ถอดสูตร KBank จาก AI จับโกง สู่ยุทธศาสตร์ธุรกิจ ดัน 500 ยูสเคสใช้จริง

กสิกรไทยถือเป็นหนึ่งในธนาคารชั้นนำที่นำ AI มาใช้ขับเคลื่อนธุรกิจมาอย่างต่อเนื่อง โดยเริ่มจาก Predictive AI ในงานตรวจจับทุจริตและติดตามหนี้ ก่อนเกิดจุดเปลี่ยนสำคัญเมื่อประมาณ 5 ปีก่อน ด้วยการยกระดับ AI จากเครื่องมือเฉพาะด้านสู่ยุทธศาสตร์ของทั้งองค์กร ปัจจุบันธนาคารมีบุคลากรที่พร้อมใช้ AI ราว 5,000 คน และมียูสเคสที่นำไปใช้ภายในองค์กรกว่า 500 ยูสเคส

ดร.ธีรวัฒน์ อัศวโภคี รองผู้จัดการใหญ่ ธนาคารกสิกรไทย กล่าวว่า จุดเปลี่ยนสำคัญเกิดขึ้นเมื่อประมาณ 5 ปีก่อน เมื่อธนาคารเริ่มวางโครงสร้างด้าน AI อย่างเป็นระบบ และยกระดับเทคโนโลยีนี้ให้เป็นวาระเชิงกลยุทธ์ขององค์กร

จากเดิมที่ AI ถูกใช้เป็นเครื่องมือแก้ปัญหาเฉพาะด้าน กสิกรไทยเริ่มตั้งคำถามใหม่ว่า จะนำ AI เข้ามาเปลี่ยนวิธีทำงานและขับเคลื่อนธุรกิจได้อย่างไร

“AI จะไม่มีประโยชน์ หากไม่ได้เข้าไปแก้ปัญหาธุรกิจให้ถูกจุด”

คำกล่าวนี้สะท้อนหลักคิดสำคัญของกสิกรไทยว่า การพัฒนา AI ไม่ควรเริ่มจากคำถามว่าจะซื้อเครื่องมือใด หรือเลือกใช้โมเดลใด แต่ต้องเริ่มจากการระบุปัญหาที่ธุรกิจต้องการแก้ให้ชัดเจนเสียก่อน

จากเทคโนโลยีหนึ่งตัว สู่รากฐาน 5 ด้าน

เมื่อธนาคารต้องการขยาย AI จากโครงการเฉพาะจุดไปสู่การใช้งานทั้งองค์กร สิ่งที่ต้องสร้างจึงไม่ใช่เพียงโมเดลหรือซอฟต์แวร์ แต่เป็นรากฐานที่เชื่อมโยงกัน 5 ด้าน

ด้านแรกคือ โจทย์ธุรกิจ ทุกโครงการต้องเริ่มจากปัญหาที่ต้องการแก้ และต้องสามารถสร้างผลกระทบได้จริง ขยายผลได้ รวมถึงสอดคล้องกับธุรกิจของธนาคาร

ด้านที่สองคือ กระบวนการทำงาน เพราะต่อให้โมเดลมีความสามารถสูง แต่หากไม่สามารถเชื่อมเข้ากับกระบวนการจริง หรือไม่มี Process Integration ที่ชัดเจน AI ก็อาจจบลงเพียงโครงการทดลอง

การนำ AI เข้าไปอยู่ในระบบงานจึงต้องมีกระบวนการควบคุมที่เหมาะสม เพื่อป้องกันความเสี่ยงที่อาจเกิดขึ้นจากการใช้งาน

ด้านที่สามคือ ความพร้อมของข้อมูล หรือ Data Readiness ข้อมูลต้องอยู่ในสภาพที่ AI สามารถนำไปใช้ได้อย่างถูกต้องและปลอดภัย หรือเป็น AI-ready data

สำหรับธุรกิจธนาคาร การเข้าถึงข้อมูลไม่สามารถเปิดได้อย่างอิสระ แต่ต้องดำเนินการภายใต้มาตรฐาน ความปลอดภัย และสิทธิ์การเข้าถึงที่องค์กรกำหนด

ด้านที่สี่คือ เครื่องมือและเทคโนโลยี ซึ่งต้องมีทั้งแพลตฟอร์ม AI ที่สามารถรองรับการใช้งานระดับองค์กรและขยายขนาดได้ รวมถึงเครื่องมือที่พนักงานสามารถนำไปใช้กับงานของตนเอง

ด้านสุดท้ายคือ คน เพราะ AI ไม่สามารถสร้างการเปลี่ยนแปลงได้ หากพนักงานไม่มีความรู้ ไม่เข้าใจศักยภาพของเทคโนโลยี หรือไม่มีแรงจูงใจที่จะนำไปใช้งาน

รากฐานทั้ง 5 ด้านทำให้การพัฒนา AI ของกสิกรไทยไม่ได้จำกัดอยู่ที่การซื้อเทคโนโลยี แต่ครอบคลุมตั้งแต่การหาโจทย์ การจัดเตรียมข้อมูล การออกแบบกระบวนการ ไปจนถึงการสร้างบุคลากรที่พร้อมใช้งาน

จุดเล็ก ๆ ที่เริ่มกลายเป็น Snowball

เมื่อรากฐานเริ่มพร้อม ขั้นตอนต่อไปคือการทำให้ AI เข้าไปเป็นส่วนหนึ่งของการทำงานในชีวิตประจำวัน

กสิกรไทยใช้แนวคิด “Snowball” อธิบายการขยายตัวของ AI ภายในองค์กร โดยเริ่มจากยูสเคสขนาดเล็กที่เกิดขึ้นในแต่ละหน่วยงาน ก่อนรวบรวมและต่อยอดให้กลายเป็นการใช้งานในวงกว้าง

แนวคิดนี้ช่วยลดการทำงานแบบไซโล ซึ่งแต่ละฝ่ายพัฒนาเครื่องมือของตัวเองโดยไม่เชื่อมโยงกัน และเปลี่ยนไปสู่การสร้างระบบที่หลายหน่วยงานสามารถใช้งานร่วมกันได้

จากการเปิดให้พนักงานและหน่วยงานต่าง ๆ เสนอแนวคิด มีโครงการ AI ส่งเข้ามามากกว่า 1,000 โครงการ ก่อนผ่านการทดลอง พัฒนา และเกิดเป็นโครงการที่ประสบความสำเร็จประมาณ 500 โครงการ

ขณะเดียวกัน ธนาคารได้เตรียมบุคลากรที่มีความพร้อมด้าน AI แล้วประมาณ 5,000 คน โดยเป้าหมายไม่ได้หยุดอยู่เพียงพนักงานสายเทคโนโลยี แต่รวมถึงผู้บริหาร ผู้ใช้งานทั่วไป และพนักงานที่ทำงานอยู่ในหน่วยธุรกิจต่าง ๆ

การฝึกอบรมจึงไม่ได้สอนเฉพาะวิธีใช้เครื่องมือ แต่ต้องทำให้พนักงานเห็นว่า AI พัฒนาไปถึงระดับใด สามารถทำอะไรได้บ้าง และไม่ได้มีความสามารถเพียงการเป็นแชตบอต

AI ในมุมมองของธนาคารกำลังขยับบทบาทไปสู่การเป็น Co-worker หรือผู้ร่วมงานที่สามารถเข้ามาช่วยจัดการงานบางส่วนร่วมกับพนักงานได้

จากยูสเคสรายหน่วยงาน สู่แพลตฟอร์มกลาง

เมื่อมีพนักงานจำนวนมากต้องการนำ AI ไปใช้ กสิกรไทยพบว่าหลายหน่วยงานมีโจทย์คล้ายกัน ไม่ว่าจะเป็นการจัดการองค์ความรู้ภายในองค์กร งานให้คำแนะนำ การจัดการเอกสาร หรือการประมวลผลเสียง

หากปล่อยให้ทุกหน่วยงานสร้างระบบของตัวเอง จะเกิดทั้งการลงทุนซ้ำซ้อนและการพัฒนาระบบที่แยกออกจากกัน

ธนาคารจึงรวบรวมความต้องการเหล่านี้มาพัฒนาเป็นแพลตฟอร์มกลาง เปิดให้ยูสเคสจากหลายหน่วยงานเข้ามาใช้โครงสร้างพื้นฐานร่วมกันได้

หน่วยธุรกิจ เช่น Wealth, Trade Finance และ Call Center ทำหน้าที่เป็นหัวหอกในการพัฒนาแพลตฟอร์มแต่ละด้าน ก่อนเปิดให้หน่วยงานอื่นนำไปต่อยอด

จาก Snowball ขนาดเล็กที่เกิดขึ้นกระจายทั่วองค์กร จึงเริ่มถูกนำมารวมกันเป็น Snowball ขนาดใหญ่ที่สามารถขยายผลได้เร็วขึ้น โดยไม่ต้องเริ่มลงทุนและสร้างระบบใหม่ทุกครั้ง

3 ขั้น จากใช้เอง สู่เปลี่ยนธุรกิจ

สำหรับทิศทางในช่วง 1-2 ปีข้างหน้า กสิกรไทยวางเส้นทางการใช้ AI ไว้ 3 ระดับ

ระดับแรกคือ Self-service ทำให้พนักงานทุกคนเข้าใจและสามารถนำ AI ไปใช้กับงานประจำวันของตนเองได้

ระดับที่สองคือ Process Improvement นำ AI เข้าไปปรับปรุงกระบวนการทำงานในระดับองค์กร โดยเฉพาะงานที่หลายหน่วยงานมีความต้องการร่วมกัน

ระดับที่สามคือ Transformation ซึ่งเป็นเป้าหมายที่ไกลกว่าการนำ AI มาช่วยลดเวลา หรือช่วยพนักงานทำงานเดิมให้เร็วขึ้น

ในระดับนี้ ธนาคารต้องกลับมาพิจารณาว่า เมื่อ AI มีความสามารถมากขึ้น รูปแบบธุรกิจและกระบวนการทำงานควรถูกออกแบบใหม่อย่างไร

AI จึงไม่ควรเป็นเพียง Assistant ที่ถูกเพิ่มเข้าไปในกระบวนการเดิม แต่ต้องเข้ามาช่วยให้องค์กรคิดใหม่ว่า ธุรกิจจะเปลี่ยนไปในทิศทางใด

เพื่อให้เกิดการเปลี่ยนแปลงดังกล่าว กสิกรไทยได้เข้าไปหารือกับหน่วยงานภายในทั้ง 22 Division พร้อมเสนอเครื่องมือ ทีมงาน และองค์ความรู้ เพื่อให้แต่ละหน่วยงานร่วมกันกำหนดว่า AI จะเข้ามาเปลี่ยนการทำงานของตนเองได้อย่างไร

สร้างระบบนิเวศให้พนักงานกล้าลอง

อีกหนึ่งบทเรียนของการขยาย AI คือ การฝึกอบรมเพียงครั้งเดียวไม่เพียงพอ องค์กรต้องสร้างพื้นที่ให้พนักงานสามารถเรียนรู้ ทดลอง และขอความช่วยเหลือได้อย่างต่อเนื่อง

กสิกรไทยจึงจัดตั้ง AI Community เป็นพื้นที่แลกเปลี่ยนความรู้และสอบถามปัญหา พร้อมมี AI Clinic ที่เปิดให้พนักงานนำโจทย์เข้ามาปรึกษาผู้เชี่ยวชาญ โดยมีบริษัทเทคโนโลยีและผู้ให้บริการเข้ามาช่วยตอบคำถาม

ธนาคารยังจัดทำ AI Prompt Hub เพื่อรวบรวมตัวอย่างการใช้งาน Success Story และแนวทางที่พนักงานสามารถนำไปปรับใช้กับงานของตนเอง

พร้อมกันนี้ ยังมีการจัดกิจกรรมและเชิญพันธมิตรเทคโนโลยี เช่น Microsoft และ Google เข้ามานำเสนอกรณีการใช้งานจริง เพื่อเปิดมุมมองให้พนักงานเห็นความสามารถของ AI ที่เปลี่ยนแปลงอย่างรวดเร็ว

แรงจูงใจจากผู้บริหารเป็นอีกกลไกสำคัญ โดยมีการกำหนดทิศทางจากผู้บริหารสูงสุด และมอบรางวัลให้กับพนักงานหรือโครงการที่สามารถนำ AI ไปใช้จนเกิดผล

ทุก Division จึงไม่ได้มีหน้าที่เพียงเลือกซื้อเครื่องมือ แต่ต้องนำเสนอว่า AI จะเข้ามาสร้างการเปลี่ยนแปลงในหน่วยงานของตนเองได้อย่างไร

เครื่องมือ AI ไม่ได้แจกฟรีโดยไม่มีโจทย์

แม้กสิกรไทยจะสร้างแพลตฟอร์ม AI กลางและจัดหาเครื่องมือให้พนักงานใช้งาน แต่การเข้าถึงไม่ได้หมายความว่าทุกหน่วยงานจะสามารถนำเครื่องมือไปใช้ได้ทันทีโดยไม่มีเงื่อนไข

ผู้ที่ต้องการใช้เครื่องมือต้องเสนอ Use Case พร้อมระบุประโยชน์ที่คาดว่าจะได้รับ โดยมีหัวหน้าหน่วยงานเข้ามามีส่วนกำหนด Benefit Design

แนวทางนี้ช่วยให้ธนาคารเห็นว่า เครื่องมือแต่ละตัวถูกนำไปแก้โจทย์ใด และผลลัพธ์ที่เกิดขึ้นมีความคุ้มค่าหรือไม่

ปัจจุบันธนาคารใช้จำนวนวันทำงานที่ประหยัดได้ หรือ Manday Saving เป็นหนึ่งในตัวชี้วัด แต่ในอนาคตจำเป็นต้องมองหาวิธีวัดผลประโยชน์ด้านอื่นเพิ่มเติม เพื่อสะท้อนผลลัพธ์จาก AI ให้ครบถ้วนมากขึ้น

เมื่อการใช้ AI ทุกครั้งมีต้นทุน

เมื่อ AI ถูกนำไปใช้ในวงกว้าง ความท้าทายไม่ได้อยู่แค่การพัฒนาโมเดล แต่รวมถึงการบริหารค่าใช้จ่ายที่อาจเพิ่มขึ้นตามจำนวนผู้ใช้งาน

การเรียกใช้ AI แต่ละครั้งมีต้นทุน ไม่ว่าจะเป็นค่า Token ค่า License ตลอดจนค่า Hardware และ Software

หากองค์กรไม่มีระบบมอนิเตอร์ อาจเกิดการใช้ทรัพยากรเกินความจำเป็น และทำให้งบประมาณด้าน AI เพิ่มสูงขึ้นโดยไม่รู้ว่าค่าใช้จ่ายเกิดจากส่วนใด

ดร.ธีรวัฒน์มองว่า องค์กรควรมีเครื่องมือที่แสดงให้พนักงานเห็นว่า การใช้ AI แต่ละครั้งมีค่าใช้จ่ายเท่าใด เพื่อสร้างความตระหนักและวินัยในการใช้งาน

ขณะเดียวกัน ต้องพัฒนาวิธีการทางบัญชีที่สามารถแยกค่า Token, License, Hardware และ Software ออกจากค่าใช้จ่ายประเภทอื่น เพื่อให้เห็นต้นทุน AI ที่แท้จริง

บทเรียนนี้ทำให้การควบคุมต้นทุนกลายเป็นเรื่องที่ต้องเดินไปพร้อมกับการพัฒนาเทคโนโลยี ไม่ใช่รอให้ค่าใช้จ่ายสูงขึ้นแล้วจึงกลับมาแก้ไข

โมเดลแพงที่สุด อาจไม่ใช่คำตอบที่ดีที่สุด

นอกจากต้นทุนการใช้งานแล้ว องค์กรยังต้องเลือกโมเดลให้เหมาะกับปัญหา เพราะ AI แต่ละโมเดลมีความสามารถและค่าใช้จ่ายแตกต่างกัน

งานบางประเภทไม่จำเป็นต้องใช้โมเดลที่มีขนาดใหญ่หรือราคาแพงที่สุด แต่สามารถใช้โมเดล Open Source ได้ หากผ่านการตรวจสอบด้านความปลอดภัยและเหมาะสมกับงาน

บางกรณีสามารถใช้แนวทาง Mix Model โดยนำข้อมูลหรือผลลัพธ์จากโมเดลหนึ่งไปประมวลผลต่อด้วยอีกโมเดลหนึ่ง

องค์กรที่มีองค์ความรู้เฉพาะทางและมีความพร้อม ยังสามารถพัฒนาโมเดลเฉพาะของตนเองได้

หัวใจสำคัญจึงไม่ใช่การเลือกโมเดลที่เก่งที่สุดในตลาด แต่คือการเลือกโมเดลที่เหมาะกับโจทย์ มีต้นทุนสมเหตุสมผล และสามารถควบคุมความปลอดภัยได้

ปลายทางคือการเชื่อม AI สองยุคเข้าด้วยกัน

หลังใช้ Predictive AI ขับเคลื่อนงานหลายด้านมาอย่างต่อเนื่อง กสิกรไทยกำลังเข้าสู่ช่วงที่ Generative AI เริ่มสร้างผลลัพธ์ด้านประสิทธิภาพและการประหยัดเวลา

พนักงานที่สามารถนำ Generative AI ไปใช้ได้ดีเริ่มสร้างยูสเคสใหม่ และช่วยขยายการใช้งานในลักษณะ Snowball

เป้าหมายต่อไปของธนาคารคือการนำ Predictive AI และ Generative AI มาทำงานร่วมกัน เมื่อแพลตฟอร์ม ข้อมูล และระบบควบคุมมีความพร้อม

Generative AI สามารถช่วยค้นหา Pattern จากข้อมูลที่องค์กรอาจไม่เคยเห็นมาก่อน ก่อนนำผลลัพธ์กลับไปช่วยพัฒนาธุรกิจและเพิ่มความสามารถของระบบ Core Banking

แต่การเปิดให้ AI รุ่นใหม่เข้าถึงข้อมูลของธนาคาร จะต้องผ่านระบบ Security มาตรฐาน และ Governance ที่เข้มงวด

เส้นทาง AI ของกสิกรไทยจึงไม่ได้จบลงที่การมีเครื่องมือมากขึ้น หรือการสร้างยูสเคสให้ได้จำนวนมากที่สุด

บทเรียนสำคัญอยู่ที่การทำให้เทคโนโลยีตอบโจทย์ธุรกิจ เชื่อมเข้ากับกระบวนการจริง ใช้ข้อมูลอย่างปลอดภัย ขยายผลผ่านแพลตฟอร์มกลาง และทำให้พนักงานทั้งองค์กรพร้อมเดินไปในทิศทางเดียวกัน

เพราะท้ายที่สุด ความสำเร็จของ AI ไม่ได้วัดจากความสามารถของโมเดลเพียงอย่างเดียว แต่ต้องวัดจากการที่องค์กรสามารถเปลี่ยนเทคโนโลยีให้กลายเป็นผลลัพธ์ทางธุรกิจได้จริง