"พนักงานเราใช้ AI แล้ว 80%" คือตัวเลขที่ทำให้ผู้บริหารสบายใจที่สุด และบอกความจริงน้อยที่สุด

ในช่วงสองปีที่ผ่านมา แทบทุกองค์กรที่ประกาศเดินหน้า AI Transformation มักมีสไลด์หนึ่งที่ปรากฏอยู่ในห้องประชุมผู้บริหารเสมอ นั่นคือกราฟแสดง Adoption Rate ว่าพนักงานกี่เปอร์เซ็นต์เริ่มใช้ AI แล้ว ตัวเลขเหล่านี้มักเพิ่มขึ้นอย่างต่อเนื่อง จาก 30% เป็น 60% จาก 60% เป็น 80% จนกลายเป็นหลักฐานสำคัญที่ทำให้หลายองค์กรมั่นใจว่าการเปลี่ยนผ่านกำลังดำเนินไปในทิศทางที่ถูกต้อง

แต่เมื่อมองย้อนกลับไปที่ผลลัพธ์ทางธุรกิจ คำถามที่ตามมากลับตอบได้ยากกว่ามาก หากพนักงานใช้ AI กันแทบทั้งองค์กรแล้ว เหตุใดรอบเวลาการทำงานยังไม่สั้นลง เหตุใดต้นทุนยังไม่ลดลง และเหตุใดประสบการณ์ของลูกค้าจึงยังไม่เปลี่ยนแปลงอย่างมีนัยสำคัญ

คำตอบอาจไม่ได้อยู่ที่ความสามารถของ AI หรือทักษะของพนักงาน แต่อยู่ที่วิธีที่องค์กรเลือกวัดความสำเร็จตั้งแต่แรก

🔥 เรากำลังวัด “การใช้เครื่องมือ” แทนที่จะวัด “การเปลี่ยนวิธีทำงาน”

ตัวชี้วัดที่องค์กรส่วนใหญ่นิยมใช้ เช่น จำนวนไลเซนส์ที่ถูกเปิดใช้งาน จำนวนพนักงานที่ผ่านการอบรม หรือจำนวนครั้งที่มีการใช้งาน AI ล้วนเป็นตัวชี้วัดที่สะท้อน การยอมรับเครื่องมือ (Technology Adoption) ทั้งสิ้น

ปัญหาคือ การยอมรับเครื่องมือไม่ใช่สิ่งเดียวกับการเปลี่ยนแปลงองค์กร

พนักงานอาจใช้ AI ช่วยร่างอีเมล สรุปรายงาน หรือค้นหาข้อมูลทุกวัน แต่หากหลังจากนั้นเอกสารยังต้องผ่านขั้นตอนเดิม ผู้อนุมัติยังเป็นคนเดิม การประชุมยังเกิดขึ้นเหมือนเดิม และกระบวนการยังต้องอาศัยทีมเดิมทุกฝ่าย งานทั้งระบบก็ยังดำเนินไปในรูปแบบเดิม เพียงแต่บางกิจกรรมใช้เวลาน้อยลงเล็กน้อย

องค์กรจึงมี AI เพิ่มขึ้น แต่ไม่ได้มี Productivity เพิ่มขึ้นในระดับที่คาดหวัง เพราะสิ่งที่เปลี่ยนคือ “เครื่องมือ” ไม่ใช่ “ระบบงาน”

🔥 AI สร้างคุณค่าได้หลายระดับ แต่ Adoption Rate วัดได้เพียงระดับแรก

เมื่อพิจารณาให้ลึกลงไป จะพบว่าการใช้ AI ในองค์กรสามารถแบ่งได้อย่างน้อยสามระดับ

ระดับแรกคือ การแทนที่กิจกรรมย่อย (Task Augmentation) AI ช่วยให้คนทำงานเดิมได้เร็วขึ้น เช่น เขียนอีเมล สรุปประชุม วิเคราะห์ข้อมูล หรือสร้างเอกสารเบื้องต้น งานยังเป็นงานเดิม เพียงแต่ใช้เวลาน้อยลง

ระดับที่สองคือ การยุบขั้นตอนของกระบวนการ (Process Simplification) เมื่อ AI สามารถทำหน้าที่บางส่วนได้อย่างมีประสิทธิภาพ หลายขั้นตอนที่เคยจำเป็นอาจไม่จำเป็นอีกต่อไป รายงานบางชุดไม่ต้องผลิต การส่งต่องานระหว่างทีมลดลง หรือการตรวจสอบหลายชั้นสามารถรวมเป็นขั้นตอนเดียวได้

ระดับสุดท้ายคือ การออกแบบงานใหม่ (Work Redesign) ซึ่งเป็นระดับที่สร้างผลกระทบมากที่สุด องค์กรไม่ได้เพียงทำงานเดิมให้เร็วขึ้น แต่เปลี่ยนวิธีสร้างคุณค่าทั้งระบบ บทบาทของทีม โครงสร้างการตัดสินใจ และลำดับของกระบวนการถูกออกแบบใหม่ให้สอดคล้องกับศักยภาพของ AI

ปัญหาคือ ตัวชี้วัดอย่าง Adoption Rate สามารถสะท้อนความก้าวหน้าได้ดีเฉพาะระดับแรก แต่แทบไม่สามารถบอกได้เลยว่าองค์กรกำลังไปถึงอีกสองระดับหรือไม่

🔥 เมื่อ Adoption กลายเป็น KPI มันก็หยุดเป็นตัวชี้วัดที่ดี

นักเศรษฐศาสตร์ Charles Goodhart เคยเสนอหลักการที่รู้จักกันในชื่อ Goodhart’s Law ว่า “เมื่อใดที่ตัวชี้วัดกลายเป็นเป้าหมาย มันจะหยุดเป็นตัวชี้วัดที่ดี”

หลักการนี้อธิบายสิ่งที่กำลังเกิดขึ้นกับ AI Transformation ได้อย่างชัดเจน

เมื่อผู้บริหารประกาศว่าองค์กรต้องมี Adoption Rate ให้ถึง 80% ทุกฝ่ายก็มีแรงจูงใจผลักดันให้พนักงานเปิดใช้ AI ให้มากที่สุด ไม่ว่าจะผ่านการอบรม การแจก Prompt หรือการกำหนด KPI การใช้งาน

ผลลัพธ์คือ ตัวเลขการใช้งานเพิ่มขึ้น แต่ไม่มีใครจำเป็นต้องตั้งคำถามว่า กระบวนการทำงานเดิมยังควรมีอยู่หรือไม่

เราเคยเห็นวงจรเช่นนี้มาแล้วหลายครั้ง ทั้งจำนวนชั่วโมงอบรมที่เพิ่มขึ้นโดยไม่ได้ทำให้คนทำงานเก่งขึ้น หรือจำนวนไอเดียใน Innovation Box ที่เพิ่มขึ้นโดยไม่ได้สร้างนวัตกรรมที่ใช้งานจริง

AI กำลังเสี่ยงเดินซ้ำรอยเดียวกัน หากองค์กรยังวัดเพียงจำนวนคนที่เปิดใช้เครื่องมือ

🔥 อุปสรรคของ AI Transformation ไม่ใช่เทคโนโลยี แต่คือโครงสร้างองค์กร

เหตุผลที่หลายองค์กรหยุดอยู่เพียงระดับแรก ไม่ได้เกิดจากข้อจำกัดของ AI หากแต่เกิดจากข้อจำกัดขององค์กรเอง

การทำให้คนใช้ AI ช่วยทำงานเร็วขึ้นเป็นเรื่องที่แทบไม่มีใครคัดค้าน เพราะทุกคนยังมีบทบาทเดิม หน่วยงานเดิม และความรับผิดชอบเดิม

แต่การยุบขั้นตอนของกระบวนการกลับเป็นอีกเรื่องหนึ่ง เพราะทุกขั้นตอนในองค์กรล้วนมีเจ้าของ มีงบประมาณ มีทีมงาน และมีเหตุผลรองรับการมีอยู่ของมัน

เมื่อ AI ทำให้บางขั้นตอนไม่จำเป็น คำถามที่เกิดขึ้นจึงไม่ใช่ว่า “AI ทำได้หรือไม่” แต่คือ “ใครจะยอมให้ขั้นตอนของตัวเองหายไป”

ในมุมนี้ AI Transformation จึงเป็นโจทย์ด้านการออกแบบองค์กรและการบริหารการเปลี่ยนแปลง มากกว่าจะเป็นโจทย์ด้านเทคโนโลยี

🔥 หากอยากวัดความสำเร็จจริง ต้องวัด “งานที่หายไป”

เมื่อองค์กรก้าวผ่านช่วงเริ่มต้นของการนำ AI มาใช้ ตัวชี้วัดก็ควรเปลี่ยนตามระดับความเปลี่ยนแปลง

แทนที่จะรายงานเพียงจำนวนผู้ใช้งาน AI ผู้บริหารควรเริ่มตั้งคำถามใหม่ เช่น มีขั้นตอนใดถูกลบออกจากกระบวนการแล้วบ้าง ระยะเวลาตั้งแต่เริ่มต้นจนจบของงานหนึ่งชิ้นลดลงเท่าใด จำนวนการส่งต่องานระหว่างทีมลดลงหรือไม่ และมีงานประเภทใดที่ไม่จำเป็นต้องอาศัยคนกลางอีกต่อไป

ตัวชี้วัดเหล่านี้อาจเติบโตช้ากว่า Adoption Rate แต่สะท้อนการเปลี่ยนแปลงเชิงโครงสร้างได้ดีกว่ามาก เพราะสิ่งที่สร้างความได้เปรียบในการแข่งขัน ไม่ใช่จำนวนคนที่ใช้ AI แต่คือจำนวนงานที่องค์กรสามารถออกแบบใหม่ได้สำเร็จ

ความท้าทายสุดท้ายคือการทำให้คนกล้าบอกว่า “งานของตัวเองควรหายไป”

อย่างไรก็ตาม การวัดความสำเร็จด้วย “งานที่ถูกลบออก” จะไม่มีวันเกิดขึ้น หากพนักงานเชื่อว่าทุกขั้นตอนที่หายไปหมายถึงตำแหน่งงานที่หายไปด้วย

หากรางวัลของการปรับปรุงกระบวนการคือการลดจำนวนคน ก็ไม่มีเหตุผลใดที่ทีมงานจะเปิดเผยโอกาสในการทำให้งานของตัวเองสั้นลง

องค์กรที่ประสบความสำเร็จในการทำ AI Transformation จึงไม่ได้ลงทุนเพียงในเทคโนโลยี แต่ลงทุนในการสร้างความไว้วางใจด้วย พนักงานต้องมั่นใจว่าประสิทธิภาพที่เพิ่มขึ้นจะถูกนำไปสร้างคุณค่าใหม่ ไม่ใช่ใช้เป็นเหตุผลในการลงโทษคนที่ช่วยทำให้องค์กรมีประสิทธิภาพมากขึ้น

🔥 การเปลี่ยนมุมมองที่สำคัญ

Adoption Rate ไม่ใช่ตัวชี้วัดที่ผิด ตรงกันข้าม มันเป็นตัวชี้วัดที่เหมาะสมอย่างยิ่งในช่วงเริ่มต้นของการนำ AI เข้ามาใช้ เพราะองค์กรจำเป็นต้องรู้ว่าพนักงานเปิดใจและเริ่มใช้เครื่องมือใหม่แล้วหรือยัง

แต่เมื่อการเปลี่ยนผ่านเข้าสู่ปีที่สองหรือปีที่สาม หากห้องประชุมยังรายงานเพียงตัวเลขเดิมว่า “พนักงานใช้ AI แล้ว 80%” นั่นอาจไม่ใช่สัญญาณของการเปลี่ยนแปลงอีกต่อไป

เพราะสุดท้ายแล้ว การเปลี่ยนผ่านสู่ AI ไม่ได้วัดจากจำนวนคนที่เปิดใช้เครื่องมือ แต่วัดจากจำนวนวิธีทำงานที่องค์กรกล้ายอมเลิกใช้