การพัฒนาอย่างรวดเร็วของปัญญาประดิษฐ์ (AI) ได้นำไปสู่การทดลองมากมายในอุตสาหกรรมต่างๆ อย่างไรก็ตาม บริษัทจำนวนมากกำลังประสบกับ “ความเหนื่อยหน่ายในการพิสูจน์แนวคิด (proof-of-concept fatigue)” โดยที่การทดลองเบื้องต้นล้มเหลวในการแปลเป็นมูลค่าทางธุรกิจที่จับต้องได้ Ivan Zhang ผู้ร่วมก่อตั้ง Cohere ซึ่งเป็นบริษัทด้านแบบจำลองภาษาขนาดใหญ่ (LLM) ชั้นนำสำหรับองค์กร ได้กล่าวถึงความผิดหวังที่เพิ่มขึ้นนี้ในระหว่างการประชุม Web Summit เมื่อเร็วๆ นี้ โดยกระตุ้นให้ลูกค้าที่มีศักยภาพรักษาศรัทธาใน AI ในขณะที่เน้นย้ำถึงความจำเป็นอย่างยิ่งในการมุ่งเน้นที่ผลตอบแทนจากการลงทุน (ROI)
อุปสรรคของการพิสูจน์แนวคิด
Zhang ได้เน้นย้ำถึงความผิดหวังในหมู่องค์กรที่ลงทุนอย่างหนักในโครงการนำร่อง AI โดยไม่เห็นผลตอบแทนที่สอดคล้องกัน เขาได้ยอมรับว่าลูกค้า Cohere จำนวนมากถึงแม้จะสร้างแอปพลิเคชันเบื้องต้นแล้ว แต่ก็ต้องดิ้นรนเพื่อย้ายแอปพลิเคชันเหล่านั้นไปสู่การผลิตจริงเนื่องจากปัญหาต่างๆ ตั้งแต่ต้นทุนและการกำกับดูแล ไปจนถึงความปลอดภัยและความเป็นส่วนตัวของข้อมูล ความรู้สึกนี้สะท้อนให้เห็นถึงแนวโน้มในวงกว้างที่สัญญาของ AI มักขัดแย้งกับความเป็นจริงในการนำไปปฏิบัติ
เขาชี้ให้เห็นถึงปัญหาค่าใช้จ่าย การปฏิบัติตามกฎระเบียบ โปรโตคอลการปกป้องข้อมูลและความเป็นส่วนตัว ซึ่ง Cohere หวังว่าจะแก้ไขด้วยแพลตฟอร์มพื้นที่ทำงานใหม่ North
ความจำเป็นของ ROI
ในการสัมภาษณ์ Zhang เน้นย้ำว่าเฟสต่อไปของการนำ AI ไปใช้จะต้องขับเคลื่อนโดย ROI ที่สามารถพิสูจน์ได้ บริษัทต่างๆ จำเป็นต้องเห็นเหตุผลทางการเงินที่ชัดเจนสำหรับการลงทุน AI ของตน เพื่อให้มั่นใจว่าผลประโยชน์มีมากกว่าต้นทุน เขาเตือนว่าระบบ AI บางระบบมีค่าใช้จ่ายในการดำเนินการที่สูงมากจนลบล้างการประหยัดต้นทุนที่อาจเกิดขึ้นจากการทำงานอัตโนมัติ
"บางครั้งระบบที่พวกเขาสร้างขึ้น ต้นทุนของตัวแบบเองนั้นแพงกว่ามนุษย์ที่กำลังใช้งานระบบนั้นจริงๆ" เขากล่าว
คำถามสำคัญที่ว่ามีการปรับปรุงจริงหรือในการใช้งาน AI จะต้องได้รับการแก้ไขเพื่อเอาชนะสะพานที่ถูกเผาของบริษัท AI ที่รับโครงการที่ไม่เคยประสบความสำเร็จ
การเพิ่มศักยภาพ AI กับผลิตภาพ
Zhang ยังตั้งข้อสังเกตถึงกรณีที่บริษัทต่างๆ พยายามเพิ่มศักยภาพให้กับพนักงานที่มีอยู่ด้วย AI แต่ไม่เห็นการปรับปรุงใดๆ ในด้านผลิตภาพ ในบางกรณี พนักงานเพียงแค่ลดปริมาณงานของตนโดยไม่เพิ่มผลผลิต ซึ่งเป็นการลบล้างประโยชน์ของ AI อย่างมีประสิทธิภาพ สิ่งนี้เน้นย้ำถึงความสำคัญของการพิจารณาอย่างรอบคอบว่า AI ถูกรวมเข้ากับขั้นตอนการทำงานที่มีอยู่อย่างไร และทำให้มั่นใจได้ว่า AI นำไปสู่การเพิ่มประสิทธิภาพที่แท้จริง
การเอาชนะอุปสรรคในช่วงต้น
Zhang คาดการณ์ว่าสตาร์ทอัพ AI จะได้รับมอบหมายให้ดึงบริษัทต่างๆ กลับคืนมาซึ่ง “ถูกเผา” จากโครงการที่ไม่ประสบความสำเร็จ "เฟสต่อไปของการเข้าสู่ตลาดสำหรับเทคโนโลยีนี้คือ ‘ROI อยู่ที่ไหน’" เขาเชื่อว่าบริษัท AI จะต้องสร้างความไว้วางใจใหม่โดยการแสดงให้เห็นถึงมูลค่าที่จับต้องได้ของโซลูชันของตน และมุ่งเน้นไปที่การส่งมอบผลลัพธ์ที่วัดผลได้
เสียงสะท้อนจากชุมชนวิจัย
ข้อสังเกตของ Zhang ได้รับการสนับสนุนจากการวิจัยจากองค์กรต่างๆ เช่น National Bureau of Economic Research ซึ่งพบว่า “ไม่มีผลกระทบอย่างมีนัยสำคัญต่อรายได้หรือชั่วโมงทำงานที่บันทึกไว้ในอาชีพใดๆ” หลังจากสำรวจสถานที่ทำงาน 7,000 แห่งที่ใช้แชทบอท AI ในทำนองเดียวกัน การศึกษาของ Boston Consulting Group เปิดเผยว่ามีผู้บริหารเพียงหนึ่งในสี่ที่สำรวจเท่านั้นที่เห็นคุณค่าอย่างมีนัยสำคัญจาก AI ซึ่งบ่งชี้ว่าบริษัทต่างๆ มักจะกระจายการลงทุนของตนมากเกินไปในโครงการนำร่องหลายโครงการ
การจัดลำดับความสำคัญของปัญหาทางธุรกิจมากกว่าโซลูชันที่ฉูดฉาด
คำแนะนำของ Zhang สำหรับบริษัทที่กำลังพิจารณา LLM คือการมุ่งเน้นไปที่การแก้ปัญหาทางธุรกิจที่เฉพาะเจาะจงแทนที่จะสร้างโซลูชันที่ซับซ้อนโดยไม่มีกรณีการใช้งานที่ชัดเจน เขาเตือนไม่ให้ “หลงทางในการสร้างบางสิ่งบางอย่างและค้นหาปัญหา” โดยเน้นย้ำถึงความสำคัญของการจัดแนวการลงทุน AI ให้สอดคล้องกับเป้าหมายทางธุรกิจเชิงกลยุทธ์
AI เป็นเครื่องมือในกล่องเครื่องมือ
Zhang แย้งว่า AI ควรถูกมองว่าเป็นเพียงเครื่องมือหนึ่งในกล่องเครื่องมือสำหรับการแก้ปัญหาทางธุรกิจและการสร้างมูลค่าให้กับลูกค้า เขาเตือนไม่ให้โฆษณาเกินจริงศักยภาพของเทคโนโลยีในการแก้ปัญหาทั้งหมดของโลก โดยเน้นย้ำว่าเทคโนโลยีนี้มีประสิทธิภาพมากที่สุดเมื่อใช้เชิงกลยุทธ์และร่วมกับโซลูชันอื่นๆ
ความท้าทายของการสร้างเรื่องหลอกลวง
ในขณะที่ AI ก้าวหน้าไปมาก แต่ความท้าทายยังคงอยู่ โดยเฉพาะอย่างยิ่งในด้าน “การสร้างเรื่องหลอกลวง (hallucinations)” ซึ่ง LLM สร้างข้อมูลที่เป็นเท็จหรือสร้างขึ้น แม้จะมีความคืบหน้าในด้านนี้ แต่อัตราการสร้างเรื่องหลอกลวงของ LLM ยังคงสูงอย่างดื้อรั้น โดยแม้แต่แบบจำลองล่าสุดจากบริษัทชั้นนำก็ยังสร้างข้อผิดพลาด ปัญหานี้เน้นย้ำถึงความสำคัญของความโปร่งใสและการให้ข้อมูลเชิงลึกแก่ผู้ใช้เกี่ยวกับวิธีที่แบบจำลอง AI สรุป
ผู้ร่วมก่อตั้งยอมรับกับผู้เชี่ยวชาญหลายคนว่าการสร้างเรื่องหลอกลวงยังคงเป็นปัญหาใน AI เชิงสร้างสรรค์ เขากล่าวว่าบริษัทได้พยายามช่วยเหลือโดยการโปร่งใส รวมถึงการแสดงให้ผู้ใช้เห็น “ความคิดดิบ” ของ LLM และเครื่องมือที่ระบบใช้ ตลอดจนวิธีการและการอ้างอิงคำตอบที่ได้
ภูมิทัศน์การแข่งขัน
Cohere เผชิญกับการแข่งขันที่รุนแรงจากคู่แข่งที่ได้รับการสนับสนุนทางการเงินที่ดีกว่าในพื้นที่ AI อย่างไรก็ตาม Zhang เชื่อว่าขนาดที่ใหญ่กว่าไม่ได้ดีกว่าเสมอไปเมื่อพูดถึงการสร้างแบบจำลอง AI ที่คุ้มค่าและประหยัดพลังงาน เขาแย้งว่าแบบจำลอง “ดีเท่ากับข้อมูลและระบบที่สามารถเข้าถึงได้” โดยเน้นย้ำถึงความสำคัญของการสร้างโซลูชันที่สามารถเรียกใช้ได้อย่างสมบูรณ์ภายในสภาพแวดล้อมของลูกค้า Zhang กล่าวยกย่อง “การเติบโตอย่างเข้มข้น” ของ Cohere และกล่าวว่า “ลักษณะที่ค่อนข้างใหม่” ของพื้นที่นี้ทำให้บริษัทมีพื้นที่มากมายในการขยายตัว
การเติบโตของรายได้และความท้าทาย
การเติบโตของ Cohere เป็นหัวข้อที่ได้รับความสนใจจากสื่อเทคโนโลยีเมื่อเร็วๆ นี้ Cohere มีรายได้ต่อปีถึง 100 ล้านเหรียญสหรัฐ (138 ล้านเหรียญแคนาดา) ในเดือนนี้ หลังจากที่ยอดขายเพิ่มขึ้นมากกว่าสองเท่าตั้งแต่ต้นปี 2025 และ Aidan Gomez ซีอีโอเพิ่งบอกกับ Bloomberg ว่าบริษัท “ไม่ไกล” จากการทำกำไร แต่ The Information รายงานว่านี่คือต่ำกว่า 350 ล้านเหรียญสหรัฐที่ Cohere บอกนักลงทุนในปี 2023 ว่าคาดว่าจะทำรายได้ต่อปีได้ในขณะนี้ เป้าหมายรายได้และการแข่งขันที่รุนแรงไม่ใช่ความท้าทายเดียวที่ Cohere ต้องเผชิญ
คดีละเมิดลิขสิทธิ์
สตาร์ทอัพ AI ยังมีสิ่งที่ผู้เชี่ยวชาญคนหนึ่งเรียกว่าคดีละเมิดลิขสิทธิ์ที่อาจ “สร้างบรรทัดฐาน” จากบริษัทสื่อรายใหญ่ กลุ่มองค์กรสื่อรวมถึง Toronto Star, Condé Nast และ Vox กล่าวหาว่า Cohere ขูดเนื้อหาสื่อโดยไม่ได้รับความยินยอมและใช้เพื่อฝึกอบรมแบบจำลอง AI เข้าถึงเนื้อหาแบบเรียลไทม์โดยไม่ได้รับอนุญาต และสร้างผลลัพธ์ที่ละเมิดลิขสิทธิ์ Cohere เป็นเพียงหนึ่งในสตาร์ทอัพ AI จำนวนมากที่เผชิญกับคดีความที่คล้ายกัน Cohere ได้ปฏิเสธข้อกล่าวหาเหล่านี้ โดยโต้แย้งว่าผู้เผยแพร่ที่ฟ้องร้องได้พยายามอย่างเต็มที่เพื่อ “สร้าง” คดีและโต้แย้งความคิดที่ว่ามีการละเมิดลิขสิทธิ์ในทางปฏิบัติใดๆ เกิดขึ้น
Zhang ปฏิเสธที่จะให้ความเห็นมากนักเกี่ยวกับเรื่องนี้ โดยชี้ให้ BetaKit ไปที่บล็อกโพสต์ที่อธิบายความคิดของ Cohere "เรามั่นใจในสิ่งนั้น" เขากล่าว
การเจาะลึกถึงความท้าทายในการนำ AI ไปใช้
ธุรกิจจำนวนมากเริ่มต้นด้วยความคิดริเริ่ม AI ด้วยความกระตือรือร้นอย่างมาก โดยเชื่อว่า AI จะปฏิวัติการดำเนินงานและสร้างประสิทธิภาพที่ไม่เคยได้ยินมาก่อน แต่หลายคนพบว่าตนเองเผชิญกับความท้าทายที่สำคัญที่ไม่คาดคิด ความยากลำบากเหล่านี้อาจมีรูปแบบต่างๆ ตั้งแต่ความซับซ้อนทางเทคนิคไปจนถึงการต่อต้านขององค์กร การทำความเข้าใจความท้าทายเหล่านี้เป็นสิ่งสำคัญสำหรับธุรกิจที่หวังว่าจะนำ AI ไปใช้อย่างประสบความสำเร็จและได้รับผลตอบแทนจากการลงทุนที่เป็นบวก
ความซับซ้อนทางเทคนิคและความต้องการข้อมูล
อุปสรรคแรกที่ธุรกิจมักพบคือความซับซ้อนทางเทคนิคของระบบ AI แบบจำลอง AI โดยเฉพาะอย่างยิ่งแบบจำลองที่ใช้การเรียนรู้เชิงลึก ต้องการการคำนวณที่สูงและต้องใช้ความรู้เฉพาะทางในการสร้าง ฝึกอบรม และนำไปใช้ ข้อมูลก็จำเป็นเช่นกัน คุณภาพและปริมาณของข้อมูลการฝึกอบรมมีผลกระทบอย่างมากต่อประสิทธิภาพของแบบจำลอง AI การรวบรวมและเตรียมชุดข้อมูลขนาดใหญ่อาจเป็นกระบวนการที่ใช้เวลานานและใช้ทรัพยากรมาก โครงการ AI อาจถูกขัดขวางจากการขาดข้อมูลที่มีคุณภาพสูงและมีป้ายกำกับ ซึ่งส่งผลให้แบบจำลองไม่ถูกต้องหรือมีอคติ
นอกจากนี้ การรับประกันความสามารถในการทำงานร่วมกันของระบบ AI กับโครงสร้างพื้นฐานด้านไอทีที่มีอยู่ยังนำมาซึ่งความซับซ้อนเพิ่มเติม แพลตฟอร์มและเฟรมเวิร์ก AI ที่แตกต่างกันอาจไม่สามารถใช้งานร่วมกับระบบเดิมได้ ซึ่งต้องมีการเปลี่ยนแปลงที่สำคัญในขั้นตอนการทำงานและสถาปัตยกรรมที่มีอยู่ การบูรณาการ AI เข้ากับสภาพแวดล้อมองค์กรที่ซับซ้อนมักจะต้องใช้ประสบการณ์อย่างมากและความเข้าใจที่แข็งแกร่งเกี่ยวกับทั้งเทคโนโลยี AI และการดำเนินงานเชิงพาณิชย์พื้นฐาน
อุปสรรคด้านองค์กรและวัฒนธรรม
นอกเหนือจากอุปสรรคทางเทคนิคแล้ว องค์กรอาจพบอุปสรรคด้านองค์กรและวัฒนธรรมที่สำคัญในการนำ AI ไปใช้ ปัญหาที่แพร่หลายอย่างหนึ่งคือความลังเลของคนงานที่จะยอมรับการเปลี่ยนแปลงที่ขับเคลื่อนด้วย AI พนักงานอาจกังวลเกี่ยวกับการถูกแทนที่งาน รวมถึงความจำเป็นในการเรียนรู้ความสามารถใหม่ๆ และปรับตัวเข้ากับวิธีการทำงานใหม่ๆ การต่อต้านจากคนงานอาจขัดขวางความคิดริเริ่ม AI และขัดขวางการตระหนักถึงข้อได้เปรียบที่คาดการณ์ไว้
นอกจากนี้ การใช้งาน AI ยังจำเป็นต้องมีการทำงานร่วมกันอย่างมากระหว่างแผนกและทีม นักวิทยาศาสตร์ข้อมูล ผู้เชี่ยวชาญด้านไอที นักวิเคราะห์ธุรกิจ และผู้เชี่ยวชาญด้านต่างๆ ต้องทำงานร่วมกันเพื่อกำหนดปัญหา สร้างโซลูชัน AI และนำไปใช้ในการผลิต ไซโลและการขาดการสื่อสารอาจขัดขวางความร่วมมือและขัดขวางการบูรณาการ AI เข้ากับการดำเนินงานเชิงพาณิชย์อย่างมีประสิทธิภาพ การเอาชนะอุปสรรคด้านองค์กรและวัฒนธรรมเหล่านี้ต้องใช้ความเป็นผู้นำที่แข็งแกร่ง การสื่อสารที่มีประสิทธิภาพ และความทุ่มเทในการจัดการการเปลี่ยนแปลง
ข้อกังวลด้านจริยธรรมและการกำกับดูแล
เมื่อ AI แพร่หลายมากขึ้น ปัญหาด้านจริยธรรมและการกำกับดูแลก็มีความสำคัญมากขึ้น ระบบ AI มีความสามารถในการสร้างอคติ ทำให้เกิดการตัดสินที่ไม่ยุติธรรม และละเมิดความเป็นส่วนตัวของผู้คน องค์กรต้องจัดการกับข้อกังวลเหล่านี้โดยการพัฒนาแนวทางจริยธรรมและขั้นตอนการกำกับดูแลที่แข็งแกร่งสำหรับการออกแบบ พัฒนา และใช้งาน AI ความโปร่งใส ความรับผิดชอบ และความเป็นธรรมเป็นหลักการสำคัญสำหรับ AI ที่มีความรับผิดชอบ
ความเป็นส่วนตัวของข้อมูลเป็นปัญหาสำคัญที่ต้องพิจารณา กฎความเป็นส่วนตัวของข้อมูลจะต้องปฏิบัติตามในขณะที่สร้างระบบ AI พร้อมด้วยมาตรการป้องกันเพื่อปกป้องข้อมูลที่ละเอียดอ่อนจากการเข้าถึงหรือการละเมิดที่ไม่พึงประสงค์ องค์กรต้องได้รับความยินยอมจากผู้ใช้สำหรับการรวบรวมและใช้งานข้อมูล รวมถึงให้ความโปร่งใสเกี่ยวกับวิธีการที่แบบจำลอง AI กำลังตัดสินใจ นอกจากนี้ องค์กรควรมีกลไกในการตรวจสอบและตรวจสอบระบบ AI เพื่อค้นหาและลดความเสี่ยงด้านจริยธรรมหรือผลกระทบที่ไม่พึงประสงค์
การวัดและการแสดง ROI
ท้ายที่สุด ความสำเร็จของโครงการ AI ใดๆ ขึ้นอยู่กับความสามารถในการสร้างผลตอบแทนจากการลงทุน (ROI) ที่วัดปริมาณได้ อย่างไรก็ตาม การกำหนด ROI ของโครงการ AI อาจเป็นเรื่องยาก โดยเฉพาะอย่างยิ่งเมื่อผลประโยชน์เป็นสิ่งที่จับต้องไม่ได้หรือระยะยาว องค์กรต้องกำหนดเป้าหมายและตัวชี้วัดที่ชัดเจนสำหรับความคิดริเริ่ม AI ของตน รวมถึงติดตามความคืบหน้าและวัดผลลัพธ์เป็นประจำ ซึ่งต้องใช้ความเข้าใจอย่างละเอียดเกี่ยวกับมูลค่าทางธุรกิจที่คาดว่า AI จะส่งมอบ ตลอดจนทรัพยากรที่จำเป็นเพื่อให้บรรลุค่านั้น
นอกจากนี้ การสื่อสารผลประโยชน์ของ AI ให้กับผู้มีส่วนได้ส่วนเสียเป็นสิ่งสำคัญอย่างยิ่งในการได้รับการสนับสนุนและสร้างความมั่นใจในการลงทุน AI ซึ่งอาจเกี่ยวข้องกับการนำเสนอกรณีการใช้งาน การแสดงความสำเร็จในช่วงต้น และการวัดผลกระทบของ AI ต่อตัวบ่งชี้ทางธุรกิจที่สำคัญ เพื่อวัดปริมาณและแสดงให้เห็นถึง ROI ของ AI ได้สำเร็จ ธุรกิจต้องสร้างกรอบที่กำหนดไว้สำหรับการวัดประสิทธิภาพและถ่ายทอดคุณค่าที่นำเสนออย่างชัดเจนให้กับผู้มีส่วนได้ส่วนเสีย
อนาคตของการนำ AI ไปใช้: มุมมองที่สมดุล
ข้อมูลเชิงลึกของ Ivan Zhang เน้นย้ำถึงความสำคัญของแนวทางที่สมดุลในการนำ AI ไปใช้ ซึ่งยอมรับศักยภาพของเทคโนโลยีในขณะที่ยังคงตั้งอยู่บนความเป็นจริง เมื่อ AI พัฒนาต่อไป บริษัทต่างๆ จะต้องมุ่งเน้นไปที่การสร้างโซลูชันที่ส่งมอบ ROI ที่จับต้องได้ แก้ไขข้อกังวลด้านจริยธรรม และบูรณาการเข้ากับขั้นตอนการทำงานที่มีอยู่อย่างราบรื่น โดยการจัดลำดับความสำคัญของปัญหาทางธุรกิจมากกว่าโซลูชันที่ฉูดฉาด และมองว่า AI เป็นเครื่องมือในกล่องเครื่องมือ องค์กรสามารถปลดล็อกศักยภาพที่แท้จริงของ AI และขับเคลื่อนผลลัพธ์ทางธุรกิจที่มีความหมายได้