Applied AI ไม่ได้ผลอย่างที่คิด

โลกได้ทุ่มเงินมหาศาลไปกับ AI แต่สำหรับองค์กรส่วนใหญ่แล้ว ไม่มีอะไรเปลี่ยนแปลงไปเลย ผมได้พูดคุยกับ CEO, CIO และ CFO กว่า 300 คนจากบริษัทที่ใหญ่ที่สุดในโลก และพบว่าส่วนใหญ่แล้ว บริษัทเหล่านั้นนำ AI ไปใช้กับกระบวนการที่แย่ๆ ที่มีอยู่แล้ว และผลลัพธ์ที่ได้ก็คือการทำให้กระบวนการที่แย่นั้นเร็วขึ้นเท่านั้น ไม่ว่าจะเป็นการซื้อลิขสิทธิ์ Claude Code เป็นพันๆ ใบ การทุ่มเงิน 50 ล้านดอลลาร์ต่อปีไปกับค่าโทเค็น หรือการจัดอบรม AI ผ่าน Zoom ผมได้เห็นด้วยตาตัวเองว่าการนำ AI มาใช้นั้นไร้ประสิทธิภาพเพียงใด แต่มันไม่จำเป็นต้องเป็นแบบนี้

เราเคยเดินบนเส้นทางนี้มาก่อน หลายครั้งด้วยซ้ำ และเราควรเรียนรู้จากประวัติศาสตร์เมื่อพูดถึงการนำ AI มาใช้ ความหวังของผมคือ เมื่ออ่านบทความนี้จบ ผู้นำด้าน AI ทั่วโลกจะเลิกใช้วิธีการนำ AI ไปใช้ที่ล้าสมัยและไร้เดียงสา และหันมาใช้กระบวนการที่ผ่านการทดสอบและพิสูจน์แล้วตามที่แสดงไว้ด้านล่างนี้แทน

ส่วนที่ 1: ประวัติศาสตร์และสิ่งที่คล้ายคลึงกัน

ในปี 1990 อดีตศาสตราจารย์ด้านวิทยาการคอมพิวเตอร์จาก MIT ชื่อ Michael Hammer ได้เขียนบทความให้กับ Harvard Business Review เขาใช้เวลาหลายปีอยู่ภายในบริษัทที่ใช้เงินจำนวนมหาศาลไปกับคอมพิวเตอร์ แต่ได้รับผลตอบแทนจากการลงทุน (ROI) เพียงเล็กน้อย และเขาเป็นหนึ่งในคนกลุ่มแรกที่ค้นพบสาเหตุ

"การลงทุนจำนวนมหาศาลในเทคโนโลยีสารสนเทศให้ผลลัพธ์ที่น่าผิดหวัง สาเหตุหลักมาจากบริษัทต่างๆ มักจะใช้เทคโนโลยีเพื่อทำให้วิธีการทำธุรกิจแบบเก่าเป็นระบบอัตโนมัติ พวกเขาปล่อยให้กระบวนการที่มีอยู่เดิมคงสภาพเดิม และใช้คอมพิวเตอร์เพียงเพื่อทำให้มันเร็วขึ้นเท่านั้น"

นั่นคือคำพูดจริงๆ นะ คุณจะเชื่อไหม? ถ้าคุณเปลี่ยนคำว่า 'เทคโนโลยีสารสนเทศ' เป็น 'AI' คุณสามารถตีพิมพ์บทความนี้ในวันพรุ่งนี้และขึ้นหน้าหนึ่งของ Business Insider ได้เลย ในบทความเดียวกันนั้น เขายังเขียนอีกว่าถึงเวลาแล้วที่จะเลิกปูทางเดินวัว (paving the cow paths) ผ่านมา 36 ปีแล้ว และเดาสิว่าเรายังคงทำอะไรอยู่?

หมายเหตุ: การปูทางเดินวัวหมายถึงการทำให้กระบวนการที่ไม่มีประสิทธิภาพที่มีอยู่เดิมเป็นระบบอัตโนมัติ เป็นทางการ หรือตายตัว แทนที่จะออกแบบใหม่ให้เหมาะกับวิธีการทำงานที่ควรจะเป็น ช่วยคุณประหยัดเวลาที่ต้องไปถาม Claude ได้เลย ไม่ต้องขอบคุณครับ

ในขณะเดียวกัน มีการใช้จ่ายเงินลงทุน (capex) กว่า 1 ล้านล้านดอลลาร์ไปกับการสร้างโครงสร้างพื้นฐาน AI (เฉพาะ Microsoft, Alphabet, Amazon และ Meta ใช้จ่ายไป 410 พันล้านดอลลาร์ในปี 2025 ซึ่งน่าตกใจมาก) แต่มีเพียง 37 พันล้านดอลลาร์เท่านั้นที่องค์กรต่างๆ ใช้จ่ายไปกับการใช้งาน AI จริงๆ สิ่งนี้หมายถึงในทางปฏิบัติ: กรมธุรกิจและการค้าของสหราชอาณาจักร (UK's Department for Business and Trade) ได้ทำการทดลองใช้ Microsoft 365 Copilot และเผยแพร่ผลลัพธ์ออกมา มีการแจกจ่ายใบอนุญาต 1,000 ใบในช่วง 3 เดือน และพบว่ามีการดำเนินการ Copilot โดยเฉลี่ยเพียง 1.14 ครั้งต่อผู้ใช้ต่อวัน สไลด์ PowerPoint ถูกสร้างเสร็จเร็วขึ้น 7 นาที (จาก 18 นาทีเหลือ 11 นาที) แต่คะแนนคุณภาพลดลงครึ่งหนึ่ง การวิเคราะห์ Excel ใช้เวลานานขึ้นจริง (และคุณภาพก็แย่ลงด้วย) ส่วนการประหยัดเวลาสำหรับอีเมลนั้น "น้อยมาก" ตามที่เขากล่าวไว้ ข้อสรุปของพวกเขาเอง ข้อความตรงตัว: "เราไม่พบหลักฐานที่ชัดเจนที่บ่งชี้ว่าการประหยัดเวลานำไปสู่การเพิ่มผลผลิต" และถึงกระนั้น 72% ของผู้ใช้ระบุว่าพวกเขาพึงพอใจหรือพึงพอใจมาก

พูดสั้นๆ ก็คือ: ผู้คนชอบมัน แต่พวกเขากลับผลิตผลงานได้เท่าเดิมทุกประการ Ethan Mollick (รองศาสตราจารย์จาก Wharton และนักวิจัย AI) กล่าวไว้ได้ดีที่สุด: "การใช้ AI ที่ช่วยเพิ่มประสิทธิภาพการทำงานของแต่ละบุคคลนั้น ไม่ได้แปลว่าจะช่วยเพิ่มประสิทธิภาพขององค์กรโดยอัตโนมัติ" บทความนี้จะอธิบายเพิ่มเติมว่าทำไมถึงเป็นเช่นนั้น และเสนอแนวทางแก้ไขที่เราเห็นว่าได้ผลในทางปฏิบัติ

เพื่อให้เข้าใจบริบท ผมคือ Vas ซีอีโอของ @varickagents เราทำงานร่วมกับบริษัทขนาดใหญ่มาก (ที่มีรายได้ระหว่าง 500 ล้านถึง 1 แสนล้านดอลลาร์ มีพนักงาน 1,000 ถึง 100,000 คน) ช่วยเหลือพวกเขาในการนำ AI มาใช้ ตั้งแต่การวางกลยุทธ์ทั่วไป การปรับกระบวนการทางธุรกิจ (process re-engineering) ไปจนถึงการสร้าง ปรับใช้ และจัดการเอเจนต์ของพวกเขา บทความนี้มีพื้นฐานมาจากบทเรียนที่เราได้เรียนรู้: อะไรคือสิ่งที่ทำให้โครงการนำ AI รุ่นทดลอง (pilot) ที่ล้มเหลว (ไม่มี ROI ที่วัดผลได้) แตกต่างจากโครงการที่ประสบความสำเร็จ (งานมากกว่า 80% ถูกจัดการโดยเอเจนต์อย่างสมบูรณ์ ช่วยประหยัดทั้งเวลาและเงิน)

สาเหตุที่สิ่งนี้เกิดขึ้นซ้ำแล้วซ้ำเล่าไม่ใช่เพราะความโง่เขลา บางส่วนก็เป็นแบบนั้นแน่นอน แต่ส่วนใหญ่แล้วเป็นเพราะความเฉื่อยชาและการออกแบบ ใครก็ตามที่เซ็นสัญญา AI ในวันนี้ อาจเป็นเจ้าของเครื่องมือและการเลือกผู้ขาย แต่พวกเขาไม่ได้เป็นเจ้าของกระบวนการนี้อย่างแน่นอน ไม่มีใครในสายงานนั้นมีอำนาจที่จะเดินเข้าไปหาแผนกการเงิน เช่น แล้วบอกว่ากระบวนการ 14 ขั้นตอนของพวกเขาควรเหลือเพียง 5 ขั้นตอน ดังนั้นจึงไม่มีใครทำ แต่กลับกลายเป็นว่าคุณ 'นำ AI ไปใช้' กับสิ่งที่คุณมีอยู่ และสุดท้ายคุณก็ได้ของที่เร็วขึ้นแต่ยังห่วยแตก

AI ไม่ได้ถูกออกแบบมาให้ 'นำไปใช้' แบบนั้น มันใช้ไม่ได้ผล คุณ 'ทา' สีทาบ้านต่างหาก หลายคนคิดถึง AI เหมือนการทาสีใหม่ และสีก็ไม่สามารถแก้ไขสิ่งที่อยู่ข้างใต้ได้ ไม่เคยมีใครพูดว่า 'คลาวด์แบบประยุกต์' (applied cloud) หรือ 'ดิจิทัลแบบประยุกต์' (applied digital) ไม่เลย พวกเขาพูดถึงการเปลี่ยนแปลงทางดิจิทัล (Digital Transformation) การปรับปรุงระบบคลาวด์ให้ทันสมัย (Cloud Modernization) เพราะทุกคนเข้าใจว่าสิ่งเหล่านั้นคือการเปลี่ยนแปลง และเทคโนโลยีเป็นเพียงส่วนหนึ่งของการเปลี่ยนแปลงนั้น AI ก็มีรูปแบบเดียวกัน

กลับมาที่ Hammer อีกครั้ง: ตัวเลขที่ดีที่สุดของเขามาจากบริษัทประกันภัยแห่งหนึ่งที่เขาศึกษา การยื่นคำร้องหนึ่งครั้งใช้เวลา 22 วันในการดำเนินการภายในธุรกิจ ในจำนวน 22 วันนั้น เวลาทั้งหมดที่ใครสักคนใช้ทำงานกับคำร้องนั้นคือ 17 นาที สมมติว่าวันนี้คนดูแล AI ของคุณปล่อยโมเดลที่ดีที่สุดในโลกใส่กระบวนการนั้น และทำให้ทุกขั้นตอนแต่ละขั้นตอนเร็วขึ้นเป็นสองเท่า เขาจะประหยัดเวลาได้ 8 นาทีครึ่ง เขาถือว่านั่นคือการประหยัดเวลา 50% ได้รับการเลื่อนตำแหน่งและโบนัส แล้วก็จากไปอย่างมีความสุข มันคือ 8 นาที

การประหยัดเวลาไม่ได้อยู่ที่การทำงานกับคำร้อง แต่อยู่ที่คิวและการส่งต่องาน อยู่ในช่วงเวลารอคอยสำหรับทีมอื่นๆ และการตรวจสอบรอบที่สอง การใช้พลังงานของคุณไปกับการเร่ง 17 นาทีให้เร็วขึ้นนั้นแย่กว่าการไม่ทำอะไรเลย คุณเพิ่งใช้เงินงบประมาณไป และพิสูจน์ให้คณะกรรมการเห็นว่า 'AI ใช้ไม่ได้ผล' คุณอาจคิดว่านี่เป็นเรื่องหลงเหลือจากยุค 90 แต่ไม่ใช่เลย เราทำงานกับบริษัทแห่งหนึ่งที่ประสบปัญหานี้พอดี จากบันทึกระบบของพวกเขาเอง การเปิดเคสลูกค้าใหม่ใช้เวลาทำงานจริง 25 นาที แต่เวลาที่ผ่านไปตั้งแต่กรอกเคสจนกระทั่งเคสเริ่มทำงานนั้นกินเวลาตั้งแต่ 2 วันถึง 2 สัปดาห์ งานอาจใช้เวลาเป็นนาที ในขณะที่กระบวนการอาจกินเวลาเป็นสัปดาห์

เมื่อผมบอกว่าโปรแกรม AI ส่วนใหญ่กำลังทำให้ของห่วยเร็วขึ้น ผมหมายถึงตามตัวอักษรเลย กระบวนการมันห่วย AI กำลังทำให้มันเร็วขึ้น ซึ่งผมเคยได้ยินว่า "ก็เราบริษัทใหญ่นะ เห็นได้ชัดว่าเราทำอะไรถูกต้องอยู่แล้ว และเราไม่จำเป็นต้องเปลี่ยนแปลง" ปรับตัวหรือตายนั้นยังคงมีอยู่จริงในปัจจุบัน และมีความจริงมากกว่าที่เคย และนี่คือจุดเดียวที่ AI แตกต่างจากดิจิทัลและคลาวด์ หากใช้อย่างถูกต้อง AI จะทำให้คู่แข่งมีอำนาจเหนือคุณอย่างที่สิ่งเหล่านั้นไม่เคยมี ไม่ว่าจะเป็นการตัดราคาคุณ ขยายขนาดได้อย่างไม่มีที่สิ้นสุดโดยไม่ต้องเพิ่มจำนวนพนักงานในกระบวนการ หรือเข้าถึงคนทั้งโลกก่อนที่คุณจะรวบรวมลีดได้ พวกเขาจะบดขยี้คุณ กรณีที่ดีที่สุดคือคุณยังคงเติบโตต่อไป และตอนนี้จำนวนพนักงานของคุณก็เพิ่มขึ้นแบบทวีคูณ นักวิเคราะห์ 3 คนกลายเป็น 6 คน แต่ 6 คนนั้นต้องการผู้จัดการ และเนื่องจากเป็น 2 ทีม พวกเขาจึงต้องการการส่งต่องานที่ไม่มีมาก่อน และการส่งต่องานนั้นก็ต้องการการประชุมสถานะและ PM ฯลฯ ฯลฯ นี่คือสาเหตุที่กราฟจำนวนพนักงานพุ่งสูงขึ้น ในขณะที่รายได้ต่อพนักงานไม่เป็นเช่นนั้น ปรับตัวหรือตาย แต่อย่าแสร้งทำเป็นว่า AI ไม่ได้เกิดขึ้น คู่แข่งของคุณจะไม่หยุดยั้งที่จะหาทางทำให้เรื่องนี้สำเร็จ

ส่วนที่ 2: สิ่งที่ต้องทำในวันนี้

ข้อมูลของคุณเป็นระเบียบวุ่นวาย และระบบต่างๆ ของคุณก็ไม่สามารถสื่อสารกันได้ ดังนั้นสัญชาตญาณแรกของคุณอาจจะแก้ไขปัญหานี้ก่อนที่จะแตะต้องสิ่งอื่นใด คุณแค่ต้องการ ERP หนึ่งตัว CRM หนึ่งตัว แพลตฟอร์มข้อมูลหนึ่งตัว แล้วค่อยวาง AI ทับลงไป ฟังดูดีในทางทฤษฎี แต่นักไอทีเข้าใจดีว่ามันไม่เคยง่ายขนาดนี้ ลองดูว่าสิ่งนี้มีต้นทุนจริงเท่าไร ทั้งในแง่เงินและเวลา

TSB ใช้เงิน 318 ล้านปอนด์ไปกับการย้ายระบบธนาคารหลัก (core banking migration) ต้องรับภาระค่าใช้จ่ายจากเหตุการณ์ที่เกิดขึ้นอีกประมาณ 200 ล้านปอนด์ ถูกปรับ 48.65 ล้านปอนด์โดย FCA และ PRA ในเดือนธันวาคม 2022 และทำให้ระบบธนาคารล่มสำหรับลูกค้า 5.2 ล้านคน Zimmer Biomet ผู้ผลิตมูลค่า 8 พันล้านดอลลาร์ ยื่นฟ้องเรียกค่าเสียหาย 172 ล้านดอลลาร์จาก Deloitte ในเดือนกันยายน 2025 หลังจาก 'การย้ายและรวมระบบ' ที่ล้มเหลวทำให้พวกเขาไม่สามารถทำหน้าที่พื้นฐานได้ เช่น การจัดส่งสินค้า การออกใบแจ้งหนี้ให้ลูกค้า หรือการผลิตรายงานการขายที่ใช้งานได้ และนั่นเป็นเพียงสองตัวอย่างที่ปรากฏเป็นข่าว เหตุการณ์แบบนี้พบได้บ่อยกว่าที่คุณคิดมาก

สิ่งที่คุณควรมุ่งเน้นในการแก้ไขคือกระบวนการ ตัวอย่างเช่น คุณซื้อบริษัทมา 9 แห่งในช่วง 20 ปีที่ผ่านมา หมายความว่าตอนนี้คุณมีกระบวนการเดียวกันที่ดำเนินการแตกต่างกันถึง 9 วิธีใน 9 บริษัทในเครือ หากคุณต้องการ 'นำ' AI 'ไปใช้' ทั่วทั้งบริษัท คุณจะต้องสร้างเอเจนต์เดียวกันถึง 9 วิธีที่แตกต่างกัน และจากนั้นก็ต้องถูกบังคับให้ดูแลรักษาเอเจนต์ทั้ง 9 ชุดนั้นตลอดไป เพื่อหลีกเลี่ยงนรกนี้ คุณต้องกำหนดกระบวนการเดียวที่ดำเนินการทั่วโลกก่อน ซึ่งคุณจะนำไปใช้ทั่วทั้งองค์กรของคุณ ก่อนที่คุณจะคิดถึงการนำ AI มาวางทับบนกระบวนการนั้น

ในทางกลับกัน คุณไม่จำเป็นต้องมี ERP เพียงตัวเดียว การเชื่อมต่อแบบตายตัว (Deterministic integrations) เคยพังทันทีที่ระบบ 2 ระบบไม่เห็นพ้องต้องกันว่าบันทึกผู้ขายคืออะไร อย่างไรก็ตาม เอเจนต์สามารถทนต่อความไม่สอดคล้องกันนี้ได้ ดังนั้นเลเยอร์การประสานงาน (orchestration layer) ที่วางอยู่เหนือระบบที่คุณมีอยู่แล้ว คือคำตอบสำหรับระบบที่แตกต่างกัน ระบบของคุณไม่เพียงแค่ต้องสื่อสารกันได้ แต่ต้องแต่งงานกันอย่างมีความสุข อดทนต่อจุดบกพร่องของกันและกัน

เริ่มทำแผนที่ (Mapping)

ในการออกแบบธุรกิจของคุณใหม่ คุณต้องเข้าใจมันก่อน คุณจะไม่เข้าใจในระดับนี้ได้ด้วยการเลือกเวิร์กโฟลว์เพียงอันเดียว โดยใช้เวลา 8 สัปดาห์ทำให้มันสมบูรณ์แบบ แล้วพบว่ามันถูกปิดกั้นโดยกระบวนการพี่น้องที่อยู่ต้นน้ำ และสุดท้ายได้ ROI เป็นศูนย์

ในเวลาเดียวกัน คุณไม่สามารถกลืนกินทั้งธุรกิจในคราวเดียวได้ คุณต้องเริ่มจากที่ไหนสักแห่ง เริ่มที่ระดับแผนก มันจะไม่สมบูรณ์แบบ - การเงินเกี่ยวข้องกับการขายทุกครั้งที่การรับรู้รายได้ขึ้นอยู่กับวิธีการขาย ฝ่ายทรัพยากรบุคคลเกี่ยวข้องกับไอทีและปฏิบัติการทุกครั้งที่มีการจ้างงานใหม่ แต่อย่างน้อยด้วยวิธีนี้ คุณจะระบุ 'กลุ่ม' ของเวิร์กโฟลว์ที่ป้อนเข้าสู่แผนกเดียวกัน (เช่น การเงินประกอบด้วย เจ้าหนี้ (AP), ลูกหนี้ (AR), การวางแผนทางการเงินและการวิเคราะห์ (FP&A), การเรียกเก็บเงิน, การธนาคาร, การกระทบยอด ฯลฯ) และคุณสามารถเริ่มทำแผนที่รายละเอียด 7 ข้อต่อไปนี้:

1. เส้นทางปกติ (Happy Path): เวิร์กโฟลว์นี้รับผิดชอบอะไร และเกิดอะไรขึ้นในสถานการณ์ในอุดมคติที่สุด สำหรับบริษัทส่วนใหญ่ นี่เป็นสิ่งเดียวที่ได้รับการบันทึกไว้อย่างละเอียดจริงๆ
2. ข้อยกเว้น (Exceptions): นี่คือที่ที่คุณใช้เวลาส่วนใหญ่ อย่าแค่อธิบายว่าเกิดอะไรขึ้น ให้ลงไปคำนวณว่าสัดส่วนเท่าใดของปริมาณงานที่ออกจากเส้นทางปกติ ไปที่ไหน ใครถูกดึงเข้ามา รอบเวลาในการจัดการกับข้อยกเว้นเหล่านี้คือเท่าใด และต้นทุนของความผิดพลาดในจุดนี้คืออะไร
3. อะไรคือสิ่งที่อยู่ต้นน้ำและปลายน้ำของเวิร์กโฟลว์นี้?: กระบวนการนี้มีปฏิสัมพันธ์กับสิ่งเหล่านั้นอย่างไร เมื่อสิ่งต่างๆ ล่าช้าหรือผิดพลาดในแต่ละกระบวนการ?
4. ระบบบันทึกหลัก (Systems of Record) ทั้งหมดที่เกี่ยวข้องมีอะไรบ้าง และระบบใดชนะเมื่อทั้งสองไม่เห็นพ้องต้องกัน?
5. สิ่งนี้แตกต่างกันอย่างไรในแต่ละภูมิภาค แต่ละนิติบุคคล แต่ละบริษัทในเครือ แต่ละบริษัทที่ถูกซื้อมา?
6. เวลาในการสัมผัส (Touch time) เทียบกับเวลาที่ผ่านไป (Elapsed time) คืออะไร และช่องว่างนี้แตกต่างกันอย่างไรในแต่ละขั้นตอน?
7. ความสามารถด้าน AI ของทุกคนในหน้าที่นั้นเป็นอย่างไร และพวกเขาควรมีสิทธิ์เป็นเจ้าของระบบ AI ในอนาคตมากน้อยเพียงใด? (การคำนวณนี้เป็นเรื่องส่วนตัวและแตกต่างกันอย่างมาก)

มีสองขั้นตอนที่จำเป็นในการดึงข้อมูลข้างต้นออกมา:

• การทำเหมืองกระบวนการ (Process mining) กับระบบบันทึกหลักเพื่อรวบรวมการดำเนินการ ประทับเวลา ปริมาณงาน การแก้ไข และความเป็นจริงที่ไม่ตรงกับเอกสารประกอบ
• การสัมภาษณ์ เพราะสิ่งข้างต้นจะให้ข้อมูลแก่คุณ แต่การสนทนากับผู้ปฏิบัติงานจะบอกคุณได้อย่างชัดเจนว่าความเจ็บปวดอยู่ที่ไหน ความเป็นจริงขององค์กรของคุณอยู่ในหัวของคน 10-20 คนที่ทำงานนี้ให้กับบริษัทของคุณโดยเฉพาะมาหลายปี และท้ายที่สุดแล้ว AI ของคุณจำเป็นต้องได้รับการยอมรับจากคนเหล่านี้เพื่อให้มันทำงานได้อย่างมีประสิทธิภาพ

การทำเพียงขั้นตอนใดขั้นตอนหนึ่งจะทำให้คุณได้ภาพที่ไม่สมบูรณ์ และเป็นสาเหตุใหญ่ที่สุดที่ทำให้การค้นพบ AI ล้มเหลว ผมเคยเห็นบริษัทที่ให้บริการ AI แบบประยุกต์พยายามใช้ทางลัดด้วย 'การสัมภาษณ์ด้วย AI' หรือส่งวิศวกรไปสัมภาษณ์ สิ่งนี้ใช้ไม่ได้ผล ครึ่งหนึ่งของงานคือการพัฒนาความสัมพันธ์ที่แน่นแฟ้นกับผู้ปฏิบัติงาน และรู้ว่าควรถามคำถามอะไรกับพวกเขา เพื่อที่คุณจะได้มีความเข้าใจที่ดีเกี่ยวกับสิ่งที่จะสร้างและวิธีปรับใช้มัน

เอเจนต์ที่ใช้งานได้จริงไม่ใช่แค่การเรียกใช้ LLM

การออกแบบกระบวนการใหม่เป็นแบบฝึกหัดการจัดเรียงที่ต้องอาศัยประสบการณ์ด้านซอฟต์แวร์และ AI แต่ละขั้นตอนจะอยู่ในหนึ่งใน 3 กลุ่ม:

กำหนดตายตัว (Deterministic) ถ้า X แล้ว Y โดยไม่ต้องใช้ดุลยพินิจ ตัวอย่างเช่น หากใบแจ้งหนี้มีมูลค่าต่ำกว่าเกณฑ์ที่กำหนดและตรงกับใบสั่งซื้อ (PO) และใบรับสินค้า (goods receipt) ก็ให้จ่ายเงิน หากเอกสารเปิดเผยชื่อคู่แข่ง ให้ส่งต่อไปยังทีมจัดการความขัดแย้ง การดำเนินการเหล่านี้เหมาะที่สุดที่จะเป็นซอฟต์แวร์ธรรมดาๆ ที่ดี คุณไม่จำเป็นต้องเรียกใช้ LLM ที่หรูหราหากคุณสามารถทำได้ด้วยโค้ดปกติ ซึ่งมีราคาถูก ตรวจสอบได้ กำหนดตายตัว (ไม่เคยหลอน) และรวดเร็ว

แบบเอเจนต์ (Agentic) หากคุณมีตัวอย่างนับพันในอดีตที่มนุษย์ใช้ดุลยพินิจและบันทึกผลลัพธ์ไว้ และขั้นตอนนี้มีความเสี่ยงต่ำพอ (เช่น การอนุมัติของแผนกดีล (deal desk approvals) หรือการลงรหัสบัญชีแยกประเภททั่วไป (GL coding)) คุณควรใช้ LLM ในการตัดสินใจอย่างแน่นอน โดยเฉพาะอย่างยิ่งหากผลลัพธ์เป็น ใช่/ไม่ใช่, ส่งต่อไปยังทีมนี้, ติดธง/ไม่ติดธง, หรือ จับคู่/ไม่จับคู่ ให้ส่งมอบสิ่งนี้กับเอเจนต์และวัดผลทุกเอาต์พุต ในทางกลับกัน หากผลลัพธ์ที่ต้องการคือเอกสาร 5 หน้าที่มนุษย์ต้องอ่านทั้งหมดเพื่อตรวจสอบอยู่แล้ว คุณควรใช้แนวทางแบบผสมผสานจะดีกว่า ในที่นี้ คุณต้องตัดสินความยากของการกระทำ ไม่ใช่ความยากของการคิด

มนุษย์อยู่ในวงจร (Human-in-the-Loop) สำหรับขั้นตอนที่เสี่ยงเกินไป หรือไม่มีบริบททางประวัติศาสตร์เพียงพอ คุณควรมนุษย์ไว้ในวงจรจะดีกว่า เพราะต้นทุนของการที่เอเจนต์ดำเนินการผิดพลาดนั้นสูงเกินไป ให้วางหลักฐานที่เกี่ยวข้องทั้งหมดไว้ต่อหน้ามนุษย์คนนั้นในขณะที่พวกเขาตัดสินใจ ตัวอย่างเช่น เอเจนต์จะตรวจจับความไม่ตรงกันระหว่างใบแจ้งหนี้และใบสั่งซื้อ จากนั้นนำเสนอ 3 ตัวเลือกแก่มนุษย์: อนุมัติต่อไป ปฏิเสธโดยตรง หรือให้ข้อเสนอแนะและส่งต่อไปยังคนอื่น เอเจนต์ช่วยให้มนุษย์ของคุณประหยัดเวลา 40 นาทีในการค้นหาอีเมล บันทึกใบแจ้งหนี้ และอื่นๆ เพื่อให้พวกเขาสามารถตัดสินใจได้ภายใน 30 วินาที แต่การดำเนินการขั้นสุดท้ายยังคงถูกควบคุมโดยมนุษย์คนนั้น

เมื่อคุณจัดเรียงทุกขั้นตอนลงในหนึ่งใน 3 กลุ่มข้างต้นแล้ว คุณสามารถเปลี่ยนกระบวนการ 25 ขั้นตอนให้กลายเป็นกลุ่มของเอเจนต์ 3 ตัว โดยมีขั้นตอนที่กำหนดตายตัวก่อนและหลัง และสุดท้ายคือจุดดำเนินการแบบมนุษย์อยู่ในวงจร 2 จุดเพื่อปลดล็อค งานปรับกระบวนการทางธุรกิจนี้ ควบคู่ไปกับตัวเอเจนต์เอง คือที่มาของ ROI ทั้งหมด

หลังจากนี้ คุณจะกำหนด KPI พื้นฐานก่อนที่จะสร้างอะไรก็ตาม เป้าหมายของคุณคือการคำนวณตัวเลขเบื้องหลังกระบวนการที่คุณกำลังแก้ไข รวมถึงตำแหน่งที่และวิธีการวัดตัวเลขเหล่านั้นในปัจจุบัน หากคุณทำไม่ได้ โปรเจกต์นี้ถึงวาระที่จะล้มเหลว คุณต้องสามารถมองย้อนกลับไป 12 เดือนจากนี้แล้วพูดว่า: เมื่อก่อนเราอยู่ที่ X และตอนนี้เราอยู่ที่ 3X หรือ 10X หรือ 100X ต้องขอบคุณเอเจนต์ที่เราสร้างขึ้น เมื่อนั้นคุณถึงจะบอกได้ว่าโปรเจกต์นี้ประสบความสำเร็จอย่างแท้จริง

สุดท้าย คุณจัดลำดับความสำคัญและลำดับการสร้างของคุณ ขั้นแรก จัดการกับเวิร์กโฟลว์ที่มีการส่งต่องานมากที่สุด เนื่องจากนี่น่าจะเป็นผลไม้ที่ห้อยต่ำที่สุดที่คุณจะเห็นผลลัพธ์ที่ชัดเจนที่สุด ข้อแตกต่างที่สำคัญคือ นี่ไม่จำเป็นต้องเป็นเวิร์กโฟลว์เดียวกันที่มีปริมาณงานมากที่สุด

ในทางปฏิบัติแล้วสิ่งนี้เป็นอย่างไร?

เราปรับกระบวนการทางธุรกิจให้กับธุรกิจระดับโลกที่ต้องกระทบยอดบัญชีธนาคารมากกว่า 300 บัญชีทุกเดือน 2 ใน 3 ของบัญชีเหล่านั้นจัดการโดยทีมนอกประเทศ (offshore) และส่วนที่เหลือแบ่งกันในอีก 2 ภูมิภาคใน 3 รูปแบบที่แตกต่างกัน แต่ทั้งหมดอยู่ใน Excel มีรายการที่ต้องกระทบยอดค้างอยู่มากกว่า 12,000 รายการ และต้องใช้เวลา 4 วันในช่วงต้นเดือนเพื่อขอใบแจ้งยอด กระบวนการกระทบยอดของพวกเขาใช้เวลาเกือบทั้งเดือน ทุกเดือน

เวิร์กโฟลว์ของพวกเขาก่อนที่เราจะปรับกระบวนการใหม่มีดังนี้ (และก่อนที่คุณจะหัวเราะเยาะพวกเขา จงตระหนักว่าคุณมีกระบวนการแบบนี้แน่นอน ถ้าไม่แย่กว่านั้น ในบริษัทของคุณเอง):

1. ติดตามและรวบรวมใบแจ้งยอดจากแต่ละธนาคาร ในรูปแบบที่พวกเขาให้มา
2. ปรับให้เป็นมาตรฐาน (Normalize) ลงในสมุดงานประจำภูมิภาค
3. ดึงข้อมูลสรุปจากบัญชีแยกประเภท (ledger extract)
4. จับคู่ทีละบรรทัด
5. ทำเครื่องหมายรายการที่ไม่ตรงกัน
6. ส่งอีเมลถึงผู้ควบคุมท้องถิ่นเพื่อขอข้อมูลเกี่ยวกับรายการที่ทำเครื่องหมายไว้
7. รอการตอบกลับของพวกเขา
8. ติดตามการตอบกลับหากไม่ได้รับคำตอบ
9. ในที่สุดก็ได้รับการตอบกลับ จากนั้นจึงลงรายการปรับปรุง
10. รวมข้อมูลของภูมิภาคนั้นเข้าในไฟล์รวม
11. ทำขั้นตอนที่ 1-10 ทั้งหมดอีกครั้งสำหรับอีก 2 ภูมิภาคที่เหลือ แต่ละภูมิภาคมีรูปแบบของตัวเอง
12. ปิดงาน

หากคุณทำให้แต่ละขั้นตอนเหล่านั้นเร็วขึ้น การจับคู่ก็จะเร็วขึ้น ปัญหาคือ การจับคู่ไม่เคยเป็นปัญหาเลย การรอใบแจ้งยอด 4 วัน และอีเมลถึงผู้ควบคุมในเขตเวลาอื่น และการตอบกลับที่ยังคงใช้เวลา 3 วันต่างหากที่เป็นปัญหา การทำให้การจับคู่เร็วขึ้นจะช่วยลดเวลาลงได้เป็นชั่วโมงจากกระบวนการที่วัดกันเป็นสัปดาห์

เราได้ออกแบบกระบวนการของพวกเขาใหม่ให้เหลือเพียง 3 ขั้นตอนแทน

1. ใบแจ้งยอดมาถึงผ่านฟีด แบบสายพานลำเลียง แทนที่จะต้องติดตาม สิ่งนี้ไม่เกี่ยวกับ AI เลย
2. ทุกอย่างที่สามารถจับคู่ได้ตามกฎจะถูกจับคู่โดยอัตโนมัติ และหากไม่ได้ เอเจนต์จะรวบรวมเคสตั้งแต่ต้นจนจบ: พร้อมกับรายการนั้นเอง การจัดหมวดหมู่ในอดีต หลักฐานที่รวบรวมจากระบบบันทึกต่างๆ และขั้นตอนถัดไปที่เสนอ
3. สุดท้าย มนุษย์จะทำงานผ่านคิวของข้อยกเว้น โดยมีหลักฐานเตรียมไว้ให้ตรวจสอบ แทนที่พวกเขาจะต้องค้นหาข้อมูลที่กระจัดกระจายอยู่ใน ERP และสเปรดชีตด้วยตนเอง

การติดตาม การส่งอีเมล การรอคอย การป้อนข้อมูลซ้ำ และการรวมข้อมูลในภูมิภาคถูกกำจัดออกไปทั้งหมด นี่คือความแตกต่างระหว่างระบบเอเจนต์ที่ประหยัดเวลาเป็นนาทีและชั่วโมง กับระบบเอเจนต์ที่ประหยัดเวลาเป็นสัปดาห์

ส่วนที่ 3: ทำไมสิ่งนี้ถึงไม่แพร่หลายมากกว่านี้?

คุณถูกโกหก

การนำเสนอ AI ที่คุณได้รับนั้นทำให้เข้าใจผิดตั้งแต่แรก การนำ AI มาใช้เป็นโซลูชันเฉพาะจุด (point solution) ไม่ใช่สิ่งที่คุณจะได้รับคุณค่าจากมัน คุณไม่สามารถทำสิ่งนี้ได้จากแค่ฝ่ายไอที และคุณไม่สามารถทำสิ่งนี้ได้จาก 'หน่วยงานนวัตกรรม' ที่มีงบประมาณ 1 ล้านดอลลาร์และไม่มีอำนาจใดๆ การออกแบบกระบวนการที่ครอบคลุม 4 แผนกขึ้นใหม่ ต้องอาศัยใครสักคนที่สามารถบอกทั้ง 4 แผนกได้ว่ากระบวนการกำลังเปลี่ยนแปลง มีคนเพียงไม่กี่คนในบริษัทที่สามารถทำสิ่งนี้ได้จริงๆ มันต้องมาจากผู้บริหารระดับสูง

แต่ความซับซ้อนอีกประการหนึ่ง: คนที่ทำงานนี้จริงๆ ในปัจจุบัน เช่น หัวหน้าแผนกเจ้าหนี้ (head of accounts payable) และผู้ปฏิบัติงานและนักวิเคราะห์ในแผนกการเงิน ก็จำเป็นต้องมีส่วนร่วมด้วย พวกเขาต้องต้องการระบบ AI ใหม่ เพราะพวกเขาต้องนำมันไปใช้และผลักดันมันในวันพรุ่งนี้ พวกเขาต้องเต็มใจที่จะเปิดเผยข้อมูลที่พวกเขาคิดว่าอาจมาแทนที่พวกเขาได้ แม้ว่าในกรณีส่วนใหญ่จะไม่เป็นเช่นนั้นก็ตาม

และที่สำคัญที่สุด การนำ AI มาใช้นั้นถูกมองว่าเสี่ยง สถานะที่เป็นอยู่ 'ปลอดภัย' สำหรับคนส่วนใหญ่ ซึ่งจะไม่ได้รับการเลื่อนตำแหน่งหาก AI ใช้งานได้ แต่จะถูกไล่ออกหากมันใช้ไม่ได้ แม้ว่าการยึดติดกับสถานะที่เป็นอยู่หมายถึงการปล่อยให้บริษัทตายอย่างช้าๆ เมื่อเวลาผ่านไปก็ตาม

การปรับกระบวนการทางธุรกิจใหม่นั้นค่อนข้างยาก

การประมาณการของ Hammer และ Champy เองในปี 1993 คือ มากถึง 50% ถึง 70% ขององค์กรที่พยายามปรับกระบวนการทางธุรกิจใหม่ไม่บรรลุผลลัพธ์ที่ตั้งใจไว้ (เห็นได้ชัดว่าไม่ค่อยมีอะไรเปลี่ยนแปลงไปตั้งแต่ยุค 90) ตัว Hammer เองกล่าวในภายหลังว่าเขา "ชื่นชมมิติของมนุษย์ไม่เพียงพอ" สิ่งที่เขาหมายถึงคือ 'การลบการส่งต่องาน' ในเวลานั้น หมายถึงการไล่บุคคลที่รับผิดชอบการส่งต่องานนั้นออก (นั่นคืองานทั้งหมดของพวกเขา) จากนั้นขอให้คนอื่นๆ ทั้งหมดเปลี่ยนวิธีการทำงาน ในขณะที่ 'ซอฟต์แวร์' ในยุคนั้นไม่สนับสนุนการเปลี่ยนแปลงดังกล่าว ซึ่งหมายความว่าหลังจากที่ที่ปรึกษามาและจากไป โครงสร้างองค์กรและกระบวนการก็กลับไปสู่สภาพเดิมอย่างรวดเร็ว: สภาพที่เต็มไปด้วยความไร้ประสิทธิภาพและข้อผิดพลาด

อย่างไรก็ตาม ในปัจจุบัน มีสองสิ่งที่แตกต่างกันโดยพื้นฐาน ประการแรก เครื่องมือที่ใช้ AI เป็นหลัก (AI-native tooling) นำเสนอสถานะซอฟต์แวร์ที่ลื่นไหลอย่างที่ไม่เคยมีมาก่อน: สถานะที่สามารถปรับให้เข้ากับการเปลี่ยนแปลงรอบตัวได้ เอเจนต์ที่อยู่ในระบบบันทึกของคุณสามารถดำเนินการส่งต่องานที่เคยต้องพึ่งพาคน จัดการความคลาดเคลื่อนรอบๆ ตัวมันจากซอฟต์แวร์ที่กำหนดตายตัวได้พร้อมๆ กัน และยังทนทานต่อความแปรปรวนที่พบได้ทั่วไปในมนุษย์อีกด้วย ประการที่สอง งานที่คุณกำลังกำจัดเป็นอันดับแรกนั้นเกือบทั้งหมดคืองานประสานงาน นั่นคือ การติดตาม การรอคอย การยกระดับปัญหา การคัดแยก ฯลฯ หลังจากการปรับปรุงกระบวนการเหล่านี้ และการเปลี่ยนแปลง AI ที่แท้จริง สิ่งที่เหลืออยู่คืองานที่ต้องใช้ดุลยพินิจสูงและมีอำนาจ leverage สูง ซึ่งเป็นสิ่งที่คนเก่งที่สุดของคุณควรใช้เวลาทั้งหมดทำอยู่แล้ว

โลกใหม่ที่กล้าหาญ

ที่ปรึกษาแบบดั้งเดิมนั้นค่อนข้างเก่งในงานด้านกระบวนการ ผมยอมรับในจุดนั้น อันที่จริง หากคุณต้องการภาพประกอบที่ซับซ้อนของกระบวนการ 15 ขั้นตอนที่ครอบคลุม 10 ประเทศและ 3 นิติบุคคล บริษัทที่ปรึกษาทั่วไปจะผลิตสไลด์ที่สวยงามที่สุดเท่าที่คุณเคยเห็นมา ในราคา 300,000 ดอลลาร์ สิ่งที่บริษัทที่ปรึกษานี้ไม่สามารถทำได้คือครึ่งหลังที่สำคัญกว่า นั่นคือการรู้ว่าโมเดลใดสามารถและไม่สามารถไว้วางใจได้ เอเจนต์ที่ทำงาน 40,000 ครั้งในหนึ่งเดือนมีค่าใช้จ่ายเท่าไร ควรใช้โมเดลใด (Fable 5.1 เทียบกับ Gemini 3.8 Flash) สำหรับงานประเภทใด (GL Coding เทียบกับ Deal Desk Routing) วิธีออกแบบชุดการประเมิน (eval suite) อย่างเหมาะสมที่สุดสำหรับกระบวนการใดกระบวนการหนึ่ง และขั้นตอนที่กำหนดในกระบวนการนั้นอยู่ในกลุ่มใดใน 3 กลุ่มข้างต้น (กำหนดตายตัว, แบบเอเจนต์, มนุษย์อยู่ในวงจร) อย่างแท้จริง ดังนั้น หากคุณเลือกเส้นทางนี้ การออกแบบใหม่ของคุณจะถูกสร้างขึ้นโดยที่ปรึกษาที่เดาสุ่ม ตรงกันข้ามกับนักยุทธศาสตร์และ FDE ที่มีประสบการณ์ด้าน AI เป็นหลัก และ 6 เดือนต่อมาคุณก็สงสัยว่าเหตุใดโครงการนำร่องของคุณจึงตกต่ำ

ในทางกลับกัน ห้องปฏิบัติการและบริษัท AI มีปัญหาตรงกันข้าม พวกเขาสามารถสร้างเอเจนต์ได้ (อย่างน้อยก็ในกรณีส่วนใหญ่) แต่พวกเขาไม่เคยนั่งลงกับทั้งฝ่ายการเงินและฝ่ายปฏิบัติการเพื่อแยกย่อยเวิร์กโฟลว์ที่ทั้งสองแผนกไม่เห็นด้วยเกี่ยวกับความเป็นเจ้าของและว่าใครอยู่ต้นน้ำของใคร ดังนั้นพวกเขาจะตบ AI ลงบนกระบวนการที่พังแล้วเรียกมันว่าระบบอัตโนมัติ แทนที่จะรื้อถอนและออกแบบกระบวนการนั้นใหม่เหมือนที่ควรทำเมื่อหลายเดือนก่อน ยิ่งไปกว่านั้น ห้องปฏิบัติการ 'AI ประยุกต์' ที่ใหญ่ที่สุด เช่น OpenAI (DeployCo) และ Anthropic (Ode) จะบังคับให้คุณแต่งงานกับโมเดลของพวกเขาไปตลอดชีวิต การเดิมพันโครงสร้างพื้นฐานทางปัญญาทั้งหมดของบริษัทของคุณกับผู้ให้บริการรายเดียวนั้นคือการฆ่าตัวตาย พรุ่งนี้ เมื่อพวกเขาจำกัดอัตราการใช้งาน (rate limit), ลดความแม่นยำ (quantize), ขึ้นราคา และเลิกใช้โมเดลที่คุณกำลังใช้งานอยู่ คุณจะเหลือแต่ความยุ่งเหยิงและบิลค่าบริการ คุณอาจคิดว่ามันง่ายเหมือนการเปลี่ยนเอนด์พอยต์จาก Claude เป็น GLM หรือ Gemini หรือ DeepSeek แต่มันไม่ใช่ การรันการประเมินซ้ำและการตัดสินใจใหม่ว่าจะใช้ระดับการคิดใดต่อการเรียกใช้โมเดลแต่ละครั้งนั้นเป็นกระบวนการที่ต้องใช้ความพยายามอย่างมาก และห้องปฏิบัติการจะไม่ช่วยคุณทำสิ่งนี้

สิ่งที่คุณต้องการแทนคือการผสมผสานสิ่งที่ดีที่สุดของทั้งสองโลก: คนที่เคยบริหารงานด้านการเงิน ปฏิบัติการ การขาย หรือทรัพยากรบุคคลจริงๆ ผนวกกับความสามารถทางวิศวกรรมในการส่งซอฟต์แวร์ระดับการผลิต (production-grade) ลงใน ERP เช่น Microsoft Dynamics หรือ CRM เช่น Salesforce ผนวกกับวิศวกร AI ที่สามารถสร้างสายรัดบริษัท (company-harnesses) ที่ไม่ขึ้นกับโมเดล (model-agnostic) พร้อมการกำกับดูแลระดับองค์กร (enterprise-level governance) และชุดการประเมินในตัว บางคนเรียกคนเหล่านี้ว่า 'วิศวกรปรับใช้ล่วงหน้า' (Forward Deployed Engineers - FDE) แต่ความจริงก็คือ FDE ส่วนใหญ่ในปัจจุบันเป็นวิศวกรที่ mediocre และที่ปรึกษาที่ mediocre โดยไม่มีความสามารถด้าน AI เลย และสุดท้ายคุณก็ไม่ได้อะไรที่ทำได้ดีเลย

สิ่งนี้จะเป็นอย่างไรเมื่อคุณทำถูกต้อง?

มีคันโยก (levers) 4 ตัวที่สำคัญเมื่อคุณกำลังเปลี่ยนแปลงบริษัทด้วย AI: ต้นทุน (ควรลดลง), รายได้ (ควรเพิ่มขึ้น), เวลา (ควรเร็วขึ้น), และความเสี่ยง (ควรลดลง) ในการปรับใช้ของเรา ประมาณครึ่งหนึ่งอยู่ในบริษัทมหาชน ต่อไปนี้คือตัวอย่างของสิ่งที่เปลี่ยนแปลงไปจริงๆ ทีละคันโยก:

• เวลา. เราลดระยะเวลาการปิดบัญชีสิ้นเดือนจาก 18-22 วัน เหลือ 7-9 วัน ปัญหาห่วงโซ่อุปทานได้รับการแก้ไขภายใน 6 ชั่วโมง จากเดิมที่ใช้เวลาหลายวัน
• รายได้. ดีลต่างๆ เคยถูกปล่อยทิ้งไว้เฉลี่ย 23 วัน ปัจจุบันเหลือเฉลี่ย 6 วัน และเวลาที่พนักงานขายใช้ทำงานธุรการลดลงจาก 38% ของสัปดาห์ เหลือ 14% เวลาที่ประหยัดได้ถูกนำกลับไปใช้ในการขายทั้งหมด
• ต้นทุน. การจัดการข้อยกเว้นของเจ้าหนี้ (AP) ลดลงจาก 600-800 ใบแจ้งหนี้ต่อเดือน เหลือต่ำกว่า 50 ใบ ในองค์กรฝ่ายการตลาด งบประมาณสื่อ 8-12% ถูกกู้คืนจากข้อผิดพลาดด้านจังหวะการลงโฆษณาที่เคยตรวจพบเมื่อสิ้นเดือนเท่านั้น ช่วยประหยัดเงินหลายล้านดอลลาร์ต่อไตรมาส
• ความเสี่ยง. การแก้ไขเงินเดือนลดลง 90% เนื่องจากการกระทบยอดข้ามระบบเกิดขึ้นก่อนการจ่ายเงินเดือนแทนที่จะเป็นหลังการจ่าย 80% ของคำถามสนับสนุนพนักงานได้รับคำตอบจากเอกสารนโยบายของบริษัทเอง ในขณะที่กรณีซับซ้อนยังคงถูกส่งต่อไปยังเจ้าหน้าที่ฝ่ายทรัพยากรบุคคล

โดยรวมแล้ว มูลค่าที่ส่งมอบจากการปรับใช้ชุดนี้มีมูลค่ากว่า 100 ล้านดอลลาร์สหรัฐ ส่วนที่ดีที่สุดคือ ตัวเลขนี้ถูกสร้างขึ้นร่วมกับลูกค้าของเรา ไม่ใช่แค่เราพูดเอง แต่ถูกวัดผลได้จริง

บริษัทที่เปลี่ยนแปลงด้วย AI จริงๆ มีหน้าตาเป็นอย่างไร?

ทุกสิ่งที่อธิบายข้างต้นคือวิธีที่เราทำงานที่ Varick และเป็นแนวทางเดียวที่ใช้ได้ผลกับบริษัทที่เราได้นำ AI ไปใช้ให้ เหล่านี้คือองค์กรขนาดใหญ่อย่างไม่น่าเชื่อ มีพนักงานหลายพันคน ระบบบันทึกหลักหลายสิบระบบ และความซับซ้อนที่ไม่มีที่สิ้นสุด แต่สูตรสำเร็จก็เหมือนเดิม และใช้ได้ผลทุกครั้ง

ทีมนักวางกลยุทธ์และวิศวกรของเราจะเข้ามาในระดับแผนกเพื่อทำแผนที่ว่างานเกิดขึ้นจริงอย่างไร ไม่ใช่แค่ยอมรับตามที่บันทึกไว้ ผ่านการผสมผสานระหว่างการทำเหมืองกระบวนการและการสัมภาษณ์ การคำนวณเวลาที่ผ่านไปเทียบกับเวลาที่ลงมือทำ การทำแผนที่ข้อยกเว้น ผลกระทบต้นน้ำและปลายน้ำ และการทำความเข้าใจว่าใครเป็นเจ้าของอะไร แทนที่จะใช้เวลาหลายเดือน เราทำกระบวนการนี้เสร็จภายในไม่กี่สัปดาห์ ณ จุดนั้น คุณจะได้รับกระบวนการที่ออกแบบใหม่ มูลค่าที่จะได้รับ KPIs มาตรฐานที่ปรับแต่งเอง และลำดับความสำคัญในการสร้างเอเจนต์ จากนั้น เราจะเริ่มสร้างเอเจนต์ ซึ่งมาพร้อมกับการกำกับดูแลระดับองค์กร ความสามารถในการตรวจสอบย้อนกลับ ชุดประเมินผล และการตรวจสอบที่พร้อมใช้งานทันที

เราทำงานร่วมกับบริษัทที่มีรายได้มากกว่า 500 ล้านดอลลาร์สหรัฐ จัดการกับเวิร์กโฟลว์ที่ท้าทายที่สุดของพวกเขา ครอบคลุมทั้งฝ่ายผลิตภัณฑ์ การเงิน การขาย จัดซื้อ ปฏิบัติการ ทรัพยากรบุคคล และอื่นๆ หากคุณต้องการเห็นว่าสิ่งนี้เป็นอย่างไรเมื่อนำไปใช้กับกระบวนการใดกระบวนการหนึ่งของคุณ จองการโทร บนเว็บไซต์ของเรา และเตรียมพร้อมที่จะพูดคุยเกี่ยวกับเวิร์กโฟลว์ที่คุณไม่ชอบมากที่สุด และสิ่งที่ทำให้มันซับซ้อน และหากคุณพบว่าเนื้อหานี้มีประโยชน์ สมัครรับจดหมายข่าวของเรา ซึ่งเราจะเผยแพร่บทความรายสัปดาห์เกี่ยวกับความก้าวหน้าล่าสุดใน AI 'เชิงประยุกต์' และทุกสิ่งที่เราได้เรียนรู้จากการลงมือทำ

สรุปสั้นๆ

• การใช้จ่ายด้าน AI ส่วนใหญ่ในองค์กรในปัจจุบันถูกนำไปใช้กับกระบวนการเดิมๆ ที่มีอยู่แล้ว ซึ่งหมายความว่าสิ่งที่คุณทำจริงๆ คือการทำให้กระบวนการที่แย่อยู่แล้วทำงานเร็วขึ้น Michael Hammer พูดถึงเรื่องนี้เกี่ยวกับ IT ย้อนกลับไปในปี 1990 และรัฐบาลอังกฤษก็พิสูจน์ให้เห็นอีกครั้งในปี 2025 ด้วยใบอนุญาต Copilot 1,000 ใบ: 1.14 การกระทำต่อผู้ใช้ต่อวัน ไม่พบการเพิ่มผลผลิตใดๆ และ 72% ของผู้ใช้ก็พอใจอยู่ดี
• เวลาไม่ได้อยู่ในตัวงาน แต่อยู่ในคิวและการส่งต่องาน แอปพลิเคชันประกันของ Hammer ถูกปล่อยทิ้งไว้ 22 วันในกระบวนการ โดยมีงานจริงเพียง 17 นาที แม้ว่าคุณจะทำให้งานเร็วขึ้นเป็นสองเท่า คุณก็ประหยัดเวลาได้เพียง 8 นาที
• การรวมระบบของคุณก่อน (ERP หนึ่งตัว, CRM หนึ่งตัว, แพลตฟอร์มข้อมูลหนึ่งตัว) เป็นวิธีที่ได้รับการบันทึกไว้อย่างดีในการเสียเวลา 2 ปีและเงิน 9 หลัก ก่อนที่คุณจะเห็นมูลค่าแม้แต่ดอลลาร์เดียว สิ่งที่คุณต้องการจริงๆ คือคำจำกัดความของกระบวนการเดียวและเจ้าของคนเดียว เพราะเอเจนต์สามารถทนต่อระบบที่ไม่สอดคล้องกันได้ ในขณะที่การบูรณาการแบบกำหนดตายตัวไม่เคยทำได้
• เริ่มต้นในระดับแผนก ขุดข้อมูลจากระบบบันทึกหลักและสัมภาษณ์ผู้ปฏิบัติงาน จากนั้นจัดเรียงทุกขั้นตอนลงใน 3 กลุ่ม: ซอฟต์แวร์ที่กำหนดตายตัว, เอเจนต์, หรือมนุษย์ที่อยู่ในวงจรโดยมีหลักฐานเตรียมไว้ให้ หากทำอย่างถูกต้อง กระบวนการ 25 ขั้นตอนจะกลายเป็น 3 เอเจนต์ที่มีจุดตรวจสอบของมนุษย์ 2 จุด
• เมื่อเราทำด้วยวิธีนี้ การปิดบัญชีสิ้นเดือนลดลงจาก 18-22 วัน เหลือ 7-9 วัน ข้อยกเว้น AP ลดลงจาก 600-800 ต่อเดือน เหลือต่ำกว่า 50 การแก้ไขเงินเดือนลดลง 90% และมูลค่ารวมจากการปรับใช้ของเราอยู่ที่กว่า 100 ล้านดอลลาร์สหรัฐ ซึ่งวัดผลร่วมกับลูกค้า
• ไม่มีสิ่งใดได้ผลเว้นแต่จะมาจากผู้บริหารระดับสูง ผู้ปฏิบัติงานต้องการมันจริงๆ และใครก็ตามที่คุณจ้างต้องมีบุคลากรด้านกระบวนการ วิศวกรซอฟต์แวร์ และวิศวกร AI อยู่ในห้องเดียวกัน และแทบไม่มีใครมีครบทั้งสามอย่าง