Case study: เปลี่ยนคำว่า “ไม่แน่ใจ” ให้กลายเป็นแผนจากผลสำรวจ

คำตอบที่ซื่อตรงที่สุด กลับเป็นคำตอบที่ชวนให้คิดมากที่สุด จากผลการประเมินความพร้อม คำตอบว่า “ไม่แน่ใจ” เผยให้เห็นถึง 7 ข้อจากทั้งหมด 12 ข้อ¹ สิ่งที่ทำให้น่าชวนให้คิด ก็เพราะ ความหมายที่แฝงอยู่ในคำตอบนี้คือ คนในทีมคุณกำลังตัดสินใจเรื่อง AI กันอยู่ทุกวัน เพียงแต่คุณอาจไม่เห็นว่ามันกำลังเกิดขึ้นอยู่ตรงไหน1กรณีศึกษานี้เรียบเรียงจากหลายโปรเจกต์ที่ Fellow เคยทำ โดยปรับข้อมูลเพื่อไม่ให้ระบุตัวตน ตัวเลขใช้เพื่อสะท้อน pattern ที่พบจริง ไม่ใช่ผล audit ของลูกค้ารายใดรายหนึ่ง

สถานการณ์

หัวหน้าฝ่ายคนหนึ่งในองค์กรขนาดใหญ่ทำ Readiness Assessment ของเรา และตอบว่า “ไม่แน่ใจ” ถึง 7 ข้อ จาก 12 ข้อ ซึ่งครอบคลุมเรื่องอย่างการมองเห็นว่าองค์กรใช้เครื่องมืออะไรอยู่บ้าง นโยบายด้านข้อมูล การตรวจสอบผลลัพธ์ การวัดผลจนไปถึงเรื่อง ownership

สิ่งแรกที่เธอทำคือขอโทษกับผลที่ออกมา

แต่สำหรับเรา เรากลับมองตรงกันข้าม เพราะเธอเป็นผู้นำเพียงคนเดียวในกลุ่มที่เราเชื่อคำตอบได้ทั้งหมด เพราะคนอื่นต่างตอบจากการคาดเดา^◦ตัวเลข7 จาก 12ตัวชี้วัดที่ตอบว่า “ไม่แน่ใจ” — ปัญหาไม่ใช่คะแนนต่ำ แต่คือมองไม่เห็น

จริง ๆ แล้ว สถานการณ์แบบนี้ไม่ได้แปลกเลยสำหรับผู้บริหารในระดับเธอ เธอดูแลพนักงานมากกว่า 400 คน ที่กระจายอยู่ถึง 3 แห่ง และมีอยู่ 2 แห่งที่เธอเดินทางไปถึงแค่เดือนละครั้ง

สิ่งที่เธอรู้เกี่ยวกับ AI ในทีมที่เธอดูแล จึงเป็นสิ่งที่ถูกส่งต่อขึ้นมาถึงเธอเท่านั้น ไม่ว่าจะเป็นคำขอซื้อ Rnterprise Licence หนึ่งรายการ เรื่องร้องเรียนเกี่ยวกับการสรุปข้อมูลที่ไม่ถูกต้องหนึ่งครั้ง หรือสไลด์ในรายงานประจำไตรมาสที่ระบุว่า “AI adoption is in progress”

แต่ข้อมูลเหล่านั้นก็ยังไม่มากพอที่จะทำให้เห็นภาพรวมที่ครบถ้วน

5 ตัวชี้วัดที่เธอตอบได้อย่างมั่นใจ ล้วนเป็นเรื่องที่มีหลักฐานรองรับ ไม่ว่าจะเป็น Policy ที่เซ็นแล้ว Budget Line หรือสัญญากับ Vendor

ส่วนอีก 7 ตัวชี้วัดที่เธอตอบไม่ได้ ล้วนเป็นเรื่องที่ต้องถูกพบเจอในรูปของ พฤติกรรมคน เช่น ในวันอังคารธรรมดา ๆ วันหนึ่ง คนในทีมกำลังใช้ AI ทำอะไรกันจริง ๆ

ความแตกต่างตรงนี้คือ diagnostic ที่สำคัญมาก

ผู้นำมองเห็นสิ่งที่ถูกบันทึกไว้ในระบบ แต่จะมองไม่เห็นสิ่งที่คนกำลังทำกันจริง ถ้าไม่มีใครตั้งใจลงไปดู

ดังนั้น การประเมินที่ยังให้คะแนนไม่ได้ ไม่ได้แปลว่า เป็นการประเมินที่ล้มเหลว แต่มันคือแผนที่ที่บอกชัด ๆ ว่า สายตาของคุณมองเห็นไปถึงตรงไหน

และสำหรับเธอ เช่นเดียวกับผู้บริหารระดับสูงอีกส่วนใหญ่ สายตานั้นก็มาหยุดตรงจุดเดียวกับที่งานจริงกำลังเกิดขึ้นพอดี

ผู้นำประเมินเรื่องนี้ต่ำกว่าความจริงอย่างเป็นระบบ

คำตอบว่า “ไม่แน่ใจ” ถึง 7 ข้อ อาจดูเหมือนเป็นช่องว่างของคนคนหนึ่ง แต่ผลการวิจัยบอกว่า นี่เป็นปัญหาเชิงโครงสร้าง และผู้นำที่รู้สึกมั่นใจ มักเป็นคนที่ประเมินสถานการณ์คลาดเคลื่อนมากที่สุด

• งานวิจัยของ McKinsey เรื่อง Superagency in the Workplace ซึ่งถูกเผยแพร่ในเดือนมกราคม 2025 ถามคำถามเดียวกันกับทั้งผู้บริหารและพนักงาน¹ ผู้บริหารระดับ C-suite ประเมินว่ามีพนักงานเพียง 4% ที่ใช้ generative AI กับงานอย่างน้อย 30% ของแต่ละวัน แต่เมื่อถามพนักงานโดยตรง ตัวเลขที่รายงานคือ 13% หรือประมาณ 3 เท่าของที่ผู้บริหารคิด^◦แหล่งอ้างอิงMcKinsey, "Superagency in the workplace", 2025ตัวเลข4% เทียบกับ 13%สัดส่วนการใช้ gen AI อย่างหนักที่ C-suite ประเมิน เทียบกับสิ่งที่พนักงานรายงานจริง จาก McKinsey Superagency เดือนมกราคม 2025
• ในงานวิจัยเดียวกันยังพบว่า มีผู้นำเพียง 1% ที่มองว่าบริษัทของตัวเองมีความ mature ในการนำ AI ไปใช้งาน ตัวเลขนี้สะท้อนความซื่อตรงจากผู้บริหารที่หาได้ยาก และดูขัดกันไม่น้อยกับความมั่นใจที่เรามักเห็นเวลา Adoption ถูก Report ขึ้นไปข้างบน
• Microsoft 2024 Work Trend Index พบว่า 78% ของผู้ใช้ AI นำเครื่องมือ AI ของตัวเองมาใช้ในการทำงาน และ 52% ไม่ค่อยอยากยอมรับว่าตัวเองใช้ AI กับงานที่สำคัญที่สุด² พูดอีกแบบคือ งานที่ผู้นำมีโอกาสได้ยินเรื่องการใช้ AI น้อยที่สุด กลับเป็นงานที่สำคัญที่สุดแหล่งอ้างอิงMicrosoft, 2024 Work Trend Index
• Slack Workforce Index ช่วงปลายปี 2024 พบว่า 48% ของ desk workers รู้สึกไม่สบายใจที่จะบอกหัวหน้าว่าตัวเองใช้ AI ขณะที่คนที่รู้สึกสบายใจที่จะเปิดเผยเรื่องนี้ มีแนวโน้มที่จะใช้ AI มากกว่าถึง 67%^3◦แหล่งอ้างอิงSlack (Salesforce), Fall 2024 Workforce Indexตัวเลข48%ของ desk workers รู้สึกไม่สบายใจที่จะบอกหัวหน้าว่าตัวเองใช้ AI จาก Slack Workforce Index ช่วงปลายปี 2024 — และคนที่สบายใจที่จะเปิดเผยมีแนวโน้มใช้ AI มากกว่าถึง 67%

ความเงียบจึงไม่ได้เป็นกลาง มันทำให้ภาพที่ผู้นำเห็นบิดเบี้ยว และในขณะเดียวกันก็กดให้คนไม่กล้าลองใช้ AI อย่างเปิดเผย

ผลสำรวจ Cybersecurity Leaders 302 คนของ Gartner ในปี 2025 ทำให้เราเห็นขนาดของความเสี่ยงนี้ชัดขึ้น จำนวนมากถึง 69% สงสัยหรือมีหลักฐานว่าพนักงานกำลังใช้ Public Generative AI tools ที่องค์กรห้ามใช้ และ Gartner คาดว่าภายในปี 2030 องค์กรมากกว่า 40% จะเจอ Security หรือ Compliance Incident ที่เกี่ยวข้องกับ Shadow AI⁴แหล่งอ้างอิงGartner on shadow AI, 2025 (ผ่าน ITPro)

สิ่งที่น่าสนใจคือ Gartner ไม่ได้เสนอให้แก้ด้วย “การห้าม” ที่เข้มงวดขึ้น แต่แนะนำให้ทำ Audit อย่างสม่ำเสมอ²2ตัวเลข Gartner ในส่วนนี้ยืนยันผ่าน secondary sources ที่ระบุแหล่งที่มาชัดเจน ไม่ใช่จาก primary release โดยตรง จึงควรมองเป็นตัวเลขที่บอกทิศทาง มากกว่าตัวเลขที่ต้องยึดแบบเป๊ะ ๆ

ซึ่งในทางปฏิบัติ ก็แทบจะเป็นการสนับสนุนแนวทาง 4 สัปดาห์ที่เราจะเล่าต่อจากนี้

ช่องว่างนี้จะยิ่งกว้างขึ้น เมื่อเทคโนโลยีเริ่มทำงานได้ด้วยตัวเองมากขึ้น รายงาน State of AI in the Enterprise ของ Deloitte พบว่า มีเพียง 1 ใน 5 บริษัทที่มี Governance Model ที่ Mature สำหรับ Autonomous AI agents หรือระบบ AI ที่ไม่ได้แค่ “ตอบ” แต่สามารถ “ลงมือทำ” ได้⁵แหล่งอ้างอิงDeloitte, State of AI in the Enterprise, 2026 edition

ถ้าผู้นำยังอธิบายไม่ได้ด้วยซ้ำว่า AI assistant ที่คนใช้กันวันนี้กำลังทำอะไรอยู่ ก็แทบไม่มีพื้นฐานเพียงพอที่จะกำกับดูแลระบบที่สามารถลงมือทำเองโดยไม่มีคนคอยกำกับ

และต้นทุนของการ “ไม่มอง” ไม่ใช่เรื่องสมมติ

ในคดี Moffatt v. Air Canada (2024 BCCRT 149) ศาลปกครองของแคนาดาตัดสินให้สายการบินต้องรับผิดชอบต่อข้อมูลเรื่อง Bereavement Fare ที่ Chatbot บนเว็บไซต์สร้างขึ้นมาเอง และไม่ยอมรับข้อโต้แย้งที่ว่า Chatbot เป็น Entity แยกต่างหากที่ต้องรับผิดชอบต่อคำพูดของตัวเอง⁶แหล่งอ้างอิงMoffatt v. Air Canada, 2024 BCCRT 149 (ผ่าน McCarthy Tétrault)

จำนวนเงินในคดีนี้ไม่มาก อยู่ที่ CA$812.02 แต่สิ่งที่คดีนี้วางไว้เป็นบรรทัดฐานสำคัญกว่ามาก องค์กรต้องรับผิดชอบต่อสิ่งที่ AI ของตัวเองพูด ไม่ว่าจะมีคนตรวจอยู่หรือไม่ก็ตาม

และ “การตรวจสอบความถูกต้อง” ก็เป็นหนึ่งใน 7 ตัวชี้วัดที่หัวหน้าสายงานคนนี้ตอบไม่ได้

ทำไม “เดา” ถึงแย่กว่า “ไม่รู้”

ผู้นำที่ตอบว่า “น่าจะโอเค” กำลังเปลี่ยนปัญหาเรื่อง Visibility ให้กลายเป็นปัญหาเรื่อง False Confidence^◦นิยามBlind-spot risk การใช้งาน ค่าใช้จ่าย และความเสี่ยงที่เกิดขึ้นในส่วนที่ไม่มีใครมองเห็น — จัดการไม่ได้ ไม่ใช่เพราะมีใครตั้งใจซ่อน แต่เพราะไม่มีใครกำลังดูอยู่

งบประมาณถูกตั้งขึ้น นโยบายถูกเขียน และความเสี่ยงถูกยอมรับ บนภาพที่ครึ่งหนึ่งเป็นข้อมูลจริง อีกครึ่งหนึ่งเป็นเรื่องเล่าที่ไม่มีใครรู้ที่มา

การพูดว่า “ไม่แน่ใจ” ออกมาตรง ๆ จึงเป็น Governance Action แรก เพราะมันเปลี่ยนช่องว่างที่มองไม่เห็น ให้กลายเป็นปัญหาที่เริ่มลงมือจัดการได้

และการเดายังสะสมต่อเนื่องขึ้นเรื่อย ๆ

ตัวเลขที่เดาขึ้นมาถูกใส่ลงในสไลด์บอร์ด จากนั้นสไลด์ถูกนำไปอ้างใน Budget Submission และพอถูกพูดซ้ำเป็นครั้งที่สาม ตัวเลขนั้นก็เริ่มมีที่มาที่ไปที่จริง ๆ ทั้งที่จริง ๆ ไม่เคยมีเลย

เราเคยเห็นเปอร์เซ็นต์ Adoption ที่ถูกคิดขึ้นมาลอย ๆ อยู่รอดผ่าน Planning Cycle ถึงสองรอบ เพราะไม่มีใครจำได้แล้วว่าตัวเลขมาจากไหน และทุกคนคิดว่า “คงมีใครวัดไว้แล้ว”

ต้นตอของเรื่องทั้งหมดคือ measurement vacuum

ผลสำรวจ 1,491 องค์กรของ McKinsey ในเดือนมีนาคม 2025 พบว่า มีองค์กรไม่ถึง 1 ใน 5 ที่ติดตาม KPI ที่นิยามไว้อย่างชัดเจนสำหรับ Generative AI Solutions ของตัวเอง^7◦แหล่งอ้างอิงMcKinsey, "The State of AI", March 2025ตัวเลขน้อยกว่า 1 ใน 5ขององค์กรมีการติดตาม KPI ที่นิยามชัดเจนสำหรับงาน gen AI จากการสำรวจ 1,491 องค์กรของ McKinsey เดือนมีนาคม 2025

เมื่อไม่มีเครื่องมือวัด การตอบแบบมั่นใจกับการตอบตามตรงว่า “ไม่รู้” ใช้ effort เท่ากัน

และนั่นอาจเป็นเหตุผลว่าทำไมผู้นำจำนวนมากถึงเลือกคำตอบที่ฟังดูมั่นใจกว่า

Audit ตลอด 4 สัปดาห์

เราออกแบบ Audit ที่เบาที่สุดเท่าที่จะทำได้ แต่ยังปิด Blind Spot ของเธอได้จริง โดยใช้วิธี “ถามคน” ไม่ใช่ “ส่งแบบสอบถาม”

1. สัปดาห์ที่ 1 — Access และ Tools ทำงานร่วมกับ IT เพื่อดูว่าองค์กรมี licence ของ AI tools ตัวไหนบ้าง ใคร activate ไปแล้ว และมี Browser-based Tools อะไรปรากฏใน network logs บ้าง เป็น desk research ล้วน ๆ โดยไม่มีการสัมภาษณ์
2. สัปดาห์ที่ 2–3 — คุยกับคน 15 คน ครั้งละ 30 นาที กับคนที่ทำงานจริง คละกันหลายระดับ โดยใช้คำถามชุดเดียวว่า “ช่วยเปิดให้ดูหน่อยว่า ในหนึ่งสัปดาห์ AI เข้าไปแตะงานตรงไหนบ้าง” ไม่มีการตัดสิน ไม่ใช้แบบฟอร์ม^◦ภาพประกอบบทสนทนา 15 ครั้งทำให้เราเห็นสิ่งที่ dashboard ตลอดสองปีไม่เคยให้ได้: ภาพที่ตรงกับความเป็นจริง
3. สัปดาห์ที่ 4 — ทำแผนที่หนึ่งหน้า สรุป AI tools ที่ใช้งานจริง ซึ่งพบ 13 ตัว เทียบกับ 4 ตัวที่องค์กรรู้ว่ามีอยู่ ระบุ 5 workflows ที่สำคัญที่สุด ดูว่าข้อมูลจริง ๆ กำลังไหลไปไหน และสำหรับทุก practice ที่พบ ต้องมีชื่อกำกับว่าใครกำลังดูแลอยู่ และใครควรเป็น owner

สัปดาห์แรกที่เป็น desk research ใช้ทรัพยากรน้อยกว่าที่ทุกคนคิด และเปิดเผยอะไรออกมามากกว่าที่ทุกคนอยากเห็น

นักวิเคราะห์ IT เพียงคนเดียวใช้เวลาประมาณ 6 ชั่วโมง ก็ได้ทำให้ได้รายชื่อเครื่องมือที่ไม่เคยมีใครในฝ่ายนี้เห็นถูกบันทึกไว้เป็นลายลักษณ์อักษรมาก่อน

ในนั้นมี 2 เครื่องมือที่พนักงานจ่ายเองแล้วนำมาเบิกเป็นค่าใช้จ่ายส่วนบุคคล โดยลงหมวดว่า “software subscription” ซึ่งเป็นเหตุผลว่าทำไมมันถึงหลุดจาก procurement review มาได้ถึง 11 เดือน

ส่วนการคุยกับคนคือครึ่งที่แพงกว่า

15 sessions ครั้งละ 30 นาที รวมเวลานัดหมายและสรุปผลแล้ว ใช้ทรัพยากรประมาณ 2 person-weeks

และมันเกือบไม่ได้ผล

สามบทสนทนาแรกแทบไม่เจออะไรเลย ทุกคนพูดถึงแต่เครื่องมือที่องค์กรอนุมัติ และพูดด้วยน้ำเสียงเหมือนกำลังนั่ง performance review

สิ่งที่ทำให้บทสนทนาครั้งที่ 4 เปลี่ยนไป คือเราเก็บสมุดจด แล้วเปลี่ยนคำถาม

จาก “คุณใช้ AI ไหม?”

เป็น “ช่วยเปิดให้ดูหน่อยว่า งานล่าสุดชิ้นไหนที่ตอนนี้คุณทำได้เร็วกว่าเมื่อก่อน”

แล้วหน้าจอก็ถูกเปิดขึ้นมา

หลังจากนั้น ทุก session เราเริ่มด้วยการแชร์เรื่องเล็ก ๆ ธรรมดา ๆ จากการใช้ AI ในสัปดาห์ของเราเองก่อน ไม่มีอะไรหวือหวา ไม่มี use case ที่ดู impressive

ผลคือแทบทุก session คุยเกินเวลา แทนที่จะจบก่อนเวลา

มีช่วงหนึ่งที่ audit นี้เกือบกลายเป็นสิ่งที่เราตั้งใจไม่ให้มันเป็น

กลางสัปดาห์ที่ 2 ผู้จัดการอาวุโสคนหนึ่งขอรายชื่อคนที่ให้สัมภาษณ์ พร้อมรายละเอียดว่าแต่ละคนพูดอะไร

ถ้าเราส่งให้ audit คงจบตรงนั้น เพราะบทสนทนาครั้งที่ 5 น่าจะเป็นบทสนทนาสุดท้ายที่ยังได้ข้อมูลจริง

หัวหน้าสายงานปฏิเสธ และเขียนเหตุผลส่งให้ leadership team อย่างชัดเจนว่า Audit นี้รายงาน “patterns และ workflows” ไม่รายงานชื่อบุคคลควบคู่กับพฤติกรรม และชื่อเดียวที่จะอยู่บนแผนที่สุดท้าย คือชื่อของ owner ที่เจ้าตัวตกลงแล้วว่าจะรับบทบาทนั้น

ข้อความสั้น ๆ นั้นช่วยเพิ่มคุณภาพของบทสนทนาอีก 11 ครั้งที่เหลือ มากกว่าคำรับรองใด ๆ ที่เราจะพูดเองได้

ข้อจำกัดอีกอย่างที่เราตั้งใจมาก คือผลลัพธ์ในสัปดาห์ที่ 4 ต้องจบใน “หนึ่งหน้า”

และการทำแบบนั้นเจ็บกว่าที่คิด

Working draft แรกยาวถึง 9 หน้า ทุกอย่างที่อยู่นอกเหนือจาก 5 workflows แรกเป็นเรื่องจริงทั้งหมด แต่ไม่มีอะไรในนั้นที่จะเปลี่ยนการตัดสินใจ เพราะรายงาน 30 หน้าอาจถูกต้องทุกบรรทัด แต่ถ้าไม่มีใครอ่านและไม่มีใครลงมือทำ มันก็ไม่มีประโยชน์

การบังคับให้เหลือหน้าเดียว ทำให้เราต้องจัดลำดับความสำคัญ และการจัดลำดับนั้นเองที่เปลี่ยนเอกสารจาก “inventory” ให้กลายเป็น “roadmap”

คำตอบ “ไม่แน่ใจ” ทั้ง 7 ข้อของเธอในตอนแรก จึงกลายเป็น 7 บรรทัดบนหน้ากระดาษ แต่ละบรรทัดมีทั้ง finding และ owner กำกับไว้

สิ่งที่เปลี่ยนไป

แผนที่หนึ่งหน้านั้นกลายเป็น AI adoption roadmap ของฝ่ายตลอดทั้งปี

Shadow workflows 2 รายการถูกยกระดับให้กลายเป็น workflows ที่องค์กรสนับสนุนอย่างเป็นทางการ

พบ data exposure จริง 1 จุด และปิดได้ภายใน 2 สัปดาห์หลังจากมองเห็น

และมีการแต่งตั้ง adoption owner ขึ้นมาเป็นครั้งแรก

ข้อนี้คือ structural fix ที่สำคัญที่สุด เพราะ visibility ที่ต่อเนื่องต้องมี “คน” รับผิดชอบ ไม่ใช่รอทำ audit ปีละครั้ง

เมื่อทำ assessment ซ้ำในอีกหนึ่งไตรมาสถัดมา 11 จาก 12 ตัวชี้วัดมีคำตอบแล้ว

คะแนนที่ออกมาจริง ๆ ต่ำกว่าคะแนนที่ผู้นำคนอื่นเคยเดาไว้เสียอีก

แต่ต่างกันตรงที่คะแนนนี้เป็นเรื่องจริง^◦ตัวเลข13 เทียบกับ 4จำนวน AI tools ที่มีการใช้งานจริง เทียบกับจำนวนที่องค์กรรู้ว่ามีอยู่ — พบภายใน 4 สัปดาห์จากการลงไปถาม

สิ่งที่ทำให้ทุกคนไม่สบายใจที่สุดคือ data exposure

ทีมหนึ่งกำลัง copy ข้อมูลลูกค้าไปใส่ใน consumer AI account เพื่อให้ AI ช่วยจัด format ใหม่

พฤติกรรมนี้เกิดขึ้นมาประมาณ 8 เดือนแล้ว เริ่มจากคนคนหนึ่งที่เพียงแค่พยายามหาวิธีช่วยให้งานเร็วขึ้น และไม่เคยถูก flag เพราะไม่มีกฎข้อไหนเขียนครอบคลุมกรณีนี้ไว้อย่างชัดเจน

ใช้เวลา 2 สัปดาห์ในการปิดช่องโหว่ และไม่มีใครต้องตกงาน

สิ่งที่ต้องทำมีเพียงจัดหา supported tool ที่ทำงานเดียวกันได้ เขียน data rule สั้น ๆ หนึ่งย่อหน้า และใช้การพูดคุยแทน disciplinary process

รายงาน AI Adoption and Risk Report ปี 2026 ของ Cyberhaven Labs ซึ่งวัด data flows ที่เกิดขึ้นจริงในองค์กร แทนการถามพนักงาน พบว่า 39.7% ของการส่งข้อมูลเข้า AI tools มี sensitive data อยู่ด้วย และโดยเฉลี่ยพนักงานหนึ่งคนส่ง sensitive data เข้า AI tool ทุก ๆ 3 วัน^8◦แหล่งอ้างอิงCyberhaven Labs, 2026 AI Adoption & Risk Reportตัวเลขทุก 3 วันความถี่เฉลี่ยที่พนักงานส่ง sensitive data เข้า AI tool จากการวัด enterprise data flows ของ Cyberhaven Labs ปี 2026

ดังนั้นทีมนี้ไม่ได้เป็นข้อยกเว้น แต่เป็นทีมทั่วไป

ส่วนการตั้ง owner เป็นการแก้ปัญหาที่อยู่ได้นานที่สุด และเป็นเรื่องที่ต้องถกเถียงกันมากที่สุดด้วย

ในตอนแรกมีคนค้านว่า นี่คือ “หมวกอีกใบที่ต้องเอาไปใส่บนหัวคนที่งานเต็มอยู่แล้ว”

จนเรากำหนด scope ของบทบาทตามความเป็นจริง คือใช้เวลา 2 ชั่วโมงต่อสัปดาห์ มี standing list ที่ต้องดูแล และมี authority ว่า workflows ไหนควรได้รับการ support เป็นลำดับถัดไป

4 สัปดาห์สามารถซื้อ “ภาพที่แม่นยำ” ให้คุณได้ แต่ภาพนั้นมีอายุประมาณ 2 ไตรมาส

ส่วนการมี owner ที่ชัดเจน และให้เวลาเขา 2 ชั่วโมงต่อสัปดาห์ สามารถทำให้ภาพนั้นแม่นยำต่อไปได้เรื่อย ๆ

นี่คือความแตกต่างระหว่างการ “ทำ audit” กับการ “สร้าง capability”

สิ่งที่เราจะทำต่างออกไป

มี 3 เรื่อง เรียงตามต้นทุนของบทเรียนที่เราได้มา

เรื่องแรก audit นี้วัดว่า “มีอะไรเกิดขึ้นบ้าง” แต่ไม่ได้วัดว่า “มันสร้าง value แค่ไหน”

เมื่อจบสัปดาห์ที่ 4 เราระบุได้ว่ามี 13 tools, 5 workflows และ data exposure 1 จุด

แต่เราตอบไม่ได้เลยว่า ทั้งหมดนี้ช่วยประหยัดเวลาไปได้แม้แต่ชั่วโมงเดียวหรือเปล่า

ไม่มีใครเก็บ baseline ก่อน AI เข้ามา และกว่าเราจะนึกได้ว่าควรถาม คำว่า “ก่อนใช้ AI” ก็หมายถึงเรื่องที่เกิดขึ้นเมื่อหนึ่งปีก่อน ซึ่งทุกคนทำได้เพียงนึกย้อนจากความทรงจำ ไม่ได้มีข้อมูลบันทึกไว้

หนึ่งไตรมาสต่อมา สายงานสามารถอธิบายการใช้ AI ของตัวเองได้อย่างแม่นยำ แต่ยังตอบไม่ได้ว่า AI budget ที่ใช้ไปนั้นคุ้มค่าหรือไม่

ถ้าทำใหม่ ในสัปดาห์แรกเราจะเลือก 2 workflows และเก็บ baseline แบบง่าย ๆ ไว้ก่อน ว่าใช้เวลานานเท่าไร ทำกี่ครั้ง และเกิดขึ้นบ่อยแค่ไหน

เพราะตัวเลขคร่าว ๆ ที่ถูกบันทึกไว้ตอนนี้ ยังดีกว่าตัวเลขที่ดูแม่นยำแต่ต้องสร้างย้อนหลังจากความทรงจำ^◦บทความที่เกี่ยวข้องทำไมการวัดผลต้องเริ่มก่อนเครื่องมือ

เรื่องที่สอง การคุยกับ 15 คนในสายงานที่มี 400 คน ยังคงเป็นเพียง sample และเป็น sample ที่มี self-selection bias

คนที่ยอมใช้เวลา 30 นาทีมาคุยเรื่องพฤติกรรมการทำงานของตัวเอง โดยธรรมชาติแล้วมักเป็นคนที่ค่อนข้างสบายใจที่จะพูดเรื่องวิธีทำงานของตัวเอง

เราค่อนข้างมั่นใจว่าแผนที่นี้จับ workflows ที่มีคนมากกว่ากลุ่มเล็ก ๆ ใช้งานอยู่ได้ครบ

แต่เราไม่มั่นใจเลยว่ามันจับการใช้ AI แบบเงียบ ๆ คนเดียว หรือ use case ที่เจ้าตัวรู้สึกเขิน ๆ ไม่ค่อยอยากเล่า ได้ครบหรือไม่

และจากงานวิจัยที่กล่าวมาข้างต้น พื้นที่เงียบ ๆ แบบนี้กลับเป็นจุดที่ความเสี่ยงกระจุกตัวอยู่มากกว่าปกติ

เรื่องสุดท้าย 4 สัปดาห์ให้คุณได้แค่ “ภาพถ่าย” ไม่ใช่ “live feed”

แผนที่นี้แม่นในเดือนแรก ยังพอแม่นในเดือนที่ 4 และถ้าไม่มี owner คอยอัปเดต พอถึงเดือนที่ 12 มันจะไม่ใช่แค่ข้อมูลเก่า แต่สามารถทำให้คนตัดสินใจผิดได้

ความล้มเหลวที่เราเห็นบ่อยที่สุดหลัง audit แบบนี้ จึงไม่ใช่ “แผนที่ที่ทำมาไม่ดี”

แต่คือ “แผนที่ที่เคยดีมาก แต่ไม่มีใครอัปเดต”

แล้ว 18 เดือนต่อมา คนก็ยังหยิบมันมาอ้างด้วยความมั่นใจ

ซึ่งสุดท้ายก็พาเรากลับไปสู่ปัญหาเดิมที่ audit นี้ถูกสร้างขึ้นมาแก้ตั้งแต่แรกคือ การเดาโดยคิดว่าตัวเองรู้

สิ่งที่นำไปใช้ได้เลย

1. สัปดาห์นี้: ลิสต์คำตอบที่คุณตอบว่า “ไม่แน่ใจ” ออกมา ไม่ว่าจะจาก readiness assessment หรือจากการทบทวนตัวเองแบบตรงไปตรงมา ทุกข้อคือคำถามที่มีใครสักคนในองค์กรของคุณตอบได้
2. ก่อนเริ่มลงไปถาม: เลือก 2 workflows แล้วจด baseline แบบคร่าวๆ ไว้ก่อน งานใช้เวลานานเท่าไรตอนนี้ เกิดขึ้นบ่อยแค่ไหน เพราะคุณจะไม่มีโอกาสกลับมาเก็บข้อมูล “ก่อนใช้ AI” อีกแล้ว
3. สัปดาห์ที่ 1–2: ทำ desk research ก่อน ดู licences, activations, tools ที่มองเห็นผ่าน network และ expense lines ที่ถูกลงหมวดว่า software งานนี้เร็วกว่าที่คิด
4. สัปดาห์ที่ 2–4: คุยแบบ “show me” กับคน 15 คน คละกันหลายระดับ ใช้บทสนทนา ไม่ใช้ survey เพราะฟอร์มมักได้คำตอบที่คนคิดว่าคุณอยากได้ยิน ให้คำมั่นเป็นลายลักษณ์อักษรว่าจะไม่เอาชื่อคนไปผูกกับพฤติกรรมที่พบ และเมื่อมีผู้บริหารมาขอข้อมูลนั้น ก็ต้องรักษาคำมั่นจริง ๆ
5. จากนั้น: ทำแผนที่หนึ่งหน้า ใส่ชื่อ owner ให้ทุก finding และแต่งตั้งคนที่จะดูแลให้ข้อมูลนี้อัปเดตต่อไป หนึ่งหน้า และต้องเรียงลำดับความสำคัญ เพราะลำดับนั้นเองคือ roadmap

ถ้า readiness assessment ของคุณเต็มไปด้วยคำตอบว่า “ไม่รู้” อย่าทำ assessment ใหม่เพียงเพราะหวังว่ารอบหน้าจะเดาได้ดีขึ้น

ลงไป audit ก่อน

แล้วค่อยวัด ในวันที่คุณมองเห็นแล้วว่าจริง ๆ กำลังเกิดอะไรขึ้น^◦บทความที่เกี่ยวข้องสิ่งที่มักเจอเมื่อเริ่มลงไปถาม: แผนที่ Shadow AI

แหล่งอ้างอิง

1. McKinsey, "Superagency in the workplace", 2025
2. Microsoft, 2024 Work Trend Index
3. Slack (Salesforce), Fall 2024 Workforce Index
4. Gartner on shadow AI, 2025 (ผ่าน ITPro)
5. Deloitte, State of AI in the Enterprise, 2026 edition
6. Moffatt v. Air Canada, 2024 BCCRT 149 (ผ่าน McCarthy Tétrault)
7. McKinsey, "The State of AI", March 2025
8. Cyberhaven Labs, 2026 AI Adoption & Risk Report