ข้ามไปบทความ

BBVA ใช้ AI ทั้งองค์กรอย่างไร ไม่ใช่แค่ซื้อเครื่องมือมาเพิ่ม

กรณี BBVA วาง AI ไว้ในงานหลักขององค์กร ผ่านกรอบหุ่นยนต์หกบทบาท ทีมดูแลการใช้งาน และการวัดผลจากผู้บริหารถึงหน้างาน พร้อมบทเรียนที่ธุรกิจไทยปรับใช้ได้

โดย Insiderly
video thumbnail for 'Customer Ignite Talk: Antonio Bravo Acin (Global Head of AI Transformation, BBVA) & OpenAI'
ภาพจาก วิดีโอต้นทาง
เผยแพร่:

เรียบเรียงจากบทสนทนา Antonio Bravo Acin ของ BBVA บนเวที OpenAI และบทความ VideoToBlog วันที่ 11 มิถุนายน 2026 ซึ่งเป็นวันที่บทความต้นทาง จำนวนพนักงานและสิทธิ์ใช้งานกว่า 120,000 ราย สัดส่วนเวลา 20–25 เปอร์เซ็นต์ และผลลดเวลางาน 70–80 เปอร์เซ็นต์เป็นคำกล่าวในกรณีศึกษาขณะนั้น ไม่ใช่ผลตรวจสอบอิสระหรือผลที่รับประกันกับองค์กรอื่น ชื่อบทบาทในเนื้อหาเป็นคำอธิบายของต้นฉบับ ส่วนภาพแสดงชื่อบนสไลด์จริง ตัวอย่างธุรกิจไทยเป็นการประยุกต์ของผู้เขียนต้นทาง · วิดีโอต้นทาง

หลายองค์กรพูดเรื่อง AI เหมือนกำลังซื้อซอฟต์แวร์ตัวใหม่ แต่สิ่งที่ BBVA ทำต่างออกไปชัดเจน เพราะเขาไม่ได้มอง AI เป็น add-on ที่เอามาไว้ตอบคำถามหรือช่วยงานเล็กๆ น้อยๆ เท่านั้น เขามองมันเป็นชั้นการทำงานใหม่ของทั้งองค์กร

จากเวทีของ OpenAI ในคลิป Customer Ignite Talk: Antonio Bravo Acin (Global Head of AI Transformation, BBVA) & OpenAI สิ่งที่น่าสนใจไม่ใช่แค่ว่า BBVA แจก ChatGPT Enterprise ให้พนักงานกว่า 120,000 คน แต่คือวิธีคิดเบื้องหลังว่า จะทำอย่างไรให้ AI ผูกกับงานหลักของธุรกิจจริง ไม่หลุดไปเป็นโปรเจกต์ทดลองของทีมเทคอย่างเดียว

สำหรับเจ้าของธุรกิจและคนทำงานไทย ประเด็นสำคัญของคลิปนี้ไม่ใช่เรื่องธนาคารระดับโลกอย่างเดียว แต่คือกรอบคิดที่นำมาปรับใช้ได้กับทุกองค์กรที่อยากใช้ AI แบบจริงจัง ตั้งแต่การเลือก use case การสร้างแรงขับจากผู้บริหาร การวัด adoption ไปจนถึงการยอมรับว่า AI ต้องมีทั้ง top-down และ bottom-up พร้อมกัน

สารบัญ

AI ที่ฝังในธุรกิจ ต้องเริ่มจากโจทย์ธุรกิจ ไม่ใช่เริ่มจากเทคโนโลยี

Antonio Bravo อธิบายชัดว่าแผน AI ของ BBVA ไม่ได้ถูกขับด้วยทีม data หรือทีม AI เพียงฝ่ายเดียว แต่เกิดจากการร่วมกันกำหนดกับผู้บริหารและหน่วยธุรกิจในหลายประเทศ เป้าคือเชื่อม AI เข้ากับจุดที่สร้างผลกระทบต่อ value chain ของธนาคารจริง

นี่เป็นบทเรียนที่สำคัญมาก เพราะหลายบริษัทในไทยเริ่มจากคำถามว่า “จะใช้ model ไหน” หรือ “จะซื้อ license เจ้าไหนดี” แต่คำถามแรกที่ควรถามคือ ธุรกิจอยากให้ AI ไปขยับตัวเลขไหน เช่น รายได้ ต้นทุน ความเร็วในการบริการ คุณภาพงาน หรือเวลาของคนในทีม

ถ้าเริ่มผิดจุด AI จะกลายเป็นของเล่นราคาแพง แต่ถ้าเริ่มจากงานหลักขององค์กร มันจะกลายเป็นเครื่องยนต์ตัวใหม่ของธุรกิจ

สไลด์แผน AI ของ BBVA แสดงหุ่นยนต์ 6 ส่วนและเสาหลักสนับสนุน
ภาพจาก วิดีโอต้นทาง

กรอบ 6 Robots และ 2 เสาหลัก ที่ทำให้ AI ไม่กระจัดกระจาย

BBVA ใช้โครงสร้างที่เรียกว่า 6 robots และมี 2 เสาหลักคอยรองรับ แนวคิดนี้น่าสนใจมากเพราะมันช่วยจัดระเบียบ AI ทั้งองค์กรให้คนเข้าใจตรงกันว่า AI จะไปอยู่ตรงไหนและทำอะไร

1) Retail Robot

เป้าหมายคือยกระดับประสบการณ์ลูกค้าบนช่องทางดิจิทัล จากเดิมที่ธนาคารลงทุนกับ mobile เป็นหลัก ก็ขยับไปสู่ประสบการณ์แบบสนทนาและรองรับอุปกรณ์ที่หลากหลายขึ้นในอนาคต

แปลเป็นภาษาธุรกิจไทยง่ายๆ คือ ถ้าเรามีแอป เว็บไซต์ หรือ LINE OA AI ไม่ควรมีหน้าที่แค่ตอบ FAQ แต่ควรช่วยพาลูกค้าไปถึงเป้าหมาย เช่น สมัครบริการ ขอสินเชื่อ เช็กสถานะ หรือเลือกสินค้าได้ไวขึ้น

2) Banker Relationship Robot

ในกลุ่มลูกค้าที่ต้องอาศัยการให้คำแนะนำ เช่น ลูกค้าองค์กร ลูกค้ารายใหญ่ หรือลูกค้า private banking ธนาคารพบว่าเวลาที่พนักงานใช้กับลูกค้าจริงมีเพียงราว 20 ถึง 25 เปอร์เซ็นต์ ที่เหลือหมดไปกับงานประกอบอื่นๆ

AI จึงถูกใช้เพื่อคืนเวลาให้คนทำงานได้ใช้เวลากับลูกค้ามากขึ้น ถ้ามองในไทย นี่ใช้ได้กับทีมขาย B2B ทีม account management ทีมที่ปรึกษา หรือแม้แต่เอเจนซี ทุกที่ที่คนเก่งใช้เวลามากเกินไปกับการเตรียมเอกสาร สรุปข้อมูล และอัปเดตระบบ

3) Risk Robot

ธนาคารเอา AI ไปช่วยนักวิเคราะห์ความเสี่ยงให้วิเคราะห์ได้ดีขึ้นและเร็วขึ้น เพื่อให้กระบวนการอนุมัติหรือประเมินความเสี่ยงลื่นขึ้นด้วย

สำหรับธุรกิจทั่วไป แนวคิดนี้เทียบได้กับการใช้ AI ช่วยทีมการเงิน ฝ่ายตรวจสอบ ฝ่ายจัดซื้อ หรือทีม compliance ที่ต้องอ่านข้อมูลจำนวนมากและตัดสินใจจากเอกสารหลายชุด

4) Back Office and Process Robot

ส่วนนี้ครอบคลุมงานเอกสาร การดึงข้อมูล การจัดหมวดหมู่ และงานหลังบ้านที่มี paperwork จำนวนมาก เช่น สินเชื่อ ประกัน หรือเอกสารธุรการ

นี่คือ use case ที่ธุรกิจไทยเริ่มทำได้เร็วที่สุด เพราะงานหลังบ้านมีรูปแบบซ้ำๆ ชัดเจน และวัดผลได้ง่าย เช่น ลดเวลาคีย์ข้อมูล ลดงานตรวจเอกสาร ลดข้อผิดพลาดจากงานมือ

5) Software Development Robot

BBVA ใช้ AI เพื่อช่วยนักพัฒนาซอฟต์แวร์ให้ทำงานเร็วขึ้น เคลียร์ backlog ที่สะสมอยู่ และเพิ่ม productivity

แม้หลายบริษัทไทยจะไม่มีทีม developer ใหญ่ระดับธนาคาร แต่แก่นของเรื่องนี้คือ เอา AI ไปช่วยทีมที่เป็นคอขวด ถ้าบริษัทไม่ได้คอขวดที่ dev แต่อยู่ที่การตลาด ฝ่ายขาย หรือ operation เราก็ควรใช้หลักเดียวกันกับทีมเหล่านั้น

6) Connected Robot

นี่คือส่วนที่น่าสนใจที่สุด เพราะ BBVA ไม่ได้จำกัด AI ไว้กับทีมเฉพาะทาง เขาเปิดให้พนักงานทุกคนใช้ และตั้งเป้าให้พนักงานสร้าง agent หรือ GPT ที่ช่วยงานทั่วไป เช่น อีเมล ปฏิทิน ระบบ HR และเครื่องมือที่ใช้ในองค์กร

มุมนี้สำคัญมากสำหรับ SME ไทย เพราะมันชี้ว่า AI ไม่ต้องเริ่มจากโปรเจกต์ใหญ่เสมอไป เริ่มจากการให้คนในองค์กรใช้กับงานประจำวันก่อนก็ได้ แล้วค่อยดูว่าจุดไหนเกิดผลจริงจนควรยกระดับเป็น workflow มาตรฐาน

2 เสาหลักที่ขาดไม่ได้

นี่คือจุดที่หลายองค์กรพลาด เราอาจสร้าง AI assistant ได้เร็ว แต่ถ้าข้อมูลกระจัดกระจาย สิทธิ์เข้าถึงไม่ชัด หรือไม่มีเจ้าของระบบ สุดท้าย AI จะตอบได้แค่เรื่องผิวๆ

แนวคิด “Aha Moments” คือวิธีทำให้ AI ไม่ตายกลางทาง

BBVA ใช้วิธีส่งมอบผลลัพธ์เป็นรอบๆ ทุก 2 ถึง 3 เดือน โดยมองหาช่วงเวลาที่ธุรกิจรู้สึกได้ทันทีว่า AI มีประโยชน์จริง สิ่งนี้เขาเรียกว่า aha moments

จุดนี้น่าเอามาใช้มาก เพราะหลายองค์กรตั้งเป้า AI ระยะยาวใหญ่เกินไป จนคนในบริษัทไม่เห็นผลระหว่างทาง สุดท้ายความเชื่อมั่นหาย งบเริ่มถูกตั้งคำถาม และทีมเริ่มหมดแรง

ทางที่ดีกว่าคือเลือก use case ที่ชนะเร็วได้ก่อน เช่น

เมื่อมีชัยชนะเล็กๆ ต่อเนื่อง การยอมรับในองค์กรจะค่อยๆ เพิ่ม และเกิดแรงดึงให้ทีมอื่นอยากเข้ามาร่วมเอง

Adoption ไม่เกิดจากการแจก license อย่างเดียว

หนึ่งในประเด็นที่ดีที่สุดของคลิปนี้คือ BBVA ย้ำว่า การ deploy license ให้พนักงานจำนวนมากไม่ได้แปลว่าคนจะใช้เป็นหรือใช้ต่อเนื่อง พวกเขามีทีมที่รับผิดชอบเรื่อง AI adoption โดยเฉพาะ ทั้งในระดับส่วนกลางและระดับประเทศ

ทีมนี้ไม่ได้ทำแค่คอร์สออนไลน์ แต่ลงไปหาทีมงานจริงๆ ในแต่ละหน่วยงาน เพื่อสอนให้เห็นว่า ChatGPT และ AI ช่วยอะไรได้ในงานของเขา

นี่เป็นบทเรียนตรงไปตรงมาเลยว่า ถ้าเราอยากให้ AI ถูกใช้จริง ต้องมีคนรับผิดชอบเรื่องนี้อย่างชัดเจน ไม่ใช่ฝากไว้กับ IT หรือ HR แบบครึ่งๆ กลางๆ

สำหรับองค์กรไทย ต่อให้มีแค่ 30 คนหรือ 300 คน ก็ยังใช้หลักเดียวกันได้ คือแต่งตั้งคนหรือทีมเล็กๆ ที่ทำหน้าที่ 4 เรื่อง

  1. สอนการใช้ตามหน้าที่งาน
  2. เก็บตัวอย่าง use case ที่ได้ผล
  3. ติดตามการใช้งาน
  4. ช่วยทีมที่ยังใช้ไม่คล่อง

วัดผล adoption แบบจริงจัง และเริ่มจากผู้บริหารก่อน

BBVA ส่ง dashboard การใช้งานให้ผู้นำทุกเดือน โดยบอกทั้งระดับการใช้งานของตัวผู้นำเอง ระดับของเพื่อนร่วมระดับ และระดับของทีมย่อยภายใต้การดูแล

แนวคิดนี้ฉลาดมาก เพราะมันทำ 2 อย่างพร้อมกัน

ที่น่าสนใจคือทีมผู้บริหารระดับสูงของ BBVA กลายเป็นกลุ่ม power users ของเครื่องมือด้วย นี่สะท้อนความจริงข้อหนึ่งว่า AI adoption จะไปเร็วมากถ้าหัวหน้าลงมือใช้เองจริง

ถ้าเอามาใช้กับธุรกิจไทย เราไม่จำเป็นต้องมี dashboard ซับซ้อนระดับธนาคาร แต่อย่างน้อยควรมีตัวชี้วัดง่ายๆ เช่น

ถ้าไม่มี metric เรื่อง adoption เราจะรู้แค่ว่าซื้อเครื่องมือมาแล้ว แต่ไม่รู้ว่ามันเปลี่ยนวิธีทำงานจริงหรือยัง

เปิดให้คนทดลองจากล่างขึ้นบน แล้วเอามาเสริมกลยุทธ์จากบนลงล่าง

อีกมุมที่น่าคิดคือ BBVA ไม่ได้ควบคุมทุกอย่างจากส่วนกลางจนตึงเกินไป เขายอมให้พนักงานลองใช้เครื่องมือและดูว่าคนจะสร้างอะไรขึ้นมาเอง เพราะการใช้งานจริงของพนักงานให้ข้อมูลที่ดีมากสำหรับการกำหนดกลยุทธ์

Antonio ยกภาพเปรียบเทียบคล้ายการปลูกหญ้าก่อน แล้วดูว่าคนเดินทางไหน จากนั้นค่อยสร้างถนนตามเส้นทางนั้น ความหมายคือแทนที่จะเดาเองจากห้องประชุม เราควรดูว่าคนในองค์กรใช้ AI กับงานไหนแล้วได้ผลจริง

ผลลัพธ์คือ BBVA มี GPT ภายในจำนวนมากที่ถูกใช้งานโดยพนักงานนับพันคน และบางกรณีช่วยลดเวลางานได้ราว 70 ถึง 80 เปอร์เซ็นต์

มุมมองของเราเรื่องนี้คือหลายองค์กรไทยมักเลือกข้างสุดทางด้านใดด้านหนึ่ง คือไม่ก็ปล่อยเสรีจนเละ หรือไม่ก็ควบคุมจนไม่มีใครกล้าลอง แต่โมเดลที่ดีกว่าคือ

สไลด์หลักการ operating model ของ BBVA แสดง top down และ bottom up governance teams และ change management
ภาพจาก วิดีโอต้นทาง

Operating model ที่ดี ต้องมีทั้ง governance ทีมผสม และการเปลี่ยนวัฒนธรรม

BBVA สรุปหลักของ operating model ไว้ 4 เรื่อง ซึ่งเป็นแก่นที่องค์กรไทยควรจำมากกว่ารายละเอียดเครื่องมือเสียอีก

1) Top-down ผสม Bottom-up

มีทิศทางชัดจากผู้บริหาร แต่ก็เปิดให้การสร้างสรรค์จากหน้างานเกิดขึ้นจริง

2) Coordinated Governance

องค์กรใหญ่ต้องมีการประสานเรื่องมาตรฐาน ความปลอดภัย สิทธิ์เข้าถึง และลำดับความสำคัญ ไม่อย่างนั้น AI จะกระจัดกระจายจนดูแลงานไม่ได้

3) Multidisciplinary Teams

ทีม AI ที่ดีไม่ใช่มีแต่ data scientist แต่ต้องมีคนจากธุรกิจ คนปฏิบัติการ คนเทค และผู้ใช้งานตัวจริงทำงานร่วมกัน

4) Change Management และ Cultural Change

ถ้าพนักงานกลัว AI หรือคิดว่าเป็นภัยต่อบทบาทตัวเอง ต่อให้สร้าง agent ดีแค่ไหนก็ไม่ถูกใช้

ประเด็นสุดท้ายนี้สำคัญมาก โดยเฉพาะในองค์กรไทยที่คนจำนวนมากยังไม่แน่ใจว่า AI จะมาแทนงานหรือไม่ ถ้าผู้นำสื่อสารไม่ดี คนจะป้องกันตัวเองตามธรรมชาติ และ adoption จะสะดุดทันที

ดังนั้น การนำ AI เข้าองค์กรไม่ใช่แค่เรื่องเครื่องมือ แต่เป็นเรื่องการเล่า narrative ใหม่ให้คนเชื่อว่า AI จะช่วยให้งานดีขึ้น ไม่ใช่แค่เพิ่มแรงกดดัน

Partner กับ ecosystem สำคัญกว่าที่คิด

Antonio ย้ำหลายครั้งว่าความเร็วของโลก AI สูงมาก สิ่งที่คิดว่าถูกวันนี้อาจล้าสมัยในอีกไม่กี่สัปดาห์ เพราะฉะนั้นองค์กรไม่ควรทำทุกอย่างแบบปิดตัวเองอยู่ลำพัง

BBVA มองว่าการทำงานกับ partner ใน ecosystem ช่วยให้ไม่หลงทาง ลดการลงทุนผิดทิศ และทำให้ทีมเรียนรู้เร็วขึ้น เขายังพูดตรงๆ ด้วยว่าเคยมีบางงานที่กำลังมุ่งไปผิดทาง และการได้ partner มาช่วยทำให้กลับทิศได้เร็ว

ประเด็นนี้มีค่าสำหรับธุรกิจไทยมาก เพราะหลายองค์กรพยายาม “ทำเองทั้งหมด” เพื่อประหยัด แต่สุดท้ายเสียเวลาและต้นทุนแฝงมากกว่าเดิม

สิ่งที่ควรทำอาจไม่ใช่จ้างที่ปรึกษาทุกเรื่อง แต่คือเลือก partner ที่ช่วยในจุดที่เราไม่มีความเร็วหรือความรู้พอ เช่น

ถ้าอยากอ่านภาพรวมเรื่องการนำ AI ไปใช้ในองค์กรเพิ่มเติม OpenAI for Business และแนวทางจาก McKinsey State of AI ก็เป็นแหล่งอ้างอิงที่ช่วยให้เห็นภาพใหญ่ได้ดี

สิ่งที่คลิปนี้ทำได้ดี และสิ่งที่เราควรระวัง

จุดแข็งของแนวทาง BBVA คือเขาไม่โรแมนติกกับ AI เกินไป ทุกอย่างถูกผูกกับโครงสร้างองค์กร การกำกับดูแล การลงทุน และการยอมรับของคนจริงๆ

แต่ถ้าจะตั้งข้อสังเกต ก็ต้องบอกว่าโมเดลนี้เหมาะกับองค์กรขนาดใหญ่ที่มีงบ มีทีม และมี executive buy-in สูงมาก ธุรกิจขนาดเล็กไม่ควรลอกทั้งชุดแบบตรงตัว

สิ่งที่ควรลอกคือหลักคิด ไม่ใช่ขนาดของการลงทุน

สำหรับ SME หรือบริษัทไทยขนาดกลาง เวอร์ชันที่เหมาะกว่าอาจเป็น

Actionable Insights

Troubleshooting

การต่อยอด

สรุป Checklist ทั้งหมด

สรุป

สิ่งที่ BBVA ทำให้เห็นชัดคือ องค์กรที่ใช้ AI ได้จริงไม่ใช่องค์กรที่วิ่งตามเครื่องมือใหม่เร็วที่สุด แต่คือองค์กรที่จัด AI ให้เชื่อมกับงานหลักของธุรกิจ มีเจ้าภาพชัด วัดผลจริง และดูแลเรื่องคนพอๆ กับเรื่องเทค

สำหรับธุรกิจไทย คำถามสำคัญจึงไม่ใช่ “เราจะใช้ AI ไหม” แต่คือ “เราจะออกแบบองค์กรให้ AI เข้าไปสร้างมูลค่าได้ตรงไหนก่อน” ถ้าเริ่มจากจุดนั้น เราไม่จำเป็นต้องมี 120,000 license แบบ BBVA ก็ยังสร้างผลลัพธ์ที่จับต้องได้เหมือนกัน

Insiderly

บทความจากกองบรรณาธิการ Insiderly

อ่านบทความทั้งหมด

More in ธุรกิจและการแข่งขัน

See all
ภาพปกวิดีโอต้นทางของ Nate Herk เรื่อง Karpathy และ Anthropic

Karpathy ร่วม Anthropic: ข่าวที่ยืนยันแล้วและคำคาดการณ์เรื่อง context

โดย Insiderly
/
Developer workspace window showing project list, changelog and code area

Rakuten แก้ปัญหาได้เร็วขึ้นสองเท่าด้วย Codex

โดย Insiderly
/
video thumbnail for 'NEW NVIDIA + Adobe AI Update is INSANE! 🔥'

NEW NVIDIA + Adobe AI Update: ระบบเอเจนต์ที่อาจ “แทนทั้งทีมการตลาด” ได้ในไม่กี่ปี

โดย Insiderly
/
ภาพคณะผู้ร่วมอภิปรายในสตูดิโอพูดคุยเรื่อง superintelligence

Sam Altman on Building the Future of AI: ทำไม “ซูเปอร์อินเทลลิเจนซ์” ถึงต้องเริ่มคุยตั้งแต่วันนี้ พร้อมกรอบคิดเรื่องความปลอดภัย ความยืดหยุ่น และการแบ่งปันผลประโยชน์

โดย Insiderly
/

บทความอื่นจาก Insiderly

See all
ภาพปกบทสัมภาษณ์ Will Koh จาก Ramp เรื่อง GPT-5.5

GPT-5.5 กับงานจริง: บทเรียนจาก Will Koh และ Ramp

โดย Insiderly
/
ภาพปกคลิป ChatGPT Images 2.0 พร้อมตัวอย่างภาพจรวด

ChatGPT Images 2.0: ย้อนดูแนวคิดภาพสำหรับงานธุรกิจ

โดย Insiderly
/
ภาพปก The End of Apps ของ Kitze บนเวที AI Engineer Europe

AI Agents กับจุดจบของแอป: บทเรียนจาก Kitze

โดย Insiderly
/
ภาพปกการสนทนา Human Judgment in Agentic Engineering จาก AI Engineer Europe

AI เร่งงานได้ แต่แรงเสียดทานช่วยให้เราตัดสินใจดีขึ้น

โดย Insiderly
/