การ์ทเนอร์คาดการณ์ ภายในสิ้นปี 2568 โปรเจกต์ต่าง ๆ จาก Generative AI (GenAI) อย่างน้อย 30% จะยกเลิกหลังการพิสูจน์เชิงแนวคิด หรือ Proof of Concept (PoC) อันเนื่องมาจากข้อมูลคุณภาพต่ำ มีการควบคุมความเสี่ยงไม่เพียงพอ ค่าใช้จ่ายที่เพิ่มสูงขึ้น หรือมูลค่าทางธุรกิจไม่ชัดเจน 

ริต้า ซาลลัม รองประธานฝ่ายวิจัยการ์ทเนอร์ กล่าวว่า “หลังจาก GenAI เป็นกระแสฮือฮาเมื่อปีก่อน ผู้บริหารต่างจดจ้องที่จะได้เห็นผลตอบแทนจากการลงทุนใน GenAI แต่ว่าองค์กรต่าง ๆ กลับต้องฝ่าฟันเพื่อพิสูจน์และรับรู้ถึงคุณค่าของมัน ตามที่ขอบเขตของแผนงานด้าน GenAI ขยายออกไป ประกอบกับภาระทางการเงินในการพัฒนาและการนำโมเดล GenAI ไปใช้งานก็เพิ่มมากขึ้นเรื่อย ๆ 

โดยการ์ทเนอร์ยังระบุว่าความท้าทายสำคัญที่องค์กรเผชิญนั้น คือ การพิสูจน์ให้เห็นถึงความคุ้มค่าของการลงทุนเป็นจำนวนมหาศาลกับ GenAI ในการเพิ่มประสิทธิภาพการทำงาน ซึ่งจะแปลงเป็นผลประโยชน์ทางการเงินโดยตรงได้ยาก ทั้งนี้องค์กรมากมายกำลังใช้ประโยชน์จาก GenAI เพื่อเปลี่ยนแปลงโมเดลธุรกิจและสร้างโอกาสทางธุรกิจใหม่ ๆ แต่อย่างไรก็ตาม แนวทางนี้มาพร้อมกับต้นทุนมหาศาลตั้งแต่ 5 ล้านดอลลาร์สหรัฐฯ ไปจนถึง 20 ล้านดอลลาร์สหรัฐฯ (ดูรูปที่ 1) 

“น่าเสียดายที่ GenAI ไม่มีสูตรสำเร็จที่ใช้ได้กับทุกสถานการณ์ และต้นทุนก็ไม่สามารถคาดเดาได้เหมือนกับเทคโนโลยีอื่น ๆ ดังนั้นสิ่งที่องค์กรจ่าย อาทิ ยูสเคสที่ลงทุนและวิธีการนำไปใช้ที่เลือก ล้วนเป็นตัวกำหนดต้นทุนทั้งนั้น ไม่ว่าคุณจะเป็นผู้เข้ามาดิสรัปตลาดและต้องการฝัง AI เข้าไปในทุกที่ หรือต้องการมุ่งเน้นที่การเพิ่มผลผลิตหรือการขยายกระบวนการเดิมที่มีอยู่ สิ่งเหล่านี้ล้วนมีต้นทุน ความเสี่ยง ความผันแปร และส่งผลกระทบเชิงกลยุทธ์ในระดับที่ต่างกัน” ซาลลัม กล่าว 

ผลการวิจัยการ์ทเนอร์ยังชี้ว่าการพัฒนา GenAI ไม่ว่าเพื่อเป้าหมายใด ต้องอาศัยความอดทนที่สูงกว่ากับผลลัพธ์ทางอ้อม สำหรับวางหลักเกณฑ์การลงทุนด้านการเงินในอนาคตเทียบกับผลตอบแทนการลงทุนทันที (ROI) ในอดีตผู้บริหารระดับสูงด้านการเงิน หรือ CFO หลายรายไม่สะดวกใจลงทุนวันนี้เพื่อมูลค่าทางอ้อมในอนาคต ซึ่งความลังเลใจนี้อาจทำให้การจัดสรรเม็ดเงินลงทุนถูกเบี่ยงเบนไปในทางยุทธวิธีมากกว่าผลลัพธ์เชิงกลยุทธ์ 

การตระหนักถึงมูลค่าทางธุรกิจ 

ผู้ที่นำ AI มาใช้ก่อนใคร หรือที่เรียกว่า Earlier Adopter ทั้งในอุตสาหกรรมและกระบวนการทางธุรกิจต่างรายงานถึงพัฒนาการและการปรับปรุงด้านธุรกิจที่หลากหลาย แตกต่างกันไปตามยูสเคสใช้งาน ประเภทงาน และระดับทักษะของคนทำงาน ผลการสำรวจผู้นำทางธุรกิจของการ์ทเนอร์ล่าสุด จากจำนวนผู้ตอบแบบสอบถาม 822 ราย ที่จัดทำช่วงเดือนกันยายนถึงพฤศจิกายนปี 2566 พบว่าองค์กรที่นำ AI มาใช้มีรายได้เพิ่มขึ้น 15.8% ประหยัดต้นทุนขึ้น 15.2% และช่วยปรับปรุงประสิทธิผลการผลิตโดยเฉลี่ย 22.6% 

“ดาต้านี้เป็นข้อมูลอ้างอิงสำคัญสำหรับการประเมินมูลค่าทางธุรกิจที่ได้มาจากนวัตกรรมโมเดลธุรกิจ GenAI แต่สิ่งสำคัญคือเราต้องยอมรับความท้าทายในการประเมินมูลค่าดังกล่าว เนื่องจากผลประโยชน์ต่าง ๆ นั้นจะขึ้นกับบริษัทเป็นหลัก รวมถึง ยูสเคส บทบาท และแรงงานอย่างเฉพาะ บ่อยครั้งที่ผลกระทบอาจไม่เผยชัดเจนในทันทีและอาจเกิดขึ้นภายหลัง อย่างไรก็ตาม ความล่าช้านี้ไม่ได้ลดผลประโยชน์ที่อาจได้รับลงแต่อย่างใด” ซาลลัม กล่าวเสริม 

การคำนวณผลกระทบต่อธุรกิจ 

จากการวิเคราะห์มูลค่าทางธุรกิจและต้นทุนรวมของนวัตกรรมโมเดลธุรกิจ GenAI องค์กรต่าง ๆ สามารถกำหนดผลตอบแทนจากการลงทุนโดยตรง (ROI) และผลกระทบต่อมูลค่าธุรกิจในอนาคตได้ ซึ่งถือเป็นเครื่องมือสำคัญในการตัดสินใจลงทุนอย่างรอบคอบเกี่ยวกับนวัตกรรมโมเดลธุรกิจ GenAI 

“หากผลลัพธ์ทางธุรกิจเป็นไปตามเป้าหรือเกินความคาดหวัง ถือเป็นโอกาสการขยายการลงทุน โดยเพิ่มขอบเขตนวัตกรรมและการใช้งาน GenAI ให้ครอบคลุมฐานผู้ใช้ที่กว้างขึ้น หรือนำไปใช้ในแผนกธุรกิจอื่น ๆ เพิ่มเติม อย่างไรก็ตาม หากผลลัพธ์ไม่เป็นไปตามที่คาด อาจจำเป็นต้องพิจารณานวัตกรรมทางเลือก โดยอาศัยข้อมูลเชิงลึกเหล่านี้ช่วยให้องค์กรจัดสรรทรัพยากรได้อย่างมีกลยุทธ์พร้อมกำหนดแผนดำเนินงานที่มีประสิทธิภาพสูงสุดในอนาคต” ซาลลัม กล่าวสรุป  

การ์ทเนอร์เผยผลสำรวจล่าสุดของผู้บริหารระดับสูงกว่า 1,800 ราย พบว่า 55% ขององค์กรมีคณะกรรมการที่ดูแลด้านการใช้งาน AI หรือ AI Board และ 54% ระบุว่ามีหัวหน้าด้าน AI หรือ AI Leader ที่ประสานงานและดูแลกิจกรรมต่าง ๆ ภายในองค์กร  

ฟราสซิส คารามูซิส รองประธานฝ่ายวิจัย การ์ทเนอร์ กล่าวว่า “จากผลการวิจัยพบว่าองค์กรทั่วโลกมีความเห็นต่างกันในเรื่องความจำเป็นของการมีคณะกรรมการด้าน AI หรือ AI Board ซึ่งคำตอบของประเด็นนี้คือองค์กรจำเป็นต้องมี AI Board เพื่อขับเคลื่อนกลยุทธ์ AI ให้บรรลุเป้าหมาย โดยเปรียบเสมือนคณะกรรมการกลางที่คอยกำหนดทิศทาง ดูแล และควบคุมการใช้ AI ให้เกิดประสิทธิภาพสูงสุด พร้อมลดความเสี่ยง และสร้างมูลค่าเพิ่มให้กับองค์กร อย่างไรก็ตาม รูปแบบ ขอบเขต ทรัพยากร และกรอบระยะเวลาของการจัดตั้ง AI Board นั้นขึ้นอยู่กับบริบทของยูสเคส และความพร้อมของแต่ละองค์กร โดยองค์กรบางแห่งอาจดำเนินการด้วยมาตรการระยะสั้น แต่บางแห่งอาจเปลี่ยนแปลงรูปแบบการทำงานในระยะยาว” 

จากการสำรวจผู้บริหารระดับสูง 1,808 ราย ที่เข้าร่วมเว็บบินาร์ของการ์ทเนอร์ เมื่อเดือนมิถุนายนที่ผ่านมา ได้แลกเปลี่ยนความคิดเห็นกันในมุมมองต่อการประเมินต้นทุน ความเสี่ยง และมูลค่าของโครงการ AI และ GenAI ใหม่ ๆ โดยผลสำรวจนี้ไม่ได้สะท้อนถึงภาพรวมตลาดโลก แต่ให้ข้อมูลเชิงลึกของมุมมองผู้บริหารที่มีต่อเทคโนโลยี AI และ GenAI 

AI Board ต้องชัดเจนเรื่องกฎเกณฑ์ ที่สอดคล้องกับเป้าหมายธุรกิจ 

ความรับผิดชอบต่อ AI นั้นกระจายออกไป พนักงานจากหลายแผนกมักมีส่วนร่วมในการริเริ่มโครงการด้าน AI ขณะที่บางองค์กรดำเนินงานแบบกระจายอำนาจ บางแห่งทำงานแยกส่วนกัน หรือบางองค์กรยังไม่ชัดเจนว่าจะนำ AI ไปใช้ในแง่ใด สิ่งนี้ทำให้เกิดความท้าทายในการระบุผู้รับผิดชอบต่อผลลัพธ์ที่เกิดขึ้นจากการใช้งาน AI ทั้งแง่บวกและลบ โดยผลสำรวจนี้ยังชี้ให้เห็นว่า มีเพียง 1 ใน 4 ของผู้ตอบแบบสอบถามเท่านั้นที่สามารถระบุผู้รับผิดชอบต่อโครงการริเริ่มด้าน AI ได้อย่างชัดเจน

“AI Board ต้องประกอบด้วยสมาชิกจากหลายสาขาวิชาและหน่วยธุรกิจ ซึ่งความหลากหลายนี้จะช่วยให้มั่นใจได้ว่าบอร์ดจะมีมุมมองครอบคลุมประเด็นที่เกี่ยวข้องกับ AI ในด้านต่าง ๆ นอกจากนี้บอร์ดยังต้องมีความคล่องตัวในการปฏิบัติงาน สามารถตัดสินใจได้อย่างมีประสิทธิภาพและรวดเร็ว โดยแต่ละองค์กรต้องหาแนวทางที่ดีที่สุดในการจัดตั้งคณะกรรมการที่ดูแลด้านการใช้ AI ของตน สิ่งสำคัญคือต้องทำให้แน่ใจว่าบอร์ดจะมีขนาดไม่ใหญ่เกินไปจนทำงานได้ไม่เต็มประสิทธิภาพ พร้อมทั้งต้องระบุกลไกชัดเจนด้านอำนาจการตัดสินใจและการขับเคลื่อนฉันทามติ” คารามูซิส กล่าวเพิ่มเติม 

เมื่อสอบถามว่าอะไรคือหัวข้อหลักสามอันดับแรกของบอร์ดที่ต้องมุ่งเน้น ผู้บริหาร 26% ระบุว่าเป็นเรื่องของ “การกำกับดูแล” หรือ ธรรมาภิบาล และอีก 21% ระบุว่า “กลยุทธ์” ควรเป็นหนึ่งในหัวข้อหลัก 

คารามูซิส อธิบายเพิ่มว่า "สมาชิกใน AI Board ควรมีความเชี่ยวชาญที่เชื่อมโยงกับขอบเขตงาน ควรเป็นผู้บริหารระดับสูงและมีประสบการณ์ มีทักษะที่แข็งแกร่งทั้งในด้านกลยุทธ์และการดำเนินงาน และอย่างยิ่งโดยเฉพาะคือมีเป้าหมายด้าน GenAI" 

หัวหน้าด้าน AI มีอยู่ทั่วไปในองค์กรมากกว่า CAIO 

ผลการวิจัยชี้ให้เห็นว่า แม้องค์กรจำนวนมากจะมีหัวหน้าหรือผู้นำที่ดูแลด้าน AI แต่ตำแหน่งของพวกเขาเหล่านี้อาจจะไม่ได้เรียกว่า "Chief AI Officer" (CAIO) เสมอไป โดยผู้นำระดับสูง 54% ระบุว่าองค์กรของตนมีหัวหน้าฝ่าย AI หรือผู้นำ AI ขณะที่ 88% บอกว่าผู้บริหาร AI ของตนนั้นไม่ได้มีตำแหน่งเป็น Chief AI Officer (CAIO) 

แม้ว่าคณะกรรมการบริษัทจะเป็นผู้กำหนดทิศทางให้กับผู้นำระดับสูง (C-suite) แต่คณะกรรมการส่วนใหญ่ก็ไม่อยากเพิ่มตำแหน่งผู้นำระดับสูงนี้ อย่างไรก็ตาม คณะกรรมการยังคงต้องการให้มีผู้นำด้าน AI เพื่อรับผิดชอบภาพรวมในการบริหารจัดการเทคโนโลยี AI ภายในองค์กร 
“แม้ว่าเทคโนโลยี AI และ GenAI จะมีบทบาทสำคัญในทุกแง่มุมของงาน กิจกรรม และกลยุทธ์องค์กร แต่บุคคลหรือทีมที่รับผิดชอบการประสานงาน AI ในองค์กร ไม่ได้หมายความว่าจะต้องมีตำแหน่งเป็นผู้บริหารระดับ C-Level” คารามูซิส กล่าวทิ้งท้าย 

การนำ ChatGPT มาใช้อย่างรวดเร็วได้ยกระดับผลกระทบเชิงลบด้านสิ่งแวดล้อมในหลายมิติ จากที่ Generative AI เป็นเทคโนโลยีใหม่ที่กำลังได้รับความนิยม ได้กลายเป็นความกังวลขององค์กรทันที เมื่อยูสเคสที่เหมือนจะดูดีและถูกขับเคลื่อนโดยเทคโนโลยีเกิดใหม่นี้กลับสร้างผลเสียมากกว่าผลดีในแง่ของการปล่อยก๊าซเรือนกระจก (GHG) และปริมาณการใช้ไฟฟ้าและน้ำ

อย่างไรก็ตามหากใช้อย่างถูกวิธีและอยู่ภายใต้การควบคุมดูแลของมนุษย์ Generative AI ยังสามารถเร่งให้เกิดความยั่งยืนเชิงบวกพร้อมสร้างผลลัพธ์ทางการเงินได้ โดยเทคโนโลยีนี้อาจช่วยให้บริษัทลดความเสี่ยงด้านความยั่งยืน ปรับต้นทุนให้เหมาะสม และขับเคลื่อนการเติบโตได้เพื่อสร้างสมดุลระหว่างอันตรายและประโยชน์ของเทคโนโลยีนี้ องค์กรจำเป็นต้องดำเนินการ 2 ประการ ประการแรก คือ สร้างการรับรู้และลดการปล่อยพลังงานของ Generative AI เพื่อให้มันเป็นมิตรต่อสิ่งแวดล้อมมากขึ้น จากนั้นระบุ ประเมินและจัดลำดับความสำคัญยูสเคสที่เกี่ยวกับความยั่งยืนด้านสิ่งแวดล้อมตระหนักถึงปัญหาด้านการบริโภคพลังงานของ Generative AI

Generative AI นั้นพึ่งพาโมเดลภาษาขนาดใหญ่ที่ได้รับการเทรนจากข้อมูลมหาศาล ซึ่งต้องระบายความร้อนด้วยน้ำหล่อเย็นและใช้พลังงานไฟฟ้า หรืออาจใช้พลังงานทั้งสองจำนวนมหาศาล แม้ในระยะยาวการปล่อยก๊าซเรือนกระจกที่เกี่ยวข้องกับไฟฟ้าจะลดลงเมื่อมีการใช้แหล่งพลังงานหมุนเวียนมากขึ้น ซึ่งโมเดล Generative AI ที่ทรงพลังยิ่งขึ้นจะต้องการความสามารถในการประมวลผลมากขึ้นตามไปด้วย

ปัญหาเทคโนโลยีที่เกี่ยวข้องกับพลังงานไฟฟ้าและน้ำนั้นมีมากกว่าของ Generative AI การ์ทเนอร์คาดการณ์ว่า ภายในปี 2568 ผู้บริหาร 75% จะเผชิญกับข้อจำกัดของเทคโนโลยีที่เกี่ยวข้องกับพลังงานไฟฟ้า เนื่องจากความต้องการเทคโนโลยีและการแข่งขันกันทางด้านสังคมจะทวีความดุเดือดมากขึ้น ดังนั้นผู้บริหาร CIO จึงไม่ต้องการที่จะติดอยู่ในศึกการแย่งชิงทรัพยากรที่มีจำกัดกับชุมชนท้องถิ่น

มุ่งมั่นลดการปล่อยพลังงาน Generative AI

Generative AI จะต้องมีประสิทธิภาพการทำงานเทียบเท่ากับสมองมนุษย์ เพื่อให้เป็นมิตรกับสิ่งแวดล้อมมากขึ้น สาเหตุหนึ่งที่ทำให้สมองประหยัดพลังงานมากก็คือ สมองสามารถจัดระเบียบความรู้ในโครงสร้างเครือข่ายได้ โดยแนวทางที่ใกล้เคียงที่สุดคือ Composite AI คือการรวมโมเดล AI หลายแบบเข้าด้วยกันเพื่อให้ได้ประสิทธิภาพและความแม่นยำที่ดีขึ้น ซึ่งใช้โครงสร้างเครือข่ายและเทคนิคคล้ายกันเพื่อเสริมกำลังมหาศาลด้วยวิธีการเรียนรู้เชิงลึกในปัจจุบัน

Generative AI ยังบริโภคพลังงานไฟฟ้าและน้ำเป็นหลัก ดังนั้นการหยุดเทรน AI ในทันทีหรือการเก็บข้อมูลการเทรนโมเดล การนำโมเดลที่ได้รับการเทรนแล้วกลับมาใช้ใหม่ และการใช้ฮาร์ดแวร์และอุปกรณ์เครือข่ายที่ประหยัดพลังงานมากขึ้น จะสามารถสร้างสมดุลแนวทางปริมาณงานในดาต้าเซ็นเตอร์แบบ "ตามสถานการณ์และความเป็นจริง - Follow The Sun" ซึ่งดีกว่าสำหรับการผลิตพลังงานสะอาด กับการใช้แนวทาง "แยกเดินออกมา Unfollow The Sun" สำหรับประสิทธิภาพการใช้น้ำที่ดีกว่า

อีกวิธีหนึ่งในการทำให้ Generative AI มีความเป็นมิตรต่อสิ่งแวดล้อมมากขึ้น คือการใช้งานในสถานที่ที่ใช่ ในเวลาที่เหมาะสม โดยความเข้มข้นของคาร์บอนจากแหล่งพลังงานในท้องถิ่นจะแตกต่างกันไปตามปัจจัยหลายประการ แนวปฏิบัติที่ดีที่สุดคือการใช้การจัดตารางเวลางานที่คำนึงถึงพลังงาน ควบคู่ไปกับบริการการติดตามและการคาดการณ์คาร์บอนเพื่อลดการปล่อยก๊าซที่เกี่ยวข้อง

พร้อมตั้งเป้าซื้อแหล่งพลังงานสะอาดใหม่ตามที่วางแผนไว้สำหรับนำมาใช้ The Greenhouse Gas Protocol ที่กำลังกำหนดให้บริษัทต่าง ๆ จัดทำการวิเคราะห์พลังงานสะอาดอย่างละเอียดเพิ่มเติมตามแหล่งสถานที่ ช่วงเวลาของวัน หรือทั้งสองอย่าง

ระบุยูสเคสความยั่งยืนด้านสิ่งแวดล้อมที่มีศักยภาพ

มี 3 กรอบการดำเนินงานกว้าง ๆ ที่ยูสเคส Generative AI สามารถเร่งความยั่งยืนด้านสิ่งแวดล้อม ได้แก่ การลดความเสี่ยง การเพิ่มประสิทธิภาพต้นทุน และใช้ขับเคลื่อนการเติบโต

การปฏิบัติตามกฎระเบียบเป็นวิธีการนึงที่ Generative AI สามารถช่วยองค์กรลดความเสี่ยงด้านสิ่งแวดล้อมโดยการระบุและตีความตัวบทกฎหมาย มาตรฐาน คำสั่ง และข้อกำหนดการรายงานความยั่งยืน รวมถึงการอัปเดตอยู่ตลอดเวลา ที่สามารถพัฒนาแผนปฏิบัติการเพื่อให้บรรลุตามข้อกำหนดและเป็นเครื่องมือฝึกอบรมเพื่อให้ความรู้แก่พนักงานด้านกฎระเบียบเฉพาะ

จากมุมมองของการเพิ่มประสิทธิภาพต้นทุน Generative AI สามารถช่วยสนับสนุนการตัดสินใจได้ สามารถวิเคราะห์ข้อมูลความยั่งยืนภายใน และระบุรูปแบบ แนวโน้ม พื้นที่การปรับปรุง ความเป็นไปได้ ความเสี่ยง และเกณฑ์มาตรฐาน โดยสามารถให้ข้อมูลเชิงลึกว่าการตัดสินใจขององค์กรจะส่งผลต่อความยั่งยืนอย่างไร และคาดการณ์ประสิทธิภาพในอนาคตที่อาจเกิดขึ้น องค์กรสามารถวางแผนและเลือกแนวทางที่เหมาะสมที่สุดเพื่อบรรลุเป้าหมายการลดการปล่อยก๊าซเรือนกระจก

Generative AI ยังสามารถใช้ขับเคลื่อนการเติบโตที่ยั่งยืนโดยนำมาใช้เพื่อค้นหาแหล่งทรัพยากรและวัสดุทางเลือก สามารถให้คำแนะนำสิ่งทดแทนปัจจัยการผลิตแบบเดิมไปสู่ความยั่งยืน เช่น ข้อมูลเชิงลึกเกี่ยวกับนวัตกรรมทางเทคโนโลยีอย่างวัสดุนาโน และข้อมูลเกี่ยวกับความพร้อม ประสิทธิภาพ และผลกระทบต่อสิ่งแวดล้อม

เมื่อพิจารณายูสเคส Generative AI เพื่อเป้าหมายความยั่งยืน การประเมินผลกระทบเชิงบวกและเชิงลบเป็นสิ่งสำคัญ ผู้บริหารต้องเข้าใจมูลค่าธุรกิจเชิงบวกทั้งในแง่ของผลประโยชน์ทางการเงินและความยั่งยืน ตลอดจนความเป็นไปได้ และผลกระทบเชิงลบต่อสิ่งแวดล้อมด้วยการวัดจากการปล่อยก๊าซเรือนกระจก การใช้พลังงานไฟฟ้าและน้ำ

จากนั้นจัดลำดับความสำคัญการลงทุนเป็น 3 ระดับ ได้แก่ 1.ลงทุนทันที 2.ลงทุนเพื่อลดความเสี่ยงและลดการใช้พลังงานเป็นสำคัญ หรือ 3.ไม่ลงทุนเลย ด้วยวิธีการนี้ คุณจะใช้ Generative AI เร่งผลลัพธ์ด้านความยั่งยืนเชิงบวกขององค์กร โดยใช้ประโยชน์จากเคสการใช้งานที่สร้างมูลค่ามากกว่าทำลายเพียงอย่างเดียว

บทความ  :  คริสติน โมเยอร์  รองประธานฝ่ายวิจัย  การ์ทเนอร์

 การ์ทเนอร์คาดการณ์ยอดส่งมอบ AI PC และ GenAI Smartphone ทั่วโลกในปี 2567 รวมทั้งหมดประมาณ 295 ล้านเครื่อง เพิ่มขึ้นจาก 29 ล้านเครื่องในปี 2566

การ์ทเนอร์ให้นิยาม AI PC ว่าคือคอมพิวเตอร์ส่วนบุคคลที่ติดตั้งหน่วยประมวลผลที่เป็นตัวเร่งความเร็วหรือแกนประมวลผล AI ไว้โดยเฉพาะ ได้แก่ หน่วยประมวลผล Neural Processing Unit (NPU), หน่วยประมวลผล Accelerated Processing Unit (APU) หรือหน่วยประมวลด้าน AI เฉพาะ อย่าง Tensor Processing Units (TPU) ซึ่งออกแบบมาเพื่อเพิ่มประสิทธิภาพและเร่งการทำงานของปัญญาประดิษฐ์บนอุปกรณ์ เพื่อมอบประสิทธิภาพและประสิทธิผลที่ดีขึ้นในการจัดการปริมาณงานของ AI และ GenAI โดยไม่ต้องพึ่งพาเซิร์ฟเวอร์ภายนอกหรือบริการคลาวด์ต่าง ๆ

GenAI Smartphone ออกแบบมาพร้อมความสามารถด้านฮาร์ดแวร์และซอฟต์แวร์ที่ช่วยให้สามารถผสมผสานการทำงานได้อย่างราบรื่นและใช้งานฟีเจอร์รวมถึงแอปพลิเคชั่นที่ขับเคลื่อนด้วย GenAI บนสมาร์ทโฟนได้อย่างมีประสิทธิภาพ ซึ่งสมาร์ทโฟนในกลุ่มนี้สามารถใช้งานโมเดลพื้นฐานหรือโมเดล AI เวอร์ชั่นใหม่ ที่ได้รับการปรับแต่งให้เข้ากับท้องถิ่น สำหรับสร้างเนื้อหา กำหนดกลยุทธ์ แนวทางการออกแบบและวิธีการต่าง ๆ ตัวอย่างเช่น Gemini Nano จาก Google, ERNIE จาก Baidu และ GPT-4 ของ OpenAI

นายรันจิต อัตวัล ผู้อำนวยการฝ่ายวิจัยอาวุโสของการ์ทเนอร์ กล่าวว่า “การนำโปรเซสเซอร์ AI และความสามารถของ GenAI มาใช้อย่างรวดเร็วบนอุปกรณ์จะกลายเป็นข้อกำหนดมาตรฐานสำหรับผู้ขายเทคโนโลยีในท้ายที่สุด ก่อให้เกิดความท้าทายในการสร้างความแตกต่างจากคู่แข่ง และทำให้การสร้างจุดขายให้เป็นเอกลักษณ์ รวมถึงการเพิ่มรายได้ยากขึ้น”

การ์ทเนอร์คาดว่าภายในสิ้นปี 2567 ยอดจัดส่ง GenAI Smartphone จะอยู่ที่ประมาณ 240 ล้านเครื่อง ขณะที่ AI PC จะมียอดจัดส่งที่ 54.5 ล้านเครื่อง (ดูรูปที่ 1) คิดเป็นสัดส่วน 22% ของ Smartphone ในระดับพื้นฐานและพรีเมียม และ 22% ของ PC ทั้งหมดในปีนี้ ตามลำดับ

ภาพที่ 1. ส่วนแบ่งตลาด AI PC และ GenAI Smartphone ทั่วโลก ระหว่างปี 2566-2568

ที่มา: การ์ทเนอร์ (กุมภาพันธ์ 2567)

การรวม AI เข้ากับคอมพิวเตอร์ส่วนบุคคลหรือพีซีจะยังไม่ใช่ปัจจัยหนุนปริมาณการใช้จ่ายของผู้ใช้ทั่วไปเกินกว่าการคาดการณ์ด้านราคาที่คาดว่าจะเพิ่มขึ้น ผู้ซื้อในกลุ่มธุรกิจต้องการเหตุผลที่น่าสนใจหรือดึงดูดกว่านี้เพื่อลงทุน อย่างไรก็ตามผู้ให้บริการซอฟต์แวร์จะต้องใช้เวลาควบคุมประสิทธิภาพของ On-Device AI และแสดงให้เห็นประโยชน์ที่เพิ่มขึ้นอย่างชัดเจน

ตลาดพีซีกลับมาเติบโตอีกครั้งในไตรมาสสี่ของปีที่แล้ว หลังจากลดลงแปดไตรมาสติดต่อกัน การ์ทเนอร์คาดการณ์ยอดส่งมอบพีซีโดยรวมในปี 2567 อยู่ที่ 250.4 ล้านเครื่อง เพิ่มขึ้น 3.5% จากปี 2566 โดย On-Device AI จะทำให้กิจกรรมการตลาดของพีซีกลับมาคึกคักอีกครั้งตลอดทั้งปี 2567 และรักษาวงจรการเปลี่ยนเครื่องทดแทนตามที่คาดการณ์ไว้ในปัจจุบัน พร้อมกำจัดผลกระทบเชิงลบบางอย่างจากการดิสรัปของสิ่งแวดล้อมทางเศรษฐกิจสังคม

ตลาดสมาร์ทโฟนกลับมาเติบโตในปีนี้

เช่นเดียวกับ AI PC ที่ GenAI Smartphone จะไม่ช่วยกระตุ้นความต้องการสมาร์ทโฟนจนกว่าจะถึงปี 2570 “การเพิ่มประสิทธิภาพสมาร์ทโฟนรุ่นต่าง ๆ จะเพิ่มประสบการณ์การใช้งานปัจจุบันด้วยการผสมผสานกล้องและเสียงไว้ด้วยกัน ซึ่งผู้ใช้มีความคาดหวังกับความสามารถเหล่านี้ มากกว่าฟังก์ชันการทำงานที่แปลกใหม่ โดยผู้ใช้มีความคาดหวังแบบเดียวกันต่อการทำงานของ GenAI บนสมาร์ทโฟนของพวกเขา ซึ่งผู้บริโภคไม่

มีแนวโน้มที่จะจ่ายเงินเพิ่มสำหรับมือถือสมาร์ทโฟน GenAI เนื่องจากยังไม่มีแอปพลิเคชั่นแปลกใหม่ ที่ทำให้พวกเขาได้รับประสบการณ์เพิ่มมากขึ้น”

ปัจจัยเร่งการเปลี่ยนแปลงประสบการณ์ของผู้ใช้ขึ้นอยู่กับความก้าวหน้าของโมเดลดีปเลิร์นนิ่งภาษาขนาดใหญ่หรือ Large Language Model (LLM) ในเวอร์ชันที่เล็กกว่าและปรับแต่งมาเฉพาะสำหรับสมาร์ทโฟน โดยวิวัฒนาการนี้จะเปลี่ยนโฉมสมาร์ทโฟนให้กลายเป็นเพื่อนคู่คิดที่ใช้งานง่ายยิ่งขึ้น สามารถเข้าใจและตอบสนองต่อภาษาและภาพที่มนุษย์ใช้สื่อสาร ซึ่งยกระดับประสบการณ์ผู้ใช้ในภาพรวมไปอีกขั้น

ตลาดสมาร์ทโฟนบันทึกการเติบโตไตรมาสแรกไว้ในไตรมาส 4 ปีที่แล้ว หลังจากลดลงมาเก้าไตรมาสต่อเนื่อง โดยคาดว่าในปี 2567 ยอดส่งมอบสมาร์ทโฟนทั่วโลกจะเติบโตประมาณ 4.2% หรือคิดเป็นจำนวนประมาณ 1.2 พันล้านเครื่อง เมื่อเทียบเป็นรายปี “เราไม่ควรตีความการเติบโตของยอดขายสมาร์ทโฟนว่าเป็นการฟื้นตัวเต็มรูปแบบ มันจะชัดเจนกว่าหากมองว่ามันเป็นความคงที่ของตลาดในระดับที่ต่ำกว่า ซึ่งต่ำกว่าปี 2565 เกือบ 60 ล้านเครื่อง”

การ์ทเนอร์ ประกาศ 10 เทรนด์เทคโนโลยีเชิงกลยุทธ์ที่องค์กรต้องจับตาและศึกษาในปี 2567

บาร์ท วิลเลมเซ่น รองประธานฝ่ายวิจัยการ์ทเนอร์ กล่าวว่า “การรับมือกับความปั่นป่วนทางเทคโนโลยีและความไม่แน่นอนทางเศรษฐกิจและสังคมต้องอาศัยความกล้าที่จะมุ่งมั่นอย่างตรงไปตรงมาและเพิ่มความยืดหยุ่นในการตอบสนองอย่างเฉพาะเจาะจง ผู้นำไอทีอยู่ในสถานะที่ต่างจากผู้อื่นในการวางโรดแมปเชิงกลยุทธ์ โดยการลงทุนเทคโนโลยีจะช่วยให้ธุรกิจยังคงประสบความสำเร็จได้ ท่ามกลางความไม่แน่นอนและแรงกดดันเหล่านี้”

คริส ฮาวเวิร์ด รองประธานและหัวหน้าฝ่ายวิจัยของการ์ทเนอร์ กล่าวว่า “ผู้นำไอทีและผู้บริหารในส่วนงานอื่น ๆ ต้องประเมินผลกระทบและประโยชน์จากเทรนด์เทคโนโลยีเชิงกลยุทธ์ แต่ไม่ใช่เรื่องง่ายเมื่อพิจารณาจากจำนวนนวัตกรรมทางเทคโนโลยีที่เพิ่มขึ้น ตัวอย่างเช่น Generative AI และ AI ประเภทอื่น ๆ ที่นำเสนอโอกาสและขับเคลื่อนเทรนด์ต่าง ๆ แต่การจะได้มาซึ่งคุณค่าทางธุรกิจจากการใช้ AI อย่างต่อเนื่องนั้น ต้องมีแนวทางที่เป็นขั้นเป็นตอนเพื่อการนำไปใช้ได้อย่างครอบคลุม ควบคู่กับการใส่ใจในความเสี่ยง”

10 เทรนด์เทคโนโลยีเชิงกลยุทธ์ในปี 2567 ได้แก่

Democratized Generative AI

Generative AI (หรือ GenAI) กำลังกลายเป็นเทคโนโลยีสาธารณะด้วยการผสานรวมรูปแบบจำลองที่ได้รับการฝึกฝนล่วงหน้าไว้จำนวนมาก เข้ากับการประมวลผลคลาวด์และระบบโอเพ่นซอร์ส ทำให้ผู้ใช้งานทั่วโลกสามารถเข้าถึงโมเดลเหล่านี้ได้ การ์ทเนอร์คาดว่าภายในปี 2569 องค์กรมากกว่า 80% จะใช้ GenAI API และโมเดลต่าง ๆ และ/หรือปรับใช้แอปพลิเคชันที่เปิดใช้งาน GenAI ในสภาพแวดล้อมการผลิต เพิ่มขึ้นจากช่วงต้นปี 2566 ที่น้อยกว่า 5%

แอปพลิเคชัน GenAI ต่าง ๆ ช่วยให้ผู้ใช้เข้าถึงแหล่งข้อมูลมากมายจากภายในและภายนอกองค์กรเพื่อใช้ในทางธุรกิจได้ ซี่งหมายความว่าการนำ GenAI มาใช้อย่างรวดเร็วจะทำให้เกิดองค์ความรู้และทักษะในองค์กรอย่างเสรีและมีนัยสำคัญ โดยโมเดลภาษาขนาดใหญ่ (LLM) จะช่วยให้องค์กรเชื่อมโยงพนักงานกับความรู้ในรูปแบบการสนทนาพร้อมเข้าใจความหมายที่หลากหลาย

AI Trust, Risk and Security Management การเข้าถึง AI แบบเสรีทำให้ต้องมีการกำหนดกลยุทธ์สำหรับจัดการด้านความน่าเชื่อถือ ความเสี่ยง และการรักษาความปลอดภัย (หรือ TRiSM) อย่างเร่งด่วนและชัดเจนมากยิ่งขึ้น หากไม่มีกลยุทธ์ที่ตีกรอบโมเดลการใช้ AI จะสร้างผลลบแบบทบต้นที่ควบคุมไม่ได้ บดบังประสิทธิภาพเชิงบวกและประโยชน์ที่สังคมควรได้รับจาก AI ทั้งนี้ AI TRiSM มอบเครื่องมือสำหรับ ModelOps, การป้องกันข้อมูลเชิงรุก, ความปลอดภัยเฉพาะของ AI, การมอนิเตอร์โมเดล (รวมถึงการตรวจสอบการเปลี่ยนแปลงของข้อมูล - Data Drift หรือของโมเดล - Model Drift และ/หรือผลลัพธ์โดยไม่ได้ตั้งใจ) และการควบคุมความเสี่ยงของการอินพุตและเอาต์พุตไปยังโมเดลและแอปพลิเคชันของผู้ให้บริการรายอื่น ๆ

การ์ทเนอร์คาดการณ์ว่า ภายในปี 2569 องค์กรที่ใช้การควบคุม AI TRiSM จะเพิ่มความแม่นยำในการตัดสินใจ โดยกำจัดข้อมูลผิดพลาดและผิดกฎหมายได้มากถึง 80%

AI-Augmented Development

การพัฒนาเสริมด้วย AI คือการใช้เทคโนโลยีปัญญาประดิษฐ์ เช่น GenAI และ Machine Learning เพื่อช่วยในการออกแบบ เขียนโค้ด และทดสอบแอปพลิเคชันให้กับวิศวกรซอฟต์แวร์ โดยการทำวิศวกรรมซอฟต์แวร์ที่ใช้ AI มาช่วย (AI-assisted Software Engineering) จะปรับปรุงประสิทธิภาพการทำงานของนักพัฒนา และช่วยให้ทีมพัฒนาตอบสนองความต้องการซอฟต์แวร์ที่เพิ่มขึ้นสำหรับการดำเนินธุรกิจ เครื่องมือที่พัฒนาขึ้นโดยใช้ AI (AI-Infused Development Tools) เหล่านี้ช่วยให้วิศวกรซอฟต์แวร์ใช้เวลาเขียนโค้ดน้อยลง จึงสามารถใช้เวลามากขึ้นกับงานเชิงกลยุทธ์มากขึ้นเช่นการออกแบบและจัดวางองค์ประกอบของแอปพลิเคชันทางธุรกิจที่น่าสนใจ

Intelligent Applications

การ์ทเนอร์ให้คำจำกัดความของแอปพลิเคชันอัจฉริยะที่มีความชาญฉลาด ว่าเป็นความสามารถในการเรียนรู้ปรับตัวให้ตอบสนองอัตโนมัติอย่างเหมาะสม โดยข้อมูลอัจฉริยะนี้สามารถนำไปใช้ในหลายเคสการใช้งานเพื่อเพิ่มหรือทำงานอัตโนมัติได้ดียิ่งขึ้น เนื่องจากความสามารถพื้นฐาน ความชาญฉลาดในแอปพลิเคชันประกอบด้วยบริการต่าง ๆ ที่ใช้ AI เช่น การเรียนรู้ของเครื่อง การเก็บเวกเตอร์และข้อมูลที่เชื่อมต่อ ด้วยเหตุนี้แอปพลิเคชันอัจฉริยะจึงมอบประสบการณ์ที่ปรับเข้ากับผู้ใช้แบบไดนามิก

ความต้องการใช้งานแอปพลิเคชันอัจฉริยะนั้นมีอยู่ โดย 26% ของผู้บริหารระดับซีอีโอ จากการสำรวจของการ์ทเนอร์ 2023 Gartner CEO and Senior Business Executive Survey ระบุว่าการขาดแคลนบุคลากรที่มีทักษะความสามารถเป็นความเสี่ยงที่สร้างความเสียหายมากที่สุดต่อองค์กร โดยการดึงดูดและรักษาผู้มีความสามารถเป็นสิ่งสำคัญอันดับแรกในด้านบุคลากรของผู้บริหาร ขณะที่ AI ได้รับเลือกให้เป็นเทคโนโลยีที่จะส่งผลกระทบอย่างมีนัยสำคัญต่ออุตสาหกรรมในช่วงสามปีข้างหน้า

Augmented-Connected Workforce

Augmented-Connected Workforce (ACWF) เป็นกลยุทธ์ในการเพิ่มมูลค่าที่ได้รับจากแรงงานมนุษย์ให้เกิดประโยชน์สูงสุด ความจำเป็นในการเร่งและขยายทีมบุคลากรที่มีทักษะและความสามารถกำลังขับเคลื่อนกระแส ACWF กลยุทธ์ ACWF ใช้แอปพลิเคชันอัจฉริยะและการวิเคราะห์ประสิทธิภาพของบุคลากรเพื่อสร้างบริบทและแนวทางการทำงานทุกวันเพื่อสนับสนุนประสบการณ์ ความเป็นอยู่ที่ดี และความสามารถในการพัฒนาทักษะของตนเองของทีมงาน ขณะเดียวกัน ACWF ยังใช้ขับเคลื่อนผลลัพธ์ทางธุรกิจและผลกระทบเชิงบวกต่อผู้มีส่วนได้ส่วนเสียหลัก

ในปี 2570 ผู้บริหารไอที (CIOs) 25% จะริเริ่มการเชื่อมโยงพนักงานให้ทำงานร่วมกันมากขึ้น (Augmented-Connected Workforce) เพื่อลดเวลาการทำงานในบทบาทสำคัญลง 50%

Continuous Threat Exposure Management

การจัดการความเสี่ยงต่อภัยคุกคามอย่างต่อเนื่อง (Continuous Threat Exposure Management หรือ CTEM) เป็นแนวทางเชิงปฏิบัติและเป็นระบบที่ช่วยให้องค์กรประเมินการเข้าถึง ความเสี่ยง และการใช้ประโยชน์จากสินทรัพย์ดิจิทัลและสินทรัพย์ที่จับต้องได้ขององค์กรได้อย่างต่อเนื่องและสม่ำเสมอ การจัดวางขอบเขตการประเมินและการแก้ไข CTEM ให้สอดคล้องกับวิธีการสร้างภัยคุกคามหรือโครงการทางธุรกิจ แทนที่จะเป็นส่วนประกอบในโครงสร้างพื้นฐาน ไม่เพียงแต่จะเผยให้เห็นช่องโหว่เท่านั้น แต่ยังรวมถึงภัยคุกคามที่ไม่สามารถแก้ไขได้ด้วย

ภายในปี 2569 การ์ทเนอร์คาดการณ์ว่าองค์กรที่จัดลำดับความสำคัญการลงทุนด้านความปลอดภัยตามโปรแกรม CTEM จะพบว่าการละเมิดลดลง 2 ใน 3

Machine Customers

ลูกค้าที่เป็นเครื่องจักร (Machine Customers หรือที่เรียกว่า 'คัสโตบอท') จะเป็นผู้มีบทบาททางเศรษฐกิจในแบบที่ไม่ใช่มนุษย์ มีความสามารถเจรจา ซื้อสินค้าและบริการเพื่อให้เกิดเป็นการชำระเงิน ภายในปี 2571 ผลิตภัณฑ์ที่เชื่อมต่อกัน 15 พันล้านชิ้นจะมีศักยภาพแสดงตนเป็นลูกค้าได้และจะมีผลิตภัณฑ์อื่น ๆ อีกนับพันล้านชิ้นตามมาในปีต่อไป โดยแนวโน้มการเติบโตนี้สร้างรายได้นับล้านล้านดอลลาร์สหรัฐฯ ภายในปี 2573 และในที่สุดจะมีความสำคัญมากกว่าเมื่อตอนเกิด Digital Commerce ทั้งนี้ผู้บริหารควรพิจารณากลยุทธ์รวมถึงโอกาสในการอำนวยความสะดวกให้กับอัลกอริธึมและอุปกรณ์เหล่านี้ หรือแม้แต่สร้างคัสโตบอทใหม่ ๆ

Sustainable Technology

เทคโนโลยีที่ยั่งยืน (Sustainable Technology) เป็นกรอบการทำงานของโซลูชันดิจิทัลที่ใช้เพื่อสร้างผลลัพธ์ด้านสิ่งแวดล้อม สังคม และธรรมาภิบาล (ESG) สนับสนุนสมดุลของระบบนิเวศและสิทธิมนุษยชนในระยะยาว ซึ่งการใช้เทคโนโลยี อย่าง AI, Cryptocurrency, Internet of Things และ Cloud Computing กำลังผลักดันให้เกิดข้อถกเถียงด้านการใช้พลังงานที่เกี่ยวข้องและส่งผลกระทบต่อสิ่งแวดล้อม ทำให้จำเป็นอย่างยิ่งที่จะต้องมั่นใจว่าการใช้ไอทีจะมีประสิทธิภาพ มีการหมุนเวียน และมีความยั่งยืนมากขึ้น การ์ทเนอร์คาดการณ์ว่า ภายในปี 2570 ผู้บริหารซีไอโอ 25% จะเห็นการเชื่อมโยงของค่าตอบแทนส่วนบุคคลกับผลกระทบทางเทคโนโลยีที่ยั่งยืน

Platform Engineering

วิศวกรรมแพลตฟอร์ม (Platform Engineering) เป็นหลักการสร้างและดำเนินการแพลตฟอร์มเพื่อการพัฒนาภายในด้วยตนเอง แต่ละแพลตฟอร์มเป็นชั้น ๆ ที่ถูกสร้างและดูแลโดยทีมงานผลิตภัณฑ์เฉพาะ โดยได้รับการออกแบบมาเพื่อรองรับความต้องการของผู้ใช้ผ่านการเชื่อมต่อเครื่องมือและกระบวนการต่าง ๆ ซึ่งเป้าหมายของ Platform Engineering คือการเพิ่มประสิทธิภาพการทำงาน เพิ่มประสบการณ์ผู้ใช้ และเร่งการส่งมอบมูลค่าทางธุรกิจ

Industry Cloud Platforms

ภายในปี 2570 การ์ทเนอร์คาดการณ์ว่าองค์กรมากกว่า 70% จะใช้แพลตฟอร์มคลาวด์อุตสาหกรรม (ICP) เพื่อเร่งโครงการใหม่ ๆ ทางธุรกิจของตน เพิ่มขึ้นจากน้อยกว่า 15% ในปี 2566 ICP จัดการกับผลลัพธ์ทางธุรกิจที่เกี่ยวข้องกับอุตสาหกรรมโดยการรวมบริการ SaaS, PaaS และ IaaS พื้นฐานเข้าด้วยกัน ไปสู่การนำเสนอผลิตภัณฑ์ทั้งหมดที่มีความสามารถในการประกอบเข้ากันได้ โดยทั่วไปจะรวมถึงโครงสร้างข้อมูลอุตสาหกรรม คลังความสามารถทางธุรกิจแบบแพ็คเกจ เครื่องมือจัดองค์ประกอบ และนวัตกรรมแพลตฟอร์มอื่น ๆ ICP ได้รับการปรับแต่งข้อเสนอระบบคลาวด์โดยเฉพาะสำหรับอุตสาหกรรมและสามารถปรับแต่งเพิ่มเติมให้ตรงกับความ