เมื่อ AI ทำให้ "การพยากรณ์" มีต้นทุนถูกลง แล้วใครในบริษัทคุณรับผิดชอบเรื่อง "วิจารณญาณ"?

เมื่อพูดถึง AI เจ้าของธุรกิจส่วนใหญ่มักคิดถึงคำถามว่ามันจะมาแทนที่พนักงานหรือไม่ แต่นักเศรษฐศาสตร์สามคนได้ให้คำตอบที่เยือกเย็นกว่านั้น นั่นคือ AI ไม่ได้ฉลาดขึ้น มันเพียงแค่ทำให้ "การพยากรณ์" มีต้นทุนถูกลงเท่านั้น การพยากรณ์คือกระบวนการนำข้อมูลที่มีอยู่มาเติมเต็มข้อมูลที่ยังไม่รู้ ไม่ว่าจะเป็นการแปลภาษา การแนะนำสินค้า หรือการขับขี่อัตโนมัติ ล้วนทำงานบนหลักการนี้ทั้งสิ้น เมื่อสิ่งใดมีราคาถูกลง สิ่งนั้นก็จะมีมูลค่าน้อยลง ในขณะที่สิ่งที่จับคู่กับมันกลับจะมีมูลค่าสูงขึ้น — นั่นคือ การตัดสินใจ ข้อมูล และการลงมือปฏิบัติ สำหรับผู้บริหารแล้ว สิ่งที่ควรทุ่มเทพลังงานไม่เคยเป็นการเรียนรู้ใช้ AI เขียนอีเมล แต่คือการตัดสินใจว่า "เมื่อได้รับผลการพยากรณ์นี้แล้ว ฉันจะเปลี่ยนแปลงการตัดสินใจเดิมหรือไม่" และ "ถ้าการพยากรณ์ไม่มีต้นทุนอีกต่อไป ธุรกิจนี้ยังควรทำแบบเดิมอยู่หรือไม่"

การตัดสินใจหนึ่งครั้ง แท้จริงแล้วคือสองขั้นตอน

หนังสือเล่มนี้แยกการตัดสินใจใดๆ ออกเป็นสองส่วน คือ การพยากรณ์บอกคุณว่า "จะเกิดอะไรขึ้น" ส่วนวิจารณญาณ (judgment) บอกคุณว่า "เมื่อเจอผลลัพธ์นี้แล้วควรทำอย่างไร" สองขั้นตอนนี้มักติดกันเป็นเนื้อเดียวในชีวิตประจำวัน ทำให้ยากที่จะสังเกตว่าแต่ละวันเรากำลังทำสิ่งไหนอยู่ ผู้จัดการคนหนึ่งดูรายงานแล้วบอกว่า "เดือนนี้รายได้จะลดลงร้อยละสิบ" นี่คือการพยากรณ์ ส่วนขั้นตอนต่อไปคือการตัดสินใจว่าจะตัดงบโฆษณาหรือไม่ จะแจ้งพนักงานล่วงหน้าหรือไม่ นี่คือการตัดสินใจที่แท้จริง วิจารณญาณต้องอาศัยค่านิยม การชั่งน้ำหนักผลลัพธ์ และต้องมีคนรับผิดชอบ ซึ่งนี่คือส่วนที่เครื่องจักรทำแทนไม่ได้ ความผิดพลาดที่บริษัทส่วนใหญ่มักทำไม่ใช่ไม่มีวิจารณญาณ แต่คือการใช้เวลาส่วนใหญ่ไปกับการพยากรณ์ — จัดทำรายงาน เปรียบเทียบตัวเลข หาแนวโน้ม — จนสุดท้ายวิจารณญาณที่ควรได้รับความสำคัญกลับถูกบีบให้เหลือเวลาเพียงห้านาทีสุดท้ายของการประชุมเพื่อรีบตัดสินใจ

ข้อมูลจะมีค่าหรือไม่ ไม่ได้ขึ้นอยู่กับปริมาณ แต่ขึ้นอยู่กับความเป็นเอกลักษณ์

ในหนังสือยกตัวอย่างบริษัทผลิตชิปรายใหญ่แห่งหนึ่งที่ทุ่มเงินกว่า 1.5 หมื่นล้านดอลลาร์สหรัฐ เข้าซื้อบริษัทอิสราเอลที่เชี่ยวชาญด้านเทคโนโลยีเก็บข้อมูลสำหรับการขับขี่อัตโนมัติ ที่น่าสังเกตคือสิ่งที่พวกเขาซื้อคือความสามารถในการเก็บข้อมูล ไม่ใช่อัลกอริทึม — เพราะอัลกอริทึมสามารถลอกเลียนแบบได้ แต่ระบบนิเวศของข้อมูลนั้นลอกเลียนแบบได้ยากมาก นี่คือข้อเตือนใจที่ตรงประเด็นสำหรับผู้บริหาร: ตัวเลขภาคสนามที่คนอื่นเข้าถึงไม่ได้ซึ่งอยู่ในมือบริษัทของคุณ แท้จริงแล้วมีมูลค่ามากกว่าที่คุณคิด ไม่ว่าจะเป็นบันทึกความผิดปกติในกระบวนการผลิต ขั้นตอนการจัดการข้อร้องเรียนลูกค้า หรือพฤติกรรมการสั่งซื้อของลูกค้าประจำ สิ่งเหล่านี้เป็นสิ่งที่คู่แข่งใช้เงินซื้อก็ยังไม่ได้ ในทางกลับกัน หากฐานข้อมูลของคุณเต็มไปด้วยสถิติสาธารณะที่ใครก็ตรวจสอบได้ ต่อให้มีปริมาณมากเพียงใดก็ไม่สามารถแลกเป็นความได้เปรียบใดๆ ได้ สิ่งที่ผู้บริหารควรถามไม่ใช่ "เรามีข้อมูลขนาดใหญ่หรือไม่" แต่คือ "ข้อมูลชิ้นไหนในมือเราที่คนอื่นลอกเลียนแบบไม่ได้ และเรากำลังเก็บรักษาและใช้ประโยชน์จากมันอย่างเหมาะสมหรือไม่"

ระดับที่สอง: กล้าเปลี่ยนการตัดสินใจเดิมตามผลการพยากรณ์หรือไม่

หนังสือเล่มนี้แบ่งการใช้งาน AI ออกเป็นสามระดับ ระดับแรกคือระดับเครื่องมือ — ใช้ AI เขียนอีเมล ทำสรุป จัดระเบียบข้อมูล เนื้องานไม่เปลี่ยนแปลง เพียงแค่ทำได้เร็วขึ้น ระดับนี้แทบไม่มีคุณค่าที่จะพูดถึงสำหรับผู้บริหาร เพราะทุกคนสามารถใช้เครื่องมือเดียวกันทำสิ่งเดียวกันได้ การเพิ่มประสิทธิภาพนี้จะกลายเป็นมาตรฐานพื้นฐานที่ทุกคนมีเหมือนกันอย่างรวดเร็ว ไม่ใช่ความได้เปรียบของใครอีกต่อไป สิ่งที่จะสร้างความแตกต่างที่แท้จริงเริ่มต้นจากระดับที่สอง คือคุณไม่ได้แค่ใช้มันเพื่อประหยัดเวลา แต่คุณเริ่มตัดสินใจแตกต่างไปจากเดิมโดยอาศัยข้อมูลที่มันให้มา

ในหนังสือมีตัวอย่างที่ชัดเจนมาก สมมติว่าคุณเป็นผู้จัดการฝ่ายจัดซื้อของบริษัทค้าปลีก AI บอกคุณว่าไตรมาสหน้าความต้องการสินค้ารุ่นหนึ่งจะอยู่ที่ 10,000 ชิ้น โดยมีความคลาดเคลื่อนบวกลบ 2,000 ชิ้น คนส่วนใหญ่จะสั่งซื้อตามตัวเลข 10,000 ชิ้นทันที — นี่ที่จริงยังคงอยู่ในระดับแรก คุณแค่ส่งงานประมาณการออกไปให้คนอื่นทำแทนเท่านั้น คนที่อยู่ในระดับที่สองจะถามก่อนว่า ถ้าความจริงมีเพียง 8,000 ชิ้น ความสูญเสียของฉันคืออะไร ถ้ามาถึง 12,000 ชิ้นล่ะ ความผิดพลาดแบบไหนที่รับไม่ไหวมากกว่ากัน เพราะการพยากรณ์เองมีความสมมาตร แต่ผลลัพธ์ที่ตามมาแทบไม่เคยสมมาตรเลย หากความสูญเสียจากการขาดสต็อกมากกว่าความสูญเสียจากสต็อกล้นมาก คุณควรสั่ง 11,000 ชิ้น ในทางกลับกันก็ควรระมัดระวังเหลือแค่ 9,000 ชิ้น AI ให้ตัวเลขเดียวกัน แต่ปริมาณการสั่งซื้อสุดท้ายกลับต่างกันถึง 2,000 ชิ้น ความแตกต่างทั้งหมดมาจากการที่คุณถามคำถามเหล่านั้นหรือไม่

สิ่งที่ทำให้บริษัทส่วนใหญ่ติดขัดในระดับนี้ไม่ใช่เทคโนโลยี แต่คือความกล้าหาญ การตัดสินใจที่แตกต่างจากเดิม หากเกิดปัญหาขึ้นมาคุณต้องรับผิดชอบเอง แต่ถ้าทำตามธรรมเนียมเดิม ต่อให้ผิดพลาดอย่างน้อยก็ผิดพลาดไปด้วยกันทุกคน ผู้จัดการหลายคนจึงยอมอยู่ในจุดที่ปลอดภัยอย่าง "เราก็ใช้ AI เหมือนกัน" มากกว่าที่จะเปลี่ยนการตัดสินใจจริงตามผลการพยากรณ์ — แต่นั่นเท่ากับสละส่วนที่มีค่าที่สุดในเรื่องทั้งหมดไปโดยสมัครใจ ดังนั้นหากต้องการให้ทีมงานก้าวเข้าสู่ระดับที่สอง สิ่งที่คุณต้องมอบให้ไม่ใช่สิทธิ์การใช้เครื่องมือ แต่คือสิทธิ์ในการตัดสินใจ ต้องระบุให้ชัดเจนว่าใครมีอำนาจตัดสินใจแตกต่างไปจากเดิมโดยอาศัยข้อมูล และต้องพูดให้ชัดตั้งแต่ต้นว่าการตัดสินใจนี้ใครรับผิดชอบ หากผิดพลาดจะคิดอย่างไร

ระดับที่สาม: ถ้าการพยากรณ์ไม่มีต้นทุนอีกต่อไป ธุรกิจนี้จะมีหน้าตาเป็นอย่างไร

ระดับที่สามคือระดับกลยุทธ์ — คุณไม่ได้แค่ใช้ AI ทำสิ่งเดิมให้ดีขึ้น แต่ทำสิ่งที่เดิมทีเป็นไปไม่ได้เลย ตัวอย่างในหนังสือคือสิทธิบัตรที่บริษัทอีคอมเมิร์ซยักษ์ใหญ่แห่งหนึ่งยื่นขอในปี 2013 ที่เรียกว่า "การจัดส่งเชิงพยากรณ์" (Anticipatory Shipping) — กระบวนการดั้งเดิมคือ ผู้บริโภคอยากซื้อ สั่งซื้อ ร้านค้าจึงจัดส่งสินค้า แต่แนวคิดของพวกเขาคือให้ AI พยากรณ์ล่วงหน้าว่าคุณต้องการซื้ออะไร แล้วส่งสินค้าไปให้คุณโดยตรง คุณเก็บสิ่งที่ต้องการไว้และส่งคืนสิ่งที่ไม่ต้องการ รูปแบบนี้จะประสบความสำเร็จหรือไม่ยังไม่แน่นอน ต้นทุนการรับคืนสินค้าอาจสูงมาก แต่แนวคิดนี้เองก็คุ้มค่าแก่การเรียนรู้ เพราะสิ่งที่มันถามไม่ใช่ "ผู้บริโภคต้องการอะไร" แต่คือ "ถ้าเราสามารถรู้ล่วงหน้าว่าผู้บริโภคต้องการอะไร กระบวนการทั้งหมดจะออกแบบใหม่ได้อย่างไร"

นี่คือรูปแบบมาตรฐานของระดับที่สาม — เอาสมมติฐานที่ว่า "การพยากรณ์มีต้นทุนสูง" ออกไป แล้วคิดทบทวนวิธีการทำงานปัจจุบันของคุณใหม่อีกครั้ง สินค้าคงคลังของคุณทำไมต้องกองอยู่ในคลังสินค้า เพราะไม่รู้ว่าใครจะซื้อ ฝ่ายขายของคุณทำไมต้องเยี่ยมลูกค้าทีละราย เพราะไม่รู้ว่าใครจะปิดการขายได้ สายการผลิตของคุณทำไมต้องเผื่อบัฟเฟอร์ เพราะไม่รู้ว่าเครื่องจักรตัวไหนจะเกิดปัญหา วิธีการเหล่านี้ล้วนถูกออกแบบขึ้นมาเพื่อรับมือกับ "ความไม่รู้" ทั้งสิ้น แต่ "ความไม่รู้" นี้กำลังมีต้นทุนถูกลงเรื่อยๆ เมื่อสมมติฐานเปลี่ยนไป กระบวนการที่เกิดขึ้นเพื่อสมมติฐานนั้นก็ควรถูกออกแบบใหม่ นี่ไม่ใช่ปัญหาเรื่องประสิทธิภาพ แต่เป็นปัญหาเรื่องรูปแบบธุรกิจ

บริษัทที่นำ AI มาใช้เหมือนกัน บางแห่งแค่จัดทำรายงานได้เร็วขึ้น บางแห่งเริ่มเปลี่ยนกระบวนการตัดสินใจ และมีเพียงส่วนน้อยที่นิยามใหม่ว่าตนเองกำลังขายอะไรอยู่ อีกสามปีข้างหน้า ความแตกต่างระหว่างบริษัททั้งสามประเภทนี้จะไม่ใช่ความแตกต่างด้านประสิทธิภาพอีกต่อไป แต่จะเป็นความแตกต่างด้านรูปแบบธุรกิจ — และช่องว่างประเภทหลังนี้ ยากที่จะไล่ตามทัน

สิ่งที่ผู้บริหารสามารถนำไปใช้ได้

• ตรวจสอบก่อนว่าตนเองติดอยู่ในระดับแรกหรือไม่: ลองถามตัวเองข้อหนึ่ง — ในช่วงสามเดือนที่ผ่านมา มีการตัดสินใจใดบ้างที่เปลี่ยนแปลงไปจากเดิมเพราะข้อมูลหรือผลลัพธ์จาก AI หากนึกไม่ออกแม้แต่ข้อเดียว แสดงว่าบริษัทของคุณต่อให้นำเครื่องมือมาใช้มากเพียงใด ก็ยังคงอยู่ในระดับประสิทธิภาพเท่านั้น
• เมื่อได้รับผลการพยากรณ์ ให้ถามถึงผลลัพธ์ก่อน อย่ารีบดำเนินการตามตัวเลขทันที: ไม่ว่าจะเป็นการพยากรณ์ความต้องการ ความเสี่ยงในการลาออกของพนักงาน หรือโอกาสในการค้างชำระ ให้ถามก่อนว่าหากตัวเลขสูงหรือต่ำกว่าที่คาดร้อยละยี่สิบ ความสูญเสียของฉันจะเป็นอย่างไร ความผิดพลาดแบบไหนที่รับไม่ไหวมากกว่ากัน แล้วปรับการตัดสินใจไปในทิศทางที่ปลอดภัยกว่า แทนที่จะรับตัวเลขมาใช้ทั้งหมดโดยไม่คิด
• เขียนสิทธิ์การตัดสินใจและความรับผิดชอบไว้ให้ชัดเจนด้วยกัน: กำหนดให้ผู้ใดผู้หนึ่งมีอำนาจตัดสินใจแตกต่างไปจากเดิมโดยอาศัยข้อมูล พร้อมทั้งเขียนให้ชัดเจนเป็นลายลักษณ์อักษรว่าการตัดสินใจนี้ใครรับผิดชอบ หากผิดพลาดจะคิดอย่างไร หากขาดขั้นตอนนี้ ทีมงานจะกล้าใช้ AI เพียงแค่ทำสรุปเท่านั้นตลอดไป
• ทุกไตรมาส เลือกกระบวนการหนึ่งมาทำการทดลอง "ถ้าไม่รู้กลายเป็นรู้": เลือกเรื่องสต็อกสินค้า การจัดตารางงาน หรือการเยี่ยมลูกค้าเรื่องใดเรื่องหนึ่ง แล้วถามว่าถ้าเราสามารถรู้ผลลัพธ์ล่วงหน้าได้ กระบวนการนี้ยังจำเป็นต้องมีขั้นตอนแบบเดิมอยู่หรือไม่ นี่คือวิธีฝึกฝนเพียงหนึ่งเดียวเพื่อก้าวเข้าสู่ระดับที่สาม
• จัดทำรายการข้อมูลที่ลอกเลียนแบบยากให้เป็นทรัพย์สินของบริษัท: สำรวจตัวเลขภาคสนามที่คนภายนอกเข้าถึงไม่ได้ — บันทึกความผิดปกติในกระบวนการผลิต ร่องรอยข้อร้องเรียนลูกค้า พฤติกรรมการสั่งซื้อของลูกค้าประจำ คิดให้ชัดเจนว่าใครเป็นผู้ดูแล ใครมีสิทธิ์ใช้งาน และกำลังสูญหายไปหรือไม่ การปรับเปลี่ยนรูปแบบธุรกิจในระดับที่สามต้องอาศัยสิ่งเหล่านี้เป็นเชื้อเพลิง
• เมื่อพิจารณาเลื่อนตำแหน่งและรับสมัครงาน ให้ถือว่า "วิจารณญาณ" เป็นตัวชี้วัดที่แยกออกมาต่างหาก: อย่าดูแค่ว่าใครจัดทำรายงานได้เร็วหรือค้นหาข้อมูลได้ครบถ้วน ลองถามคำถามเชิงสถานการณ์โดยตรง — ถ้าการพยากรณ์นี้ผิดพลาด คุณจะปรับการตัดสินใจนี้อย่างไร สิ่งที่ต้องพิจารณาคือเขาได้คิดถึงผลลัพธ์หรือไม่ ไม่ใช่ว่าเขาจำตัวเลขได้หรือไม่

ถ้าเป็นบริษัทของคุณ

ในช่วงสามเดือนที่ผ่านมา มีการตัดสินใจใดในบริษัทของคุณที่เปลี่ยนแปลงไปจากเดิมเพราะผลการพยากรณ์ชิ้นหนึ่ง หากคำตอบคือไม่มี แสดงว่าเครื่องมือ AI ที่คุณซื้อมานั้น แท้จริงแล้วได้มาเพียงแค่ประสิทธิภาพเท่านั้น และประสิทธิภาพก็จะกลายเป็นสิ่งที่คนอื่นก็มีเหมือนกันในไม่ช้า

กระบวนการใดในมือคุณที่ถูกออกแบบขึ้นมาเพื่อรับมือกับ "ความไม่รู้" โดยเฉพาะ หาก "ความไม่รู้" นั้นหายไปในวันพรุ่งนี้ กระบวนการนี้ยังจำเป็นอยู่มากน้อยเพียงใด

คุณกล้ามอบอำนาจให้บุคคลใดบุคคลหนึ่งอย่างชัดเจนหรือไม่ ให้เขาสามารถตัดสินใจแตกต่างไปจากธรรมเนียมเดิมโดยอาศัยข้อมูล และตกลงกันไว้ล่วงหน้าว่าหากผิดพลาดจะเป็นความรับผิดชอบของใคร หากไม่กล้า นั่นคือสาเหตุที่แท้จริงที่ทำให้คุณยังคงติดอยู่ในระดับแรก

บทความนี้เรียบเรียงและวิเคราะห์เนื้อหาจากคลิปวิดีโอในช่อง YouTube "簡單經濟學" ตอน 〈อ่านจบใน 26 นาที《กลยุทธ์การคิดในเศรษฐกิจยุค AI》〉 หากต้องการรับชมเนื้อเรื่องและรายละเอียดการเล่าเรื่องฉบับเต็ม ขอแนะนำให้ไปรับชมคลิปต้นฉบับ และขอเชิญชวนติดตามช่อง 簡單經濟學 เพื่อสนับสนุนให้ผู้สร้างสรรค์ผลงานต้นฉบับผลิตเนื้อหาดีๆ ต่อไป