The Gen AI Divide เหตุใดการลงทุน AI ส่วนใหญ่จึงยังไม่เห็นผล
คอลัมน์ : นอกบท
ผู้เขียน : ศรัณย์วุฒิ ตรรกพงศ์ ที่ปรึกษาอาวุโส
ธนาคารโลก [email protected]
กระแสของปัญญาประดิษฐ์ หรือ AI ในครั้งนี้ มีพลังและความลึกซึ้งที่แตกต่างจากคลื่นเทคโนโลยีในอดีต มันไม่ใช่แค่เครื่องมือใหม่ แต่เป็นเสมือน “ระบบปฏิบัติการ” ใหม่ของเศรษฐกิจโลก
อย่างไรก็ตาม ท่ามกลางเสียงชื่นชมถึงศักยภาพอันไร้ขีดจำกัดของ AI กลับมีคำถามที่ท้าทายดังขึ้นจากโลกธุรกิจ หาก AI คือยาวิเศษจริง เหตุใดเราจึงยังไม่เห็นผลลัพธ์ที่เป็นรูปธรรมในตัวเลขผลิตภาพ (Productivity) ระดับองค์กร ?
นี่ไม่ใช่แค่ข้อสงสัย แต่เป็นปรากฏการณ์ที่ได้รับการยืนยันจากรายงานชิ้นสำคัญล่าสุดอย่าง “The GenAI Divide : State of AI in Business 2025” ซึ่งจัดทำโดยทีมวิจัยจาก MIT รายงานฉบับนี้ได้ฉายภาพความจริงที่น่าตกใจว่า แม้จะมีการทุ่มเม็ดเงินลงทุนใน GenAI ระดับองค์กรไปแล้วราว 3-4 หมื่นล้านดอลลาร์
แต่ 95% ขององค์กรกลับไม่เห็นผลกระทบที่วัดผลได้จริงต่อผลกำไรขาดทุน มีเพียง 5% ของโครงการนำร่อง (Pilot Project) เท่านั้นที่ประสบความสำเร็จในการสร้างมูลค่าอย่างมีนัยสำคัญ
ปรากฏการณ์นี้อาจเปรียบได้กับ “ภาพลวงตาแห่งผลิตภาพ” (Productivity Mirage) ที่ซึ่งเราเห็นพนักงานแต่ละคนทำงานได้เร็วขึ้น แต่เมื่อมองภาพรวมทั้งองค์กร เข็มวัดประสิทธิภาพกลับไม่ขยับ
รายงานได้เจาะลึกลงไปถึงต้นตอของความย้อนแย้งนี้ และพบปรากฏการณ์ที่น่าสนใจสองประการ
ประการแรกคือการก่อตัวขึ้นของ “เศรษฐกิจ AI เงา” (Shadow AI Economy) แม้ว่าจะมีองค์กรเพียง 40% ที่จัดซื้อเครื่องมือ AI อย่างเป็นทางการให้พนักงาน แต่พนักงานกว่า 90% กลับกำลังใช้เครื่องมือ AI ส่วนบุคคล อย่าง ChatGPT หรือ Claude ในบัญชีของตนเองเพื่อช่วยในการทำงาน พนักงานรายงานว่าประสิทธิภาพส่วนตัวเพิ่มขึ้นอย่างมีนัยสำคัญ
แต่คุณค่าที่เกิดขึ้นนี้ไม่เคยถูกรวบรวมหรือวัดผลในระดับองค์กร ปรากฏการณ์นี้คือ “การรั่วไหลของผลิตภาพ” (Productivity Leakage) ที่แท้จริง พนักงานทำงานได้เร็วขึ้น แต่เวลาที่ประหยัดได้นั้นกลับถูกใช้ไปกับงานอื่นที่วัดผลไม่ได้ หรือแม้กระทั่งกิจกรรมอื่นที่ไม่ส่งผลต่อผลิตภาพขององค์กร
ประการที่สอง ซึ่งเป็นหัวใจของปัญหา คือสิ่งที่รายงานเรียกว่า “ช่องว่างแห่งการเรียนรู้” (The Learning Gap) ของระบบ AI ที่องค์กรจัดหาให้ พนักงานจำนวนมากรู้สึกว่า AI ที่บริษัทลงทุนมานั้น ็ฉลาดน้อยกว่าิ AI ที่พวกเขาใช้ส่วนตัว เหตุผลเพราะระบบขององค์กรส่วนใหญ่มักเป็นระบบที่ “หยุดนิ่ง” (Static) มันไม่สามารถเรียนรู้จากปฏิสัมพันธ์ ไม่จดจำบริบทการทำงาน และไม่สามารถปรับตัวเข้ากับกระบวนการทำงานที่ซับซ้อนได้ เมื่อพนักงานคุ้นชินกับความสามารถของ AI ส่วนตัว พวกเขาย่อมมองว่าเครื่องมือของบริษัทนั้นล้าสมัย
อย่างไรก็ตาม รายงานฉบับเดียวกันได้ชี้ไปยังคลื่นลูกต่อไปของ AI ที่อาจเป็นคำตอบของปริศนานี้ นั่นคือ “Agentic AI” หรือ “AI ผู้ช่วยอัจฉริยะ” หาก Generative AI ที่เราคุ้นเคยเปรียบเสมือน “ผู้สร้างเนื้อหาิ ที่ทำงานตามคำสั่ง Agentic AI คือการยกระดับขึ้นไปอีกขั้นในฐานะ “ผู้ปฏิบัติงาน” ที่ไม่เพียงสร้างเนื้อหาได้
แต่ยังสามารถวางแผนโต้ตอบกับเครื่องมืออื่น และดำเนินงานหลายขั้นตอนต่อเนื่องกันได้โดยอัตโนมัติเพื่อบรรลุเป้าหมายที่ซับซ้อน ลองจินตนาการถึง AI ที่ไม่เพียงร่างแผนการเดินทาง แต่ยังสามารถจองตั๋วเครื่องบิน โรงแรม และรถเช่าให้เสร็จสรรพได้ด้วยตัวเอง นั่นคือศักยภาพของ Agentic AI
แม้เทคโนโลยีนี้จะยังอยู่ในช่วงเริ่มต้น แต่ก็มีศักยภาพที่จะทลาย “ช่องว่างแห่งการเรียนรู้” ได้ เพราะหัวใจของมันคือความสามารถในการเรียนรู้และปฏิบัติงานที่ซับซ้อนได้จริง อย่างไรก็ตาม ยังคงต้องติดตามต่อไปว่ามันจะสามารถปลดปล่อยผลิตภาพในระดับองค์กรได้จริงตามที่คาดหวังหรือไม่
บทเรียนจากโลกธุรกิจที่พัฒนาแล้วนี้ เป็นสัญญาณเตือนที่สำคัญสำหรับประเทศกำลังพัฒนา หากองค์กรที่ร่ำรวยและมีบุคลากรพร้อมที่สุดยังต้องเผชิญกับความท้าทายในการเปลี่ยนศักยภาพของ AI ให้กลายเป็นผลิตภาพที่จับต้องได้ แล้วประเทศที่ยังมีข้อจำกัดด้านโครงสร้างพื้นฐานและทุนมนุษย์ จะต้องเผชิญกับความท้าทายที่ใหญ่หลวงกว่าเพียงใด
ประเด็นนี้สอดคล้องอย่างยิ่งกับทิศทางของรายงานการพัฒนาโลก (World Development Report) ฉบับปี 2026 ของธนาคารโลกในหัวข้อ “ปัญญาประดิษฐ์เพื่อการพัฒนา” ซึ่งจะชี้ให้เห็นว่าสำหรับประเทศกำลังพัฒนาแล้ว ปัญหาไม่ได้อยู่แค่ “ช่องว่างแห่งการเรียนรู้” แต่เป็น “เหวแห่งการพัฒนา” (Developmental Chasm) ที่ลึกและกว้างกว่ามาก
แนวคิดที่ว่าประเทศกำลังพัฒนาจะสามารถ “ก้าวกระโดด” (Leapfrog) ข้ามขั้นไปสู่ยุค AI ได้นั้น อาจเป็นเพียงวาทกรรมที่ห่างไกลจากความเป็นจริง การพูดถึงการใช้ AI เพื่อการเกษตรแม่นยำจะไม่สามารถเกิดขึ้นได้ หากเกษตรกรยังเข้าไม่ถึงอินเทอร์เน็ตความเร็วสูงและราคาเข้าถึงได้ และการหวังให้ AI ช่วยยกระดับการสาธารณสุขจะเป็นไปได้ยาก หากโรงพยาบาลในชนบทยังขาดแคลนไฟฟ้าที่เสถียร
ยิ่งไปกว่านั้น ยังมีความเสี่ยงของการถูก “ล่าอาณานิคมทางอัลกอริทึม” (Algorithmic Colonization) โมเดล AI ชั้นนำของโลกส่วนใหญ่ถูกฝึกฝนด้วยข้อมูลและภาษาจากโลกตะวันตก ซึ่งอาจมีอคติและไม่สอดคล้องกับบริบททางสังคมและวัฒนธรรมของประเทศกำลังพัฒนา การนำ AI เหล่านี้มาใช้โดยขาดการปรับปรุงและตรวจสอบ อาจนำไปสู่ผลลัพธ์ที่ผิดพลาดและซ้ำเติมความเหลื่อมล้ำให้รุนแรงขึ้น
ดังนั้น เรื่องราวของ AI ในวันนี้จึงเป็นเรื่องเล่าของสองโลกที่แตกต่างกันอย่างสิ้นเชิง โลกหนึ่งกำลังเผชิญกับความท้าทายในการแปลงศักยภาพของเทคโนโลยีให้กลายเป็นผลิตภาพที่จับต้องได้จริงในระดับองค์กร ขณะที่อีกโลกหนึ่งยังคงดิ้นรนเพื่อสร้างบันไดขั้นแรกที่จะปีนขึ้นไปให้ถึงจุดเริ่มต้นของยุค AI ความสำเร็จในอนาคตของประเทศกำลังพัฒนาจึงไม่ได้ขึ้นอยู่กับการไล่ตามเทคโนโลยีล่าสุดให้ทันท่วงที การสร้างสมดุลระหว่างการเปิดรับนวัตกรรมกับการลงทุนในรากฐานที่จำเป็นอย่างโครงสร้างพื้นฐานและทุนมนุษย์
จะเป็นตัวตัดสินว่าประเทศใดจะสามารถก้าวข้าม “เหวแห่งการพัฒนา” และเก็บเกี่ยวผลประโยชน์จากยุคแห่งปัญญาประดิษฐ์นี้ได้สำเร็จ