การ์ทเนอร์เน้นย้ำถึงแนวโน้มสำคัญหลายประการที่จะเป็นตัวกำหนดทิศทางของภาคยานยนต์ในปี 2568 ด้วยเหตุที่อุตสาหกรรมนี้กำลังเผชิญกับแรงกดดันด้านกฎระเบียบการปล่อยมลพิษและการเติบโตที่แข็งแกร่งจากจีน

เปโดร ปาเชโก รองประธานฝ่ายวิจัยของการ์ทเนอร์ กล่าวว่า "ซอฟต์แวร์และการใช้พลังงานไฟฟ้าจะยังเป็นปัจจัยขับเคลื่อนหลักสองประการในการเปลี่ยนแปลงของภาคยานยนต์ อย่างไรก็ตามในปีนี้ผู้ผลิตรถยนต์จะต้องเผชิญกับความไม่แน่นอนในเรื่องกฎระเบียบการปล่อยมลพิษและความตึงเครียดทางการค้าที่เพิ่มขึ้นระหว่างจีนกับชาติตะวันตก โดยเฉพาะอย่างยิ่งในตลาดรถยนต์ไฟฟ้า"

ภูมิทัศน์ทางการเมืองที่กำลังเปลี่ยนไปทั้งในสหรัฐอเมริกาและสหภาพยุโรป (EU) ทำให้ประเด็นเรื่องกฎระเบียบการปล่อยมลพิษของยานยนต์กลับมาได้รับความสนใจอีกครั้ง ซึ่งสร้างความไม่แน่นอนให้กับอุตสาหกรรมยานยนต์ ส่งผลให้ผู้รับจ้างผลิตอุปกรณ์หรือชิ้นส่วนหรือ OEMs บางรายอาจลังเลที่วางกลยุทธ์หลักของธุรกิจไว้ที่รถยนต์ไฟฟ้า การ์ทเนอร์ประเมินว่ายอดการจัดส่งรถยนต์ไฟฟ้า (ประเภทรถโดยสาร รถยนต์ รถตู้ และรถบรรทุกขนาดใหญ่) จะเติบโต 17% ในปี 2568 และคาดว่าในปี 2573 มากกว่าครึ่งของรถยนต์ทั้งหมดที่วางจำหน่ายและทำตลาดโดยผู้ผลิตนั้นจะเป็นรถยนต์ไฟฟ้า

ภูมิรัฐศาสตร์ทำให้การนำแนวคิด CASE มาปรับใช้ล่าช้า อุปสรรคทางการค้าที่สหรัฐอเมริกาและสหภาพยุโรปกำหนดและบังคับใช้กับรถยนต์ไฟฟ้าของจีนจะทำให้การนำเทคโนโลยีการเชื่อมต่อ ความเป็นอิสระ ซอฟต์แวร์ และการใช้พลังงานไฟฟ้า หรือที่เรียกรวมกันว่า CASE มาใช้ในทั้งสองภูมิภาคนี้ล่าช้าลง เนื่องจากรถยนต์ไฟฟ้าจีนถือเป็นประเภทยานพาหนะที่มีความก้าวหน้าที่สุดในอุตสาหกรรม

บิล เรย์ รองประธานอาวุโสของการ์ทเนอร์ กล่าวว่า "ผู้ผลิตโดรนและบริษัทโทรคมนาคมจีนกำลังรับรู้ถึงผลกระทบจากมาตรการแทรกแซงทางการค้าระหว่างประเทศ และรายต่อไปก็คือผู้ผลิตหุ่นยนต์ การมีซอฟต์แวร์อัจฉริยะที่สามารถอัปเดตได้ กล้องที่เข้าถึงได้จากระยะไกล และการผสานการเก็บข้อมูลเข้ากับโมเดลธุรกิจยานยนต์ ทำให้หลีกเลี่ยงไม่ได้ที่จะต้องเผชิญกับความท้าทายด้านภูมิรัฐศาสตร์ที่จะเป็นตัวแบ่งแยกตลาดและชะลอการนำเทคโนโลยีเหล่านี้มาปรับใช้"

 ผู้ผลิตรถยนต์จากจีนได้เปรียบการแข่งขันในด้านซอฟต์แวร์และระบบพลังงานไฟฟ้า เนื่องจากมีแนวทางการพัฒนาที่มีความเฉพาะและมีประสิทธิภาพ ช่วยให้สามารถนำเสนอรถยนต์ไฟฟ้าที่มีประสิทธิภาพสูง และราคาไม่แพง อย่างไรก็ตามอุปสรรคทางการค้าที่เพิ่มขึ้นอาจลดทอนข้อได้เปรียบดังกล่าวนี้ และทำให้รถยนต์ไฟฟ้าในตลาดสำหรับผู้บริโภคมีความหลากหลายลดลง ผู้ผลิตชิ้นส่วน OEM ต่าง ๆ ขยายความร่วมมือด้านซอฟต์แวร์กับผู้ผลิต OEM จากจีน  ผู้รับจ้างผลิตชิ้นส่วนและส่วนประกอบกำลังประสบปัญหาในการพัฒนาความสามารถด้านซอฟต์แวร์ภายในองค์กร ส่งผลให้หลายรายหันมาทำข้อตกลงกับผู้ผลิต OEM จากจีน เพื่อเข้าถึงสถาปัตยกรรมไฟฟ้า/อิเล็กทรอนิกส์ (E/E) ของยานพาหนะ ทำให้พึ่งพาความสามารถด้านซอฟต์แวร์และฮาร์ดแวร์ของผู้ผลิตรถยนต์ไฟฟ้าจากจีนมากยิ่งขึ้น

กำลังการผลิตส่วนเกินกระตุ้นให้โรงงาน OEM ปิดตัว

กำลังการผลิตส่วนเกินเป็นความท้าทายสำหรับโรงงานผลิตรถยนต์หลายแห่งในยุโรปและอเมริกาเหนือมานานหลายปี การเพิ่มอัตราภาษีนำเข้ารถยนต์ไฟฟ้าจากจีนที่สหรัฐฯ และ EU กำหนดเมื่อเร็ว ๆ นี้มีแนวโน้มที่จะทำให้ปัญหานี้รุนแรงมากขึ้น โดยผู้ผลิตรถยนต์จีนอาจตั้งโรงงานในยุโรปและสหรัฐฯ หรือในประเทศพันธมิตรการค้าเสรี อาทิ โมร็อกโกหรือตุรกี เพื่อรักษาความสามารถด้านราคาให้แข่งขันได้

การ์ทเนอร์คาดว่าสถานการณ์นี้มีแนวโน้มที่จะนำไปสู่การปิดตัวหรือขายโรงงานผลิตรถยนต์หลายแห่งที่มีอัตราการใช้งานต่ำให้กับผู้ผลิตรถยนต์รายอื่น ๆ และก่อให้เกิดผลกระทบต่อเนื่อง ที่นำไปสู่การปิดตัวโรงงานของซัพพลายเออร์ ประเด็นนี้จะเป็นการกำหนดทำเลการผลิตรถยนต์ของสหรัฐฯ และยุโรปขึ้นใหม่ และทำให้ประเทศที่มีต้นทุนต่ำกลายเป็นศูนย์กลางการผลิตและเป็นห่วงโซ่อุปทานหลักของอุตสาหกรรมยานยนต์

การ์ทเนอร์คาดการณ์ว่าสิ้นปีหน้า (2568) จะมีปริมาณรถยนต์ไฟฟ้า (EVs) จำนวน 85 ล้านคัน วิ่งบนท้องถนน ครอบคลุมประเภทต่าง ๆ อาทิ รถยนต์, รถบัส, รถตู้ และรถบรรทุกขนาดใหญ่

โจนาธาน ดาเวนพอร์ท ผู้อำนวยการอาวุโสฝ่ายวิจัยของการ์ทเนอร์ กล่าวว่า "แม้จะมีอุปสรรคหลายอย่างส่งผลกระทบต่อตลาดรถยนต์ไฟฟ้าในช่วงไม่กี่เดือนที่ผ่านมา แต่เรายังคาดการณ์ว่าในปีนี้ยอดรวมของรถยนต์ไฟฟ้าทั่วโลกจะอยู่ที่ 64 ล้านคัน และจะเพิ่มขึ้น 33% ในปี 2568 ซึ่งผลจากการที่บริษัทหลายแห่งต่างประเมินสูงเกินจริงไปว่าการเปลี่ยนไปใช้รถยนต์ไฟฟ้าจะเกิดขึ้นรวดเร็ว นั่นส่งผลให้ต้องเลื่อนการเปิดตัวรถยนต์ไฟฟ้ารุ่นใหม่ ๆ ออกไป โดยปัจจัยขับเคลื่อนการเติบโตของตลาดรถยนต์ไฟฟ้าในปีหน้านั้น หลัก ๆ มาจากยอดขายที่เพิ่มสูงขึ้นในจีน (58%) และยุโรป (24%) ซึ่งเมื่อนับรวมกันแล้วคิดเป็น 82% ของจำนวนรถยนต์ไฟฟ้าทั้งหมดทั่วโลก"

การ์ทเนอร์คาดว่า สิ้นปี 2568 ปริมาณรถยนต์ไฟฟ้าแบตเตอรี่ (BEVs) จะมีจำนวนเกือบ 62 ล้านคัน เพิ่มขึ้น 35% จากปี 2567 ส่วนรถยนต์ไฟฟ้าปลั๊กอินไฮบริด (PHEVs) คาดว่าจะเติบโตในอัตราที่ช้ากว่าเล็กน้อยและปีหน้าจะมีปริมาณอยู่ที่ 23 ล้านคัน เพิ่มขึ้น 28% จากปี 2567

สำหรับประเทศไทย การ์ทเนอร์คาดว่าในปี 2568 จะมีรถยนต์ไฟฟ้า (EVs) มากกว่า 77,800 คัน เพิ่มขึ้น 49% จากปี 2567 โดยรถยนต์ไฟฟ้าแบตเตอรี่จะมีสัดส่วน 74% และมียอดรวมทั้งหมดกว่า 57,900 คัน

สำหรับในระดับภูมิภาค การ์ทเนอร์คาดว่าความต้องการเป็นเจ้าของรถยนต์ไฟฟ้าในจีนจะยังคงมีปริมาณมากกว่าจำนวนรถยนต์ไฟฟ้าส่วนที่เหลือของโลกรวมกันยาวไปจนถึงปีหน้า และอาจเป็นเช่นนี้ต่อไปอีกทศวรรษ โดยความต้องการรถยนต์ไฟฟ้าจะเติบโตอย่างต่อเนื่องในยุโรปและอเมริกาเหนือ คาดว่าจะคิดเป็น 36% ของยอดรวมรถยนต์ไฟฟ้าทั่วโลกในปีนี้ (2567) การ์ทเนอร์ประมาณการว่าในปีหน้า (2568) จะมีรถยนต์ไฟฟ้า 49 ล้านคัน วิ่งอยู่ตามท้องถนนในจีน 20.6 ล้านคันในยุโรป และ 10.4 ล้านคันในอเมริกาเหนือ

ภายในอีกหกปี (2573) ผู้ผลิตรถยนต์จะสามารถรีไซเคิลแบตเตอรี่รถ EVs ได้สูง 95% ช่วยลดปัญหาขาดแคลนวัตถุดิบ

ตามที่คาดการณ์ว่ายอดจำหน่ายรถยนต์ไฟฟ้าจะเพิ่มสูงขึ้นทุกปี และการแก้ไขปัญหาขาดแคลนวัตถุดิบถือเป็นเรื่องท้าทาย ดังนั้น "ความพยายามในการรีไซเคิลอย่างจริงจังเพื่อใช้ประโยชน์จากแบตเตอรี่ที่ผ่านการใช้งานรวมถึงเศษวัสดุจากกระบวนการผลิต ผนวกเข้ากับความพยายามของสหภาพยุโรปเพื่อบังคับให้มีการรีไซเคิลแบตเตอรี่ ก็อาจช่วยลดความจำเป็นในการขุดแร่เพิ่มเติมได้" ดาเวนพอร์ตกล่าวเพิ่มเติม

“เนื่องจากความเข้มข้นของโลหะหายากในแบตเตอรี่มีสูงกว่าแร่ธรรมชาติ ดังนั้นแบตเตอรี่ที่ใช้งานแล้วจึงอาจถือเป็นแร่ที่มีความเข้มข้นสูง หากสามารถนำกลับมาใช้ใหม่ได้ในปริมาณมาก ๆ อาจช่วยเพิ่มโอกาสทางการค้าในภาพรวมของตลาดรถยนต์ไฟฟ้า ด้วยการลดราคาแบตเตอรี่ลง นอกจากนี้ยังมีประโยชน์เพิ่มเติมคือ แบตเตอรี่จะไม่ถูกกำจัดด้วยวิธีที่ผิดจริยธรรมหรือถูกนำไปทิ้งในหลุมฝังกลบ" ดาเวนพอร์ตกล่าวสรุป

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