AI ไทยโตแรง 53.7% แต่ธรรมาภิบาลข้อมูลตามหลัง — กับดักที่องค์กรต้องข้าม

บทนำ: การนำ AI ไปใช้ไม่ได้แปลว่าองค์กรพร้อมใช้ AI

การสำรวจ AI Readiness Survey 2026 ของศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ (NECTEC) ครอบคลุม 574 องค์กรทั้งภาครัฐและเอกชน พบว่า 53.7% ขององค์กรไทยนำ AI มาใช้แล้ว, 36.6% วางแผนใช้ และมีเพียง 9.8% ที่ยังไม่มีแผน ตัวเลข adoption เติบโตเร็วถึงสามเท่าระหว่างปี 2024 ถึง 2026 แต่เมื่อวัดเฉพาะองค์กรที่เริ่มใช้ AI แล้ว 308 แห่ง คะแนนความพร้อมเฉลี่ยอยู่ที่ 40.0% ซึ่งจัดอยู่ในระดับ “AI Aware” เท่านั้น

คะแนนธรรมาภิบาลต่ำสุด คือสัญญาณเตือนที่องค์กรชอบมองข้าม

NECTEC ประเมินความพร้อมห้ามิติ พบว่า “ข้อมูลและโครงสร้างพื้นฐาน” ได้คะแนนสูงสุด 51.0% ตามด้วยบุคลากร 45.9% และกลยุทธ์ 41.8% ขณะที่เทคโนโลยีได้เพียง 32.2% และ ธรรมาภิบาลได้ต่ำสุดที่ 28.9% รูปแบบนี้ชี้ว่าองค์กรไทยเก่งเรื่องการลงทุนซื้อระบบและจัดเก็บข้อมูล แต่ยังอ่อนเรื่องการสร้างกระบวนการกำกับดูแลที่ฝังอยู่ในงานประจำวัน

มีที่เก็บข้อมูลเยอะ ไม่ได้แปลว่าข้อมูลพร้อมใช้

แม้ 64.0% ขององค์กรจะมีระบบจัดเก็บข้อมูล แต่มีเพียง 40.8% ที่มีคุณภาพข้อมูลพร้อมสำหรับ AI และ 51.6% ยังไม่มีสถาปัตยกรรม AI รองรับการเชื่อมต่อและขยายผล นี่คือช่องว่างที่ทำให้โครงการ AI จำนวนมากติดอยู่ในระยะนำร่อง เพราะโมเดลที่ดีต้องมาพร้อมข้อมูลที่สะอาด มีที่มา และมีสิทธิ์ใช้งานอย่างถูกต้องตาม PDPA

AI Architecture ที่ขาดไม่ได้คือ “ธรรมาภิบาลของข้อมูล”

เมื่อองค์กรไม่มี AI Architecture ที่ชัดเจน ข้อมูลมักถูกคัดลอกไปยังหลายระบบโดยไม่มีการควบคุม lineage หรือ access control ทำให้ความเสี่ยงด้านความเป็นส่วนตัวและความปลอดภัยสูงขึ้นโดยที่ทีมธุรกิจไม่รู้ตัว การลงทุนใน AI จึงต้องมาคู่กับการออกแบบ Data Governance ที่กำหนดเจ้าภาพข้อมูล, นิยามคุณภาพข้อมูล, นโยบายการเข้าถึง และกลไกตรวจสอบย้อนกลับ

ข้อมูลเชิงลึกเพิ่มเติมจาก Deloitte ยังยืนยันทิศทางเดียวกันว่า 38% ขององค์กรไทยระบุว่าข้อมูลยังไม่พร้อมสำหรับ AI และอีก 38% มองว่าความปลอดภัยของโครงสร้างพื้นฐาน AI ต้องได้รับการแก้ไข กล่าวอีกนัยหนึ่ง ปัญหาไม่ใช่ “AI ทำอะไรไม่ได้” แต่เป็น “ฐานข้อมูลและ governance ยังไม่พอให้ AI ทำงานได้อย่างไว้ใจได้”

บทเรียนจากภาคการเงิน: ความพร้อมไม่ได้มาจากเทคโนโลยีอย่างเดียว

ในผลสำรวจเดียวกัน ภาคการเงินเป็นกลุ่มเดียวที่แตะระดับ “Ready” ขณะที่ภาคการผลิตมีการใช้ AI สูงสุด แต่ความพร้อมโดยรวมยังกระจายไม่สม่ำเสมอ ความแตกต่างนี้ชี้ว่าองค์กรที่ประสบความสำเร็จมักไม่ได้เริ่มจากซื้อเครื่องมือ AI ราคาสูง แต่เริ่มจากปรับกระบวนการข้อมูล กำหนดเจ้าภาพ และสร้างวัฒนธรรมการใช้ข้อมูลที่มีการกำกับ

สิ่งที่ต้องทำก่อนสเกล AI: เรียงลำดับจาก “ข้อมูล” ไป “ธรรมาภิบาล”

ลำดับที่สมเหตุสมผลคือ (1) ทำ Data Inventory และจำแนกข้อมูลตามความอ่อนไหว (2) นิยามคุณภาพข้อมูลขั้นต่ำสำหรับ use case แรก (3) กำหนดสิทธิ์การเข้าถึงและการตรวจสอบย้อนกลับ (4) ตั้งคณะทำงานข้ามสายงานที่มีทั้งธุรกิจ ไอที กฎหมาย และความเสี่ยง และ (5) วัดผล governance ด้วยตัวชี้วัดที่เชื่อมกับผลลัพธ์ธุรกิจ ไม่ใช่แค่จำนวนนโยบายที่ประกาศใช้ หากทำได้เช่นนี้ AI จะไม่ใช่โครงการไอทีที่แยกจากธุรกิจ แต่เป็นความสามารถที่องค์กรควบคุมทิศทางได้จริง