สรุปจากคลิป ดูคลิปต้นฉบับ

ระยะถัดไปงานการเงินกับ AI เมื่อ CFO ของ OpenAI พูดชัดว่าทีมเล็กทำได้มากขึ้น

งานการเงินกำลังเปลี่ยนจากการไล่เก็บข้อมูลและกรอกเอกสาร ไปสู่การใช้เวลามากขึ้นกับการคิด วิเคราะห์ และตัดสินใจ นี่คือแก่นสำคัญจากบทสนทนาของ Sarah Friar, CFO ของ OpenAI บนช่อง OpenAI ร่วมกับ Jagdeep Singh Bachher จาก University of California ที่พูดเรื่องระยะถัดไปของการเงิน การทำงาน และทักษะที่สำคัญเมื่อ AI เข้ามาอยู่ใน workflow จริง

สิ่งที่น่าสนใจไม่ใช่แค่การโชว์ว่า AI ทำอะไรได้ แต่คือวิธีคิดของทีมการเงินระดับโลกที่เริ่มต้นจากของเล็กๆ แล้วค่อยขยายไปสู่การเป็นองค์กรที่ทำงานแบบ AI native มากขึ้นเรื่อยๆ สำหรับเจ้าของธุรกิจไทยและคนทำงานสายธุรกิจ บทสนทนานี้มีบทเรียนชัดมากว่า เราไม่จำเป็นต้องเป็น developer ก็ใช้ AI ให้เกิดผลลัพธ์จริงได้ หากเริ่มจากงานที่ซ้ำ งานที่ช้า และงานที่คนไม่ควรเสียเวลาอยู่กับมันอีกต่อไป

จากคลิปของ OpenAI เรื่องระยะถัดไปของการเงิน บทความนี้จะสรุปและวิเคราะห์สิ่งที่สำคัญที่สุด พร้อมแปลงให้เห็นภาพว่า ถ้าเอามาใช้กับธุรกิจไทย เราควรเริ่มตรงไหน และควรระวังอะไรบ้าง

สารบัญ

• เส้นทางอาชีพไม่จำเป็นต้องตรง แต่ต้องสะสมทักษะที่ย้ายข้ามงานได้
• 3 ทักษะที่สำคัญกว่าเดิมเมื่อ AI เข้ามาในงาน
• วิธีเอาชนะความกลัว AI ไม่ใช่รู้ให้หมด แต่ต้องเริ่มให้ไว
• AI เปลี่ยนงานการเงินอย่างไรบ้าง จากไอเดียสู่การใช้งานจริง
• ทีมเล็กไม่ได้แปลว่าทำได้น้อย ถ้าใช้ AI เป็นตัวคูณ
• แม้ AI จะเก่งขึ้น แต่การระดมทุนและความเป็นผู้นำยังยืนอยู่บนความไว้วางใจ
• มหาวิทยาลัย องค์กร และห้องเรียน ต้องหยุดคิดแบบ “ห้ามใช้ AI”
• Actionable Insights
• Troubleshooting
• การต่อยอด
• สรุป Checklist ทั้งหมด
• สรุป

เส้นทางอาชีพไม่จำเป็นต้องตรง แต่ต้องสะสมทักษะที่ย้ายข้ามงานได้

Sarah Friar เล่าเส้นทางของตัวเองจากพื้นฐานวิศวกรรม ไปทำงานบัญชี การเงิน ที่ปรึกษา ธนาคาร การบริหารบริษัท และมาถึงบทบาท CFO ของ OpenAI ประเด็นนี้ฟังดูเหมือนเรื่องส่วนตัว แต่จริงๆ มีความหมายมากกับโลกงานยุค AI

บทเรียนสำคัญคือ อาชีพไม่ได้เดินเป็นเส้นตรง และยิ่งโลกเปลี่ยนเร็ว เราจะยิ่งพึ่งตำแหน่งงานเดิมๆ น้อยลง แต่จะพึ่ง ทักษะพื้นฐานที่ย้ายข้ามบทบาทได้ มากขึ้น เช่น การคิดเชิงระบบ การตั้งคำถาม การสื่อสาร การตัดสินใจบนข้อมูล และการเรียนรู้ของใหม่เร็ว

สำหรับธุรกิจไทย นี่คือจุดที่หลายทีมยังติดอยู่กับการรับคนตามชื่อตำแหน่งมากกว่าความสามารถจริง เช่น อยากได้ “admin ที่ทำทุกอย่าง” หรือ “นักการตลาดที่เก่งทุกแพลตฟอร์ม” แต่เมื่อ AI เข้ามา งานจำนวนมากจะถูกแยกออกเป็น 2 ส่วนชัดขึ้น คือ ส่วนที่เครื่องช่วยได้ และส่วนที่มนุษย์ยังต้องใช้วิจารณญาณ ดังนั้นการมองหาคนจาก title อย่างเดียวจะยิ่งไม่พอ

มุมนี้เราเห็นด้วยมาก และคิดว่ามันใช้ได้ดีกับ SME ไทย เพราะหลายธุรกิจไม่ได้มี luxury ในการจ้างทีมใหญ่ การสร้างคนที่ยืดหยุ่นและเรียนรู้เร็ว จึงคุ้มกว่าการหาคนที่เก่งแค่งานแบบเดิม

3 ทักษะที่สำคัญกว่าเดิมเมื่อ AI เข้ามาในงาน

1) Curiosity หรือความอยากรู้

Sarah เน้นว่าความกลัวมักมาจากการไม่เข้าใจ เมื่อไม่รู้ว่าเครื่องมือใหม่ทำอะไรได้ คนก็มีแนวโน้มจะหลีกเลี่ยง แต่พอลองใช้จริง ความกลัวจะลดลงเอง เธอยกตัวอย่างการลองใช้เครื่องมือ agentic ของ OpenAI แล้วเจอปัญหา ก่อนจะพบว่าบางครั้งแค่สั่งให้มันช่วยแก้ตัวเอง ระบบก็ทำงานต่อได้

ประเด็นนี้สำคัญมาก เพราะการใช้ AI ไม่ได้แปลว่าเราต้องรู้ทุกฟีเจอร์ก่อนเริ่ม ตรงกันข้าม หลายครั้งการเรียนรู้เกิดจากการลองถาม ลองผิด ลองให้ระบบอธิบายวิธีใช้กลับมาให้เรา

สำหรับคนทำงานไทย คำถามที่ควรถามไม่ใช่ “AI ตัวไหนเก่งที่สุด” แต่คือ “งานไหนของเราที่น่าเบื่อ ซ้ำ และกินเวลาเกินเหตุ” ถ้าตอบข้อนี้ได้ เราจะเริ่มใช้ AI ได้ทันที

2) Adaptability หรือการปรับตัว

เธอมองโลกแบบไม่สุดโต่ง ไม่เชื่อว่า AI จะไม่กระทบอะไรเลย และก็ไม่เชื่อว่าจะมาแย่งงานทุกคน สิ่งที่จะเกิดขึ้นจริงมี 3 แบบ

• บางงานจะถูกแทนที่ เพราะเป็นงานซ้ำและเป็นขั้นตอน
• หลายงานจะเปลี่ยนรูปแบบไปอย่างชัดเจน
• งานใหม่อีกจำนวนมากจะเกิดขึ้นจนเรายังจินตนาการไม่ออก

นี่เป็นกรอบคิดที่ใช้กับธุรกิจไทยได้ตรงมาก เช่น ฝ่ายบัญชีอาจไม่ต้องใช้เวลาเยอะกับการคีย์ข้อมูลเหมือนเดิม แต่ต้องเก่งขึ้นเรื่องตรวจสอบความถูกต้องและตีความตัวเลข ฝ่ายการตลาดอาจไม่ต้องเริ่มจากหน้าเปล่า แต่ต้องเก่งขึ้นเรื่อง direction และ judgment

3) Kindness หรือความมีน้ำใจ

ฟังดูไม่เหมือนทักษะ AI แต่ Sarah กลับย้ำว่าเรื่องนี้สำคัญมาก เพราะในท้ายที่สุด โลกการทำงานยังเป็นเรื่องของคน การช่วยเหลือกัน ความเข้าใจคนอื่น และการสร้างความสัมพันธ์ จะยิ่งมีค่าเมื่อระบบอัตโนมัติทำงานเชิงกลไกแทนคนได้มากขึ้น

ตรงนี้เราเห็นด้วยแบบไม่มีเงื่อนไข ยิ่งเครื่องมือฉลาดขึ้น ความเป็นมนุษย์ยิ่งกลายเป็นสิ่งที่แยกคนเก่งออกจากคนที่แค่ใช้ tool เป็น

วิธีเอาชนะความกลัว AI ไม่ใช่รู้ให้หมด แต่ต้องเริ่มให้ไว

อีกมุมที่น่าสนใจคือวิธีจัดการกับความกลัว เธอมองว่าความกลัวคือพลังงานแบบหนึ่ง ถ้าเปลี่ยนจากการหนีไปเป็นการใช้มันให้เกิดการทดลอง ความกลัวจะกลายเป็นแรงขับแทนแรงต้าน

นี่เป็นบทเรียนที่เจ้าของธุรกิจไทยเอาไปใช้ได้เลย เพราะหลายองค์กรยังติดกับดักว่า ต้องมีแผน AI ที่สมบูรณ์ก่อนค่อยเริ่ม แต่ในความจริง บริษัทที่ไปได้เร็ว มักเริ่มจากการทดลองเล็กๆ ในทีมที่พร้อม ไม่ใช่เริ่มจากโครงการยักษ์

ถ้าในองค์กรเรายังมีประโยคแบบ “เดี๋ยวรอให้ชัดก่อน” มากเกินไป นั่นมักแปลว่าเรากำลังปล่อยให้คนอื่นสะสมประสบการณ์นำหน้าไปเรื่อยๆ

AI เปลี่ยนงานการเงินอย่างไรบ้าง จากไอเดียสู่การใช้งานจริง

ส่วนที่มีน้ำหนักมากที่สุดของบทสนทนาคือสิ่งที่ทีมการเงินของ OpenAI ใช้อยู่จริง ไม่ใช่ภาพฝันลอยๆ แต่เป็น use case ที่ชัดและเอาไปประยุกต์ได้

เริ่มจาก hackathon เพื่อเปิดพื้นที่ให้คนหยุดแล้วเรียน

ทีมการเงินของ OpenAI จัด hackathon รายไตรมาส เพื่อให้ทีมได้มีเวลาลองใช้เครื่องมือใหม่ เพราะปัญหาคลาสสิกของทุกองค์กรคือ “ยุ่งเกินกว่าจะเรียนของใหม่” ซึ่งฟังดูสมเหตุสมผล แต่จริงๆ มันทำให้ทีมติดอยู่กับงานเดิมตลอดไป

มุมนี้สำคัญกับบริษัทไทยมาก ถ้าเราอยากให้คนใช้ AI แต่ไม่เคยกันเวลาให้เรียนรู้เลย สุดท้ายก็จะไม่มีใครใช้จริง หรือใช้แบบผิวเผิน

สร้าง custom GPT สำหรับนักลงทุนสัมพันธ์

หนึ่งในตัวอย่างที่ชัดที่สุดคือการสร้าง GPT เฉพาะทางสำหรับงาน investor relations โดยป้อนข้อมูลสำคัญทั้งหมด เช่น เอกสารนำเสนอ ข้อมูลตรวจสอบ เอกสารตอบคำถามต่างๆ เพื่อให้ทีมตอบคำถามนักลงทุนได้เร็วและสม่ำเสมอขึ้น

จุดที่น่าจำคือ ไม่ได้ปล่อยให้ระบบตอบแบบอิสระ แต่กำหนดบุคลิกและข้อจำกัดไว้ชัด เช่น ต้องยึดข้อเท็จจริง ต้องตอบด้วยน้ำเสียงเชิงบวกแต่ไม่ขายเกินจริง และถ้าไม่รู้ต้องยอมรับว่าไม่รู้

นี่คือหัวใจของการใช้ AI ในธุรกิจ ไม่ใช่แค่มีข้อมูลเยอะ แต่ต้อง กำหนดขอบเขตการตอบให้ชัด ด้วย

ถ้าแปลงมาเป็นธุรกิจไทย ตัวอย่างที่ใกล้ตัวมากคือ

• GPT สำหรับตอบคำถามลูกค้าโดยอิงจากคู่มือสินค้าและ FAQ
• GPT สำหรับทีมขายที่ดึงข้อมูลราคา โปรโมชั่น และข้อเปรียบเทียบสินค้า
• GPT สำหรับ HR ที่ตอบนโยบายบริษัทและขั้นตอนเอกสาร

ถ้าทำดีๆ เราจะได้ความเร็วเพิ่มขึ้นโดยไม่เสียมาตรฐานการสื่อสาร

จากการสุ่มตรวจ ไปสู่การตรวจทุกเอกสาร

อีกตัวอย่างที่ทรงพลังมากคือเรื่อง audit แบบดั้งเดิมที่มักใช้การสุ่มตัวอย่าง เช่น มีใบแจ้งหนี้ 1,000 ใบ ก็สุ่มดูเพียงบางส่วน เพราะคนและเวลาไม่พอ แต่เมื่อมี AI หรือ agent เข้ามา เราสามารถตรวจครบทุกใบได้

นี่คือการเปลี่ยนจากโลกที่มีทรัพยากรจำกัด ไปสู่โลกที่มี “ความสามารถในการตรวจสอบ” มากกว่าที่เคยเป็น

สิ่งที่น่าสนใจคือ AI ไม่ได้แค่ช่วยประหยัดเวลา แต่มันอาจปรับมาตรฐานการควบคุมภายในด้วย สำหรับบริษัทไทยที่มีงานเอกสารเยอะ เช่น ค้าส่ง โลจิสติกส์ โรงงาน หรือธุรกิจที่มีสาขาจำนวนมาก ประเด็นนี้มีมูลค่าสูงมาก เพราะความผิดพลาดเล็กๆ ที่เกิดซ้ำอาจแปลเป็นต้นทุนก้อนใหญ่ได้

งานภาษีที่เคยเสียเวลา กลายเป็นงานตรวจเชิงกลยุทธ์

ทีมภาษีของ OpenAI ใช้ AI ช่วยดึงแบบฟอร์มภาษีจากหน่วยงานต่างๆ ทำความเข้าใจโครงสร้างของแบบฟอร์ม และกรอกข้อมูลให้ล่วงหน้าโดยอัตโนมัติ สิ่งที่เคยเป็นงานจุกจิก เช่น การไล่หาฟอร์มเวอร์ชันล่าสุดหรือกรอกข้อมูลลงช่องที่ถูกต้อง จึงถูกส่งต่อให้เครื่อง

ผลลัพธ์คือคนในทีมภาษีมีเวลามากขึ้นไปโฟกัสกับคำถามที่สำคัญกว่า เช่น ตัวเลขถูกไหม แนวทางนี้ดีที่สุดต่อธุรกิจหรือยัง มีโอกาสปรับการวางแผนภาษีหรือไม่

นี่คือภาพที่เจ้าของธุรกิจควรจำให้ขึ้นใจ AI ไม่ได้มีไว้ให้ “คนน้อยลง” อย่างเดียว แต่มันมีไว้ให้ งานคนมีมูลค่าสูงขึ้น ถ้าองค์กรใช้มันถูกทาง

ทีมเล็กไม่ได้แปลว่าทำได้น้อย ถ้าใช้ AI เป็นตัวคูณ

อีกประเด็นที่น่าคิดคือ ทีมการเงินของ OpenAI มีราว 200 คน ซึ่งถือว่า lean มากเมื่อเทียบกับขนาดธุรกิจระดับโลก แต่ในบางด้านกลับสามารถเพิ่มบทบาทใหม่อย่างทีมวิจัยเศรษฐกิจหรือทีม pricing ได้ เพราะ AI ช่วยลดภาระงานบางส่วนลง

แปลเป็นภาษาธุรกิจง่ายๆ คือ ถ้าเราเอาแรงคนไปจมกับงาน routine น้อยลง เราจะเอาทรัพยากรไปลงกับงานที่สร้าง insight มากขึ้นได้

หลายธุรกิจไทยมักคิดว่า ถ้าจะโตต้องเพิ่มคนก่อน แต่บางครั้งลำดับที่ควรถามคือ เราปล่อยให้คนเก่งๆ ใช้เวลาทำงานที่ไม่ควรทำอยู่หรือเปล่า ถ้าใช่ การเพิ่ม AI อาจคุ้มกว่าการเพิ่ม headcount

สำหรับใครที่อยากอ่านงานวิเคราะห์ฝั่งเศรษฐศาสตร์เกี่ยวกับผลกระทบของ AI เพิ่มเติม สามารถดูบทความจาก OpenAI News และงานวิจัยจากองค์กรอย่าง McKinsey หรือ Gartner เพื่อเทียบมุมมองได้

แม้ AI จะเก่งขึ้น แต่การระดมทุนและความเป็นผู้นำยังยืนอยู่บนความไว้วางใจ

แม้เธอจะเล่าตัวอย่างการใช้ AI กับงานการเงินอย่างจริงจัง แต่เมื่อพูดถึง fundraising กลับย้ำชัดว่า สิ่งที่ยังไม่เปลี่ยนคือ คนยังลงทุนกับคน ความไว้วางใจ ความซื่อตรง และความสัมพันธ์ยังเป็นแกนหลัก

นี่เป็นจุดที่ควรขีดเส้นใต้ เพราะกระแส AI มักทำให้หลายองค์กรเผลอคิดว่าทุกอย่างต้องถูกทำให้เป็นอัตโนมัติ แต่ในความเป็นจริง งานที่อาศัยความเชื่อมั่นสูง เช่น การขายดีลใหญ่ การเจรจาพาร์ตเนอร์ การระดมทุน หรือการนำทีม ยังต้องอาศัยการปะทะกันของความคิดและความเป็นมนุษย์

ถ้าจะสรุปแบบตรงๆ คือ AI ช่วยให้เราเตรียมตัวดีขึ้น แต่ยังแทนความน่าเชื่อถือไม่ได้

มหาวิทยาลัย องค์กร และห้องเรียน ต้องหยุดคิดแบบ “ห้ามใช้ AI”

อีกส่วนที่คมมากคือมุมมองเรื่องการศึกษา Sarah มองว่าการพยายามจับผิดว่าใครใช้ AI หรือไม่ อาจเป็นการถามผิดคำถาม จุดสำคัญกว่าคือจะออกแบบงานอย่างไรให้สะท้อนความคิดจริงของผู้เรียน และใช้เครื่องมือเป็นส่วนหนึ่งของกระบวนการเรียนรู้ได้

แนวคิดนี้ใช้กับองค์กรได้เหมือนกัน ถ้าเรายังบริหารแบบวัดว่าพนักงาน “ทำเองทั้งหมด” หรือไม่ เราอาจกำลังยึดติดกับวิธีทำงานแบบเก่า แต่ถ้าเราวัดที่คุณภาพของความคิด ความถูกต้อง และผลลัพธ์ เราจะออกแบบงานใหม่ได้ดีกว่า

อย่างไรก็ตาม เรามีข้อสังเกตเพิ่มว่า การเปิดให้ใช้ AI ไม่ได้แปลว่าปล่อยอิสระจนไม่มีมาตรฐาน องค์กรยังต้องกำหนดกติกาเรื่องข้อมูลลับ การตรวจทาน และขอบเขตการใช้งานให้ชัด ไม่เช่นนั้นความเร็วที่ได้มาอาจแลกกับความเสี่ยงที่แพงกว่า

Actionable Insights

• เลือก 3 งานที่ซ้ำมากที่สุดในทีม แล้วทดลองใช้ AI ภายใน 2 สัปดาห์
• สร้าง internal GPT จากเอกสารที่มีอยู่แล้ว เช่น FAQ คู่มือ สคริปต์ขาย หรือ SOP
• กันเวลาเรียนรู้ AI ให้ทีมแบบจริงจัง อย่างน้อยเดือนละ 1 ครั้ง
• กำหนดกติกาเรื่องข้อมูลที่ห้ามใส่ใน AI ก่อนขยายการใช้งาน
• วัดผลจากเวลาที่ประหยัดได้และคุณภาพการตัดสินใจ ไม่ใช่แค่จำนวน prompt

Troubleshooting

• ปัญหา: ทีมไม่ยอมใช้ AI

สาเหตุ: รู้สึกว่ายุ่งเกินกว่าจะเรียนของใหม่

วิธีแก้: กันเวลาทดลองแบบเป็นทางการ จัด session สั้นๆ และเริ่มจาก use case ที่ช่วยลดงานจุกจิกทันที

• ปัญหา: คำตอบจาก AI ฟังดูดีแต่ใช้จริงไม่ได้

สาเหตุ: ไม่มีข้อมูลอ้างอิงหรือไม่ได้กำหนดขอบเขตการตอบ

วิธีแก้: ป้อนเอกสารที่เชื่อถือได้ ระบุโทนการตอบ และสั่งให้ระบบบอกตรงๆ เมื่อไม่รู้

• ปัญหา: ใช้ AI แล้วประหยัดเวลาไม่มาก

สาเหตุ: เลือกงานผิด เช่น งานที่ยังต้องใช้ judgment สูงทุกขั้น

วิธีแก้: เริ่มจากงานที่เป็น pattern ชัด เช่น สรุปข้อมูล ตอบคำถามซ้ำ ตรวจเอกสารเบื้องต้น

• ปัญหา: ผู้บริหารกังวลเรื่องความถูกต้อง

สาเหตุ: มอง AI เป็นผู้ตัดสินใจแทนคน

วิธีแก้: วาง AI เป็นผู้ช่วยร่างและช่วยตรวจ ส่วนการอนุมัติขั้นสุดท้ายยังเป็นของคน

• ปัญหา: กลัวข้อมูลหลุด

สาเหตุ: ยังไม่มี policy การใช้งาน

วิธีแก้: แยกประเภทข้อมูล ห้ามใส่ข้อมูลลับลงระบบสาธารณะ และใช้เครื่องมือที่องค์กรอนุมัติเท่านั้น

การต่อยอด

• ทำ AI assistant สำหรับเจ้าของธุรกิจที่สรุปยอดขาย ต้นทุน และกระแสเงินสดทุกเช้า
• สร้าง workflow ตรวจเอกสารบัญชีหรือใบแจ้งหนี้ก่อนเข้าระบบ เพื่อลดข้อผิดพลาดตั้งแต่ต้นทาง
• ออกแบบ knowledge base กลางของบริษัท แล้วใช้ AI เป็นชั้นค้นหาและตอบคำถามให้ทุกทีม

สรุป Checklist ทั้งหมด

• ระบุงานซ้ำ งานช้า และงานที่คนไม่ควรเสียเวลาทำเอง
• เลือก use case เล็ก 1-3 อย่างเพื่อเริ่มก่อน
• รวบรวมเอกสารความรู้ที่เชื่อถือได้ขององค์กร
• สร้าง GPT หรือ workflow สำหรับงานเฉพาะ
• กำหนดโทน ขอบเขต และกรณีที่ AI ต้องตอบว่าไม่รู้
• ตั้งคนตรวจทานผลลัพธ์ในช่วงแรก
• กันเวลาให้ทีมทดลองและแชร์สิ่งที่ได้เรียนรู้
• วัดผลจากเวลาที่ลดลง คุณภาพงานที่ดีขึ้น และ insight ที่เพิ่มขึ้น
• ทำ policy เรื่องข้อมูลลับและการใช้งาน AI ให้ชัด
• ขยายจากงาน routine ไปสู่งานวิเคราะห์และการตัดสินใจ

สรุป

สิ่งที่บทสนทนานี้ทำได้ดีมาก คือทำให้เราเห็นว่า AI ในงานการเงินไม่ใช่เรื่องไกลตัว และไม่ใช่เรื่องของ developer เท่านั้น แต่มันคือเรื่องของการออกแบบงานใหม่ให้คนใช้เวลาไปกับสิ่งที่มีมูลค่าสูงกว่าเดิม

สำหรับเจ้าของธุรกิจและคนทำงานไทย ข้อสรุปที่ชัดที่สุดมี 3 ข้อ หนึ่ง อย่ารอให้รู้ทุกอย่างก่อนเริ่ม สอง เริ่มจากงานเล็กที่เจ็บจริง และสาม อย่าหลงคิดว่า AI จะมาแทนความไว้วางใจ ความสัมพันธ์ และวิจารณญาณของคนได้ทั้งหมด

ระยะถัดไปของงานการเงินกับ AI จึงไม่ใช่เรื่องว่าคนหรือเครื่องจะชนะกัน แต่คือองค์กรไหนออกแบบให้คนกับเครื่องทำงานร่วมกันได้ดีกว่ากันต่างหาก