สมมติว่าคุณอนุมัติงบ AI ไปแล้วหลายสิบล้าน ทีมขายใช้ chatbot ทีมบัญชีลองให้ AI สรุปรายงาน ฝ่ายไอทีทำ pilot ไปสามตัว พอครบปี บอร์ดถามว่าได้อะไรกลับมาบ้าง
ตอนนี้มีตัวเลขให้เทียบแล้ว วันที่ 15 กันยายน 2569 SAP เผยแพร่ผลส่วนของประเทศไทยจาก SAP Value of AI Report 2026 ซึ่งทำร่วมกับ Oxford Economics สำรวจผู้บริหาร 2,600 คนใน 13 ประเทศ ในจำนวนนี้เป็นผู้บริหารในไทย 200 คน
ตัวเลขหลักของไทย
| ตัวชี้วัด |
ไทย |
ค่าเฉลี่ยทั่วโลก |
| งบ AI เฉลี่ยต่อบริษัทต่อปี |
US$18.3 ล้าน (ราว 602.9 ล้านบาท) |
US$28 ล้าน |
| ผลตอบแทนจาก AI ปีนี้ |
18% (US$3.5 ล้าน) |
21% |
| ผลตอบแทนที่คาดใน 2 ปี |
35% (US$8.8 ล้าน) |
38% |
| สัดส่วนงานที่ AI ช่วยทำวันนี้ |
24% |
30% |
| สัดส่วนงานที่ AI ช่วยทำใน 2 ปี |
42% |
48% |
บริษัทไทยคาดว่างบ AI จะโตอีก 44% ใน 2 ปี 71% พอใจกับผลตอบแทนที่ได้อยู่ตอนนี้ แต่ 55% ก็ยอมรับว่ายังใช้ AI ได้ไม่เต็มที่
ไทยตามค่าเฉลี่ยโลกอยู่ไม่มาก และผลตอบแทนเริ่มวัดได้จริงแล้ว Kulwipa Piyawattanametha กรรมการผู้จัดการ SAP Indochina บอกว่าธุรกิจไทยกำลังขยับจากการทดลองไปสู่การใช้งานจริง ที่น่าสนใจกว่าคือส่วนที่บอกว่าอะไรยังรั้งไม่ให้ไปถึง 35%
ด่านจริงคือข้อมูลกับการกำกับดูแล ไม่ใช่ตัวโมเดล
- 70% บอกว่าติดปัญหาคุณภาพหรือการเข้าถึงข้อมูล
- 79% เคยได้ผลลัพธ์จาก AI ที่คุณภาพต่ำ
- 47% ยังใช้ AI แบบต่างแผนกต่างทำ ไม่ได้ใช้ร่วมกันทั้งองค์กร
- 74% มีพนักงานใช้เครื่องมือ AI ภายนอกที่องค์กรไม่ได้อนุมัติ หรือที่เรียกกันว่า shadow AI
- 62% กังวลว่าข้อมูลหรือทรัพย์สินทางปัญญาจะรั่วไหล
เกือบทุกข้อไม่ได้เกิดจาก AI ไม่เก่งพอ แต่เกิดจาก AI ได้ข้อมูลที่ไม่ดีพอ และไม่มีใครดูว่าใครใช้อะไรอยู่
ถ้าให้ AI อ่านยอดขายจากไฟล์ Excel สามเวอร์ชันที่ตัวเลขไม่ตรงกัน คำตอบก็อาจคลาดเคลื่อนได้ ส่วนการนำข้อมูลลูกค้าไปใส่เครื่องมือ AI โดยไม่ตรวจว่าผู้ให้บริการเก็บหรือใช้ข้อมูลอย่างไร อาจเพิ่มความเสี่ยงด้านข้อมูลส่วนบุคคลหรือทรัพย์สินทางปัญญาได้ หน้าที่ตาม PDPA ต้องพิจารณาตามประเภทข้อมูล วัตถุประสงค์ และวิธีประมวลผลในแต่ละกรณี
Agentic AI ที่หลายองค์กรต้องการ แต่พร้อมจริงแค่ 2%
ข้อนี้เราคิดว่าสำคัญที่สุดในรายงาน 78% ของธุรกิจไทยมองว่า agentic AI หรือ AI ที่ลงมือทำงานแทนคนได้ มีศักยภาพเปลี่ยนองค์กรตั้งแต่ระดับปานกลางถึงสูงมาก แต่มีเพียง 2% ที่บอกว่าพร้อมเต็มที่
ช่องว่างอยู่ที่ขั้นตอนควบคุม 40% ยังไม่มีขั้นตอนให้คนตรวจก่อนที่ AI จะลงมือ (human-in-the-loop) อีก 40% ยังไม่มีขั้นตอนอนุมัติมาตรฐาน 39% ไม่มีทะเบียนว่าองค์กรใช้ AI agent ตัวไหนอยู่บ้าง และ 65% เห็นด้วยหรือไม่แน่ใจว่าองค์กรปล่อย agent ออกไปเร็วกว่าที่ตามคุมได้
ฝั่งผู้นำก็ยังไม่พร้อม 40% ไม่มีผู้รับผิดชอบด้าน AI โดยตรง และมีเพียง 13 ถึง 14% ที่บอกว่าทักษะและกรอบการกำกับดูแล AI พร้อมเต็มที่
AI ที่ตอบผิดทำให้คนเสียเวลาอ่าน แต่ AI ที่ลงมือทำผิด เช่น อนุมัติเอกสาร ย้ายสต็อก หรือส่งอีเมลหาลูกค้า สร้างความเสียหายจริง ยิ่งให้ AI ทำงานแทนได้มาก เรื่องสิทธิ์และการอนุมัติก็ยิ่งต้องวางไว้ก่อน
สิ่งที่เราเห็นจากโครงการลูกค้า
ตัวเลขชุดนี้ตรงกับที่ทีม Enersys เจอในโครงการลูกค้าเกือบทุกราย
องค์กรที่ติดอยู่ที่ pilot มักเริ่มจากเลือกเครื่องมือ AI ก่อน แล้วค่อยไปหาข้อมูลมาป้อน demo ออกมาดูดี แต่ใช้งานจริงไม่ได้ เพราะข้อมูลแต่ละแผนกไม่ตรงกัน
องค์กรอาจเริ่มจากรวมข้อมูลหลักไว้ในระบบที่ทุกแผนกใช้ร่วมกัน กำหนดว่าใครเห็นอะไร AI ทำอะไรได้ และงานไหนต้องให้คนอนุมัติ ก่อนขยายการใช้งาน อย่างไรก็ดี รายงานไม่ได้เปรียบเทียบแนวทางเหล่านี้หรือระบุว่าวิธีใดทำให้ได้ ROI 35% ตัวเลข 35% คือค่าเฉลี่ยที่ผู้ตอบคาดการณ์ไว้ในอีกสองปี ไม่ใช่ผลลัพธ์ที่รับประกัน
ก่อนวางงบ AI ปีหน้า
- ข้อมูลหลักอยู่ที่เดียวหรือยัง ลูกค้า สินค้า สต็อก บัญชี ถ้ายังกระจายอยู่หลายไฟล์ AI ก็จะให้คำตอบหลายเวอร์ชัน
- รู้หรือยังว่าพนักงานใช้ AI ตัวไหนบ้าง ทำทะเบียนเครื่องมือไว้ และกำหนดว่าข้อมูลประเภทไหนห้ามนำเข้า
- มีคนตรวจก่อน AI ลงมือหรือยัง โดยเฉพาะงานที่กระทบเงิน สต็อก และลูกค้า
- ตั้งตัวชี้วัดไว้ตั้งแต่ก่อนเริ่ม จะวัดจากเวลาที่ประหยัดได้ ความผิดพลาดที่ลดลง หรือยอดขายที่เพิ่มขึ้น
งานที่ Enersys ทำ
เราวางฐานข้อมูลบน Odoo ERP ให้ทุกแผนกใช้ข้อมูลชุดเดียวกัน กำหนดสิทธิ์และขั้นตอนอนุมัติก่อนเปิดให้ AI ลงมือ และใช้ PrivacyHub ดูแลเรื่อง PDPA ของข้อมูลที่ AI เข้าถึง ตัวอย่างการวางสิทธิ์อยู่ในบทความเรื่องการวางสิทธิ์ Odoo 20 MCP
ถ้าองค์กรของคุณลงทุน AI ไปแล้วแต่ผลตอบแทนยังไม่มาอย่างที่หวัง คุยกับทีม Enersys ได้ เราจะช่วยดูว่าติดอยู่ที่ข้อมูล สิทธิ์ หรือกระบวนการ
แหล่งข้อมูล
