AI มองเห็นองค์กรอย่างไร และกำลังเปลี่ยนวิธีบริหารของเราอย่างไร

จักรพันธ์ ภวังคะรัตน์

Head of Property Management, JLL Thailand

เลขาธิการ สมาคมบริหารทรัพย์สินแห่งประเทศไทย

15 August 2026

เวลาพูดถึง Artificial Intelligence เรามักเริ่มต้นด้วยคำถามว่า AI ฉลาดแค่ไหน มันคิดเหมือนมนุษย์ได้หรือยัง จะทำงานแทนเราเมื่อไร หรือในอนาคตมนุษย์กับเครื่องจักรจะอยู่ร่วมกันอย่างไร แต่ถ้าเราถอยออกมาอีกเล็กน้อย อาจพบว่าคำถามเหล่านี้เริ่มเรื่องช้าเกินไป เพราะก่อนที่จะมีคอมพิวเตอร์ ก่อนที่จะมี Machine Learning และก่อนที่มนุษย์จะสร้างเครื่องจักรซึ่งสามารถเรียนรู้จากข้อมูลได้ เราได้สร้างระบบบางอย่างขึ้นมาก่อนแล้วหลายร้อยปี นั่นคือระบบที่พยายามมองเห็นการทำงานของมนุษย์ แบ่งงานออกเป็นส่วนย่อย วัดผล เปรียบเทียบประสิทธิภาพ สร้างมาตรฐาน และนำความรู้ของคนออกมาวางไว้ในกระบวนการ จนอาจกล่าวได้ว่า AI ไม่ได้ถือกำเนิดขึ้นจากห้องทดลองคอมพิวเตอร์เพียงอย่างเดียว แต่มันมีบรรพบุรุษอยู่ในโรงงาน โต๊ะทำงานของผู้จัดการ และความพยายามของมนุษย์ที่จะทำให้ระบบขนาดใหญ่สามารถ “มองเห็น” และ “ควบคุม” ได้

แนวคิดนี้เป็นหัวใจสำคัญที่ Matteo Pasquinelli เสนอไว้ใน The Eye of the Master: A Social History of Artificial Intelligence หนังสือที่พาเราออกจากภาพคุ้นเคยว่า AI คือความพยายามสร้างสมองเทียม แล้วหันกลับไปดูประวัติศาสตร์ของแรงงาน การจัดองค์กร และการบริหารจัดการ หากเรามองผ่านกรอบนี้ AI จะไม่ใช่เทคโนโลยีใหม่ที่จู่ ๆ ปรากฏขึ้นในศตวรรษที่ 21 แต่เป็นอีกขั้นหนึ่งของกระบวนการที่มนุษย์ทำมานาน นั่นคือการเอาความรู้ซึ่งเคยอยู่ในหัวของคน ออกมาแปลงเป็นขั้นตอน กฎ ตัวเลข และข้อมูล จนในที่สุดเครื่องจักรก็สามารถเรียนรู้และทำบางส่วนของมันได้เอง

1. ก่อนจะมี Algorithm เรามี Division of Labour

หนึ่งในสิ่งประดิษฐ์ที่สำคัญที่สุดของยุคอุตสาหกรรมอาจไม่ใช่เครื่องจักรไอน้ำ แต่คือวิธีคิดเรื่องการแบ่งงาน เมื่อกระบวนการผลิตหนึ่งอย่างถูกแยกออกเป็นงานย่อย คนหนึ่งทำขั้นตอนหนึ่ง อีกคนทำอีกขั้นตอนหนึ่ง งานที่เคยต้องอาศัยช่างฝีมือซึ่งเข้าใจทุกอย่างตั้งแต่ต้นจนจบ ก็เริ่มกลายเป็นระบบที่สามารถแบ่งความรับผิดชอบ กระจายไปยังคนจำนวนมาก และควบคุมจากส่วนกลางได้มากขึ้น ยิ่งองค์กรใหญ่ขึ้น ความจำเป็นที่จะต้องกำหนดขั้นตอน มาตรฐาน เวลา คุณภาพ และผลผลิตก็ยิ่งเพิ่มขึ้น

ตรงนี้เองที่ความสัมพันธ์ระหว่าง Management กับ Algorithm เริ่มปรากฏขึ้นอย่างน่าสนใจ เพราะ algorithm ในความหมายพื้นฐานก็คือการกำหนดลำดับของขั้นตอนเพื่อให้ได้ผลลัพธ์ที่ต้องการ เมื่อผู้จัดการมองงานหนึ่งงานแล้วถามว่า “ขั้นตอนแรกคืออะไร ต่อไปทำอะไร ใครรับผิดชอบ ใช้เวลาเท่าไร และเมื่อเกิดกรณีนี้ต้องตัดสินใจอย่างไร” เรากำลังทำสิ่งที่มีโครงสร้างคล้ายกับการเขียน algorithm อยู่แล้ว เพียงแต่ในอดีต algorithm นั้นถูกดำเนินการโดยมนุษย์

นี่ทำให้เรามอง automation ในอีกมุมหนึ่ง งานไม่ได้ถูก automate เพียงเพราะเทคโนโลยีเก่งขึ้น งานจำนวนมากถูก automate ได้ก็ต่อเมื่อมนุษย์สามารถอธิบายงานนั้นให้ชัดพอเสียก่อน เราต้องรู้ว่าอะไรคือ input อะไรคือ output มีขั้นตอนใดบ้าง อะไรคือข้อยกเว้น และเราตัดสินใจจากข้อมูลอะไร ถ้าความรู้ยังคงเป็น tacit knowledge อยู่ในประสบการณ์ของคนคนหนึ่ง เครื่องจักรก็ยังเรียนรู้ได้ยาก แต่เมื่อความรู้นั้นถูกทำให้มองเห็น ถูกบันทึก และถูกทำให้เป็นระบบ ประตูของ automation ก็เริ่มเปิดขึ้น

2. Automation เริ่มต้นจากการทำให้ “งาน” มองเห็นได้

เราอาจเคยได้ยินคำพูดที่ว่า “If you cannot measure it, you cannot manage it.” แม้คำพูดนี้จะถูกใช้จนคุ้นหู แต่ในยุค AI มันมีความหมายลึกขึ้นกว่าเดิม เพราะสิ่งที่วัดได้ไม่ได้เพียงบริหารได้ แต่มันอาจถูกนำไปให้เครื่องจักรเรียนรู้ได้ด้วย

ลองนึกถึงงานของพนักงานคนหนึ่งในองค์กร หากทุกอย่างอยู่ในหัวของเขา ทั้งวิธีประเมินสถานการณ์ วิธีติดต่อคน วิธีจัดลำดับความสำคัญ และวิธีแก้ปัญหา งานนั้นจะขึ้นอยู่กับบุคคลสูงมาก แต่ถ้าองค์กรเริ่มกำหนด SOP ทำ workflow บันทึกข้อมูล ทำ KPI และเก็บประวัติการตัดสินใจ ความรู้ที่เคยอยู่ในตัวคนก็เริ่มเคลื่อนเข้าสู่ระบบ จากนั้นเมื่อข้อมูลมีจำนวนมากเพียงพอ Machine Learning ก็สามารถค้นหารูปแบบ และเมื่อระบบเชื่อมโยงกับ Generative AI หรือ AI Agent มันอาจเริ่มให้คำแนะนำ หรือลงมือทำงานบางอย่างแทนคนได้

ดังนั้นก่อนที่ AI จะ “แทนคน” มักมีขั้นตอนหนึ่งเกิดขึ้นก่อนเสมอ คือองค์กรต้องทำให้การทำงานของคนนั้นมองเห็น วัดได้ และเรียนรู้ได้

นี่เป็นเหตุผลว่าทำไมการนำ AI เข้ามาใช้ในองค์กรจึงไม่ใช่เรื่องของการซื้อ software เพียงอย่างเดียว หาก workflow ยังสับสน ข้อมูลอยู่คนละระบบ ไม่มีมาตรฐาน และไม่มีใครสามารถอธิบายได้ว่าคนเก่งในองค์กรตัดสินใจอย่างไร AI ก็ไม่มีวัตถุดิบที่ดีพอที่จะเรียนรู้ สิ่งที่เรียกว่า “AI transformation” จึงมักต้องเริ่มจาก “management transformation” ก่อนเสมอ

3. The Eye of the Master: ผู้ที่มองเห็นระบบทั้งหมด

ชื่อ The Eye of the Master มีความหมายที่น่าสนใจมาก เพราะในระบบการผลิตขนาดใหญ่ ไม่มีคนคนใดสามารถทำทุกอย่างด้วยตนเองได้ เจ้าของหรือผู้จัดการจึงต้องมีวิธี “มองเห็น” สิ่งที่กำลังเกิดขึ้นในทุกส่วนของระบบ ไม่ว่าจะเป็นผลผลิต เวลา ต้นทุน คุณภาพ หรือพฤติกรรมของแรงงาน

ในอดีต การมองเห็นอาจเกิดขึ้นจาก supervisor รายงานประจำวัน สมุดบันทึก หรือบัญชีต้นทุน ต่อมามันกลายเป็น spreadsheet, ERP, dashboard และ business intelligence วันนี้มันกำลังกลายเป็น AI ที่สามารถอ่านข้อมูลนับล้านรายการและบอกเราได้ว่าอะไรผิดปกติ อะไรกำลังจะเกิดขึ้น และเราควรทำอะไรต่อไป

นี่คือการเปลี่ยนแปลงที่สำคัญมาก เพราะเครื่องมือของผู้บริหารกำลังเดินทางจาก Reporting → Monitoring → Prediction → Recommendation → Autonomous Action

เมื่อก่อนผู้บริหารเปิด dashboard เพื่อดูว่าเกิดอะไรขึ้น แต่ในอนาคต AI อาจบอกก่อนว่าอะไร “กำลังจะ” เกิด และในบางระบบ AI อาจลงมือจัดการทันทีโดยไม่รอมนุษย์ เช่น ปรับ setpoint เครื่องจักร เปลี่ยนตารางงาน จัดกำลังคน หรือเปิด work order อัตโนมัติ

“The Eye” จึงไม่ได้ทำหน้าที่เพียงมองเห็นอีกต่อไป แต่มันเริ่มคิดและเริ่มกระทำ

4. เมื่อความรู้ของคนจำนวนมาก กลายเป็น Intelligence ของเครื่องจักร

เรามักพูดถึง AI ราวกับมันมี intelligence ของตัวเอง แต่ข้อมูลที่ AI เรียนรู้นั้นไม่ได้ตกมาจากท้องฟ้า ภาษา รูปภาพ วิธีแก้ปัญหา วิธีเขียนโปรแกรม วิธีวินิจฉัย วิธีออกแบบ วิธีขาย และวิธีบริหาร ล้วนเกิดขึ้นจากกิจกรรมของมนุษย์จำนวนมหาศาล

ถ้ามองจากมุมนี้ AI อาจเป็นรูปแบบหนึ่งของ “collective intelligence ที่ถูกทำให้เป็นเครื่องจักร” ความรู้ของมนุษย์หลายล้านคนถูกบันทึกไว้ในข้อมูล แล้ว model เรียนรู้ pattern จากสิ่งเหล่านั้น ก่อนจะสร้าง output ที่ดูเหมือนความสามารถของเครื่องจักร

ตรงนี้มีนัยสำคัญต่อองค์กรอย่างมาก เพราะบริษัทที่ต้องการใช้ AI ให้ได้เปรียบจริงในอนาคต อาจไม่จำเป็นต้องมี AI model ที่เก่งที่สุดในโลก สิ่งที่มีค่ากว่าอาจเป็น organizational knowledge ที่คู่แข่งไม่มี ตั้งแต่ประวัติการแก้ปัญหา ประสบการณ์ของผู้เชี่ยวชาญ ข้อมูลลูกค้า การดำเนินงาน ไปจนถึงวิธีการตัดสินใจที่สั่งสมมานานหลายปี

การแข่งขันในยุค AI จึงอาจไม่ได้อยู่ที่ “ใครมี AI” เพราะทุกคนสามารถเข้าถึง AI ได้มากขึ้นเรื่อย ๆ แต่จะอยู่ที่ว่า AI ของใครเรียนรู้จากความรู้ที่มีคุณภาพและมีบริบทมากกว่ากัน

5. สิ่งที่เราวัด จะกลายเป็นสิ่งที่ AI พยายาม Optimize

ตรงนี้เป็นประเด็นที่ผู้บริหารต้องให้ความสำคัญมาก เพราะ AI ไม่ได้รู้ด้วยตัวเองว่าอะไรคือสิ่งที่ “ดี” ระบบจะพยายาม optimize ตามเป้าหมายที่มนุษย์กำหนดให้มัน

ถ้าเรากำหนดเป้าหมายว่า “ลดต้นทุน” AI ก็จะหาวิธีลดต้นทุน ถ้าเรากำหนด “เพิ่ม productivity” มันก็จะพยายามเพิ่ม output ต่อ input ถ้าเรากำหนด “เพิ่ม customer satisfaction” ระบบก็จะมองหา pattern ที่สัมพันธ์กับความพึงพอใจของลูกค้า

คำถามสำคัญจึงไม่ใช่เพียงว่า AI เก่งแค่ไหน แต่คือ Who decides what should be optimized?

เพราะ optimization ที่มองเพียงตัวแปรเดียวอาจสร้างผลลัพธ์ที่ดีในระยะสั้นและทำลายระบบในระยะยาว เราสามารถลด manpower แล้วทำให้ต้นทุนลดลงได้ แต่ customer experience อาจแย่ลง เราสามารถเพิ่ม productivity ได้ แต่คนอาจ burnout เราสามารถลด preventive maintenance เพื่อประหยัดงบวันนี้ได้ แต่ต้องจ่ายค่าซ่อมและ downtime สูงกว่าในอนาคต

AI ที่ดีจึงต้องเริ่มจาก management philosophy ที่ดี หากผู้บริหารกำหนดเป้าหมายผิด AI อาจทำให้เราเดินผิดทางได้เร็วขึ้นและมีประสิทธิภาพมากขึ้นเสียด้วยซ้ำ

6. AI และ Property Management: จากอาคารที่มีข้อมูล สู่อาคารที่มี Intelligence

หากนำแนวคิดนี้มามองงาน Property Management ภาพจะชัดมาก อาคารขนาดใหญ่ในวันนี้มีระบบและข้อมูลจำนวนมหาศาลอยู่แล้ว BMS รู้ว่าเครื่องจักรกำลังทำงานอย่างไร Energy Meter รู้ว่าไฟฟ้าใช้ไปที่ไหน Access Control รู้ว่าใครเข้าออก CCTV มองเห็นกิจกรรมในพื้นที่ CMMS รู้ว่าเครื่องจักรไหนเสียบ่อย Tenant App รู้ว่าผู้ใช้อาคารร้องเรียนเรื่องอะไร ระบบการเงินรู้ว่าต้นทุนอยู่ตรงไหน ระบบ parking รู้ pattern ของรถเข้าออก และ sensor ต่าง ๆ รู้สภาพแวดล้อมภายในอาคารเกือบตลอดเวลา

ปัญหาคือข้อมูลเหล่านี้ส่วนใหญ่ยังอยู่เป็น “เกาะ” ที่แยกกัน

ทีมวิศวกรรมดู BMS ทีม Security ดู CCTV ทีมบัญชีดูต้นทุน ทีม Tenant Relations ดู complaint และผู้บริหารดู monthly report สิ่งที่ AI สามารถเปลี่ยนได้คือการสร้าง “สายตา” ที่มองเห็นทั้งหมดพร้อมกัน

AI อาจเริ่มเชื่อม pattern ระหว่างอุณหภูมิภายนอก โหลดของระบบปรับอากาศ จำนวนผู้ใช้อาคาร การใช้ไฟฟ้า และ complaint เรื่องความร้อน จากนั้นบอก Property Manager ว่าอาคารกำลังใช้พลังงานสูงผิดปกติจากสาเหตุใด หรืออาจเชื่อมข้อมูล vibration ของ pump กับ maintenance history เพื่อเตือนว่ามีโอกาสเสียภายในสองสัปดาห์ หรือวิเคราะห์ tenant complaints แล้วพบว่าปัญหาไม่ได้อยู่ที่ service response แต่เกิดจาก recurring issue ในพื้นที่เดิม

เมื่อถึงจุดนั้น Property Management จะไม่ได้เพียง “มี data” แต่เริ่มมี operational intelligence

และนี่อาจเป็นการเปลี่ยนแปลงครั้งใหญ่ที่สุดของวิชาชีพ เพราะ Property Manager จะค่อย ๆ เคลื่อนจากการบริหารเหตุการณ์ที่เกิดขึ้นแล้ว ไปสู่การบริหารสิ่งที่มีแนวโน้มจะเกิดขึ้น

จาก Reactive → Preventive → Predictive → Prescriptive

7. แต่ Property Manager ต้องระวังไม่ให้ AI กลายเป็นเพียง “เครื่องมือเฝ้าดู”

ทุกเทคโนโลยีที่ช่วยให้ผู้บริหารมองเห็นระบบมากขึ้น ย่อมมาพร้อมคำถามเรื่องอำนาจมากขึ้นเช่นกัน เมื่อเราสามารถเก็บข้อมูล productivity การเดินทาง การเข้าออก การใช้พื้นที่ การทำงานของพนักงาน และพฤติกรรมของผู้ใช้อาคารได้ละเอียดกว่าที่เคย คำถามจึงไม่ใช่เพียงว่า “เราทำได้หรือไม่” แต่ต้องถามต่อว่า “เราควรทำหรือไม่”

การใช้ AI เพื่อบริหารอาคารจึงต้องมี governance ที่ชัดเจน ข้อมูลใดควรเก็บ ใครมีสิทธิ์เห็น เก็บไว้นานแค่ไหน ใช้เพื่อวัตถุประสงค์อะไร และมีข้อมูลอะไรบ้างที่เราไม่ควรนำมาใช้แม้เทคโนโลยีจะทำได้

เพราะเมื่อ “The Eye of the Master” มองเห็นมากขึ้น คนที่อยู่ใต้สายตานั้นก็อาจรู้สึกว่าตนเองกำลังถูก monitor มากขึ้นเช่นกัน

Smart Property Management ที่แท้จริงจึงไม่ควรวัดความฉลาดของระบบจากจำนวน sensor หรือจำนวน AI model ที่ติดตั้ง แต่ควรวัดจากว่าระบบสามารถช่วยให้อาคารทำงานดีขึ้น คนทำงานตัดสินใจดีขึ้น ผู้ใช้อาคารได้รับประสบการณ์ดีขึ้น และเจ้าของสินทรัพย์ได้รับผลตอบแทนดีขึ้นพร้อมกันได้มากเพียงใด

8. จาก Artificial Intelligence สู่ Augmented Management

ในระยะต่อไป สิ่งที่อาจมีผลต่อผู้บริหารมากกว่า “Artificial Intelligence” คือสิ่งที่เรียกว่า Augmented Management นั่นคือ AI ไม่ได้เข้ามาแทนผู้จัดการทั้งหมด แต่เข้ามาขยายความสามารถของผู้จัดการให้สามารถมองเห็นระบบที่ซับซ้อนขึ้น วิเคราะห์ข้อมูลได้เร็วขึ้น และตัดสินใจบนข้อมูลมากขึ้น

ผู้จัดการหนึ่งคนอาจดูแลสินทรัพย์จำนวนมากขึ้น วิศวกรหนึ่งคนอาจติดตามเครื่องจักรหลายพันตัวพร้อมกัน ทีม Property Management อาจไม่ต้องใช้เวลาหลายวันเพื่อรวบรวม monthly report เพราะ AI สามารถสรุปสิ่งผิดปกติและเสนอ action ได้ภายในไม่กี่นาที

สิ่งที่มนุษย์จะต้องทำมากขึ้นจึงไม่ใช่การรวบรวมข้อมูล แต่คือ การตีความ การตัดสินใจ และการรับผิดชอบต่อการตัดสินใจ

AI สามารถบอกได้ว่าเครื่องจักรมีโอกาสเสีย 78% แต่ผู้จัดการยังต้องตัดสินใจว่าจะหยุดเครื่องเมื่อไร AI อาจแนะนำให้ลด manpower 10% เพื่อประหยัดต้นทุน แต่ผู้บริหารต้องเข้าใจผลต่อ service quality และ morale AI อาจบอกว่าพื้นที่บางส่วนถูกใช้งานน้อย แต่เจ้าของยังต้องพิจารณากลยุทธ์ของสินทรัพย์ในระยะยาว

นี่คือเหตุผลที่ management judgment จะมีค่ามากขึ้น ไม่ได้น้อยลง

9. ผู้จัดการในอนาคตต้องถามคำถามเก่งกว่าที่เคย

เมื่อเครื่องจักรสามารถตอบคำถามได้มากขึ้น ความได้เปรียบของมนุษย์อาจย้ายจาก “การมีคำตอบ” ไปสู่ “การตั้งคำถาม”

เราต้องถามให้ได้ว่า

• เรากำลัง optimize อะไร

• ข้อมูลนี้มาจากไหน

• มีอะไรที่ระบบมองไม่เห็น

• สมมติฐานของ model คืออะไร

• ใครได้ประโยชน์จากการตัดสินใจนี้

• ใครรับผลกระทบ

• และถ้า AI ผิด เราจะรู้ได้อย่างไร

ในโลกที่ผู้บริหารทุกคนมี AI assistant ความได้เปรียบจะไม่ได้อยู่ที่ใครสามารถเปิด ChatGPT ได้เร็วกว่า แต่จะอยู่ที่ใครเข้าใจระบบลึกพอที่จะถามคำถามที่คนอื่นไม่คิดจะถาม

เพราะ AI อาจรู้มาก แต่ไม่ได้หมายความว่ามันรู้ว่าอะไรสำคัญที่สุดสำหรับองค์กรของเรา

10. Master คนใหม่ อาจไม่ใช่คนคนเดียว

สิ่งที่น่าสนใจที่สุดจากแนวคิด “The Eye of the Master” คือ ในอดีต master อาจหมายถึงเจ้าของโรงงานหรือผู้จัดการที่ยืนอยู่เหนือระบบและมองคนอื่นทำงาน แต่ในยุค AI ภาพนี้อาจเปลี่ยนไป

Master อาจกลายเป็น “ระบบ” ที่เกิดจากข้อมูล algorithm workflow และ governance ซึ่งไม่มีใครคนเดียวควบคุมได้ทั้งหมด

ผู้บริหารอาจคิดว่าตนเองกำลังใช้ algorithm แต่ในเวลาเดียวกัน algorithm ก็เริ่มกำหนดวิธีที่ผู้บริหารมององค์กร Dashboard บอกเราว่าตัวเลขไหนสำคัญ KPI บอกเราว่าพฤติกรรมแบบไหนถูกให้รางวัล Recommendation Engine บอกเราว่าควรทำอะไรต่อ และ AI Agent อาจเริ่มลงมือแทนเรา

เราจึงต้องถามคำถามที่ลึกกว่าเดิมว่า

เรากำลังใช้ AI เพื่อบริหารระบบ หรือเรากำลังปรับองค์กรให้เข้ากับสิ่งที่ AI สามารถวัดได้?

สองเรื่องนี้ดูคล้ายกัน แต่ต่างกันมาก

องค์กรที่ดีจะใช้เทคโนโลยีเพื่อขยายความสามารถของมนุษย์ ขณะที่องค์กรที่ไม่ระวังอาจค่อย ๆ ลดทุกสิ่งให้เหลือเฉพาะสิ่งที่สามารถวัดได้ และในวันที่ทุกอย่างถูกเปลี่ยนเป็น metric เราอาจเริ่มลืมว่าสิ่งสำคัญที่สุดขององค์กรจำนวนมาก เช่น ความไว้วางใจ ความคิดสร้างสรรค์ ความเป็นผู้นำ ความสัมพันธ์กับลูกค้า และ judgment ของคน ไม่สามารถวัดได้อย่างสมบูรณ์

อนาคตของ AI จึงอาจไม่ใช่การแข่งขันว่าใครมีเครื่องจักรฉลาดที่สุด แต่เป็นการแข่งขันว่าใครสามารถสร้างความสัมพันธ์ที่ดีที่สุดระหว่าง Human Intelligence, Organizational Intelligence และ Machine Intelligence

เพราะท้ายที่สุดแล้ว AI จะเก่งขึ้นเรื่อย ๆ ในการมองเห็น pattern แต่ยังเป็นหน้าที่ของมนุษย์ที่จะตัดสินว่า pattern ไหนมีความหมาย เป้าหมายใดควรไล่ตาม และองค์กรแบบใดที่เราต้องการสร้างขึ้น

และบางที นี่อาจเป็นคำถามสำคัญที่สุดในยุค AI

เมื่อเทคโนโลยีสามารถมองเห็นทั้งระบบได้แล้ว ใครควรเป็นผู้กำหนดว่าเราจะใช้สายตานั้นมองหาอะไร

เพราะอนาคตไม่ได้ขึ้นอยู่เพียงกับว่า AI จะมองเห็นเราได้มากแค่ไหน

แต่อยู่ที่ว่า เรามองเห็นสิ่งที่ AI กำลังเปลี่ยนแปลงในตัวเราและในองค์กรได้ชัดแค่ไหน