กลยุทธ์การสร้างแอปพลิเคชันอัจฉริยะ (Intelligent Apps) ที่ขับเคลื่อนด้วย AI

สรุปใจความสำคัญ

Entreprise software ยังขาดความเป็นมิตรต่อผู้ใช้ เพราะยังต้องคลิกผ่านเมนูที่ซับซ้อน อ่านข้อมูลที่กระจัดกระจาย และตีความแผนภูมิต่างๆ ด้วยตนเองก่อนที่จะใช้งานได้ แม้จะมีการเปลี่ยนแบบฟอร์มต่างๆ ให้ไฟล์เป็นดิจิทัลและย้ายสเปรดชีตไปบนเว็บ แต่ก็ยังใช้งานยากอยู่ดี และยังไม่สามารถทำงานแบบอัตโนมัติได้อย่างที่ควรจะเป็น

การทำ automation นั้นจะเป็นจริงก็ต่อเมื่อ "ความอัจฉริยะ" ถูกวางไว้ที่แกนหลักของระบบเท่านั้น โซลูชัน AI-first (ไม่ใช่ AI-layered) จะสามารถเข้าใจเจตนา รวบรวมบริบทที่ถูกต้องได้ภายในไม่กี่วินาที อธิบายสิ่งที่เกิดขึ้นได้ และทำงานต่อได้โดยอัตโนมัติภายในขอบเขตที่กำหนดไว้

บทความนี้สรุปสาระสำคัญจากการบรรยายของ Seven Peaks เกี่ยวกับแอปพลิเคชันอัจฉริยะ (intelligent apps) โดยชี้ให้เห็นว่าโมเดลแบบดั้งเดิมนั้นบกพร่องตรงไหน ลักษณะของ การออกแบบแกนหลักด้วย AI (AI-core design) เป็นอย่างไร รวมถึงแนวทางที่ทีมข้อมูล ทีมวิศวกรซอฟต์แวร์ และทีมโปรดักต์ จะสามารถส่งมอบโซลูชันดังกล่าวได้อย่างมีความรับผิดชอบ โดยบทความนี้จะปิดท้ายด้วยตัวอย่างที่เป็นรูปธรรมและวิธีการเริ่มต้นที่ใช้ได้จริง

ทศวรรษหน้าของซอฟต์แวร์สำหรับ B2B จะถูกกำหนดด้วยแอปพลิเคชันที่สามารถคิด ตัดสินใจ และลงมือทำเองได้ ซึ่งจะเปลี่ยนจากการเป็นเพียงเครื่องมือบันทึกข้อมูลที่ทำงานแค่หลังบ้านให้เป็นเพื่อนคู่คิดของคุณ

สถานการณ์ปัจจุบันที่เข้าสู่ยุคดิจิทัลแล้วแต่ยังต้องทำงานแบบแมนวลอยู่

ระบบส่วนใหญ่ที่เราสร้างขึ้นมาและซื้อมาใช้ ไม่ว่าจะเป็น HRIS, การจัดซื้อ, CRM, service operation, หรือการเงิน ล้วนเป็นเพียงการเปลี่ยนจากเอกสารเดิมมาอยู่ในรูปแบบดิจิทัล ถึงแม้จะช่วยรวมศูนย์และวางมาตรฐานกระบวนการ แต่ประสบการณ์ของผู้ใช้กลับเต็มไปด้วยขั้นตอนที่ยุ่งยากซับซ้อน เพราะผู้ใช้ต้องค้นหาโมดูลที่อยากใช้ กรองรายการที่ต้องการ เปิดบันทึกที่เกี่ยวข้อง สแกนแท็บที่เหมาะสม เปรียบเทียบข้อมูลข้ามหน้าจอ ทำความเข้าใจว่าข้อมูลหมายถึงอะไร จากนั้นจึงสามารถลงมือทำได้

เราแค่เปลี่ยนแผงคลิปหนีบกระดาษเป็นแดชบอร์ด แต่ไม่ได้ทดแทนภาระงานเหล่านั้นเลย

เมื่อการตีความข้อมูลต้องอาศัยการตัดสินใจของผู้ใช้แต่ละคน ผลลัพธ์ที่ได้จึงขาดความสม่ำเสมอ ทุกๆ การคลิก เปิดแท็บ และการสืบค้นข้อมูลที่มากเกินความจำเป็น ล้วนบั่นทอนสมาธิและความตั้งใจในการทำงาน ส่งผลให้ซอฟต์แวร์กลายเป็นภาระที่ต้องจัดการ แทนที่จะเป็นคู่คิดที่ช่วยสร้างผลงาน

เทคโนโลยีดิจิทัลจะไร้ความหมาย หากเรายังคงต้องทำข้อมูลเชิงลึกด้วยตนเอง

ทำไมการเพิ่ม AI ลงในระบบเดิมจึงไม่ประสบผลสำเร็จ

ในช่วง 18 เดือนที่ผ่านมา ทีมพัฒนาจำนวนมากพยายามเพิ่ม AI ให้กับเครื่องมือเดิม เช่น การใส่ chatbot ไว้ที่มุมจอ หรือการเพิ่มฟังก์ชันสร้างข้อความลงในแบบฟอร์ม แม้จะเป็นประโยชน์บ้างในบางครั้ง แต่ก็แทบไม่เกิดการเปลี่ยนแปลงใหญ่ๆ

เมื่อ AI ถูกนำมาเป็นฟังก์ชันเสริมบนโครงสร้างระบบเดิม ก็ยังไม่สามารถลดความยุ่งยากในสามเรื่องต่อไปนี้ได้ นั่นคือ โมเดล AI มีบริบทที่จำกัด เพราะข้อมูลพื้นฐานยังคงกระจัดกระจาย ขั้นตอนการทำงานแบบเดิมที่ใช้เมนูอันซับซ้อนยังคงอยู่ แถมยังเพิ่มขั้นตอนที่ไม่จำเป็นเข้ามา ท้ายที่สุดผู้ใช้ยังคงต้องรับภาระงานหนักในการค้นหาและดำเนินการตัดสินใจด้วยตนเอง

มูลค่าที่แท้จริงจะเกิดขึ้นก็ต่อเมื่อเราออกแบบโครงสร้างระบบใหม่ เพื่อให้ AI มีข้อมูลพื้นฐานที่เชื่อถือได้ สามารถคิดอย่างมีเหตุผลได้ในทุกขั้นตอน และได้รับอนุญาตให้ดำเนินการเองภายในขอบเขตที่กำหนดไว้ นี่คือสิ่งที่เราหมายถึงด้วยคำว่า AI-core

6 หลักการออกแบบสำหรับ AI‑core products

1. เริ่มการออกแบบที่เน้นผลลัพธ์ ไม่ใช่หน้าจอ 

การเปลี่ยนแปลงที่สำคัญที่สุดคือด้านความคิด อย่าออกแบบหน้าจอ แต่จงออกแบบการตัดสินใจ สำหรับการตัดสินใจสำคัญทุกครั้งให้ตั้งคำถามว่า เจตนาใดก่อให้เกิดการตัดสินใจนั้น ตัวบ่งชี้ใดมีความสำคัญ ต้องใช้กฎเกณฑ์และการอนุมัติใดเข้ามาเกี่ยวข้อง และการทำงานอัตโนมัติแบบไหนที่เรายอมรับได้และมีความปลอดภัย

2. ใช้การสนทนาเป็นเครื่องมือสั่งการหลัก 

ทุกสิ่งในระบบไม่ว่าจะเป็นพนักงาน ซัพพลายเออร์ ใบแจ้งหนี้ หรือสินทรัพย์ ควรตอบสนองต่อคำสั่งในภาษาพูดหรือภาษาเขียนปกติได้ ดังนั้น command bar จึงต้องไม่เป็นเพียงส่วนเสริม แต่ต้องทำหน้าที่นำทางเราไปสู่ความอัจฉริยะของโปรดักต์ได้

3. ส่งมอบคำตอบที่มีคุณภาพ ไม่ใช่ข้อมูลดิบ

ทุกๆ ผลลัพธ์ต้องเป็นคำตอบที่มีเหตุผลรองรับ พร้อมหลักฐานที่เพียงพอ และมีตัวเลือกสำหรับการเข้าถึงข้อมูล ระบบควรจะอธิบายได้ว่าทำไมและจะต้องทำอะไรต่อไป ไม่ใช่แค่การตอบคำถามว่าสิ่งนี้คืออะไร

4. สร้างขอบเขตการเข้าถึงข้อมูลตั้งแต่เริ่มต้นเพื่อความปลอดภัย 

ไม่ว่าจะการจำกัดสิทธิ์ตามบทบาท การยืนยันเบื้องต้น การอนุมัติสำหรับขั้นตอนที่มีความเสี่ยงสูง หรือการบันทึกการตรวจสอบย้อนหลัง องค์ประกอบเหล่านี้ล้วนทำให้ระบบอัตโนมัติมีความน่าเชื่อถือ ดังนั้นความปลอดภัยจึงเป็นหัวใจสำคัญของโปรดักต์ ไม่ใช่เพียงข้อกำหนดทางกฎหมาย

5. จัดการระบบแบบ orchestrate ไม่ใช่ monolith

แยก user interface ให้เป็นอิสระจากโมเดลธุรกิจและบริการ สิ่งนี้จะช่วยให้คุณสามารถทั้งเปลี่ยนโมเดล สเกลได้อย่างคุ้มค่า และสร้าง UX ที่ยังตอบสนองได้ดีแม้บางครั้งต้องตัดสินใจในเรื่องที่ซับซ้อน

6. ประเมินความน่าเชื่อถือและความถูกต้อง 

ความน่าเชื่อถือจะช่วยให้ผู้ใช้ยอมรับดิจิทัลโปรดักต์นั้นๆ ได้ โดยคุณสามารถสร้างความน่าเชื่อถือได้ผ่านการรวบรวมความคิดเห็นของผู้ใช้ การตรวจสอบข้อมูลหลังจบการทดสอบ และการติดตามความคลาดเคลื่อนของโมเดล

รากฐานข้อมูลที่ดี ต้องเปลี่ยนข้อมูลที่ยุ่งเหยิงให้เป็นกลยุทธ์ได้

ความอัจฉริยะต้องอาศัยข้อมูลที่ผ่านการตรวจสอบแล้ว เชื่อมโยงกัน และมีบริบทชัดเจน ความสำเร็จอย่างรวดเร็วไม่ได้มาจากโมเดลที่มีขนาดใหญ่กว่า แต่มาจากการวางรากฐานที่ดีกว่า

ขั้นตอนแรกคือการรวมแหล่งข้อมูลเข้าสู่คลังข้อมูลอย่าง warehouse หรือ lakehouse ที่มีการกำกับดูแล จากนั้นปรับบันทึกข้อมูลให้เป็นมาตรฐานเดียวกันและเพิ่มความสมบูรณ์ด้วย identifier ที่เสถียร การทำ timestamp และมีหน่วยวัดที่สม่ำเสมอ เพื่อกำหนดความสัมพันธ์และความหมายผ่านกราฟข้อมูล ซึ่งจะช่วยให้ระบบสามารถเชื่อมโยงข้อมูลได้ตามความสัมพันธ์ที่ควรจะเป็น (เช่น จากพนักงาน → ทีม → ประเภทของโปรดักต์ → รายได้ → ความเสี่ยงในการลาออก) พร้อมทั้งแปลงนโยบายและความรู้ให้เป็นข้อมูลเวกเตอร์ เพื่อให้คำตอบในการสนทนามีพื้นฐานมาจากคอนเทนต์ของบริษัท ติดตามที่มาของข้อมูล ความสดใหม่ของข้อมูล และคุณภาพ เพื่อให้สามารถอธิบายที่มาของคำตอบและทำซ้ำได้

เมื่อ data layer มีความน่าเชื่อถือ จะทำให้การวิเคราะห์ข้อมูลจากบทสนทนาและ agentic workflows สามารถนำมาใช้งานได้จริง ไม่ใช่แค่เพียงเดโม

4 รูปแบบที่สามารถนำไปใช้งานได้จริงในปัจจุบัน

1. แดชบอร์ดเชิงสนทนา: แทนที่การสร้างเมนูตัวกรองมากมายด้วยการป้อนคำสั่งเดียว เช่น แสดงภูมิภาคที่มีผลการดำเนินงานสูงสุดในหกเดือนที่ผ่านมาและอธิบายปัจจัยที่ส่งผล หรือ สร้างสไลด์สำหรับนำเสนอ ระบบจะสร้างมุมมอง พร้อมคำบรรยาย และ export ไฟล์ออกมาให้ได้โดยอัตโนมัติ ทำให้ผลลัพธ์รวดเร็ว ชัดเจน และง่ายต่อการแชร์ต่อ
2. ข้อมูลเชิงลึกที่แจ้งเตือนอัตโนมัติ: แอปพลิเคชันอัจฉริยะจะไม่รอคำสั่งสำหรับสืบค้น แต่จะเฝ้าสังเกตทั้งความผิดปกติ เกณฑ์ที่กำหนด และแนวโน้มต่างๆ จากนั้นจะแจ้งเตือนผู้รับผิดชอบพร้อมกับคำแนะนำสำหรับการดำเนินการ โดยสามารถอนุมัติได้ในขั้นตอนเดียว
3. Agentic workflow: งานที่อาศัยหลายขั้นตอนไม่ว่าจะเป็นการรวบรวม ตรวจสอบ จัดประเภท หรือแจ้งเตือน จะถูกรันตามแผนที่กำหนดไว้อย่างชัดเจน โดย agent จะใช้เครื่องมือภายใต้ขอบเขตถูกที่จำกัดไว้ และดำเนินการโดยอัตโนมัติสำหรับขั้นตอนที่มีความเสี่ยงต่ำ และจะขอการอนุมัติเมื่อเป็นขั้นตอนที่มีความเสี่ยงหรือความไม่แน่นอนอยู่ในระดับสูง
4. UX ถูกซ่อนไว้: เมื่อเจตนาของผู้ใช้ชัดเจน จะทำให้ UI ลดความโดดเด่นลง และระบบจะแสดงการ์ดคำตอบที่กระชับพร้อมบริบทและขั้นตอนถัดไป หน้าจอต่างๆ จะปรากฏขึ้นก็ต่อเมื่อช่วยเพิ่มความน่าเชื่อถือหรือความชัดเจนเท่านั้น user interface ที่ดีที่สุดคือส่วนที่แทบจะมองไม่เห็น

กรณีศึกษาในแต่ละอุตสาหกรรม

ธุรกิจเสนอขายประกันภัยทางโทรศัพท์

การวิเคราะห์การสนทนาสดจะแนะนำประเด็นในการพูดคุยและการแจ้งเตือนการปฏิบัติตามกฎ ให้คะแนนการโทร ร่างข้อความสำหรับติดตามผล และกำหนดเวลาการติดต่อครั้งต่อไป ผู้จัดการสามารถติดตามผลลัพธ์ ได้ง่ายๆ โดยไม่ต้องคีย์ข้อมูลอะไรมากนัก

การจัดซื้อจัดจ้าง

ระบบจะคัดกรองซัพพลายเออร์ จำแนกความเสี่ยงของสัญญา จัดเส้นทางการอนุมัติโดยอัตโนมัติ และเสนอทางเลือกอื่นเมื่อสินค้ามีราคาสูงขึ้นหรือขาดแคลน จึงไม่ต้องรออ่านรายงานพิเศษเพื่อทำความเข้าใจความเสี่ยง

การเงินและการปฏิบัติการ

การปิดงบการเงินเชิงสนทนาจะสามารถทำได้จริง เช่น ระบบจะแสดงรายการกระทบยอดที่ค้างอยู่เกิน 500,000 บาทพร้อมสาเหตุที่เป็นไปได้ พร้อมแผนการแก้ไข โดย agent จะรวบรวมหลักฐาน เสนอรายการลงบัญชี และกำหนดงานให้ผู้ที่ควรรับผิดชอบ

การบริการลูกค้า

แพลตฟอร์มจะคัดแยก ticket จากนั้นร่างคำตอบพร้อมลิงก์ไปยังนโยบายและประวัติการทำรายการ แล้วจึงสั่งการดำเนินการในส่วนของงานหลังบ้าน เช่น การคืนเงิน การเปลี่ยนสินค้า หรือการส่งต่อเรื่องร้องเรียน ทั้งหมดนี้ล้วนอยู่ภายใต้ขอบเขตความปลอดภัยและการตรวจสอบที่รัดกุม

การกำกับดูแล ความปลอดภัย และจริยธรรม

ระบบ AI ที่ทำงานโดยไม่มีกฎเกณฑ์หรือการกำกับดูแลที่ชัดเจน จะก่อให้เกิดความเสี่ยงและความรับผิดชอบที่องค์กรต้องแบกรับ ดังนั้นโปรดักต์จะต้องถูกออกแบบให้ปลอดภัยและใช้งานได้ง่ายที่สุด

ควรเริ่มต้นด้วยการจำกัดสิทธิ์ตามบทบาท เพื่อให้ agent สามารถเห็นและดำเนินการได้เท่าที่มนุษย์ที่รับผิดชอบจะทำได้เท่านั้น และใช้การยืนยันเบื้องต้นสำหรับกิจกรรมที่ละเอียดอ่อน โดยให้มนุษย์อยู่ในกระบวนการเสมอเมื่อความเสี่ยงอยู่ในระดับสูง

นอกจากนี้จำเป็นต้องบันทึก prompt บริบท การตัดสินใจ และผลลัพธ์ เพื่อสร้างเส้นทางการตรวจสอบที่สามารถตรวจสอบย้อนหลังได้ พร้อมทั้งปกป้องข้อมูลส่วนบุคคลด้วยการปกปิดข้อมูล ลดการขอข้อมูล และกำหนดระยะเวลาจัดเก็บข้อมูล เมื่อเวลาผ่านไป ควรมีการประเมินความถูกต้องและอคติของโมเดล และคอยติดตามความคลาดเคลื่อนของผลลัพธ์อย่างสม่ำเสมอ สุดท้ายนี้ ต้องแสดงความโปร่งใสเกี่ยวกับแหล่งข้อมูล ข้อสันนิษฐาน และความเชื่อมั่น เพื่อให้ผู้ใช้เข้าใจเหตุผลที่ระบบแนะนำขั้นตอนนั้น

ความเชื่อมั่นไม่ใช่คุณสมบัติที่สามารถเพิ่มทีหลังได้ แต่เป็นเหตุผลหลักที่ผู้คนยอมรับการทำงานแบบอัตโนมัติทั้งหมด 

แนวทางการเริ่มต้นที่สามารถทำได้จริง

วิธีที่ดีที่สุดในการเริ่มต้นไม่ใช่การรื้อแพลตฟอร์มทั้งหมด แต่เป็นการเลือกทำในเรื่องที่ต้องตัดสินใจอย่างรวดเร็วและใช้ effort เยอะ ในขอบเขตงานใดงานหนึ่ง เช่น ตรวจสอบแพตเทิร์นของการลางานที่ผิดปกติ กำหนดผลลัพธ์ที่ต้องการในหนึ่งประโยค อธิบายว่าระบบต้องการตัวบ่งชี้ใด การดำเนินการใดที่ยอมรับได้ และจำเป็นต้องมีการอนุมัติในส่วนใด

สิ่งแรกที่ต้องทำคือการเชื่อมต่อระบบขั้นต่ำที่มีตัวบ่งชี้เหล่านั้น จากนั้นให้ระบุข้อมูลที่มีความหมายร่วมกันให้เพียงพอต่อการวิเคราะห์ข้อมูล ไม่ว่าจะเป็น ชื่อ ID หรือความสัมพันธ์ เพื่อให้สามารถรวบรวมข้อมูลและบริบทได้อย่างน่าเชื่อถือ พร้อมทั้ง สร้าง retrieval index ขนาดเล็กสำหรับนโยบายและขั้นตอนต่างๆ โดยกำหนดให้ command bar เป็นจุดเริ่มต้นในการป้อนข้อมูล และการ์ดคำตอบเป็นผลลัพธ์แบบ default พร้อมตัวเลือกคลิกเดียวเพื่ออนุมัติขั้นตอนต่อไป สุดท้าย ให้ทดลองใช้กับกลุ่มเล็กๆ และวัดว่าใช้เวลานานเท่าใดในการได้มาซึ่งคำตอบ และคำตอบนั้นนำไปสู่การดำเนินการบ่อยแค่ไหน

เสริมให้ส่วนที่ทำงานได้ดีอยู่แล้ว มีความแข็งแกร่งขึ้น สามารถขยายขอบเขตการทำงานไปสู่การตัดสินใจถัดไปได้อย่างค่อยเป็นค่อยไป การตัดสินใจใหม่แต่ละครั้งจะง่ายขึ้น เนื่องจากข้อมูลและรูปแบบการทำงานมีความสมบูรณ์ยิ่งขึ้น

วิธีวัดผลความก้าวหน้า

time to insight ซึ่งหมายถึงกล่าวคือจำนวนวินาทีจากเจตนาของผู้ใช้จนถึงคำตอบ จะกลายเป็นตัวชี้วัดหลัก action rate จะแสดงให้เห็นว่าคำตอบนำไปสู่การดำเนินการที่มีความหมายหรือไม่ ความถูกต้องสามารถวัดได้จากการยืนยันของผู้ใช้และการตรวจสอบยืนยันหลังการทดสอบ โดยความเชื่อมั่นถูกรวบรวมโดยตรงจากการ์ดคำตอบแต่ละใบ cycle time จะลดลงเมื่อขั้นตอนต่าง ๆ หายไป cost to serve จะลดลงเมื่อระบบอัตโนมัติเข้ามาจัดการงานที่ทำเป็นประจำและลดการส่งต่อข้อมูล

ตัวบ่งชี้ที่สำคัญที่สุดคือผลกระทบที่เกิดขึ้นจริง เช่น จำนวนการส่งต่อเรื่องร้องเรียนที่ลดลง อัตราการลาออกของพนักงานที่ลดลง การอนุมัติที่รวดเร็วขึ้น และความพึงพอใจที่สูงขึ้น

ควรทำการวัดผลแบบสัปดาห์ต่อสัปดาห์ เพื่อให้แอปพลิเคชันอัจฉริยะสร้างผลลัพธ์ที่ดีขึ้นแบบทวีคูณ

การเปลี่ยนแปลงในทีม

ทีมโปรดักต์และทีมออกแบบจะต้องเปลี่ยนจากการทำแผนผังหน้าจอไปสู่แผนผังผลลัพธ์ที่ต้องการ ในขณะเดียวกัน ข้อมูลจะกลายเป็นโปรดักต์ในตัวเอง โดยมันจะถูกสร้างเป็นโมเดล มีการกำกับดูแล และสามารถตรวจสอบได้ ส่วนทางด้านทีมพัฒนาซอฟต์แวร์จะเปลี่ยนจากการปล่อยโปรดักต์ขนาดใหญ่ ไปสู่การทำ event orchestration การใช้เครื่องมือและการกำหนดขอบเขตความปลอดภัย ขณะที่ทีมปฏิบัติการจะเปลี่ยนจากการควบคุมไปสู่การส่งเสริม ด้วยการกำหนดระบบอัตโนมัติที่ปลอดภัย และการวัดผลลัพธ์ทางธุรกิจที่ชัดเจน ท้ายที่สุด ผู้บริหารและผู้นำทีมจะให้การสนับสนุนโครงการที่น้อยลงแต่มีความชัดเจนยิ่งขึ้น และปกป้องพื้นที่สำหรับการเรียนรู้

นี่ไม่ใช่แค่เครื่องมือใหม่ แต่เป็นวิธีการสร้างโปรดักต์แบบใหม่

คำถามที่คนมักสงสัย

แอปพลิเคชันอัจฉริยะเป็นแค่ chatbot ที่อยู่ในแดชบอร์ดใช่หรือไม่?

ไม่ใช่ เพราะแอปพลิเคชันอัจฉริยะสามารถให้คำตอบและลงมือดำเนินการได้จริง เนื่องจากถูกเชื่อมโยงเข้ากับข้อมูลและกระบวนการทำงานของคุณ พร้อมสิทธิ์การอนุญาตและการตรวจสอบที่ชัดเจน

มันจะเข้ามาแทนที่มนุษย์หรือไม่?

ระบบจะแทนที่เพียงขั้นตอนการทำงาน ไม่ใช่การทำงานโดยมนุษย์ แต่มูลค่าที่แท้จริงคือการย้ายบุคลากรมาโฟกัสกับการอนุมัติ การโค้ช และการวางกลยุทธ์ ซึ่งเป็นงานที่ต้องอาศัยวิจารณญาณและความเห็นอกเห็นใจจากมนุษย์มากที่สุด

การดำเนินการนี้มีความเสี่ยงหรือไม่?

ความเสี่ยงคือเหตุผลที่เราต้องสร้างขอบเขตความปลอดภัย ดังนั้นควรเริ่มต้นจากพื้นที่ที่มีความเสี่ยงต่ำ วัดผลอย่างระมัดระวัง แล้วจึงขยายขอบเขตเมื่อความเชื่อมั่นเพิ่มขึ้น

จะจัดการกับปัญหา vector lock-in อย่างไร?

ควรสร้างชั้นที่ซ่อนรายละเอียดของโมเดลและเครื่องมือต่างๆ ไว้เบื้องหลัง orchestration layer พร้อมทั้งทำให้โมเดลข้อมูล retrieval index และตรรกะทางธุรกิจของคุณสามารถถ่ายโอนได้อย่างอิสระ

เส้นทางข้างหน้า

แนวโน้มในอุตสาหกรรมมีความชัดเจนมากขึ้น เห็นได้จากผู้จำหน่ายซอฟต์แวร์องค์กรส่วนใหญ่กำลังสร้างรากฐานความสามารถเชิง generative และ agentic เข้าไปในโปรดักต์ UI ก็กำลังเปลี่ยนจากการแสดงหน้าจอตัวเลือกไปสู่การเน้นเจตนาและผลลัพธ์

ทีมงานที่ออกแบบระบบใหม่โดยมี AI เป็นแกนหลัก จะได้รับการสนับสนุนจากข้อมูลที่มีการกำกับดูแลและสถาปัตยกรรมแบบ cloud-native และจะเป็นผู้กำหนดมาตรฐานสำหรับวิธีการทำงานในส่วน back-office และในที่สุดจะเกิดเครื่องมือที่ทำให้การทำงานแบบอัตโนมัติเป็นจริงได้ในที่สุด 

บทสรุป

ตลอดหลายปีที่ผ่านมา เราพยายามสร้างระบบอัตโนมัติด้วยการเปลี่ยนขั้นตอนให้เป็นดิจิทัล ผลลัพธ์คือเราได้แบบฟอร์มที่ดีขึ้นและแดชบอร์ดที่สวยงามขึ้น แต่ปริมาณงานส่วนใหญ่ยังคงเหมือนเดิม แต่ตอนนี้เราสามารถเปลี่ยนแปลงสิ่งนั้นได้ หากเราสร้างระบบโดยมี AI เป็นแกนหลัก โดยใช้การสนทนาเป็นช่องทางหลักในการสั่งการ ใช้ agent เป็นกลไกขับเคลื่อน และใช้ข้อมูลที่มีการกำกับดูแลเป็นรากฐานความจริง โปรดักต์ของเราจะสามารถส่งมอบกระบวนการทำงานที่ชาญฉลาดและราบรื่นได้อย่างแท้จริง

ไม่ใช่ในฐานะฟีเจอร์เสริม แต่เป็นในฐานะแกนหลักในการดำเนินงาน

เกี่ยวกับ Seven Peaks

Seven Peaks ออกแบบและส่งมอบระบบบริหารจัดการระดับองค์กร แดชบอร์ด และแอปพลิเคชันมือถือสำหรับธุรกิจ B2B ทั่วเอเชียตะวันออกเฉียงใต้และภูมิภาคอื่นๆ ทีมงานผู้เชี่ยวชาญจากหลายด้านของเราสามารถออกแบบ ข้อมูล และพัฒนาซอฟต์แวร์ เพื่อปรับปรุงกระบวนการทำงานที่สำคัญให้ทันสมัย และสร้างมูลค่าใหม่ๆ ทางธุรกิจได้ด้วยแนวคิดการพัฒนาโปรดักต์ที่เน้น AI เป็นหลัก

Jeremie Tisseau
Chief Design Officer

คุณ Jeremie เป็นผู้บริหารฝ่าย Digital Experience ที่ Seven Peaks โดยเขาสามารถนำหลักการ product discovery, design execution, และข้อมูลเชิงลึก มาสร้างดิจิทัลโปรดักต์ที่ช่วยลดความเสี่ยงและ time to value ให้ลูกค้าได้จริง