If you have not worked with AI before, it is easy to form the wrong impression of what it can do.

You see AI write a report in seconds, summarise a document, analyse information or generate a presentation, and it is natural to think:

If AI can do all this, what else can I hand over to it?

That is the right question.

But to answer it properly, you first need to understand what makes AI different from the software companies have been using for decades.

Start with the easy part

AI is very good at helping with work you already understand.

Ask it to summarise a document.

Draft an email.

Compare three proposals.

Extract information from a report.

Rewrite something more clearly.

Translate a piece of text.

Imagine giving AI a 10,000-word report and asking it for the five things the CEO needs to know.

Nobody has written a formula telling it which five sentences to select.

AI reads the material, interprets what appears important and produces a summary.

You can then look at those five points and decide whether they capture what actually matters.

That is a useful first picture of AI:

The summary.

These tasks can save a great deal of time because you already know roughly what a good answer should look like.

If the summary misses something important, you can see it.

If the email sounds wrong, you can rewrite it.

If the comparison leaves out something obvious, you can spot it.

In these situations, AI can do much of the execution while you judge the result.

That is probably the easiest place to understand its value.

But it is only the beginning.

AI can also work where traditional software struggles

Traditional software works best when someone can define the rules in advance.

Think of a spreadsheet.

Put 100 in column A and 50 in column B. Tell the spreadsheet to add them, and column C gives you 150.

Run that formula across 100,000 rows and the rule does not change.

That is traditional software:

The formula.

You define the logic.

The software executes it.

This is why conventional software is so powerful for calculations, transactions and processes where the rules can be clearly specified in advance.

AI is different because it does not always need every rule to be written down first.

It can interpret.

Suppose a company has financial data from several subsidiaries.

One subsidiary records a supplier as:

ABC Holdings

Another uses:

ABC Hldgs

Another writes:

A.B.C. Holdings Ltd

Traditional software can easily match records that are identical.

But once the names start to vary, someone usually has to define additional rules.

Ignore punctuation.

Ignore spaces.

Recognise common abbreviations.

Treat certain words as equivalent.

AI can go further.

It can look at the information and infer that several differently written entries probably refer to the same company.

That ability to interpret is one of the reasons AI is so powerful.

It allows machines to work with language, documents and messy information that could never practically be reduced to a complete set of rules.

AI can work across more information than a person can

There is another important advantage.

Scale.

A person might comfortably review twenty records.

Perhaps two hundred.

They cannot carefully compare hundreds of thousands of records in their head and continuously look for relationships between them.

AI can work across far larger amounts of information.

It can classify, compare, recognise patterns and make inferences repeatedly without becoming physically tired or losing concentration in the way a person does.

This opens up possibilities that were previously impractical.

A small team can review far more documents.

An analyst can explore far more data.

A manager can ask questions across a much larger body of information.

One person can potentially accomplish work that previously required many people.

This is where AI begins to look extraordinary.

But this is also where an important problem appears.

AI will often give you an answer

Imagine the same financial-data problem.

Perhaps 80% of the records are easy to match.

The names are identical or close enough that the rules are obvious.

Then another group requires interpretation.

The AI notices that punctuation can be ignored.

Then it notices abbreviations.

Then it finds other patterns.

Each new interpretation allows it to classify more records.

Eventually it may give you a complete answer.

That answer could be 99% correct.

It might even be 100% correct.

But there is a difference between receiving an answer and understanding why that answer is correct.

AI may have made several assumptions along the way.

One assumption may have been built on another.

If something is wrong in the final result, you may not immediately know which assumption caused the problem or how many other records were affected by the same reasoning.

This is very different from asking AI to draft an email.

You can read an email in thirty seconds and decide whether it works.

You cannot inspect hundreds of thousands of records in the same way.

The AI has solved the capacity problem.

It has not automatically solved the trust problem.

This is where the human role changes

This does not mean AI cannot be used for difficult work.

It means the nature of the human contribution changes.

If you already understand the logic and know what a correct result looks like, AI can perform enormous amounts of execution for you.

You can define the steps.

AI can apply them at scale.

You can test the results at each stage.

That can save an extraordinary amount of work.

But when AI is also being asked to determine the logic itself, something else is happening.

You are no longer only delegating execution.

You are also delegating part of the reasoning.

AI can do that.

It can infer.

It can analyse.

It can recognise patterns that you may not have seen yourself.

But the further that reasoning moves beyond what you understand or can verify, the more difficult it becomes to know whether the final answer deserves to be trusted.

And that brings us to the third picture:

The signature.

Imagine those five AI-generated takeaways from the 10,000-word report are going into tomorrow's board paper.

Someone still has to look at them and say:

Yes. These really are the five things the board needs to know, and I am prepared to put my name behind them.

That is the human contribution.

Experience.

Context.

Judgment.

Taste.

And ultimately, responsibility for whether the result is fit to use.

Working with AI can feel like working with a colleague

This is another reason AI can be confusing at first.

Using AI often feels much more like working with another person than using conventional software.

You can give it an objective rather than a complete set of instructions.

You can explain the context.

You can ask it to think through a problem.

You can challenge its answer.

You can ask it to try again.

You can even ask it to propose an approach you had not considered.

That is much closer to working with a capable colleague than entering instructions into software.

But there is a fundamental difference.

A colleague can take responsibility for their part of the work.

They can explain what they did.

You can challenge their reasoning.

They can defend it.

They can learn from a mistake.

Their professional reputation, role and consequences are connected to the quality of their work.

AI can produce the work.

It cannot own the work.

If the result is wrong, there is no AI colleague underneath you who is responsible for the mistake.

The responsibility remains with the person or organisation using the result.

So what can AI actually do for you?

A useful way to think about it is in three levels.

First, AI can help you do work you already understand.

Writing, summarising, comparing, researching, extracting and organising.

The benefit is mostly speed.

Second, AI can help you work across information that would otherwise be too large or too complicated to handle manually.

Documents, datasets, classifications, patterns and relationships.

The benefit is increased capacity.

Third, AI can help interpret problems where the rules are not fully known in advance.

It can infer, reason and propose answers.

This is where AI becomes most powerful.

It is also where the need for human understanding becomes greatest.

The more easily you can recognise whether the result is right, the more confidently you can hand work to AI.

The harder the result is to verify, the more important it becomes to understand the logic being used.

Three things to remember

If you remember nothing else, remember these three pictures.

The formula.

Traditional software follows logic that someone has already defined.

The summary.

AI can interpret information and work out what appears to matter without being given every rule.

The signature.

A human still decides whether the result is something the organisation is prepared to rely on.

That is the difference.

AI can execute.

It can interpret.

It can reason.

It can work across more information than a person could ever process manually.

It can even surface things you did not know to look for.

But it cannot take responsibility for whether the final result makes sense.

So the question to take back to your enterprise is not simply:

Can AI do this?

Increasingly, the answer will be yes.

A more useful question is:

What am I asking AI to do - and do I still understand the result well enough to put my name behind it?

Understanding this is the foundation for using AI well in an enterprise. Before any AI initiative moves forward, the people responsible for it should be able to answer three questions clearly: What are we asking AI to do? How will we know whether its answer is good enough? And where does human judgment and responsibility still sit?

AI ช่วยองค์กรทำอะไรได้บ้าง

สำหรับคนที่ยังไม่ได้ใช้ AI ในการทำงานอย่างจริงจัง อาจเป็นเรื่องง่ายที่จะมองความสามารถของ AI ผิดไปจากความเป็นจริง

เมื่อเราเห็น AI เขียนรายงานได้ภายในไม่กี่วินาที สรุปเอกสาร วิเคราะห์ข้อมูล หรือสร้างสไลด์นำเสนอได้ ก็เป็นธรรมดาที่จะเกิดคำถามว่า

ถ้า AI ทำได้ถึงขนาดนี้ ยังมีงานอะไรอีกบ้างที่เราสามารถมอบให้เขาทำแทนได้?

นี่เป็นคำถามที่ถูกต้อง

แต่ก่อนจะตอบคำถามนี้ เราต้องเข้าใจก่อนว่า AI แตกต่างจากซอฟต์แวร์ที่องค์กรใช้กันมาหลายสิบปีอย่างไร

เริ่มจากเรื่องง่าย ๆ ก่อน

AI มีประโยชน์อย่างมากกับงานที่เราเข้าใจอยู่แล้ว

ให้เขาช่วยสรุปเอกสาร
ร่างอีเมล
เปรียบเทียบข้อเสนอสามฉบับ
ดึงข้อมูลสำคัญออกจากรายงาน
เรียบเรียงข้อความใหม่ให้ชัดเจนขึ้น
หรือแปลข้อความจากภาษาหนึ่งเป็นอีกภาษาหนึ่ง

ลองนึกภาพว่าเรามีรายงานยาว 10,000 คำ และขอให้ AI สรุปออกมาว่า มีห้าเรื่องอะไรบ้างที่ CEO จำเป็นต้องรู้

ไม่มีใครเขียนสูตรกำหนดไว้ล่วงหน้าว่า AI ต้องเลือกห้าประโยคไหน

AI จะอ่านเนื้อหาทั้งหมด พิจารณาว่าเรื่องใดน่าจะสำคัญ แล้วสรุปออกมาให้เรา

จากนั้น เราเป็นผู้พิจารณาว่าห้าประเด็นนั้นจับสาระสำคัญของรายงานได้จริงหรือไม่

นี่คือภาพแรกที่ช่วยให้เราเข้าใจวิธีทำงานของ AI ได้ง่ายขึ้น

การสรุป

งานลักษณะนี้ช่วยประหยัดเวลาได้มาก เพราะเราพอรู้อยู่แล้วว่าคำตอบที่ดีควรมีลักษณะอย่างไร

ถ้าบทสรุปตกหล่นเรื่องสำคัญ เรามองออก
ถ้าอีเมลอ่านแล้วไม่เหมาะ เราแก้ได้
ถ้าการเปรียบเทียบขาดประเด็นที่เห็นได้ชัด เราก็สังเกตได้

ในงานแบบนี้ เราสามารถให้ AI จัดการงานส่วนใหญ่แทนเราได้ ขณะที่เรายังคงเป็นผู้พิจารณาว่าผลลัพธ์ที่ได้ถูกต้องและเหมาะสมหรือไม่

นี่น่าจะเป็นจุดที่เห็นประโยชน์ของ AI ได้ง่ายที่สุด

แต่ก็เป็นเพียงจุดเริ่มต้นเท่านั้น

AI ทำงานในสิ่งที่ซอฟต์แวร์แบบเดิมทำได้ยาก

ซอฟต์แวร์แบบเดิมทำงานได้ดีที่สุดในกรณีที่เราสามารถกำหนดกฎไว้ล่วงหน้าได้อย่างชัดเจน

ลองนึกถึงสเปรดชีต

ใส่ตัวเลข 100 ในคอลัมน์ A และ 50 ในคอลัมน์ B แล้วกำหนดสูตรให้บวกกัน คอลัมน์ C ก็จะแสดงผลเป็น 150

นำสูตรเดียวกันไปใช้กับข้อมูล 100,000 แถว หลักการก็ยังเหมือนเดิม

นี่คือภาพของซอฟต์แวร์แบบเดิม

สูตร

เราเป็นคนกำหนดตรรกะ
ซอฟต์แวร์ทำตามตรรกะนั้น

นี่คือเหตุผลที่ซอฟต์แวร์แบบเดิมมีประสิทธิภาพอย่างมากกับงานคำนวณ ธุรกรรม และกระบวนการต่าง ๆ ที่สามารถกำหนดกฎได้ชัดเจนตั้งแต่ต้น

AI แตกต่างออกไปตรงที่เราไม่จำเป็นต้องกำหนดกฎทุกข้อให้ครบก่อนเสมอไป

AI สามารถตีความได้

สมมุติว่าบริษัทหนึ่งได้รับข้อมูลทางการเงินจากบริษัทย่อยหลายแห่ง

บริษัทย่อยแห่งหนึ่งบันทึกชื่อซัพพลายเออร์ว่า

ABC Holdings

อีกแห่งใช้ชื่อว่า

ABC Hldgs

และอีกแห่งเขียนว่า

A.B.C. Holdings Ltd

ถ้าเป็นซอฟต์แวร์แบบเดิม การจับคู่ข้อมูลที่เขียนเหมือนกันทุกตัวอักษรทำได้ไม่ยาก

แต่ทันทีที่ชื่อเริ่มเขียนแตกต่างกัน เรามักต้องเพิ่มกฎเข้าไปทีละข้อ เช่น

ไม่ต้องสนใจเครื่องหมายวรรคตอน
ไม่ต้องสนใจช่องว่าง
เพิ่มคำย่อที่ใช้กันทั่วไป เพื่อนำไปตรวจเช็ค
กำหนดว่าคำบางคำอาจหมายถึงสิ่งเดียวกัน

AI สามารถไปได้ไกลกว่านั้น

เขาสามารถดูข้อมูลทั้งหมดและอนุมานได้ว่า รายการหลายรายการที่เขียนต่างกันเหล่านี้ น่าจะหมายถึงบริษัทเดียวกัน

ความสามารถในการตีความนี่เอง เป็นหนึ่งในเหตุผลสำคัญที่ทำให้ AI มีพลังมาก

เพราะเขาช่วยให้คอมพิวเตอร์ทำงานกับภาษา เอกสาร และข้อมูลที่ไม่เป็นระเบียบได้ แม้ข้อมูลเหล่านั้นจะซับซ้อนเกินกว่าจะเขียนกฎให้ครอบคลุมทุกกรณีได้ในทางปฏิบัติ

AI ทำงานกับข้อมูลในปริมาณที่มนุษย์คนหนึ่งทำเองไม่ได้

AI ยังมีข้อได้เปรียบสำคัญอีกอย่างหนึ่ง

ขนาดของงาน

คนหนึ่งคนอาจตรวจสอบข้อมูล 20 รายการได้สบาย ๆ

หรืออาจทำได้ถึง 200 รายการ

แต่ไม่มีใครสามารถเปรียบเทียบข้อมูลหลายแสนรายการอยู่ในหัว พร้อมกับมองหาความสัมพันธ์ระหว่างข้อมูลเหล่านั้นอย่างต่อเนื่องได้อย่างละเอียด

AI สามารถทำงานกับข้อมูลในปริมาณที่มากกว่านั้นได้มาก

เขาสามารถจัดหมวดหมู่ เปรียบเทียบ มองหารูปแบบ และอนุมานซ้ำแล้วซ้ำอีก โดยไม่เหนื่อยหรือเสียสมาธิเหมือนมนุษย์

สิ่งนี้ทำให้งานหลายอย่างที่เมื่อก่อนแทบเป็นไปไม่ได้ในทางปฏิบัติ กลายเป็นเรื่องที่ทำได้

ทีมเล็ก ๆ สามารถตรวจเอกสารได้มากขึ้นหลายเท่า

นักวิเคราะห์สามารถสำรวจข้อมูลได้กว้างขึ้น

ผู้จัดการสามารถตั้งคำถามกับข้อมูลในขอบเขตที่ใหญ่กว่าเดิมมาก

คนเพียงคนเดียวอาจทำงานบางประเภทที่เมื่อก่อนต้องใช้คนจำนวนมาก

ตรงนี้เองที่ AI เริ่มดูน่าทึ่งมาก

แต่ก็เป็นจุดเดียวกันกับที่ปัญหาสำคัญเริ่มปรากฏขึ้น

AI มักจะให้คำตอบเราได้

ลองกลับไปที่ตัวอย่างข้อมูลทางการเงินเมื่อสักครู่

สมมติว่าข้อมูลประมาณ 80% จับคู่กันได้ง่าย

ชื่ออาจเขียนเหมือนกัน หรือคล้ายกันมากจนเรารู้ได้ทันทีว่าควรใช้กฎอะไร

จากนั้นจะเหลือข้อมูลอีกส่วนหนึ่งที่ต้องอาศัยการตีความ

AI อาจสังเกตได้ก่อนว่า เครื่องหมายวรรคตอนไม่มีผล

จากนั้นเขาอาจสังเกตเห็นรูปแบบของคำย่อ

แล้วอาจพบรูปแบบอื่นเพิ่มเติมอีก

ทุกครั้งที่ AI พบวิธีตีความใหม่ เขาก็สามารถจัดกลุ่มข้อมูลเพิ่มได้อีก

ท้ายที่สุด AI อาจส่งคำตอบกลับมาให้เราได้ครบทั้งหมด

คำตอบนั้นอาจถูกต้อง 99%

หรืออาจถูกต้องถึง100% ก็ได้

แต่การได้คำตอบกับการเข้าใจว่า ทำไมคำตอบนั้นถึงถูกต้อง เป็นคนละเรื่องกัน

ระหว่างทาง AI อาจตั้งสมมติฐานหลายอย่าง

และสมมติฐานหนึ่งอาจถูกสร้างขึ้นบนสมมติฐานอีกข้อหนึ่ง

ถ้าผลลัพธ์สุดท้ายมีบางอย่างผิด เราอาจไม่รู้ทันทีว่าสมมติฐานใดเป็นต้นเหตุ และมีข้อมูลอีกกี่รายการที่ได้รับผมก็ทบจากเหตุผลเดียวกันนั้น

ซึ่งเราจะเห็นได้ว่านี่เขาแตกต่างอย่างมากจากการให้ AI ช่วยร่างอีเมล

อีเมลหนึ่งฉบับ เราใช้เวลาอ่าน 30 วินาทีก็ตัดสินได้แล้วว่าใช้ได้หรือไม่

แต่เราไม่สามารถตรวจข้อมูลหลายแสนรายการด้วยวิธีเดียวกันได้

AI ช่วยแก้ข้อจำกัดเรื่องปริมาณงานที่มนุษย์ทำเองไม่ไหวได้

แต่คำถามว่า เราจะเชื่อถือผลลัพธ์นั้นได้มากแค่ไหน ยังไม่ได้หายไป

ตรงนี้เองที่บทบาทของมนุษย์เลยเปลี่ยนไป

ไม่ได้หมายความว่า AI ใช้กับงานยาก ๆ ไม่ได้

แต่หมายความว่า สิ่งที่มนุษย์ต้องมีส่วนร่วมในงานนั้นเปลี่ยนไป

ถ้าเราเข้าใจตรรกะของงานอยู่แล้ว และรู้ว่าผลลัพธ์ที่ถูกต้องควรเป็นอย่างไร AI สามารถช่วยลงมือทำงานในปริมาณมหาศาลแทนเราได้

เรากำหนดขั้นตอน

AI นำขั้นตอนนั้นไปใช้กับข้อมูลในวงกว้าง

และเราสามารถทดสอบผลลัพธ์ในแต่ละขั้นได้

วิธีนี้สามารถลดภาระงานของมนุษย์ได้อย่างมาก

แต่ทันทีที่เราเริ่มให้ AI เป็นคนคิดแทนเรา สิ่งที่เกิดขึ้นจะต่างออกไป

ตอนนั้นเราไม่ได้มอบหมายเพียงแค่งานให้ AI ช่วยทำ

เรากำลังมอบหมาย การคิด และการใช้ ใช้เหตุผล ให้กับ AI ด้วย

ใช้ AI ทำสิ่งนั้นได้

เขาอนุมานได้

วิเคราะห์ได้

และมองเห็นรูปแบบบางอย่างที่เราเองอาจยังไม่เคยเห็น

แต่ยิ่งการใช้เหตุผลของ AI ไปไกลเกินกว่าสิ่งที่เราเข้าใจหรือตรวจสอบได้มากเท่าไร เราก็ยิ่งตัดสินได้ยากขึ้นว่า ผลลัพธ์สุดท้ายนั้นควรเชื่อถือได้มากแค่ไหน

และนี่คือสิ่งที่นำเราไปสู่ เรื่องสำคัญลำดับถัดไป

ลายเซ็น

ลองนึกภาพว่า ห้าประเด็นสำคัญที่ AI สรุปจากรายงาน 10,000 คำ กำลังจะถูกใส่เข้าไปในเอกสารสำหรับการประชุมคณะกรรมการบริษัทในวันพรุ่งนี้

ท้ายที่สุด ยังต้องมีใครสักคนอ่านแล้วบอกว่า

ใช่ นี่คือห้าเรื่องที่คณะกรรมการจำเป็นต้องรู้จริง ๆ และฉันพร้อมที่จะลงชื่อรับรองข้อความนี้

นี่คือสิ่งที่มนุษย์มึความสําคัญ เพราะมนุษย์มี

ประสบการณ์

ความเข้าใจในบริบท

วิจารณญาณ

ความสามารถในการตัดสินว่าอะไรเหมาะสม

และท้ายที่สุด คือความรับผิดชอบว่าผลลัพธ์นั้นดีพอที่จะนำไปใช้ได้จริงหรือไม่

การทำงานกับ AI อาจให้ความรู้สึกเหมือนทำงานกับเพื่อนร่วมงาน

นี่เป็นอีกเหตุผลหนึ่งที่ทำให้ AI อาจสร้างความสับสนในช่วงแรก

การใช้ AI หลายครั้งให้ความรู้สึกใกล้เคียงกับการทำงานกับคนอีกคนหนึ่ง มากกว่าการใช้ซอฟต์แวร์ทั่วไป

เราไม่จำเป็นต้องบอกทุกขั้นตอนว่าจะต้องทำอะไร

เราอาจเพียงบอกเป้าหมายให้เขารู้

อธิบายบริบทให้เขาฟัง

ขอให้เขาช่วยคิดปัญหา

ตั้งคำถามที่ท้าทายกับคำตอบของเขา

ขอให้เขาลองใหม่

หรือแม้กระทั่งขอให้เขาเสนอแนวทางที่เราเองยังไม่เคยนึกถึงมาก่อน

ทั้งหมดนี้ให้ความรู้สึกคล้ายกับการทำงานร่วมกับเพื่อนร่วมงานที่มีความสามารถ มากกว่าการป้อนคำสั่งลงในซอฟต์แวร์แบบเดิม

แต่มีความแตกต่างทางพื้นฐานอยู่ข้อหนึ่ง

เพื่อนร่วมงานสามารถรับผิดชอบต่องานในส่วนของตัวเขาเองได้

เขาสามารถอธิบายได้ว่าทำอะไรไป

เราสามารถตั้งคำถามกับเหตุผลของเขาได้

เขาสามารถอธิบายและปกป้องเหตุผลนั้นได้

และสามารถเรียนรู้จากความผิดพลาดได้

ที่สำคัญ มนุษย์มีความต้องการที่จะรักษาชื่อเสียงในวิชาชีพ บทบาทหน้าที่ และผลที่ตามมาจากการตัดสินใจ ล้วนเชื่อมโยงกับคุณภาพของงานที่ทำ

AI ทำงานให้เราได้

แต่ AI รับผิดชอบต่องานนั้นแทนเราไม่ได้

หากผลลัพธ์ผิด จะไม่มี “เพื่อนร่วมงาน AI” หรือผู้ใต้บังคับบัญชา AI ของเราที่จะรับผิดชอบต่อความผิดพลาดนั้น

ความรับผิดชอบยังคงอยู่กับบุคคลหรือองค์กรที่นำผลลัพธ์ของ AI ไปใช้

แล้ว AI ทำอะไรให้เราได้จริง?

วิธีหนึ่งที่ช่วยให้เข้าใจได้ง่าย คือแบ่งความสามารถของ AI ออกเป็นสามระดับ

ระดับแรก AI ช่วยให้เราทำงานที่เราเข้าใจอยู่แล้วได้เร็วขึ้น

เช่น การเขียน การสรุป การเปรียบเทียบ การค้นคว้า การดึงข้อมูล และการจัดระเบียบข้อมูล

ประโยชน์หลักในระดับนี้คือ ความเร็ว

ระดับที่สอง AI ช่วยให้เราทำงานกับข้อมูลที่มีปริมาณมากหรือซับซ้อนเกินกว่าที่จะจัดการด้วยคนคนเดียวได้

ไม่ว่าจะเป็นเอกสาร ชุดข้อมูล การจัดหมวดหมู่ การมองหารูปแบบ หรือความสัมพันธ์ระหว่างข้อมูล

ประโยชน์ในระดับนี้คือ ความสามารถในการจัดการงานที่มีขนาดใหญ่ขึ้น

ระดับที่สาม AI ช่วยตีความปัญหาที่เราไม่สามารถกำหนดกฎทั้งหมดไว้ล่วงหน้าได้

เขาสามารถอนุมาน ใช้เหตุผล และเสนอคำตอบได้

นี่คือจุดที่ AI มีพลังมากที่สุด

และก็เป็นจุดที่ความเข้าใจของมนุษย์มีความสำคัญมากที่สุดเช่นกัน

ยิ่งเราดูออกได้ง่ายว่าผลลัพธ์ที่ AI ให้มานั้นถูกหรือผิด เราก็ยิ่งมอบหมายงานให้ AI ได้อย่างมั่นใจ

แต่ยิ่งผลลัพธ์นั้นตรวจสอบได้ยากมากเท่าไร เรายิ่งจำเป็นต้องเข้าใจตรรกะที่ AI ใช้ในการได้มาซึ่งคำตอบนั้นมากขึ้น นี่หมายถึงเวลาที่มนุษย์จำเป็นจะต้องทุ่มเทเพื่อทำความเข้าใจระหว่างการทำงานกับ AI

สามภาพที่ควรจำ

ถ้าจะจำอะไรจากบทความนี้เพียงอย่างเดียว ขอให้นำสามภาพนี้ไป

สูตร

ซอฟต์แวร์แบบเดิมทำงานตามตรรกะที่มนุษย์กำหนดไว้แล้ว

การสรุป

AI สามารถตีความข้อมูลและพิจารณาได้ว่าอะไรน่าจะสำคัญ โดยที่เราไม่จำเป็นต้องกำหนดกฎทุกข้อให้เขาล่วงหน้า

ลายเซ็น

มนุษย์ยังคงเป็นผู้ตัดสินว่า ผลลัพธ์นั้นดีพอที่องค์กรจะนำไปใช้และพึ่งพาได้หรือไม่

นี่คือความแตกต่างที่สำคัญ

AI ลงมือทำงานได้

ตีความได้

ใช้เหตุผลได้

ทำงานกับข้อมูลในปริมาณที่มนุษย์คนหนึ่งไม่มีทางประมวลผลเองได้ทั้งหมด

และอาจค้นพบสิ่งที่เราเองยังไม่รู้ด้วยซ้ำว่าควรมองหา

แต่ AI ไม่สามารถรับผิดชอบแทนเราได้ว่า ผลลัพธ์สุดท้ายนั้นสมเหตุสมผลและเหมาะสมที่จะนำไปใช้หรือไม่

ดังนั้น คำถามที่ควรนำกลับไปถามในองค์กรจึงไม่ใช่เพียงว่า

AI ทำสิ่งนี้ได้ไหม?

เพราะนับจากนี้ คำตอบของคำถามนั้นจะกลายเป็นคำว่า “ได้” มากขึ้นเรื่อย ๆ

คำถามที่มีประโยชน์กว่าคือ

เรากำลังให้ AI ทำอะไร และเรายังเข้าใจผลลัพธ์นั้นดีพอที่จะลงชื่อรับรองได้หรือไม่?

การเข้าใจเรื่องนี้คือพื้นฐานของการใช้ AI ในองค์กรอย่างเหมาะสม

ก่อนที่โครงการ AI ใด ๆ จะเดินหน้าต่อ ผู้ที่รับผิดชอบควรตอบคำถามสามข้อนี้ได้อย่างชัดเจน

เรากำลังให้ AI ทำอะไร?

เราจะรู้ได้อย่างไรว่าคำตอบของ AI ดีพอ?

และตรงไหนที่วิจารณญาณและความรับผิดชอบของมนุษย์ยังต้องคงอยู่?