ลองนึกถึงพนักงานบริการที่ต้องค้นข้อมูลจากหลายหน้าจอเพื่อช่วยตอบลูกค้า การให้ AI ช่วยหาคำตอบอาจลดเวลาที่เสียไปกับการเปิดเอกสารทีละชุด แต่ก่อนขยายไปทั้งองค์กร เจ้าของงานควรถามว่างานส่วนไหนเปลี่ยนไป ความผิดพลาดถูกส่งต่อให้ใคร และผลที่ได้คุ้มกับต้นทุนหรือไม่
เมื่อ 1 ตุลาคม 2026 Anthropic ประกาศว่า Barclays จะขยายการใช้ Claude ในงานปฏิบัติการ การพัฒนาซอฟต์แวร์ และการปรับปรุงระบบเดิม โดยคาดว่า Claude Code จะเข้าถึงนักพัฒนาครึ่งหนึ่งภายในสิ้นปี 2026 และคนส่วนใหญ่ในกลุ่มวิศวกรซอฟต์แวร์ภายในปี 2027 ประกาศของ Anthropic ระบุด้วยว่า Colleague Knowledge Assistant เปิดใช้งานมาตั้งแต่ปี 2025 มีพนักงานนำไปใช้แล้วกว่า 16,000 คน และมีการค้นหาผ่านระบบมากกว่าหนึ่งล้านครั้ง ส่วนทีม Global Markets ใช้ Claude ช่วยจัดประเภท เติมข้อมูล และกำหนดเส้นทางให้อีเมลขาเข้าประมาณ 120,000 ฉบับต่อวัน
ตัวเลขเหล่านี้เป็นข้อมูลที่ Anthropic เผยแพร่ในประกาศความร่วมมือกับ Barclays ไม่ใช่ผลประเมินอิสระ และไม่ได้บอกด้วยตัวเองว่าประหยัดเงินหรือทำให้ลูกค้าพึงพอใจขึ้นเท่าไร จึงควรอ่านเป็นตัวอย่างของการนำ AI ไปผูกกับงานจริง ไม่ใช่เป้าหมายที่องค์กรอื่นต้องทำให้ได้เท่ากัน
ดูที่ขั้นตอนงาน ไม่ใช่จำนวนบัญชีที่เปิดใช้
ประกาศนี้ยกตัวอย่างงานคนละแบบอยู่สองเรื่อง เรื่องแรกคือพนักงานค้นความรู้เพื่อช่วยตอบคำถามลูกค้า อีกเรื่องคือระบบช่วยคัดแยกและส่งต่ออีเมลใน Global Markets ทั้งคู่ไม่ได้หมายความว่า AI ตัดสินใจหรือทำธุรกรรมแทนพนักงานทุกขั้น
บทเรียนสำหรับองค์กรที่กำลังทดลองใช้ AI คือกำหนดหน่วยวัดเป็นกระบวนการให้ชัด เช่น “ค้นคำตอบจากคู่มือแล้วส่งให้เจ้าหน้าที่ตรวจ” หรือ “จัดหมวดอีเมลก่อนส่งให้ทีมที่รับผิดชอบ” ระบุจุดเริ่มและจุดจบ ผู้ใช้ ข้อมูลที่ระบบเห็น การตัดสินใจที่ยังเป็นของคน และกรณีที่ต้องส่งกลับให้คนจัดการ
ถ้าบอกได้เพียงว่ามีคนเข้าใช้ AI กี่คน ทีมยังไม่รู้ว่างานเดิมสั้นลงจริงหรือไม่ คุณภาพคำตอบเปลี่ยนอย่างไร หรืองานยากถูกผลักไปให้คนจัดการมากขึ้นหรือเปล่า
วาง baseline ก่อนเปรียบเทียบผล
ก่อนเปิด AI ให้ทีม ควรเก็บภาพของงานเดิมในช่วงเวลาที่เป็นตัวแทนของปริมาณงานปกติ เช่น จำนวนรายการ เวลาที่ใช้ตั้งแต่รับงานจนเสร็จ อัตราที่ต้องแก้หรือส่งต่อ และเหตุผลที่ทำให้งานค้าง เมื่อเริ่มใช้ AI ให้เก็บตัวเลขชุดเดิมควบคู่กับตัวชี้วัดใหม่ เช่น คำตอบที่เจ้าหน้าที่ใช้ได้โดยไม่แก้ อีเมลที่ส่งผิดทีม รายการที่ต้องตรวจซ้ำ ค่าใช้จ่ายของระบบ และเวลาที่ใช้ดูแลข้อยกเว้น
เลือกตัวชี้วัดตามผลที่ธุรกิจต้องการจริง ไม่จำเป็นต้องวัดทุกอย่างพร้อมกัน หากเป้าหมายคือช่วยให้พนักงานค้นข้อมูลเร็วขึ้น เวลาที่ใช้ค้นเป็นเพียงด้านหนึ่ง ต้องดูด้วยว่าข้อมูลถูกต้องและเจ้าหน้าที่ตรวจต่อได้หรือไม่ หากเป้าหมายคือจัดเส้นทางอีเมล ให้ดูอัตราส่งผิดทีมและเวลาที่ใช้กับกรณีที่ระบบไม่มั่นใจด้วย
ตัวชี้วัดเหล่านี้เป็นข้อเสนอสำหรับการทดลองในองค์กร ไม่ใช่ผลลัพธ์ที่ประกาศไว้ของ Barclays และไม่ควรเทียบตัวเลขของคนละกระบวนการหรือคนละช่วงปริมาณงานโดยตรง
วางทางให้คนรับช่วงเมื่อระบบไม่แน่ใจ
ระบบที่ใช้งานจริงต้องมีกรณีที่ไม่ควรปล่อยให้ AI ทำต่อ เช่น ข้อมูลขัดกัน เอกสารไม่ครบ ลูกค้าถามเรื่องที่ไม่อยู่ในฐานความรู้ หรืออีเมลที่มีผลต่อการเงินและสิทธิ์ของลูกค้า ทีมควรกำหนดล่วงหน้าว่าเมื่อไรให้ AI หยุด ใครรับงานต่อ ต้องเห็นข้อมูลอะไร และจะบันทึกเหตุผลกับผลการตรวจไว้ที่ไหน
เริ่มจากงานอ่าน ค้นหา หรือจัดประเภทที่ย้อนกลับได้ก่อน งานที่แก้ข้อมูล ส่งข้อความภายนอก อนุมัติคำขอ หรือเปลี่ยนสถานะสำคัญควรมีการตรวจและอนุมัติตามความเสี่ยง โดยสิทธิ์ที่ระบบได้รับต้องจำกัดเท่าที่งานจำเป็น การให้เจ้าหน้าที่คอยตรวจทุกอย่างตลอดเวลาอาจทำให้ต้นทุนสูงจนประโยชน์หายไป แต่การปล่อยทุกกรณีอัตโนมัติก็อาจซ่อนข้อผิดพลาดที่มีผลมากไว้ ทีมจึงต้องออกแบบทางส่งต่องานให้เหมาะกับผลกระทบและความสามารถในการย้อนกลับ
ใช้กรอบความเสี่ยงเป็นวงจรทบทวน
หน้า NIST ระบุว่า AI Risk Management Framework Core ที่อ้างถึงเป็นส่วนหนึ่งของ AI RMF 1.0 ซึ่งเผยแพร่ในปี 2023 และกำลังอยู่ระหว่างการปรับปรุง กรอบนี้จัดงานบริหารความเสี่ยงไว้ใต้ Govern, Map, Measure และ Manage โดยให้ทำซ้ำและปรับตามบริบท ไม่ใช่เช็กลิสต์ที่ต้องไล่ตามลำดับเดียว NIST ระบุว่ากรอบและ Playbook เป็นแนวทางสมัครใจ องค์กรจึงเลือกใช้ส่วนที่เข้ากับทรัพยากรและระดับความเสี่ยงของตนได้ NIST AI RMF Core
นำกรอบนี้มาใช้กับโครงการเล็กได้โดยให้ผู้บริหารหรือเจ้าของกระบวนการกำหนดความรับผิดชอบและอำนาจหยุดงาน ทำความเข้าใจผู้ใช้ ข้อมูล และผลกระทบก่อนเลือกใช้ AI ทดสอบคุณภาพในสภาพใกล้งานจริง และทบทวนข้อผิดพลาดหลังเริ่มใช้งาน หากผลไม่ถึงเกณฑ์ที่ทีมกำหนดหรือบริบทเปลี่ยน ทีมควรปรับ ลดขอบเขต หรือหยุดระบบได้
ก่อนขยายจากทีมแรก ลองตอบให้ได้
- งานนี้เริ่มจากอะไรและจบตรงไหน ใครรับผิดชอบผลสุดท้าย
- มีข้อมูลตั้งต้นอะไรบ้าง และ AI เห็นข้อมูลเท่าที่จำเป็นหรือไม่
- จะเปรียบเทียบกับ baseline เดิมอย่างไร โดยไม่เอาจำนวน prompt มาแทนคุณภาพงาน
- ข้อผิดพลาดแบบใดให้ AI หยุดและส่งต่อ ใครมีสิทธิ์อนุมัติให้ทำต่อ
- ถ้าคุณภาพลดลง ต้นทุนสูงขึ้น หรือขั้นตอนเปลี่ยน ทีมจะลดขอบเขตหรือหยุดการใช้อย่างไร
ตัวเลขผู้ใช้และอีเมลสะท้อนขนาดงานที่ Barclays กำลังจัดการ สำหรับทีมไทย จุดเริ่มที่ทำได้จริงคือเลือกกระบวนการหนึ่งที่ระบุได้ชัด วัดคุณภาพและการส่งต่องานให้คน แล้วค่อยตัดสินใจว่าจะขยายหรือไม่ ถ้าทีมจะทดลองหนึ่งกระบวนการในไตรมาสนี้ จะเลือกงานไหน และใครรับผิดชอบตัวชี้วัดกับการอนุมัติ?
