เมื่อ “Data” และ “AI” กลายเป็นความสามารถหลักของธุรกิจ

ในช่วงไม่กี่ปีที่ผ่านมา เราได้เห็น Artificial Intelligence หรือ AI พัฒนาจากเทคโนโลยีที่ดูเหมือนเป็นเรื่องของอนาคต กลายมาเป็นเครื่องมือที่คนทั่วไปและองค์กรสามารถนำมาใช้งานได้ในชีวิตประจำวัน ตั้งแต่การสร้างเนื้อหา วิเคราะห์ข้อมูล บริการลูกค้า ไปจนถึงการช่วยตัดสินใจทางธุรกิจ

แต่เมื่อก้าวเข้าสู่ ปี 2570 การแข่งขันจะไม่ได้อยู่ที่คำถามว่า “องค์กรของเราใช้ AI หรือยัง?” อีกต่อไป แต่จะเปลี่ยนเป็นคำถามที่สำคัญกว่า นั่นคือ “องค์กรสามารถใช้ Data และ AI เพื่อสร้างผลลัพธ์ทางธุรกิจได้ดีแค่ไหน?”

ในมุมมองของสถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน) หรือ Big Data Institute (BDI) นี่คือจุดเปลี่ยนสำคัญ เพราะหัวใจของ AI ไม่ได้มีเพียงตัวโมเดลหรือเทคโนโลยี แต่คือ “ข้อมูล” ที่มีคุณภาพ การเชื่อมโยงข้อมูลที่เหมาะสม บุคลากรที่มีทักษะ และความสามารถในการนำเทคโนโลยีไปแก้โจทย์จริงขององค์กร

ผลสำรวจตลาด Big Data และ AI ของประเทศไทยประจำปี 2568 โดย BDI ร่วมกับศูนย์บริการวิชาการแห่งจุฬาลงกรณ์มหาวิทยาลัย พบว่าตลาดมีมูลค่าถึง 41,858 ล้านบาท และเติบโต 18% จากปีก่อนหน้า ขณะที่การคาดการณ์ช่วงปี 2569–2570 ในกรณี Baseline ประเมินอัตราการเติบโตเฉลี่ยไว้ที่ประมาณ 18.74% ต่อปี สะท้อนให้เห็นว่าความต้องการใช้ข้อมูลและ AI ในประเทศไทยยังมีแนวโน้มขยายตัวอย่างต่อเนื่อง

ดังนั้น สำหรับผู้บริหารและผู้ประกอบการไทย ปี 2570 จึงเป็นปีที่ควรจับตาอย่างยิ่ง และมีอย่างน้อย 7 เทรนด์สำคัญของ Big Data และ AI ที่กำลังเปลี่ยนวิธีการแข่งขันของธุรกิจ

1. จาก Generative AI สู่ Agentic AI: AI จะเริ่ม “ทำงาน” มากกว่าแค่ “ตอบคำถาม”

Agentic AI: จากผู้ช่วยตอบคำถามสู่ระบบที่วางแผนและลงมือทำ

ในช่วงแรกของ Generative AI องค์กรจำนวนมากเริ่มต้นจากการใช้ AI เพื่อช่วยเขียนข้อความ สรุปเอกสาร สร้างภาพ ค้นหาข้อมูล หรือช่วยตอบคำถาม แต่ก้าวถัดไปคือ Agentic AI หรือ AI Agent ซึ่ง AI จะไม่ได้รอรับคำสั่งทีละคำสั่งเท่านั้น แต่สามารถรับเป้าหมาย วางแผน และดำเนินงานหลายขั้นตอนร่วมกับระบบต่าง ๆ ขององค์กรได้

ตัวอย่างเช่น ในฝ่ายขาย AI อาจไม่ได้เพียงช่วยร่างอีเมล แต่สามารถวิเคราะห์ข้อมูลลูกค้าจาก CRM จัดลำดับของลูกค้าที่มีโอกาสซื้อสูง (Lead Prioritization) แนะนำแนวทางดำเนินการที่เหมาะสมในขั้นตอนถัดไป (Next Best Action) และเตรียมข้อมูลให้ฝ่ายขายก่อนเข้าพบลูกค้า ในฝ่ายบริการลูกค้า AI สามารถเชื่อมโยงข้อมูลจากประวัติการซื้อ คำร้องเรียน และฐานความรู้ (Knowledge Base) เพื่อช่วยแก้ไขปัญหาได้รวดเร็วและตรงกับบริบทของลูกค้ามากขึ้น

สำหรับธุรกิจไทย โจทย์สำคัญจึงไม่ใช่เพียงการเลือก AI Tool ที่ดีที่สุด แต่คือ “กระบวนการทำงานใดขององค์กรที่ควรให้ AI เข้ามาช่วย และข้อมูลอะไรที่ AI จำเป็นต้องใช้?”

องค์กรที่สามารถออกแบบกระบวนการทำงาน (Workflow) ให้ คน ข้อมูล (Data) และ AI ทำงานร่วมกันได้อย่างมีประสิทธิภาพ จะสามารถเพิ่มผลิตภาพในการทำงาน (Productivity) และสร้างความได้เปรียบในการแข่งขันเหนือคู่แข่งได้อย่างชัดเจน

2. Enterprise AI จะเติบโต แต่ความได้เปรียบจะมาจาก “ข้อมูลขององค์กรเอง”

เมื่อโมเดล AI มีความสามารถสูงขึ้นและเข้าถึงได้ง่ายขึ้น ความแตกต่างระหว่างองค์กรอาจไม่ได้อยู่ที่ว่าใครเข้าถึงโมเดล AI ที่ดีที่สุด เพราะหลายองค์กรสามารถใช้โมเดลพื้นฐานเดียวกันได้ สิ่งที่คู่แข่งเลียนแบบได้ยากกว่าคือ Proprietary Data หรือข้อมูลเฉพาะขององค์กร

ไม่ว่าจะเป็นข้อมูลลูกค้า ประวัติการขาย พฤติกรรมผู้ใช้งาน ข้อมูลการผลิต ข้อมูล Supply Chain ข้อมูลบริการหลังการขาย หรือองค์ความรู้ที่สะสมอยู่ภายในองค์กร ข้อมูลเหล่านี้สามารถกลายเป็นวัตถุดิบสำคัญสำหรับการพัฒนา Enterprise AI ที่เข้าใจบริบทของธุรกิจจริง

นี่จึงเป็นเหตุผลที่องค์กรควรเริ่มมอง Data Architecture, Data Warehouse, Data Lake, Data Catalog และระบบ Data Governance ไม่ใช่เพียงในฐานะโครงการ IT แต่ในฐานะโครงสร้างพื้นฐานเพื่อการแข่งขันทางธุรกิจ กล่าวอีกนัยหนึ่งคือ ในยุค AI ข้อมูลที่องค์กรสะสมมาหลายปีอาจเป็นสินทรัพย์ที่มีค่ามากกว่าที่คิด

3. Data Analytics จะเปลี่ยนจาก “What happened?” ไปสู่ “What should we do next?”

Dashboard และ Business Intelligence ยังคงมีความสำคัญ แต่การวิเคราะห์ข้อมูลในปี 2570 จะต้องไปไกลกว่าการรายงานสิ่งที่เกิดขึ้นในอดีต องค์กรจะนำ Predictive Analytics และ Prescriptive Analytics มาใช้มากขึ้น เพื่อช่วยตอบคำถามเชิงธุรกิจ เช่น ลูกค้าคนใดมีโอกาสเลิกใช้บริการ สินค้าใดมีแนวโน้มขายดี ลูกค้ากลุ่มใดควรได้รับ Promotion แบบใด สต็อกสินค้าในแต่ละสาขาควรมีเท่าใด หรือพื้นที่ใดมีศักยภาพสำหรับการขยายธุรกิจ

เมื่อรวม Analytics เข้ากับ Generative AI ผู้บริหารอาจไม่จำเป็นต้องเปิด Dashboard หลายหน้าเพื่อค้นหาคำตอบด้วยตัวเอง แต่สามารถถามระบบด้วยภาษาธรรมชาติ เช่น “ยอดขายภาคเหนือเดือนนี้ลดลงเพราะอะไร?” และระบบสามารถวิเคราะห์ข้อมูลหลายแหล่ง พร้อมสรุปสาเหตุและเสนอแนวทางดำเนินการต่อได้

นี่คือการเปลี่ยนจาก Dashboard ที่ให้ข้อมูล ไปสู่ Decision Intelligence ที่ช่วยตัดสินใจ

4. Data Governance และ AI Governance จะกลายเป็นเรื่องของผู้บริหาร ไม่ใช่เฉพาะฝ่าย IT

เมื่อ AI เข้ามามีบทบาทในการทำงานมากขึ้น ความเสี่ยงก็เพิ่มขึ้นตามไปด้วย ทั้งเรื่องข้อมูลส่วนบุคคล ความปลอดภัย ความถูกต้องของคำตอบ อคติของโมเดล การใช้ข้อมูลที่ไม่มีสิทธิ์ ตลอดจนความรับผิดชอบเมื่อ AI ให้คำแนะนำที่ผิดพลาด

ดังนั้น Data Governance และ AI Governance จะไม่ใช่เพียงเรื่อง Compliance แต่จะกลายเป็นส่วนหนึ่งของ Corporate Governance องค์กรจำเป็นต้องตอบคำถามให้ได้ว่า ข้อมูลใดสามารถนำไปใช้กับ AI ได้ ใครสามารถเข้าถึงข้อมูลเหล่านั้นได้ AI สามารถตัดสินใจเรื่องใดได้เอง เรื่องใดต้องมี Human-in-the-loop และหาก AI ผิดพลาด ใครเป็นผู้รับผิดชอบ

Governance ที่ดีคือสิ่งที่ทำให้องค์กรสามารถใช้ AI ได้เร็วขึ้นอย่างมั่นใจ เพราะมีกรอบที่ชัดเจนว่าอะไรทำได้ อะไรทำไม่ได้ และความเสี่ยงใดต้องได้รับการควบคุม

5. Data Infrastructure และ Sovereign AI จะมีความสำคัญมากขึ้น

การลงทุนด้าน Data Center, Cloud และ AI Infrastructure ในประเทศไทยกำลังขยายตัวอย่างมีนัยสำคัญ สะท้อนให้เห็นว่า Data และ AI กำลังกลายเป็นโครงสร้างพื้นฐานสำคัญของเศรษฐกิจดิจิทัล ในปี 2568 เพียงปีเดียว สำนักงานคณะกรรมการส่งเสริมการลงทุน (BOI) รายงานคำขอรับการส่งเสริมการลงทุน Data Center จำนวน 36 โครงการ มูลค่ารวมกว่า 728,000 ล้านบาท ขณะที่ในครึ่งแรกของปี 2569 การลงทุนในภาคดิจิทัลยังเป็นหนึ่งในแรงขับเคลื่อนสำคัญของคำขอรับการส่งเสริมการลงทุนของประเทศ

การเติบโตนี้ทำให้ประเด็นเรื่อง Data Sovereignty และ Sovereign AI มีความสำคัญมากขึ้น ไม่ว่าจะเป็นสถานที่จัดเก็บข้อมูล การควบคุมข้อมูลสำคัญ ความมั่นคงปลอดภัยทางไซเบอร์ ความสามารถด้าน Cloud และ Computing Infrastructure ภายในประเทศ รวมถึงความสามารถในการพัฒนา AI ที่เข้าใจภาษาและบริบทของประเทศไทย

สำหรับองค์กรไทย คำถามจึงไม่ได้มีเพียงว่า “จะใช้ Cloud หรือ AI Provider รายใด” แต่ควรพิจารณาด้วยว่า “ข้อมูลประเภทใดเป็น Strategic Data ขององค์กร และองค์กรควรมีอำนาจควบคุมข้อมูลและ AI เหล่านั้นในระดับใด”

6. AI Transformation จะต้องวัดผลด้วย Business Impact

อีกหนึ่งการเปลี่ยนแปลงสำคัญ คือ องค์กรจะเริ่มปรับแนวทางจากการทดลองใช้ AI ผ่านโครงการต้นแบบ (Proof of Concept: PoC) จำนวนมาก มาเป็นการ มุ่งเน้นเลือกใช้ AI ในงานที่สามารถสร้างผลลัพธ์ทางธุรกิจได้อย่างเป็นรูปธรรม (Use Case) เช่น การลดต้นทุน เพิ่มรายได้ ลดระยะเวลาการทำงาน เพิ่มอัตราการเปลี่ยนผู้สนใจให้เป็นลูกค้า (Conversion Rate) และยกระดับประสบการณ์ของลูกค้า (Customer Experience)

การเริ่มต้น AI Transformation ที่ดีควรเริ่มจาก Business Problem → Data → Use Case → Technology → Business Impact

องค์กรที่เริ่มจาก Pain Point และเป้าหมายทางธุรกิจจะมีโอกาสสร้างผลลัพธ์จาก AI ได้มากกว่าองค์กรที่เริ่มจากเทคโนโลยีแล้วค่อยพยายามหาโจทย์มาใช้

7. AI Talent จะไม่จำกัดอยู่เฉพาะ Data Scientist อีกต่อไป

หนึ่งในข้อค้นพบสำคัญจากการสำรวจตลาด Big Data และ AI ของประเทศไทยโดย BDI คือ “บุคลากร” ยังคงเป็นหนึ่งในข้อจำกัดสำคัญของการเติบโตของอุตสาหกรรม อย่างไรก็ตาม การพัฒนาคนในยุค AI ไม่ได้หมายความว่าทุกองค์กรต้องเปลี่ยนพนักงานให้เป็น Data Scientist หรือ AI Engineer

สิ่งที่องค์กรต้องการมากขึ้นคือ AI Literacy และ Data Literacy ในทุกระดับ ผู้บริหารต้องเข้าใจว่า AI สามารถสร้าง Business Value ตรงไหน Business User ต้องสามารถตั้งโจทย์และทำงานร่วมกับ AI ได้ Data Team ต้องสามารถเปลี่ยนข้อมูลให้เป็น Insight และ Solution ส่วน IT และ Security ต้องสามารถวาง Infrastructure และควบคุมความเสี่ยง

การสร้างองค์กรที่พร้อมสำหรับ AI จึงไม่ใช่เพียงการ “ซื้อเทคโนโลยี” แต่คือการพัฒนา People + Process + Data + Technology ไปพร้อมกัน

ปี 2570: จาก “มีข้อมูล” สู่ “สร้างคุณค่าจากข้อมูล”

สำหรับประเทศไทย ปี 2570 ถือเป็นช่วงเวลาสำคัญของการขับเคลื่อนประเทศด้วยข้อมูล เนื่องจากเป็นปีสุดท้ายของแผนยุทธศาสตร์การขับเคลื่อนการใช้ประโยชน์จากข้อมูลขนาดใหญ่ พ.ศ. 2568–2570 ซึ่งคณะรัฐมนตรีได้รับทราบเมื่อเดือนกรกฎาคม 2569 โดยแผนดังกล่าวมุ่งผลักดันประเทศไทยสู่การเป็น ประเทศที่ขับเคลื่อนด้วยข้อมูล (Data-Driven Nation) ผ่านการพัฒนาโครงสร้างพื้นฐานด้านข้อมูล การส่งเสริมการนำข้อมูลไปใช้ประโยชน์ การพัฒนาและประยุกต์ใช้ AI รวมถึงการพัฒนาบุคลากรให้มีทักษะที่พร้อมรองรับการเปลี่ยนแปลงในยุคดิจิทัล

เป้าหมายสำคัญในปี 2570 ได้แก่ การสร้างมูลค่าทางเศรษฐกิจจากการใช้ประโยชน์ Big Data ให้เติบโตไม่น้อยกว่าร้อยละ 35 จากปีก่อน และการพัฒนาทักษะบุคลากรด้าน Big Data และ AI ไม่น้อยกว่า 160,000 คน สิ่งเหล่านี้สะท้อนให้เห็นว่า Big Data และ AI ไม่ได้เป็นเพียงกระแสเทคโนโลยี (Technology Trend) แต่กำลังกลายเป็นโครงสร้างพื้นฐานสำคัญทางเศรษฐกิจ (Economic Infrastructure) ของประเทศ

แล้วธุรกิจไทยควรเริ่มต้นอย่างไร?

ในมุมมองของ BDI องค์กรไม่จำเป็นต้องเริ่มต้นด้วยโครงการ AI ขนาดใหญ่ แต่ควรเริ่มจาก 4 คำถามสำคัญ ได้แก่

1) Business Problem – เรากำลังต้องการแก้ปัญหาอะไร

2) Data – เรามีข้อมูลอะไรอยู่แล้ว

3) AI & Analytics Use Case – เทคโนโลยีใดเหมาะกับโจทย์

4) Business Impact – จะวัดความสำเร็จอย่างไร

แนวคิดสำคัญคือ Start Small, Prove Value, Scale Fast — เริ่มจาก Use Case ที่สามารถสร้างผลลัพธ์และวัดผลได้ เมื่อพิสูจน์คุณค่าแล้วจึงขยายไปสู่ส่วนอื่นขององค์กร

BDI กับการขับเคลื่อนธุรกิจไทยสู่ Data & AI-Driven Organization

บทบาทของ BDI ไม่ได้จำกัดอยู่เพียงการพัฒนาเทคโนโลยี แต่รวมถึงการส่งเสริมให้ภาครัฐ ภาคธุรกิจ และอุตสาหกรรมสามารถนำ Big Data และ AI ไปสร้างประโยชน์ได้จริง

สำหรับภาคธุรกิจ การเดินทางสู่ Data & AI Transformation อาจเริ่มต้นได้ตั้งแต่การวิเคราะห์โจทย์ทางธุรกิจ การประเมินความพร้อมของข้อมูล การออกแบบ Data & AI Use Case การพัฒนา Analytics และ Dashboard ไปจนถึงการพัฒนาศักยภาพบุคลากรให้สามารถนำข้อมูลและ AI ไปใช้ในการทำงานจริง

ความสำเร็จของ AI ไม่ได้วัดจากจำนวนโมเดลที่องค์กรมี หรือจำนวน AI Tools ที่พนักงานใช้งาน แต่ต้องวัดว่า “ข้อมูลและ AI ช่วยให้องค์กรตัดสินใจได้ดีขึ้น ทำงานได้เร็วขึ้น และสร้างคุณค่าให้กับธุรกิจได้มากขึ้นหรือไม่?”

ปี 2570 อาจไม่ใช่ปีแห่งการทดลองใช้ AI อีกต่อไป แต่จะเป็นปีที่องค์กรต้องเปลี่ยนการลงทุนด้านข้อมูลและ AI (Technology Investment) ให้กลายเป็นความสามารถที่สร้างคุณค่าทางธุรกิจได้จริง (Business Capability) ไม่ว่าจะเป็นการเพิ่มประสิทธิภาพการทำงาน การลดต้นทุน หรือการสร้างโอกาสทางธุรกิจใหม่ ๆ โดยองค์กรที่สามารถนำข้อมูลและ AI มาใช้ให้เกิดประโยชน์ได้ก่อน ย่อมมีโอกาสสร้างความได้เปรียบในการแข่งขัน และเติบโตได้อย่างยั่งยืนในยุคเศรษฐกิจที่ขับเคลื่อนด้วยข้อมูล

แหล่งข้อมูลอ้างอิง

• Big Data Institute (BDI), ผลสำรวจตลาด Big Data และ AI ของประเทศไทยประจำปี 2568 และการคาดการณ์ปี 2569–2570.
• Big Data Institute (BDI), แผนยุทธศาสตร์การขับเคลื่อนการใช้ประโยชน์จากข้อมูลขนาดใหญ่ พ.ศ. 2568–2570.
• สำนักงานคณะกรรมการส่งเสริมการลงทุน (BOI), ข้อมูลการลงทุนด้าน Data Center และอุตสาหกรรมดิจิทัลในประเทศไทย.