3 ข้อผิดพลาดสำคัญในการนำ AI มาใช้ในธุรกิจ
Pedro Daniel ชี้จุดบกพร่องเรื่องข้อมูล งานบริการหลังการขาย และการเลือกกระบวนการในการประยุกต์ใช้ AI
ในการสัมภาษณ์ผ่านรายการ Marketing - The Podcast ทางด้าน Pedro Daniel ได้เปิดเผยข้อผิดพลาดที่พบบ่อยที่สุดในการนำ AI มาปรับใช้ในองค์กร พร้อมเจาะลึกถึงความเสี่ยงจากการขาดการรวมศูนย์ข้อมูล การทำงานอัตโนมัติจนขาดปฏิสัมพันธ์กับมนุษย์ และการเลือกฝ่ายงานที่ผิดพลาด
Pedro Daniel ผู้ก่อตั้ง Escola de IA ได้ร่วมพูดคุยกับ Bruno Gimenes ในรายการ Marketing - The Podcast ถึงข้อผิดพลาดที่เกิดขึ้นบ่อยครั้งที่สุดเมื่อธุรกิจเริ่มนำปัญญาประดิษฐ์ (AI) เข้ามาใช้ในกระบวนการทำงาน แม้ว่าผลการศึกษาจาก McKinsey จะชี้ว่าการใช้ AI เพื่อยกระดับประสบการณ์ลูกค้าสามารถลดต้นทุนงานบริการได้สูงสุดถึง 40% โดยไม่กระทบต่อคุณภาพที่ลูกค้ารับรู้ แต่ในทางปฏิบัติต่างมักเผชิญอุปสรรคจากการจัดลำดับความสำคัญและการวางโครงสร้างพื้นฐานด้านเทคนิคที่ไม่ถูกต้อง
ในวิดีโอด้านบน Daniel ได้อธิบายถึงผลกระทบของเครื่องมืออัตโนมัติต่อขั้นตอนการปฏิบัติงาน พร้อมชี้แนะแนวทางการสร้างสมดุลระหว่างประสิทธิภาพของระบบและการมีปฏิสัมพันธ์ผ่านมนุษย์ตลอด Customer Journey
การนำไปใช้กับฝ่ายงานที่สร้างผลกระทบต่ำ
ข้อผิดพลาดแรกที่ Daniel เน้นย้ำคือการนำเทคโนโลยีไปลงกับส่วนงานที่ AI สร้างประโยชน์ได้น้อยหรือไม่สามารถรักษามาตรฐานงานเดิมไว้ได้ ซึ่งมักเกิดจากการที่ผู้บริหารประเมินศักยภาพของเครื่องมือสูงเกินไปโดยไม่ได้พิจารณาความสำคัญของกิจกรรมนั้นๆ ต่อโมเดลธุรกิจ
Daniel อธิบายว่าการเร่งเพิ่มประสิทธิภาพการทำงานโดยปราศจากเกณฑ์วัดทางเทคนิคย่อมนำไปสู่การเสียทรัพยากรโดยเปล่าประโยชน์: "นี่คือจุดที่ผมเห็นบ่อยมาก คือผู้คนมักประเมิน AI ไว้สูงเกินจริง แล้วนำไปใส่ในแผนกที่แทบไม่ได้สร้างผลกระทบ หรือไม่ก็ทำให้คุณภาพงานในแผนกนั้นลดลง กลายเป็นว่าให้พนักงานระดับซีเนียร์ใช้ AI แล้วผลิตงานออกมาได้ปริมาณเยอะขึ้นจริง แต่งานกลับไร้คุณภาพอย่างที่ผมเคยเตือนไว้"
ข้อมูลกระจัดกระจายและขาดการจัดระเบียบ
การขาดฐานข้อมูลที่มีโครงสร้างและรวมศูนย์ถือเป็นคอขวดสำคัญลำดับที่สอง แม้แต่ในองค์กรขนาดใหญ่ ข้อมูลสำคัญเกี่ยวกับลูกค้าและขั้นตอนการทำงานก็มักจะกระจัดกระจายอยู่ตามไฟล์ส่วนตัวและเครื่องมือที่ไม่ได้เชื่อมต่อกัน
Daniel ระบุว่าโมเดล AI จะให้ผลลัพธ์ที่แม่นยำได้ก็ต่อเมื่อได้รับข้อมูลและตัวชี้วัดที่สอดคล้องกัน: "สิ่งที่สร้างความแตกต่างในระยะยาวและการขยายธุรกิจ คือปริมาณและคุณภาพของข้อมูลที่คุณมี ปัจจุบันผมไม่ทำงานด้วยการคาดเดา เราต้องทดสอบและตรวจสอบผล หากใช้ได้ผลเราก็ดูจากข้อมูลและตัวเลขจริง เพราะสองบวกสองย่อมเป็นสี่เสมอ" เขายังย้ำอีกว่าการรวมศูนย์ข้อมูลควรได้รับการวางแผนตั้งแต่วันแรกที่สร้างธุรกิจ
ระบบอัตโนมัติที่มากเกินไปจนละเลยงานหลังการขาย
ข้อผิดพลาดประการที่สามคือการพึ่งพา AI ในการดูแลลูกค้าทั้งหมดจนละเลยการรักษาฐานลูกค้าเดิม หลายองค์กรทุ่มเทงบประมาณทั้งหมดไปกับการปิดการขายครั้งแรก แล้วตัดขาดการติดต่อทันทีหลังการซื้อ ซึ่งส่งผลเสียต่อมูลค่าตลอดช่วงชีวิตของลูกค้า (LTV)
Daniel ชี้ให้เห็นว่าต้นทุนในการหาลูกค้าใหม่ (CAC) ในปัจจุบันจำเป็นต้องอาศัยทีมงานที่คอยดูแลและติดตามผลอย่างเป็นระบบ: "ต้นทุนต่อ Lead ทุกวันนี้แพงเกินกว่าจะทิ้งขว้างแบบนั้น ผมเห็นหลายที่มุ่งแต่จะขายแล้วก็ปล่อย Lead ไป สิ่งที่ควรทำคือวางเส้นทางดูแลลูกค้าและมีทีม Customer Success คอยดูแลหลังการขาย ปัจจุบัน AI ช่วยให้เราส่งมอบคุณค่าแบบเฉพาะบุคคลได้อย่างง่ายดาย จึงควรโฟกัสที่การปรับแต่งนี้เพื่อรักษาลูกค้าไว้และเพิ่ม LTV ให้สูงขึ้น"