รูปแบบการทำงานด้านวิศวกรรมในยุค AI

ต้นทุนการพัฒนาซอฟต์แวร์กำลังลดลง ทำให้องค์กรที่ตัดสินใจได้ดีกว่าและตรวจสอบผลลัพธ์ได้อย่างปลอดภัยมีความได้เปรียบมากขึ้น

สิ่งที่ผู้บริหารควรรู้

  • เมื่อ AI ช่วยลดต้นทุนการพัฒนาซอฟต์แวร์ องค์กรต้องปรับรูปแบบการทำงานเพื่อสร้างความได้เปรียบในการแข่งขัน องค์กรที่ปรับวิธีทำงานของทีมใหม่ แทนที่จะเพียงนำผู้ช่วย AI มาใช้ มีแนวโน้มจะได้รับประโยชน์อย่างต่อเนื่องมากกว่า

  • งานวิศวกรรมยุค AI ต้องอาศัยทีมสองส่วนที่ทำงานเสริมกัน ได้แก่ ทีมพัฒนาแอปที่เข้าใจลูกค้าและปัญหาอย่างใกล้ชิด และทีมแพลตฟอร์มหรือทีมดูแลระบบส่วนกลางที่จัดเตรียมข้อมูล มาตรการควบคุม ระบบประเมินผล และแนวทางกำกับดูแลที่ใช้ร่วมกัน เพื่อให้ทั้งคนและเอเจนต์ AI ทำงานได้อย่างปลอดภัยในวงกว้าง

  • บทบาทของผู้นำด้านเทคโนโลยีกำลังเปลี่ยนจากการบริหารทรัพยากรเพื่อส่งมอบงาน มาให้ความสำคัญกับการออกแบบระบบการทำงานมากขึ้น โดยต้องกำหนดให้ชัดเจนว่า ทีมพัฒนาแอปรับผิดชอบอะไรบ้าง ข้อมูลและมาตรการควบคุมใดควรใช้ร่วมกัน งานใดของเอเจนต์ต้องได้รับอนุมัติจากคน และจะวัดผลการเรียนรู้ที่ผ่านการตรวจสอบและคุณค่าที่สร้างให้ลูกค้าอย่างไร

รูปแบบการทำงานเดิมให้ความสำคัญกับข้อจำกัดด้านกำลังพัฒนา

แนวทางการทำงานด้านวิศวกรรมในปัจจุบันส่วนใหญ่เกิดขึ้นในยุคที่การพัฒนาซอฟต์แวร์มีต้นทุนสูง คำถามสำคัญในตอนนั้นคือ จะทำอย่างไรให้ทีมต่างๆ พัฒนาและส่งมอบซอฟต์แวร์ได้มากขึ้นอย่างสม่ำเสมอและคาดการณ์ผลได้ แนวคิดนี้ส่งผลต่อทั้งการจัดโครงสร้างทีม การลงทุนในแพลตฟอร์ม และการวัดผลการส่งมอบงาน การขยายงานจึงมักหมายถึงการเพิ่มบุคลากร ส่วนความสำเร็จก็มักวัดจากปริมาณงานที่ดำเนินการผ่านระบบได้

AI กำลังเปลี่ยนแนวคิดเดิมนี้ไป เรามองว่างานวิศวกรรมยุค AI ไม่ใช่แค่การทำงานแบบเดิมด้วยเครื่องมือที่ดีขึ้น แต่ต้องปรับรูปแบบการทำงานใหม่ โดยให้ทีมพัฒนาแอปมีขนาดเล็กลงและทำงานใกล้ชิดกับปัญหาของลูกค้า พร้อมการสนับสนุนจากทีมแพลตฟอร์มหรือทีมที่ดูแลระบบส่วนกลาง เราใช้คำว่า ‘harness’ เรียกระบบที่จัดเตรียมข้อมูล เครื่องมือ สิทธิ์การเข้าถึง และกระบวนการรับผลตอบกลับที่จำเป็นสำหรับคนและเอเจนต์ พร้อมกำหนดขอบเขตการทำงานที่ชัดเจน เพื่อให้สามารถใช้ AI ได้อย่างปลอดภัยในวงกว้าง

เรื่องนี้สำคัญต่อผู้นำด้านเทคโนโลยีและข้อมูล เพราะการเพิ่มประสิทธิภาพการทำงานของแต่ละคนเพียงอย่างเดียวยังไม่เพียงพอที่จะทำให้องค์กรนำ AI มาใช้อย่างทั่วถึงและปลอดภัย หากไม่มีรูปแบบการทำงานที่วางไว้อย่างชัดเจน แต่ละทีมอาจใช้เครื่องมือที่แตกต่างกัน พัฒนาแนวทางซ้ำซ้อน ขาดความชัดเจนเรื่องผู้รับผิดชอบ เปิดเผยข้อมูลโดยไม่มีการควบคุม และส่งมอบงานที่มีคุณภาพไม่สม่ำเสมอ

องค์กรต้องเปลี่ยนจากการตั้งคำถามว่า “เราจะช่วยให้วิศวกรใช้ AI ได้อย่างไร” มาเป็น “เราควรปรับระบบการทำงานด้านวิศวกรรมอย่างไร เพื่อให้ทั้งคนและเอเจนต์สร้างคุณค่าได้อย่างปลอดภัยทั่วทั้งองค์กร”

ยิ่งต้นทุนการพัฒนาลดลง การตัดสินใจยิ่งสำคัญขึ้น

AI ช่วยให้วิศวกรคิดค้นไอเดีย สร้างต้นแบบ และทดลองวิธีต่าง ๆ ได้รวดเร็วและหลากหลายขึ้น แต่การทำงานได้มากขึ้นไม่ได้แปลว่าจะสร้างคุณค่าได้มากขึ้น หากขาดการตัดสินใจที่รอบคอบ ข้อมูลที่เหมาะสม และการประเมินผลที่ดี องค์กรอาจสร้างงานออกมามากมายจนตรวจสอบไม่ทันว่างานใดเชื่อถือได้ ควรนำไปใช้จริง หรือมีสิ่งใดที่ควรเรียนรู้จากงานนั้น

AI ช่วยลดต้นทุนการเขียนโค้ดและการทดลองได้ แต่จะช่วยลดต้นทุนรวมของการพัฒนาซอฟต์แวร์ได้หรือไม่นั้น ยังขึ้นอยู่กับงานที่ต้องทำต่อ ทั้งการตรวจสอบโค้ด การนำส่วนต่างๆ มารวมเข้าด้วยกัน การดูแลระบบระหว่างใช้งาน การบำรุงรักษา และการกลับมาแก้ไขงาน

เราคาดว่าความได้เปรียบด้านวิศวกรรมจะขึ้นอยู่กับความสามารถ 4 ด้านมากขึ้น ได้แก่

  • ตัดสินใจว่าควรพัฒนาอะไร จะพัฒนาอย่างไร และบันทึกการตัดสินใจเหล่านั้นอย่างไร

  • ให้คนและระบบ AI ใช้ความรู้ขององค์กรที่ถูกต้องและเหมาะสม

  • ขยายการใช้งานอย่างปลอดภัยด้วยแพลตฟอร์ม มาตรการควบคุม และการประเมินผลร่วมกัน

  • ออกแบบโครงสร้างระบบให้รองรับเครื่องมือและส่วนประกอบใหม่ได้ โดยไม่ต้องปรับระบบครั้งใหญ่บ่อยๆ

สิ่งที่ขาดแคลนไม่ใช่ความสามารถในการสร้างผลงานอีกต่อไป แต่เป็นความสามารถในการสร้างคุณค่าจากผลงานให้มากขึ้น ทั้งการเลือกงานที่ควรทำ ใช้ข้อมูลที่เกี่ยวข้องประกอบการทำงาน ทดสอบว่าผลงานใช้ได้จริงหรือไม่ และรู้ว่างานใดไม่ควรนำไปใช้งาน

ยิ่งการทดลองมีต้นทุนต่ำลง การบันทึกเหตุผลในการตัดสินใจก็ยิ่งสำคัญ องค์กรต้องรู้ว่าเคยลองทำอะไรบ้าง วิธีไหนไม่ได้ผล ได้บทเรียนอะไร และเพราะเหตุใดจึงตัดสินใจเลือกวิธีหนึ่งแทนอีกวิธี

ระบบงานวิศวกรรมควรออกแบบให้ตรวจสอบผลลัพธ์ได้รวดเร็ว ปรับปรุงและทดสอบซ้ำได้อย่างปลอดภัย และบันทึกบทเรียนอย่างเป็นระบบ แทนการมุ่งเพิ่มความเร็วในการส่งมอบงานเพียงอย่างเดียว แนวทางนี้ทำให้วิศวกรและทีมที่ทำงานร่วมกันต้องปรับบทบาทใหม่

วิศวกรมีบทบาทในการประสานการทำงานของระบบมากขึ้น

สำหรับวิศวกร การเปลี่ยนแปลงนี้ไม่ได้หมายถึงการลดบทบาทในการพัฒนา แต่จะมีบทบาทมากขึ้นในการกำหนดทิศทาง ประเมินผล และจัดการให้ส่วนต่างๆ ของระบบทำงานร่วมกัน

AI อาจช่วยเขียนซอฟต์แวร์ได้ แต่ไม่ได้หมายความว่าเราไม่ต้องการวิศวกรอีกต่อไป ตรงกันข้าม คนที่เข้าใจข้อจำกัดของระบบ รู้ว่าจะเชื่อมส่วนต่าง ๆ เข้าด้วยกันอย่างไร ออกแบบวิธีตรวจสอบผลลัพธ์ได้ และประสานงานระหว่างคนกับเอเจนต์ได้ จะยิ่งมีความสำคัญ วิศวกรที่ไม่ได้เก่งแค่ด้านเทคนิค แต่ยังตัดสินใจได้ดี เข้าใจผลิตภัณฑ์ และประเมินคุณภาพงานได้ จึงมักสร้างคุณค่าได้มากกว่าคนที่มุ่งพัฒนาแต่ละส่วนแยกกัน

AI ช่วยให้ทีมผลิตภัณฑ์และวิศวกรรมเรียนรู้ได้ดีขึ้น

ในอดีต ทีมผลิตภัณฑ์เป็นผู้ตัดสินใจว่าจะพัฒนาอะไร ส่วนทีมวิศวกรรมรับหน้าที่หาวิธีพัฒนาสิ่งนั้น ปัจจุบันหลายองค์กรให้ทีมผลิตภัณฑ์ ทีมออกแบบ และทีมวิศวกรรมทำงานร่วมกัน แต่สิ่งที่ AI เข้ามาเปลี่ยนคือวิธีทำงานภายในทีม เมื่อต้นทุนการสร้างต้นแบบลดลง ทีมก็สามารถเริ่มจากการทำความเข้าใจปัญหา ไปสู่การพัฒนาและประเมินผลได้ภายในรอบการทำงานเดียวกัน ทำให้ทดลองแนวทางต่างๆ ได้มากขึ้น คัดแนวคิดที่ไม่เหมาะสมออกได้เร็วขึ้น และนำแนวคิดที่ผ่านการตรวจสอบแล้วไปพัฒนาต่อจนพร้อมใช้งานจริง

แนวทางนี้เอื้อต่อการทำงานของทีมขนาดเล็กที่รวมผู้เชี่ยวชาญจากหลายสายงาน ทั้งด้านผลิตภัณฑ์ การออกแบบ วิศวกรรม และความเชี่ยวชาญเฉพาะด้าน ทำให้ทุกคนเรียนรู้และปรับปรุงงานร่วมกันอย่างต่อเนื่อง แม้การตัดสินใจด้านผลิตภัณฑ์และด้านเทคนิคยังต้องอาศัยความเชี่ยวชาญที่แตกต่างกัน แต่ทั้งสองฝ่ายจำเป็นต้องทำงานใกล้ชิดกันมากขึ้น ผู้นำด้านผลิตภัณฑ์ต้องมีความเข้าใจทางเทคนิคเพียงพอที่จะสร้างต้นแบบและประเมินทางเลือกต่างๆ ได้ ขณะที่วิศวกรต้องเข้าใจทั้งลูกค้าและบริบทธุรกิจ เพื่อมีส่วนร่วมในการกำหนดโจทย์ ไม่ใช่เพียงลงมือพัฒนาตามแนวทางที่กำหนดไว้แล้ว

ความรู้และบริบทภายในองค์กรกลายเป็นสินทรัพย์เชิงกลยุทธ์

เดิมทีองค์กรด้านวิศวกรรมให้ความสำคัญกับโค้ดในฐานะสินทรัพย์หลัก แต่เมื่อสร้างโค้ดได้ง่ายขึ้น สิ่งที่มีคุณค่าในระยะยาวกลับเป็นความรู้และบริบทที่อยู่เบื้องหลัง ทั้งความเชี่ยวชาญเฉพาะด้าน ความเข้าใจลูกค้า ประสบการณ์การดำเนินงาน ข้อมูลเฉพาะขององค์กร ชุดข้อมูลประเมินผล นโยบายที่ระบบอ่านได้ และบันทึกการตัดสินใจเกี่ยวกับโครงสร้างระบบ ซึ่งช่วยให้เข้าใจว่าเหตุใดระบบจึงทำงานในรูปแบบปัจจุบัน

ฐานโค้ดมีคุณค่าไม่ใช่แค่เพราะตัวโค้ดเอง แต่ยังสะท้อนความรู้ด้านธุรกิจและลูกค้าที่องค์กรต้องใช้เวลาสั่งสมมา AI อาจช่วยให้เขียนโค้ดได้ง่ายขึ้น แต่ไม่ได้ทำให้การสั่งสมความรู้เหล่านั้นง่ายขึ้นตามไปด้วย องค์กรจึงควรมองให้ไกลกว่าปริมาณโค้ดที่สร้างได้ และลงทุนในสินทรัพย์ที่เพิ่มพูนคุณค่าได้อย่างต่อเนื่อง ทั้งข้อมูลเฉพาะขององค์กรที่มีการกำกับดูแลอย่างเหมาะสม ระบบจัดการความรู้ที่นำไปใช้ได้จริง ความเข้าใจลูกค้าอย่างลึกซึ้ง และบันทึกการตัดสินใจที่ชัดเจน

สำหรับ CIO และ CDO เรื่องนี้ทำให้การวางโครงสร้างข้อมูลและการกำกับดูแลข้อมูลกลายเป็นปัจจัยสำคัญต่อประสิทธิภาพงานวิศวกรรม เพราะเอเจนต์ AI สามารถใช้ได้เฉพาะข้อมูลที่ได้รับอนุญาตให้เข้าถึงและสามารถตีความได้เท่านั้น ดังนั้น ความรู้ที่กระจัดกระจาย ความไม่ชัดเจนว่าใครเป็นเจ้าของข้อมูล และการกำหนดสิทธิ์เข้าถึงที่ไม่สอดคล้องกัน จึงไม่ได้เป็นเพียงปัญหาด้านการจัดการข้อมูลอีกต่อไป แต่ยังเป็นข้อจำกัดในการพัฒนาระบบด้วย

เมื่อระบบที่ใช้งานจริงต้องอาศัยความรู้ขององค์กร ความรู้นั้นก็ต้องเป็นส่วนหนึ่งของความสามารถของแพลตฟอร์ม ไม่ใช่เพียงเอกสารอ้างอิง

กระจายการพัฒนา AI ให้แต่ละทีม พร้อมใช้มาตรการควบคุมร่วมกัน

เมื่อข้อมูลและบริบทขององค์กร การประเมินผล และการกำกับดูแลกลายเป็นส่วนหนึ่งของระบบที่ใช้งานจริง องค์กรก็ไม่อาจปล่อยให้แต่ละทีมรับผิดชอบการพัฒนาและนำ AI ไปใช้งานเองทั้งหมดได้ แต่ก็ไม่ควรรวมศูนย์การทำงานมากเกินไปจนทีมต่างๆ ขาดความใกล้ชิดกับปัญหาที่ลูกค้าเผชิญจริง

องค์กรสามารถรักษาทั้งความคล่องตัวและมาตรฐานการควบคุมได้ด้วยการให้แต่ละทีมรับผิดชอบงานของตนเอง โดยทีมพัฒนาแอปสามารถตัดสินใจและดำเนินงานได้อย่างอิสระใกล้ชิดกับปัญหาที่ต้องแก้ไข พร้อมได้รับการสนับสนุนจากทีมแพลตฟอร์มและระบบส่วนกลาง ทั้งเครื่องมือที่นำกลับมาใช้ซ้ำได้ การเข้าถึงข้อมูลที่เกี่ยวข้องภายใต้การควบคุม แนวทางประเมินผล การกำหนดสิทธิ์ และการกำกับดูแล แต่แนวทางนี้จะสำเร็จได้ก็ต่อเมื่อทุกฝ่ายรู้หน้าที่ของตน ทีมพัฒนาแอปรับผิดชอบงานและผลลัพธ์ ทีมส่วนกลางจัดเตรียมสิ่งที่จำเป็นเพื่อให้ทำงานได้อย่างปลอดภัย ส่วนฝ่ายบริหารความเสี่ยง ความปลอดภัย และการกำกับดูแลทำหน้าที่ตรวจสอบโดยอิสระ

ทีมพัฒนาแอปและผู้เชี่ยวชาญเฉพาะด้านควรกำหนดว่าจะทดสอบอะไรและต้องได้ผลดีแค่ไหนถึงจะถือว่าผ่าน ขณะที่ทีมดูแลระบบส่วนกลางรับหน้าที่จัดเตรียมเครื่องมือประเมินผล มาตรการควบคุม และระบบรายงานที่ใช้ร่วมกัน เพื่อให้การประเมินผลเป็นไปอย่างสม่ำเสมอ

ขอบเขตงาน

ทีมแอปพลิเคชัน

ทีมดูแลระบบส่วนกลาง

ความเสี่ยง ความปลอดภัย และการกำกับดูแล

ผลิตภัณฑ์และผลลัพธ์

เลือกปัญหา ขั้นตอนงาน ประสบการณ์ผู้ใช้ และตัวชี้วัดความสำเร็จ รับผิดชอบผลลัพธ์ต่อลูกค้าและธุรกิจ

จัดเตรียมรูปแบบ เครื่องมือ และระบบติดตามผลที่ใช้ซ้ำได้

กำหนดข้อจำกัดเมื่อการใช้งานมีความเสี่ยงที่สำคัญ

บริบทและการเข้าถึง

ระบุข้อมูลและการดำเนินการที่จำเป็นต่อกระบวนการทำงาน

จัดเตรียมช่องทางเข้าถึงข้อมูล ระบบระบุเอเจนต์ และสิทธิ์ใช้เครื่องมือ

อนุมัติการเข้าถึงข้อมูลอ่อนไหวและกำหนดขอบเขตการควบคุม

การประเมินและเผยแพร่

กำหนดเกณฑ์การยอมรับและตรวจสอบผลลัพธ์

ดูแลชุดทดสอบประเมินผล บันทึกการตรวจสอบ และขั้นตอนการนำระบบไปใช้งานที่ได้รับอนุมัติ

อนุมัติกรณีใช้งานที่มีความเสี่ยงสูง ข้อยกเว้น และการเปลี่ยนแปลงสำคัญ

งบประมาณและความรับผิดชอบ

ได้รับงบประมาณและต้องรับผิดชอบต่อผลลัพธ์ของแอป

ได้รับงบประมาณสำหรับระบบส่วนกลาง วัดผลจากการนำไปใช้ซ้ำ ความครอบคลุม และระยะเวลาจนใช้งานจริงอย่างปลอดภัย

ดูแลการตรวจสอบอิสระและตัดสินใจเรื่องมาตรการควบคุม

วงจรการทำงานและการเรียนรู้

ร่วมปรับปรุงงานกับผู้เชี่ยวชาญเฉพาะด้าน พร้อมตรวจสอบผลลัพธ์ การแก้ไข และเหตุขัดข้อง

ต่อยอดบทเรียนเป็นการทดสอบ มาตรการควบคุม และความสามารถที่ใช้ซ้ำได้

ตรวจสอบเหตุการณ์และการเปลี่ยนแปลงตามขั้นตอนอนุมัติที่ตกลงไว้

การเปลี่ยนแปลงนี้ยังทำให้ผู้นำต้องทบทวนแนวคิดเรื่องขนาดของทีมด้วย เพราะเป้าหมายไม่ใช่เพียงการใช้ทีมขนาดเล็กสร้างซอฟต์แวร์ให้ได้มากขึ้น แต่เป็นการนำวิจารณญาณของคนไปใช้ในจุดที่สร้างคุณค่าได้สูงสุด ทั้งในทีมพัฒนาแอปที่ทำงานใกล้ชิดกับปัญหาที่ต้องแก้ไข และในทีมที่พัฒนาระบบส่วนกลางเพื่อช่วยให้ทีมเหล่านั้นทำงานได้รวดเร็วโดยยังคงควบคุมการทำงานได้อย่างเหมาะสม

จากแพลตฟอร์มสู่ระบบรองรับการทำงานร่วมกันของคนและเอเจนต์

เมื่อทีมพัฒนาแอปมีขนาดเล็กลงและใช้ AI ช่วยงานมากขึ้น องค์กรจึงต้องเสริมระบบสนับสนุนส่วนกลาง เพื่อให้ส่งมอบงานได้อย่างปลอดภัย มีมาตรฐาน และตรวจสอบความรับผิดชอบได้

ที่ผ่านมา วิศวกรรมแพลตฟอร์มมุ่งเน้นการเพิ่มประสิทธิภาพการทำงานของนักพัฒนาเป็นหลัก โดยมีมนุษย์เป็นผู้ใช้งานหลัก แต่แพลตฟอร์มที่ออกแบบมาสำหรับยุค AI ต้องรองรับการทำงานของทั้งมนุษย์และเอเจนต์

เอเจนต์มีวิธีใช้งานแพลตฟอร์มสำหรับนักพัฒนาต่างจากมนุษย์ โดยต้องมีคำสั่งและเครื่องมือที่เรียกใช้ผ่านระบบได้ มีการกำหนดสิทธิ์อย่างชัดเจน และมีวิธีตรวจสอบผลงานที่เชื่อถือได้ นอกจากนี้ แพลตฟอร์มยังต้องรองรับการติดตามและตรวจสอบการทำงาน การรักษาความปลอดภัย การปฏิบัติตามข้อกำหนด และการจัดการความรู้ เพื่อให้เอเจนต์ทำงานได้ด้วยตนเองอย่างมีประสิทธิภาพ โดยอยู่ภายใต้ขอบเขตที่ชัดเจนและควบคุมได้จริง

ตัวอย่างการใช้ AI ช่วยงานในธนาคารที่มีการกำกับดูแล

ธนาคารแห่งหนึ่งที่นำ AI มาช่วยจัดการกรณีที่ลูกค้าพบปัญหาเกี่ยวกับรายการใช้จ่ายผ่านบัตร ทีมพัฒนาแอปตัดสินใจเริ่มจากงานที่มีขอบเขตชัดเจน ได้แก่ แยกประเภทปัญหา ค้นหานโยบายที่เกี่ยวข้อง และร่างคำตอบให้เจ้าหน้าที่ฝ่ายบริการลูกค้า โดยทีมรับผิดชอบการออกแบบขั้นตอนการทำงาน ประสบการณ์ผู้ใช้ เกณฑ์ในการส่งต่อปัญหาให้ผู้รับผิดชอบระดับสูงขึ้น และตัวชี้วัดความสำเร็จ แต่ไม่มีอำนาจกำหนดนโยบายตามกฎระเบียบหรือเพิ่มสิทธิ์ให้เอเจนต์

ในตัวอย่างนี้ เอเจนต์ช่วยพัฒนาระบบ ทดสอบการทำงานเฉพาะส่วน และเตรียมความพร้อมก่อนเปิดใช้งานจริง แต่คนยังต้องอนุมัติก่อนนำระบบขึ้นใช้งานจริง โดยนำผลจากการใช้งานมาประเมินและพัฒนารอบต่อไป ทั้งนี้ การควบคุมเอเจนต์ขณะทำงานยังเป็นอีกส่วนที่ต้องดูแลแยกต่างหาก โดยเอเจนต์ฝ่ายบริการลูกค้าต้องใช้เฉพาะเครื่องมือและข้อมูลที่ได้รับอนุญาต และปฏิบัติงานภายใต้สิทธิ์และขั้นตอนการส่งต่อเรื่องที่กำหนดไว้

  • ข้อมูลที่เข้าถึงได้: เอเจนต์ดูข้อมูลเคสปัจจุบัน ข้อมูลลูกค้าเฉพาะที่จำเป็นต่อการแก้ปัญหา ขั้นตอนเกี่ยวกับผลิตภัณฑ์และข้อร้องเรียนที่ได้รับอนุมัติ รวมถึงกฎการส่งต่อเรื่องที่ระบบอ่านได้ แต่เข้าถึงข้อมูลชำระเงินที่เป็นความลับ ข้อมูลลูกค้ารายอื่น หรือแก้ไขข้อมูลในระบบจัดการเคสไม่ได้

  • การประเมิน: ก่อนเปิดใช้งาน ต้องทดสอบด้วยกรณีตัวอย่างจากอดีตและกรณีที่จัดการยากซึ่งผู้เชี่ยวชาญระบุไว้ โดยตรวจสอบความถูกต้องในการแยกประเภท การทำตามนโยบาย การเลือกไม่ตอบเมื่อควร ข้อมูลส่วนบุคคลรั่วไหลหรือไม่ และการส่งต่อข้อร้องเรียนหรือกรณีที่เกี่ยวข้องกับข้อมูลการเงินที่ละเอียดอ่อน

  • การอนุมัติ: ทีมแอปพลิเคชันรับผิดชอบการตัดสินใจด้านผลิตภัณฑ์ ฝ่ายความเสี่ยง ความมั่นคงปลอดภัย และกำกับการปฏิบัติตามข้อกำหนด อนุมัติการเข้าถึงข้อมูล การเชื่อมโยงนโยบาย และแนวทางนำขึ้นระบบ เจ้าหน้าที่อนุมัติทุกข้อความที่ส่งออก เอเจนต์ไม่มีอำนาจตัดสินใจเองในเรื่องที่กระทบเงินหรือสิทธิ์ของลูกค้า

  • บันทึกการทำงาน: ทุกครั้งที่เอเจนต์ทำงาน ระบบจะบันทึกว่าใช้เอเจนต์ใดและโมเดลเวอร์ชันไหน ค้นข้อมูลอะไรจากแหล่งไหน เรียกใช้เครื่องมือใดบ้าง รวมถึงผลตรวจนโยบาย ผลประเมิน การแก้ไขหรือเปลี่ยนคำตัดสินโดยคน และเหตุผิดปกติ ทีมจะนำแนวทางที่ได้ผลมาสร้างช่องทางเข้าถึงข้อมูล ชุดทดสอบ แม่แบบสิทธิ์ และขั้นตอนเปิดใช้งานที่อนุมัติแล้วเพื่อใช้ซ้ำ ส่วนข้อผิดพลาดและการแก้ไขโดยคนจะนำไปพัฒนาการทดสอบและขั้นตอนงาน

ตัวอย่างนี้แสดงให้เห็นว่าเอเจนต์ทำงานได้อย่างอิสระในระดับหนึ่ง แต่ต้องใช้เฉพาะข้อมูลและเครื่องมือที่ได้รับอนุมัติ พร้อมมีหลักฐานให้ตรวจสอบและนำกลับมาใช้ได้ในทุกจุดควบคุมสำคัญ โดยคนยังรับผิดชอบการตัดสินใจเรื่องสำคัญ เมื่อเวลาผ่านไป ธนาคารสามารถเรียนรู้จากกรณีจริง ทั้งสิ่งที่เอเจนต์ทำได้ดี จุดที่คนต้องเข้ามาแก้ไข และข้อผิดพลาด เพื่อนำไปปรับปรุงงานและพิจารณาขยายหน้าที่ของเอเจนต์ นี่คือการให้อิสระอย่างมีขอบเขตและการเรียนรู้จากผลที่ตรวจสอบแล้ว

การแบ่งหน้าที่ดังกล่าวยังครอบคลุมถึงระบบและมาตรการควบคุมที่แต่ละทีมดูแล โดยทีมที่รับผิดชอบส่วนนี้อาจมีหน้าที่ดังนี้

  • การระบุเอเจนต์: ออกข้อมูลระบุตัวตนสำหรับบริการ บันทึกผู้รับผิดชอบและสภาพแวดล้อมที่ใช้งาน พร้อมติดตามเวอร์ชันโมเดล พรอมต์ และเครื่องมือของเอเจนต์แต่ละตัว

  • สิทธิ์การใช้เครื่องมือ: กำหนดสิทธิ์ในการอ่านและแก้ไขข้อมูล ขอบเขตการเข้าถึงข้อมูล ลิมิตการใช้งาน ขั้นตอนอนุมัติ และไม่อนุญาตให้เอเจนต์ดำเนินการโดยอัตโนมัติ

  • ช่องทางเข้าถึงข้อมูล: ให้เอเจนต์เรียกใช้ข้อมูลและความรู้ที่อนุมัติแล้ว โดยควบคุมเวอร์ชันและสิทธิ์ พร้อมระบุแหล่งที่มาและความเป็นปัจจุบัน

  • ชุดประเมินผล: ดูแลชุดทดสอบที่ครอบคลุมกรณีตัวอย่าง กรณีพิเศษ ทดสอบความปลอดภัย การทดสอบเพื่อป้องกันปัญหาเดิมเกิดซ้ำ และเกณฑ์ก่อนเผยแพร่

  • บันทึกและติดตามการทำงาน: เก็บข้อมูลว่าเอเจนต์ใดทำงาน ค้นข้อมูลอะไร ใช้เครื่องมือใด ผลลัพธ์คืออะไร รวมถึงการอนุมัติ การแก้ไขโดยคน ข้อผิดพลาด และเหตุผิดปกติ และกำหนดระยะเวลาเก็บข้อมูลและสิทธิ์เข้าถึงอย่างเหมาะสม

  • การนำระบบขึ้นใช้งาน: กำหนดขั้นตอนที่อนุมัติ ตั้งแต่แซนด์บ็อกซ์ การทำงานคู่ขนาน การทยอยเปิดใช้ จนถึงใช้งานจริง พร้อมตรวจสอบ ย้อนคืน และควบคุมการเปลี่ยนแปลง

ทีมดูแลระบบส่วนกลางไม่ได้เข้ามาแทนที่ทีมแพลตฟอร์มเดิม เพราะทีมปฏิบัติการแมชชีนเลิร์นนิง ทีมความปลอดภัย ทีมกำกับดูแล และทีมแพลตฟอร์มยังมีหน้าที่ของตนเอง ทีมส่วนกลางมีหน้าที่นำมาตรการควบคุมเหล่านี้มาใช้กับการพัฒนาและใช้งาน AI ของทีมแอป เช่น กำหนดสิทธิ์และขั้นตอนอนุมัติตามนโยบาย จัดช่องทางเข้าถึงข้อมูลที่มีการกำกับดูแล เตรียมชุดทดสอบประเมินผล และเก็บบันทึกเพื่อตรวจสอบการทำงานของเอเจนต์และนำข้อมูลกลับมาใช้ได้

แผนภาพรูปแบบการทำงานด้านวิศวกรรมยุค AI โดยมีแพลตฟอร์มและระบบส่วนกลางสนับสนุนทีมพัฒนาแอป

ต้องปรับทั้งบุคลากร ผู้นำ และตัวชี้วัด

หากงานวิศวกรรมเริ่มแบ่งออกเป็นการพัฒนาแอปและการสนับสนุนจากทีมส่วนกลาง ก็จำเป็นต้องปรับทั้งการจัดสรรบุคลากร การบริหารทีม และวิธีวัดผลให้สอดคล้องกัน

ทีมพัฒนาแอปต้องมีคนที่เข้าใจผลิตภัณฑ์ งานวิศวกรรม และธุรกิจที่เกี่ยวข้อง เพื่อให้ตัดสินใจแก้ปัญหาได้ตรงจุด ส่วนทีมแพลตฟอร์มและทีมดูแลระบบส่วนกลางต้องมีคนที่ออกแบบและบริหารระบบที่รองรับการทำงานของทั้งคนและเอเจนต์ในวงกว้างได้

ผู้นำเทคโนโลยีกลายเป็นผู้ออกแบบระบบส่งมอบงาน

สำหรับ CTO, CDO และ CIO ความท้าทายคือการตัดสินใจว่างานใดควรให้ส่วนกลางดูแล และงานใดควรให้แต่ละทีมรับผิดชอบเอง

ทีมพัฒนาแอปต้องทำงานได้อย่างคล่องตัวและใกล้ชิดลูกค้า โดยไม่ต้องสร้างระบบขึ้นใหม่เอง ทั้งการเข้าถึงข้อมูลอย่างปลอดภัย การติดตามการทำงานของระบบ การประเมินผล และการกำกับดูแล

ในองค์กรที่ใช้ AI เป็นหัวใจสำคัญ ผู้นำด้านเทคโนโลยีต้องหันมาให้ความสำคัญกับการออกแบบระบบส่งมอบงานมากขึ้น แทนที่จะมุ่งบริหารกำลังคนและทรัพยากรเพียงอย่างเดียว โดยครอบคลุมถึง

  • สรรหาและพัฒนาคนให้มีทักษะการคิดวิเคราะห์และตัดสินใจที่ดี

  • ลงทุนในแพลตฟอร์ม AI ส่วนกลาง ระบบประเมินผล มาตรการควบคุม แนวทางที่อนุมัติ การจัดการความรู้และการเข้าถึงข้อมูล

  • กำหนดขอบเขตการทำงานของเอเจนต์ คน และขั้นตอนที่ทั้งสองทำงานร่วมกัน

  • วัดผลการเรียนรู้ที่ยืนยันแล้ว ความน่าเชื่อถือ ผลต่อลูกค้า และการใช้ซ้ำอย่างปลอดภัย

  • ติดตามเทคโนโลยีอย่างใกล้ชิด เพื่อเข้าใจว่า AI เปลี่ยนต้นทุนและความคุ้มค่าในการส่งมอบงานอย่างไร

หากวางระบบได้ดี ทีมจะเข้าถึงข้อมูลที่เหมาะสม ทดสอบผลงานของ AI นำแนวทางที่พิสูจน์แล้วว่าได้ผลมาใช้ซ้ำ และรู้ว่าเมื่อใดต้องขออนุมัติจากคน

ตัวชี้วัดงานวิศวกรรมในปัจจุบันยังสะท้อนภาพได้ไม่ครบ

ตัวชี้วัดงานวิศวกรรมจำนวนมากออกแบบมาในยุคที่การผลิตซอฟต์แวร์ทำได้ยาก ทั้งความเร็วในการทำงาน คะแนนประเมินขนาดงาน ปริมาณงานที่เสร็จ และความถี่ในการนำระบบขึ้นใช้งานยังช่วยติดตามผลได้ แต่เมื่อ AI ทำให้การพัฒนาซอฟต์แวร์ง่ายขึ้น การดูตัวชี้วัดเหล่านี้เพียงอย่างเดียวก็ไม่เพียงพอ

ทีมอาจสร้างโค้ดและทดลองมากขึ้น แต่ยังตัดสินใจผิด เพิ่มความซับซ้อนที่ไม่จำเป็น หรือเพิ่มความเสี่ยง

ผู้นำเทคโนโลยีจึงต้องถามมากกว่าว่าผลิตซอฟต์แวร์ได้เท่าไร หรือใช้เครื่องมือ AI แพร่หลายแค่ไหน ต้องเข้าใจว่า AI ช่วยให้องค์กรเรียนรู้เร็วขึ้น สร้างผลลัพธ์ที่ดีขึ้นให้ลูกค้า และทำงานได้อย่างเชื่อถือได้ภายในขอบเขตที่ตกลงหรือไม่

ตัวชี้วัดที่เป็นประโยชน์สำหรับทีมพัฒนาแอป ได้แก่

  • เวลาที่ใช้จนยืนยันผลได้

  • ผลลัพธ์ของลูกค้าที่ดีขึ้น

  • คุณค่าที่สร้างให้ธุรกิจ

  • การนำไปใช้และการเปลี่ยนพฤติกรรม

  • อัตราการทดลองที่ช่วยให้ตัดสินใจได้อย่างมีข้อมูลรองรับ

ระยะเวลาจนได้ข้อค้นพบที่ยืนยันแล้ว ต้องนับตั้งแต่เริ่มทดลองจนมีหลักฐานเพียงพอให้ตัดสินใจ เช่น หากทีมเริ่มทดลองวันจันทร์ นำระบบขึ้นใช้งานวันพุธ และมีหลักฐานรองรับการตัดสินใจในวันศุกร์ รอบการเรียนรู้จะใช้เวลาหนึ่งสัปดาห์ ไม่ใช่สองวันตามระยะเวลาส่งมอบงาน

ตัวชี้วัดที่เหมาะกับทีมแพลตฟอร์มและทีมส่วนกลาง ได้แก่

  • นำรูปแบบ AI ที่อนุมัติมาใช้ซ้ำ

  • ความครอบคลุมและประสิทธิผลของการประเมิน

  • เหตุผิดปกติและงานแก้ไขซ้ำจาก AI

  • ระยะเวลาจนเปิดใช้งานได้อย่างปลอดภัย

  • การติดตามและตรวจสอบการทำงานของเอเจนต์

  • พร้อมรับการตรวจสอบและทำตามกฎ

การวัดต้นทุนต่อผลสำเร็จแต่ละครั้งต้องรวมค่าใช้โมเดล การตรวจทานโดยคน ความพยายามที่ล้มเหลว การแก้งาน และการดูแลระบบ

ตัวชี้วัดเหล่านี้ยังต้องมีคำจำกัดความ ค่าอ้างอิง และวิธีประเมินผลที่ชัดเจน เป้าหมายไม่ใช่การเปลี่ยนจากชุดตัวชี้วัดมาตรฐานชุดหนึ่งไปใช้อีกชุดหนึ่ง แต่เป็นการวัดว่าระบบส่งมอบงานสามารถสร้างผลลัพธ์ที่เชื่อถือได้หรือไม่

แม้แต่แนวทางนี้ก็อาจใช้ชั่วคราว

การแบ่งงานระหว่างทีมพัฒนาแอปกับทีมดูแลระบบส่วนกลางเป็นแนวทางหนึ่งที่ใช้รับมือกับการเปลี่ยนแปลงของงานวิศวกรรมในยุค AI ขณะนี้ ไม่ใช่รูปแบบที่ต้องใช้ตลอดไป

ความเปลี่ยนแปลงหลายด้านอาจทำให้ต้องจัดรูปแบบงานวิศวกรรมใหม่ เช่น

  • เอเจนต์รับผิดชอบขั้นตอนงานครบทั้งกระบวนการ

  • ซอฟต์แวร์บางประเภทอาจใช้งานระยะสั้น แทนการดูแลหลายปี

  • ผู้ใช้อาจเปลี่ยนจากการใช้แอปโดยตรงมาใช้บริการผ่านเอเจนต์

  • โมเดลพื้นฐานอาจรองรับความสามารถของแพลตฟอร์มมากขึ้น

  • กฎระเบียบอาจทำให้งานวิศวกรรมต้องเน้นการตรวจสอบและความรับผิดชอบเป็นหลัก

ทั้งหมดนี้ยังเป็นเพียงความเป็นไปได้ ไม่ใช่สิ่งที่จะเกิดขึ้นแน่นอน หากเกิดขึ้นจริง การแบ่งทีมเป็นทีมพัฒนาแอปและทีมแพลตฟอร์มก็อาจไม่เพียงพออีกต่อไป

องค์กรที่รับมือกับความไม่แน่นอนได้ดีที่สุดจะปรับรูปแบบการทำงานตามสถานการณ์ โดยยึดหลักการที่ชัดเจน ข้อมูลที่ครบถ้วน ให้อิสระในการทำงานภายใต้ขอบเขตที่กำหนด และเรียนรู้อย่างรวดเร็ว แทนการยึดติดกับโครงสร้างทีมหรือเครื่องมือแบบเดิม

ความก้าวหน้าที่เชื่อถือได้คือมาตรฐานใหม่ของงานวิศวกรรม

AI ไม่ได้ลดความสำคัญของระบบวิศวกรรม แต่ทำให้การออกแบบระบบที่ดีมีคุณค่ามากขึ้น

เมื่อการพัฒนาซอฟต์แวร์มีต้นทุนลดลง องค์กรที่ได้เปรียบคือองค์กรที่ตัดสินใจได้ดีขึ้น สั่งสมข้อมูลที่มีประโยชน์และนำไปต่อยอดได้ พร้อมดำเนินงานอย่างปลอดภัย งานวิศวกรรมยุค AI จึงไม่ใช่แค่การใช้เครื่องมือ AI แต่ต้องปรับรูปแบบการทำงานให้ตอบโจทย์ใหม่ ทั้งคุณภาพการตัดสินใจ การใช้ข้อมูลร่วมกัน การให้อิสระภายใต้ขอบเขตที่กำหนด และการเรียนรู้อย่างรวดเร็ว

ผู้นำเทคโนโลยีเริ่มได้ด้วยการตัดสินใจให้ชัดเจน 4 เรื่อง ดังนี้

  1. การตัดสินใจเรื่องลูกค้าและผลิตภัณฑ์ใดที่ทีมพัฒนาแอปควรรับผิดชอบเอง

  2. ข้อมูล มาตรการควบคุม และระบบประเมินผลใดควรใช้ร่วมกัน

  3. งานใดที่เอเจนต์ทำเองได้ และงานใดต้องได้รับอนุมัติจากคน

  4. ตัวชี้วัดใดสะท้อนการเรียนรู้ที่พิสูจน์แล้ว คุณค่าต่อลูกค้า และการทำงานอย่างปลอดภัย

การตอบคำถามเหล่านี้จะช่วยชี้วัดคุณค่าของการนำ AI มาใช้ได้ดีกว่าการนับจำนวนผู้ช่วย AI ที่องค์กรเปิดใช้งาน

ผู้เขียน

Abbie ManningและSaurabh Singh