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
- กรอบ 6 Robots และ 2 เสาหลัก ที่ทำให้ AI ไม่กระจัดกระจาย
- แนวคิด “Aha Moments” คือวิธีทำให้ AI ไม่ตายกลางทาง
- Adoption ไม่เกิดจากการแจก license อย่างเดียว
- วัดผล adoption แบบจริงจัง และเริ่มจากผู้บริหารก่อน
- เปิดให้คนทดลองจากล่างขึ้นบน แล้วเอามาเสริมกลยุทธ์จากบนลงล่าง
- Operating model ที่ดี ต้องมีทั้ง governance ทีมผสม และการเปลี่ยนวัฒนธรรม
- Partner กับ ecosystem สำคัญกว่าที่คิด
- สิ่งที่คลิปนี้ทำได้ดี และสิ่งที่เราควรระวัง
- Actionable Insights
- Troubleshooting
- การต่อยอด
- สรุป Checklist ทั้งหมด
- สรุป
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

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
- Data readiness ข้อมูลต้องพร้อมให้ agent นำไปใช้
- Orchestration ต้องมีวิธีบริหาร agent จำนวนมากให้ทำงานประสานกันและพัฒนาต่อเนื่องได้
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
- ลดเวลาสรุปรายงานจาก 2 ชั่วโมงเหลือ 20 นาที
- ลดเวลาตอบคำถามลูกค้าซ้ำๆ ลงครึ่งหนึ่ง
- ทำให้พนักงานขายเตรียมประชุมลูกค้าได้ไวขึ้นมาก
- ลดเวลาตรวจเอกสารหรือแยกไฟล์ในงานหลังบ้าน
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
- สอนการใช้ตามหน้าที่งาน
- เก็บตัวอย่าง use case ที่ได้ผล
- ติดตามการใช้งาน
- ช่วยทีมที่ยังใช้ไม่คล่อง
วัดผล adoption แบบจริงจัง และเริ่มจากผู้บริหารก่อน
BBVA ส่ง dashboard การใช้งานให้ผู้นำทุกเดือน โดยบอกทั้งระดับการใช้งานของตัวผู้นำเอง ระดับของเพื่อนร่วมระดับ และระดับของทีมย่อยภายใต้การดูแล
แนวคิดนี้ฉลาดมาก เพราะมันทำ 2 อย่างพร้อมกัน
- ทำให้เห็นว่าหน่วยไหนตามไม่ทันและต้องเข้าไปช่วย
- สร้างแรงกดดันเชิงบวกให้ผู้นำต้องเป็นตัวอย่าง
ที่น่าสนใจคือทีมผู้บริหารระดับสูงของ BBVA กลายเป็นกลุ่ม power users ของเครื่องมือด้วย นี่สะท้อนความจริงข้อหนึ่งว่า AI adoption จะไปเร็วมากถ้าหัวหน้าลงมือใช้เองจริง
ถ้าเอามาใช้กับธุรกิจไทย เราไม่จำเป็นต้องมี dashboard ซับซ้อนระดับธนาคาร แต่อย่างน้อยควรมีตัวชี้วัดง่ายๆ เช่น
- จำนวนคนที่ใช้ทุกสัปดาห์
- ทีมที่มี use case ใช้งานจริง
- เวลาที่ประหยัดได้จาก workflow สำคัญ
- จำนวน prompt หรือ GPT ภายในที่ถูกใช้งานซ้ำ
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
- เปิดพื้นที่ให้ทดลองในกรอบที่ปลอดภัย
- เก็บตัวอย่างที่เวิร์ก
- ค่อยยกระดับเป็นมาตรฐานกลาง

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
- วาง roadmap use case
- ออกแบบ governance
- ฝึกทีมใช้งานจริง
- ประเมิน model และ workflow ที่เหมาะกับงาน
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
- เลือก 3 use case แทน 6 robots
- มี owner ที่ชัดเจนในแต่ละ use case
- เริ่มจากทีมที่มี pain ชัดที่สุด
- วัดผลทุก 30 วัน
- ทำคลัง prompt หรือ GPT กลางของบริษัท
Actionable Insights
- เริ่มจากงานที่กระทบธุรกิจจริง อย่าเริ่มจากการไล่ซื้อเครื่องมือก่อนรู้ว่าอยากแก้ปัญหาอะไร
- ตั้ง owner เรื่อง adoption ถ้าไม่มีคนรับผิดชอบ AI จะค้างอยู่แค่ในระดับทดลอง
- ทำ aha moment ทุก 1 ถึง 3 เดือน เลือก use case ที่พิสูจน์ผลได้เร็วเพื่อสร้างแรงส่ง
- ให้ผู้บริหารใช้เองก่อน ถ้าหัวหน้าไม่ใช้ ทีมมักไม่เชื่อว่าเป็นเรื่องจริงจัง
- เปิดทางให้คนหน้างานลอง แล้วค่อยดึงสิ่งที่ได้ผลมาสร้างเป็นมาตรฐานองค์กร
Troubleshooting
- ปัญหา: ซื้อ license แล้วคนใช้ไม่ต่อเนื่อง
สาเหตุ: ไม่มีการสอนตามหน้าที่งานจริง
วิธีแก้: แยก training ตามทีม เช่น ขาย การตลาด บัญชี และยกตัวอย่างงานจริงของแต่ละทีม - ปัญหา: มี use case เยอะ แต่ไม่มีอะไรเดินหน้า
สาเหตุ: กระจายทรัพยากรมากเกินไป ไม่มีลำดับความสำคัญ
วิธีแก้: เลือก use case ที่กระทบตัวเลขชัด 3 เรื่องก่อน แล้วค่อยขยาย - ปัญหา: พนักงานกลัวว่า AI จะมาแทนงาน
สาเหตุ: การสื่อสารของผู้บริหารไม่ชัด และไม่มีตัวอย่างเชิงบวก
วิธีแก้: สื่อสารว่า AI ช่วยลดงานซ้ำ เพิ่มคุณภาพงาน และแชร์เคสที่ช่วยคนทำงานจริง - ปัญหา: AI ตอบได้ไม่ดีหรือใช้ต่อไม่ได้
สาเหตุ: ข้อมูลภายในยังไม่พร้อม เข้าถึงยาก หรือกระจัดกระจาย
วิธีแก้: เริ่มทำ knowledge base กลาง กำหนด owner ของข้อมูล และจัดสิทธิ์เข้าถึงให้ชัด - ปัญหา: มีคนเก่งทำ workflow ได้ แต่ขยายทั้งองค์กรไม่ได้
สาเหตุ: ไม่มี playbook และ governance รองรับ
วิธีแก้: เก็บ workflow ที่เวิร์กมาทำเป็น template กลาง พร้อมคู่มือและมาตรฐานการใช้งาน
การต่อยอด
- สร้าง AI use case map ขององค์กร โดยแบ่งตามทีมและประเมิน impact กับความยาก
- ทำ dashboard adoption แบบง่ายใน Google Sheets หรือ BI tool เพื่อดูว่าทีมไหนใช้จริง
- เริ่มจาก GPT หรือ agent ภายในสำหรับงานซ้ำๆ เช่น สรุปประชุม ตอบอีเมล เตรียม brief และค้นข้อมูลเอกสาร
สรุป Checklist ทั้งหมด
- ☐ ระบุเป้าหมายธุรกิจที่ AI ต้องไปช่วยให้ชัด
- ☐ เลือก use case สำคัญก่อน ไม่ทำทุกอย่างพร้อมกัน
- ☐ ตั้ง owner ของแต่ละ use case
- ☐ วางสมดุล top-down และ bottom-up
- ☐ เตรียมข้อมูลภายในให้พร้อมใช้งาน
- ☐ สร้างทีมผสมระหว่างธุรกิจและเทค
- ☐ ทำ training ตามหน้างานจริงของแต่ละทีม
- ☐ วัด adoption เป็นรายเดือน
- ☐ ให้ผู้บริหารใช้ AI เป็นตัวอย่าง
- ☐ สร้าง aha moments ให้เห็นผลเร็ว
- ☐ เปิดให้พนักงานทดลองในกรอบที่ปลอดภัย
- ☐ รวบรวม use case ที่เวิร์กมาทำเป็นมาตรฐาน
- ☐ วาง governance เรื่องสิทธิ์ ข้อมูล และความปลอดภัย
- ☐ หา partner ที่ช่วยให้องค์กรเรียนรู้เร็วขึ้น
- ☐ มอง AI เป็นชั้นการทำงานใหม่ขององค์กร ไม่ใช่เครื่องมือเสริมชั่วคราว
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