เช้าวันเดียวกัน ข้อมูลขององค์กรอาจถูกส่งเข้า AI จากหลายทีม โดยแต่ละทีมเห็นเพียงส่วนของตัวเอง

ฝ่ายขายใช้ AI ช่วยสรุป Proposal Project Manager นำ Meeting Note ไปจัด Action Items ฝ่าย Operations ให้ AI ช่วยอ่าน Incident Summary ขณะที่อีกทีมกำลังสรุป Customer Feedback หลายพันรายการให้ทันประชุมบ่าย

แต่ละงานดูเรียบง่ายเมื่อมองแยกกัน แต่พอนำหลาย Use Case มาวางต่อกัน ภาพรวมเริ่มน่าสนใจขึ้นทันที

ข้อมูลอะไรถูกส่งเข้าไป กำลังเข้า AI ตัวไหน ใช้เพื่ออะไร Output (ผลลัพธ์จาก AI) ถูกนำไปทำอะไรต่อ และใครดูแล Use Case (กรณีการใช้งาน) นั้น

เพราะการรู้ว่า “องค์กรใช้ AI Tool อะไรบ้าง” อาจยังไม่ทำให้เราเห็นเส้นทางทั้งหมดของการใช้งาน

AI Use Case หนึ่งเรื่อง จะเห็นภาพชัดขึ้นเมื่อแยกดูผ่าน 5 มุม

DATA

ข้อมูลที่กำลังใช้คืออะไร มีความสำคัญ หรือมีเงื่อนไขในการใช้งานระดับไหน

TOOL

กำลังใช้ AI Platform หรือ Service ใด ระบบนั้นมี Capability (ความสามารถ) อะไรที่เกี่ยวข้องกับงานนี้

PURPOSE

นำ AI มาช่วยร่าง สรุป วิเคราะห์ แนะนำ หรือสนับสนุนการตัดสินใจในลักษณะใด

OWNER

ใครดูแล Use Case และใครรับผิดชอบเมื่อนำ Output ไปใช้ต่อใน Workflow

CONTROL

ควรมี Review, Access Control, Approval, Monitoring หรือ Guardrail (กรอบควบคุมการใช้งาน) ตรงจุดใด

พอแยกครบ ภาพที่เคยรวมอยู่ใต้คำว่า “เราใช้ AI” จะเริ่มชัดขึ้น AI ที่ช่วยร่างข้อความภายใน กับ AI ที่เสนอ Action ใน Workflow สำคัญ อาจใช้ Technology ใกล้เคียงกัน ขณะที่ Value, Risk และระดับการดูแลต่างกันได้มาก

ทักษะสำคัญของ AI Governance จึงอยู่ที่การอ่านบริบทของ Use Case ให้ออก พื้นที่ไหนเปิดให้ทดลองได้ จุดใดควรเพิ่ม Guardrail (กรอบกำกับการใช้งาน) ผลลัพธ์ระดับไหนควรมี Oversight (การกำกับดูแล) และใครควรมี Accountability (ความรับผิดชอบต่อผลลัพธ์) ชัดเจน

แนวคิดลักษณะนี้เชื่อมกับทักษะใน ITIL AI Governance (Version 5) ที่ช่วยให้ผู้เรียนมอง AI ในบริบทขององค์กร ชั่ง Opportunity กับ Risk และเลือกแนวทาง Governance ให้สัมพันธ์กับลักษณะการใช้งาน ทั้งใน Products, Services, Operations และ Decision-making

ทีนี้ขยับ AI อีกหนึ่งก้าว จากเดิมที่ช่วยอ่านและสรุปข้อมูล ระบบเริ่มบอกว่า “Case นี้ควรทำก่อน” “Incident นี้ควร Escalate” “Action ถัดไปควรเป็นอะไร”

ตรงนั้นเรื่องจะเปลี่ยนทันที เพราะ AI เริ่มเข้าใกล้ “จุดตัดสินใจ” มากขึ้น

AI จัด Priority ได้ในไม่กี่วินาที แล้วควรปล่อยให้ Action ถัดไปเดินต่อเองเลยหรือยัง?

ระบบยังพร้อมเสนอ Next Action (สิ่งที่ควรทำต่อ) ให้ทีมแทบจะทันที ความเร็วนี้ช่วยลดเวลาที่ต้องไล่อ่านข้อมูลจำนวนมาก และทำให้ทีมเห็นทางเลือกสำหรับขั้นตอนต่อไปได้เร็วขึ้น

ทีม Operations เห็น Case สำคัญ Service Team มี Recommendation ประกอบการตอบลูกค้า Workflow เดินต่อได้โดยไม่ต้องเริ่มวิเคราะห์จากศูนย์ทุกครั้ง

สิ่งที่ควรวางให้ชัดตามมาคือ AI มีความสามารถแค่ไหน กับ องค์กรเปิดให้ AI มีอำนาจแค่ไหน สองเรื่องนี้ไม่จำเป็นต้องอยู่ระดับเดียวกัน

เส้นการตัดสินใจนี้ แยกดูได้เป็น 3 ชั้น

AI CAN

AI มี Capability (ความสามารถของระบบ) ทำอะไรได้บ้าง วิเคราะห์ข้อมูล จัดลำดับ คาดการณ์ สร้าง Recommendation (ข้อเสนอแนะ) หรือ Trigger Action ต่อใน Workflow

AI MAY

จากสิ่งที่ระบบทำได้ องค์กรอนุญาตให้ทำจริงถึงระดับไหนใน Use Case นี้ AI อาจช่วยจัด Priority เสนอ Action หรือเตรียมคำตอบสำหรับขั้นตอนถัดไป ขณะที่การส่งผลลัพธ์ออกไปจริงอาจอยู่ภายใต้เงื่อนไขอีกชุดหนึ่ง

HUMAN MUST

จุดไหนที่คนยังมีบทบาทสำคัญ Review, Approve, Challenge Recommendation หรือรับผิดชอบต่อ Decision ที่เกิดขึ้น กรอบนี้ช่วยแยก Automation (การทำงานอัตโนมัติ) ออกจาก Authority (อำนาจในการตัดสินใจ) ได้ชัดขึ้น

ระบบทำงานอัตโนมัติได้เร็วมาก ไม่ได้หมายความว่าอำนาจตัดสินใจทุกระดับต้องถูกส่งต่อไปพร้อมกัน

เช่น AI แนะนำลำดับ Ticket ที่ควรเปิดดูก่อน กับ AI สั่งเปลี่ยน Production Environment แล้วเดิน Workflow ต่อทันที ทั้งสองกรณีมี AI เข้ามาช่วยตัดสินใจ น้ำหนักของผลกระทบกลับต่างกันชัดเจน

จึงต้องมองต่อว่า งานส่วนใดเปิดให้ AI เดินต่อได้ จุดไหนควรมี Human Oversight (การกำกับโดยคน) ใครรับผิดชอบ Decision และหากผลลัพธ์ไม่เป็นไปตามที่คาด ใครมี Authority ที่จะหยุด ทบทวน หรือเปลี่ยนแนวทาง

AI Governance ในจุดนี้จึงเชื่อมคนหลายบทบาทเข้าหากัน Product Manager อาจให้น้ำหนักกับ Value Operations สนใจผลกระทบที่เกิดขึ้นหน้างาน Technology Team ประเมิน Capability ของระบบ ขณะที่ผู้ดูแล Governance ต้องพิจารณาทั้ง Risk และ Accountability

การมีกรอบร่วมกันช่วยให้แต่ละฝ่ายคุยเรื่อง AI ได้ลึกกว่าคำว่า “ระบบทำได้หรือไม่ได้” และขยับไปสู่คำถามว่า “ควรใช้ความสามารถนั้นอย่างไรในบริบทนี้”

นี่เป็นหนึ่งในทักษะที่ ITIL AI Governance (Version 5) ช่วยพัฒนา ตั้งแต่การประเมิน Opportunity กับ Risk การมอง Accountability และ Trust ไปจนถึงการใช้ AI Capability Model เพื่ออ่านความพร้อมขององค์กรก่อนนำ AI ไปใช้กว้างขึ้น

ตอนมี User 10 คน การตามว่าใครใช้ AI กับอะไร ยังดูไม่ซับซ้อนนัก ทีมรู้จักกัน Data Source มีไม่กี่ชุด Workflow ยังสั้น มีปัญหาก็ย้อนดูได้เร็วว่าเกิดขึ้นตรงไหน

Pilot ผ่านไปได้สวย Result ดี ทีมอื่นเห็นแล้วอยากใช้ตาม จากนั้นตัวเลขเริ่มขยับ 10 Users → 100 Users, 1 Workflow → 5 Workflows

Application เชื่อมเพิ่ม Data Source (แหล่งข้อมูล) มากขึ้น Role หลากหลายขึ้น Vendor เข้ามาเกี่ยวข้องเพิ่ม Integration (การเชื่อมต่อระหว่างระบบ) ซับซ้อนขึ้น Automation เริ่มต่อกันหลายช่วง

AI อาจยังตอบได้ดีเหมือนวันแรก สิ่งที่เปลี่ยนไปมากกว่าคือ สภาพแวดล้อมรอบ AI

ตอน Pilot ทีมมักสนใจว่า Output ใช้ได้ไหม User ใช้สะดวกหรือเปล่า ช่วยลดเวลาทำงานได้จริงแค่ไหน สร้าง Value ตามที่คาดไว้หรือยัง

พอเริ่ม Scale (ขยายการใช้งาน) ภาพที่ต้องมองกว้างขึ้นตามไปด้วย Owner ยังชัดเมื่อมีหลายทีมหรือไม่ Control เดิมรองรับ Workflow ใหม่แค่ไหน Risk เปลี่ยนไปอย่างไรเมื่อ Data และ Integration เพิ่ม คนแต่ละ Role เข้าใจขอบเขตการใช้งานตรงกันหรือยัง Governance ยังทันกับ Feature และข้อกำหนดภายนอกที่เปลี่ยนหรือเปล่า

นี่ทำให้การขยาย AI มีเรื่องที่ต้องพัฒนาไปพร้อมกันมากกว่า Infrastructure หรือ License หนึ่งในนั้นคือ Organizational Capability (ขีดความสามารถขององค์กร)

1 ในกรอบที่ใช้ช่วยวาง AI Governance คือ AI Governance Improvement Model ซึ่งแบ่งเป็น 4 ขั้น

ASSESS | ประเมิน

อ่านบริบท ความต้องการ Opportunity และ Risk ที่มีอยู่จริง

DESIGN | ออกแบบ

วาง Governance ให้สัมพันธ์กับลักษณะการใช้งานและระดับผลกระทบ

IMPLEMENT | นำไปใช้

พาแนวทาง Governance เข้าไปอยู่ใน Product, Service, Operation และ Workflow จริง

MAINTAIN | ดูแลและปรับต่อ

ติดตามว่าสิ่งที่วางไว้ยังเหมาะกับบริบทที่เปลี่ยนไปหรือไม่

คำสุดท้ายมีน้ำหนักมากสำหรับโลก AI “MAINTAIN”

เพราะระหว่างทาง Model อาจเปลี่ยน Feature ใหม่อาจถูกเปิดใช้ Data Source ถูกเพิ่มเข้ามา Integration เชื่อมไปอีกระบบ Regulation หรือ External Requirements ก็เปลี่ยนตามเวลา

สิ่งที่เวิร์กในช่วง Pilot อาจต้องทบทวนใหม่ เมื่อการใช้งานขยายใหญ่ขึ้น การทำ AI Governance จึงมีทักษะเรื่อง Continual Improvement (การปรับปรุงอย่างต่อเนื่อง) เข้ามาเกี่ยวข้องด้วย

ประเมินบริบทใหม่ อ่าน Opportunity กับ Risk ปรับ Control สื่อสาร Decision ให้ผู้เกี่ยวข้องเข้าใจ และดูแล Governance ให้เดินทันกับ AI ที่กำลังเปลี่ยน

ทั้งหมดนี้เป็นแนวคิดที่เชื่อมกับ ITIL AI Governance (Version 5) ซึ่งช่วยให้ผู้เรียนพัฒนาวิธีคิดในการนำ AI Governance ไปใช้กับสถานการณ์จริง ตั้งแต่การประเมิน Capability ไปจนถึงการปรับ Governance ให้เหมาะกับ Products, Services, Operations และ Decision-making ที่เปลี่ยนไปตามบริบท

ถ้าทีมกำลังพา AI จากการทดลอง ไปสู่การใช้งานที่มี User, Workflow และ Service มากขึ้น นอกจากดูว่า “AI พร้อม Scale หรือยัง?”

อีกมุมที่น่ากลับมาดูพร้อมกันคือ เมื่อ AI ถูกใช้กว้างขึ้น คน กระบวนการ และ Governance ของเรา พร้อมตามไปด้วยหรือยัง?