Sovereign AI : องค์กรของคุณควบคุม AI ได้มากแค่ไหน?

EN

ในขณะที่หลายองค์กรกำลังให้ความสำคัญกับการนำ AI มาขับเคลื่อนธุรกิจ อีกคำถามหนึ่งที่เริ่มสำคัญขึ้นเรื่อย ๆ คือ ข้อมูล องค์ความรู้ และกระบวนการสำคัญขององค์กร ถูกควบคุมและปกป้องอย่างเหมาะสมแล้วหรือยัง?

นี่คือที่มาของแนวคิด Sovereign AI ซึ่งกำลังกลายเป็นประเด็นสำคัญสำหรับทุกองค์กร

Sovereign AI คืออะไร? และทำไมถึงสำคัญ

Sovereign AI คือแนวคิดที่เน้นให้องค์กรสามารถกำหนดและควบคุมได้ด้วยตนเองว่า ข้อมูล โมเดล AI และกระบวนการทำงานที่เกี่ยวข้องกับ AI จะถูกจัดเก็บ ประมวลผล และใช้งานอย่างไร โดยที่ยังสอดคล้องกับข้อกำหนดด้านความปลอดภัยและนโยบายขององค์กร

ที่ผ่านมา หลายองค์กรเริ่มต้นใช้งาน AI ผ่านบริการจาก Global Provider ไม่ว่าจะเป็น ChatGPT, Google Gemini ซึ่งช่วยให้องค์กรเข้าถึงเทคโนโลยีได้เร็วขึ้นพร้อมลดภาระในการดูแลระบบด้วยตนเอง แต่เมื่อ AI เริ่มเข้าไปเกี่ยวข้องกับข้อมูลสำคัญมากขึ้น ประเด็นเรื่องการควบคุมและสิทธิ์การเป็นเจ้าของข้อมูลก็เริ่มเป็นเรื่องที่ละเลยไม่ได้

ความเสี่ยงที่หลายองค์กรเริ่มให้ความสำคัญ มีอยู่ 3 ด้านหลัก

ความเสี่ยงจากปัจจัยด้านพื้นที่ (Geopolitical Risk) ซึ่งอาจส่งผลต่อการเข้าถึงเทคโนโลยีหรือโครงสร้างพื้นฐานในอนาคต หากเกิดการเปลี่ยนแปลงด้านนโยบายหรือความสัมพันธ์ระหว่างประเทศ องค์กรอาจเผชิญกับต้นทุนที่สูงขึ้น ข้อจำกัดในการใช้งาน หรือการหยุดชะงักของบริการได้ในอนาคต

การพึ่งพาผู้ให้บริการรายใดรายหนึ่งมากเกินไป (Vendor Lock-in)

เป็นความเสี่ยงที่มักถูกมองข้ามในช่วงเริ่มต้นของการนำ AI มาใช้งาน เมื่อระบบ ข้อมูล และกระบวนการทำงานถูกผูกติดกับแพลตฟอร์มเดียว การย้ายไปยังผู้ให้บริการรายอื่นในอนาคตอาจมีต้นทุนสูง ใช้เวลานาน และส่งผลกระทบต่อการดำเนินงาน

ความเสี่ยงด้านกฎหมายและข้อกำหนดที่เกี่ยวข้องกับ AI (Regulatory Risk)

กำลังกลายเป็นประเด็นที่องค์กรไม่อาจมองข้ามได้ ไม่ว่าจะเป็น PDPA ของไทย หรือ EU AI Act ของสหภาพยุโรป ซึ่งปัจจุบันมีผลบังคับใช้อย่างเต็มรูปแบบแล้ว  ที่สำคัญ กฎหมายเหล่านี้ไม่ได้บังคับใช้เฉพาะในประเทศต้นทางเท่านั้น แต่ยังมีผลข้ามพรมแดนอีกด้วย 

EU AI Act: ตัวเร่งปฏิกิริยาที่ทำให้ Sovereign AI ไม่ใช่ทางเลือก แต่เป็นทางรอด

กฎหมาย EU AI Act ถือเป็นตัวแปรสำคัญที่บีบให้องค์กรทั่วโลกต้องหันมาใส่ใจเรื่อง Sovereign AI โดยกฎหมายนี้ใช้แนวทางการประเมินตามระดับความเสี่ยง (Risk-based Approach) และมีข้อกำหนดที่เข้มงวดมากสำหรับระบบ AI ที่ถูกจัดอยู่ในกลุ่มความเสี่ยงสูง (High-Risk AI) เช่น AI ที่ใช้คัดเลือกบุคลากรเข้าทำงาน การประเมินสินเชื่อ หรือการตัดสินใจใด ๆ ที่ส่งผลกระทบโดยตรงต่อสิทธิ์และเสรีภาพของบุคคล

ที่สำคัญ EU AI Act อาจสร้างปรากฏการณ์ “The Brussels Effect” แบบเดียวกับที่ GDPR เคยกลายเป็นต้นแบบของกฎหมายคุ้มครองข้อมูลส่วนบุคคลในหลายประเทศ รวมถึง PDPA ของไทย ส่งผลให้มาตรฐานของยุโรปมีแนวโน้มถูกนำไปใช้เป็นบรรทัดฐานสาก

ไทยอยู่ตรงไหนใน ASEAN Sovereignty Race?

หากหันมามองในภูมิภาคอาเซียน ประเทศเพื่อนบ้านหลายรายเริ่มขยับตัวเรื่อง AI Sovereignty อย่างเห็นได้ชัด เช่น สิงคโปร์ตอนนี้มีกรอบการกำกับดูแล AI ที่ค่อนข้างชัดเจน ขณะที่อินโดนีเซียและมาเลเซียเองก็กำลังเดินหน้าพัฒนาโครงสร้างพื้นฐานและมาตรฐานด้าน AI ของตัวเองอย่างต่อเนื่อง

สำหรับประเทศไทย เราเริ่มเห็นสัญญาณบวกและการพัฒนาในหลาย ๆ ด้านพร้อมกัน ทั้งเม็ดเงินลงทุนใน Data Center ที่หลั่งไหลเข้ามา การบังคับใช้กฎหมาย PDPA ที่จริงจังขึ้น รวมถึงการพัฒนา ThaiLLM ซึ่งเป็นโมเดลภาษาไทยที่ออกแบบมาเพื่อเข้าใจบริบทและรองรับการใช้งานภายในประเทศโดยเฉพาะ

อย่างไรก็ตาม หลายองค์กรยังอยู่ในช่วงศึกษาทิศทางและประเมินผลกระทบ ทำให้การลงทุนด้าน Sovereign AI ยังอยู่ในช่วงเริ่มต้นเมื่อเทียบกับบางประเทศในภูมิภาคเดียวกัน

ThaiLLM: เมื่อไทยมี Native AI แล้ว องค์กรควรทำอย่างไร?

หลายคนอาจจะสงสัยว่า ในเมื่อมีโมเดลระดับโลกที่ดีอยู่แล้ว องค์กรยังจำเป็นต้องสนใจโมเดลที่พัฒนาขึ้นสำหรับประเทศไทยด้วยเหรอ

ความจริงคือทั้งสองมีบทบาทต่างกัน

Global Model (โมเดลระดับโลก) มีจุดแข็งด้านความสามารถทั่วไปและการรองรับงานที่หลากหลาย ขณะที่โมเดลที่พัฒนาจากข้อมูลและบริบทไทย (ThaiLLM) มีข้อได้เปรียบในงานที่ต้องอาศัยความเข้าใจทางภาษา กฎระเบียบ และรูปแบบการทำงานเฉพาะของประเทศไทย ตัวอย่างเช่น งานด้านกฎหมาย การกำกับดูแล การวิเคราะห์เอกสารภายในองค์กร หรือการจัดการองค์ความรู้ที่เกี่ยวข้องกับประเทศไทยโดยเฉพาะ

เพราะแบบนี้หลายองค์กรจึงเริ่มมองไปที่แนวทาง Hybrid AI Architecture ซึ่งเป็นการผสมผสานการใช้งานระหว่าง Global Model และ Local Model ให้เหมาะกับงานแต่ละประเภท แทนที่จะเลือกอย่างใดอย่างหนึ่ง

Trust Architecture: 4 เรื่องที่องค์กรควรตัดสินใจให้ชัด

องค์กรที่วางแผนจะนำ AI ไปใช้ในระดับ Enterprise ควรมีคำตอบที่ชัดเจนใน 4 เรื่องนี้

1. ข้อมูลอยู่ที่ไหน (Data Residency) 

องค์กรควรรู้ว่าข้อมูลสำคัญถูกจัดเก็บอยู่ที่ไหน ใครสามารถเข้าถึงได้ และมีข้อมูลประเภทใดบ้างที่ไม่ควรถูกส่งออกไปภายนอกองค์กรหรือออกนอกประเทศ

2. การประมวลผลเกิดขึ้นที่ไหน (Inference)

เมื่อ AI นำข้อมูลไปวิเคราะห์ ข้อมูลเหล่านั้นถูกประมวลผลภายในองค์กร บน Private Cloud หรือบน Public Cloud และระดับความเสี่ยงที่ยอมรับได้คือเท่าไร

3. ใช้โมเดลของใคร (Model)

องค์กรควรเข้าใจขอบเขตการใช้งานของโมเดลแต่ละประเภทที่ใช้อยู่ รวมถึงเงื่อนไขการใช้ข้อมูล การปรับแต่งโมเดล และสิทธิ์ในการเป็นเจ้าของผลลัพธ์ที่เกิดขึ้น

4. ใครเป็นผู้รับผิดชอบ (Governance)

การนำ AI มาใช้ในองค์กรไม่ใช่เรื่องของฝ่ายเทคนิคเพียงอย่างเดียว แต่ต้องมีผู้รับผิดชอบด้านนโยบาย การกำกับดูแล และการบริหารความเสี่ยงอย่างชัดเจน

เริ่มต้นอย่างไรดี?

องค์กรไม่จำเป็นต้องเริ่มลงทุนในสเกลใหญ่เสมอไป แต่สามารถเริ่มจากการทำความเข้าใจทรัพยากร AI ที่มีอยู่ จัดประเภทข้อมูลที่สำคัญ ทบทวนข้อตกลงกับผู้ให้บริการ และกำหนดแนวทางการกำกับดูแลให้ชัดเจน เมื่อพื้นฐานพวกนี้มั่นคงแล้ว การนำ AI ไปใช้ในระดับที่กว้างขึ้นก็จะไม่ใช่เพียงการเพิ่มประสิทธิภาพการทำงาน แต่เป็นการสร้างคุณค่าให้ธุรกิจได้อย่างยั่งยืนในระยะยาว

สรุป

Sovereign AI ไม่ได้หมายถึงการหลีกเลี่ยงเทคโนโลยีจากต่างประเทศ หรือการสร้างทุกอย่างขึ้นมาเอง แต่คือการเข้าใจว่า ข้อมูล องค์ความรู้ และความสามารถด้าน AI ที่เป็นหัวใจของธุรกิจ ควรถูกควบคุมในระดับไหนและ องค์กรมีความพร้อมพอหรือไม่ ถ้าสภาพแวดล้อมด้านเทคโนโลยีหรือกฎระเบียบจะเปลี่ยนแปลงไปในอนาคต

ที่ Sertis เราช่วยองค์กรวางรากฐานด้าน Enterprise AI ตั้งแต่ Data Architecture และ Knowledge Management ไปจนถึง AI Governance เพื่อให้องค์กรสามารถนำ AI ไปใช้งานได้จริงในระดับธุรกิจ พร้อมรองรับข้อกำหนดด้านความปลอดภัยและการกำกับดูแลที่เปลี่ยนแปลงอยู่ตลอดเวลา  

ปรึกษาเราได้ที่ : contact us