Datadog ชี้ AI เป็นดาบสองคม จี้ธุรกิจไทยคุมต้นทุน-ความเสี่ยง

การลงทุน Data Center การเข้ามาของผู้ให้บริการคลาวด์ระดับโลก หรือ Hyperscaler รวมถึงการนำปัญญาประดิษฐ์ (AI) มาใช้ กำลังเร่งให้องค์กรไทยปรับระบบไอทีเพื่อรองรับเศรษฐกิจดิจิทัล  อย่างไรก็ตาม เทคโนโลยีใหม่ทำให้ระบบซับซ้อนขึ้น ครอบคลุมตั้งแต่แอปพลิเคชัน ข้อมูล API คลาวด์ AI ไปจนถึงความปลอดภัยไซเบอร์ ความสำเร็จจึงขึ้นอยู่กับความสามารถในการมองเห็นและบริหารระบบทั้งหมดร่วมกัน

ชี้ AI ต้องถูกมองเป็น “Product System”

คารินา กูนาวัน (Karina Gunawan) รองประธานประจำภูมิภาค ฝ่าย Enterprise ASEAN Sales ของ Datadog มองว่า องค์กรควรเปลี่ยนจากการมอง AI เป็นโครงการทดลอง ไปสู่การมองเป็น “Product System” เพราะประสิทธิภาพไม่ได้ขึ้นอยู่กับโมเดลเท่านั้น แต่ยังเกี่ยวข้องกับ Data Pipeline, API, Cloud Capacity, Security Controls และข้อมูลที่ AI เข้าถึง หากองค์กรไม่เห็นความสัมพันธ์ขององค์ประกอบเหล่านี้ ปัญหาเพียงจุดเดียวอาจทำให้ระบบล่าช้า ต้นทุนเพิ่ม หรือเกิดเหตุด้านความปลอดภัย

งานวิจัยของ Datadog พบว่า ประมาณ 5% ของคำสั่งที่ส่งไปยัง AI ล้มเหลวในการใช้งานจริง และมากกว่า 60% ของข้อผิดพลาดเกิดจากข้อจำกัดด้านกำลังรองรับของระบบ สะท้อนว่าปัญหาจำนวนมากไม่ได้เกิดจากตัวโมเดล แต่เกี่ยวข้องกับโครงสร้างพื้นฐานเบื้องหลัง

องค์กรจึงต้องเห็นภาพรวมระบบจากศูนย์กลางเดียว โดยทีมวิศวกรรม ความปลอดภัย และธุรกิจสามารถตรวจสอบได้ตั้งแต่คุณภาพโมเดล ประสิทธิภาพแอปพลิเคชัน ความจุระบบ การใช้ Token ไปจนถึงต้นทุน

ย้าย Cloud ต้องแบ่งเฟสและวัดผล

คารินา แนะนำให้หลีกเลี่ยงการย้ายระบบแบบ Single Cutover หรือเปลี่ยนทั้งหมดในครั้งเดียว แต่ควรแบ่งเป็นระยะและสร้าง Visibility ให้พร้อมก่อนย้ายระบบสำคัญ   เนื่องจาก Customer Journey หนึ่งรายการอาจเชื่อมต่อทั้ง On-premise Database, Cloud Service, API และระบบชำระเงิน หากตรวจสอบแยกกัน ทีมงานอาจได้รับ Alert หลายรายการ แต่ไม่รู้ว่าเกี่ยวข้องกับปัญหาเดียวกัน

องค์กรจึงควรจัดทำ Baseline ด้าน Performance, Dependencies, Capacity และ Cost ก่อนย้าย แล้วเปรียบเทียบกับระบบใหม่ รวมถึงกำหนด Service-Level Objectives หรือ SLOs จากสิ่งที่ลูกค้ารับรู้ เช่น ความสำเร็จของ Checkout ระยะเวลาประมวลผลการชำระเงิน และความพร้อมใช้งานของแอปพลิเคชัน

พร้อมกันนี้ต้องมี Phased Release, Rollback Plan, Load Testing และ Capacity Modelling เพื่อรองรับช่วงใช้งานหนาแน่น เช่น วันเงินเดือนออก ธุรกรรม Mobile Banking และแคมเปญอีคอมเมิร์ซ

Datadog ยกกรณีศึกษาของ Jitta ซึ่งลดเวลาวิเคราะห์ Incident ได้ 90% และประหยัดเวลาวิศวกรมากกว่า 400 ชั่วโมงต่อคนต่อปี ช่วยให้ทีมมีเวลาพัฒนาผลิตภัณฑ์และรักษาความเสถียรของบริการมากขึ้น

เตือน AI Agent เพิ่มความเสี่ยงรูปแบบใหม่

ยาดี นารายานา (Yadi Narayana) ประธานเจ้าหน้าที่ฝ่ายเทคโนโลยีภาคสนาม ประจำภูมิภาคเอเชีย-แปซิฟิกและญี่ปุ่น ของ Datadog มองว่า จุดแข็งและความเสี่ยงของ AI มาจากคุณสมบัติเดียวกัน คือ “ความเร็วและสเกล”

AI ช่วยวิเคราะห์ Metrics, Logs, Traces และ Security Events เพื่อค้นหาสาเหตุของ Incident ลดเวลาค้นหาปัญหา และช่วยให้วิศวกรตัดสินใจได้เร็วขึ้น

แต่อีกด้านหนึ่ง AI กำลังพัฒนาเป็น “Agent” ที่เข้าถึง Tools, API ฐานข้อมูล และระบบภายในองค์กรได้ ความผิดพลาดจึงอาจนำไปสู่การเรียกใช้เครื่องมือซ้ำจนต้นทุนเพิ่ม รวมถึงความเสี่ยงจาก Prompt Injection การใช้ Tools ไม่เหมาะสม และการเปิดเผยข้อมูลสำคัญ

องค์กรจึงต้องรู้ว่า AI กำลังทำอะไร เข้าถึงข้อมูลใด เรียกใช้เครื่องมือใด มีต้นทุนเท่าไร และยังทำงานอยู่ในขอบเขตที่กำหนดหรือไม่

Cybersecurity ยุค AI ภัยคุกคามแนบเนียนขึ้น

ยาดี แบ่งความเสี่ยงเป็น 2 ด้าน ได้แก่ AI ที่ผู้โจมตีนำไปใช้ และ AI ที่กลายเป็นส่วนหนึ่งของ Attack Surface ขององค์กร

Deepfake และ Voice Cloning ช่วยเลียนเสียงผู้บริหาร ขณะที่ AI สามารถสร้าง Phishing แบบเฉพาะบุคคล รองรับหลายภาษา รวบรวมข้อมูลเป้าหมาย และเพิ่มความเร็วในการโจมตีแอปพลิเคชันหรือ API

Datadog ไม่ได้ตรวจจับ Deepfake โดยตรง แต่ตรวจสอบความผิดปกติภายในระบบหลังการหลอกลวง เช่น การ Login จากอุปกรณ์ใหม่ การเปลี่ยนสิทธิ์ การเรียกใช้ API ผิดปกติ หรือการเคลื่อนย้ายภายในระบบคลาวด์ พร้อมเชื่อมโยงว่าเป็นส่วนหนึ่งของ Incident เดียวกันหรือไม่

ขณะเดียวกัน AI Agent อาจเข้าถึงเอกสารภายใน API, Source Code และโครงสร้างพื้นฐานคลาวด์ หากถูกบงการ ย่อมส่งผลต่อทุกระบบที่ Agent มีสิทธิ์ดำเนินการ

องค์กรจึงต้องตรวจสอบ Prompt, Response และ Tool Calls พร้อมเชื่อมโยงกับ Application, Identity, Infrastructure และ Security Context

Datadog มี Datadog AI Guard ช่วยตรวจจับ Prompt Injection, Jailbreaking, Unsafe Tool Use และความพยายามนำข้อมูลสำคัญออกจากระบบ แต่ยาดีย้ำว่า ไม่มีมาตรการชั้นเดียวที่ทำให้ AI ปลอดภัยทั้งหมด

พื้นฐานอย่าง Strong Identity, Least Privilege การปกป้องข้อมูล และการติดตามพฤติกรรมอย่างต่อเนื่องยังจำเป็น ยิ่ง AI Agent มีสิทธิ์มาก การควบคุมยิ่งต้องเข้มงวดขึ้น

Hyperscaler เปิดโอกาสพร้อมหลุมพราง

ยาดี มองว่า การเข้ามาของ Hyperscaler ในไทยช่วยลดความหน่วงในการรับส่งข้อมูล สนับสนุนการจัดเก็บข้อมูลในประเทศ และเพิ่มทางเลือกบริการคลาวด์  แต่การย้ายแอปพลิเคชันขึ้นคลาวด์ไม่ได้หมายความว่าระบบทันสมัยขึ้นโดยอัตโนมัติ หากยังใช้สถาปัตยกรรมเดิม อาจเป็นเพียงการ “เปลี่ยนที่อยู่ของ Data Center”

อีกความเสี่ยงคือ Architectural Fragmentation เมื่อแต่ละทีมใช้เทคโนโลยีต่างกัน ทั้ง Kubernetes, Serverless, On-premises, SaaS, Managed Database และแพลตฟอร์ม AI ทำให้ธุรกรรมหนึ่งรายการต้องพึ่งหลายระบบและหลายทีม

องค์กรจึงต้องออกแบบตั้งแต่ต้นว่าจะบริหารเทคโนโลยีทั้งหมดร่วมกันอย่างไร โดยความสำเร็จของ Cloud Migration ไม่ควรวัดจากจำนวน Workload ที่ย้ายได้ แต่ต้องดูว่าหลังการย้ายสามารถควบคุม ความเสถียร ความปลอดภัย ประสิทธิภาพ และต้นทุน ได้ดีขึ้นหรือไม่