
ການລວມ AI ເຂົ້າກັບ BPO (Business Process Outsourcing) ສາມາດບັນລຸທັງການຫຼຸດຕົ້ນທຶນ ແລະ ການປັບປຸງຄຸນນະພາບໄດ້ໃນເວລາດຽວກັນ——ນີ້ຄືແກ່ນແທ້ຂອງ "AI Hybrid BPO". BPO ແບບດັ້ງເດີມມີຈຸດປະສົງຫຼັກໃນການຫຼຸດຕົ້ນທຶນດ້ວຍການໃຊ້ກຳລັງຄົນຈຳນວນຫຼວງຫຼາຍ, ແຕ່ດ້ວຍການນຳ Generative AI ມາໃຊ້ງານຈິງ, ຍຸດທະສາດ Outsourcing ຮູບແບບໃໝ່ທີ່ຈັດສັນວຽກງານ "ທີ່ຄົນຄວນເຮັດ" ແລະ "ທີ່ມອບໃຫ້ AI" ຢ່າງເໝາະສົມທີ່ສຸດໄດ້ກາຍເປັນຄວາມເປັນຈິງແລ້ວ. ບົດຄວາມນີ້ໄດ້ລວບລວມຂໍ້ມູນທີ່ຈຳເປັນສຳລັບການພິຈາລະນານຳໃຊ້, ຕັ້ງແຕ່ຄຳນິຍາມຂອງ AI Hybrid BPO, ຂັ້ນຕອນການນຳໃຊ້, ຮູບແບບຄວາມລົ້ມເຫຼວທີ່ພົບເລື້ອຍ, ໄປຈົນເຖິງກໍລະນີຕົວຢ່າງການປັບປຸງວຽກງານຕົວຈິງ. ເນື້ອຫານີ້ມຸ້ງໄປຫາຜູ້ຮັບຜິດຊອບດ້ານການວາງແຜນຍຸດທະສາດທຸລະກິດ, ການສົ່ງເສີມ IT, ແລະ Back Office ທີ່ກຳລັງພິຈາລະນາທົບທວນ BPO ຫຼື ການນຳ AI ມາໃຊ້ງານ.
AI Hybrid BPO ໝາຍເຖິງຮູບແບບການ outsourcing ທີ່ຜະສົມຜະສານລະຫວ່າງການປະມວນຜົນອັດຕະໂນມັດດ້ວຍ AI ແລະການຕັດສິນໃຈດ້ານຊ່ຽວຊານຂອງມະນຸດໃນຂະບວນການດຳເນີນງານ ໂດຍຈັດສັນຜູ້ຮັບຜິດຊອບທີ່ເໝາະສົມທີ່ສຸດໃນແຕ່ລະໜ່ວຍງານ. ຈຸດສຳຄັນຢູ່ທີ່ "ການຮ່ວມມື" ບໍ່ແມ່ນ "ການອັດຕະໂນມັດທັງໝົດ".
ຮູບແບບ BPO ແບບດັ້ງເດີມແມ່ນໂມເດລທີ່ຫຼຸດຕົ້ນທຶນໂດຍການໂອນວຽກງານປະຈຳໄປຍັງສູນປະຕິບັດງານທີ່ມີຄ່າແຮງງານຕໍ່າ. ຢ່າງໃດກໍ່ຕາມ, ໂມເດລນີ້ມີຂໍ້ຈຳກັດທາງໂຄງສ້າງ.
ກ່ອນອື່ນ, ປະລິມານການປະມວນຜົນຈະເພີ່ມຂຶ້ນຕາມສັດສ່ວນຂອງຈຳນວນພະນັກງານໂດຍກົງ. ຫາກການປະມວນຜົນໃບແຈ້ງໜີ້ກະຈຸກຕົວໃນຕອນທ້າຍເດືອນ, ທາງເລືອກດຽວທີ່ມີກໍ່ຄືການເພີ່ມຄົນ ຫຼື ການເຮັດວຽກລ່ວງເວລາ. ໃນຕອນທີ່ຜູ້ຂຽນໄດ້ສ້າງຕັ້ງສູນ BPO ໃນອາຊີຕາເວັນອອກສ່ຽງໃຕ້, ໂຄງການຂອງລູກຄ້າທີ່ມີຄວາມແຕກຕ່າງລະຫວ່າງຊ່ວງຫຍຸ້ງແລະວ່າງເຖິງ 3 ເທົ່ານັ້ນ, ສະຖານະການທີ່ເກີດຂຶ້ນສະເໝີກໍ່ຄື "ມີຄົນເກີນ ຫຼື ຂາດຄົນ" ຢ່າງໃດຢ່າງໜຶ່ງ.
ຕໍ່ມາ, ຄວາມບໍ່ສະໝໍ່າສະເໝີຂອງຄຸນນະພາບເປັນສິ່ງທີ່ຫຼີກລ່ຽງໄດ້ຍາກ. ເຖິງແມ່ນຈະໃຊ້ຄູ່ມືດຽວກັນ, ມາດຕະຖານການຕັດສິນໃຈຂອງຜູ້ຮັບຜິດຊອບແຕ່ລະຄົນກໍ່ຍັງມີຄວາມແຕກຕ່າງກັນຢ່າງລະອຽດ. ເພື່ອຮັກສາອັດຕາຄວາມຜິດພາດໃນການປ້ອນຂໍ້ມູນໃຫ້ຢູ່ໃນລະດັບຕໍ່າກວ່າ 0.5%, ຫາກນຳໃຊ້ລະບົບກວດສອບສອງຊັ້ນ ກໍ່ຈະເຮັດໃຫ້ຜົນປະໂຫຍດດ້ານຕົ້ນທຶນຫຼຸດລົງ ຊຶ່ງເປັນສະຖານະການທີ່ກົງກັນຂ້າມທີ່ຍາກຈະແກ້ໄຂ.
ນອກຈາກນີ້, ຂໍ້ສະເໜີສຳລັບການປັບປຸງວຽກງານກໍ່ຍາກທີ່ຈະເກີດຂຶ້ນ. ຜູ້ຮັບເໝົາມັກຖືກປະເມີນຈາກການ "ເຮັດຕາມທີ່ໄດ້ຮັບຄຳສັ່ງ", ຈຶ່ງບໍ່ມີແຮງຈູງໃຈໃນການທົບທວນຄືນຂະບວນການເຮັດວຽກໂດຍລວມ.
AI Hybrid BPO ແກ້ໄຂຂໍ້ຈຳກັດທັງ 3 ຂໍ້ຂອງຮູບແບບດັ້ງເດີມດ້ວຍວິທີການທີ່ແຕກຕ່າງກັນ.
ປະລິມານການປະມວນຜົນທີ່ປ່ຽນແປງ → AI ດູດຊຶມໄວ້. ໂດຍການໃຫ້ AI ປະມວນຜົນວຽກທີ່ສາມາດກຳນົດເປັນຮູບແບບໄດ້ ເຊັ່ນ: ການອ່ານ OCR ໃບແຈ້ງໜີ້ ແລະ ການປ້ອນຂໍ້ມູນ, ຈຶ່ງສາມາດຮອງຮັບຄວາມຜັນຜວນລະຫວ່າງຊ່ວງຫຍຸ້ງ ແລະ ຊ່ວງວ່າງໄດ້ໂດຍບໍ່ຕ້ອງເພີ່ມຫຼືຫຼຸດຈຳນວນພະນັກງານ. ມະນຸດສາມາດສຸມໃສ່ກໍລະນີທີ່ຕ້ອງການການຈັດການຂໍ້ຍົກເວັ້ນ ແລະ ການຕັດສິນໃຈ.
ຄວາມບໍ່ສະໝ່ຳສະເໝີຂອງຄຸນນະພາບ → AI ເຮັດໃຫ້ເປັນເອກະພາບ. AI ນຳໃຊ້ກົດລະບຽບດຽວກັນດ້ວຍຄວາມຖືກຕ້ອງດຽວກັນທຸກຄັ້ງ. ກຳຈັດຄວາມຜິດພາດຂອງມະນຸດໃນວຽກງານ ເຊັ່ນ: ການຈັດໝວດໝູ່, ການຈັບຄູ່, ແລະ ການປ່ຽນຮູບແບບ, ໃນຂະນະທີ່ມະນຸດປ່ຽນໄປທຳໜ້າທີ່ກວດທານ ແລະ ແກ້ໄຂຜົນລັບຂອງ AI.
ການຂາດຂໍ້ສະເໜີໃນການປັບປຸງ → ຂໍ້ມູນເຮັດໃຫ້ເຫັນຊັດເຈນ. AI ກວດຈັບຄໍຄວດ ແລະ ຮູບແບບຜິດປົກກະຕິໂດຍອັດຕະໂນມັດຈາກຂໍ້ມູນທີ່ປະມວນຜົນ, ແລ້ວສະໜອງຈຸດເລີ່ມຕົ້ນສຳລັບການປັບປຸງ. "ຮູ້ສຶກຊ້າຢູ່ຄືໃດ" ປ່ຽນເປັນ "ຂັ້ນຕອນນີ້ຄ້າງຢູ່ສະເລ່ຍ 2.3 ວັນ".
ຕາຕະລາງປຽບທຽບຂ້າງລຸ່ມນີ້ສະຫຼຸບລັກສະນະຂອງຮູບແບບ outsourcing ທັງ 3 ປະເພດ.
| ແກນປຽບທຽບ | BPO ແບບດັ້ງເດີມ | AI ອັດຕະໂນມັດເຕັມຮູບແບບ | AI Hybrid BPO |
|---|---|---|---|
| ໂຄງສ້າງຕົ້ນທຶນ | ສັດສ່ວນຕາມຄ່າແຮງງານ | ການລົງທຶນເລີ່ມຕົ້ນສູງ · ຄ່າດຳເນີນງານຕ່ຳ | ລະດັບກາງ (ລົງທຶນເປັນຂັ້ນຕອນໄດ້) |
| Scalability | ຂຶ້ນກັບການຈ້າງບຸກຄະລາກອນ | ຂະຫຍາຍໄດ້ທັນທີ | ສ່ວນ AI ທັນທີ, ສ່ວນຄົນເປັນຂັ້ນຕອນ |
| ຄວາມໝັ້ນຄົງດ້ານຄຸນນະພາບ | ຂຶ້ນກັບຜູ້ຮັບຜິດຊອບ | ສະໝ່ຳສະເໝີ ແຕ່ອ່ອນແອຕໍ່ຂໍ້ຍົກເວັ້ນ | ງານປົກກະຕິ AI ສະໝ່ຳສະເໝີ + ຂໍ້ຍົກເວັ້ນຄົນຕັດສິນ |
| ຄວາມສາມາດຮັບມືຂໍ້ຍົກເວັ້ນ | ສູງ (ຄົນຮັບມື) | ຕ່ຳ (ອ່ອນແອຕໍ່ສິ່ງທີ່ບໍ່ຄາດຄິດ) | ສູງ (ຄົນ + AI ເສີມກັນ) |
| ໄລຍະເວລານຳໃຊ້ | ສັ້ນ (ຈັດວາງຄົນ) | ຍາວ (ພັດທະນາ · ຝຶກສອນ) | ລະດັບກາງ (ນຳໃຊ້ເປັນຂັ້ນຕອນໄດ້) |
| ວົງຈອນການປັບປຸງ | ຊ້າ (ຂຶ້ນກັບບຸກຄົນ) | Data-driven | ການຜະສານຂໍ້ມູນ + ຄວາມຮູ້ຂອງຄົນ |
ການອັດຕະໂນມັດເຕັມຮູບແບບເບິ່ງຄືໜ້າດຶງດູດ, ແຕ່ກໍລະນີທີ່ AI ສາມາດຄອບຄຸມ 100% ຂອງວຽກງານໄດ້ຍັງມີຈຳກັດ. ຍົກຕົວຢ່າງການປະມວນຜົນໃບແຈ້ງໜີ້, ຄວາມຖືກຕ້ອງໃນການອ່ານ format ມາດຕະຖານເກີນ 95%, ແຕ່ສຳລັບໃບແຈ້ງໜີ້ທີ່ມີບັນທຶກດ້ວຍລາຍມືຫຼື layout ທີ່ບໍ່ເປັນມາດຕະຖານ, ການແຊກແຊງຂອງມະນຸດຍັງຈຳເປັນ. Hybrid ເປັນຮູບແບບທີ່ຖືກອອກແບບໂດຍອີງໃສ່ຄວາມເປັນຈິງນີ້.
ການລວມກັນຂອງ AI ແລະ BPO ນັ້ນບໍ່ແມ່ນເລື່ອງໃໝ່. ນັບຕັ້ງແຕ່ຍຸກ RPA ເຟື່ອງຟູ, "ການອັດຕະໂນມັດ × ການມອບໝາຍ" ໄດ້ຖືກເວົ້າເຖິງມາໂດຍຕະຫຼອດ. ແລ້ວເປັນຫຍັງຈຶ່ງໄດ້ຮັບຄວາມສົນໃຈຄືນໃໝ່ໃນຕອນນີ້? ເບື້ອງຫຼັງນັ້ນມີການປ່ຽນແປງທາງໂຄງສ້າງ 3 ຢ່າງ.
ລະບົບ RPA ແບບດັ້ງເດີມແມ່ນການອັດຕະໂນມັດທີ່ອີງໃສ່ກົດລະບຽບ ເຊັ່ນ: "ຄລິກປຸ່ມໃດໜຶ່ງໃນໜ້າຈໍ" ຫຼື "ຄັດລອກຂໍ້ມູນໄປໃສ່ຕາລາງທີ່ກຳນົດໄວ້". ຫາກມີຂໍ້ມູນນຳເຂົ້າທີ່ຜິດໄປຈາກກົດລະບຽບ, ລະບົບຈະຢຸດທັນທີ.
Generative AI ໄດ້ຜ່ອນຄາຍຂໍ້ຈຳກັດນີ້ຢ່າງຫຼວງຫຼາຍ. ບໍ່ວ່າຈະເປັນການຈັດໝວດໝູ່ເນື້ອຫາອີເມວທີ່ຂຽນດ້ວຍພາສາທຳມະຊາດ, ການອ່ານລາຍການຈາກໃບແຈ້ງໜີ້ເຖິງແມ່ນ layout ຈະປ່ຽນໄປ, ຫຼືການວິເຄາະເຈດຕະນາຂອງຄຳຖາມແລ້ວສ້າງຮ່າງຄຳຕອບ——ການທີ່ AI ສາມາດຮັບມືກັບວຽກງານທີ່ມີ "ຄວາມບໍ່ແນ່ນອນ" ເຫຼົ່ານີ້ໄດ້ ໄດ້ຂະຫຍາຍຂອບເຂດຂອງການອັດຕະໂນມັດໃນ BPO ອອກໄປຢ່າງກວ້າງຂວາງ.
ໃນການວິເຄາະວຽກງານ BPO ດ້ານການບັນຊີຂອງລູກຄ້າທີ່ບໍລິສັດຂອງພວກເຮົາດຳເນີນການ, ພົບວ່າປະມານ 40% ຂອງຂັ້ນຕອນທັງໝົດຖືກຈັດຢູ່ໃນໝວດ "ເປັນຮູບແບບຕາຍຕົວ ແຕ່ມີຄວາມຫຼາກຫຼາຍດ້ານ format". ຂອບເຂດທີ່ RPA ຮັບມືໄດ້ຍາກນີ້ ໄດ້ກາຍເປັນຜູ້ສະໝັກຮັບການອັດຕະໂນມັດ ດ້ວຍການນຳໃຊ້ Generative AI.
ພາຍໃນປະເທດຍີ່ປຸ່ນ, ຈຳນວນປະຊາກອນວັຍແຮງງານຍັງສືບຕໍ່ຫຼຸດລົງ, ສົ່ງຜົນໃຫ້ການຮັບປະກັນບຸກຄະລາກອນໃນສູນ BPO ກາຍເປັນເລື່ອງທີ່ຍາກຂຶ້ນ. ໃນສ່ວນຂອງສູນ BPO ຕ່າງປະເທດ, ຄ່າແຮງງານໃນຟິລິປິນ ແລະ ອິນເດຍກໍ່ເພີ່ມສູງຂຶ້ນຢ່າງເຫັນໄດ້ຊັດ, ເຮັດໃຫ້ສົມມຸດຕິຖານຂອງ BPO ທີ່ວ່າ "ແຮງງານລາຄາຖືກ" ເລີ່ມສັ່ນຄອນ.
ໃນຂະນະດຽວກັນ, ຄວາມຊັບຊ້ອນຂອງວຽກງານທີ່ໄດ້ຮັບການມອບໝາຍກໍ່ເພີ່ມຂຶ້ນຕາມລຳດັບ. ລະດັບທັກສະທີ່ຕ້ອງການໄດ້ຍົກສູງຂຶ້ນ, ຈາກການປ້ອນຂໍ້ມູນທຳມະດາ ໄປສູ່ການສະໜັບສະໜູນລູກຄ້າຫຼາຍພາສາ, ການກວດສອບ compliance, ແລະ ການສ້າງລາຍງານການວິເຄາະຂໍ້ມູນ. ການເພີ່ມຈຳນວນຄົນພຽງຢ່າງດຽວບໍ່ສາມາດຮັບມືໄດ້——ຄວາມເປັນຈິງນີ້ກຳລັງຊຸກຍູ້ໃຫ້ເກີດການປ່ຽນຜ່ານໄປສູ່ຮູບແບບການຮ່ວມມືກັບ AI.
ໃນອະດີດ, ການອະນຸມັດການນຳໃຊ້ BPO ສາມາດຜ່ານໄດ້ດ້ວຍເຫດຜົນ "ການຫຼຸດຕົ້ນທຶນ ○○ ລ້ານເຢນຕໍ່ປີ". ແຕ່ຄວາມຄາດຫວັງຂອງຝ່າຍບໍລິຫານກຳລັງປ່ຽນແປງໄປ.
ຈາກການສຳຫຼວດຂອງ Gartner ລາຍງານວ່າ, ບໍລິສັດສ່ວນໃຫຍ່ທີ່ນຳໃຊ້ BPO ຕ້ອງການຈາກຜູ້ຮັບເໝົາ "ບໍ່ພຽງແຕ່ການຫຼຸດຕົ້ນທຶນ, ແຕ່ຍັງລວມເຖິງການປັບປຸງຄຸນນະພາບການດຳເນີນງານ ແລະ ການສະໜັບສະໜູນການຕັດສິນໃຈໂດຍໃຊ້ Data". ຈາກ BPO ໃນຖານະ Cost Center ໄປສູ່ BPO ໃນຖານະ Value Driver. ເພື່ອຕອບສະໜອງຄວາມຄາດຫວັງນີ້, ການໃຊ້ກຳລັງຄົນຈຳນວນຫຼວງຫຼາຍມີຂໍ້ຈຳກັດ, ຈຶ່ງຈຳເປັນຕ້ອງມີ Hybrid Model ທີ່ຜະສານຄວາມສາມາດໃນການວິເຄາະ ແລະ ການປະມວນຜົນຂອງ AI ເຂົ້າໄວ້ດ້ວຍ.

ການນຳໃຊ້ AI Hybrid BPO ແມ່ນອີງໃສ່ຫຼັກການ "ການຫັນປ່ຽນເປັນຂັ້ນຕອນ" ບໍ່ແມ່ນ "ການນຳໃຊ້ທັງໝົດໃນຄັ້ງດຽວ". ດຳເນີນການຕາມ 4 ຂັ້ນຕອນດັ່ງຕໍ່ໄປນີ້.
ສິ່ງທຳອິດທີ່ຕ້ອງດຳເນີນການຄືການເຮັດໃຫ້ກະບວນການທຸລະກິດທີ່ຈະມອບໝາຍນັ້ນເຫັນໄດ້ຊັດເຈນ ແລະ ຈັດໝວດໝູ່ຕາມໜ່ວຍຂອງວຽກງານ.
ເກນການຈັດໝວດໝູ່ມີ 2 ດ້ານ ຄື ລະດັບຄວາມເປັນແບບແຜນ (ສາມາດກຳນົດເປັນກົດລະບຽບໄດ້ຫຼືບໍ່) ແລະ ຄວາມສັບສົນຂອງການຕັດສິນໃຈ (ຕ້ອງການຄວາມຮູ້ຊ່ຽວຊານ ຫຼື ຄວາມເຂົ້າໃຈສະພາບການຫຼືບໍ່). ເມື່ອແບ່ງອອກເປັນ 4 ຈຕຸລັດຕາມ 2 ເກນນີ້ ລຳດັບຄວາມສຳຄັນຂອງການນຳ AI ມາໃຊ້ກໍ່ຈະຊັດເຈນຂຶ້ນ.
| ການຕັດສິນໃຈງ່າຍ | ການຕັດສິນໃຈສັບສົນ | |
|---|---|---|
| ແບບແຜນ | ອັດຕະໂນມັດດ້ວຍ AI (ສຳຄັນທີ່ສຸດ) | AI ຮ່າງ + ມະນຸດກວດທານ |
| ບໍ່ເປັນແບບແຜນ | AI ຊ່ວຍ + ມະນຸດດຳເນີນການ | ມະນຸດເປັນຫຼັກ (AI ຊ່ວຍວິເຄາະ) |
ຈາກປະສົບການຂອງຜູ້ຂຽນ ວຽກງານການຈັດໝວດໝູ່ນີ້ເອງໃຊ້ເວລາ 1 ຫາ 2 ອາທິດ ແຕ່ຫາກຂ້າມຂັ້ນຕອນນີ້ໄປ ກໍ່ຈະເລີ່ມຕົ້ນຈາກ "ວຽກງານຂອງພະແນກທີ່ສຽງດັງ" ແທນທີ່ຈະເປັນ "ວຽກງານທີ່ເໝາະສົມກັບການນຳ AI ມາໃຊ້" ເຮັດໃຫ້ຍາກທີ່ຈະໄດ້ຮັບຜົນລັບທີ່ດີ.
ອີງໃສ່ຜົນການຈັດໝວດໝູ່, ໃຫ້ຄັດເລືອກຂົງເຂດທີ່ຈະນຳໃຊ້ AI. ເກນການຄັດເລືອກມີ 3 ຂໍ້ດັ່ງນີ້.
ວຽກງານທີ່ຕອບສະໜອງທັງ 3 ເງື່ອນໄຂນີ້ຄົບຖ້ວນ ຈະກາຍເປັນຜູ້ສະໝັກລຳດັບທຳອິດສຳລັບການນຳໃຊ້ AI. ໂດຍທົ່ວໄປແລ້ວ, ວຽກງານທີ່ເໝາະສົມໄດ້ແກ່: ການປະມວນຜົນໃບແຈ້ງໜີ້, ການຊົດເຊີຍຄ່າໃຊ້ຈ່າຍ, ການຈັດໝວດໝູ່ຄຳຖາມເບື້ອງຕົ້ນ, ແລະ ການທຳຄວາມສະອາດຂໍ້ມູນ (data cleansing) ເປັນຕົ້ນ.
ດຳເນີນການ PoC (Proof of Concept) ຂະໜາດນ້ອຍໃນວຽກງານທີ່ຄັດເລືອກໄວ້. ສິ່ງສຳຄັນໃນການອອກແບບ PoC ຄື ການກຳນົດສິ່ງທີ່ໃຊ້ປຽບທຽບໃຫ້ຊັດເຈນ.
ໂດຍສະເພາະ, ໃຫ້ດຳເນີນວຽກງານດຽວກັນດ້ວຍ "ການປະມວນຜົນດ້ວຍມືແບບດັ້ງເດີມ" ແລະ "ການປະມວນຜົນແບບ AI Hybrid" ຄຽງຄູ່ກັນເປັນເວລາ 2〜4 ອາທິດ, ແລ້ວປຽບທຽບຕົວຊີ້ວັດດັ່ງຕໍ່ໄປນີ້.
ໃນ PoC ໜຶ່ງຂອງບໍລິສັດເຮົາ, ເມື່ອໃຫ້ AI ຮັບຜິດຊອບການຈັດໝວດໝູ່ອັດຕະໂນມັດຂອງການຄຳນວນຄ່າໃຊ້ຈ່າຍ, ຜົນທີ່ໄດ້ຮັບຄື ຄວາມໄວໃນການປະມວນຜົນຫຼຸດລົງ 60% ເມື່ອທຽບກັບເດີມ, ແລະ ຄວາມຖືກຕ້ອງຢູ່ທີ່ 97.2% (ການດຳເນີນດ້ວຍມືຢູ່ທີ່ 94.8%). ຢ່າງໃດກໍຕາມ, ສຳລັບຄ່າໃຊ້ຈ່າຍທີ່ສັບສົນຈາກການເດີນທາງຕ່າງປະເທດ, ອັດຕາການຈັດໝວດໝູ່ຜິດຂອງ AI ໄດ້ເພີ່ມຂຶ້ນເຖິງ 15%, ຈຶ່ງໄດ້ປ່ຽນໄປໃຊ້ການອອກແບບທີ່ໃຫ້ຄົນເປັນຫຼັກໃນການດຳເນີນການໃນຂົງເຂດນີ້. PoC ເປັນສິ່ງທີ່ຂາດບໍ່ໄດ້ ບໍ່ພຽງແຕ່ເພື່ອຕັດສິນໃຈວ່າ "ຈະນຳ AI ເຂົ້າໃຊ້ຢູ່ໃສ" ເທົ່ານັ້ນ, ແຕ່ຍັງເພື່ອຕັດສິນໃຈວ່າ "ຈະບໍ່ນຳ AI ເຂົ້າໃຊ້ຢູ່ໃສ" ອີກດ້ວຍ.
ຫຼັງຈາກທີ່ PoC ຢືນຢັນຜົນໄດ້ຮັບແລ້ວ, ໃຫ້ຂະຫຍາຍຂອບເຂດວຽກງານເປົ້າໝາຍຢ່າງເປັນຂັ້ນຕອນ. ສິ່ງທີ່ມັກຖືກມອງຂ້າມໃນໄລຍະນີ້ຄືການສ້າງໂຄງສ້າງ Governance.
Governance ຂອງ AI Hybrid BPO ຕ້ອງການອົງປະກອບຕໍ່ໄປນີ້ ນອກເໜືອຈາກການຄຸ້ມຄອງ BPO ແບບດັ້ງເດີມ:
ຫາກ Governance ບໍ່ພຽງພໍ, ອາດຈະເກີດກໍລະນີທີ່ວ່າ ເຖິງແມ່ນຈະດີໃນຊ່ວງທຳອິດຂອງການນຳໃຊ້ ແຕ່ຫຼັງຈາກຜ່ານໄປ 6 ເດືອນ ຄວາມຖືກຕ້ອງຂອງ AI ຫຼຸດລົງ ແລ້ວກໍ່ຖອຍກັບໄປສູ່ຄວາມຄິດທີ່ວ່າ "ມະນຸດຍັງໜ້າເຊື່ອຖືກວ່າ".

ບໍລິສັດທີ່ບໍ່ໄດ້ຮັບຜົນໄດ້ຮັບຈາກການນຳໃຊ້ AI Hybrid BPO ມີຮູບແບບທີ່ຄ້າຍຄືກັນ. ທັງໝົດນັ້ນລ້ວນແລ້ວແຕ່ເປັນສິ່ງທີ່ສາມາດຫຼີກລ່ຽງໄດ້ ຫາກຮັບຮູ້ລ່ວງໜ້າ.
ຄວາມລົ້ມເຫລວທີ່ພົບເຫັນຫຼາຍທີ່ສຸດ ຄືກໍລະນີທີ່ "ການນຳໃຊ້ AI" ກາຍເປັນເປົ້າໝາຍໃນຕົວເອງ.
ຝ່າຍບໍລິຫານອອກຄຳສັ່ງວ່າ "ອົງກອນເຮົາຕ້ອງໃຊ້ AI ດ້ວຍ" ແລ້ວກໍ່ດຳເນີນການໄປໂດຍທີ່ຍັງບໍ່ທັນໄດ້ວິເຄາະວຽກງານໃນພາກສະໜາມຢ່າງລະອຽດ ດ້ວຍທ່າທີວ່າ "ລອງເອົາວຽກນີ້ໃຫ້ AI ເຮັດກ່ອນເລີຍ". ຜົນທີ່ຕາມມາ ຄືການບັງຄັບນຳໃຊ້ AI ກັບວຽກງານທີ່ AI ບໍ່ຖະໜັດ (ເຊັ່ນ: ເກນການຕັດສິນໃຈທີ່ປ່ຽນແປງເລື້ອຍໆ, ຮູບແບບຂໍ້ຍົກເວັ້ນທີ່ຫຼາຍເກີນໄປ ເປັນຕົ້ນ) ຈົນເຮັດໃຫ້ຄວາມຖືກຕ້ອງຕ່ຳ ແລະ ສູນເສຍຄວາມໄວ້ວາງໃຈຈາກພາກສະໜາມ.
ວິທີຫຼີກລ່ຽງ: ຢ່າຂ້າມຂັ້ນຕອນການຈັດໝວດໝູ່ວຽກງານໃນ Step 1. ເລືອກເປົ້າໝາຍຂອງການນຳ AI ມາໃຊ້ຈາກ "ວຽກງານທີ່ AI ຖະໜັດ". ສຳລັບຝ່າຍບໍລິຫານ ໃຫ້ກຳນົດ KPI ເປັນ "ອັດຕາການປັບປຸງປະສິດທິພາບວຽກງານ" ແທນທີ່ຈະເປັນ "ອັດຕາການນຳ AI ມາໃຊ້".
ມີຮູບແບບກົງກັນຂ້າມເຊັ່ນກັນ. ນັ້ນຄືກໍລະນີທີ່ເຊື່ອໝັ້ນໃນຄວາມຖືກຕ້ອງຂອງ AI ຫຼາຍເກີນໄປ ແລະ ມອບໝາຍໃຫ້ AI ຮັບຜິດຊອບໃນຂອບເຂດທີ່ມະນຸດຄວນເປັນຜູ້ຕັດສິນໃຈ.
ໃນບໍລິສັດແຫ່ງໜຶ່ງ, ໄດ້ມອບໝາຍໃຫ້ AI ຮັບຜິດຊອບການຕອບຄຳຮ້ອງທຸກຈາກລູກຄ້າໃນຂັ້ນຕອນທຳອິດຢ່າງເຕັມທີ່. ຄຸນນະພາບຂອງການຕອບຄຳຖາມທົ່ວໄປທີ່ເປັນແບບແຜນນັ້ນຢູ່ໃນລະດັບສູງ, ແຕ່ໄດ້ເກີດເຫດການທີ່ AI ຕອບສະໜອງຕໍ່ຄຳຮ້ອງທຸກທີ່ມີລັກສະນະທາງອາລົມດ້ວຍການຕອບໂຕ້ແບບທາງການ ຈົນເຮັດໃຫ້ຄວາມໂກດແຄ້ນຂອງລູກຄ້າເພີ່ມທະວີຂຶ້ນ. ສະຖານະການທີ່ຕ້ອງການຄວາມເຂົ້າໃຈທາງອາລົມ ແລະ ຄວາມເຫັນອົກເຫັນໃຈ ຍັງຄົງເປັນຂອບເຂດທີ່ AI ບໍ່ຖະໜັດໃນຂະນະນີ້.
ວິທີຫຼີກລ່ຽງ: ກຳນົດເສັ້ນແບ່ງລະຫວ່າງ AI ແລະ ມະນຸດໂດຍອີງໃສ່ "ລັກສະນະຂອງການຕັດສິນໃຈ" ແທນທີ່ຈະເປັນ "ໜ້າທີ່ວຽກງານ". ການຕັດສິນໃຈທີ່ອີງໃສ່ຂໍ້ມູນມອບໃຫ້ AI, ສ່ວນການຕັດສິນໃຈທີ່ອີງໃສ່ສະພາບການ, ອາລົມ ແລະ ຈັນຍາບັນມອບໃຫ້ມະນຸດ. ຕ້ອງໃຫ້ແນ່ໃຈວ່າໄດ້ອອກແບບລະບົບ escalation ທີ່ສົ່ງຕໍ່ໃຫ້ມະນຸດໃນກໍລະນີທີ່ບໍ່ແນ່ໃຈ.
ໃນຕອນເລີ່ມຕົ້ນການນຳໃຊ້ອາດດຳເນີນໄປໄດ້ດ້ວຍດີ, ແຕ່ມັກມີຮູບແບບທີ່ປະສິດທິພາບຫຼຸດລົງຫຼັງຈາກ 3〜6 ເດືອນ. ສາເຫດມາຈາກຄວາມບົກພ່ອງໃນລະບົບການດຳເນີນງານ.
AI model ຈະມີຄວາມຖືກຕ້ອງຫຼຸດລົງເມື່ອແນວໂນ້ມຂອງຂໍ້ມູນທີ່ປ້ອນເຂົ້າມີການປ່ຽນແປງ. ຮູບແບບໃບແຈ້ງໜີ້ປ່ຽນໄປ, ມີການເພີ່ມລະຫັດບັນຊີໃໝ່, ຫຼືມາດຕະຖານການຈັດໝວດໝູ່ປ່ຽນແປງຍ້ອນການແກ້ໄຂກົດໝາຍ——ຫາກບໍ່ມີລະບົບໃນການອັບເດດ model ຮັບມືກັບການປ່ຽນແປງເຫຼົ່ານີ້, ຄວາມຖືກຕ້ອງກໍ່ຈະຄ່ອຍໆຫຼຸດລົງ. ທີມງານໃນພາກສະໜາມຈະຕັດສິນວ່າ "AI ໃຊ້ບໍ່ໄດ້" ແລ້ວກັບໄປໃຊ້ການເຮັດວຽກດ້ວຍມືຄືນ.
ວິທີຫຼີກລ່ຽງ: ຈັດຕັ້ງລະບົບທົບທວນຄືນຕົວຊີ້ວັດຄວາມຖືກຕ້ອງຂອງ AI ເປັນລາຍເດືອນ. ອອກແບບ operation flow ລ່ວງໜ້າທີ່ຈະ trigger ການ re-training ຂອງ model ເມື່ອຄວາມຖືກຕ້ອງຕໍ່າກວ່າ threshold. ທາງບໍລິສັດຂອງພວກເຮົາໄດ້ແບ່ງປັນ precision monitoring dashboard ກັບ client ແລະຕັ້ງການແຈ້ງເຕືອນອັດຕະໂນມັດເມື່ອຕໍ່າກວ່າ threshold.

ການສົນທະນາທີ່ເປັນນາມມະທຳໄດ້ດຳເນີນຕໍ່ໄປ, ດັ່ງນັ້ນຂໍນຳສະເໜີກໍລະນີສຶກສາຂອງ AI Hybrid BPO ທີ່ບໍລິສັດຂອງເຮົາໄດ້ດຳເນີນງານຕົວຈິງ.
ລູກຄ້າແມ່ນບໍລິສັດການຜະລິດທີ່ມີພະນັກງານປະມານ 500 ຄົນ. ພະແນກບັນຊີໄດ້ມອບໝາຍການປະມວນຜົນໃບແຈ້ງໜີ້ ແລະ ການຄືນເງິນຄ່າໃຊ້ຈ່າຍໃຫ້ BPO ພາຍນອກ, ແຕ່ປະເຊີນກັບສິ່ງທ້າທາຍດັ່ງຕໍ່ໄປນີ້.
"ຕົ້ນທຶນສູງຂຶ້ນ ແຕ່ຄຸນນະພາບຢືນຢູ່ທີ່ເດີມ" — ປະໂຫຍກດຽວຂອງຫົວໜ້າພະແນກບັນຊີນີ້ ໄດ້ກາຍເປັນຈຸດເລີ່ມຕົ້ນໃນການພິຈາລະນາປ່ຽນໄປໃຊ້ AI Hybrid BPO.
ບໍລິສັດຂອງພວກເຮົາໄດ້ຜ່ານການທົດລອງ PoC ເປັນເວລາ 3 ເດືອນ ແລ້ວຈຶ່ງປ່ຽນໄປໃຊ້ລະບົບ hybrid ດັ່ງຕໍ່ໄປນີ້.
ຂອບເຂດທີ່ AI ຮັບຜິດຊອບ: ການອ່ານ OCR ໃບແຈ້ງໜີ້ → ການດຶງຂໍ້ມູນ → ການຈັດໝວດໝູ່ລະຫັດບັນຊີອັດຕະໂນມັດ → ການປ້ອນຂໍ້ມູນຊົ່ວຄາວເຂົ້າລະບົບບັນຊີ ຂອບເຂດທີ່ມະນຸດຮັບຜິດຊອບ: ການກວດສອບຜົນການຈັດໝວດໝູ່ຂອງ AI (ສ່ວນທີ່ມີຄ່າຄວາມໝັ້ນໃຈຕ່ຳກວ່າ 80%) → ການຈັດການກໍລະນີຍົກເວັ້ນ → ການອະນຸມັດຂັ້ນສຸດທ້າຍ → ການຕິດຕໍ່ກັບຄູ່ຄ້າ
| ຕົວຊີ້ວັດ | Before (BPO ແບບດັ້ງເດີມ) | After (AI Hybrid) | ອັດຕາການປັບປຸງ |
|---|---|---|---|
| ເວລາດຳເນີນການຕໍ່ເດືອນ | 640 ຊົ່ວໂມງ (4 ຄົນ × 160h) | 280 ຊົ່ວໂມງ (2 ຄົນ × 140h) | ຫຼຸດລົງ 56% |
| ອັດຕາຄວາມຜິດພາດ | 2.1% | 0.4% | ປັບປຸງ 81% |
| ຄວາມລ່າຊ້າໃນຊ່ວງສິ້ນເດືອນ | ສະເລ່ຍ 3.2 ວັນ | 0.5 ວັນ | ຫຼຸດລົງ 84% |
| ຄ່າໃຊ້ຈ່າຍຕໍ່ປີ | ປະມານ 18 ລ້ານເຢນ | ປະມານ 12 ລ້ານເຢນ (ລວມຄ່າໃຊ້ AI) | ຫຼຸດລົງ 33% |
ສິ່ງທີ່ໜ້າສັງເກດເປັນພິເສດຄື ອັດຕາການປັບປຸງຂອງຄວາມຜິດພາດນັ້ນໃຫຍ່ກວ່າການຫຼຸດຄ່າໃຊ້ຈ່າຍ. ການທີ່ AI ສາມາດຈັດການຂະບວນການທີ່ເປັນແບບແຜນໄດ້ດ້ວຍຄວາມຖືກຕ້ອງສູງ ເຮັດໃຫ້ມະນຸດສາມາດສຸມໃສ່ກໍລະນີຍົກເວັ້ນໄດ້ ແລະ ຊ່ວຍຫຼຸດຄວາມຜິດພາດທີ່ເກີດຈາກການມອງຂ້າມລົງໄດ້.
ບົດຮຽນທີ່ໄດ້ຮັບຈາກກໍລະນີນີ້ສາມາດສະຫຼຸບໄດ້ເປັນ 3 ຂໍ້ດັ່ງນີ້.
1. ການຈັດແບ່ງໂດຍໃຊ້ "ລະດັບຄວາມໝັ້ນໃຈຂອງ AI" ແມ່ນສິ່ງສຳຄັນ. ຖ້າຕັ້ງຄ່າ threshold ຂອງລະດັບຄວາມໝັ້ນໃຈຕໍ່າເກີນໄປ ກໍຈະມີການສົ່ງກັບຄືນໃຫ້ຄົນຫຼາຍເກີນໄປ ເຮັດໃຫ້ປະສິດທິພາບຫຼຸດລົງ. ຖ້າສູງເກີນໄປ ກໍຈະເຮັດໃຫ້ AI ຕັດສິນຜິດພາດຫຼາຍຂຶ້ນ. ໃນຂັ້ນຕອນ PoC ໄດ້ທົດສອບ threshold ເປັນຂັ້ນໆ ແລະ ໄດ້ຕົກລົງທີ່ 80%. ຕົວເລກນີ້ຈະແຕກຕ່າງກັນຕາມລັກສະນະຂອງວຽກງານ ດັ່ງນັ້ນຈຶ່ງຕ້ອງກວດສອບດ້ວຍຂໍ້ມູນຈິງສະເໝີ.
2. ການກຳນົດນິຍາມໜ້າທີ່ຂອງພະນັກງານໃນພາກສະໜາມໃໝ່ແມ່ນສິ່ງທີ່ຂາດບໍ່ໄດ້. ຄວາມຮູ້ສຶກຕໍ່ຕ້ານທີ່ວ່າ "AI ຈະມາແຍ່ງວຽກ" ນັ້ນມີຢູ່ຈິງ. ໂດຍການແຈ້ງໃຫ້ຜູ້ຮັບຜິດຊອບ BPO ຮູ້ຢ່າງຊັດເຈນວ່າ "ໜ້າທີ່ຂອງທ່ານຈະປ່ຽນຈາກການປ້ອນຂໍ້ມູນ ໄປເປັນການ review ແລະ ຄວບຄຸມຄຸນນະພາບຜົນລັບຂອງ AI" ພ້ອມທັງດຳເນີນການຝຶກອົບຮົມທັກສະການ review ຈຶ່ງເຮັດໃຫ້ການຫັນປ່ຽນດຳເນີນໄປຢ່າງລາບລື່ນ.
3. ເລີ່ມຕົ້ນຂະໜາດນ້ອຍ ແລ້ວຄ່ອຍຂະຫຍາຍ. ໃນ 2 ອາທິດທຳອິດ ສົ່ງໃບແຈ້ງໜີ້ພຽງ 30% ໃຫ້ AI ປະມວນຜົນ ສ່ວນ 70% ທີ່ເຫຼືອຍັງໃຫ້ຄົນດຳເນີນການຕາມປົກກະຕິ. ຫຼັງຈາກທີ່ຄວາມຖືກຕ້ອງ ແລະ ຂັ້ນຕອນການດຳເນີນງານມີຄວາມໝັ້ນຄົງແລ້ວ ຈຶ່ງຄ່ອຍໆເພີ່ມອັດຕາສ່ວນຂຶ້ນເປັນຂັ້ນໆ. ໃນທີ່ສຸດ ອັດຕາສ່ວນການປະມວນຜົນໂດຍ AI ໄດ້ເພີ່ມຂຶ້ນເຖິງ 85% ແຕ່ 15% ທີ່ເຫຼືອນັ້ນໄດ້ອອກແບບໃຫ້ຄົນດຳເນີນການໂດຍເຈດຕະນາ.

ນີ້ແມ່ນການລວບລວມຄຳຖາມທີ່ມັກຖືກຖາມເລື້ອຍໆໃນເວລາພິຈາລະນານຳໃຊ້ AI Hybrid BPO.
RPA ແມ່ນການອັດຕະໂນມັດແບບ rule-based ທີ່ "ເຮັດຊ້ຳຂັ້ນຕອນທີ່ກຳນົດໄວ້ຕາມທີ່ກຳນົດໄວ້". ມັນຈະຢຸດເຮັດວຽກທັນທີທີ່ຮູບແບບຂໍ້ມູນນຳເຂົ້າມີການປ່ຽນແປງ. AI Hybrid BPO ແຕກຕ່າງກັນຢ່າງພື້ນຖານຕັ້ງແຕ່ຕົ້ນ ຍ້ອນວ່າມັນສາມາດຮອງຮັບວຽກງານທີ່ມີ "ຄວາມບໍ່ຊັດເຈນ" ໂດຍໃຊ້ generative AI ແລະ machine learning. ນອກຈາກນັ້ນ, ໃນຂະນະທີ່ RPA ອັດຕະໂນມັດ workflow ທີ່ມີຢູ່ແລ້ວຕາມທີ່ເປັນຢູ່, AI Hybrid BPO ຈະ "ອອກແບບໃໝ່" ຂະບວນການທາງທຸລະກິດໂດຍຈຳແນກລະຫວ່າງ "ສ່ວນທີ່ເໝາະສຳລັບ AI" ແລະ "ສ່ວນທີ່ເໝາະສຳລັບມະນຸດ".
ກົດທອງຄຳຄືການເລີ່ມຕົ້ນຈາກວຽກງານທີ່ມີປະລິມານການປະມວນຜົນສູງ, ມີຮູບແບບທີ່ຊັດເຈນ, ແລະມີຂໍ້ມູນໃນອະດີດສະສົມໄວ້. ໂດຍສະເພາະ, ການປະມວນຜົນໃບແຈ້ງໜີ້, ການຊົດເຊີຍຄ່າໃຊ້ຈ່າຍ, ການຈັດປະເພດຄຳຖາມເບື້ອງຕົ້ນ, ການທຳຄວາມສະອາດຂໍ້ມູນ (data cleansing) ແລະອື່ນໆ ຈະກາຍເປັນຜູ້ສະໝັກອັນດັບໜຶ່ງທີ່ເປັນຕົວແທນໄດ້. ໃນທາງກົງກັນຂ້າມ, ວຽກງານທີ່ມີເກນການຕັດສິນໃຈຂຶ້ນກັບບຸກຄົນສະເພາະແລະປ່ຽນແປງເລື້ອຍໆ, ຫຼືວຽກງານທີ່ມີຈຳນວນການປະມວນຜົນໃນລະດັບຫຼາຍສິບລາຍການຕໍ່ເດືອນ ມັກຈະບໍ່ຄຸ້ມຄ່າໃນດ້ານ ROI.
ມີຄວາມແຕກຕ່າງກັນຂຶ້ນຢູ່ກັບຂະໜາດແລະປະເພດຂອງວຽກງານ ແຕ່ຂໍສະແດງໃຫ້ເຫັນເປັນຕົວເລກອ້າງອີງທົ່ວໄປ. ໃນໄລຍະ PoC (2〜3 ເດືອນ) ຈະຢູ່ທີ່ 3〜8 ລ້ານເຢນ, ການກໍ່ສ້າງເບື້ອງຕົ້ນສຳລັບການນຳໃຊ້ຢ່າງເຕັມຮູບແບບຢູ່ທີ່ 5〜20 ລ້ານເຢນ, ສ່ວນຄ່າດຳເນີນງານລາຍເດືອນລວມຄ່າໃຊ້ AI ແລະຄ່າແຮງງານ ໃນຫຼາຍກໍລະນີຈະຢູ່ທີ່ປະມານ 60〜80% ຂອງຄ່າໃຊ້ຈ່າຍ BPO ແບບດັ້ງເດີມ. ສິ່ງສຳຄັນຄືການຢືນຢັນຜົນໄດ້ຮັບຢ່າງເປັນຕົວເລກໃນໄລຍະ PoC ກ່ອນ ແລ້ວຈຶ່ງກ້າວໄປສູ່ການລົງທຶນຢ່າງເຕັມຮູບແບບ ໂດຍຄວນຫຼີກລ່ຽງການ「ນຳໃຊ້ທັງໝົດໃນທັນທີ」.
ໃນ AI Hybrid BPO, ນອກຈາກຂໍ້ກຳນົດດ້ານຄວາມປອດໄພຂອງ BPO ແບບດັ້ງເດີມແລ້ວ, ຍັງຈຳເປັນຕ້ອງລະບຸໃຫ້ຊັດເຈນໃນສັນຍາກ່ຽວກັບ "ຂອບເຂດຂອງຂໍ້ມູນທີ່ປ້ອນເຂົ້າສູ່ AI" ແລະ "ຄວາມເປັນໄປໄດ້ໃນການນຳໃຊ້ເປັນຂໍ້ມູນການຮຽນຮູ້ຂອງ AI model". ໃນກໍລະນີທີ່ມີການປ້ອນຂໍ້ມູນສ່ວນຕົວຫຼືຂໍ້ມູນລັບເຂົ້າສູ່ AI, ການດຳເນີນການ anonymization ຂໍ້ມູນ, ການກວດສອບ data retention policy ຂອງ AI vendor, ການບັນທຶກ processing log ແລະການຮອງຮັບການກວດສອບ (audit) ຖືເປັນສິ່ງທີ່ຂາດບໍ່ໄດ້. ທາງບໍລິສັດຂອງພວກເຮົາດຳເນີນງານໂດຍການສ້າງ data flow diagram ສຳລັບລູກຄ້າແຕ່ລະລາຍ, ເພື່ອເຮັດໃຫ້ເຫັນໄດ້ຢ່າງຊັດເຈນວ່າຂໍ້ມູນໃດຜ່ານ AI service ໃດ ກ່ອນທີ່ຈະນຳໄປໃຊ້ງານຈິງ.

AI Hybrid BPO ແມ່ນຍຸດທະສາດການ outsourcing ທີ່ຈັດສັນການປະມວນຜົນອັດຕະໂນມັດດ້ວຍ AI ແລະ ການຕັດສິນໃຈຂອງຜູ້ຊ່ຽວຊານຢ່າງເໝາະສົມໃນລະດັບຂະບວນການທຸລະກິດ. ຍຸດທະສາດນີ້ກ້າວຂ້າມຂໍ້ຈຳກັດຂອງ BPO ແບບດັ້ງເດີມທີ່ "ສຸມໃສ່ພຽງແຕ່ການຫຼຸດຕົ້ນທຶນ" ແລະ ບັນລຸການປັບປຸງດ້ານຄຸນນະພາບ, ຄວາມໄວ ແລະ ຄວາມຍືດຫຍຸ່ນໄດ້ໃນເວລາດຽວກັນ.
ຂໍ້ຄວນຈື່ສຳລັບການນຳໃຊ້ມີດັ່ງນີ້.
"ຕົ້ນທຶນ BPO ສູງຂຶ້ນແຕ່ຄຸນນະພາບຍັງຄົງທີ່" ຫຼື "ຢາກຂັບເຄື່ອນການນຳໃຊ້ AI ແຕ່ບໍ່ຮູ້ວ່າຈະເລີ່ມຕົ້ນຈາກໃສ" — ຫາກທ່ານກຳລັງປະສົບກັບສິ່ງທ້າທາຍເຫຼົ່ານີ້, ຂໍແນະນຳໃຫ້ເລີ່ມຕົ້ນດ້ວຍການເຮັດໃຫ້ຂະບວນການທຸລະກິດປັດຈຸບັນເຫັນໄດ້ຊັດເຈນ ແລະ ການຈັດປະເພດ. ບໍລິສັດຂອງພວກເຮົາໃຫ້ການສະໜັບສະໜູນຢ່າງຄົບຖ້ວນຕັ້ງແຕ່ການວິເຄາະທຸລະກິດ, ການອອກແບບ PoC ຈົນເຖິງການນຳໃຊ້ຢ່າງເຕັມຮູບແບບ. ກະລຸນາຕິດຕໍ່ຫາພວກເຮົາໄດ້ຢ່າງສະດວກສຳລັບການປຶກສາຫາລືກ່ຽວກັບການນຳໃຊ້ AI Hybrid BPO.
Yusuke Ishihara
ເລີ່ມຂຽນໂປຣແກຣມຕັ້ງແຕ່ອາຍຸ 13 ປີ ດ້ວຍ MSX. ຫຼັງຈົບການສຶກສາຈາກມະຫາວິທະຍາໄລ Musashi, ໄດ້ເຮັດວຽກໃນການພັດທະນາລະບົບຂະໜາດໃຫຍ່ ລວມທັງລະບົບຫຼັກຂອງສາຍການບິນ ແລະ ໂຄງສ້າງ Windows Server Hosting/VPS ທຳອິດຂອງຍີ່ປຸ່ນ. ຮ່ວມກໍ່ຕັ້ງ Site Engine Inc. ໃນປີ 2008. ກໍ່ຕັ້ງ Unimon Inc. ໃນປີ 2010 ແລະ Enison Inc. ໃນປີ 2025, ນຳພາການພັດທະນາລະບົບທຸລະກິດ, NLP ແລະ ແພລດຟອມ. ປັດຈຸບັນສຸມໃສ່ການພັດທະນາຜະลິດຕະພັນ ແລະ ການສົ່ງເສີມ AI/DX ໂດຍນຳໃຊ້ generative AI ແລະ LLM.