AI in the Enterprise โดย OpenAI

---

AI in the Enterprise โดย OpenAI

ถอดรหัสเคล็ดลับองค์กรระดับโลก ปลดล็อกศักยภาพ AI สร้างความได้เปรียบทางธุรกิจ

📌 Connect with me and follow our journey: Linkedin, Facebook

บทความนี้สรุปเนื้อหาสำคัญจากหนังสือ “AI in the Enterprise” ซึ่งเผยแพร่โดย OpenAI สำหรับผู้ที่สนใจศึกษาเพิ่มเติม สามารถดาวน์โหลดเอกสารฉบับเต็มได้ที่: https://cdn.openai.com/business-guides-and-resources/ai-in-the-enterprise.pdf

เบื่อไหมกับ buzzword “AI Transformation” ที่ฟังดูดี แต่จับต้องไม่ได้จริง? หลายองค์กรพยายามนำ AI มาใช้ แต่กลับเจอปัญหาจุกจิกเต็มไปหมด ทั้งเรื่องความแม่นยำ, ความปลอดภัย, หรือแม้แต่การที่พนักงานไม่ยอมใช้!

ใน Blog นี้ เราจะมาถอดรหัสหนังสือ “AI in the Enterprise” พร้อมเจาะลึกกรณีศึกษาจากองค์กรชั้นนำระดับโลกอย่าง Morgan Stanley, Indeed, Klarna, Lowe’s, BBVA และ Mercado Libre เพื่อเรียนรู้เคล็ดลับการนำ AI มาใช้ให้ได้ผลจริง สร้างความได้เปรียบทางธุรกิจแบบก้าวกระโดด

AI เปลี่ยนวิธีการทำงานแบบเดิมๆ:

• AI ช่วยให้คนทำงานได้ดีขึ้น เร็วขึ้น (Workforce Performance)
• AI ช่วยทำงานซ้ำๆ ที่น่าเบื่อหน่าย (Automating Routine Operations) ทำให้คนมีเวลาไปทำอย่างอื่นที่สร้างมูลค่ามากกว่า
• AI ช่วยสร้างประสบการณ์ที่ดีขึ้นให้กับลูกค้า (Powering Products) เพราะ AI เข้าใจความต้องการของลูกค้าได้ดีขึ้น

วิธีคิดที่สำคัญ: AI ≠ ซอฟต์แวร์ทั่วไป

• ต้องเปลี่ยนวิธีคิดเหมือนเป็น “ระบบใหม่ทั้งหมด” ไม่ใช่แค่ “ติดตั้งโปรแกรม”
• เรียนรู้และปรับปรุงจากการใช้งานจริงทีละขั้น (เรียกว่า Iterative Deployment)

7 บทเรียนสำคัญสำหรับการใช้ AI ในบริษัทใหญ่

1. Start with Evals: ก่อนจะใช้ AI จริงจัง ต้องมีการ “Eval” หรือประเมินผลอย่างเป็นระบบ เพื่อดูว่า AI ทำงานได้ดีแค่ไหน และตรงกับความต้องการของเราหรือไม่
2. Embed AI into your Products: เอา AI ไปใส่ไว้ใน Product ของเรา เพื่อสร้างประสบการณ์ใหม่ๆ ให้กับลูกค้า
3. Start Now and Invest Early: เริ่มใช้ AI เร็ว และลงทุนกับมันตั้งแต่เนิ่นๆ เพราะยิ่งเร็วยิ่งได้ประโยชน์
4. Customize and Fine-Tune your Models: ปรับแต่ง AI ให้เข้ากับงานที่เราจะใช้จริงๆ เพราะจะทำให้ AI ทำงานได้ดีขึ้นมาก
5. Get AI in the Hands of Experts: ให้คนที่ทำงานนั้นๆ เป็นคนใช้ AI เพราะเขาจะรู้ดีที่สุดว่า AI จะช่วยอะไรได้บ้าง
6. Unblock Your Developers: ทำให้ Developer สามารถพัฒนา AI ได้ง่ายขึ้น เพราะจะช่วยให้ AI ถูกนำไปใช้ได้หลากหลายขึ้น
7. Set Bold Automation Goals: ตั้งเป้าหมายที่ท้าทายในการใช้ AI เพื่อช่วยให้การทำงานเป็นไปโดยอัตโนมัติ (Automation)

Lesson 1: Start with Evals (เริ่มต้นด้วยการประเมินผล)

• Use Case จาก Morgan Stanley (บริษัทด้านการเงิน)
• ปัญหา:
  - อยากใช้ AI โดยไม่กระทบคุณภาพ
  - เพราะงานของที่ปรึกษาเป็นเรื่อง ละเอียดอ่อนและเกี่ยวกับความไว้วางใจของลูกค้า
• ทางออก:
  - ใช้วิธีการ “Eval” อย่างเข้มข้นกับทุก Use Case ที่จะนำ AI ไปใช้
• Eval คืออะไรในมุมมองของ Morgan Stanley:
  - กระบวนการที่เป็นระบบ เพื่อวัดว่า AI ทำงานได้ดีแค่ไหน เมื่อเทียบกับเกณฑ์มาตรฐาน (Benchmark) ที่ตั้งไว้
  - วิธีการปรับปรุง AI อย่างต่อเนื่อง โดยรับ Feedback จากผู้เชี่ยวชาญ
• Eval ของ Morgan Stanley ทำอะไรบ้าง:
  - Language Translation (แปลภาษา): วัดความถูกต้องและคุณภาพของการแปลภาษา
  - Summarization (สรุปข้อมูล): วัดว่า AI สรุปข้อมูลได้ถูกต้อง ครบถ้วน และเข้าใจง่ายแค่ไหน
  - Human Trainers (เทียบกับคน): เปรียบเทียบผลลัพธ์ของ AI กับคำตอบของผู้เชี่ยวชาญที่เป็นคน
• How It’s Going (ผลลัพธ์ที่ได้)
  - Morgan Stanley พบว่าการทำ Eval ช่วยให้พวกเขามั่นใจที่จะนำ AI ไปใช้จริง
  - 98% ของ Advisor ใน Morgan Stanley ใช้ AI ทุกวัน
  - การเข้าถึงเอกสาร (Access to Documents) เพิ่มขึ้นจาก 20% เป็น 80%
  - ใช้เวลาในการค้นหาข้อมูลน้อยลง
  - Advisor มีเวลาไปดูแลลูกค้ามากขึ้น

Lesson 2: Embed AI into your Products (ฝัง AI ไว้ในผลิตภัณฑ์ของคุณ)

• Use Case จาก Indeed (เว็บไซต์หางานอันดับ 1 ของโลก)
• เป้าหมายของ Indeed:
  - ต้องการ จับคู่คนกับงาน ให้ดีขึ้นกว่าเดิม
  - ไม่ใช่แค่แนะนำงาน แต่ต้อง อธิบายให้ได้ ว่าทำไมถึงแนะงานนี้
• แนวทางที่ใช้:
  - ใช้ GPT-4o mini ช่วยสร้าง “คำอธิบายทำไมถึงแนะนำงานนี้”
  → เช่น “คุณเคยทำงานด้านนี้มาก่อน เลยเหมาะกับตำแหน่งนี้”
  - พัฒนา feature ชื่อว่า “Invite to Apply”
  → ใช้ AI วิเคราะห์ประวัติของผู้สมัคร
  → ส่งข้อความเชิญสมัครงาน พร้อมอธิบายว่า “เพราะอะไรคุณถึงเหมาะกับงานนี้”
• ผลลัพธ์ที่เกิดขึ้น:
  - คนเริ่มสมัครงาน เพิ่มขึ้น 20%
  - นายจ้างรับคน เพิ่มขึ้น 13%

“We see a lot of opportunity to continue to invest in this new infrastructure in ways that will help us grow revenue.”
(เราเห็นโอกาสมากมายที่จะลงทุนใน Infrastructure ใหม่นี้ เพื่อช่วยให้เราเพิ่มรายได้)

Lesson 3: Start now and invest early (เริ่มต้นเร็ว ได้เปรียบกว่า)

• Use Case จาก Klarna (แพลตฟอร์มช้อปปิ้งและการชำระเงินระดับโลก)
• Key Idea:
  AI ไม่ใช่ของสำเร็จรูปที่ซื้อมาแล้วใช้ได้เลย ต้องเริ่มทำ เริ่มลองผิดลองถูก แล้วค่อยๆ ปรับปรุงไปเรื่อยๆ ยิ่งเริ่มเร็ว ยิ่งได้เปรียบ เพราะจะได้เรียนรู้และสะสมประสบการณ์
• Case Study:
  เริ่มใช้ AI มาช่วยตอบคำถามลูกค้า (Customer Service) แรกๆ ก็อาจจะไม่ได้ดีเลิศ แต่พอใช้ไปเรื่อยๆ ปรับปรุงไปเรื่อยๆ AI ก็เริ่มเก่งขึ้น ตอบคำถามได้แม่นยำขึ้น แถมยังช่วยลดเวลาในการแก้ปัญหาจาก 11 นาที เหลือแค่ 2 นาที ที่สำคัญคือ พนักงาน 90% ของ Klarna เริ่มใช้ AI ในการทำงานประจำวัน ทำให้องค์กรคุ้นเคยกับ AI และพร้อมที่จะนำ AI ไปใช้ในด้านอื่นๆ

🧩 ที่สำคัญ: พนักงาน 90% ใช้ AI ในการทำงาน → ทำให้ทั้งองค์กร คุ้นชินกับ AI และปรับตัวได้เร็วขึ้น

“เริ่มก่อน = ได้เปรียบ” เพราะ AI ไม่ได้พัฒนาแบบก้าวกระโดดทันที ต้องค่อยๆ ปรับ ปรับ ปรับ แล้วจะดีขึ้นเรื่อยๆ

Lesson 4: Customize and fine-tune your models (ปรับแต่งโมเดลให้เหมาะกับองค์กรคุณ)

• Use Case จาก Lowe’s (ร้านขายของแต่งบ้านระดับ Fortune 50)
• Key Idea:
  AI Model ที่ซื้อมา อาจจะยังไม่เหมาะกับข้อมูลหรือลักษณะงานของเรา 100% ต้องเอามาปรับแต่ง (Fine-Tune) ให้เข้ากับข้อมูลและ Context ของเราเอง
• ปัญหา:
  - ข้อมูลสินค้าจากหลายซัพพลายเออร์ไม่ครบถ้วน
• ทางออก:
  - ใช้ Fine-tuning GPT-3.5 ให้เข้าใจภาษาและโครงสร้างสินค้าเฉพาะของ Lowe’s
• What is Fine-Tuning?:
  ลองนึกภาพว่า GPT Model คือ “เสื้อสูทสำเร็จรูป” การ Fine-Tune ก็เหมือนกับการเอาเสื้อสูทไปให้ช่าง “ปรับแก้” ให้พอดีกับรูปร่างของเรา
• Why Fine-Tuning Matters:
  - Improved Accuracy: แม่นยำขึ้น เพราะ AI เรียนรู้จากข้อมูลของเราเอง
  - Domain Expertise: เข้าใจศัพท์เฉพาะและ Context ของธุรกิจเรา
  - Consistent Tone and Style: ใช้ภาษาที่สอดคล้องกับ Brand ของเรา
  - Faster Outcomes: ประหยัดเวลา เพราะไม่ต้องมาแก้ไขข้อมูลเอง
• ผลลัพธ์:
  - ความแม่นยำของการ tag สินค้า ↑ 20%
  - ตรวจจับข้อมูลผิดพลาด ↑ 60%

Lesson 5: Get AI in the hands of experts (ให้คนในองค์กรเป็นผู้นำ AI)

• Use Case จาก BBVA (ธนาคารระดับโลก)
• Case Study:
  - แจก ChatGPT Enterprise ให้พนักงานใช้ทุกแผนก เช่น กฎหมาย, ความเสี่ยง, IT
  - พนักงานสร้าง GPT ใช้เฉพาะกิจได้ด้วยตัวเอง ไม่ต้องรอฝ่ายเทคนิค
• ผลลัพธ์:
  - พนักงานสร้าง GPT ใช้งานจริงกว่า 2,900 ตัว
  - งานที่เคยใช้ “หลายสัปดาห์” ลดเหลือ “ไม่กี่ชั่วโมง”
• ตัวอย่างการใช้งาน:
  - ทีมเครดิต → ประเมินความน่าเชื่อถือของลูกค้า
  - ทีมกฎหมาย → ตอบคำถามนโยบาย 40,000 คำถาม/ปี
  - ทีมบริการ → วิเคราะห์อารมณ์ลูกค้าอัตโนมัติ

“We consider our investment in ChatGPT an investment in our people. AI amplifies our potential and helps us be more efficient and creative.”
(เรามองว่าการลงทุนใน ChatGPT คือการลงทุนในคนของเรา AI ช่วยขยายศักยภาพของเรา และทำให้เราทำงานได้มีประสิทธิภาพมากขึ้น)

Lesson 6: Unblock your developers (ปลดล็อกนักพัฒนา)

• Key Idea:
  Developer มีความสำคัญมากในการนำ AI ไปใช้ แต่ Developer มักจะงานยุ่งมาก ถ้าเราสามารถช่วยให้ Developer ทำงานได้ง่ายขึ้น เร็วขึ้น จะช่วยให้ AI ถูกนำไปใช้ได้หลากหลายขึ้น
• Case Study:
  - สร้างระบบชื่อ Verdi ด้วย GPT-4o และ GPT-4o mini
  - ให้ dev 17,000 คน เขียน app โดยใช้ภาษาธรรมชาติ ไม่ต้องเขียนโค้ดเต็มๆ
• As a Result:
  Mercado Libre สามารถพัฒนา AI Application ได้เร็วขึ้นมาก ช่วยปรับปรุง Inventory Capacity, Detecting Fraud, Customizing Product Descriptions, Increasing Orders, และ Personalizing Notifications

Lesson 7: Set bold automation goals (ตั้งเป้าหมายที่ท้าทายในการทำ Automation)

• Key Idea:
  อย่าพอใจกับแค่การแก้ปัญหาเล็กๆ น้อยๆ แต่ให้ตั้งเป้าหมายใหญ่ๆ ในการใช้ AI เพื่อช่วยให้การทำงานเป็นไปโดยอัตโนมัติ (Automation) มากที่สุดเท่าที่จะเป็นไปได้
• How OpenAI Automates Its Own Work:
  OpenAI เองก็ใช้ AI ในการทำงานภายใน เช่น สร้าง Platform ที่ช่วย Support Team ในการตอบคำถามลูกค้าได้เร็วขึ้น โดย AI จะช่วยดึงข้อมูลลูกค้า และหา Knowledge Article ที่เกี่ยวข้องมาให้
• ปัญหา:
  - ทีม support ต้องใช้เวลานานกับงานซ้ำๆ เช่น เปิดอีเมล, อ่านบริบท, ดึงข้อมูล, พิมพ์คำตอบ
• ทางออก:
  - สร้าง “ระบบอัตโนมัติ” ภายในที่เชื่อมกับ Gmail และระบบหลังบ้าน → ให้ AI เขียนตอบอีเมล + ทำ action ได้ทันที เช่น เปิด ticket, อัปเดตข้อมูลลูกค้า
• ปัจจุบันระบบนี้:
  - รับมือกับ หลายแสน task ต่อเดือน
  - ขยายไปยังแผนกอื่นๆ ในองค์กร

อย่ารับความไม่มีประสิทธิภาพเป็น “เรื่องปกติ”
ให้ตั้งเป้าอัตโนมัติแบบจริงจังตั้งแต่แรก แล้วค่อยขยายการใช้งานทีหลัง

Learning From Each Other (เรียนรู้ซึ่งกันและกัน)

• ไม่จำเป็นต้อง “ใส่ AI ไปทุกที่” ทันที
  → เริ่มจาก use case ที่ ได้ผลชัด ใช้งานง่าย
• ต้องกล้าทดลอง กล้าปรับ
• สร้างระบบแบบ iterative (ค่อยๆ ดีขึ้นจาก feedback จริง)
• ลงทุนใน “การประเมิน” และ “ความปลอดภัย” ให้ดี

The Trusted AI Enterprise Platform (Platform AI ที่เชื่อถือได้สำหรับองค์กร)

• Key Idea:
  ความปลอดภัยและความเป็นส่วนตัวของข้อมูลเป็นสิ่งสำคัญที่สุด สำหรับลูกค้าองค์กร
• Your Data Stays Yours: OpenAI จะไม่นำข้อมูลของลูกค้าไป Train AI Model ของตัวเอง ลูกค้าเป็นเจ้าของข้อมูลทั้งหมด
• Enterprise-Grade Compliance:
  ข้อมูลถูกเข้ารหัส (Encrypted) และเป็นไปตามมาตรฐานความปลอดภัยระดับสูง
• Granular Access Controls:
  ลูกค้าสามารถกำหนดได้ว่าใครสามารถเข้าถึงข้อมูลได้บ้าง
• Flexible Retention:
  ลูกค้าสามารถกำหนดระยะเวลาในการจัดเก็บข้อมูลได้

“AI in the Enterprise” สอนให้รู้ว่า การนำ AI มาใช้ให้ได้ผล ไม่ใช่เรื่องของโชคช่วย แต่เป็นเรื่องของ “กระบวนการ” ที่ต้องเรียนรู้ ทดลอง ปรับปรุง และวัดผลอย่างต่อเนื่อง องค์กรที่กล้า “ลงมือทำ” ตั้งแต่วันนี้ จะสามารถปลดล็อกศักยภาพของ AI สร้างความได้เปรียบทางธุรกิจแบบก้าวกระโดด และก้าวขึ้นเป็นผู้นำในยุค AI อย่างแท้จริงขอให้สนุกกับการนำ AI มาประยุกต์ใช้นะครับ ^__^

Data Science Explore the world of data science with Donato_Story

Dashboard Discover the power of data visualization with Donato_Story

Donato_Journey Join me on my journey (Thai version)

Course_Review Discover the training courses with Donato_Story (Thai version)

Let’s Connect!

Your thoughts and feedback are invaluable. Feel free to share them in the comments or connect with me on

• 🌐 Medium: medium.com/donato-story
• 📘Facebook: web.facebook.com/DonatoStory
• 💼 Linkedin: linkedin.com/in/nattapong-thanngam