ทรัพยากรมากเกินไปกับ โซลูชันและการติดตั้งใช้งานในระดับผิวหน้า
- ต่อให้ลงมือกับการแทรกแซงเชิงลึก ก็ยังมักออกแรงไปในทิศทางที่ผิด เช่น เพิ่มการควบคุม ดึง ROI ออกมาเร็วเกินไป หรือเร่งความเร็ว
- ทั้งที่สิ่งที่จำเป็นจริง ๆ คือ การขยายอิสระ การลงทุนกลับ และการสร้างพื้นที่สำหรับการปรับตัว
- บริษัทผู้นำที่แท้จริงจะสร้าง ระบบการสร้างมูลค่าที่แข็งแรงและปรับตัวได้ ทำให้ ROI กลายเป็น ผลพลอยได้ตามธรรมชาติ
- กรณีศึกษาต่อไปนี้ 3 ตัวอย่าง แสดงให้เห็นการใช้จุดคานงัดที่มีอิทธิพลสูงอย่างถูกทิศทางเพื่อสร้าง ผลลัพธ์ AI ที่ยั่งยืน
-
SharkNinja — ความไว้วางใจต่อการตัดสินใจแบบกระจายอำนาจ
- ในอดีต การวิจารณ์แผนที่ผิดพลาดมักถูกตีตราว่าเป็นการ ไม่ให้ความร่วมมือกับทีม
- ผู้ผลิตเครื่องใช้ไฟฟ้า SharkNinja มี CEO คือ Mark Barrocas ที่พลิกวัฒนธรรมนี้อย่างสิ้นเชิง
- เขามอบทั้ง หน้าที่และอำนาจให้พนักงานชี้ข้อผิดพลาดของแผน และเสริมระบบ การตัดสินใจแบบกระจายอำนาจ ที่ทำให้แก้ไขการตัดสินใจผิดได้อย่างรวดเร็ว
- เขาประกาศว่า “ในอดีตผมเคยทำตัวโง่ แต่ตอนนี้ผมตัดสินใจแล้วว่าจะทำตัว ‘ไม่โง่’” พร้อมนิยาม ความล้มเหลวใหม่ให้เป็นข้อมูลสำหรับการแก้ไข
- ระบบปฏิบัติการลักษณะนี้ช่วยเพิ่ม ความคล่องตัว ความไว้วางใจ และความร่วมมือ จนนำไปสู่ กำไรสุทธิรายไตรมาสเพิ่มขึ้น 105% และ ราคาหุ้นสูงสุดเป็นประวัติการณ์
-
Johnson Hana — จากชั่วโมงที่เรียกเก็บเงินสู่คุณค่าที่มอบให้ลูกค้า
- สำนักงานกฎหมายแนวทางใหม่จากดับลิน ประเทศไอร์แลนด์ Johnson Hana เลือกใช้ ค่าบริการแบบเหมาจ่ายและอิงโครงการ แทน การคิดค่าบริการรายชั่วโมง
- เปลี่ยนเป้าหมายจากการ เพิ่มจำนวนชั่วโมงให้มากที่สุด ไปเป็น “เพิ่มศักยภาพของบุคลากรและคุณค่าที่ส่งมอบให้ลูกค้าให้มากที่สุด”
- AI ถูกฝังอยู่ในทุกช่วงของงาน โดยช่วย ทำเอกสารรีวิวแบบอัตโนมัติ เพื่อให้ทนายสามารถโฟกัสกับ การเจรจาเชิงสร้างสรรค์ การแก้ปัญหาซับซ้อน และการใช้วิจารณญาณ
- โมเดลนี้ทำให้ทนาย “มีความสุขมากขึ้นและเก่งขึ้น” ขณะที่ลูกค้าก็ได้รับ ผลลัพธ์ที่เร็วขึ้นและดีกว่าเดิม
- ในเดือนกรกฎาคม 2025 แพลตฟอร์มกฎหมาย AI Eudia เข้าซื้อ Johnson Hana ด้วยมูลค่า 50 ล้านดอลลาร์ ซึ่งสะท้อนว่าบริษัทที่ถูกเลือกคือบริษัทที่ได้สร้าง ระบบปฏิบัติการแบบอิงความไว้วางใจและแบบ stag hunt ไว้แล้ว
-
Shopify — ทำให้การใช้ AI เป็นตัวชี้วัดผลงาน
- ในองค์กรที่มีความไว้วางใจต่ำ การที่พนักงาน ซ่อนการใช้ AI หรือหลีกเลี่ยงการเรียนรู้ กลับเป็นทางเลือกที่สมเหตุสมผล
- แต่ Shopify ได้ออกแบบกฎหลักขององค์กรใหม่ตามแนวทางของ CEO Tobi Lütke โดยให้ การใช้ AI เป็นหัวใจสำคัญ
- การจ้างคนเพิ่มจะทำไม่ได้ หากไม่มี “หลักฐานว่า AI ทำไม่ได้”
- ความชำนาญด้าน AI ถูกใส่เข้าไปเป็น องค์ประกอบหลักของการประเมินผลงาน
- ผลก็คือ ทางเลือกที่สมเหตุสมผลของพนักงานเปลี่ยนไปเป็น การฝึกให้เชี่ยวชาญและใช้ AI อย่างเปิดเผย
- องค์กรจึงถูกจัดระเบียบใหม่โดยยึดความสามารถด้าน ความคิดสร้างสรรค์ กลยุทธ์ และนวัตกรรม ที่ AI แทนได้ยากเป็นศูนย์กลาง
- Shopify ได้สร้าง ระบบที่บังคับให้เกิด stag hunt และ Lütke อธิบายเป้าหมายไว้ว่า “ทำให้ AI ช่วย เพิ่มความสำเร็จในการทำงานได้ 100 เท่า เพื่อให้มนุษย์สามารถแก้โจทย์ท้าทายที่เดิมเป็นไปไม่ได้”
การเปลี่ยนผ่านที่แท้จริงหมายถึงอะไร
- ตามการวิเคราะห์ของ Meadows การจะได้มาซึ่ง AI ROI ที่ยั่งยืน ไม่ใช่แค่การนำเครื่องมือมาใช้ แต่ต้อง เปลี่ยนระบบปฏิบัติการขององค์กรทั้งระบบ
- ตลอดศตวรรษที่ผ่านมา องค์กรส่วนใหญ่ดำเนินงานเหมือน โครงข่ายไฟฟ้าแบบรวมศูนย์
- เป้าหมายคือ การควบคุมจากบนลงล่าง, การคาดการณ์แบบเชิงเส้น, และ การเพิ่มประสิทธิภาพกับการขยายขนาดให้สูงสุด
- แต่ AI ไม่ได้เป็นเพียงเชื้อเพลิงที่มีประสิทธิภาพขึ้นสำหรับระบบเดิม หากแต่เป็น พลังงานรูปแบบใหม่โดยสิ้นเชิง
- พลังของ AI เกิดจาก การทดลองและนวัตกรรมของพนักงานและทีมแต่ละชุด → เป็นพลังงานแบบกระจายที่เกิดจาก edge ขององค์กร
- บริษัทชั้นนำมองเห็นสิ่งนี้และเลือกจะประกาศให้โครงข่ายเดิม ล้าสมัย, นิยาม วิธีวัดคุณค่า ขึ้นใหม่ หรือออกแบบแรงจูงใจให้ พนักงานทุกคนกลายเป็น net-positive producer
- สิ่งเหล่านี้ถูกทำให้เห็นอย่างเป็นรูปธรรมผ่านกรณีของ SharkNinja, Johnson Hana และ Shopify
- จากผลสำรวจพบว่า 95% ของพนักงานยอมรับศักยภาพของ AI แต่ความกังวลที่ใหญ่ที่สุดคือความไม่ไว้วางใจว่า “องค์กรจะไม่แบ่งปันผลประโยชน์”
- ด้วยเหตุนี้ พนักงานจำนวนมากจึงเปลี่ยนตัวเองเป็น shadow workforce ที่ ซ่อนการใช้ AI และมุ่งเอาผลลัพธ์ระยะสั้นเท่านั้น จนตกอยู่ในสภาวะ ‘ล่า hare’
- การขาดความไว้วางใจกลายเป็นอุปสรรคต่อการสร้างนวัตกรรมแบบร่วมมือกัน
- ระบบปฏิบัติการใหม่ต้องตั้งอยู่บนความไว้วางใจลึก ๆ ว่า “แม้สิ่งที่สร้างจะคาดการณ์หรือควบคุมไม่ได้ แต่คุณค่าที่เกิดขึ้นจะยังได้รับการยอมรับและตอบแทน”
- บริษัทที่สร้างความไว้วางใจนี้ได้ในระดับโมเดลการดำเนินงาน จะไม่ได้ครอบครองเพียง ประสิทธิภาพชั่วคราว แต่จะได้ครอบครอง นวัตกรรมแบบทบต้น (compounding innovation) ที่คู่แข่งลอกเลียนไม่ได้
- ROI ที่ยั่งยืนไม่ได้มาจาก สิ่งที่ AI ทำได้ แต่มาจาก สิ่งที่ผู้คนที่เชื่อในเป้าหมายร่วมกันและร่วมมือกันสามารถทำให้เกิดขึ้นได้
ยังไม่มีความคิดเห็น