Small AI: More and Better Jobs ของเวที World Bank

วันนี้ผมได้ฟัง Live จาก Session ของ Small AI: More and Better Jobs ของเวที World Bank โดยมี คุณ Ajay Banga (ประธาน World Bank Group), คุณ Tharman Shanmugaratnam (ประธานาธิบดีสิงคโปร์), คุณ Kristalina Georgieva (MD ของ IMF) และปิดท้ายด้วยคุณ Ekniti Niti รองนายกรัฐมนตรีและรัฐมนตรีว่าการกระทรวงการคลังของไทย 

เป็นหนึ่งใน session ที่ผมคิดว่าผู้บริหารไทยควรฟังมากๆ เพราะเขาพูดเรื่องที่วงการ AI ทั่วโลกไม่ค่อยพูด

AI ที่เราได้ยินทุกวันถูกสร้างโดยไม่กี่ประเทศ ด้วยข้อมูลภาษาอังกฤษเป็นหลัก เงินลงทุน compute และ talent กระจุกอยู่ในประเทศพัฒนาแล้ว

คำถามคือ ประเทศกำลังพัฒนาต้องสร้าง Silicon Valley อีก 100 แห่งหรือเปล่า 

หรือมีอีกเส้นทางหนึ่ง

คำตอบของเวทีนี้คือ Small AI ที่ออกแบบมาเพื่องานเฉพาะ ราคาถูก เข้าถึงง่าย รันบนมือถือได้แม้สัญญาณอ่อน ใช้ข้อมูลท้องถิ่น ภาษาท้องถิ่น แก้ปัญหาท้องถิ่น

ผมขอสรุปเป็น 10 บทเรียน พร้อมมุมมองของผมในฐานะคนทำงานในด้าน Data และ AI 

1️⃣ ในประเทศกำลังพัฒนา ความเสี่ยงคือการใช้ AI สร้างงานช้าเกินไป

ใน 10–15 ปีข้างหน้า คนหนุ่มสาว 1,200 ล้านคนในประเทศกำลังพัฒนาจะเข้าสู่วัยทำงาน

คุณ Ajay Banga บอกว่าภารกิจทั้งหมดของ World Bank ตอนนี้หมุนรอบคำว่า "งาน" และงานในความหมายของเขาไม่ได้หมายถึงการเป็นพนักงานบริษัทเท่านั้น 

แต่หมายถึงการได้เป็นส่วนที่มี productivity ในสังคม มีศักดิ์ศรี มีความหวัง

รัฐเป็นผู้เอื้อ แต่ภาคเอกชนเป็นผู้สร้างงาน 75–85% ของงานทั้งหมดในทุกประเทศ

ในประเทศพัฒนาแล้ว คนกังวลว่า LLM จะมาแย่งงาน 

แต่ในประเทศรายได้ปานกลางและต่ำ โจทย์จริงคือการใช้ AI ขนาดเล็กเพิ่ม productivity ให้ครู หมอ เกษตรกร และร้านค้า

มุมมองของผม: ประเทศไทยอยู่ตรงกลางระหว่างสองโลกนี้ เรามีทั้งองค์กรใหญ่ที่ควรกังวลเรื่อง disruption และ SME กับเกษตรกรหลายล้านคนที่ AI ยังเข้าไปไม่ถึง 

ถ้าเราคุยเรื่อง AI แค่ในมุมแรก เราจะพลาดโอกาสก้อนใหญ่ที่สุด

----------------------------

2️⃣ Small AI ในทางปฏิบัติหน้าตาเป็นอย่างไร

คุณ Ajay Banga ยกตัวอย่างสองกรณีที่ชัดมาก

กรณีแรกคือคลินิกปฐมภูมิในอินโดนีเซีย พยาบาลเจอผื่นที่ไม่รู้ว่าคืออะไร ถ่ายรูปด้วยมือถือ 3G แล้วส่งให้หมอที่ดูแลคลินิกร่วม 20 แห่ง 

หมอใช้ AI tool ง่ายๆ ที่รันบน edge ช่วยวินิจฉัยว่าเป็นผื่นภูมิแพ้ ให้ยาทากลับบ้าน หรือถ้าดูไม่ดีก็นัดพบแพทย์เฉพาะทางที่โรงพยาบาลภูมิภาคในอีก 14 วัน เวลา 10:30 น. ขนาดประเทศพัฒนาแล้วยังนัดแพทย์เฉพาะทางแบบดิจิทัลได้ยากเลย

กรณีที่สองคือเกษตรกรหญิงในอินเดียที่อ่านหนังสือไม่ออก เธอส่องมือถือไปที่หลังใบพืช ระบบบอกว่าเป็นโรคนี้ ต้องใช้ยาตัวนี้ กดปุ่มเดียว จ่าย 25 รูปีจากบัญชีธนาคาร

 แล้วไปรับยาที่สหกรณ์ เธอไม่จำเป็นต้องรู้ชื่อโรคด้วยซ้ำ

คุณ Ajay Banga ยังเล่าว่าคำว่า Small AI เกิดขึ้นในการประชุม Jobs Council ที่คุณ Tharman เป็นประธานร่วม โดยเลือก 5 sector ที่จะสร้างงานได้โดยไม่ต้องพึ่งการ outsource งานจากประเทศพัฒนาแล้วแบบ 30–40 ปีที่ผ่านมา

• Infrastructure ทั้งกายภาพและทุนมนุษย์

• เกษตรกรรายย่อย

• สาธารณสุขปฐมภูมิ

• การท่องเที่ยว (เขายกไทยเป็นตัวอย่างหลัก) 

• การผลิตที่สร้างมูลค่าเพิ่ม ไม่ใช่แค่ขุดทรัพยากรขาย

มุมมองของผม: สังเกตว่าทุกตัวอย่างไม่ได้ต้องการ frontier model แต่ต้องการสามอย่างคือ

 

1. workflow ที่ชัด 

2. ข้อมูลท้องถิ่น 

3. ระบบชำระเงินหรือ digital ID ที่มีอยู่แล้ว 

นี่คือสิ่งที่องค์กรไทยหลายแห่งมีอยู่ในมือแต่ยังไม่ได้เขื่อมจุดกัน

----------------------------

3️⃣ Growth ไม่ได้แปลว่า Jobs อีกต่อไป และ K-shape คือความเสี่ยงที่แท้จริง

คุณ Tharman เขาบอกว่าการเติบโตเป็นเงื่อนไขจำเป็น แต่ไม่พอที่จะสร้างงานดีๆ หลักฐานมีแล้ว 

จีน อินเดีย และอาเซียนโตได้ดี แต่การสร้างงานอ่อนแอ และถ้าเรานิ่งเฉย AI จะทำให้ช่องว่างนี้กว้างขึ้นอีก

สิ่งที่เขากังวลที่สุดคือ K-shaped workforce ระบบอัตโนมัติรอบแรกกระทบแรงงานการผลิตระดับล่าง ซึ่งย้ายไปทำงานบริการและ gig economy แต่รอบนี้ คนที่โดนคือ "กลุ่มกลาง" ของแรงงาน คนที่สะสมทักษะมาทั้งชีวิตในงานสำนักงาน งานวิเคราะห์ และงานประสานงาน

แต่เขาก็มองโลกในแง่ดีในหลาย sector

• อย่าเพิ่งทิ้งภาคการผลิต แรงงานในหลายประเทศยังถูกกว่าจีนและถูกกว่าหุ่นยนต์ ดูจากสี่ห้ารัฐในอินเดียที่ส่งออกสินค้าอุตสาหกรรมเติบโตเร็วมาก 

• พลังงานสะอาดสร้างงานได้ประมาณ 3 เท่าของพลังงานฟอสซิลต่อเงินลงทุนเท่ากัน 

• สาธารณสุขคือโอกาสใหญ่ จำนวนพยาบาลต่อประชากรในประเทศกำลังพัฒนาอยู่ที่ราว 1/5 ถึง 1/10 ของประเทศพัฒนาแล้ว แค่ปิดช่องว่างได้ครึ่งเดียวก็เกิดงานมหาศาล

มุมมองของผม: K-shape คือสิ่งที่ผมเห็นในองค์กรไทยแล้วจริงๆ งาน back office งานธนาคาร งาน report งาน customer service ระดับกลาง คือกลุ่มที่ AI agent กำลังเข้าไปแทน task ทีละชิ้น ผู้บริหารที่คิดแค่เรื่อง cost saving โดยไม่มีแผน reskill จะได้องค์กรที่ถูกลงแต่เปราะบางขึ้น

----------------------------

4️⃣ ยุคของ One-Person Company

ประเด็นที่ผมชอบที่สุดของคุณ Tharman คือ AI จะทำให้เส้นแบ่งระหว่าง "พนักงาน" กับ "ผู้ประกอบการ" เลือนลง

บริษัทที่เริ่มจากคนคนเดียว แล้วค่อยๆ เพิ่มคน กำลังเกิดขึ้นทั้งในประเทศพัฒนาแล้วและกำลังพัฒนา คนตัวเล็กที่ใช้ AI เข้าถึงตลาดและเทคโนโลยีได้ถูกกว่าเดิมมาก

เขายกตัวอย่างมณฑลเจ้อเจียงของจีน ที่ตั้ง service alliance สำหรับ one-person company ให้บริการทั้ง AI model พลังงาน และบริการวิชาชีพ จนกลายเป็น growth sector ใหม่ในตลาดแรงงาน

มุมมองของผม: ประเทศไทยมีร้านค้ารายย่อยและฟรีแลนซ์หลายล้านคน ถ้ารัฐและเอกชนออกแบบ "ชุดเครื่องมือ" ให้คนกลุ่มนี้ได้แบบที่เจ้อเจียงทำ นี่อาจเป็นเครื่องยนต์สร้างงานที่ไม่ต้องรอ FDI

----------------------------

5️⃣ IMF: คลื่นแรกคือการลงทุน คลื่นที่สองคือการใช้งาน

คุณ Kristalina Georgieva แบ่งผลกระทบของ AI ต่อเศรษฐกิจเป็นสองคลื่น

คลื่นแรกคือ demand shock และ investment shock จากการสร้าง data center และการลงทุนใน model ผู้ผลิต AI หลักมีสามประเทศคือสหรัฐฯ จีน และอินเดีย 

ส่วนผู้สร้าง infrastructure อยู่ในเอเชียจำนวนมาก รวมถึงไทย คลื่นนี้เองที่ทำให้เศรษฐกิจโลกยังโตได้ราว 3% แม้จะโดนวิกฤตอุปทานพลังงานกดดัน

คลื่นที่สองคือ adoption และนี่คือส่วนที่ทุกประเทศมีส่วนร่วมได้ เป็นประชาธิปไตยได้พอๆ กับโทรศัพท์มือถือ โดยมีเงื่อนไขพื้นฐานคือ ไฟฟ้า โครงสร้างพื้นฐานดิจิทัล คนที่พร้อมใช้ และรัฐที่ป้องกันผู้ไม่หวังดีได้

ตัวเลขประมาณการของ IMF 

เอเชียที่พัฒนาแล้ว GDP อาจโตเพิ่ม 0.5–1 จุดเปอร์เซ็นต์ 

เอเชียเกิดใหม่ อาจโตเพิ่ม 0.2–0.8 จุดเปอร์เซ็นต์

เธออธิบายว่า 1% สำหรับเอเชียที่สังคมสูงวัยเร็ว มากพอจะชดเชยการสูญเสียจากประชากรสูงวัยได้ทั้งหมด และยังเหลือ

มุมมองของผม: นี่คือประโยคที่ผู้บริหารไทยควรคิดให้หนัก ไทยได้ประโยชน์จากคลื่นแรกในฐานะ "ที่ตั้ง data center" แต่ถ้าเราไม่ชนะคลื่นที่สองคือการใช้งานจริงในธุรกิจ เราจะเป็นแค่เจ้าของที่ดินให้ AI ของคนอื่นมาเช่า ไม่ใช่ประเทศที่ได้ productivity จาก AI จริง

----------------------------

6️⃣ สึนามิที่เคลื่อนช้า และคนรุ่นใหม่คือกลุ่มแรกที่โดน

คุณ Kristalina Georgieva เรียก AI ว่าเป็น "สึนามิที่เคลื่อนช้า แต่ก็ยังเป็นสึนามิ"

IMF ประเมินว่าราว 40% ของงานทั่วโลกจะได้รับผลกระทบ ทั้งเสริม ลดระดับ หรือหายไป ในประเทศพัฒนาแล้วสูงถึงราว 60% ส่วนในประเทศรายได้ต่ำต่ำกว่ามาก แต่เธอเตือนว่าไม่ใช่เพราะปลอดภัยกว่า แต่เพราะ AI ยังไปไม่ถึงต่างหาก

งานศึกษาของ IMF ในสหรัฐฯ พบว่า 

• 10% ของงานต้องการทักษะ AI แล้ว และจ่ายดีกว่า 

• งาน routine ที่ทำซ้ำๆ กำลังหดตัว 

• งานรายได้ต่ำกลับเพิ่มขึ้น ทั้งใน data center และงานบริการ

ภาพรวมจึงเป็นบวก แต่บวกในฝั่งงานค่าแรงต่ำ ซึ่งไม่ใช่เรื่องน่าฉลอง คนที่น่าห่วงที่สุดคือคนรุ่นใหม่ที่เพิ่งเข้าตลาดแรงงาน เพราะงาน routine คือบันไดขั้นแรกที่คนเคยใช้ไต่ขึ้นไป และเธอแซวว่าคงไม่มีเด็กจบใหม่คนไหนอยากเป็นบาริสต้าเป็นอาชีพตลอดชีวิต

IMF เสนอให้รัฐบาลทำสามเรื่อง 

• ศึกษาตลาดแรงงานอย่างเป็นระบบ เก็บข้อมูลจริง เลิกเชื่อ myth 

• ยอมรับว่าทักษะเดียวใช้ไม่ได้ตลอดชีวิตอีกต่อไป lifelong learning คือความจำเป็น 

• คิดเรื่องการคลังใหม่ ถ้าแรงงานน้อยลงและทุนมากขึ้น รัฐจะเก็บภาษีจากอะไร

มุมมองของผม: ข้อสามนี้คนพูดถึงน้อยมาก แต่สำคัญที่สุดในระยะยาว ฐานภาษีของไทยพึ่งพารายได้จากแรงงานไม่น้อย ถ้า AI เปลี่ยนสัดส่วนทุนกับแรงงาน รัฐจะมีเงินน้อยลงในเวลาที่ต้องใช้เงินช่วยคนปรับตัวมากที่สุด

----------------------------

7️⃣ บันไดขั้นแรกกำลังหายไป และมหาวิทยาลัยต้องเปลี่ยน

คุณ Tharman กลับมาเรื่องทักษะด้วยมุมที่คมมาก

ข่าวดีคือ AI แทนงานทีละ task ไม่ได้มาทั้งตำแหน่งในครั้งเดียว ทำให้คนยังมีเวลาเรียนรู้บนงานจริง

ข่าวร้ายคืองานแรกหลังเรียนจบมีความต้องการลดลงแล้ว ชัดที่สุดใน sector เทคโนโลยี และกำลังลามไปทุก sector

ข้อเสนอของเขาคือ สิ่งที่รัฐทำในช่วงโควิดหรือวิกฤตการเงิน เช่นการจูงใจให้บริษัทรับเด็กจบใหม่ 

ต้องเปลี่ยนจาก "มาตรการช่วงวิกฤต" มาเป็น "นโยบายเชิงโครงสร้าง"

เพราะถ้าคนหนึ่งรุ่นหลุดจากบันไดขั้นแรก เราไม่ได้เสียแค่หนึ่งปี แต่เสียทักษะที่จับต้องไม่ได้ และเสียความเชื่อมั่นในอนาคต

เรื่องการศึกษา เขาชี้ว่า

• ในสหรัฐฯ ความต้องการบัณฑิตลดลงเป็นครั้งแรกในรอบศตวรรษ และส่วนต่างค่าจ้างของคนจบปริญญาลดลงมาก 

• อุดมศึกษาต้องลดความเป็นวิชาการล้วน เพิ่มการฝึกงานและ dual model ที่ใช้เวลาจริงในบริษัท 

• ต้องถ่อมตัว อย่ายึดโมเดลเดียวระหว่าง depth กับ breadth เพราะไม่มีใครรู้ว่าอนาคตต้องการแบบไหน

รัฐมนตรีวิทยาศาสตร์ของชิลีเสริมจากประสบการณ์จริง ชิลีว่างงานเกือบ 10% เพราะไม่ได้เตรียมรับการเปลี่ยนแปลง บางงานใหม่จากยุค AI เช่น data annotator ฝึกได้ภายใน 4–5 เดือน

ระบบฝึกงานแบบลงมือทำต้องกลายเป็นเรื่องที่ "เท่" ไม่ใช่ทางเลือกรอง และชิลีมีคนจบปริญญาสูงที่ว่างงานจำนวนไม่น้อย

มุมมองของผม: ผมเห็นสัญญาณนี้ในตลาดไทยแล้ว หลายองค์กรชะลอการรับ junior เพราะ AI ทำงานแทนได้ คำถามคือ ถ้าวันนี้ไม่มี junior อีก 5 ปีข้างหน้า senior จะมาจากไหน

องค์กรที่ฉลาดจะใช้ AI ทำให้ junior เก่งเร็วขึ้น ไม่ใช่ใช้ AI แทน junior

----------------------------

8️⃣ Rent the Intelligence, Own the Context

มาช่วงที่ผมชอบมากๆ  ในฐานะคนทำด้าน AI คือ ช่วงที่ Tiffany Xingyu Wang ผู้เขียนหนังสือ The Trust Code มาเล่าให้ฟัง 

เธอเปิดด้วยประโยคว่า 

Trustworthiness เป็นเรื่องของเครื่องจักร 

แต่ Trust เป็นเรื่องของเรา

AI พูดอย่างมั่นใจได้แม้จะผิด ทำตัวสนิทได้โดยไม่ต้องรับผิดชอบ และดูน่าเชื่อถือได้โดยไม่ต้องมี 

accountability เบื้องหลังทุกคำตอบมีเป้าหมายที่เรามองไม่เห็น ทั้ง engagement metrics และเป้า

รายได้ของ AI labs เธอบอกว่า frontier model ทุกตัวในวันนี้เคยสอบตก safety test มาแล้ว และความเสี่ยงใหญ่ที่สุดไม่ใช่ AI แทนที่เรา แต่คือ AI โน้มน้าวให้เรายอมทิ้งวิจารณญาณของตัวเองโดยไม่รู้ตัว

เธอเสนอ judgment call สามข้อ

1. Model diversification ไม่ว่าจะเป็น model ตะวันออกหรือตะวันตก ปิดหรือเปิด สำหรับงานของ Small AI ความต่างของ performance แทบไม่มีผล อย่าพึ่ง model เดียว เพราะวันหนึ่ง subsidy จากนักลงทุนอาจหมด และเป้าหมายของ AI lab อาจไม่ตรงกับเราอีกต่อไป อิสระที่จะเดินออกได้คือเส้นทางสู่อธิปไตย

2. Own your context มีคนอีก 2,200 ล้านคนที่ยังไม่ได้ออนไลน์ แปลว่า model ใหญ่เรียนรู้โลกโดยไม่มีพวกเขา ไม่เข้าใจภาษา กฎหมาย พืชผล หรือผู้ป่วยของเรา จุดบอดของ model ใหญ่คือความได้เปรียบของเรา เช่า intelligence ได้ แต่ต้องเป็นเจ้าของ context ไม่ให้เอาข้อมูลเราไปเทรน ไม่เก็บข้อมูลนานเกินจำเป็น

3. Build the human infrastructure ถ้าอีก 10 ปี งานของแรงงานเราคือแค่กดปุ่ม approve สิ่งที่ AI เสนอ เราพลาดทั้งหมดแล้ว ต้องสร้างคนที่รู้ว่าจะเชื่อ AI เมื่อไร ตรวจสอบอย่างไร และปฏิเสธเมื่อไร

มุมมองของผม: "Rent the intelligence, own the context" คือสิ่งที่ผมพูดมาหลายปีในชื่อ Data Moat Model กำลังกลายเป็นสินค้าโภคภัณฑ์ ราคาลดลงทุกไตรมาส 

สิ่งที่คู่แข่งลอกไม่ได้คือข้อมูลลูกค้า ข้อมูลธุรกรรม และความเข้าใจบริบทท้องถิ่นที่สะสมมาเป็นสิบปี องค์กรที่ส่งข้อมูลทั้งหมดไปให้ model ภายนอกโดยไม่มี governance กำลังขายคูน้ำของตัวเองทิ้ง และนี่คือหัวใจของ AI Sovereignty ในระดับองค์กร ไม่ใช่แค่ระดับประเทศ

----------------------------

9️⃣ สร้าง model คือ 20% อีก 80% คือการทำให้ใช้งานได้จริง

ถ้า Tiffany ตอบคำถามว่า "ควรคิดอย่างไร" กับ AI

ช่วงถัดมาของเวทีตอบว่า "ทำจริงแล้วหน้าตาเป็นอย่างไร"

ผู้ก่อตั้ง Wadhwani AI ได้มาเล่าต่อ 

องค์กรไม่แสวงกำไรในอินเดียที่เริ่มจากคำถามเมื่อปี 2016 ว่า

ขณะที่เงินลงทุน AI เกือบทั้งหมดไหลไปที่ enterprise

AI จะทำอะไรได้บ้างสำหรับคน 3–4 พันล้านคนที่ใช้ชีวิตด้วยเงินไม่กี่ดอลลาร์ต่อวัน

เธอเล่าผ่านตัวละครชื่อ "นิชา" อาสาสมัครสาธารณสุขในชนบทอินเดีย ดูแลคนราว 1,000 คน

มีแค่มือถือมือสองกับตาชั่งสปริง

แต่ด้วย Small AI บ้านหลังเดียวได้รับการดูแลสี่อย่าง

1. ถ่ายวิดีโอทารกไม่กี่วินาที AI บอกได้ว่าน้ำหนักต่ำกว่าเกณฑ์ เด็กได้รับการดูแลภายในวันนั้น

2. คุณยายไอใส่มือถือสามครั้ง AI คัดกรองวัณโรคได้โดยไม่ต้องเข้าเมืองไปเอกซเรย์

3. ถ่ายรูปจอประสาทตา AI จับเบาหวานขึ้นตาได้ก่อนตาบอดถาวร

4. AI ช่วยแพทย์วินิจฉัยผ่านวิดีโอคอล โดยหมอยังเป็นคนตัดสินใจ

นี่ไม่ใช่ demo

เครื่องมือนี้คัดกรองวัณโรคประเมินคนไปแล้วกว่า 4.5 ล้านคน

ระบบช่วยแพทย์อยู่ในแพลตฟอร์ม telemedicine แห่งชาติ ใช้ไปแล้วกว่า 300 ล้านครั้ง

บทเรียนที่เธอสรุปจาก 8 ปีคือ

model ที่ดีเป็นแค่ 20% ของงาน

อีก 80% คือทำงานกับรัฐตั้งแต่วันแรก วาง AI บน workflow ที่คนใช้อยู่แล้ว เทรนบนข้อมูลท้องถิ่นจริง และให้คนในประเทศเป็นคนรันเอง

มุมมองของผม: ตัวเลข 20/80 นี้ตรงกับประสบการณ์ของ Predictive แทบทุกโครงการ

โครงการ AI ส่วนใหญ่ในไทยไม่ได้ล้มเพราะ model ไม่เก่ง

แต่ล้มเพราะไม่ได้ฝังเข้าไปใน workflow จริง ข้อมูลไม่พร้อม และไม่มีคนในองค์กรรับไปดูแลต่อ

Pilot ที่สวยงามสิบตัวมีค่าน้อยกว่า use case เดียวที่ทุกสาขาใช้ทุกวัน

----------------------------

🔟 ประเทศไทย: AI in All, All in AI, AI for All

ช่วงปิด พี่เอก รองนายกรัฐมนตรีและรัฐมนตรีว่าการกระทรวงการคลัง วางกรอบสามข้อ

• AI in All: ทำให้งานและธุรกิจเดิม productive ขึ้น รัฐฝัง AI 

ผู้ช่วยชื่อ "นกกระซิบ" ไว้ในแอปกระเป๋าเงินที่ร้านค้ารายย่อยใช้รับเงินช่วยเหลือช่วงวิกฤตพลังงานอยู่แล้ว ตอนนี้มีร้านค้าใช้งานเกือบ 1 ล้านราย ช่วยดูยอดขาย ช่วงเวลาที่ขายดี เทียบกับร้านใกล้เคียง 

ดูต้นทุนและกระแสเงินสด ช่วยจัดทำงบการเงินเพื่อยื่นกู้และขอค้ำประกันสินเชื่อได้ในไม่กี่คลิกผ่านธนาคารที่ร่วมโครงการ และในอนาคต ข้อมูลธุรกรรมที่ได้รับความยินยอมจะช่วยให้ธนาคารเข้าใจร้านค้าที่ไม่มีหลักทรัพย์หรือประวัติเครดิตในระบบ

• All in AI: สร้างขีดความสามารถใหม่ ไทยดึงการลงทุนทั้ง data center เซมิคอนดักเตอร์ cloud และอิเล็กทรอนิกส์ขั้นสูง แต่ต้องให้การลงทุนนั้นสร้างงานให้คนไทย ผ่านโครงการ SkillBridge ที่จับคู่นักลงทุนกับสถาบันการศึกษาตามทักษะที่ต้องการจริง 

และตั้งใจลดต้นทุนการใช้ AI รวมถึงต้นทุน token เพื่อไม่ให้ "ทางด่วน AI" มีแต่บริษัทใหญ่ที่จ่ายไหว

• AI for All: ไม่ทิ้งใครไว้ข้างหลัง เชื่อมข้อมูลผ่าน Digital Public Infrastructure และโครงการการคลัง เพื่อให้ความช่วยเหลือตรงจุด ทั้งรายได้ การ reskill และสินเชื่อ พร้อมปกป้องประชาชนจากความเสี่ยงใหม่อย่างมิจฉาชีพออนไลน์และ deepfake

มุมมองของผม: นกกระซิบเป็นตัวอย่าง Small AI ที่ถูกหลักทุกข้อของวันนี้ ไม่ได้สร้างแอปใหม่ แต่ฝังเข้าไปในแอปที่ร้านค้าเปิดใช้อยู่ทุกวัน แก้ปัญหาเฉพาะเจาะจง และเปลี่ยนข้อมูลธุรกรรมให้เป็นทางเข้าสู่สินเชื่อ 

นี่คือ Data Moat ในระดับประเทศ คำถามต่อไปคือ governance และ consent ของข้อมูลชุดนี้จะออกแบบอย่างไร ให้ร้านค้าได้ประโยชน์จริงและไว้ใจระบบได้

Trust คือตัวตัดสิน

แล้วเราจะสร้างความไว้วางใจใน Small AI ได้อย่างไร

คำตอบที่ผมคิดว่าคมที่สุดมาจากคุณ Vilas Dhar ประธาน Patrick J. McGovern Foundation เขาเล่าว่าตอนอายุ 14–15 ปี เขาเคยต้องอ่านลายมือหมอให้ชาวบ้านในหมู่บ้านนอกบังกาลอร์ใต้แสงตะเกียงน้ำมัน เพราะชาวบ้านไม่มีใครอื่นให้พึ่ง

บทเรียนของเขาคือ ข้อมูลไม่เท่ากับอำนาจในการตัดสินใจ คำสัญญาไม่เท่ากับอำนาจ ถ้าไม่ลงทุนในทั้งระบบนิเวศที่ทำให้คนใช้ข้อมูลตัดสินใจได้จริง

และเขาเสนอว่าสถาบันการเงินเพื่อการพัฒนา ควรช่วยสร้างขีดความสามารถของรัฐ ให้รัฐเป็นผู้กำหนดว่าเทคโนโลยีควรทำอะไรเพื่อเป้าหมายการพัฒนา ไม่ใช่แค่รับสิ่งที่บริษัทเทคโนโลยีเสนอมา

รัฐมนตรีชิลีปิดว่า การเลือกระหว่างความรับผิดชอบกับนวัตกรรมเป็น "ทางเลือกปลอม" เราต้องทำทั้งสองอย่าง และความกลัวมาจากความไม่รู้ ยิ่งฝึกคนมาก คนยิ่งเป็นคนขับ ไม่ใช่ผู้โดยสาร

เป้าหมาย 5 ปีของผู้นำทั้งสาม

คุณ Ajay Banga: นำ Small AI ไปใช้จริงในตลาดเกิดใหม่ให้ได้มากที่สุด 

คุณ Tharman Shanmugaratnam : ไม่ปล่อยให้เกิดการแยกห่างใหม่ระหว่างประเทศกำลังพัฒนากับประเทศพัฒนาแล้ว แต่ให้ไล่ทันกันต่อแบบที่เอเชียตะวันออกเคยทำ 

คุณ Kristalina Georgieva: ให้ AI ทำงานที่เราไม่อยากทำ แล้วให้เราได้ทำสิ่งที่รัก พร้อม productivity สูง มาตรฐานชีวิตสูง และศักดิ์ศรีของการมีคุณค่าในสังคม

ในประเทศกำลังพัฒนา ความเสี่ยงไม่ใช่ AI มาแย่งงาน

แต่คือเราใช้ AI สร้างงานช้าเกินไป

AI ไม่จำเป็นต้องใหญ่เพื่อจะสร้างผลกระทบใหญ่

แต่ต้องอยู่ใกล้ปัญหาจริง ใช้ข้อมูลจริง และให้คนจริงเป็นคนควบคุม

ที่ Predictive เราช่วยองค์กรไทยเปลี่ยนข้อมูลที่มีอยู่ให้เป็น Data Moat และออกแบบ AI ที่ใช้งานได้จริงบน workflow เดิม พร้อม governance ที่ทำให้ไว้ใจได้ ถ้าองค์กรของคุณกำลังคิดเรื่องนี้อยู่ ยินดีคุยครับ

ขอบคุณครับ

ต่อ Predictive