พนักงานเก่งขึ้นเพราะ AI แต่ “ความรู้ของบริษัท” กำลังอยู่ในบัญชีส่วนตัวของใคร?

ช่วงแรกที่ Generative AI เริ่มเข้ามาในโลกการทำงาน เรื่องที่ผู้บริหาร ฝ่าย People และทีม Technology กังวลกันมากที่สุดคือ Data Privacy และ Data Leakage หลายองค์กรรีบออกนโยบายว่าเครื่องมือไหนใช้ได้ เครื่องมือไหนห้ามใช้ ข้อมูลประเภทใดห้ามส่งเข้า Public AI เพราะกลัวว่าพนักงานจะเผลอเอาข้อมูลลูกค้า ความลับทางการค้า Source Code หรือข้อมูลภายในบริษัทออกไปอยู่ในระบบที่องค์กรควบคุมไม่ได้ ความกังวลเหล่านั้นยังสำคัญเหมือนเดิม แต่เมื่อองค์กรเริ่มใช้ AI จริงจังขึ้น ผมคิดว่ามีความเสี่ยงอีกแบบหนึ่งกำลังเกิดขึ้นเงียบ ๆ และอาจสร้างผลกระทบต่อองค์กรในระยะยาวมากกว่าที่เราคิด มันไม่ได้เริ่มจากข้อมูลถูกขโมย ไม่ได้มี Hacker และบางครั้งไม่มี Security Incident เกิดขึ้นเลยด้วยซ้ำ เรื่องอาจเริ่มจากวันธรรมดาวันหนึ่ง เมื่อพนักงานคนสำคัญของทีมตัดสินใจลาออก บริษัทดำเนินกระบวนการ Offboarding ตามปกติ คืน Laptop ปิด Email ส่งมอบไฟล์ และประชุม Handover ทุกอย่างดูเรียบร้อยดี จนผ่านไปไม่กี่วัน ทีมเริ่มพบว่า Prompt ที่ใช้ทำงานสำคัญมาตลอดอยู่ใน AI Account ส่วนตัวของคนที่ออกไป Agent ที่เคยช่วยทีมทำ Report ทุกสัปดาห์ผูกอยู่กับ Email ของเขา Automation ที่ทุกคนใช้เป็นประจำไม่มีใครรู้ว่า Configuration อยู่ตรงไหน ส่วน Chat History ที่สะสม Context ของลูกค้ามาหลายเดือนก็ไม่สามารถเข้าถึงได้อีกแล้ว ตอนนั้นทีมถึงเริ่มรู้ว่า สิ่งที่คิดมาตลอดว่าเป็น “ระบบของบริษัท” จริง ๆ แล้วอาจเป็นเพียงระบบส่วนตัวของพนักงานคนหนึ่งที่ทุกคนบังเอิญได้ใช้ร่วมกัน นี่ไม่ใช่ Data Leakage ในความหมายที่เราคุ้นเคย แต่เป็นความเสี่ยงอีกประเภทที่ผมมองว่าองค์กรควรเริ่มให้ความสำคัญมากขึ้น นั่นคือ Personal AI Knowledge Trap หรือสถานการณ์ที่องค์กรสร้างความรู้และ Capability ใหม่ขึ้นมาจำนวนมากผ่าน AI แต่ความรู้เหล่านั้นกลับไม่ได้กลายเป็นทรัพย์สินขององค์กร มันยังผูกอยู่กับคน เครื่องมือ และ Account ส่วนตัว จนสามารถเดินออกจากบริษัทไปพร้อมกับเจ้าของได้ทุกเมื่อ

AI ทำให้คนหนึ่งคนสร้าง “ระบบการทำงานของตัวเอง” ได้เร็วกว่าเดิมมาก

เมื่อก่อน ถ้าพนักงานคนหนึ่งอยากสร้าง Workflow ขึ้นมาช่วยลดงานซ้ำในทีม กระบวนการมักไม่ได้เกิดขึ้นง่ายนัก อาจต้องคุยกับ IT เขียน Requirement รอคิวพัฒนา หรือเสนอของบเพื่อซื้อ Software เพิ่มขึ้นมา ใช้เวลาเป็นสัปดาห์หรือเป็นเดือนกว่าจะได้ระบบเล็ก ๆ สักหนึ่งตัว วันนี้ภาพเปลี่ยนไปเกือบทั้งหมด พนักงานคนเดียวสามารถใช้เวลาหลังเลิกประชุมไม่กี่ชั่วโมง สร้าง Prompt สำหรับวิเคราะห์ลูกค้า ทำ Custom GPT เอาไว้ช่วยทีมเขียน Proposal เชื่อม Email เข้ากับ Spreadsheet ผ่าน Automation หรือสร้าง Agent ที่ช่วยสรุปรายงานและจัดกลุ่มงานให้เสร็จได้โดยแทบไม่ต้องรอใคร ในมุม Productivity นี่เป็นเรื่องที่ดีมาก เพราะคนหน้างานรู้ปัญหาของตัวเองดีที่สุด การที่เขาสามารถสร้าง Solution ได้ทันทีโดยไม่ต้องรอส่วนกลาง ทำให้องค์กรเคลื่อนตัวเร็วขึ้น และช่วยให้พนักงานธรรมดาคนหนึ่งสามารถสร้าง Output ได้มากกว่าที่เคยเป็นหลายเท่า แต่ในมุม Organization Design คำถามสำคัญเริ่มเกิดขึ้นตรงนี้ สิ่งที่ทำให้งานเดินเร็วขึ้นนั้น เป็นความสามารถของ “พนักงานคนนั้น” หรือกลายเป็นความสามารถของ “องค์กร” แล้วจริง ๆ? สองอย่างนี้ไม่เหมือนกัน ถ้า Workflow นั้นอยู่ใน Shared Workspace มี Owner มี Documentation และมีคนอื่นดูแลต่อได้ เราอาจพูดได้ว่ามันกำลังกลายเป็น Organizational Capability แต่ถ้าทั้งหมดอยู่ใน Account ส่วนตัวของคนคนเดียว องค์กรอาจเพียงกำลังเช่าความสามารถนั้นจากพนักงานโดยไม่รู้ตัว วันที่เขายังอยู่ ทุกอย่างดูดีมาก วันที่เขาออก ความจริงจึงค่อยปรากฏว่า Capability ที่เราเคยคิดว่ามีอยู่ในบริษัท หายไปพร้อมกับเขาด้วย

Key Person Risk ไม่ได้หายไปเพราะมี AI แต่มันกำลังเปลี่ยนรูปแบบ

หลายองค์กรคุ้นเคยกับ Key Person Risk อยู่แล้ว เรารู้ว่าบางคนถือ Relationship กับลูกค้าสำคัญ บางคนรู้ระบบเก่ามากที่สุด หรือบางคนมี Technical Knowledge ที่ไม่มีใครแทนได้ง่าย ๆ AI ไม่ได้ทำให้ความเสี่ยงนี้หายไป แต่กำลังเพิ่มอีกชั้นเข้าไป พนักงานหนึ่งคนในวันนี้อาจไม่ได้ถือเพียงความรู้และประสบการณ์ แต่ถือทั้ง Prompt, Workflow, Automation, Agent, Context และวิธีใช้ AI ที่พัฒนามาจากการลองผิดลองถูกเป็นเวลาหลายเดือนอยู่พร้อมกัน ลองนึกถึง Marketing Manager คนหนึ่งที่ใช้เวลาครึ่งปีปรับ Prompt จนสามารถสร้าง Campaign Draft ได้ใกล้เคียง Brand Voice ของบริษัทมาก ทีมทุกคนใช้มันจนกลายเป็นเรื่องปกติ และเริ่มรู้สึกว่า “AI ตัวนี้เก่งมาก” แต่ความจริง สิ่งที่ทำให้ Output ดีอาจไม่ได้อยู่ที่ตัว AI เพียงอย่างเดียว มันอยู่ใน Prompt ที่ถูกแก้มาแล้วนับร้อยครั้ง ตัวอย่างที่ถูกป้อนเข้าไปเรื่อย ๆ ข้อห้ามต่าง ๆ ของแบรนด์ Feedback ที่สะสมจากงานจริง และประสบการณ์ของ Manager ที่รู้ว่า Output แบบไหนใช้ได้ แบบไหนต้องแก้ ถ้าสิ่งเหล่านี้ทั้งหมดอยู่ใน Account ของคนคนนั้น วันที่เขาออก บริษัทไม่ได้เสียเพียง Employee หนึ่งคน แต่เสีย Operating Capability ที่ถูกสร้างและสะสมมาหลายเดือน ไปพร้อมกันด้วย นี่คือ Key Person Risk รูปแบบใหม่ที่น่ากังวล เพราะบางครั้งองค์กรไม่รู้ด้วยซ้ำว่าตัวเองพึ่งพาคนคนนี้ในระดับไหน จนกระทั่งเขาไม่อยู่แล้ว

จาก Tacit Knowledge สู่ “AI-Embedded Knowledge”

ในศาสตร์ด้าน Knowledge Management เราคุ้นเคยกับการแบ่งความรู้ออกเป็น Explicit Knowledge และ Tacit Knowledge มานาน Explicit Knowledge คือสิ่งที่สามารถเขียนและจัดเก็บได้ เช่น คู่มือ SOP Checklist หรือ Database ส่วน Tacit Knowledge คือความรู้จากประสบการณ์ที่อยู่ในตัวคน เช่น รู้ว่าลูกค้ารายนี้ต้องพูดอย่างไร รู้ว่า Process ตามคู่มือกับหน้างานจริงต่างกันตรงไหน หรือรู้ว่าเมื่อเกิดปัญหาบางอย่างต้องโทรหาใครก่อน แต่ AI กำลังทำให้เกิดความรู้ประเภทหนึ่งที่อยู่ตรงกลางระหว่างสองแบบนี้มากขึ้น ผมเรียกมันว่า AI-Embedded Knowledge มันไม่ใช่ความรู้ที่อยู่ในหัวคนทั้งหมดแล้ว เพราะบางส่วนถูกบันทึกออกมาเป็น Prompt, Agent Configuration, Automation Logic หรือ Chat History แต่ขณะเดียวกันก็ยังไม่ได้ถูกจัดการในฐานะความรู้ขององค์กรอย่างเป็นระบบ นั่นทำให้มันมีสถานะค่อนข้างแปลก เรามองเห็นมัน ใช้มันทุกวัน และมันสร้าง Value จริง แต่กลับไม่รู้ว่าใครเป็น Owner ไม่รู้ว่า Version ไหนคือ Version ล่าสุด ไม่รู้ว่าถ้าคนสร้างหายไปใครแก้ได้ และบางครั้งไม่รู้ด้วยซ้ำว่ามันเก็บอยู่ตรงไหน เมื่อ AI Adoption โตเร็วกว่า Knowledge Governance ช่องว่างแบบนี้จะเพิ่มขึ้นเรื่อย ๆ

Prompt บางประเภทกำลังกลายเป็นทรัพย์สินทางธุรกิจ ไม่ใช่แค่ประโยคที่ใช้คุยกับ AI

ช่วงแรกเรามักมอง Prompt เป็นเพียงคำถามหรือคำสั่งหนึ่งชุด เช่น “ช่วยเขียน Proposal ให้ลูกค้าหน่อย” ซึ่งแน่นอนว่า Prompt แบบนี้ไม่มีความพิเศษมาก ใครก็สามารถเขียนขึ้นมาใหม่ได้ แต่ Prompt ที่ถูกใช้จริงในองค์กรบางชุดไม่ได้ธรรมดาแบบนั้นแล้ว มันอาจระบุว่าลูกค้าแต่ละ Segment ต้องใช้ Tone of Voice อย่างไร ต้องวิเคราะห์ Pain Point ด้วย Framework ไหน Solution แบบใดเหมาะกับงบประมาณระดับไหน มีเงื่อนไขอะไรที่ห้ามเสนอ ต้องตรวจข้อมูลอะไรบ้างก่อนส่งออก และเมื่อเจอสถานการณ์ A, B หรือ C ต้องจัดการแตกต่างกันอย่างไร เมื่อถึงระดับนี้ Prompt ไม่ได้เป็นเพียงคำสั่ง แต่มันเริ่มบรรจุ Business Rule, Process Logic และวิธีคิดของบริษัท อยู่ข้างใน และเมื่อ Prompt ถูกพัฒนาโดยใช้เวลา ประสบการณ์ และข้อมูลจริงขององค์กรมาเรื่อย ๆ มูลค่าของมันก็ไม่ได้อยู่ที่จำนวนคำ แต่มาจากความรู้ที่ถูกกลั่นรวมอยู่ในนั้น ตรงนี้องค์กรต้องเริ่มมอง Prompt, Agent และ Workflow บางประเภทใหม่ ไม่ใช่มองว่าเป็นเพียงเครื่องมือส่วนตัวของพนักงาน แต่เป็น Digital Work Asset ที่อาจมีคุณค่าทางธุรกิจจริง

จาก Shadow IT และ Shadow AI กำลังเข้าสู่ยุคของ “Shadow Knowledge”

หลายบริษัทเคยผ่านปัญหา Shadow IT มาแล้ว คือพนักงานนำ Software ที่องค์กรไม่ได้จัดหาให้มาใช้เอง ต่อมาก็เริ่มเจอ Shadow AI คือพนักงานสมัครและใช้ AI Tool เองโดยที่บริษัทไม่รู้ ผมคิดว่าคลื่นถัดไปคือ Shadow Knowledge มันคือความรู้ที่องค์กรใช้ทำงานจริง แต่ไม่มีอยู่ในระบบความรู้ขององค์กรอย่างเป็นทางการ ตัวอย่างที่ฟังดูคุ้นมากในออฟฟิศ เช่น “เรื่องนี้ไปถามพี่เอ เขามี Prompt อยู่” หรือ “รายงานแบบนี้ต้องให้น้องบีทำ เพราะ Agent ของเขาทำได้” หรือ “ลูกค้ากลุ่มนี้ต้องเปิด Chat เก่าของหัวหน้าทีมก่อน ไม่งั้นจะไม่รู้ Context” ตอนที่ทุกคนยังอยู่ครบ ทุกอย่างดูคล่องตัว ไม่มีใครรู้สึกว่าเป็นปัญหา เพราะแค่ถามคนที่ถูกก็ทำงานต่อได้ แต่เมื่อทีมเปลี่ยน คนย้าย Role หรือคนลาออก Shadow Knowledge เหล่านี้จะกลายเป็น Knowledge Gap ทันที และนั่นเป็นปัญหาที่อันตราย เพราะสิ่งที่องค์กรสูญเสียไม่ใช่เพียงข้อมูล แต่เป็น “วิธีทำงาน” ที่ไม่มีใครรู้ว่าถูกเก็บไว้ตรงไหน

Offboarding ในยุค AI จึงไม่ควรจบที่คืน Laptop และปิด Email

ถ้า Checklist ตอนพนักงานลาออกยังมีเพียงคืนอุปกรณ์ ปิดบัญชี ส่งต่อ Excel และ PowerPoint ผมคิดว่าองค์กรต้องเริ่มทบทวนใหม่ วันนี้การส่งมอบงานควรรวมถึงการส่งมอบ Digital Work Logic ด้วย ต้องรู้ว่าพนักงานคนนั้นสร้าง Agent หรือ Custom GPT อะไรไว้หรือไม่ มี Prompt ใดที่ทีมกำลังใช้เป็นประจำ มี Automation หรือ Integration ตัวไหนผูกกับ Account หรือ Token ส่วนตัว มี Knowledge Base ใดที่อยู่ในพื้นที่ส่วนบุคคล และ Workflow ที่พนักงานสร้างไว้กำลังรองรับ Process สำคัญของทีมหรือไม่ เรื่องนี้สำคัญมากเพราะบางครั้งพนักงานเองก็ไม่ได้คิดว่าตัวเองกำลังถือ Asset สำคัญอยู่ เขาแค่สร้างอะไรขึ้นมาเพื่อช่วยงานตัวเอง แล้วทีมค่อย ๆ พึ่งมันมากขึ้นเรื่อย ๆ จนกลายเป็น Infrastructure แบบไม่เป็นทางการ ดังนั้นคำว่า Handover ในยุค AI จึงไม่ได้หมายถึงแค่ “ส่งไฟล์ครบแล้วหรือยัง” แต่ต้องตอบให้ได้ว่า ถ้าคนนี้ไม่อยู่พรุ่งนี้ คนอื่นสามารถทำงานเดิมต่อได้หรือไม่

แต่ถ้าคุมทุกอย่างมากเกินไป ก็สามารถฆ่า Innovation ได้เหมือนกัน

พอพูดมาถึงตรงนี้ หลายองค์กรอาจคิดว่าทางออกง่ายที่สุดคือให้ทุก Prompt ต้องลงทะเบียน ทุก Agent ต้องผ่าน Approval และทุก Automation ต้องผ่าน IT ก่อนใช้ ผมคิดว่าต้องระวังมาก เพราะจุดแข็งของ AI คือการทำให้พนักงานสามารถทดลองและแก้ปัญหาได้เร็ว ถ้าองค์กรสร้าง Governance หนักเกินไปจนทุก Prompt ต้องรอ Committee ทุก Agent ต้องผ่านห้าฝ่าย สิ่งที่จะเกิดขึ้นมีสองทาง คือคนหยุดทดลอง หรือกลับไปทำ Shadow AI เหมือนเดิมแต่ไม่บอกบริษัท แนวทางที่เหมาะกว่าคือ Governance by Criticality งานเล็ก ความเสี่ยงต่ำ และใช้คนเดียว สามารถปล่อยให้ทดลองได้ค่อนข้างอิสระ แต่เมื่อ Workflow เริ่มถูกใช้ซ้ำ มีหลายคนพึ่งพา หรือกลายเป็นส่วนหนึ่งของ Process สำคัญ ก็ควรเริ่มมี Owner มี Documentation และมี Backup มากขึ้น ส่วน Use Case ที่เกี่ยวข้องกับข้อมูลลับ ลูกค้า หรือการตัดสินใจสำคัญขององค์กร ก็ควรได้รับการควบคุมในระดับที่สูงกว่า หลักสำคัญคือไม่ควรใช้กฎเดียวกับทุก Use Case เพราะ Innovation กับ Governance ไม่ควรเป็นศัตรูกัน หน้าที่ของ Governance ที่ดีคือทำให้สิ่งที่มีคุณค่าถูกยกระดับขึ้นมาเป็น Asset ขององค์กร โดยไม่ทำให้พนักงานหมดแรงอยากสร้างสิ่งใหม่

แล้วองค์กรควรเริ่มตรงไหนโดยไม่ทำให้เรื่องนี้กลายเป็น Project ใหญ่?

ผมคิดว่าเริ่มจากของจริงในแต่ละทีมก่อนก็พอ ไม่จำเป็นต้องไป Audit ทุก Prompt และทุก Chat ในบริษัท ลองถามง่าย ๆ ว่า วันนี้ในทีมมี AI Workflow, Agent หรือ Automation ตัวไหนที่ถ้าหายไปพรุ่งนี้แล้วงานจะสะดุด ตัวไหนมีคนใช้หลายคน ตัวไหนเกี่ยวข้องกับลูกค้า และตัวไหนถูกใช้กับงานสำคัญเป็นประจำ เลือกมาเพียง 5–10 ตัวแรกแล้วจัดการให้ดี จากนั้นให้รู้ว่าแต่ละตัวทำอะไร ใครเป็น Owner อยู่ที่ไหน ใช้ข้อมูลจาก Source ไหน ใครมีสิทธิ์แก้ไข มี Backup หรือไม่ และถ้า Owner คนปัจจุบันย้ายงาน ใครสามารถรับต่อได้ ถ้าเครื่องมือใดถูกพิสูจน์แล้วว่ามี Value ต่อทีมจริง สิ่งต่อไปที่ควรทำคือย้ายมันจาก Personal Tool ให้กลายเป็น Organizational Asset อาจเป็นการย้ายเข้าสู่ Shared Workspace จัดเก็บ Prompt ในพื้นที่กลาง ทำ Versioning หรืออย่างน้อยมี Documentation ที่คนอื่นสามารถรับช่วงต่อได้ แค่ทำตรงนี้ องค์กรก็ลด Key Person Risk รูปแบบใหม่ลงได้มากแล้ว โดยไม่ต้องสร้าง Bureaucracy ขนาดใหญ่

AI ทำให้ Documentation สำคัญขึ้น ไม่ได้น้อยลง

มีแนวคิดหนึ่งที่เริ่มได้ยินบ่อยว่า ต่อไปไม่จำเป็นต้องมี Manual แล้ว เพราะถาม AI ได้เลย ผมคิดว่าต้องระวังประโยคนี้ AI จะตอบได้ดีแค่ไหนก็ขึ้นอยู่กับ Knowledge Source ที่อยู่ข้างหลัง ถ้าเอกสารล้าสมัย Procedure ไม่ได้รับการแก้ หรือไม่มีใครรู้ว่าไฟล์ไหนเป็น Version ล่าสุด AI ก็เพียงช่วยให้เราเข้าถึง “ข้อมูลผิด” ได้เร็วขึ้นเท่านั้น ดังนั้นยิ่งองค์กรต้องการใช้ AI เป็น Knowledge Assistant เท่าไร Backend Knowledge ยิ่งต้องมีระเบียบมากขึ้น ต้องรู้ว่าเอกสารไหนคือ Source of Truth ใครเป็น Owner Version ปัจจุบันคืออะไร เอกสารเก่าถูก Archive หรือไม่ และเมื่อ Policy เปลี่ยน ใครมีหน้าที่ Update Knowledge Base AI ไม่ได้ทำให้ Knowledge Management หมดความสำคัญ ตรงกันข้าม มันกำลังเปิดเผยให้เห็นชัดขึ้นว่าองค์กรที่จัดการความรู้ไม่ดีจะมีปัญหาเพียงใดเมื่อ AI เริ่มอ่านและตอบจากความรู้นั้นแทนคน

Succession Planning ต่อไปอาจต้องถามมากกว่าว่า “ใครขึ้นแทนใคร”

เรื่องนี้ผมคิดว่าจะสำคัญขึ้นเรื่อย ๆ Succession Planning แบบเดิมถามว่า ถ้า Manager หรือ Specialist คนสำคัญออก ใครพร้อมขึ้นแทน แต่ในอนาคตอาจต้องถามเพิ่มว่า ถ้าคนคนนั้นออก Digital Capability ที่เขาสร้างไว้ ใครรับต่อได้ เพราะคนหนึ่งคนอาจไม่ได้สร้าง Value จาก Skill ส่วนตัวเพียงอย่างเดียว แต่สร้าง Ecosystem เล็ก ๆ รอบตัวเอง ทั้ง Prompt, Agent, Automation, Data และวิธีทำงานเฉพาะที่ทำให้เขามี Productivity สูงกว่าคนอื่นหลายเท่า คนที่จะขึ้นมาแทนอาจไม่ได้ต้องรับเพียง Role และ Team แต่ต้องรับ Digital Work System ที่ถูกสร้างขึ้นมาก่อนหน้านั้นด้วย ถ้าองค์กรไม่ได้เตรียมเรื่องนี้ไว้ ต่อให้มี Successor อยู่ใน Organization Chart ก็อาจยังไม่พร้อมทำงานจริง

สุดท้ายแล้ว ความเก่งของคนต้องสามารถเปลี่ยนเป็นความสามารถขององค์กรได้

AI ทำให้คนเก่งหนึ่งคนสามารถสร้าง Output เทียบเท่าทีมเล็ก ๆ ในอดีตได้จริง และนี่คือหนึ่งในโอกาสที่ใหญ่ที่สุดของเทคโนโลยีชุดนี้ แต่ประโยชน์ด้าน Productivity ก็มาพร้อมกับความเสี่ยงใหม่เช่นกัน ยิ่งคนหนึ่งคนสร้าง Output ได้มากเท่าไร ถ้าระบบทั้งหมดผูกอยู่กับคนคนนั้น ความเสียหายเวลาคนนั้นออกก็อาจมากขึ้นตามไปด้วย ดังนั้นเป้าหมายของ AI Adoption ในองค์กรไม่ควรจบที่การทำให้ Personal Productivity สูงขึ้นเพียงอย่างเดียว สิ่งที่องค์กรต้องทำต่อคือเปลี่ยน Productivity ที่เกิดจากแต่ละคนให้กลายเป็น Organizational Capability กล่าวคือ Prompt ที่ดีไม่ควรหายตามคนสร้าง Workflow ที่ทีมพึ่งไม่ควรติดอยู่กับ Account ส่วนตัว Knowledge ที่ใช้ทำงานจริงควรถูกส่งต่อได้ และ AI Asset ที่มีมูลค่าควรมี Owner มี Backup และมีคนรับช่วงต่อ เพราะถ้าพรุ่งนี้พนักงานที่ใช้ AI เก่งที่สุดในบริษัทลาออก คำถามสำคัญไม่ใช่เพียงว่า “เราจะหาคนใหม่มาแทนเขาเมื่อไร?” แต่ควรถามด้วยว่า “สิ่งที่ทำให้เขาเก่งขึ้นหลายเท่าจาก AI ยังอยู่กับองค์กรหรือเดินออกจากประตูไปพร้อมกับเขาด้วย?” นี่คือจุดที่ผมคิดว่าองค์กรต้องเริ่มมอง AI ให้ไกลกว่าเรื่อง Tool และ Productivity เพราะในระยะยาว บริษัทที่ได้ประโยชน์จาก AI มากที่สุด อาจไม่ใช่บริษัทที่มีพนักงานใช้ AI เก่งที่สุดเพียงไม่กี่คน แต่คือบริษัทที่สามารถทำให้ ความเก่งของคน กลายเป็นความรู้ของทีม และพัฒนาไปเป็นความสามารถที่องค์กรรักษาและต่อยอดได้ แม้วันหนึ่งคนสร้างมันจะไม่ได้อยู่ที่นี่แล้ว

Tags: PersonalAIKnowledgeTrap, KeyPersonRisk, AIEmbeddedKnowledge, ShadowKnowledge, KnowledgeManagement, TacitKnowledge, DigitalWorkAsset, AIOffboarding, KnowledgeHandover, GovernanceByCriticality, OrganizationalCapability, SuccessionPlanning, AIAdoption, ExeRoot, SpaceRoot