ปัญหาของ AI สามารถแบ่งออกได้หลายมิติ ตั้งแต่ด้านเทคนิค ธุรกิจ ไปจนถึงสังคมและจริยธรรม โดยสรุปประเด็นสำคัญที่เกิดขึ้นจริงในปัจจุบัน (และจะรุนแรงขึ้นในอนาคต) มีประเด็นปัญหาอยู่ 7 ด้านด้วยกัน ได้ดังนี้
- ปัญหาด้านเทคนิค (Technical Problems) ซึ่งเกิดปัญหาหลักๆ อยู่ 3 ประการ คือ
1.1 จากการใช้ AI ในปัจจุบันนี้พบว่า AI สื่อสารผิดพลาดอาจกล่าวได้ว่า ตัว AI ที่เราใช้เข้าใจคำสั่งผิดผิดพลาด แต่ AI พูดมั่นใจ (Hallucination) ว่าที่ข้อมูลที่ให้มานี้ มีความน่าเชื่อถือ พร้อมทั้งมีการสร้างข้อมูลที่ “ดูเหมือนถูก” แต่ผิด และยังอ้างอิงแหล่งข้อมูลที่ไม่มีอยู่จริง ซึ่งเป็นอันตรายมากในงาน แพทย์ กฎหมาย การเงิน ระบบองค์กร
1.2 มี Context จำกัด เนื้อหาสั้น เข้าใจธุรกิจไม่จริง เข้าใจโค้ดได้ แต่ไม่เข้าใจ Business Logic ไม่รู้ constraint จริง เช่น กฎหมาย, SLA, Cost, Org policy
1.3 ไม่สามารถ Debug ระบบใหญ่ได้ มีความสามารถแค่กับ code snippet แต่อ่อนมากกับ Legacy / Distributed / Microservices เพราะ AI ส่วนใหญ่ยังไปไม่ถึงขั้นทำความเข้าใจระบบที่ซับซ้อน คือ ไม่รู้ root cause ที่ซับซ้อน เมื่อผู้ใช้มั่นใจในระบบ AI จึงทำให้ระบบพังเมื่อ deploy จริง
2. ปัญหาด้านข้อมูล (Data Problems)
21. เกิดการ Data Bias สาเหตุรุปแบบเรียนรู้จากข้อมูลที่ลำเอียงหรือ รูปแบบการเรียนที่ไม่ตรง ทำให้ AI ตัดสินใจไม่ถูกต้อง ให้นำ้หนักกับจำนวนข้อมูลที่มากกว่า จึง ส่งผลกระทบต่องานด้านต่างๆ ได้แก่ HR, Credit scoring, Policing
2.2 ข้อมูลที่ใช้เป็นข้อมูลเก่า ที่ผ่านการค้นหาจากเว็บไซต์ต่างๆ ทำให้ Data ไม่สด (Stale Knowledge) ข้อมูลที่ได้เมื่อนำมาใช้เพื่อฝึกสอนจะไม่เป็นข้อมูลแบบ real-time ไม่มีการลำดับเหตุการณ์ว่า เห็นเหตุการณ์ไหนมาก่อน และเหตุการณ์ล่าสุดคืออะไร เมื่อมีกฎหมายใหม่ เทคโนโลยีใหม่ ก็จะไม่สามารถประมวลผลให้ตรงกับปัจจุบันได้ ถ้าไม่เชื่อม real-time data ก็ตัดสินใจผิดพลาด
2.3 เกิดกรณีที่ Garbage In = Garbage Out ข้อมูลองค์กรกระจัดกระจายไม่ทราบแหล่งที่มา ไม่มี data governance สุดท้าย AI ตอบมั่วแบบมีเหตุผล (อันตราย)
3. ปัญหาด้านความปลอดภัย (Security)
3.1 Prompt Injection ผู้ใช้หลอกให้ AI เปิดข้อมูลลับผ่านกระบวนการ bypass rule ได้ เป็นภัยใหม่ของระบบ SaaS ที่ยังไม่มีระบบป้องกัน AI ในการดึงข้อมูลที่เป็นความลับ
3.2 Data Leakage AI อาจนำข้อมูลภายในไปใช้ผิดบริบททำให้เสี่ยงต่อ GDPR / PDPA / Compliance
3.3 Model Supply Chain มีการใช้ model / plugin / agent จาก third-party มี backdoor โดยไม่รู้ตัว
4. ปัญหาด้านธุรกิจ (Business Problems) และการดำเนินงาน
4.1 คน “เชื่อ AI มากเกินไป” ไม่ตรวจ output เอาไปใช้ production ทันที เกิด Silent Failure (พังแบบไม่รู้ตัว)
4.2 ต้นทุนซ่อนเร้น (Hidden Cost) ค่า inference + fine-tune ค่า infra + observability ค่า human-in-the-loop
4.3 ROI ไม่ชัด ทำ AI เพราะ “กระแส” ไม่มี KPI วัดผล ไม่รู้ว่าคุ้มจริงหรือไม่ ทำให้ไม่ทราบต้นทุนที่แท้จริง พร้อมกับไม่สามารถวัดผลได้ว่า ใช้งานได้จริง หรือไม่
5. ปัญหาด้านกฎหมายและจริยธรรม
- ความรับผิดชอบ (Accountability) เมื่อ AI ทำงานผิดพลาดจนทำให้งานพัง หรือเกิดความเสียหายกับหน่วยงาน ใครจะเป็นผู้รับผิดชอบ หน่วยงาน หรือ คนพัฒนา หรือคนใช้งาน AI
- ลิขสิทธิ์ & IP AI สร้างเนื้อหาหรือ content ที่เหมือนกับคนอื่นๆ หรือคล้าย เสี่ยงที่จะโดนฟ้องร้อง โดยเฉพาะในธุรกิจด้าน มีเดีย การออกแบบ และการพัฒนาซอฟต์แวร์ ซึ่งตรงนี้ กฏระเบียบต่างๆ ต้องเข้ามาควบคุมดูแล และกำหนดกรอบให้ชัดเจน
- การแทนที่แรงงาน
6. ปัญหาระดับองค์กร (Enterprise-Level Problems)
- AI ทำให้ระบบผัง ผู้พัฒนาได้ใช้ AI ในการสร้างระบบใช้งานจริงทั้งระบบ โดยไม่มีการรีวิว การอธิบาย ไม่มีการทดสอบ และไม่รู้สถาปัตยกรรมที่สร้างขึ้น เกิดจาก คำสั่ง AI ไม่กี่คำสั่งเท่านั้น พอจะพัฒนาต่อหรือขยายระบบ ไม่สามารถทำได้เลย
- Shadow AI ผู้ใช้งานไปใช้ระบบ AI อื่น นอกหน่วยงาน โดยใช้ข้อมูลบริษัทที่เป็นความลับ อาจจะเกิดความเสี่ยง
7. ปัญหาเชิงปรัชญา (Long-term Risk)
- Alignment Problem AI สามารถทำตามเป้าหมายที่วางไว้ได้ แต่อาจจะผิดเจตนา หรือไม่ตรงกับความต้องการ
- Human Skill Degradation การใช้ AI บ่อยๆ จนเสพติดอาจจะเกิดปัญหาการคิดน้อยลง ตัดสินใจไม่เป็น เพราะเราเพิ่งแต่ AI เท่านั้น เราไม่เกิดการเรียนรู้เพื่อพัฒนาต่อยอดได้ ได้แต่ผลลัพฑ์ ไม่ได้กระบวนการคิด
ความคิดเห็น
แสดงความคิดเห็น