สรุปจากคลิป ดูคลิปต้นฉบับ
Allica Bank ใช้ AI ในธนาคารอย่างไรให้เร็วขึ้นแต่ยังคุมเกมได้
หลายองค์กรอยากใช้ AI แต่ติดอยู่ตรงคำถามเดิม ๆ คือจะเริ่มตรงไหน จะคุมความเสี่ยงอย่างไร และจะทำให้ทีมทั้งบริษัทใช้ได้จริงได้ไหม โดยเฉพาะธุรกิจที่มีข้อกำกับสูงอย่างธนาคาร คำถามนี้ยิ่งหนักกว่าเดิม เพราะการขยับเร็วเกินไปอาจพลาดเรื่อง compliance แต่ถ้าช้าเกินไปก็เสียโอกาสทางธุรกิจ
คลิปจากช่อง OpenAI ที่คุยกับ Ravneet Shah, CTO ของ Allica Bank น่าสนใจตรงที่ไม่ได้พูดเรื่อง AI แบบกว้าง ๆ แต่เล่าจากมุมคนสร้างองค์กรที่ต้องเอา AI ไปใช้จริงในธนาคารดิจิทัลของสหราชอาณาจักร ประเด็นหลักไม่ใช่แค่ “ใช้เครื่องมืออะไร” แต่คือ “ออกแบบองค์กรใหม่อย่างไร” เพื่อให้ AI เข้าไปอยู่ใน product, operations, lending และ relationship banking ได้พร้อมกัน
สำหรับเจ้าของธุรกิจและคนทำงานในไทย บทเรียนจากเคสนี้มีค่ามาก เพราะมันชี้ให้เห็นว่า AI ไม่ได้เริ่มจาก prompt ที่เก่งที่สุด แต่เริ่มจากการเลือก process ที่ควรเปลี่ยน วิธีจัดทีม และการตัดสินใจว่าอะไรควรให้ AI ทำแทน อะไรควรให้คนทำต่อ
สารบัญ
- ประเด็นใหญ่ที่สุดไม่ใช่เครื่องมือ แต่คือการยอม “รื้อวิธีทำงานเดิม”
- 3 ชั้นของการใช้ AI ที่ธุรกิจไทยเอาไปคิดต่อได้
- ทำไมทีมเล็กถึง deploy ได้เยอะ
- AI ในงานปล่อยกู้ ไม่ได้เริ่มจาก portal ที่สวยขึ้น แต่เริ่มจากรับความจริงว่าลูกค้าไม่เปลี่ยน
- ธุรกิจที่มี relationship เป็นจุดขาย ไม่ควรรีบแทนคนด้วย chatbot
- AI ในองค์กรที่มีข้อกำกับสูง ต้องเร็วโดยไม่หลุด governance
- ทิศทาง 12 ถึง 24 เดือนข้างหน้า คือเพิ่มคุณค่า ไม่ใช่ปั่นตัวเลข
- สิ่งที่เราเห็นด้วย และจุดที่ควรระวัง
- Actionable Insights
- Troubleshooting
- การต่อยอด
- สรุป Checklist ทั้งหมด
ประเด็นใหญ่ที่สุดไม่ใช่เครื่องมือ แต่คือการยอม “รื้อวิธีทำงานเดิม”
Allica Bank เริ่มทดลอง AI ตั้งแต่ปี 2023 และยอมรับตรง ๆ ว่าช่วงแรกลองผิดลองถูกเยอะมาก ซึ่งนี่เป็นภาพจริงของแทบทุกองค์กร ไม่มีใครรู้ use case ที่ใช่ตั้งแต่วันแรก สิ่งที่มีผลต่อทิศทางไม่ใช่การหาคำตอบเร็ว แต่คือการค่อย ๆ เห็นว่าต้องปรับอะไรในองค์กรเพื่อให้ AI ขยายผลได้
สิ่งแรกที่ทีมนี้เรียนรู้คือ การใช้ AI ให้เกิดผลต้องเป็นเรื่องของทั้งองค์กร ไม่ใช่เรื่องของทีมเทคโนโลยีอย่างเดียว ฝ่ายปฏิบัติการ ฝ่ายขาย ผลิตภัณฑ์ การเงิน และทีมอื่น ๆ ต้องเปลี่ยนวิธีทำงานร่วมกันด้วย นี่เป็นจุดที่หลายบริษัทไทยพลาด เพราะมักฝาก AI ไว้กับ “ทีม innovation” หรือ “ทีม IT” แล้วหวังว่าผลลัพธ์จะกระจายไปเอง
มุมมองที่น่าสนใจคือ แม้ผู้นำจะมาจากสายเทค ก็ยังต้อง “เลิกยึด” วิธีคิดเดิมบางอย่างก่อน ถึงจะเรียนรู้เทคโนโลยีใหม่ได้จริง ข้อนี้สะท้อนว่าการเอา AI มาใช้ไม่ใช่แค่เพิ่มเครื่องมือ แต่คือการยอมเลิกขั้นตอนที่เคยเชื่อว่าจำเป็น
Allica Bank ยังพูดถึงตัวเลข adoption ที่ขยับขึ้นชัดเจน จากเดิมราว 25 เปอร์เซ็นต์ ไปสู่ระดับที่พนักงานส่วนใหญ่ใช้ AI ในวันทำงานแล้ว ตัวเลขนี้สำคัญเพราะมันบอกว่า AI เริ่มกลายเป็นส่วนหนึ่งของงานประจำ ไม่ใช่แค่ของเล่นสำหรับคนบางกลุ่ม
3 ชั้นของการใช้ AI ที่ธุรกิจไทยเอาไปคิดต่อได้
สิ่งที่เคสนี้ทำได้ดีคือไม่ได้มอง AI แค่ในมิติเดียว แต่แบ่งออกเป็น 3 ชั้นพร้อมกัน
- ชั้นที่ 1 การใช้ AI ทั้งองค์กร เพื่อให้ทุกทีมทำงานต่างไปจากเดิม
- ชั้นที่ 2 การเปลี่ยน operating model ของ product engineering เพื่อให้สร้างของได้เร็วขึ้น
- ชั้นที่ 3 การคิดผลิตภัณฑ์ใหม่ โดยยอมรับว่าบางอย่าง AI ทำได้ แต่ software แบบเดิมทำไม่ได้
สำหรับธุรกิจไทย ถ้าจะแปลโมเดลนี้ให้ง่ายขึ้น อาจมองได้ว่า
- เริ่มจากให้ทีมงานใช้ AI ช่วยงานประจำ เช่น สรุปข้อมูล เขียนเอกสาร เตรียมข้อเสนอ หรือตอบคำถามภายใน
- จากนั้นปรับ workflow ของทีมที่สร้างรายได้หรือสร้างบริการหลัก เช่น ทีมการตลาด ทีมขาย ทีมบริการลูกค้า
- สุดท้ายค่อยย้อนกลับมาถามว่า เราจะสร้างบริการใหม่ที่เกิดขึ้นไม่ได้เลยถ้าไม่มี AI ได้หรือไม่
หลายธุรกิจมักข้ามขั้นที่สองกับสาม แล้วไปทำ chatbot ก่อน ทั้งที่ process ด้านในยังยุ่งเหมือนเดิม ผลคือมี AI อยู่ข้างหน้า แต่หลังบ้านยังช้าเหมือนเดิม
ทำไมทีมเล็กถึง deploy ได้เยอะ
หนึ่งในจุดที่โดดเด่นคือ Allica Bank มี deployment จำนวนมากเมื่อเทียบกับขนาดทีม ซึ่งไม่ได้เกิดจากการเร่งทีมอย่างเดียว แต่เกิดจากการออกแบบทีมใหม่ เดิมทีองค์กรใช้แนว cross functional squad แบบที่หลายบริษัทคุ้นเคย แต่เมื่อ AI เข้ามา พวกเขาพบว่าโครงสร้างแบบเดิมเริ่มมี “จุดส่งต่องาน” มากเกินไป
คำตอบของพวกเขาคือทำทีมให้เล็กลง กลายเป็น “squadlet” และไม่ยึดสูตรทีมแบบเดียวทุกชุด แต่ให้โครงสร้างต่างกันตามความซับซ้อนของงานนั้น ๆ นี่เป็นแนวคิดที่ธุรกิจไทยควรหยิบไปใช้ เพราะหลายองค์กรชอบทำโครงสร้างตายตัว เช่น ทุกโปรเจกต์ต้องมี PM, analyst, designer, dev, tester ครบหมด ทั้งที่บางงานไม่จำเป็น
อีกประเด็นคือการรวมบทบาทที่เคยแยกกันมาก เช่น backend, frontend, testing หรือ product owner กับ product analyst เข้าด้วยกันมากขึ้น พูดอีกแบบคือองค์กรกำลังขยับจากคนที่มีหน้าที่แคบ ไปสู่คนที่ทำงานข้ามเส้นได้กว้างกว่าเดิม
แน่นอน มุมนี้ไม่ได้แปลว่าทุกคนต้องเก่งทุกอย่าง แต่แปลว่าองค์กรต้องให้คนมี “ทักษะติดกัน” มากขึ้น เพื่อให้ของไปถึง production ได้เร็วขึ้นโดยไม่ต้องรอหลายทอด
นี่คือบทเรียนสำคัญสำหรับบริษัทไทยที่ยังติดคอขวดเรื่องอนุมัติ งานค้างรอคนถัดไป หรือมี handoff จนงานหนึ่งชิ้นใช้เวลาหลายสัปดาห์ ทั้งที่จริง AI ทำให้หลายบทบาทขยับมาใกล้กันกว่าเดิมได้
AI ในงานปล่อยกู้ ไม่ได้เริ่มจาก portal ที่สวยขึ้น แต่เริ่มจากรับความจริงว่าลูกค้าไม่เปลี่ยน
ส่วนที่คมมากในบทสนทนานี้คือเรื่อง lending และ underwriting ซึ่งเป็นธุรกิจหลักของธนาคาร กระบวนการนี้ซับซ้อน และไม่ได้ถูกทำให้เป็นอัตโนมัติทั้งหมด ที่สำคัญคือคำขอจำนวนมากยังเข้ามาทางอีเมล ผ่าน broker หรือ introducer ไม่ได้เข้าระบบอย่างเป็นระเบียบตามที่องค์กรอยากให้เป็น
หลายบริษัทเจอสถานการณ์เดียวกัน เช่น ลูกค้าไม่กรอกฟอร์มให้ครบ ส่งข้อมูลผ่าน LINE ส่งไฟล์มั่ว ส่งรายละเอียดมาไม่ครบ แล้วทีมงานต้องตามต่อเอง สัญชาตญาณแรกของหลายองค์กรคือพยายามบังคับให้ลูกค้าเข้าระบบใหม่ แต่ Allica Bank เลือกอีกทาง คือไม่พยายามเปลี่ยนลูกค้าทันที แต่เปลี่ยน process ของตัวเอง
พวกเขาใช้ agent มาช่วยอ่านอีเมล ตรวจว่าข้อมูลไหนขาด และส่งคำถามกลับไปขอข้อมูลเพิ่ม ก่อนที่ข้อมูลจะไหลเข้าระบบหลัก เท่ากับว่า AI ทำหน้าที่เป็นชั้นคัดกรองและเติมข้อมูลให้ครบขึ้น
มุมนี้มีประโยชน์มากกับธุรกิจไทย เพราะหลาย process ยังไม่ได้เริ่มต้นจากระบบที่สมบูรณ์ หากงานยังเข้ามาผ่านแชต อีเมล หรือไฟล์ PDF เราไม่จำเป็นต้องรอระบบใหม่ทั้งหมดก่อนค่อยใช้ AI เราสามารถวาง AI เป็นชั้นกลางเพื่อจัดระเบียบ input ก่อนได้
อีกจุดที่น่าสนใจคือการใช้ทั้ง deterministic และ non-deterministic agents ร่วมกัน ถ้าอธิบายให้ง่ายคือ บางส่วนของงานต้องมีตรรกะตายตัว ตรวจตามกฎแน่นอน แต่อีกบางส่วนต้องใช้ AI ช่วยตีความข้อความไม่เป็นระเบียบ การผสมสองแบบนี้ช่วยให้เวลาตัดสินใจลดลงมาก จนบางเคสลงไปเหลือไม่กี่นาที
อย่างไรก็ดี จุดนี้ต้องตีความให้ตรง ไม่ใช่หมายความว่า AI ควรตัดสินสินเชื่อแทนคนทั้งหมด แต่หมายความว่า AI ช่วยลดงานเตรียมข้อมูล งานตามเอกสาร และงานจัดรูปข้อมูล เพื่อให้คนตัดสินใจเร็วขึ้นในจุดที่เหมาะสม
ธุรกิจที่มี relationship เป็นจุดขาย ไม่ควรรีบแทนคนด้วย chatbot
อีกช่วงที่น่าสนใจมากคือเรื่อง relationship banking ซึ่งเป็นจุดขายหลักของ Allica Bank พวกเขาถกกันภายในว่าควรใช้ AI ในส่วนนี้อย่างไร ทางเลือกง่ายที่สุดคือทำ chatbot แต่สุดท้ายพวกเขาไม่เลือกเส้นนั้นเป็นแกนหลัก เพราะไม่ต้องการให้ AI มาทำลายความสัมพันธ์ที่ลูกค้าให้คุณค่า
แทนที่จะเอา bot ไปแทน relationship manager พวกเขาใช้ AI เพื่อเสริมข้อมูลเชิงลึกให้คนทำงาน เช่น สรุปข้อมูลลูกค้า ดึง context ที่เกี่ยวข้องขึ้นมา ทำให้พนักงานคุยได้ดีขึ้นและใช้เวลาที่มีให้คุ้มกว่าเดิม
นี่เป็นบทเรียนที่ธุรกิจบริการในไทยควรคิดตาม โดยเฉพาะธุรกิจ B2B, อสังหา, ที่ปรึกษา, การเงิน, ประกัน, การศึกษา หรือบริการที่ต้องอาศัยความไว้วางใจสูง ถ้าความสัมพันธ์คือข้อได้เปรียบ การใช้ AI แบบแทนคนทันทีอาจทำให้เสียจุดแข็งเอง
ทางที่น่าจะดีกว่าคือใช้ AI ช่วยให้คนเก่งขึ้น เช่น
- สรุปประวัติลูกค้าก่อนคุย
- เตรียมคำถามติดตามที่ควรถาม
- ดึงประเด็นจากอีเมลและเอกสารเก่า
- จัดลำดับ next best action ให้ทีมขายหรือทีมบริการ
นี่คือการใช้ AI แบบ “เสริมพลัง” มากกว่า “แทนที่” และในหลายธุรกิจ มันเป็นวิธีที่ปลอดภัยกว่าและคุ้มค่ากว่าในช่วงแรก
AI ในองค์กรที่มีข้อกำกับสูง ต้องเร็วโดยไม่หลุด governance
อีกแกนหนึ่งของคลิปคือคำถามว่าองค์กรที่ถูกกำกับอย่างธนาคารจะเดินเร็วได้อย่างไรโดยไม่ติด governance drag หรือแรงหน่วงจากขั้นตอนควบคุมต่าง ๆ คำตอบของเคสนี้ไม่ใช่ลดการกำกับ แต่คือออกแบบทีมให้คนที่จำเป็นต่อการตัดสินใจอยู่ในทีมเดียวกันให้มากที่สุด
เมื่อทีมไม่ต้องโยนงานออกนอกกลุ่มทุกครั้ง การตัดสินใจและการปรับปรุงจึงเร็วขึ้น นี่เป็นหลักคิดที่ใช้ได้กับหลายธุรกิจไทย ไม่เฉพาะสถาบันการเงิน เช่น โรงพยาบาล บริษัทประกัน ธุรกิจที่เกี่ยวกับข้อมูลส่วนบุคคล หรือองค์กรขนาดใหญ่ที่มีขั้นอนุมัติหลายชั้น
ถ้าเรายังออกแบบให้ AI project ต้องวิ่งขออนุมัติทีละฝ่ายตลอดเวลา โปรเจกต์จะค้างตั้งแต่ยังไม่เริ่ม ทางออกไม่ใช่ตัด compliance ทิ้ง แต่คือวางคนด้าน risk, legal, operation หรือ product ให้เข้ามาอยู่ในจังหวะทำงานตั้งแต่ต้น
ในมุมนี้ เคสของ Allica Bank น่าคิดมากเพราะเขาไม่ได้บอกว่า “AI ทำให้ governance หายไป” แต่บอกว่า “โครงสร้างทีมที่ดีทำให้ governance ไม่กลายเป็นภาระเกินจำเป็น”
ทิศทาง 12 ถึง 24 เดือนข้างหน้า คือเพิ่มคุณค่า ไม่ใช่ปั่นตัวเลข
ช่วงท้าย Ravneet Shah พูดชัดว่าเป้าหมายในอีก 6-12 เดือนไม่ใช่แค่เพิ่มจำนวน deployment ให้ดูสวย แม้จะอยากเพิ่มจากเดิมอีกมาก แต่ตัวเลขอย่างเดียวอาจกลายเป็นเกมได้ สิ่งที่สำคัญกว่าคือเพิ่ม product increments ที่ลูกค้าได้ประโยชน์จริง ทั้งฝั่งที่ลูกค้าเห็นโดยตรง และฝั่งภายในอย่าง risk, compliance และ security
มุมนี้ควรถูกขีดเส้นใต้สำหรับทุกบริษัทที่กำลังทำ AI dashboard ถ้าเราวัดกันแค่จำนวน use case จำนวน prompt หรือจำนวนคนสมัครใช้เครื่องมือ เราอาจหลงทางได้ง่าย สิ่งที่ควรวัดจริงคือ
- เวลาในกระบวนการลดลงเท่าไร
- คุณภาพบริการดีขึ้นหรือไม่
- งานที่เคยติดคอขวดถูกปลดล็อกหรือยัง
- ลูกค้าได้รับประสบการณ์ที่ดีขึ้นจริงหรือไม่
- ทีมภายในตัดสินใจเร็วขึ้นหรือเปล่า
นี่คือความต่างระหว่างการ “มี AI” กับการ “ได้ผลจาก AI”
สิ่งที่เราเห็นด้วย และจุดที่ควรระวัง
สิ่งที่น่าเห็นด้วยมากที่สุดในเคสนี้คือการไม่ romanticize AI เกินจริง พวกเขาไม่ได้บอกว่า AI จะมาแทนทุกอย่าง แต่บอกว่ามันทำให้องค์กรต้องคิดใหม่ทั้งเรื่องคน ทีม และผลิตภัณฑ์ ซึ่งเป็นท่าทีที่โตและใช้งานได้จริง
แต่ก็มีจุดที่ธุรกิจทั่วไปต้องระวังเวลานำแนวคิดนี้ไปใช้ อย่างแรกคือไม่ใช่ทุกบริษัทจะรวมบทบาทในทีมได้เร็วเท่ากัน การทำให้ product หรือ design ส่งงานขึ้น production ได้ ต้องมีระบบทดสอบ การกำกับ และวัฒนธรรมทีมที่แข็งแรงพอ ไม่อย่างนั้นจะกลายเป็นเร็วแบบเสี่ยง
อย่างที่สองคือ use case ด้าน lending มีข้อมูลและมูลค่าสูง จึงคุ้มกับการลงทุนทำ agent เฉพาะทาง แต่สำหรับธุรกิจขนาดเล็ก เราอาจไม่ต้องเริ่มด้วยของซับซ้อนขนาดนั้น อาจเริ่มจาก process ที่เสียเวลาคนมากก่อน เช่น การคัด lead การสรุปข้อมูลลูกค้า การจัดเอกสาร หรือการตอบคำถามซ้ำ ๆ
อย่างที่สามคือการใช้ AI ในธุรกิจที่เน้น relationship ต้องระวังไม่ให้ “ความสะดวกขององค์กร” ไปทำลาย “ความไว้ใจของลูกค้า” ถ้า AI ทำให้การสื่อสารดูหุ่นยนต์เกินไป ผลระยะยาวอาจไม่คุ้ม
สำหรับข้อมูลเพิ่มเติมเรื่องแนวคิด agent และการออกแบบระบบ AI ในองค์กร สามารถอ่านภาพรวมได้จาก OpenAI และแนวทางการประเมินความพร้อมด้าน AI adoption ในองค์กรจาก McKinsey QuantumBlack
Actionable Insights
- เริ่มจาก process ที่ข้อมูลเข้าไม่เป็นระเบียบ เช่น อีเมล แชต ไฟล์แนบ หรือฟอร์มที่กรอกไม่ครบ เพราะ AI ช่วยจัดระเบียบจุดนี้ได้เร็ว
- อย่าดัน chatbot ออกไปก่อน ถ้ายังไม่ชัดว่ามันช่วยลูกค้าหรือแค่ลดภาระทีมงาน
- ลด handoff ในทีม งานที่ต้องส่งต่อหลายทอดคือจุดที่ AI ช่วยไม่ได้เต็มที่ถ้าโครงสร้างยังเหมือนเดิม
- วัดผลด้วยเวลา คุณภาพ และรายได้ ไม่ใช่วัดแค่จำนวน use case หรือจำนวนคนใช้เครื่องมือ
- ใช้ AI เพื่อเสริมคนในงานที่ต้องใช้ความสัมพันธ์ ให้ AI เตรียมข้อมูล แต่ให้คนถือบทสนทนาหลัก
Troubleshooting
- ปัญหา: ทีมลองใช้ AI กันเยอะ แต่สุดท้ายไม่เกิดผลในงานจริง
สาเหตุ: ทดลองแบบกระจัดกระจาย ไม่มี use case ที่ผูกกับตัวชี้วัดธุรกิจ
วิธีแก้: เลือก 1 ถึง 2 process ที่เสียเวลามากที่สุด กำหนด baseline ชัดเจน แล้ววัดเวลาที่ลดลงหลังใช้ AI - ปัญหา: ลูกค้าไม่ยอมใช้ portal หรือฟอร์มใหม่
สาเหตุ: องค์กรพยายามบังคับให้ลูกค้าเปลี่ยนพฤติกรรมเร็วเกินไป
วิธีแก้: ให้ AI ช่วยรับข้อมูลจากช่องทางเดิมก่อน เช่น อีเมลหรือแชต แล้วค่อยจัดข้อมูลเข้าระบบหลังบ้าน - ปัญหา: โปรเจกต์ AI ช้าติดการอนุมัติหลายฝ่าย
สาเหตุ: คนที่ต้องตัดสินใจไม่ได้อยู่ในทีมเดียวกัน
วิธีแก้: ตั้งทีมย่อยที่มีคนจาก product, operation, risk และผู้ตัดสินใจหลักอยู่ร่วมกันตั้งแต่ต้น - ปัญหา: ใช้ AI แล้วคุณภาพคำตอบไม่นิ่ง
สาเหตุ: เอา AI ไปทำงานที่ควรใช้กฎตายตัวทั้งหมด
วิธีแก้: แยกส่วนงานที่ต้อง deterministic logic ออกจากส่วนที่ต้องตีความ แล้วออกแบบ workflow แบบผสม - ปัญหา: ทีมบริการลูกค้ากังวลว่า AI จะมาแทนคน
สาเหตุ: สื่อสารเป้าหมายไม่ชัดว่าต้องการให้ AI ช่วยอะไร
วิธีแก้: เริ่มจาก use case ที่ช่วยพนักงานก่อน เช่น สรุปข้อมูลลูกค้า เตรียมตอบคำถาม และดึงประเด็นสำคัญ
การต่อยอด
- สร้าง AI assistant ภายในสำหรับทีมขายหรือทีมดูแลลูกค้า ที่ดึงข้อมูลจาก CRM, อีเมล และเอกสารเก่ามาสรุปให้ก่อนคุยงาน
- ทำ workflow คัดกรอง lead หรือคำขอเข้ามาแบบอัตโนมัติ โดยให้ AI ช่วยเติมข้อมูลที่ขาดและจัดระดับความพร้อมของเคส
- ออกแบบ dashboard ใหม่ที่วัดผล AI ตาม business outcome เช่น เวลาปิดงาน เวลาตัดสินใจ และ conversion ไม่ใช่แค่ adoption
สรุป Checklist ทั้งหมด
- ☐ ระบุ process ที่ติดคอขวดจริงก่อนเลือกเครื่องมือ AI
- ☐ แยก use case เป็น 3 ชั้น คือ งานทั้งองค์กร, workflow ของทีมหลัก, และบริการใหม่
- ☐ ตรวจว่ามี handoff จุดไหนที่ทำให้งานช้า
- ☐ ตั้งทีมย่อยให้มีคนตัดสินใจครบในทีมเดียวกัน
- ☐ เลือก process ที่ข้อมูลเข้ามาไม่เป็นระเบียบเป็นจุดเริ่มต้น
- ☐ ใช้ AI จัดระเบียบ input ก่อนส่งเข้าระบบหลัก
- ☐ แยกส่วนที่ต้องใช้กฎตายตัวออกจากส่วนที่ต้องใช้ AI ตีความ
- ☐ อย่ารีบเอา chatbot ไปแทนงานที่ความสัมพันธ์ยังสำคัญ
- ☐ ใช้ AI เสริมทีมงานให้มี context ก่อนคุยลูกค้า
- ☐ วัดผลจากเวลา คุณภาพ และผลลัพธ์ทางธุรกิจ
- ☐ ทบทวนเสมอว่า AI ที่ทำอยู่เพิ่มคุณค่าให้ลูกค้าจริงหรือแค่เพิ่มกิจกรรมภายใน
ถ้าสรุปบทเรียนจาก Allica Bank ให้เหลือประโยคเดียว มันคือ AI ให้ผลดีที่สุดเมื่อองค์กรยอมเปลี่ยนวิธีทำงาน ไม่ใช่แค่เพิ่มเครื่องมือใหม่เข้าไป ธุรกิจไทยที่อยากเอา AI ไปใช้จริงจึงไม่จำเป็นต้องเริ่มใหญ่ แต่ควรเริ่มตรงจุดที่งานติดขัดที่สุด แล้วค่อยออกแบบทีมและ workflow ใหม่ให้เหมาะกับโลกที่ AI เข้ามาเป็นเพื่อนร่วมงานอีกคนหนึ่งแล้ว