ROI ของ AI ไม่ได้มาจาก License แต่มาจากคน แล้วตัวเลขปี 2026 กำลังบอกอะไรกับองค์กร

ทำไมองค์กรที่ลงทุนกับ AI ถึงยังไม่สามารถเห็นผลตอบแทนที่วัดได้

คุณไพศิษฐ์เปิดบทสนทนาด้วยตัวเลขที่เขาหยิบขึ้นมาเอง

"มีรายงานหนึ่งของ MIT ที่ผมว่าทุกองค์กรควรอ่าน เขาไล่ดูโครงการ AI ที่เปิดเผยต่อสาธารณะกว่า 300 โครงการ แล้วพบว่า 95% ขององค์กรยังไม่เห็นผลกระทบต่องบกำไรขาดทุนที่วัดได้เลย มีแค่ 5% ที่ดึงมูลค่าออกมาได้จริงเป็นหลักหลายล้านดอลลาร์ ผมมีมุมมองที่ชวนคิดในอีกรูปแบบหนึ่ง"

รายงานที่เขาพูดถึงคือ The GenAI Divide: State of AI in Business 2025 ของ MIT Project NANDA เผยแพร่เมื่อกรกฎาคม 2025 รวบรวมจากทั้งการทบทวนโครงการ การสัมภาษณ์เชิงลึก 52 องค์กร และแบบสำรวจผู้บริหารระดับสูง 153 คน

คุณไพศิษฐ์ได้แสดงความคิดเห็นต่อเนื่องกับตัวเลขชุดนี้ว่า

"95% ไม่ได้แปลว่า AI ไม่เวิร์ก มันแปลว่าองค์กรส่วนใหญ่เอา AI ไปวางไว้ข้างงาน ไม่ได้วางไว้ในงาน พอไม่มีใครใช้มันในกระบวนการจริง มันก็ไม่มีทางโผล่ในงบกำไรขาดทุน"

สิ่งที่ทีมวิจัย MIT ระบุไว้ตรงกับมุมมองนี้ พวกเขาพบว่าอุปสรรคหลักไม่ใช่โครงสร้างพื้นฐาน ไม่ใช่กฎระเบียบ และไม่ใช่การขาดคนเก่งด้านเทคนิค แต่คือสิ่งที่รายงานเรียกว่า Learning Gap นั่นคือระบบไม่เก็บ feedback ไม่ปรับตัวตามบริบท และคนที่ใช้งานก็ไม่มีกลไกที่ทำให้ความรู้จากการใช้งานสะสมกลับเข้าสู่ทีม

"ผมเจอบ่อยมากว่าคำถามแรกขององค์กรคือ 'เราควรซื้อ AI ตัวไหน' แต่คำถามที่ควรถามคือ 'งานชิ้นไหนของเราที่จะเปลี่ยนไปจริงถ้ามี AI' สองคำถามนี้พาไปคนละที่กันเลย"

สำหรับ HR นี่คือจุดเริ่มต้นที่ใช้ได้ทันที การเลือกกระบวนการทำงานเป้าหมายก่อน แล้วค่อยออกแบบว่าคนต้องมีทักษะอะไรเพื่อทำงานนั้นร่วมกับ AI ให้ผลชัดกว่าการจัดอบรมการใช้เครื่องมือแบบเหมารวมทั้งองค์กร

แล้วทำไม ROI ของ AI ถึงมาช้ากว่าเทคโนโลยีอื่น

คำถามที่ตามมาคือ ถ้าองค์กรทำถูกทางแล้ว ต้องรอนานแค่ไหนถึงจะเห็นผล คุณไพศิษฐ์ตอบด้วยตัวเลขอีกชุดหนึ่ง

"Deloitte สำรวจผู้บริหารระดับสูงเกือบสองพันคนแล้วพบว่า องค์กรส่วนใหญ่ใช้เวลา 2 ถึง 4 ปีกว่าจะได้ ROI ที่น่าพอใจจาก use case หนึ่ง ขณะที่การลงทุนเทคโนโลยีทั่วไปตลาดคาดหวังคืนทุนภายใน 7 ถึง 12 เดือน มีแค่ 6% เท่านั้นที่คืนทุนได้ในปีแรก ผมว่าช่องว่างตรงนี้ไม่ได้เกิดจากตัวเทคโนโลยี"

ตัวเลขชุดนี้มาจากรายงาน AI ROI: The paradox of rising investment and elusive returns ฉบับเดียวกับที่กล่าวถึงตอนต้น

"การลงทุน IT ทั่วไปคืนทุนเร็วเพราะติดตั้งเสร็จก็ใช้ได้เลย แต่ AI ให้ผลตอบแทนก็ต่อเมื่อคนเปลี่ยนวิธีทำงาน และการเปลี่ยนวิธีทำงานของคนมีจังหวะเวลาของมันเอง เร่งด้วยงบอย่างเดียวไม่ได้"

รายงานของ Deloitte ระบุเหตุผลไว้ห้าข้อว่าทำไม ROI ของ AI จึงวัดยาก และหนึ่งในนั้นถูกเรียกตรง ๆ ว่า the human factor ผลลัพธ์ขึ้นอยู่กับว่าองค์กรบริหารการยอมรับของคนได้ดีแค่ไหน พนักงานหยิบเครื่องมือใหม่ไปใช้จริงหรือไม่ และ workflow ถูกปรับให้รองรับหรือเปล่า

ประเด็นนี้มีนัยสำคัญต่อการตั้งความคาดหวังกับผู้บริหาร

"ถ้าผู้บริหารตั้งความคาดหวังไว้ที่หนึ่งปี โครงการมักถูกตัดงบก่อนถึงจุดที่มันเริ่มให้ผล ผมเลยคิดว่าการสื่อสารกรอบเวลาที่ตรงกับความจริงตั้งแต่วันแรก สำคัญพอ ๆ กับการเลือกเครื่องมือ"

ในเมื่อทุกองค์กรใช้ AI ตัวเดียวกัน อะไรทำให้ผลต่างกันหลายเท่า

นี่คือคำถามที่คุณไพศิษฐ์มองว่าสำคัญที่สุดสำหรับปี 2026 เพราะความได้เปรียบด้านเครื่องมือแทบหมดไปแล้ว องค์กรขนาดกลางเข้าถึงโมเดลระดับเดียวกับองค์กรขนาดใหญ่ได้ในราคาที่ไม่ต่างกันมาก

"วันนี้ทุกองค์กรใช้โมเดลตัวเดียวกันได้หมด ความได้เปรียบจึงไม่ได้อยู่ที่ว่าใครมีโมเดลเก่งกว่า แต่อยู่ที่ว่าคนขององค์กรไหนตั้งคำถามกับผลลัพธ์ที่ AI ให้มาได้คมกว่ากัน"

เขายกข้อมูลอีกชุดขึ้นมาสนับสนุน

"PwC เพิ่งออกรายงานที่วิเคราะห์ประกาศรับสมัครงานกว่าหนึ่งพันล้านรายการใน 27 ประเทศ เขาพบว่าบริษัทกลุ่ม 20% แรกที่ใช้ AI ได้ดีที่สุดมี workforce Productivity โตถึง 163% เทียบกับปี 2018 สูงกว่าบริษัทที่ใช้ AI เยอะอยู่แล้วเกือบห้าเท่า คำถามที่ผมสนใจคือเขาทำอะไรต่างออกไป"

คำตอบตาม PwC 2026 Global AI Jobs Barometer อยู่ที่รูปแบบการใช้งาน ไม่ใช่ตัวโมเดล รายงานแบ่งบทบาทที่ได้รับผลจาก AI เป็นสองแบบ แบบแรกคือบทบาทที่ AI รับงานประจำไปทำจนคนได้ใช้วิจารณญาณและความเชี่ยวชาญมากขึ้น อีกแบบคือบทบาทที่ AI ทำให้ตัวงานง่ายลงสำหรับคนที่ไม่มีทักษะเดิม ผลปรากฏว่ากลุ่มแรกมีตำแหน่งงานเติบโตเป็นสองเท่า และค่าจ้างเติบโตเร็วกว่ากลุ่มหลัง 42%

"AI ที่อยู่ในมือคนที่รู้จริงเรื่องงานนั้น กับ AI ตัวเดียวกันในมือคนที่ยังไม่รู้ ให้ผลลัพธ์ต่างกันคนละโลก เพราะคนแรกรู้ว่าคำตอบไหนใช้ได้ คำตอบไหนต้องตรวจซ้ำ ผมถึงบอกเสมอว่าคนที่สร้างผลตอบแทนจาก AI ได้ดี ไม่ใช่แค่รู้วิธีใช้เครื่องมือ แต่ต้องเข้าใจเนื้องานเชิงลึกด้วย"

และตลาดแรงงานก็กำลังสะท้อนเรื่องเดียวกัน ค่าจ้างส่วนเพิ่มของคนที่มีทักษะ AI ขยับขึ้นแตะ 62% ในปี 2026 จาก 57% ในปีก่อนหน้า และตำแหน่งงานที่ระบุทักษะ AI โดยตรงเติบโตเร็วกว่าตลาดงานโดยรวมราวแปดเท่า สัญญาณนี้บอก HR สองเรื่องพร้อมกัน คือทักษะนี้มีมูลค่าจริง และพนักงานที่มีทักษะนี้มีทางเลือกมากขึ้น

แล้ววัด ROI ของ AI อย่างไรให้เห็นผลจริง

เมื่อถามว่าองค์กรควรเปลี่ยนอะไรก่อนเป็นอันดับแรก คำตอบของคุณไพศิษฐ์ไม่ใช่เรื่องเครื่องมือหรืองบประมาณ แต่เป็นเรื่องตัวชี้วัด

"ถ้า KPI ของเราคือจำนวนคนที่ได้ license หรือจำนวนครั้งที่ log in เรากำลังวัดว่าเราแจกของไปเท่าไร ไม่ได้วัดว่าธุรกิจได้อะไรกลับมา"

ตัวชี้วัดที่ให้ภาพจริงคือผลลัพธ์ปลายทาง เช่น เวลาที่ประหยัดได้ต่อชิ้นงานเทียบกับ baseline ก่อนใช้ คุณภาพงานที่ประเมินโดยผู้รับงานปลายทาง สัดส่วนงานจริงในกระบวนการเป้าหมายที่ผ่าน AI และความแม่นยำของการตัดสินใจในงานนั้น

"ตัวชี้วัดที่ผมชอบที่สุดคือ ผ่านไปหกเดือนแล้วยังมี use case ไหนที่คนใช้อยู่จริงบ้าง คำถามข้อเดียวนี้ตอบได้เกือบทุกอย่างว่าเราลงทุนถูกที่หรือเปล่า"

ถ้ามองเชื่อมกลับไปที่งานของ HR ตัวชี้วัดแบบผลลัพธ์จะต้องมี baseline ที่ชัดเจน ซึ่งหมายถึงการรู้ว่าทีมทำงานชิ้นนั้นใช้เวลาเท่าไรและคุณภาพอยู่ระดับใดก่อนเริ่มใช้ AI องค์กรที่มีระบบ HRIS หรือระบบ LMS และข้อมูลการประเมินผลอยู่แล้วจะได้เปรียบตรงนี้ เพราะมีจุดตั้งต้นให้เทียบ

ยกตัวอย่างให้เห็นภาพ สมมติทีมสรรหาที่ใช้ HRIS อยู่แล้วรู้ว่าการคัดกรองใบสมัครหนึ่งตำแหน่งเคยใช้เวลาเฉลี่ย 6 ชั่วโมง และ Hiring Manager ให้คะแนนคุณภาพ shortlist อยู่ที่ 3.5 จาก 5 เมื่อเริ่มให้ AI ช่วยคัดกรองรอบแรก ทีมจะตอบผู้บริหารได้ทันทีว่าเวลาลดเหลือกี่ชั่วโมง และคะแนนคุณภาพขยับขึ้นหรือคงที่ ซึ่งเป็นคนละคำตอบกับการบอกว่ามีคนใช้ระบบกี่คน

อีกตัวอย่างคือทีม L&D ที่มีข้อมูลใน LMS อยู่แล้วว่าการผลิตบทเรียนหนึ่งโมดูลใช้เวลาเฉลี่ยกี่วัน และคะแนน post-test ของผู้เรียนอยู่ที่เท่าไร เมื่อนำ AI มาช่วยร่างโครงเนื้อหาและสร้างชุดคำถาม ทีมจะเทียบได้ว่าเวลาผลิตลดลงกี่วันโดยที่คะแนนผู้เรียนยังไม่ลดลง นั่นคือหลักฐานว่า AI เพิ่มความเร็วได้โดยไม่แลกกับคุณภาพ

องค์กรที่ยังไม่มีข้อมูลชุดนี้ก็เริ่มได้เช่นกัน เพียงบันทึกเวลาที่ใช้และคุณภาพของงานเป้าหมายไว้สองถึงสามสัปดาห์ก่อนเปิดใช้ AI เท่านี้ก็เพียงพอเป็นจุดตั้งต้นแล้ว

คุณไพศิษฐ์ปิดหัวข้อนี้ด้วยข้อมูลอีกชุดที่เขาบอกว่าน่าสนใจมาก

"Deloitte สร้างดัชนีชื่อ AI ROI Performance Index ขึ้นมาจัดอันดับว่าองค์กรไหนได้ผลตอบแทนจาก AI จริง แล้วพบว่ากลุ่มที่ทำคะแนนสูงสุด 20% ซึ่งเขาเรียกว่า AI ROI Leaders มีอยู่ข้อหนึ่งที่ทำเหมือนกันชัดมาก คือ 40% ของกลุ่มนี้กำหนดให้การเรียน AI เป็นหลักสูตรภาคบังคับ ไม่ใช่หลักสูตรทางเลือก และอีกลักษณะร่วมของกลุ่มนี้คือ 83% วางตำแหน่ง AI ไว้เป็นเครื่องมือที่ทำให้พนักงานมีเวลาไปทำงานเชิงกลยุทธ์มากขึ้น ไม่ใช่เครื่องมือที่มาแทนคน"

ดัชนีที่เขาพูดถึงคำนวณจากตัวชี้วัดทางธุรกิจสี่ตัวรวมเป็นคะแนนเดียว ได้แก่ ผลตอบแทนทางการเงินโดยตรง รายได้ที่เติบโตขึ้นจาก AI ต้นทุนดำเนินงานที่ลดลงได้ และความเร็วที่ผลลัพธ์ทั้งสามอย่างนี้เกิดขึ้น จากนั้นจึงจัดกลุ่มองค์กรที่ได้คะแนนสูงสุด 20% เป็น AI ROI Leaders ประโยชน์ของดัชนีนี้คือทำให้เปรียบเทียบได้ว่ากลุ่มที่ได้ผลจริงทำอะไรต่างจากองค์กรที่เหลือ แทนที่จะสรุปกันด้วยความรู้สึก

องค์กรไทยควรเริ่มจากตรงไหน

ข้อมูลทั้งหมดข้างต้นมาจากยุโรป อเมริกา และตลาดโลก คำถามสุดท้ายจึงเป็นเรื่องการนำมาปรับใช้ในบริบทไทย ซึ่งคุณไพศิษฐ์ให้คำแนะนำที่ตรงและทำได้ทันที

"อย่าเริ่มจากการแจกเครื่องมือให้ทั้งองค์กร เลือกทีมเดียว งานเดียวที่ทำซ้ำบ่อยและวัดผลได้ แล้วทำให้ทีมนั้นเก่งจริง ผมว่าหลักฐานที่จับต้องได้หนึ่งชิ้นมีน้ำหนักในห้องประชุมมากกว่าการอบรมทั้งบริษัทหนึ่งรอบ"

ข้อที่สองคือการทำให้ความรู้ไม่หายไปกับคน

"ความรู้ที่ได้จากการใช้ AI ต้องสะสมอยู่กับทีม ไม่ใช่อยู่กับคนคนเดียวที่บังเอิญขยันลอง คลังตัวอย่างงานที่ดี รอบทบทวนประจำเดือน หรือแม้แต่ช่องแชร์พรอมต์ที่ใช้ได้ผล สามอย่างนี้ราคาถูกมากเมื่อเทียบกับสิ่งที่ได้กลับมา"

และข้อสุดท้ายคือการเชื่อมการพัฒนาบุคลากรในองค์กรเข้ากับเส้นทางอาชีพ เพราะเมื่อทักษะ AI มีมูลค่าในตลาดแรงงานชัดเจนขนาดนี้ องค์กรที่ออกแบบให้การพัฒนาทักษะเชื่อมกับความก้าวหน้าภายใน จะได้ทั้ง Productivity และการรักษาคนไปพร้อมกัน

Key Takeaway สำหรับ HR และ L&D Manager

หัวใจของเรื่องนี้ไม่ได้อยู่ที่การเลือกเทคโนโลยีที่ดีกว่า แต่อยู่ที่การทำให้คนในองค์กรใช้เทคโนโลยีที่มีอยู่ได้ลึกขึ้น จากบทสัมภาษณ์คุณไพศิษฐ์ สรุปเป็น 4 แนวทางที่ HR นำไปใช้ได้ในปี 2026 ดังนี้

1. ทำให้ความรู้จากการใช้ AI สะสมอยู่กับทีม วางกลไกง่าย ๆ อย่างคลังตัวอย่างงานที่ดี รอบทบทวนประจำเดือน และช่องทางแชร์สิ่งที่ใช้ได้ผล เพื่อให้บทเรียนไม่หายไปพร้อมกับคนที่ลองใช้คนแรก

2. ตั้งกรอบเวลาที่ตรงกับความจริงตั้งแต่วันแรก ROI ที่น่าพอใจตามสถิติ อาจใช้เวลาประมาณ 2 ถึง 4 ปี การสื่อสารเรื่องนี้กับผู้บริหาร ควรเริ่มตั้งแต่ตอนตั้งงบ วาง Timeline ที่ชัดเจนและตัวชี้วัดที่ถูกต้อง ช่วยให้การจัดการโครงการเป็นไปตามวัตถุประสงค์ของธุรกิจ และอยู่ในกรอบเวลาที่ชัดเจน

3. ยกระดับ AI fluency เป็นทักษะพื้นฐานขององค์กร กำหนดให้การเรียน AI เป็นภาคบังคับ การวางเรื่องนี้ไว้ในระดับเดียวกับความรู้ด้านความปลอดภัยข้อมูลช่วยให้การเรียนรู้เกิดขึ้นทั้งองค์กร ไม่ใช่เฉพาะกลุ่มที่กล้าลอง โดยเชื่อมเข้ากับ Individual Development Plan ของพนักงานแต่ละคน

4. วัดผลที่ผลลัพธ์ ไม่ใช่ที่การเข้าถึง เปลี่ยนตัวชี้วัดจากจำนวน license และยอด log in ไปที่เวลาที่ประหยัดได้ต่อชิ้นงาน คุณภาพงานที่ผู้รับงานประเมิน และจำนวน use case ที่ยังใช้อยู่จริงหลังผ่านไปหกเดือน

FAQ 5 ข้อ