AI Readiness

AI readiness คือคำที่ใช้เรียกระดับความพร้อมขององค์กรก่อนที่จะลงทุนหรือขยายผลใช้ ai จริงจังทั่วทั้งองค์กร แทนที่จะทำแค่โครงการทดลองเล็กๆ ในทีมเดียว คำนี้ครอบคลุมหลายมิติพร้อมกัน องค์กรมีข้อมูลที่พร้อมใช้งานหรือยัง คนในองค์กรมีทักษะพอจะใช้และตรวจสอบผลลัพธ์จาก AI ไหม กระบวนการทำงานเดิมปรับรับ AI เข้าไปได้จริงหรือไม่ และมีกลไกกำกับดูแลความเสี่ยงรองรับก่อนปล่อยให้พนักงานใช้งานจริงหรือเปล่า การมีงบซื้อเครื่องมือหรือ license เป็นแค่จุดเริ่มต้นจุดเดียวจากหลายมิติเหล่านี้ ในทางปฏิบัติหลายองค์กรและบริษัทที่ปรึกษาทำสิ่งที่เรียกว่า AI readiness assessment คือแบบประเมินที่ให้คะแนนองค์กรในหลายมิติ ก่อนตัดสินใจว่าจะเริ่มหรือขยายผลโครงการ AI แค่ไหน

ตัวอย่างกรอบประเมินที่เผยแพร่เป็นสาธารณะและระบุเกณฑ์ไว้ชัดเจนมาจาก Microsoft ใน Cloud Adoption Framework ซึ่งวางขั้นตอนรับ AI ไว้ 6 ขั้น ได้แก่ Strategy, Plan, Ready, Govern, Secure และ Manage โดยในขั้น Plan มีขั้นตอนย่อยชื่อ "Assess AI skills" ที่ให้องค์กรวัดระดับความพร้อมของตัวเองด้วยตาราง 4 ระดับ ผูกทักษะคนกับความพร้อมของข้อมูลเข้าด้วยกัน ระดับ 1 ต้องการแค่ความเข้าใจพื้นฐานเรื่อง AI กับความสามารถเชื่อมต่อแหล่งข้อมูลและออกแบบ prompt ส่วนความพร้อมด้านข้อมูลนับตั้งแต่แทบไม่มีข้อมูลเลยไปจนถึงมีข้อมูลระดับองค์กรอยู่แล้ว เหมาะกับโครงการเริ่มต้นบน Azure และโซลูชัน Copilot ส่วนระดับ 4 ต้องการทีมที่มีความเชี่ยวชาญด้าน machine learning ขั้นสูงและมีข้อมูลจำนวนมากพร้อมสำหรับเทรนโมเดลเอง เอกสารของ Microsoft ระบุตรงๆ ว่าโครงการ AI มักล้มเหลวเมื่อองค์กรพยายามทำสิ่งที่เกินระดับความพร้อมด้านเทคนิคหรือข้อมูลของตัวเอง ตัวเลขจากฝั่งผู้บริหารข้อมูลก็สะท้อนช่องว่างนี้ชัดเจน IBM ร่วมกับ Oxford Economics สำรวจ Chief Data Officer และผู้บริหารสายข้อมูลระดับสูง 1,700 คนใน 27 พื้นที่ทั่วโลก 19 อุตสาหกรรม ช่วงกรกฎาคมถึงกันยายน 2025 เผยแพร่พฤศจิกายน 2025 พบว่า 81% ของผู้บริหารข้อมูลที่ตอบแบบสำรวจจัดลำดับความสำคัญให้กับการลงทุนที่เร่งขีดความสามารถด้าน AI แต่มีเพียง 26% ที่มั่นใจว่าข้อมูลขององค์กรรองรับการสร้างรายได้ใหม่จาก AI ได้จริง และ 47% ระบุว่าการหา พัฒนา และรักษาคนที่มีทักษะข้อมูลขั้นสูงเป็นความท้าทายอันดับต้น เพิ่มขึ้นจาก 32% ในปี 2023 ฝั่ง McKinsey สำรวจผู้ตอบแบบสำรวจ 1,993 คนใน 105 ประเทศ เก็บข้อมูลช่วงปลายมิถุนายนถึงปลายกรกฎาคม 2025 เผยแพร่พฤศจิกายน 2025 พบว่า 88% ของผู้ตอบแบบสำรวจระบุว่าองค์กรตัวเองใช้ AI เป็นประจำในอย่างน้อยหนึ่งฟังก์ชันธุรกิจ เพิ่มจาก 78% ในปีก่อนหน้า แต่มีเพียง 39% ที่ระบุได้ว่า AI ส่งผลต่อกำไรก่อนหักดอกเบี้ยและภาษี (EBIT) ระดับองค์กร และส่วนใหญ่ในกลุ่มนี้ยังระบุว่าผลกระทบนั้นต่ำกว่า 5% ส่วนองค์กรที่เข้าเกณฑ์ "AI high performer" ของ McKinsey ซึ่งหมายถึงระบุว่า AI สร้างมูลค่าอย่างมีนัยสำคัญและมีสัดส่วนกำไร EBIT ที่มาจาก AI มากกว่า 5% มีอยู่เพียงราว 6% เท่านั้น กลุ่มนี้แยกตัวจากกลุ่มอื่นด้วยการออกแบบขั้นตอนทำงานใหม่ทั้งกระบวนการ แทนที่จะเอา AI ไปติดตั้งบนขั้นตอนเดิมที่ไม่ได้เปลี่ยนอะไร

คนทำงานไทยมักเจอคำนี้ตอนบริษัทที่ปรึกษาหรือทีมขายของ vendor เสนอทำ AI readiness assessment ให้ก่อนเริ่มโครงการใหญ่ หรือตอนผู้บริหารขอให้ประเมินก่อนอนุมัติงบขยายผลหลังจบ proof-of-concept ข้อควรระวังคือกรอบประเมินความพร้อมส่วนใหญ่ที่แชร์กันในตลาดไม่ใช่มาตรฐานที่หน่วยงานกลางรับรอง แต่ละบริษัทที่ปรึกษาหรือ vendor สร้างกรอบของตัวเองขึ้นมาเอง จำนวนมิติและน้ำหนักคะแนนจึงต่างกันไปในแต่ละเจ้า ต่างจาก nist-ai-rmf ที่เป็นกรอบกำกับความเสี่ยงจากหน่วยงานมาตรฐานของรัฐ คะแนน readiness จากกรอบหนึ่งจึงเอาไปเทียบตรงๆ กับอีกกรอบหนึ่งไม่ได้ อีกจุดที่ต้องระวังคือความพร้อมสูงในมิติหนึ่งไม่ได้แปลว่าองค์กรพร้อมทั้งหมด เช่น มีโครงสร้างพื้นฐานเทคนิคพร้อมแต่ยังไม่มี data-governance รองรับ หรือผู้บริหารระดับสูงพร้อมผลักดันแต่พนักงานหน้างานยังไม่ผ่านการทำ upskilling ก็ยังนับว่าองค์กรไม่พร้อมอยู่ดี ในทางปฏิบัติที่พบเห็นซ้ำๆ (จุดนี้เป็นการสังเคราะห์จากรูปแบบที่พบทั่วไป ไม่ใช่ตัวเลขจากแหล่งใดแหล่งหนึ่งโดยตรง) องค์กรที่เริ่มมีความพร้อมมักตั้งทีมกลางอย่าง center-of-excellence ขึ้นมาดูแลมาตรฐานการใช้ AI และอาศัยหลัก change-management เพื่อผลักดันให้พนักงานทั่วองค์กรเปลี่ยนวิธีทำงานจริง ไม่ใช่ปล่อยให้แต่ละแผนกลองผิดลองถูกเอง

ตัวอย่างจากบทสนทนาจริง

ผู้บริหารสายปฏิบัติการ: "ทีมขอตัดงบซื้อ AI assistant แจกพนักงานทั้งบริษัท 500 คน แต่ฝ่ายไอทีบอกว่าองค์กรยังไม่พร้อม แจก license ให้ทุกคนใช้เองเลยไม่ได้เหรอคะ"

หัวหน้าฝ่ายข้อมูล: "แจกได้ครับ แต่ผลลัพธ์จะต่างกันมาก ถ้าข้อมูลบริษัทเรายังกระจัดกระจาย ไม่มีมาตรฐานเดียวกัน พนักงานก็จะเอา AI ไปถามคำถามทั่วไปที่ไม่ผูกกับข้อมูลจริงของเรา ได้ประโยชน์แค่ผิวเผิน ตามกรอบที่ Microsoft ใช้ประเมิน ตอนนี้เราอยู่ประมาณระดับ 1 คือมีข้อมูลระดับองค์กรอยู่แล้วแต่ยังไม่ได้จัดระเบียบให้ใช้งานได้จริง ถ้าจะขยับไปทำอะไรที่ผูกกับข้อมูลบริษัทตรงๆ ต้องลงทุนเรื่อง data governance และฝึกทักษะคนก่อน ไม่งั้นงบที่ขอไปจะได้แค่ 'มีคนใช้' ไม่ใช่ 'ใช้แล้วได้ผล'"

ระวังสับสนกับ

• proof-of-concept : POC ทดสอบว่าโครงการหนึ่งทำได้จริงทางเทคนิคในสเกลเล็กที่ควบคุมได้ ส่วน AI readiness ประเมินภาพรวมทั้งองค์กรก่อนตัดสินใจลงทุนขยายผล องค์กรที่ทำ POC สำเร็จแล้วอาจยังไม่มี readiness พอสำหรับขยายผลทั่วองค์กร
• ai-roi : AI readiness วัดความพร้อม "ก่อน" ลงทุน ส่วน ai-roi วัดผลตอบแทนที่เกิดขึ้น "หลัง" ลงทุนไปแล้ว องค์กรที่ readiness สูงมีโอกาสได้ ROI ดีกว่า แต่ทั้งสองไม่ใช่ตัวชี้วัดเดียวกัน
• nist-ai-rmf : NIST AI RMF เป็นกรอบกำกับความเสี่ยงจากหน่วยงานมาตรฐานของรัฐสหรัฐ เน้นความเสี่ยงของระบบ AI ที่องค์กรสร้างหรือใช้งาน ส่วนกรอบ AI readiness ส่วนใหญ่มาจาก vendor หรือบริษัทที่ปรึกษา เน้นประเมินความพร้อมภายในองค์กรเป็นหลัก ใช้คนละจุดประสงค์กัน