AI สำหรับการเงินระดับองค์กรและวิธีใช้งานให้เกิดผลลัพธ์ที่ถูกต้อง

CFO ทุกคนที่ผมคุยด้วยในบริษัทที่มีรายได้เกินพันล้าน กำลังเผชิญกับสถานการณ์ AI ในสองแนวทาง:

ผู้ช่วยแนวนอน (Horizontal Assistant): ให้ Microsoft Copilot หรือ Claude Cowork แก่ทุกคนในองค์กร ปัญหาคือพนักงานแต่ละคนก็จะสร้าง Agent ขึ้นมา 3 ตัว แต่ละตัวไม่ทำงานร่วมกัน และภายใน 3 เดือน คุณก็ใช้เงินไป 3 ล้านเหรียญกับ Token โดยที่ 80% ของ Agent เหล่านั้นเลิกใช้งานหรือพังอยู่เรื่อยๆ ในระบบจริง คุณจะเหลือแค่บิลค่า Token 3 ล้านเหรียญ และกองหนี้ทางเทคนิคที่ไม่มีใครรับผิดชอบ

โซลูชันเฉพาะจุด (Point Solution): นำซอฟต์แวร์ใหม่มาใช้สำหรับ AP อีกตัวสำหรับปิดบัญชี และอีกตัวสำหรับค่าใช้จ่าย วิธีนี้ใช้ไม่ได้ผลเพราะซอฟต์แวร์ที่ออกแบบมาสำหรับทุกคนไม่ได้ถูกออกแบบมาสำหรับคุณ มันไม่เข้าใจว่ากระบวนการ AP ของคุณมี 7 ขั้นตอน ไม่ใช่ 4 และไม่เข้าใจตรรกะการจัดการข้อยกเว้นของคุณ ผลลัพธ์คือพนักงานของคุณไม่ใช้มัน หรือถ้าใช้ก็ได้ ROI ต่ำกว่า 15% และที่แย่กว่านั้นคือพนักงานของคุณบ่นว่าซอฟต์แวร์ใหม่นี้ต่างจากวิธีที่พวกเขาเคยทำ และครึ่งหนึ่งคิดว่ามันแย่ลงด้วยซ้ำ เป็นฝันร้าย

หน้าที่ของผมคือช่วย CFO เข้าใจสัดส่วนที่เหมาะสมของทั้งสองโซลูชันสำหรับพวกเขา การมีผู้ช่วยแนวนอนนั้นจำเป็นอย่างแน่นอน แต่มันมีวัตถุประสงค์ที่แตกต่าง พนักงานยังคงมีงานที่ต้องทำ และผู้ช่วยนี้ช่วยให้พนักงานคนหนึ่งทำงานได้เท่ากับสิบคน แต่คุณกำลังมองข้ามภาพที่ใหญ่กว่านั้น: Agent ที่ทำงานเบื้องหลัง ซึ่งทำงานโดยไม่ต้องให้พนักงานเข้ามาสั่งหรือใช้งานเลย ลองนึกภาพ Agent ที่อ่านใบแจ้งหนี้ทุกใบทันทีที่มาถึง จับคู่กับ PO ที่ถูกต้อง และอนุมัติหรือส่งใบที่ผิดปกติไปให้คนๆ เดียวที่ต้องตัดสินใจ ทั้งหมดนี้เกิดขึ้นก่อนที่ทีมของคุณจะเปิดแล็ปท็อปด้วยซ้ำ Agent ที่ตรวจสอบธุรกรรมของธนาคารเมื่อวานนี้กับบัญชีแยกประเภททุกเช้า เพื่อให้การปิดบัญชีเสร็จสิ้นก่อนสิ้นเดือนเสียอีก Agent ที่ติดตามซัพพลายเออร์ทุกเจ้าเพื่อขอ W-9 ที่หายไป หรือการชำระเงินที่ค้างชำระ โดยที่ไม่มีใครในทีมของคุณต้องเขียนอีเมลแบบนั้นอีกเลย ไม่มีใครต้องไปสั่ง Agent เหล่านี้ พวกมันแค่ทำงานอยู่เบื้องหลัง และงานก็เสร็จเรียบร้อยเมื่อคุณมาถึง

สำหรับบริบท: ผมบริหาร Varick Agents (@varickagents) เราทำงานร่วมกับทีมการเงินขององค์กรและปรับใช้ AI Agent ที่ทำงานภายในเครื่องมือที่พวกเขาใช้อยู่แล้ว การเงินเป็นสาขาที่เราเห็นผลลัพธ์ที่เร็วและวัดผลได้ชัดเจนที่สุด เพราะงานซ้ำซาก กระบวนการชัดเจน และต้นทุนของการทำด้วยมือนั้นคำนวณเป็นตัวเลขได้ง่ายมาก

เป้าหมายของบทความนี้คือการแสดงให้คุณเห็นว่าเราทำสิ่งนี้กับหลายๆ บริษัทในระดับใหญ่ได้อย่างไร ข้อผิดพลาดที่เราเรียนรู้ที่จะหลีกเลี่ยง และวิธีวัดความสำเร็จหลังจากทุกอย่างเสร็จสิ้น โบนัส: เราทำให้แน่ใจได้อย่างไรว่าเราไม่ต้องใช้เงินหลายล้านเหรียญกับ Token ในทุกปี และวิธีลดอาการหลอน (Hallucination) ให้เกือบเป็นศูนย์ สำหรับข้อมูลอ้างอิง เราใช้เวลาปิดบัญชีสิ้นเดือนของลูกค้ารายหนึ่งจาก 12 วันเหลือ 5 วัน พร้อมกันนั้นเราก็ลดอัตราข้อผิดพลาดลง 72% มูลค่าที่จับต้องได้สูงถึง 45 ล้านเหรียญต่อปี ซึ่งมาจากการเพิ่มรายได้ การประหยัดต้นทุน และการลดความเสี่ยง มันเป็นแนวทางเดิมเสมอ แม้ว่า Agent ที่คุณได้ในท้ายที่สุดจะแตกต่างกันอย่างสิ้นเชิง (นี่คือสาเหตุที่ซอฟต์แวร์แบบโซลูชันเฉพาะจุดใช้ไม่ได้ผล)

อัตราความล้มเหลวของการนำ AI มาใช้ในสายการเงินนั้นสูง

ก่อนจะถึงขั้นตอนการทำ ขอให้ดูภาพรวมตัวเลขสั้นๆ ก่อน ช่องว่างระหว่างที่ทีมการเงินอยู่ ณ ตอนนี้กับที่พวกเขาสามารถไปถึงนั้นกว้างมาก แต่ผลลัพธ์ของ AI ที่ผ่านมายังค่อนข้างแย่

• Gartner สำรวจผู้นำด้านการเงิน 183 คน พบว่า 84% ได้นำ AI มาใช้หรือวางแผนจะใช้ แต่มีเพียง 7% ที่รายงานว่ามีผลกระทบสูง
• กลุ่ม NANDA ของ MIT ศึกษาโครงการ部署 300 โครงการ และพบว่า 95% ของ Gen-AI Pilot ในองค์กรไม่ให้ผลตอบแทนที่วัดผลได้ต่อ P&L
• Gartner คาดว่า 40%+ ของโครงการ Agentic AI จะถูกยกเลิกภายในสิ้นปี 2027 เนื่องจากต้นทุน มูลค่าไม่ชัดเจน และการควบคุมความเสี่ยงที่อ่อนแอ

ดังนั้นเวลาที่ผมบอกว่าส่วนใหญ่ของสิ่งเหล่านี้ล้มเหลว นี่คือสถิติที่ผมพูดถึง และผมจะบอกคุณว่าทำไมด้านล่าง แต่สำหรับการเปรียบเทียบ 100% ของการนำ AI มาใช้ในแผนกการเงินของ Varick ถูกนำไปใช้ในการผลิตจริงได้สำเร็จ โดยมี ROI ที่เป็นบวกซึ่งวัดผลได้ (ค่าเฉลี่ยคือ 5.5 เท่า)

มาดูที่งานกัน:

• 2 ใน 3 ของใบแจ้งหนี้ยังคงต้องมีมนุษย์อย่างน้อยหนึ่งคนแตะต้องมัน มีเพียงหนึ่งในสามเท่านั้นที่ผ่านกระบวนการโดยตรง (Ardent Partners, 2025) สำหรับลูกค้าที่เราทำงานด้วย มักจะมีคน 3 คนขึ้นไปแตะต้องใบแจ้งหนี้ทุกใบก่อนที่จะดำเนินการเสร็จสมบูรณ์
• ใบแจ้งหนี้ที่ทำด้วยมือมีต้นทุน 12.42 เหรียญต่อใบในการประมวลผลตั้งแต่ต้นจนจบ
• ครึ่งหนึ่งของทีมการเงินทั้งหมดใช้เวลามากกว่าหนึ่งสัปดาห์ในการปิดบัญชี (Ledge, 2025) และ 94% ของพวกเขายังคงใช้ Excel อยู่ที่ไหนสักแห่งภายในกระบวนการปิดบัญชีนั้น
• 14% ของใบแจ้งหนี้ถูกแจ้งว่าเป็นข้อยกเว้น และข้อยกเว้นคือปัญหาปวดหัวที่สุดใน AP นี่คือสถิติที่ผมอยากให้คุณสนใจมากที่สุด ข้อยกเว้นของคุณแตกต่างจากของบริษัทอื่น หมายความว่าไม่มี SaaS หรือผลิตภัณฑ์ทั่วไปใดสามารถแก้ปัญหาปวดหัวใหญ่นี้ได้ในแบบที่คุณต้องการ ความต้องการซอฟต์แวร์ที่ปรับแต่งได้เองนั้นสูงที่สุดเท่าที่เคยมีมาสำหรับฟังก์ชันการเงิน และโชคดีที่ AI คือตัวปลดล็อคที่สมบูรณ์แบบ

ไม่มีสิ่งใดเลยที่เป็นปัญหาเรื่องเทคโนโลยีอีกต่อไป มันเป็นปัญหาเรื่องเวิร์กโฟลว์ ปัญหาเรื่องตัวประสานที่เป็นมนุษย์ และความแตกต่างนี้คือสิ่งที่ผมจะเน้นย้ำในรายละเอียดด้านล่าง

ทำไมผู้ช่วยแนวนอน (Claude Cowork, Microsoft Copilot) จึงล้มเหลว

ถึงแม้เราจะไม่นับบิลค่า Token (หลายล้านเหรียญต่อไตรมาส) ปัญหาใหญ่กว่านั้นคือแม้แต่โมเดลระดับแนวหน้าก็ยังทำงานด้านการเงินผิดพลาดเป็นส่วนใหญ่ เมื่อโมเดลระดับแนวหน้า (Fable, Opus, GPT 5.5 ฯลฯ) ถูกทดสอบกับงาน analyst การเงินจริงกว่า 900 งานในปีนี้ โมเดลที่ดีที่สุดทำ accuracy ได้เพียง 52% (Vals AI) การศึกษาอีกชิ้นทดสอบ 19 โมเดลกับผังบัญชีจริง และ accuracy สูงสุดคือ 66% (DualEntry) ในฟังก์ชันการเงิน ระดับ accuracy เหล่านี้ถือว่าหายนะ ถึงขนาดที่เอกสารของ Microsoft เองยังบอกว่าอย่าใช้ Excel Copilot สำหรับการคำนวณตัวเลขหรืออะไรก็ตามที่เกี่ยวกับการปฏิบัติตามข้อกำหนด ซึ่งตลกดีเพราะพวกเขาเอา AI ไว้ในสเปรดชีตของคุณตั้งแต่แรก

Hallucination ไม่ได้หมายถึงแค่พิมพ์ผิดในอีเมล ถ้า AI ของคุณ hallucinate ว่ามีซัพพลายเออร์หรือทำให้การตัดรายการระหว่างบริษัทผิดพลาด นั่นคือเงินจริงที่หายไปและต้องตามมาแก้ไข การขาดความสามารถในการตรวจสอบย้อนกลับก็เป็นปัญหาใหญ่เช่นกัน การพูดว่า "AI บอกอย่างนั้น" ไม่ได้ผลกับผู้ตรวจสอบ SOX

Agent AI ของคุณต้องมีการ์ดกั้นและสิทธิ์การเข้าถึง เพื่อให้มันทำเฉพาะการกระทำที่คุณอนุญาตเท่านั้น ซึ่งกำหนดขึ้นจากผลการตรวจสอบ AI ที่ครอบคลุม ทุกงานจะถูกย่อยลงไปสู่สถานะที่กำหนดได้แน่นอนที่สุด (deterministic) เพื่อให้โมเดลตัดสินใจเฉพาะขั้นตอนไม่กี่ขั้นตอนที่ต้องใช้ดุลยพินิจ แทนที่จะตัดสินใจทุกอย่างตั้งแต่ต้นจนจบ นี่คือวิธีที่ accuracy อยู่เหนือ 97% โดยมีร่องรอยการทำงานของ Agent ที่สามารถแสดงต่อผู้ตรวจสอบและผู้บริหารได้

ทำไมโซลูชันเฉพาะจุดเพิ่มเติมยิ่งทำให้แย่ลง

ดังนั้นคุณข้ามผู้เชี่ยวชาญทั่วไปและซื้อผู้เชี่ยวชาญเฉพาะทางเป็นโหล: Agent AP จาก Ramp และ Brex และ Bill, การทวงหนี้จาก HighRadius, Agent ปิดบัญชีจาก BlackLine และ FloQast, ทั้งหมดนี้ยัดเข้าไปใน ERP โดย SAP และ Workday บวกกับ ERP แบบ AI-native ใหม่ คุณเห็นแล้วใช่ไหมว่าผมจะพูดถึงอะไร? AI ควรจะเป็นเหตุผลที่คุณเลิกใช้ซอฟต์แวร์จากผู้ขาย 20 รายที่แต่ละรายทำอะไรแตกต่างกัน คุณต้องการหน้าต่างเดียวที่ทำงานครอบคลุมระบบที่มีอยู่ของคุณ ระบบเหล่านั้นมีทุกอย่างที่ Agent ต้องการจะทำงานบนนั้นอยู่แล้ว ไม่ต้องมีแพลตฟอร์มใหม่ แต่กลับกัน ผมเห็น CFO ต้องเสียใจที่ต้องเพิ่ม license ซอฟต์แวร์ เพิ่มพื้นผิวที่ทีมต้องเข้าไปใช้งานและติดตาม และท้ายที่สุดก็แทบไม่มีประสิทธิภาพเพิ่มขึ้นให้เห็น

สิ่งที่ใช้ได้ผล

การนำไปใช้ในแผนกการเงินทุกครั้งที่ได้ผลลัพธ์เป็นไปตามปรัชญาเดียวกัน: ชั้นเดียวที่อยู่ด้านบนและระหว่างซอฟต์แวร์ที่คุณใช้อยู่แล้ว แทนที่จะเป็นเครื่องมืออีกชิ้นที่ทีมของคุณต้องเข้าไปใช้ มันอ่านข้อมูลจากซอฟต์แวร์ของคุณเช่น NetSuite, Bill และ Workday ย้ายข้อมูลระหว่างกัน และทำงานเหมือนกับที่ทีมของคุณทำ เมื่อใดที่ต้องการความช่วยเหลือ มันจะแจ้งให้ทีมของคุณแก้ไข

การทำเช่นนี้ คุณกำลังเสริมประสิทธิภาพให้กับผู้ปฏิบัติงาน ไม่ใช่เสริมประสิทธิภาพให้กับงาน ปัจจุบันเครื่องมือแต่ละอย่างของคุณทำงานอัตโนมัติในส่วนหนึ่งของงาน แต่ไม่มีใครทำงานอัตโนมัติให้กับคนที่อยู่ตรงกลาง ซึ่งกำลังคัดลอกตัวเลขจากหน้าจอหนึ่งไปอีกหน้าจอหนึ่ง ตรวจสอบว่าตัวเลขสองตัวตรงกันหรือไม่ ส่งอีเมลติดตามเมื่อไม่ตรงกัน และยกระดับปัญหาเมื่อไม่มีใครตอบกลับ คนคนนี้คือตัวประสาน และตัวประสานคือที่ที่คุณค่าทั้งหมดอยู่: การลดรอบเวลา (cycle time) หมายถึงการประหยัดเวลาและสร้างรายได้มากขึ้น เร็วขึ้น

หากนำตัวอย่างนี้กลับไปที่ข้อยกเว้น: ลองนึกภาพใบแจ้งหนี้ที่ไม่มีหมายเลข PO ตอนนี้ นักวิเคราะห์ AP ต้องหาคนที่สั่งซื้อ จากนั้นหา PO ที่ถูกต้องโดยการกรองอินบ็อกซ์ จากนั้นจับคู่ ก่อนที่จะอนุมัติให้ดำเนินการต่อ ข้อยกเว้นเกิดขึ้นบ่อยกว่าที่คุณคิด สิ่งนี้เกิดขึ้นหลายร้อยครั้งต่อเดือน

อย่างไรก็ตาม ด้วยชั้น Agent ที่เป็นหนึ่งเดียว AI จะตรวจจับข้อยกเว้นนี้ทันทีที่มันมาถึง จากนั้นค้นหาระบบ PO ตามซัพพลายเออร์ จำนวนเงิน วันที่ ก่อนที่จะอนุมัติรายการที่ตรงกันอย่างชัดเจนด้วยตัวเอง เหมือนกับที่นักวิเคราะห์ของคุณทำ เมื่อ Agent ไม่แน่ใจ มันจะส่ง PO ที่น่าจะเป็นไปได้มากที่สุดสองรายการไปให้นักวิเคราะห์ทาง Slack และขอให้พวกเขาตัดสินใจว่ารายการไหนถูกต้อง เวลาที่ใช้ในการค้นหา 15 นาทีกลายเป็น 30 วินาทีสำหรับการตอบรับหรือปฏิเสธ โดยข้อมูลทั้งหมดถูกแสดงไว้ล่วงหน้าแล้ว การปรับรูปแบบเดียวกันนี้เกิดขึ้นในการกระทบยอดธนาคาร การตัดรายการระหว่างบริษัท การติดตาม W-9 อีเมลสถานะการชำระเงิน และรายการ PBC ของผู้ตรวจสอบ

วิธีนำระบบนี้ไปใช้ในทางปฏิบัติ

เราทำ 5 สิ่งทุกครั้ง:

1. วิศวกรที่ประจำการอยู่กับคุณจะฝังตัวอยู่ในแผนกของคุณและทำแผนที่ทุกกระบวนการตั้งแต่ต้นจนจบ กระบวนการและ SOP ที่เป็นเอกสารมักไม่ค่อยสะท้อนความเป็นจริง ซึ่งก็คือสิ่งที่ผู้คนทำจริงๆ ตัวอย่างเช่น: "เมื่อมีอะไรผิดปกติ ฉันจะตรวจสอบสเปรดชีตนี้ก่อน" และ "ฉันส่งอีเมลถึง Sarah โดยตรงเพราะระบบแจ้งเตือนเสียมา 3 ปีแล้ว" ตัวอย่างจริง: "SOP บอกว่าใบแจ้งหนี้ต้องจับคู่กับ PO ในระบบ" แต่ในความเป็นจริง พวกเขาจับคู่ในระบบ ยกเว้นเมื่อ PO ไม่เคยถูกสร้างขึ้น ในกรณีนั้น Brittany จะส่งอีเมลถึงหัวหน้าแผนกเพื่อขอ PO ย้อนหลัง เว้นแต่จะต่ำกว่า 500 เหรียญ ในกรณีนั้นเธอจะบันทึกรายการไปยังบรรทัดค่าใช้จ่ายทั่วไปของแผนกและทำเครื่องหมายไว้ภายหลัง ถ้าคุณสร้าง Agent โดยอิงจาก SOP เท่านั้น พวกมันจะพังทันทีที่เจอกรณีของ Brittany ซึ่ง coincidentally คือวันแรกที่ใช้งานจริง นี่คือเหตุผลว่าทำไมการนั่งกับผู้คนและดูพวกเขาทำงานจึงสำคัญอย่างยิ่ง มันคือสะพานเชื่อมระหว่างบริการ (ที่ปรึกษา) และซอฟต์แวร์ (การพัฒนา) และยังเป็นความแตกต่างระหว่างการเปิดตัว Agent ที่ประสบความสำเร็จกับการสุ่มเสี่ยงที่ตายทันที
2. สร้างภายในเครื่องมือที่พวกเขาใช้อยู่แล้ว Agent ทำงาน NetSuite หรือ SAP หรือ BlackLine เหมือนกับพนักงานใหม่ เข้าสู่ระบบ คลิกผ่านหน้าจอเดียวกัน และเรียกใช้ API เดียวกัน ไม่มีใครในทีมของคุณต้องเรียนรู้อินเทอร์เฟซใหม่ และสิ่งเดียวที่ผู้คนสังเกตเห็นคืองานสะสมน้อยลง ข้อยกเว้นได้รับการจัดการเร็วขึ้น และการปิดบัญชีสิ้นเดือนก็สั้นลง
3. สร้าง Agent ที่ทำงานแทนที่จะสร้างแดชบอร์ด "AI สำหรับการเงิน" ส่วนใหญ่เป็นเครื่องมือวิเคราะห์ที่ปลอมตัวเป็น Agent อย่าตกหลุมพรางนี้ การตรวจสอบและการรายงานเป็นผลมาจากการกระทำของ Agent ที่ขับเคลื่อนมัน ใช่ มันมีประโยชน์ในการวัด KPI ก่อนการสร้างเพื่อดูว่าคุณกำลังขับเคลื่อนการเปลี่ยนแปลงจริงหรือไม่ แต่ถ้าสิ่งที่คุณได้คือแดชบอร์ดหรือแชทบอทแทนที่จะเป็น Agent ที่ทำงานเบื้องหลัง คุณกำลังทิ้งประสิทธิภาพไว้บนโต๊ะ อย่าทุ่มเทหลายเดือนให้กับสิ่งเทียบเท่ากับซอฟต์แวร์รายงานผลที่สวยหรู
4. ยกระดับปัญหา (Escalate) เฉพาะเมื่อต้องการดุลยพินิจที่แท้จริง โดยมีเกณฑ์ความมั่นใจ (confidence gate) ที่ดีขึ้นเมื่อเวลาผ่านไป เป้าหมายคือการนำงาน 70 ถึง 85% ที่เป็นการจับคู่รูปแบบ (pattern-matching) ล้วนๆ ออกจากจานของทีมคุณ เพื่อให้เวลาของพวกเขาเหลือไว้สำหรับการตัดสินใจที่มี leverage สูงและต้องใช้ดุลยพินิจสูงเท่านั้น ในขณะเดียวกัน ทุกครั้งที่พวกเขาตอบสนองต่อการกระทำของ Agent (ด้วยการอนุมัติ แก้ไข หรือปฏิเสธ) สิ่งนี้จะฝึก Agent ทำให้ accuracy เพิ่มขึ้นในแต่ละสัปดาห์ แทนที่จะคงที่หรือแย่กว่านั้นคือถดถอย นี่คือจุดที่วิศวกรรม AI มีความสำคัญอย่างยิ่ง โครงสร้างพื้นฐาน (harness) ของคุณสามารถเป็นตัวกำหนดว่าระบบจะพัฒนาขึ้นหรือค่อยๆ จางหายไป
5. ออกแบบสำหรับทั้งแผนกตั้งแต่วันแรก นี่คือแง่มุมที่ถูกมองข้ามมากที่สุดของการนำ Agent ไปใช้ในระดับองค์กร ลองนึกภาพผู้ปฏิบัติงานแต่ละคนหยิบเครื่องมือ vibe-coding มาสร้าง Agent สำหรับงานของตัวเองเท่านั้น แต่มันไม่สามารถขยายผลเกินงานของพวกเขาได้ สิ่งนี้พลาดภาพรวมที่ใหญ่กว่า บ่อยครั้งที่คอขวด (bottleneck) ของพวกเขาอยู่ที่ upstream แต่แล้วทีม upstream ก็สร้าง Agent ของตัวเอง ซึ่งไม่สื่อสารกับทีม downstream ในไม่ช้าคุณจะมี Agent หลายสิบตัว ต่างแยกส่วนกันทำงานของตัวเอง ไม่มีการสื่อสาร มีแต่หนี้ทางเทคนิคทั่วทั้งองค์กร ให้แผนที่ทั้งองค์กรแทน ทำความเข้าใจว่าใครเป็นคอขวดของใคร และสร้างโดยคำนึงถึงสิ่งนั้น

หลีกเลี่ยงการใช้ Token ที่พุ่งสูง และ Agent Hallucination

วิธีที่คุณไม่ใช้เงินหลายล้านเหรียญกับ Token: Agent AI ที่ดีส่วนใหญ่ไม่ใช่ AI สิ่งที่เราส่งมอบคือโค้ดธรรมดาประมาณ 85% และการเรียกใช้โมเดลประมาณ 15% โมเดลจะถูกใช้เฉพาะที่ซึ่งจำเป็นต้องใช้ดุลยพินิจจริงๆ เช่น การอ่านค่าจากใบแจ้งหนี้ที่ยุ่งเหยิง การจัดประเภทข้อยกเว้นลงในหมวดหมู่ที่คุณรู้จัก หรือการร่างบันทึกเพื่อให้มนุษย์อนุมัติ ในทางกลับกัน งานส่วนใหญ่คือการเปรียบเทียบ (คณิตศาสตร์) การค้นหา (การกรอง) การจัดเส้นทาง (คำสั่ง if/then/else) และการลงรายการ (การเรียกใช้ API) เปรียบเทียบกับ Claude Cowork ที่เกือบทุกการกระทำถูกกำหนดแบบสุ่มโดย LLM แต่เรามี Agent ที่เร็วกว่า ถูกกว่า และแม่นยำกว่า LLM เป็นเพียงตัวปลดล็อค

วิธีที่คุณทำให้ข้อผิดพลาดใกล้ศูนย์: สามชั้น

• โค้ดที่กำหนดได้แน่นอน (Deterministic code): มันสอดคล้องกันโดยการออกแบบ ซึ่งทำให้ตรวจสอบได้
• การประเมินผล (Evals): ชุดทดสอบที่สร้างขึ้นด้วยตนเอง แต่ปรับปรุงอัตโนมัติ ซึ่งตรวจสอบทั้งคำตอบและเส้นทางที่ Agent ใช้ ทำให้เราจับ Agent ที่ไปในที่ที่ไม่ควร หรือสร้างผลลัพธ์ที่ไม่สอดคล้องกับวิธีที่เราต้องการให้มันทำงาน
• คำติชมจากมนุษย์: การอนุมัติและการแก้ไขทุกครั้งที่ทีมของคุณทำจะฝึกระบบ และ accuracy ในเวิร์กโฟลว์จะพุ่งสูงถึง 90% ปลายๆ ภายในสองสามเดือน เราจะเห็นการลงรหัส GL ไปจากประมาณ 85% ถึง 97% ขึ้นไปเมื่อมีการแก้ไขสะสม และเนื่องจากเป็นโค้ดและการประเมินผลแทนที่จะเป็นกล่องดำ คุณจึงสามารถตอบคำถาม "ทำไม Agent ถึงทำแบบนี้" ได้ทุกเมื่อที่มีผู้มีส่วนได้ส่วนเสียหรือผู้ตรวจสอบถาม ผู้ช่วยแนวนอนไม่สามารถทำสิ่งนี้ได้

วัดผลอย่างไร

โชคดีที่เมื่อคุณมี Agent ที่ทำงานบนระบบบันทึก (systems of record) ของคุณในทุกๆ เวิร์กโฟลว์และซอฟต์แวร์ทุกส่วน ตอนนี้คุณมีความสามารถในการติดตามข้อมูลในระดับที่ละเอียดที่สุดและแบบเรียลไทม์ มันชัดเจนมากว่า 80% ของข้อยกเว้นถูกจัดการโดย Agent และเวลาในการกระทบยอดข้อยกเว้นลดลงจาก 4 วันเหลือ 2 ชั่วโมง ผลลัพธ์จริงบางส่วน:

• การปิดบัญชีลดลงจาก 12 วันเหลือ 5 วัน
• การจัดการข้อยกเว้นลดลงจาก 130 ชั่วโมงต่อเดือนเหลือ 20 ชั่วโมง
• การประมวลผลใบแจ้งหนี้ลดลงจาก 20 นาทีต่อใบเหลือต่ำกว่า 1 นาทีโดยเฉลี่ย

มีเพียง 3 กลุ่มของมูลค่าที่จับต้องได้ (Value Capture) ที่สำคัญสำหรับการนำ AI ไปใช้ใดๆ ฉันประหยัดเวลา/เงินหรือไม่? ฉันเพิ่มรายได้หรือไม่? ฉันลดความเสี่ยงหรือไม่? การจัดกลุ่มทุกสิ่งที่คุณวัดออกเป็น 3 หมวดหมู่นี้มีประโยชน์ และวัดตามนั้นเพื่อวัตถุประสงค์ในการจับมูลค่าและ KPI

จะเริ่มต้นที่ไหน

ค้นหาเจ้าของกระบวนการ (Process Owner) ในองค์กรของคุณ และเริ่มต้นกับพวกเขา ทำความเข้าใจในระดับลึกว่ากระบวนการปัจจุบันของพวกเขาคืออะไร (เตรียมตัวที่จะพูดคุยกับเจ้าของกระบวนการย่อย นักวิเคราะห์ ผู้ปฏิบัติงาน ฯลฯ เพื่อข้อมูลเพิ่มเติม) ค้นหาให้ถึงแก่น:

• ปัจจุบันสิ่งต่างๆ ดำเนินไปอย่างไร? จีโนมของเวิร์กโฟลว์คืออะไร?
• ปริมาณข้อมูลและปริมาณงาน (throughput) ในแต่ละงานคือเท่าไร?
• อัตราข้อผิดพลาดคืออะไร และต้นทุนของข้อผิดพลาดในปัจจุบันคือเท่าไร?
• ข้อยกเว้นได้รับการจัดการอย่างไร และในรูปแบบใดบ้าง?

จากนั้น นำสิ่งที่คุณเรียนรู้มา และเริ่มวางแผนสิ่งต่อไปนี้:

• AI จะทำอะไรและไม่ทำอะไรในแต่ละเวิร์กโฟลว์ โลกหลัง AI จะเป็นอย่างไรสำหรับแต่ละกระบวนการ?
• ใน 3 กลุ่มของมูลค่าที่จับต้องได้ จำนวนที่วัดได้สำหรับแต่ละกลุ่มคือเท่าไร?
• การสร้างแต่ละอย่างต้องใช้เวลาและความพยายามเท่าไร? ความเสี่ยงของแต่ละอย่างคืออะไร?

เปรียบเทียบมูลค่าที่จับต้องได้และการลงทุน แล้วคุณก็จะได้รายการจัดลำดับความสำคัญของคุณ

แต่โดยสรุป อย่าซื้อแพลตฟอร์ม และอย่าตั้งทีม Data Science กระบวนการทั้งหมดนี้ไม่จำเป็นต้องใช้เวลาทั้งปีด้วยซ้ำ สิ่งที่คุณต้องการคือหาคนที่จะนั่งกับทีมของคุณ เรียนรู้เวิร์กโฟลว์จริง และสร้าง Agent ภายในระบบที่คุณใช้อยู่แล้ว วัดผลทุกขั้นตอน ถ้าคุณต้องการเห็นสถานะสุดท้ายก่อน เราสร้างวิดีโอสาธิตกระบวนการ 5 นาที ที่นี่

นี่คือสิ่งที่เราทำที่ Varick Agents เราได้ทำงานร่วมกับทีมการเงิน การขาย และปฏิบัติการในบริษัทต่างๆ ตั้งแต่ที่มีรายได้ 1 พันล้านเหรียญ ไปจนถึงยักษ์ใหญ่ใน Fortune 500 ที่มียอดขายกว่า 5 หมื่นล้านเหรียญ และเราสร้าง Agent ที่รันเครื่องมือของพวกเขาภายในระบบที่มีอยู่ เรารับเฉพาะโครงการใหม่จำนวนจำกัดในแต่ละไตรมาส และตอนนี้เรากำลังคัดเลือกลูกค้าสำหรับช่วงฤดูใบไม้ร่วง ถ้าการปิดบัญชีของคุณยังใช้เวลาสองสัปดาห์ และคนเก่งที่สุดของคุณยังคงทำงานป้อนข้อมูลอยู่ มาหาเราได้ที่ varickagents.com