ปราการ 'ความฉลาดเฉพาะด้าน': เหตุใดกลยุทธ์ AI ทั่วไปจึงกลายเป็นหนี้ทางเทคนิคในรูปแบบใหม่

ตลอดสิบแปดเดือนที่ผ่านมา ผมได้มีโอกาสพูดคุยกับผู้ก่อตั้ง, CEO และผู้จัดการฝ่ายปฏิบัติการที่กำลังเผชิญกับความตึงเครียด ซึ่งทุกคนต่างพูดในสิ่งเดียวกันว่า: "เราได้นำ ChatGPT มาใช้ในทีมแล้ว แต่เรายังไม่เห็น 'ความเปลี่ยนแปลง' (transformation) ตามที่ทุกคนสัญญาไว้เลย" เมื่อผมได้ลองเข้าไปตรวจสอบ กลยุทธ์ AI สำหรับ SME ในส่วนของการดำเนินงาน ผมมักจะพบตัวการสำคัญเดิมๆ นั่นคือ พวกเขากำลังสร้างอนาคตบนรากฐานของความฉลาดแบบทั่วไป (Generic Intelligence) และในการทำเช่นนั้น พวกเขากำลังสร้างหนี้ทางเทคนิค (Tech Debt) จำนวนมหาศาลขึ้นมาโดยไม่รู้ตัว

ในช่วงแรกของการเปลี่ยนแปลงทางเทคโนโลยี การเพียงแค่ปรากฏตัวให้เห็นก็เพียงพอที่จะสร้างความได้เปรียบแล้ว ในปี 1995 การมีเว็บไซต์คือกลยุทธ์ ในปี 2010 การมีแอปพลิเคชันคือกลยุทธ์ และในปัจจุบัน เจ้าของธุรกิจจำนวนมากเชื่อว่าการให้พนักงานเข้าถึง Large Language Model (LLM) คือกลยุทธ์ AI แต่มันไม่ใช่ครับ มันเป็นเพียงสาธารณูปโภคพื้นฐาน เหมือนกับการให้โน้ตบุ๊กหรือสัญญาณโทรศัพท์แก่พนักงานนั่นเอง

จุดต่างที่แท้จริงไม่ใช่โมเดลที่คุณใช้ แต่คือ ความฉลาดเฉพาะด้าน (Specific Intelligence) ที่คุณสร้างขึ้นรอบๆ โมเดลนั้น หากคุณใช้เครื่องมือชนิดเดียวกันด้วยคำสั่ง (Prompt) แบบทั่วไปเหมือนกับคู่แข่ง คุณกำลังมุ่งหน้าไปสู่สิ่งที่ผมเรียกว่า ทะเลแห่งความเหมือน (The Sea of Sameness) ซึ่งเป็นจุดที่การตลาดของคุณฟังดูเหมือนกับคนอื่นๆ การบริการลูกค้าสุภาพแต่คลุมเครือ และประสิทธิภาพการดำเนินงานของคุณจะชนเพดาน เพราะ AI ไม่ได้ 'รู้จัก' ธุรกิจของคุณจริงๆ

เพดานของคำสั่ง (Prompt Ceiling) และการกำเนิดของความเหมือนสังเคราะห์

ธุรกิจส่วนใหญ่ในปัจจุบันกำลังติดอยู่ใน เพดานของคำสั่ง (The Prompt Ceiling) ซึ่งเป็นจุดที่ต่อให้คุณจะพยายาม 'วิศวกรรมคำสั่ง' (Prompt Engineering) มากแค่ไหน ผลลัพธ์ที่ได้ก็ยังคงเป็นแบบทั่วไป เพราะ AI ดึงข้อมูลมาจากข้อมูลของโลก ไม่ใช่ข้อมูลของ คุณ

เมื่อเร็วๆ นี้ ผมได้ทำงานร่วมกับบริษัทที่ปรึกษาบูติกแห่งหนึ่งที่ใช้ AI ในการร่างข้อเสนอโครงการ (Project Proposal) พวกเขารู้สึกหงุดหงิดเพราะร่างเหล่านั้นดู "ไร้วิญญาณ" ซึ่งพวกเขารู้สึกถูกแล้วครับ AI รู้วิธีเขียนข้อเสนอ แต่มันไม่รู้วิธีการทำงานเฉพาะตัวของบริษัท ประวัติความสำเร็จตลอด 10 ปี หรือวิธีเฉพาะที่พวกเขาใช้พูดคุยเรื่องผลตอบแทนจากการลงทุน (ROI) การใช้ AI ทั่วไปทำให้พวกเขาประสบกับ กลุ่มอาการความเหมือนสังเคราะห์ (Synthetic Sameness Syndrome) ซึ่งก็คือความได้เปรียบทางการแข่งขันที่เป็นเอกลักษณ์ของพวกเขา ถูกกลั่นกรองจนกลายเป็นเนื้อหาที่จืดชืดซึ่งสร้างโดย AI

เมื่อผมพิจารณาถึง การประหยัดต้นทุนในด้านบริการวิชาชีพ ที่เป็นไปได้ ชัยชนะที่ยิ่งใหญ่ที่สุดไม่ได้มาจากการเขียนอีเมลได้เร็วขึ้น แต่มาจากการใช้ AI เพื่อสังเคราะห์ประวัติผลลัพธ์ที่สำเร็จทั้งหมดของบริษัทเพื่อคาดการณ์ผลลัพธ์ครั้งต่อไป นั่นแหละครับคือ ความฉลาดเฉพาะด้าน

การนิยามปราการ 'ความฉลาดเฉพาะด้าน'

แล้วปราการ "ความฉลาดเฉพาะด้าน" คืออะไร? มันคือกระบวนการในการวางรากฐานให้กับโมเดลทั่วไปที่ทรงพลัง (เช่น Claude หรือ GPT-4) ด้วยข้อมูลที่เป็นกรรมสิทธิ์และข้อมูลทางประวัติศาสตร์ของคุณ มันคือการเปลี่ยนจาก "AI ที่รู้ทุกเรื่อง" ไปสู่ "AI ที่รู้ ทุกเรื่องเกี่ยวกับคุณ"

ผมได้สังเกตเห็นรูปแบบที่เกิดขึ้นซ้ำๆ ในธุรกิจนับพันแห่ง นั่นคือ กฎแรงโน้มถ่วงของข้อมูล (The Data Gravity Rule) กฎนี้ระบุว่ามูลค่าของการนำ AI มาใช้จะแปรผันตรงกับความใกล้ชิดของมันต่อบันทึกข้อมูลทางประวัติศาสตร์ของคุณ

• ความฉลาดทั่วไป: การขอให้ AI เขียนนโยบายการคืนเงินตามแนวทางปฏิบัติที่ดีที่สุดทั่วไป
• ความฉลาดเฉพาะด้าน: การขอให้ AI เขียนนโยบายการคืนเงินโดยอิงจากบันทึกการสนทนากับลูกค้า 5,000 รายล่าสุด ข้อมูลการเลิกใช้บริการ (Churn Data) ในช่วงสามปีที่ผ่านมา และแนวทางการสื่อสารเฉพาะของแบรนด์คุณ

แบบแรกจะผลิตเพียงเอกสาร แต่แบบหลังจะผลิตสินทรัพย์เชิงกลยุทธ์ หากคุณสงสัยว่าสิ่งนี้แตกต่างจากคำแนะนำแบบดั้งเดิมอย่างไร คุณสามารถดูวิธีที่ผม เปรียบเทียบ Penny กับที่ปรึกษาธุรกิจทั่วไป ในแง่ของการนำทางการเปลี่ยนแปลงทางเทคนิคเหล่านี้ได้

ทำไม AI ทั่วไปจึงเป็นหนี้ทางเทคนิคในรูปแบบใหม่

ในการพัฒนาซอฟต์แวร์ หนี้ทางเทคนิค (Tech Debt) คือต้นทุนแฝงของการต้องกลับมาแก้ไขงานเพิ่มเติมอันเนื่องมาจากการเลือกวิธีที่ง่าย (แต่จำกัด) ในตอนนี้ แทนที่จะใช้วิธีที่ดีกว่าซึ่งอาจใช้เวลานานกว่า

การนำ กลยุทธ์ AI สำหรับ SME แบบทั่วไปมาใช้ในวันนี้อาจดูเหมือนเป็นชัยชนะเพราะมันรวดเร็ว แต่คุณกำลังสร้างภูเขาแห่งหนี้ เพราะเหตุใด? เพราะทีมของคุณกำลังสร้างกระบวนการทำงาน (Workflows) รอบๆ ผลลัพธ์แบบ 'ธรรมดา' พวกเขากำลังฝึกฝนตัวเองให้เป็นผู้แก้ไขงานที่พอใช้ได้ มากกว่าที่จะเป็นสถาปนิกผู้สร้างมูลค่าเฉพาะตัว

ในที่สุด คุณจะต้องรื้อกระบวนการทำงานเหล่านั้นเพื่อรวมข้อมูลของคุณเข้าไป คุณจะต้องฝึกอบรมพนักงานใหม่ คุณจะต้องทำความสะอาดข้อมูลที่ยุ่งเหยิงที่คุณเคยละเลย ยิ่งคุณรอนานเท่าไหร่ในการวางรากฐาน AI บนบริบททางธุรกิจเฉพาะของคุณ การเปลี่ยนผ่านก็จะยิ่งยากขึ้น (และแพงขึ้น) เท่านั้น

โครงสร้างปราการความฉลาด (The Intelligence Moat Framework)

เพื่อช่วยเหลือธุรกิจที่ผมให้คำปรึกษา ผมได้พัฒนา โครงสร้างปราการความฉลาด (Intelligence Moat Framework) ขึ้นมา ซึ่งเป็นบันไดสามขั้นเพื่อเปลี่ยนจากยูทิลิตี้ทั่วไปไปสู่ความได้เปรียบที่เป็นกรรมสิทธิ์

ระดับที่ 1: การทำงานอัตโนมัติเฉพาะงาน (ระดับสาธารณูปโภค)

นี่คือระดับที่ SME ส่วนใหญ่อยู่ คุณใช้ AI เพื่อสรุปการประชุม ร่างอีเมล หรือสร้างรูปภาพ มันช่วยประหยัดเวลา แต่ให้ความได้เปรียบทางการแข่งขันเป็นศูนย์ เพราะคู่แข่งของคุณก็ทำสิ่งเดียวกันด้วยต้นทุนที่เท่ากัน นี่คือสินค้าโภคภัณฑ์ (Commodity)

ระดับที่ 2: การบูรณาการกระบวนการ (ระดับกระบวนการทำงาน)

ในระดับนี้ คุณเริ่มเชื่อมต่อ AI เข้ากับเครื่องมือของคุณ คุณใช้ Zapier หรือ Make เพื่อสั่งให้ AI ทำงานตามเหตุการณ์ที่เกิดขึ้นใน CRM ของคุณ สิ่งนี้ดีกว่า เพราะมันสร้างประสิทธิภาพ ตัวอย่างเช่น ใน อุตสาหกรรมสร้างสรรค์ สิ่งนี้อาจดูเหมือนกระบวนการอัตโนมัติที่รับบรีฟจากลูกค้าและสร้าง Mood Board ของโครงการโดยอัตโนมัติ โดยอิงจากแคมเปญที่เคยได้รับรางวัลสามแคมเปญล่าสุดของเอเจนซี

ระดับที่ 3: การวางรากฐานความรู้ (ระดับปราการป้องกันธุรกิจ)

นี่คือเป้าหมายสูงสุด เป็นจุดที่คุณใช้เทคโนโลยีอย่าง RAG (Retrieval-Augmented Generation) เพื่อให้แน่ใจว่าแหล่งข้อมูลหลักของ AI คือเอกสารภายใน ข้อมูลโครงการในอดีต ข้อมูลทางการเงิน และความคิดเห็นของลูกค้า ในระดับนี้ AI ไม่ใช่แค่เครื่องมือ แต่เป็นฝาแฝดดิจิทัล (Digital Twin) ของความทรงจำในองค์กรของคุณ

รูปแบบข้ามอุตสาหกรรม: สิ่งที่เราเรียนรู้ได้

ผมเห็นสิ่งนี้แสดงผลแตกต่างกันไปตามกลุ่มธุรกิจ แต่ตรรกะเบื้องหลังนั้นเหมือนกัน

ใน ธุรกิจบริการสุขภาพ (Healthcare) ธุรกิจที่ชนะด้วย AI ไม่ใช่ธุรกิจที่ใช้มันเขียนบันทึกอาการคนไข้ แต่เป็นธุรกิจที่วางรากฐาน AI บนผลลัพธ์ของคนไข้เฉพาะรายและแนวทางการรักษาในท้องถิ่น เพื่อให้ได้ 'ความฉลาดเฉพาะด้าน' เกี่ยวกับความเสี่ยงในการวินิจฉัย

ใน ธุรกิจค้าปลีก (Retail) "ทะเลแห่งความเหมือน" จะเห็นได้ชัดที่สุดในคำอธิบายสินค้า ทุกร้านใน Shopify ตอนนี้มีข้อความที่เขียนโดย AI เหมือนกันหมด ผู้ชนะคือใคร? คือผู้ที่วางรากฐาน AI ของตนบนข้อมูลรีวิวของลูกค้าเพื่อเน้นย้ำถึงประโยชน์ที่ลูกค้าตัวจริงให้ความสำคัญ โดยใช้ภาษาที่ลูกค้าของพวกเขาใช้จริงๆ

วิธีเริ่มต้นสร้างปราการของคุณ

หากคุณรู้สึกท่วมท้น อย่าพยายามสร้างฝาแฝดดิจิทัลของทั้งธุรกิจให้เสร็จภายในวันศุกร์นี้ เริ่มจากจุดเล็กๆ แต่เริ่มด้วย บริบท (Context)

1. ระบุบริบทที่มีมูลค่าสูงของคุณ: ชุดข้อมูลหนึ่งเดียวที่คุณมีแต่คู่แข่งไม่มีคืออะไร? คือประวัติโครงการของคุณหรือไม่? ตรรกะการตั้งราคาเฉพาะของคุณ? หรือความคิดเห็นของลูกค้า?
2. หยุด 'วิศวกรรมคำสั่ง' และเริ่ม 'วิศวกรรมบริบท': แทนที่จะพยายามเขียนคำสั่งที่สมบูรณ์แบบยาว 5 หน้า ให้ลองดูว่าคุณจะป้อนตัวอย่าง 20 ตัวอย่างของสิ่งที่เรียกว่า 'ดี' จากคลังข้อมูลของคุณเองให้ AI ได้อย่างไร
3. กฎ 90/10: ผมมักจะบอกเจ้าของธุรกิจว่า เมื่อ AI สามารถจัดการหน้าที่งานหนึ่งได้ 90% โดยใช้ความฉลาดทั่วไป อีก 10% ที่เหลือ (การกำกับดูแลโดยมนุษย์ที่วางรากฐานบนบริบทเฉพาะของบริษัท) จะกลายเป็นส่วนที่มีค่าที่สุดของบทบาทนั้น ถามตัวเองว่า: 10% นั้นคือตำแหน่งงานเต็มเวลาหนึ่งตำแหน่ง หรือเป็นความรับผิดชอบที่รวมเข้ากับตำแหน่งงานอื่นได้?

ข้อคิดส่งท้ายจากหน้างาน

ช่องว่างระหว่างสิ่งที่เป็นไปได้ด้วย AI กับสิ่งที่ SME ทั่วไปกำลังทำอยู่นั้นกำลังกว้างขึ้นเรื่อยๆ แต่ช่องว่างระหว่าง AI ทั่วไป กับ ความฉลาดเฉพาะด้าน คือจุดที่จะสร้างผู้นำตลาดในทศวรรษหน้า

อย่าพอใจเพียงแค่การเป็นผู้ใช้เครื่องมือทั่วไปที่เร็วที่สุด จงเป็นสถาปนิกของระบบที่รู้จักธุรกิจของคุณดีกว่าที่โมเดลทั่วไปจะทำได้ นั่นคือวิธีที่คุณจะเปลี่ยน AI จากค่าใช้จ่ายในงบประมาณให้กลายเป็นความได้เปรียบเชิงโครงสร้าง

อะไรจะเปลี่ยนไปในธุรกิจของคุณ หาก AI ของคุณรู้ทุกความสำเร็จและความล้มเหลวที่คุณเคยมีตลอดห้าปีที่ผ่านมา? นั่นคือจุดที่เราควรเริ่มการสนทนากันครับ