การ์ทเนอร์คาดการณ์ว่าในอีกสามปี (พ.ศ. 2570) 40% ของโซลูชัน Generative AI จะทำงานในแบบมัลติโหมดที่จะสามารถประมวลผล ทำความเข้าใจและทำงานร่วมกับข้อมูลได้มากกว่าหนึ่งประเภท (อาทิ ข้อความ, รูปภาพ, เสียง และวิดีโอ) ซึ่งเพิ่มขึ้นจาก 1% ในปี 2566 โดยการเปลี่ยนแปลงนี้ทำให้ Human-AI มีปฏิสัมพันธ์ที่พัฒนายิ่งขึ้น และยังมอบโอกาสที่จะสร้างความต่างให้กับสิ่งที่ GenAI มีให้

เอริค เบรทเดอนิวซ์ รองประธานฝ่ายวิจัยการ์ทเนอร์ กล่าวว่า “เนื่องจากตลาด GenAI วิวัฒน์ไปสู่โมเดลที่เกิดและพัฒนาด้วยโหมดต่าง ๆ มากกว่าหนึ่งโหมด สิ่งนี้ช่วยสะท้อนภาพความสัมพันธ์ระหว่างข้อมูลที่ส่งออกมาในปริมาณมากและเพิ่มขึ้นต่อเนื่องที่แตกต่างกัน และมีศักยภาพในการปรับขนาดการใช้และเพิ่มประโยชน์ของ GenAI ให้ครอบคลุมประเภทข้อมูลและแอปพลิเคชันทั้งหมด นอกจากนี้ยังช่วยให้ AI สนับสนุนการทำงานของมนุษย์ได้มากขึ้นโดยไม่คำนึงถึงสภาพแวดล้อม”

Multimodal GenAI เป็นหนึ่งในสองเทคโนโลยีที่ได้รับการระบุไว้ในรายงาน Gartner Hype Cycle for Generative AI ปีนี้ โดยการนำมาใช้ช่วงแรกอาจสร้างความได้เปรียบในการแข่งขันที่สำคัญและเพิ่มประสิทธิภาพในด้านระยะเวลาในการนำออกสู่ตลาด ควบคู่ไปกับโมเดลภาษาโอเพนซอร์สขนาดใหญ่ (LLM) ทำให้เทคโนโลยีทั้งสองมีศักยภาพที่จะสร้างผลกระทบสูงต่อองค์กรอย่างสูงภายในห้าปีข้างหน้านี้  บรรดานวัตกรรม GenAI ที่การ์ทเนอร์คาดว่าจะได้รับการยอมรับแพร่หลายภายใน 10 ปีนั้น มีเทคโนโลยี 2 ประเภทที่ได้รับการระบุว่ามีศักยภาพสูงสุด ได้แก่ Domain-Specific GenAI Models และ Autonomous Agents

อรุณ จันทรเศกการัน รองประธานฝ่ายวิจัยของการ์ทเนอร์ กล่าวว่า “การวิเคราะห์แนวโน้มระบบนิเวศของ GenAI ยังคงเป็นเรื่องยากสำหรับองค์กร เนื่องจากระบบนิเวศของเทคโนโลยีนี้และผู้ผลิตหรือผู้ให้บริการเทคโนโลยีนั้นมีการเปลี่ยนแปลงอย่างรวดเร็ว โดย GenAI กำลังอยู่ในช่วงขาลงเมื่ออุตสาหกรรมเริ่มรวมตัวเข้าด้วยกัน ทว่าประโยชน์ที่แท้จริงจะเกิดขึ้นเมื่อกระแสนี้ลดลง และตามมาด้วยขีดความสามารถที่ก้าวหน้าขึ้นจะเกิดขึ้นรวดเร็วไปอีกมากในอีกไม่กี่ปีข้างหน้านี้”

Multimodal GenAI

Multimodal GenAI จะมีผลกระทบต่อแอปพลิเคชันองค์กรอย่างมาก จากการเพิ่มคุณสมบัติและฟังก์ชันใหม่ ๆ ที่วิธีอื่น ๆ ทำไม่ได้ และผลกระทบนั้นไม่ได้จำกัดอยู่แค่เฉพาะอุตสาหกรรมหรือยูสเคสการใช้งานเฉพาะเท่านั้น แต่ยังสามารถนำไปประยุกต์ใช้ในทุก Touchpoint ระหว่าง AI กับมนุษย์ ปัจจุบัน Multimodal Model หลาย ๆ ตัวยังมีข้อจำกัดอยู่เพียงสองหรือสามโหมดเท่านั้น แต่อีกไม่กี่ปีข้างหน้าจะเพิ่มขึ้นเพื่อให้ครอบคลุมมากขึ้น

“ในโลกความเป็นจริง ผู้คนจะพบเจอและเข้าใจข้อมูลผ่านการประมวลผลที่เป็นการผสมผสานของข้อมูลหลากหลายประเภท อาทิ เสียง ภาพและการสัมผัส โดย Multimodal GenAI นั้นมีความสำคัญอย่างยิ่ง เนื่องจากข้อมูลโดยทั่วไปนั้นจะประกอบด้วยประเภทต่าง ๆ อยู่แล้ว เมื่อนำ Single Modality Models มาประกอบเข้าด้วยกันเพื่อรองรับแอปพลิเคชัน Multimodal GenAI มักส่งผลให้เกิดความล่าช้าและลดความแม่นยำของผลลัพธ์ ส่งผลให้ได้รับประสบการณ์ที่มีคุณภาพต่ำ” เบรทเดอนิวซ์ กล่าวเพิ่ม

Open-Source LLMs LLM แบบโอเพ่นซอร์สเป็นโมเดลพื้นฐานการเรียนรู้เชิงลึกที่เร่งมูลค่าองค์กรจากการนำ GenAI ไปปรับใช้งาน โดยทำให้การเข้าถึงเชิงพาณิชย์ได้อย่างเสรีและอนุญาตให้ผู้พัฒนาปรับแต่งโมเดลให้เหมาะกับงานและยูสเคสการใช้งานเฉพาะ นอกจากนี้ ยังสามารถเข้าถึงชุมชนนักพัฒนาในองค์กร สถาบันการศึกษา และบทบาทการวิจัยอื่น ๆ ที่กำลังทำงานเพื่อเป้าหมายร่วมกันปรับปรุงและทำให้โมเดลนี้มีคุณค่ามากขึ้น

“LLM แบบโอเพ่นซอร์สเพิ่มศักยภาพด้านนวัตกรรมผ่านการปรับแต่งอย่างเหมาะสม ทำให้การควบคุมความเป็นส่วนตัวและความปลอดภัยดีขึ้น โมเดลมีความโปร่งใส มีความสามารถเพิ่มจากการพัฒนาร่วมกัน และมีศักยภาพในการลดการผูกขาดของผู้ขาย ท้ายที่สุดแล้ว LLM นำเสนอโมเดลขนาดเล็กกว่าให้กับองค์กร ซึ่งฝึกฝนได้ง่ายและมีค่าใช้จ่ายน้อยกว่า และเปิดใช้งานแอปพลิเคชันทางธุรกิจและกระบวนการทางธุรกิจหลัก” จันทราเสการัน กล่าวเพิ่ม

Domain-Specific GenAI Models

Domain-Specific GenAI Models ได้รับการพัฒนาเพื่อตอบสนองต่อความต้องการของอุตสาหกรรม ฟังก์ชันทางธุรกิจ หรือภารกิจที่มีความเฉพาะ โดยโมเดลเหล่านี้สามารถเพิ่มประสิทธิภาพของการจัดวางยูสเคสการใช้งานภายในองค์กรได้ พร้อมมอบความแม่นยำ ความปลอดภัย และความเป็นส่วนตัวที่ดีกว่า รวมถึงคำตอบที่เข้าใจบริบท ซึ่งช่วยลดความจำเป็นในการออกแบบข้อความที่ใช้สื่อสารกับโมเดล AI เทียบกับโมเดล AI ที่พัฒนามาเพื่อวัตถุประสงค์ทั่วไป และยังสามารถลดความเสี่ยงจากกรณีที่ AI อาจสร้างภาพหลอนขึ้นมาเอง (Hallucination Risks) จากการฝึกฝนที่เน้นการกำหนดเป้าหมาย

“Domain-specific models สามารถร่นระยะเวลาส่งมอบบริการตามความต้องการ (Time to Value) ประสิทธิภาพเพิ่มขึ้นและมีความปลอดภัยสูงขึ้นสำหรับโครงการ AI ต่าง ๆ โดยการนำเสนอจุด Start ที่ก้าวล้ำกว่าสำหรับงานอุตสาหกรรมเฉพาะ สิ่งนี้จะส่งเสริมการนำ GenAI มาใช้อย่างแพร่หลายมากขึ้น เนื่องจากองค์กรต่าง ๆ จะสามารถนำไปประยุกต์ใช้ในยูสเคสที่ General-Purpose Models ไม่มีประสิทธิภาพเพียงพอ” จันทราเสการัน กล่าวเพิ่ม

Autonomous Agents

Autonomous Agents คือ ระบบรวม (Combined Systems) ที่สามารถบรรลุเป้าหมายที่กำหนดไว้ได้โดยปราศจากมนุษย์ โดยใช้เทคนิค AI ที่หลากหลายในการระบุรูปแบบของสภาพแวดล้อม การตัดสินใจ การจัดลำดับการดำเนินการและสร้างผลลัพธ์ โดยตัวแทนเหล่านี้มีศักยภาพเรียนรู้จากสภาพแวดล้อมและปรับปรุงตลอดเวลา ทำให้สามารถจัดการงานที่ซับซ้อนได้

“Autonomous Agents เป็นการเปลี่ยนแปลงครั้งสำคัญของความสามารถ AI โดยความสามารถดำเนินการและตัดสินใจได้อย่างอิสระช่วยปรับปรุงการดำเนินธุรกิจ สร้างประสบการณ์ที่ดีให้กับลูกค้า และใช้ในการเปิดตัวผลิตภัณฑ์และบริการใหม่ ๆ ส่งผลให้ประหยัดต้นทุนและมีความได้เปรียบทางการแข่งขัน นอกจากนี้ยังเปลี่ยนบทบาทของทีมงานในองค์กรจากการส่งมอบ (Delivery) เป็นการควบคุมดูแล (Supervision) แทน”

ข้อมูลจากรายงาน Hype Cycle for Digital Workplace Applications, 2024 ของการ์ทเนอร์ คาดว่าภายในไม่ถึง 2 ปี นับจากนี้ Everyday AI และ Digital Employee Experience (DEX) จะกลายเป็นเทคโนโลยีที่อยู่ในกระแสหลัก

แมตต์ เคน รองประธานฝ่ายวิจัยหลักการ์ทเนอร์ กล่าวว่า “Everyday AI ช่วยกำจัดความยุ่งยากด้านดิจิทัลให้แก่พนักงานด้วยการช่วยงานเขียน การค้นคว้า การทำงานร่วมกันและคิดไอเดีย และยังเป็นส่วนสำคัญของเทคโนโลยี DEX ในความพยายามขจัดความยุ่งยากและเพิ่มความชำนาญด้านดิจิทัลให้กับพนักงาน ซึ่งเป็นหนึ่งในปัจจัยสำคัญของการพาองค์กรไปสู่ความก้าวหน้าจากนี้จนถึงปี 2573”

ปี 2567 ถือเป็นปีสำคัญของผู้นำแอปพลิเคชัน Digital Workplace เนื่องจากการให้ความสำคัญกับรูปแบบการทำงานไฮบริดและการทำงานจากระยะไกลนั้นลดลง ประกอบกับธุรกิจต่างมุ่งเน้นไปที่การใช้เทคโนโลยี Everyday AI เพิ่มขึ้น ทำให้ Everyday AI ถูกวางไว้ให้อยู่ในจุดสูงสุดของความคาดหวังที่จะเติบโตในวงจรเทคโนโลยีสำหรับ Digital Workplace Applications ในปี 2567 ของการ์ทเนอร์

Everyday AI สำคัญต่อการเพิ่มประสิทธิผลการทำงานของพนักงานอย่างยิ่ง อาดัม พรีเซต รองประธานฝ่ายวิจัยการ์ทเนอร์ กล่าวว่า “Everyday AI มีเป้าหมายเพื่อช่วยพนักงานทำงานได้อย่างรวดเร็ว ครอบคลุมและมั่นใจได้ โดยเทคโนโลยีนี้ยังสนับสนุนวิธีการทำงานแบบใหม่ ผ่านการใช้ซอฟต์แวร์อัจฉริยะทำหน้าที่เป็นผู้ร่วมงานมากกว่าเป็นแค่เครื่องมือ ซึ่งปัจจุบัน Digital Workplace กำลังเดินเข้าสู่ยุคการใช้ AI ในชีวิตประจำวัน”

เมื่อผู้ขายเทคโนโลยีต่างหาวิธีเพิ่มประสิทธิผลการทำงานของพนักงานให้มากขึ้น ด้วยการพัฒนาฟีเจอร์และแอปพลิเคชันเดิมให้มีความสามารถเพิ่มขึ้น ซึ่ง Everyday AI นั้นตอบโจทย์ โดยเทคโนโลยีนี้ไม่เพียงแต่มอบประโยชน์ด้านประสิทธิภาพการทำงานเท่านั้น แต่ยังมอบโอกาสใหม่ ๆ ในการทำตลาด อาทิ เป็นเครื่องมือช่วยพนักงานค้นหาและสังเคราะห์ข้อมูลที่เกี่ยวข้อง ตอบคำถามได้อย่างครอบคลุมและสร้างสรรค์งานศิลป์ได้ง่ายขึ้น

“Everyday AI จะมีความซับซ้อนยิ่งขึ้น เปลี่ยนจากบริการที่ช่วยจัดเรียงและสรุปข้อความแชทหรืออีเมลไปสู่บริการที่ช่วยเขียนรายงานโดยป้อนคำสั่งเพียงเล็กน้อย ดังนั้น Everyday AI จึงเป็นอนาคตของการเพิ่มประสิทธิผลการทำงานให้กับพนักงานในหลากหลายด้าน”

องค์กรควรให้ความสำคัญกับกลยุทธ์ DEX มากขึ้น

วันนี้พนักงานเกือบทั้งหมดกลายเป็นพนักงานดิจิทัล เนื่องจากใช้เวลาทำงานกับเทคโนโลยีมากขึ้นกว่าที่เคย ดังนั้น องค์กรต้องมีกลยุทธ์ในการประเมินและพัฒนา DEX เพื่อดึงดูดและรักษาบุคลากรที่มีทักษะความสามารถและสร้างการมีส่วนร่วมของพนักงานให้เกิดขึ้น ขณะที่ยังคงเพิ่มความผูกพันของการทำงานและทำให้พวกเขายังอยู่กับองค์กรต่อไป

ผู้นำธุรกิจกำลังมองหาแนวทางในการนำเทคโนโลยีมาใช้เพิ่มประสิทธิผลขององค์กรได้อย่างเหมาะสม DEX คือแนวทางปฏิบัติที่ดีที่สุดในการช่วยเพิ่มความชำนาญด้านดิจิทัล ดึงดูดและรักษาบุคลากรที่มีทักษะความสามารถพร้อมช่วยให้พนักงานบรรลุผลลัพธ์ทางธุรกิจได้

DEX กำลังอยู่ในช่วงขาลงในวงจรเทคโนโลยีฯ ซึ่งหมายถึงกำลังได้รับความสนใจลดลง เนื่องจากการทดลองและการใช้งานล้มเหลว ดังนั้นเพื่อเพิ่มความน่าสนใจและสร้างความเกี่ยวข้องเชื่อมโยงกับ DEX ผู้นำทางธุรกิจควรใช้แนวทางแบบองค์รวม ร่วมมือกับทั้งพันธมิตรไอทีและที่ไม่ใช่ไอทีเพื่อสร้างสภาพแวดล้อมที่มีความหมายต่อการส่งเสริมให้พนักงานนำวิธีการทำงานใหม่ ๆ มาปรับใช้

 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