AI กับการยกระดับประสิทธิภาพงานหลังบ้านขององค์กร
งานหลังบ้านเป็นจุดที่ AI สร้างผลลัพธ์ได้เร็วที่สุด เพราะเป็นงานที่มีรูปแบบชัดเจน ทำซ้ำบ่อย และวัดผลได้ตรงไปตรงมา แต่การเริ่มผิดจุดก็ทำให้เสียทั้งเวลาและความเชื่อมั่นของทีมได้เช่นกัน บทความนี้สรุปแนวทางเลือกงานและวางกรอบการใช้งานให้ได้ผลจริง
งานแบบไหนที่เหมาะกับ AI
ลักษณะงานที่ AI ช่วยได้ชัดเจนมักมีสามอย่างร่วมกัน คือ ทำซ้ำเป็นประจำ มีข้อมูลเข้าเป็นข้อความหรือเอกสาร และผลลัพธ์มีคนตรวจสอบต่อได้ ตัวอย่างที่พบบ่อยในองค์กรไทย ได้แก่
- อ่านและสรุปเอกสารจำนวนมาก เช่น สัญญา ใบเสนอราคา หรือรายงานประชุม
- จัดหมวดหมู่และกระจายงานที่เข้ามาทางอีเมลหรือแบบฟอร์ม
- ร่างข้อความตอบกลับมาตรฐาน ให้เจ้าหน้าที่ตรวจก่อนส่ง
- ดึงข้อมูลจากเอกสารเข้าสู่ระบบ แทนการคีย์มือ
- ตรวจความครบถ้วนของเอกสารก่อนส่งต่อขั้นตอนถัดไป
เริ่มจากงานที่วัดผลได้
ก่อนเริ่มโครงการ ควรรู้ตัวเลขฐานก่อนว่างานนั้นใช้เวลาเท่าไรต่อชิ้น ทำกี่ชิ้นต่อเดือน และมีอัตราผิดพลาดเท่าใด ถ้าไม่มีตัวเลขฐาน จะไม่มีทางบอกได้ว่าสิ่งที่ลงทุนไปคุ้มหรือไม่ และการถกเถียงจะวนอยู่ที่ความรู้สึก
การเลือกงานนำร่องที่ขอบเขตชัดและมีปริมาณมากพอ จะให้ผลลัพธ์ที่เห็นได้ภายในไม่กี่สัปดาห์ ดีกว่าเริ่มจากงานที่ซับซ้อนที่สุดซึ่งมักใช้เวลานานจนทีมหมดแรงก่อน
คนยังต้องอยู่ในกระบวนการ
สำหรับงานที่มีผลผูกพันทางกฎหมายหรือการเงิน ไม่ควรให้ AI เป็นผู้ตัดสินใจขั้นสุดท้าย รูปแบบที่ปลอดภัยกว่าคือให้ AI เตรียมงานให้เสร็จ แล้วให้คนตรวจและอนุมัติ ซึ่งยังลดเวลาได้มากโดยไม่เพิ่มความเสี่ยง
สิ่งที่ควรกำหนดไว้ตั้งแต่ต้นคือ ใครเป็นผู้รับผิดชอบผลลัพธ์ และจะรู้ได้อย่างไรว่าผลลัพธ์ชิ้นไหนผ่านการตรวจแล้ว การบันทึกร่องรอยเหล่านี้สำคัญมากเมื่อต้องตรวจสอบย้อนหลัง
ข้อมูลองค์กรกับความปลอดภัย
ก่อนส่งข้อมูลใด ๆ เข้าสู่บริการ AI ภายนอก ควรตอบให้ได้ว่าข้อมูลนั้นเป็นความลับระดับใด ผู้ให้บริการนำข้อมูลไปใช้ฝึกโมเดลหรือไม่ เก็บไว้นานเท่าใด และเก็บไว้ที่ใด
แนวปฏิบัติที่ควรวางไว้ ได้แก่ จัดชั้นความลับของข้อมูลให้ชัด กำหนดว่าข้อมูลประเภทใดห้ามออกนอกองค์กร ลบหรือปิดบังข้อมูลส่วนบุคคลก่อนใช้งานเมื่อไม่จำเป็นต้องใช้ และทบทวนเงื่อนไขของผู้ให้บริการเป็นระยะ เพราะเงื่อนไขเหล่านี้เปลี่ยนได้
วัดผลอย่างไรว่าคุ้ม
ตัวชี้วัดที่ใช้ได้จริงไม่ใช่จำนวนงานที่ AI ทำ แต่เป็นเวลาที่ทีมได้คืนมาและคุณภาพที่เปลี่ยนไป ตัวอย่างเช่น เวลาเฉลี่ยต่อชิ้นงานลดลงเท่าใด อัตราการแก้ไขซ้ำลดลงหรือไม่ และงานค้างสะสมลดลงหรือเปล่า
อีกด้านที่ควรวัดคือสัดส่วนที่คนต้องแก้ไขผลลัพธ์ของ AI ถ้าสัดส่วนนี้สูงเกินไป แปลว่างานนั้นอาจยังไม่เหมาะ หรือยังต้องปรับวิธีใช้งานก่อน
ข้อควรระวัง
- อย่าเริ่มจากการเลือกเครื่องมือ ให้เริ่มจากงานที่มีปัญหาชัดเจน
- อย่าคาดหวังว่าผลลัพธ์จะถูกต้องร้อยเปอร์เซ็นต์ ให้ออกแบบขั้นตอนตรวจสอบไว้เสมอ
- อย่าละเลยการสื่อสารกับทีม การนำ AI เข้ามาโดยไม่อธิบายเป้าหมาย มักถูกเข้าใจว่าเป็นการลดคน
- อย่าผูกกระบวนการทั้งหมดไว้กับผู้ให้บริการรายเดียวโดยไม่มีทางถอย
เมื่อวางกรอบเหล่านี้ไว้ตั้งแต่ต้น การขยายผลจากงานนำร่องไปสู่งานอื่นจะทำได้เร็วขึ้นมาก เพราะทีมมีทั้งตัวเลขและบทเรียนที่ใช้อ้างอิงได้