จากโครงการนำร่องสู่การใช้งานจริง ทำไมมีเพียงหนึ่งในสี่ที่ผ่านพ้นขั้นนำร่อง

โครงการนำร่อง AI ส่วนใหญ่ดูดีตอนสาธิต แล้วค่อย ๆ เงียบหายไปในเดือนที่สาม ทีมที่กระตือรือร้นได้สิทธิ์เข้าใช้งาน สร้างเวิร์กโฟลว์ที่น่าประทับใจไม่กี่อย่าง จากนั้นแรงส่งก็แผ่วลง

สาเหตุแทบไม่เคยอยู่ที่ตัวโมเดล แต่อยู่ที่การไม่มีระบบการขยายผลต่างหาก¹1คำว่า "ระบบ" ในที่นี้หมายถึงผู้รับผิดชอบ กิจวัตร และตัววัดพื้นฐาน — ไม่ใช่ซอฟต์แวร์ที่มากขึ้น ทุกองค์ประกอบเป็นเรื่องขององค์กร ไม่มีข้อไหนเป็นการตัดสินใจจัดซื้อ

การหยุดชะงักนี้มีขนาดที่วัดได้

นี่คือความล้มเหลวที่มีบันทึกไว้ละเอียดที่สุดในการใช้ AI ระดับองค์กร และแหล่งข้อมูลอิสระสี่แห่งชี้ไปที่จุดใกล้เคียงกัน

การสำรวจผู้บริหาร 1,000 คนใน 59 ตลาดของ BCG เดือนตุลาคม 2024 พบว่า 74% ขององค์กรยังไม่สามารถแสดงคุณค่าที่จับต้องได้จาก AI มีเพียง 26% ที่ก้าวข้ามขั้นพิสูจน์แนวคิดไปได้ และเพียง 4% ที่สร้างคุณค่าสำคัญได้อย่างสม่ำเสมอ^1◦ รายงาน State of Generative AI in the Enterprise Wave 4 ของ Deloitte เผยแพร่มกราคม 2025 จากผู้บริหารระดับผู้อำนวยการถึงซี-สวีท 2,773 คน พบว่ามากกว่าสองในสามบอกว่าการทดลอง gen AI ปัจจุบันของตนจะถูกขยายผลเต็มรูปแบบภายในสามถึงหกเดือนเพียง 30% หรือน้อยกว่านั้น²แหล่งอ้างอิงBCG, "Where's the Value in AI?", October 2024ตัวเลข26%ขององค์กรที่ผ่านขั้นพิสูจน์แนวคิดไปสู่คุณค่าที่จับต้องได้ — BCG ปี 2024 สำรวจผู้บริหาร 1,000 คนใน 59 ตลาดแหล่งอ้างอิงDeloitte, "State of Generative AI in the Enterprise", Wave 4, January 2025

Gartner คาดการณ์เมื่อกรกฎาคม 2024 ว่าอย่างน้อย 30% ของโครงการ gen AI จะถูกยกเลิกหลังขั้นพิสูจน์แนวคิดภายในสิ้นปี 2025 โดยระบุสาเหตุว่าคุณภาพข้อมูลไม่ดี การควบคุมความเสี่ยงไม่เพียงพอ ต้นทุนบานปลาย และคุณค่าทางธุรกิจไม่ชัดเจน³² และการศึกษา Project NANDA ของ MIT ปี 2025 พบว่าราว 95% ของโครงการนำร่อง gen AI ในองค์กรไม่ให้ผลตอบแทนที่วัดได้ในงบกำไรขาดทุน⁴³แหล่งอ้างอิงGartner press release, 29 July 20242ตัวเลขของ Gartner เป็นการคาดการณ์ล่วงหน้า ไม่ใช่ผลที่วัดได้ ให้อ้างในฐานะความคาดหมายที่ตลาดรับรู้แล้ว ไม่ใช่ในฐานะประวัติศาสตร์แหล่งอ้างอิงMIT Project NANDA, "The GenAI Divide: State of AI in Business 2025" (ผ่าน Fortune)3ตัวเลขของ MIT ต้องมาพร้อมข้อควรระวัง มันอยู่บนการสัมภาษณ์ผู้บริหาร 150 ราย แบบสำรวจพนักงาน 350 คน และการใช้งานสาธารณะ 300 กรณี และไม่ผ่านการทบทวนโดยผู้ทรงคุณวุฒิ "ไม่ให้ผลตอบแทน" หมายถึงไม่มีผลที่วัดได้ในงบกำไรขาดทุน ไม่ได้หมายความว่าเครื่องมือไร้ประโยชน์ รายงานเดียวกันพบว่าผลิตภาพระดับบุคคลเพิ่มขึ้นเป็นเรื่องปกติ

ภาพในไทยทำให้ชัดขึ้นอีก การศึกษาไทยปี 2026 ของ AWS ร่วมกับ Strand Partners จากผู้ตอบ 2,000 คน พบว่าการใช้ AI อย่างต่อเนื่องเพิ่มเป็น 43% ขององค์กร จาก 32% ในปีก่อน — เป็นการนำไปใช้ที่เกิดขึ้นจริงและเร็ว แต่ 74% ยังอยู่ที่การใช้งานขั้นพื้นฐาน คือแชตบอต เครื่องมือสำเร็จรูป และการปรับกระบวนการเล็กน้อย และมีเพียง 9% ที่ไปถึงการใช้งานขั้นสูง^5◦ คอขวดของไทยไม่ใช่การเริ่มใช้ แต่เป็นความลึก⁴แหล่งอ้างอิงAWS with Strand Partners, "Unlocking Thailand's AI Potential 2026" — vendor-commissioned and self-reported (ผ่าน Forbes Thailand)ตัวเลข9%ขององค์กรไทยที่ไปถึงการใช้ AI ขั้นสูง ขณะที่ 74% ยังอยู่ขั้นพื้นฐาน — AWS ร่วมกับ Strand Partners ปี 20264เป็นงานวิจัยที่ผู้ขายว่าจ้างและรายงานด้วยตนเอง — AWS ขายโครงสร้างพื้นฐานที่งานนี้ชวนให้ซื้อ ใช้เชิงทิศทางได้ แต่ไม่ผ่านการตรวจสอบ

กับดักของโครงการนำร่อง

โครงการนำร่องพิสูจน์ว่าเครื่องมือ ทำงานได้ แต่ไม่ได้พิสูจน์ว่าองค์กรของคุณ รับมันเข้าไปได้ สองสิ่งนี้เป็นคนละปัญหากัน:

• โครงการนำร่องคัดเลือกผู้ใช้กลุ่มแรกที่มีแรงจูงใจ แต่การขยายผลต้องเข้าถึงคนส่วนใหญ่ที่ยังลังเล
• โครงการนำร่องขับเคลื่อนด้วยความกระตือรือร้น แต่การขยายผลต้องการกิจวัตร ผู้รับผิดชอบ และการวัดผล
• โครงการนำร่องยอมรับความไม่เรียบร้อยได้ แต่การขยายผลเปิดโปงทุกช่องว่างในการอบรมและกระบวนการ

BCG วัดประชากรกลุ่มที่สองนี้ไว้สองครั้ง และการเคลื่อนที่ระหว่างสองครั้งนั้นสำคัญกว่าตัวเลขครั้งใดครั้งหนึ่ง ในปี 2025 จากพนักงานกว่า 10,600 คนใน 11 ประเทศ การใช้ gen AI อย่างสม่ำเสมอในกลุ่มผู้บริหารและผู้จัดการอยู่เหนือ 75% ขณะที่หน้างานอยู่ที่ 51%⁶ พอถึงฉบับปี 2026 — พนักงาน 11,749 คนใน 14 ตลาด — การใช้งานประจำของหน้างานขึ้นไปถึง 74% เพิ่มขึ้น 23 จุดเปอร์เซ็นต์ในหนึ่งปี^7◦แหล่งอ้างอิงBCG, "AI at Work 2025"แหล่งอ้างอิงBCG, "AI at Work 2026: Strategy Matters More Than Tools", June 2026 (ผ่าน BCG press release)ตัวเลข51% → 74%การใช้ AI ประจำของพนักงานหน้างาน จาก AI at Work ของ BCG ฉบับปี 2025 และ 2026 — ช่องว่างด้านการเข้าถึงปิดลงภายในปีเดียว

ดังนั้นหน้างานตามทันแล้วในเรื่องการเข้าถึง สิ่งที่ไม่ได้ตามมาคือตัวงานเอง: ในแบบสำรวจปี 2026 ชุดเดียวกัน 47% ใช้เวลาไปกับการกำกับ AI มากกว่าการลงมือทำงาน และ 66% แทบไม่ได้รับคำแนะนำว่าจะเอาเวลาที่ประหยัดได้ไปทำอะไร กลุ่มผู้กระตือรือร้นในโครงการนำร่องของคุณยังไม่ใช่องค์กรของคุณย่อส่วน — แต่หางที่คุณต้องเอื้อมถึงไม่ใช่คนที่ยังไม่มีสิทธิ์เข้าใช้อีกต่อไป มันคือคนที่มีสิทธิ์เข้าใช้ แต่ไม่มีงานที่ถูกออกแบบใหม่ให้ใส่มันลงไป

คำถามไม่ใช่ "โครงการนำร่องสำเร็จไหม?" แต่คือ "อะไรต้องเป็นจริงบ้าง เพื่อให้คนคนที่ 400 ใช้สิ่งนี้ได้โดยไม่มีคุณอยู่ในห้อง?"

ทำไมการขยายตัวเครื่องมือจึงเป็นทางที่ผิด

ก้าวถัดไปตามสัญชาตญาณหลังโครงการนำร่องที่ดี คือซื้อไลเซนส์เพิ่มและขยายสิทธิ์เข้าใช้ แต่ทุกงานศึกษาที่จริงจังเรื่องสิ่งที่สร้างความเปลี่ยนแปลงบอกว่าไลเซนส์ไม่ใช่ตัวแปร

การสำรวจ State of AI ของ McKinsey เดือนมีนาคม 2025 จาก 1,491 องค์กร ทดสอบคุณลักษณะราว 25 ข้อกับผลกระทบต่อบรรทัดสุดท้าย ข้อที่มีผลมากที่สุดคือการออกแบบเวิร์กโฟลว์ใหม่อย่างถึงราก — และมีเพียงราว 21% ขององค์กรที่นำ AI ไปใช้ ที่ได้ออกแบบเวิร์กโฟลว์ใหม่เลย^8◦ การสำรวจเดียวกันพบว่ามากกว่า 80% ขององค์กรไม่เห็นผลกระทบต่อ EBIT ระดับองค์กรที่จับต้องได้จาก gen AI และน้อยกว่าหนึ่งในห้าที่ติดตาม KPI ที่นิยามชัดเจนสำหรับโซลูชัน gen AI ของตน⁵แหล่งอ้างอิงMcKinsey, "The State of AI", March 2025ตัวเลข~21%ขององค์กรที่ออกแบบเวิร์กโฟลว์ใหม่ ทั้งที่การออกแบบใหม่เป็นตัวทำนายผลต่อ EBIT ที่แข็งที่สุด — McKinsey ปี 20255ข้อค้นพบเรื่อง EBIT ของ McKinsey เป็นสหสัมพันธ์กับผลกระทบที่ รายงานด้วยตนเอง ไม่ใช่การวัดเชิงสาเหตุ ทิศทางมีหลักฐานหนุนดี แต่ขนาดของผลไม่มี

การศึกษาของ MIT พบสิ่งเดียวกันจากอีกด้าน: ตัวขับเคลื่อนความล้มเหลวคือ "ช่องว่างการเรียนรู้" ในการผนวกเข้าเวิร์กโฟลว์ ไม่ใช่คุณภาพของโมเดล ที่น่าสังเกตคือ โซลูชันที่ซื้อหรือร่วมมือกับพาร์ตเนอร์สำเร็จราว 67% ของกรณี ขณะที่การสร้างเองสำเร็จราวหนึ่งในสามของอัตรานั้น — ซึ่งตรงข้ามกับที่โครงการ AI ที่นำโดยฝ่ายวิศวกรรมส่วนใหญ่สันนิษฐาน

กฎคร่าว ๆ ของ BCG เรื่องที่มาของคุณค่าจาก AI คือ 10-20-70: อัลกอริทึม 10% เทคโนโลยีและข้อมูล 20% คน กระบวนการ และวัฒนธรรม 70%^9◦ ไม่ว่าสัดส่วนจะแม่นหรือไม่ มันชี้ไปที่ข้อสรุปเดียวกับงานที่วัดผลจริง: คุณซื้อทางออกจาก 70% นั้นไม่ได้แหล่งอ้างอิงBCG's 10-20-70 heuristic — a consulting rule of thumb, not a measured statisticนิยาม10-20-70 หลักคิดของ BCG เรื่องที่มาของคุณค่าจาก AI — อัลกอริทึม 10% เทคโนโลยีและข้อมูล 20% คน กระบวนการ และวัฒนธรรม 70% เป็นกฎคร่าว ๆ จากประสบการณ์ให้คำปรึกษา ไม่ใช่สถิติที่วัดได้

Work Trend Index ปี 2026 ของ Microsoft วางการวัดจริงไว้ข้างหลักคิดนั้น จากพนักงานความรู้ 20,000 คนใน 10 ตลาด ปัจจัยเชิงองค์กร — วัฒนธรรมและการสนับสนุนของหัวหน้า — อธิบายผลกระทบจาก AI ได้ 67% เทียบกับ 32% ที่มาจากทัศนคติและพฤติกรรมระดับบุคคล มากกว่ากันเกินสองเท่า^10◦ บทสรุปของ Microsoft เองตรงกว่าที่เราจะเขียน: พนักงานพร้อมแล้ว องค์กรของพวกเขายังไม่พร้อม⁶แหล่งอ้างอิงMicrosoft, 2026 Work Trend Index Annual Reportตัวเลข67% เทียบ 32%สัดส่วนผลกระทบจาก AI ที่มาจากปัจจัยเชิงองค์กร เทียบกับที่มาจากทัศนคติระดับบุคคล — Microsoft ปี 20266Microsoft ขาย Copilot ที่งานวิจัยนี้ชวนให้ซื้อ และกลุ่มตัวอย่างคือพนักงานความรู้ที่ใช้ AI อยู่แล้ว จึงพูดแทนคนที่ยังไม่ใช้ไม่ได้ ให้อ่านเป็นงานวิจัยของผู้ขายที่ทิศทางถูกยืนยันด้วยแบบสำรวจอิสระของ BCG ปี 2026

ระบบการขยายผลประกอบด้วยอะไรบ้าง

1. ผู้รับผิดชอบประจำแต่ละสายงาน — ไม่ใช่ทีม AI ส่วนกลาง แต่เป็นคนในแต่ละแผนกที่รับผิดชอบการนำไปใช้ในแผนกนั้น นี่คือองค์ประกอบที่สัมพันธ์กับโครงการที่อยู่รอดมากที่สุด^◦บทความที่เกี่ยวข้องอะไรเปลี่ยนไปเมื่อการนำไปใช้มีเจ้าภาพที่ระบุชื่อได้
2. เวิร์กโฟลว์เฉพาะบทบาท — การอบรมแบบกว้าง ๆ ให้ผลเป็นการไม่ใช้แบบกว้าง ๆ คนจะรับเอาสิ่งที่ตรงกับงานจริงในวันอังคารของเขา^◦ภาพประกอบการขยายผลจะอยู่ได้เมื่อมีผู้รับผิดชอบที่ชัดเจนคอยประคับประคอง ทีละแผนก
3. วงจรการวัดผล — ค่าพื้นฐาน เป้าหมาย และการอ่านการใช้งานจริงรายเดือน ไม่ใช่จำนวนไลเซนส์ องค์กรที่มีสิ่งนี้มีน้อยกว่าหนึ่งในห้า ซึ่งเป็นเหตุผลที่น้อยรายจะปกป้องงบ AI ของตัวเองได้^◦บทความที่เกี่ยวข้องทำให้คุณค่าจากการนำ AI มาใช้มีตัวเลขที่ปกป้องได้
4. ช่องทางรับฟีดแบ็กที่มองเห็นได้ — ที่ซึ่งปัญหาถูกรายงานและแก้ไขเร็วพอจนคนยังอยากรายงานต่อ

สังเกตสิ่งที่ไม่อยู่ในรายการนั้น: โมเดลที่ดีกว่า จำนวนไลเซนส์ที่มากกว่า หรือการอบรมรวมทั้งองค์กรอีกรอบ

ส่วนที่ยากกว่าที่ฟัง

คำเตือนที่ตรงไปตรงมาสี่ข้อ เพราะระบบการขยายผลวาดง่ายแต่รักษาให้มีชีวิตอยู่ยาก

ผู้รับผิดชอบจะถูกงานประจำกลืนไปอย่างเงียบ ๆ ไม่มีใครถอนตัวจากบทบาท แต่บทบาทนั้นก็แค่หยุดเกิดขึ้น มันอยู่รอดเมื่อถูกเขียนไว้ในเป้าหมายงานของคนคนนั้นพร้อมตัวสำรองที่ระบุชื่อ และมันตายเมื่อขึ้นอยู่กับความกระตือรือร้น ให้สมมติไว้ว่าคุณจะต้องแต่งตั้งใหม่อย่างน้อยหนึ่งครั้งในปีแรก

วงจรการวัดผลเสื่อมเร็วกว่าตัวเวิร์กโฟลว์ การอ่านผลรายเดือนเป็นสิ่งแรกที่ถูกตัดเมื่อไตรมาสเริ่มยุ่ง และเมื่อมีใครสังเกตได้ ค่าพื้นฐานก็เก่าไปแล้วและชัยชนะก็พิสูจน์ไม่ได้ ใส่การอ่านผลนี้ไว้ในปฏิทินประจำ โดยให้คนที่งานหลักไม่ใช่ AI เป็นเจ้าของ

การขยายสิทธิ์เข้าใช้โดยไม่อบรมวิจารณญาณ คือการแพร่ความผิดพลาดที่มั่นใจ งานวิจัยขอบเขตขยักปี 2023 ของ Dell'Acqua และคณะ จากที่ปรึกษา BCG 758 คน พบผลลัพธ์ที่ดีขึ้นมากในงานที่อยู่ในความสามารถของ AI — เร็วขึ้น 25.1% คุณภาพสูงขึ้นกว่า 40% — แต่ในงานที่อยู่ นอก ความสามารถนั้น ที่ปรึกษาที่ใช้ AI มีโอกาสตอบถูกน้อยกว่าคนที่ไม่ใช้ถึง 19 จุดเปอร์เซ็นต์^11◦ การขยายเวิร์กโฟลว์คือการขยายวิจารณญาณที่ห้อมล้อมมันอยู่ รวมถึงการไม่มีวิจารณญาณด้วย^◦แหล่งอ้างอิงDell'Acqua et al., "Navigating the Jagged Technological Frontier", 2023ตัวเลข−19 จุดโอกาสตอบถูกที่ลดลงของที่ปรึกษาที่ใช้ AI ในงานที่อยู่นอกความสามารถของ AI — Dell'Acqua และคณะ ปี 2023บทความที่เกี่ยวข้องวัดวิจารณญาณก่อนจะขยายสิทธิ์เข้าใช้

"การใช้งานขั้นพื้นฐาน" เป็นจุดที่หยุดอยู่ได้อย่างสบายใจ ข้อค้นพบของ AWS ในไทย — 74% ขั้นพื้นฐาน 9% ขั้นสูง — บรรยายถึงองค์กรที่ขยายผลได้สำเร็จแล้วก็ราบลงที่นั่น ระบบการขยายผลพาคุณไปถึงการใช้งานที่เชี่ยวชาญและเป็นกิจวัตร การก้าวข้ามจุดนั้นเป็นอีกโครงการหนึ่งที่มีความพร้อมรับความเสี่ยงต่างกัน และการแกล้งทำเป็นไม่รู้คือวิธีที่โครงการหนึ่งลอยตัวอยู่สองปีด้วยชัยชนะจากไตรมาสแรก

เริ่มต้นตรงไหนดี

ถ้าตอนนี้คุณอยู่กลางโครงการนำร่อง อย่าเพิ่งขยายตัวเครื่องมือ จงขยาย โครงนั่งร้าน ก่อน^◦ เลือกอีกหนึ่งแผนก ตั้งผู้รับผิดชอบที่ชัดเจน กำหนดเวิร์กโฟลว์เฉพาะบทบาทสามอย่าง และติดตั้งการวัดการใช้งานก่อนจะขยายสิทธิ์เข้าใช้อีกครั้ง^◦นิยามโครงนั่งร้าน ระบบสนับสนุนรอบ ๆ เครื่องมือ — ผู้รับผิดชอบ เวิร์กโฟลว์ การวัดผล และฟีดแบ็ก ส่วนที่ทำให้การนำไปใช้อยู่ตัวบทความที่เกี่ยวข้องดูว่าองค์กรหนึ่งทำแบบนี้ได้อย่างไร

การนำไปใช้จะทวีคูณเมื่อระบบรอบ ๆ เครื่องมือถูกออกแบบอย่างตั้งใจ และจะหยุดชะงักเมื่อเครื่องมือเป็นสิ่งเดียวที่คุณส่งมอบ

สิ่งที่ควรหยิบไปใช้

• ก่อนขยายสิทธิ์เข้าใช้ จงเขียนค่าพื้นฐานที่คุณจะใช้เปรียบเทียบไว้ ถ้าบอกเป็นประโยคเดียวไม่ได้ คุณยังไม่มีมัน
• แต่งตั้งผู้รับผิดชอบตามสายงานเป็นลายลักษณ์อักษร พร้อมตัวสำรอง — และทบทวนการแต่งตั้งเมื่อครบหกเดือน
• ออกแบบเวิร์กโฟลว์ใหม่หนึ่งอย่างให้ดีจริง ดีกว่าเอา AI ไปใส่ในสิบอย่าง การออกแบบใหม่คือตัวแปรที่มีหลักฐานหนุน
• วัดการใช้งานจริง ไม่ใช่ไลเซนส์ จำนวนไลเซนส์ไม่เคยบอกอะไรกับใคร
• ซื้อก่อนสร้าง เว้นแต่มีเหตุผลเฉพาะที่จะไม่ทำ ช่องว่างของอัตราความสำเร็จกว้างและขัดกับสัญชาตญาณ
• กำหนดวันคุยเรื่องการก้าวข้ามการใช้งานขั้นพื้นฐานไว้ตั้งแต่ตอนนี้ เพื่อให้การราบลงเป็นการตัดสินใจ ไม่ใช่ค่าตั้งต้น