
การผสาน AI เข้ากับ BPO (Business Process Outsourcing) สามารถบรรลุทั้งการลดต้นทุนและการยกระดับคุณภาพได้พร้อมกัน — นี่คือแก่นแท้ของ "AI Hybrid BPO" BPO แบบดั้งเดิมมีวัตถุประสงค์หลักในการลดต้นทุนด้วยการใช้กำลังคนจำนวนมาก แต่ด้วยการนำ Generative AI มาใช้งานจริง กลยุทธ์การ Outsourcing รูปแบบใหม่ที่จัดสรรงานอย่างเหมาะสมระหว่าง "งานที่มนุษย์ควรทำ" และ "งานที่มอบหมายให้ AI" ได้กลายเป็นความเป็นไปได้ที่จับต้องได้ บทความนี้รวบรวมข้อมูลที่จำเป็นสำหรับการพิจารณานำไปใช้งาน ตั้งแต่คำนิยามของ AI Hybrid BPO ขั้นตอนการนำไปใช้ รูปแบบความล้มเหลวที่พบบ่อย ไปจนถึงกรณีตัวอย่างการปรับปรุงกระบวนการทำงานจริง เนื้อหานี้มุ่งเป้าไปยังผู้รับผิดชอบด้านการวางแผนองค์กร การส่งเสริม IT และ Back Office ที่กำลังพิจารณาทบทวน BPO หรือการนำ AI มาประยุกต์ใช้

AIハイブリッドBPOとは、業務プロセスの中でAIによる自動処理と人間の専門的判断を組み合わせ、業務単位で最適な担い手を配分するアウトソーシングモデルを指す。ポイントは「全自動化」ではなく「協働」にある。
AI Hybrid BPO หมายถึง รูปแบบการ outsourcing ที่ผสมผสานการประมวลผลอัตโนมัติด้วย AI เข้ากับการตัดสินใจเชิงเชี่ยวชาญของมนุษย์ในกระบวนการทางธุรกิจ โดยจัดสรรผู้รับผิดชอบที่เหมาะสมที่สุดในแต่ละหน่วยงาน จุดสำคัญอยู่ที่ "การทำงานร่วมกัน" ไม่ใช่ "การทำให้เป็นอัตโนมัติทั้งหมด"
BPO แบบดั้งเดิมคือโมเดลที่ลดต้นทุนด้วยการโอนงานประจำไปยัง拠点ที่มีค่าแรงถูกกว่า อย่างไรก็ตาม โมเดลนี้มีข้อจำกัดเชิงโครงสร้างอยู่หลายประการ
ประการแรก ปริมาณงานที่ต้องประมวลผลนั้นแปรผันตรงกับจำนวนบุคลากรโดยตรง หากการประมวลผลใบแจ้งหนี้กระจุกตัวในช่วงสิ้นเดือน ก็ไม่มีทางเลือกอื่นนอกจากเพิ่มคนหรือทำงานล่วงเวลา ในช่วงที่ผู้เขียนก่อตั้ง拠点 BPO ในเอเชียตะวันออกเฉียงใต้ โปรเจกต์ของลูกค้าที่มีความแตกต่างระหว่างช่วงยอดงานสูงและต่ำถึง 3 เท่า มักจะอยู่ในสภาวะ "คนล้นหรือคนขาด" อยู่เสมอ
ประการที่สอง ความไม่สม่ำเสมอของคุณภาพเป็นสิ่งที่หลีกเลี่ยงไม่ได้ แม้จะมอบคู่มือเดียวกัน เกณฑ์การตัดสินใจของผู้รับผิดชอบแต่ละคนก็ยังคลาดเคลื่อนกันอย่างละเอียดอ่อน มีความขัดแย้งที่ว่า หากนำระบบตรวจสอบซ้ำ (double-check) มาใช้เพื่อควบคุมอัตราข้อผิดพลาดในการป้อนข้อมูลให้ต่ำกว่า 0.5% ข้อได้เปรียบด้านต้นทุนก็จะลดน้อยลง
ประการที่สาม ข้อเสนอแนะในการปรับปรุงกระบวนการทำงานแทบไม่เกิดขึ้น ผู้รับจ้างมักถูกประเมินจากการ "ทำตามที่ได้รับคำสั่ง" จึงไม่มีแรงจูงใจในการทบทวนกระบวนการทำงานโดยรวม
AI Hybrid BPO แก้ไขข้อจำกัดทั้งสามประการของรูปแบบดั้งเดิมด้วยแนวทางที่แตกต่างกัน
ปริมาณงานที่ผันผวน → AI เป็นตัวรองรับ งานที่สามารถกำหนดเป็นรูปแบบได้ เช่น การอ่าน OCR ใบแจ้งหนี้และการป้อนข้อมูล จะถูกประมวลผลโดย AI ทำให้สามารถรองรับความแตกต่างระหว่างช่วงงานมากและงานน้อยได้โดยไม่ต้องเพิ่มหรือลดจำนวนบุคลากร มนุษย์จะมุ่งเน้นไปที่กรณีที่ต้องการการจัดการข้อยกเว้นและการตัดสินใจ
ความไม่สม่ำเสมอของคุณภาพ → AI ทำให้เป็นมาตรฐานเดียวกัน AI ใช้กฎเดิมด้วยความแม่นยำเท่ากันทุกครั้ง ขจัดความผิดพลาดของมนุษย์ในงานประเภทการจำแนก การจับคู่ และการแปลงรูปแบบ โดยมนุษย์เปลี่ยนบทบาทมาเป็นผู้ตรวจสอบและแก้ไข Output ของ AI
การขาดข้อเสนอแนะในการปรับปรุง → ข้อมูลทำให้มองเห็นได้ชัดเจน AI ตรวจจับ Bottleneck และรูปแบบความผิดปกติโดยอัตโนมัติจากข้อมูลที่ประมวลผล และมอบจุดเริ่มต้นสำหรับการปรับปรุง สิ่งที่เคยรู้สึกเพียงว่า "ช้าอยู่บ้างไม่รู้ทำไม" เปลี่ยนเป็น "ขั้นตอนนี้มีการค้างอยู่เฉลี่ย 2.3 วัน"
ตารางเปรียบเทียบด้านล่างนี้จะสรุปลักษณะเฉพาะของรูปแบบ Outsourcing ทั้ง 3 แบบ
| แกนเปรียบเทียบ | BPO แบบดั้งเดิม | AI อัตโนมัติเต็มรูปแบบ | AI Hybrid BPO |
|---|---|---|---|
| โครงสร้างต้นทุน | แปรผันตามค่าแรง | ลงทุนเริ่มต้นสูง · ค่าดำเนินการต่ำ | ปานกลาง (ลงทุนได้เป็นขั้นตอน) |
| Scalability | ขึ้นอยู่กับการจ้างบุคลากร | ขยายได้ทันที | ส่วน AI ขยายได้ทันที · ส่วนคนเป็นขั้นตอน |
| ความเสถียรของคุณภาพ | ขึ้นอยู่กับผู้รับผิดชอบ | สม่ำเสมอแต่รับมือข้อยกเว้นได้ยาก | งานประจำ AI สม่ำเสมอ + ข้อยกเว้นคนตัดสินใจ |
| ความสามารถรับมือข้อยกเว้น | สูง (คนดูแล) | ต่ำ (อ่อนแอต่อสิ่งที่ไม่คาดคิด) | สูง (คนและ AI เสริมกัน) |
| Lead Time การนำไปใช้ | สั้น (จัดวางบุคลากร) | ยาว (พัฒนาและเรียนรู้) | ปานกลาง (นำไปใช้ได้เป็นขั้นตอน) |
| วงจรการปรับปรุง | ช้า (ขึ้นอยู่กับบุคคล) | Data-driven | ผสานข้อมูลและความรู้ของคน |
แม้การทำงานอัตโนมัติเต็มรูปแบบจะดูน่าสนใจ แต่กรณีที่ AI สามารถครอบคลุมงานได้ 100% ยังคงมีอยู่อย่างจำกัด หากยกตัวอย่างการประมวลผลใบแจ้งหนี้ ความแม่นยำในการอ่าน Format มาตรฐานนั้นเกิน 95% แต่สำหรับใบแจ้งหนี้ที่มีบันทึกลายมือหรือ Layout ที่ไม่เป็นมาตรฐาน การแทรกแซงของมนุษย์ยังคงเป็นสิ่งที่ขาดไม่ได้ Hybrid คือรูปแบบที่ออกแบบมาโดยยึดความเป็นจริงนี้เป็นพื้นฐาน

การผสมผสานระหว่าง AI และ BPO นั้นไม่ใช่เรื่องใหม่ นับตั้งแต่ยุคบูมของ RPA แนวคิด "การทำงานอัตโนมัติ × การมอบหมายงานภายนอก" ก็ถูกพูดถึงมาโดยตลอด แล้วเหตุใดจึงได้รับความสนใจอีกครั้งในตอนนี้? เบื้องหลังนั้นมีการเปลี่ยนแปลงเชิงโครงสร้าง 3 ประการ
RPA แบบดั้งเดิมนั้นเป็นการทำงานอัตโนมัติแบบ rule-based เช่น "คลิกปุ่มบนหน้าจอ" หรือ "คัดลอกข้อมูลไปยังเซลล์ที่กำหนด" หากมีข้อมูลนำเข้าที่ไม่ตรงตามกฎ ระบบก็จะหยุดทำงาน
Generative AI ได้ผ่อนคลายข้อจำกัดนี้ลงอย่างมาก ไม่ว่าจะเป็นการจำแนกเนื้อหาอีเมลที่เขียนด้วยภาษาธรรมชาติ การอ่านรายการจากใบแจ้งหนี้แม้ว่า layout จะเปลี่ยนไป หรือการวิเคราะห์เจตนาของคำถามและสร้างร่างคำตอบ การที่ AI สามารถรับมือกับงานที่มี "ความคลุมเครือ" เหล่านี้ได้ ทำให้ขอบเขตของงานที่สามารถทำให้เป็นอัตโนมัติใน BPO ขยายตัวออกไปอย่างรวดเร็ว
เมื่อบริษัทของเราวิเคราะห์งาน BPO ด้านบัญชีของลูกค้า พบว่าประมาณ 40% ของกระบวนการทั้งหมดถูกจัดอยู่ในหมวดหมู่ "มีรูปแบบตายตัว แต่ format มีความหลากหลาย" ซึ่งเป็นส่วนที่ RPA ไม่สามารถรองรับได้ แต่ด้วยการนำ Generative AI มาใช้ พื้นที่ส่วนนี้จึงกลายเป็นผู้สมัครสำหรับการทำงานอัตโนมัติได้
ในญี่ปุ่น จำนวนประชากรวัยทำงานยังคงลดลงอย่างต่อเนื่อง ส่งผลให้การรักษาจำนวนบุคลากรในศูนย์ BPO กลายเป็นเรื่องที่ทำได้ยากขึ้น แม้แต่ในศูนย์ BPO ต่างประเทศ ค่าแรงในฟิลิปปินส์และอินเดียก็ปรับตัวสูงขึ้นอย่างเห็นได้ชัด จนทำให้สมมติฐานพื้นฐานของ BPO ที่ว่า "แรงงานราคาถูก" เริ่มสั่นคลอน
ในขณะเดียวกัน ความซับซ้อนของงานที่ได้รับมอบหมายก็เพิ่มสูงขึ้นเช่นกัน ระดับทักษะที่ต้องการได้ยกระดับขึ้นจากการป้อนข้อมูลธรรมดา ไปสู่การสนับสนุนลูกค้าหลายภาษา การตรวจสอบ Compliance การจัดทำรายงานวิเคราะห์ข้อมูล ความเป็นจริงที่ว่าการเพิ่มจำนวนคนเพียงอย่างเดียวไม่เพียงพออีกต่อไป——กำลังเป็นแรงผลักดันให้เกิดการเปลี่ยนผ่านสู่รูปแบบการทำงานร่วมกับ AI
ในอดีต การขออนุมัติเพื่อนำ BPO มาใช้งานนั้นผ่านได้ด้วยเหตุผลว่า "ลดต้นทุนได้ ○○ ล้านเยนต่อปี" แต่ในปัจจุบัน ความคาดหวังของผู้บริหารระดับสูงกำลังเปลี่ยนแปลงไป
จากการสำรวจของ Gartner พบว่า บริษัทที่นำ BPO มาใช้งานมากกว่าครึ่งหนึ่งต้องการให้ผู้รับจ้างช่วยดำเนินการ "ไม่เพียงแค่การลดต้นทุน แต่รวมถึงการยกระดับคุณภาพงานและการสนับสนุนการตัดสินใจผ่านการใช้ประโยชน์จากข้อมูล" ด้วย กล่าวคือ BPO กำลังเปลี่ยนบทบาทจากการเป็น Cost Center ไปสู่การเป็น Value Driver เพื่อตอบสนองความคาดหวังนี้ การพึ่งพากำลังคนเพียงอย่างเดียวย่อมมีข้อจำกัด จึงจำเป็นต้องนำ Hybrid Model ที่ผสานขีดความสามารถด้านการวิเคราะห์และประมวลผลของ AI เข้ามาใช้งาน

การนำ AI Hybrid BPO มาใช้งานนั้น หลักการสำคัญคือ "การเปลี่ยนผ่านแบบเป็นขั้นตอน" ไม่ใช่ "การนำเข้าทั้งหมดในคราวเดียว" โดยดำเนินการตาม 4 ขั้นตอนดังต่อไปนี้
สิ่งแรกที่ต้องทำคือการทำให้กระบวนการทางธุรกิจที่จะมอบหมายนั้นมองเห็นได้ชัดเจน และจัดแบ่งออกเป็นหน่วยงานย่อย (task)
แกนในการจัดแบ่งมี 2 แกน ได้แก่ ระดับความเป็นรูปแบบ (สามารถกำหนดเป็นกฎได้หรือไม่) และ ความซับซ้อนของการตัดสินใจ (จำเป็นต้องใช้ความเชี่ยวชาญเฉพาะทางหรือความเข้าใจในบริบทหรือไม่) เมื่อแบ่งออกเป็น 4 จตุภาคด้วย 2 แกนนี้ ลำดับความสำคัญในการนำ AI มาใช้จะชัดเจนขึ้น
| การตัดสินใจเรียบง่าย | การตัดสินใจซับซ้อน | |
|---|---|---|
| มีรูปแบบ | AI อัตโนมัติ (สำคัญที่สุด) | AI ร่างต้นฉบับ + มนุษย์ตรวจสอบ |
| ไม่มีรูปแบบ | AI ช่วยเสริม + มนุษย์ดำเนินการ | มนุษย์เป็นหลัก (AI ช่วยวิเคราะห์) |
จากประสบการณ์ของผู้เขียน งานจัดแบ่งประเภทนี้เองใช้เวลา 1–2 สัปดาห์ แต่หากละเลยขั้นตอนนี้ไป จะเกิดการเริ่มต้นจาก "งานของแผนกที่มีเสียงดัง" แทนที่จะเป็น "งานที่นำ AI มาใช้ได้ง่าย" ซึ่งทำให้ยากที่จะเห็นผลลัพธ์ที่ชัดเจน
จากผลการจำแนกประเภท ให้คัดเลือกขอบเขตที่จะนำ AI มาประยุกต์ใช้ โดยมีเกณฑ์การคัดเลือก 3 ข้อดังนี้
งานที่ตรงตามเงื่อนไขทั้ง 3 ข้อนี้จะเป็นตัวเลือกแรกสำหรับการนำ AI มาใช้ โดยทั่วไปได้แก่ การประมวลผลใบแจ้งหนี้ การเบิกค่าใช้จ่าย การจำแนกประเภทคำถามเบื้องต้น และ Data Cleansing เป็นต้น
ดำเนินการ PoC (Proof of Concept) ขนาดเล็กในงานที่คัดเลือกไว้ สิ่งสำคัญในการออกแบบ PoC คือ การกำหนดเกณฑ์เปรียบเทียบให้ชัดเจน
โดยเฉพาะอย่างยิ่ง ให้ดำเนินงานเดียวกันแบบคู่ขนานระหว่าง "การประมวลผลด้วยมนุษย์แบบดั้งเดิม" และ "การประมวลผลแบบ AI Hybrid" เป็นระยะเวลา 2–4 สัปดาห์ แล้วเปรียบเทียบตัวชี้วัดต่อไปนี้
ใน PoC หนึ่งของบริษัทเรา เมื่อมอบหมายให้ AI จัดหมวดหมู่ค่าใช้จ่ายโดยอัตโนมัติ พบว่าความเร็วในการประมวลผลลดลง 60% เมื่อเทียบกับเดิม และความถูกต้องอยู่ที่ 97.2% (เทียบกับ 94.8% ของมนุษย์) อย่างไรก็ตาม สำหรับค่าใช้จ่ายที่ซับซ้อนจากการเดินทางต่างประเทศ อัตราการจัดหมวดหมู่ผิดพลาดของ AI พุ่งสูงถึง 15% จึงได้เปลี่ยนมาใช้การออกแบบที่ให้มนุษย์เป็นผู้รับผิดชอบหลักในส่วนนี้ PoC มีความจำเป็นไม่เพียงแค่เพื่อตัดสินใจว่า "จะนำ AI เข้ามาใช้ที่ไหน" แต่ยังรวมถึง "จะไม่นำ AI เข้ามาใช้ที่ไหน" ด้วยเช่นกัน
เมื่อยืนยันประสิทธิผลจาก PoC แล้ว ให้ขยายขอบเขตงานเป้าหมายออกไปทีละขั้น สิ่งที่มักถูกมองข้ามในเฟสนี้คือการสร้างโครงสร้างการกำกับดูแล (Governance)
การกำกับดูแล AI Hybrid BPO จำเป็นต้องมีองค์ประกอบต่อไปนี้ นอกเหนือจากการบริหาร BPO แบบดั้งเดิม
หากการกำกับดูแลไม่เพียงพอ แม้ช่วงแรกหลังการนำไปใช้จะดี แต่อาจเกิดกรณีที่ความแม่นยำของ AI ลดลงหลังผ่านไปครึ่งปี จนนำไปสู่การถอยกลับสู่แนวคิดที่ว่า "มนุษย์ยังน่าเชื่อถือกว่าอยู่ดี"

บริษัทที่นำ AI Hybrid BPO มาใช้แล้วไม่ได้ผลลัพธ์ตามที่คาดหวังนั้น มักมีรูปแบบปัญหาที่คล้ายคลึงกัน และทั้งหมดนี้ล้วนเป็นสิ่งที่สามารถหลีกเลี่ยงได้ หากรับรู้และเข้าใจก่อนล่วงหน้า
ความล้มเหลวที่พบบ่อยที่สุดคือกรณีที่ "การนำ AI มาใช้" กลายเป็นเป้าหมายในตัวเอง
ผู้บริหารระดับสูงสั่งการว่า "องค์กรเราต้องนำ AI มาใช้บ้าง" แล้วดำเนินการต่อโดยไม่วิเคราะห์กระบวนการทำงานในภาคสนามให้เพียงพอ ด้วยแนวคิดว่า "ลองเอางานนี้ไปให้ AI ทำก่อนแล้วกัน" ผลที่ตามมาคือการบังคับใช้ AI กับงานที่ไม่เหมาะสม (เช่น งานที่เกณฑ์การตัดสินใจเปลี่ยนแปลงบ่อย หรืองานที่มีรูปแบบข้อยกเว้นมากเกินไป) จนความแม่นยำไม่เป็นที่น่าพอใจ และสูญเสียความเชื่อมั่นจากทีมงานในภาคสนาม
แนวทางหลีกเลี่ยง: อย่าละเว้นขั้นตอนการจำแนกประเภทงานใน Step 1 เลือกงานที่จะนำ AI มาใช้จาก "งานที่ AI ถนัด" เป็นอันดับแรก และขอให้ผู้บริหารระดับสูงกำหนด KPI เป็น "อัตราการปรับปรุงประสิทธิภาพการทำงาน" แทนที่จะเป็น "อัตราการนำ AI มาใช้"
ยังมีรูปแบบตรงกันข้ามด้วยเช่นกัน นั่นคือกรณีที่เชื่อมั่นในความแม่นยำของ AI มากเกินไป จนมอบหมายงานในขอบเขตที่มนุษย์ควรเป็นผู้ตัดสินใจให้ AI รับผิดชอบแทน
บริษัทแห่งหนึ่งได้มอบหมายให้ AI รับผิดชอบการตอบสนองเบื้องต้นต่อข้อร้องเรียนจากลูกค้าอย่างเต็มรูปแบบ แม้คุณภาพการตอบคำถามประเภทที่มีรูปแบบตายตัวจะอยู่ในระดับสูง แต่ก็เกิดเหตุการณ์ที่ AI ตอบกลับข้อร้องเรียนที่เต็มไปด้วยอารมณ์ด้วยคำตอบที่แข็งกระด้างและเป็นทางการ ส่งผลให้ความโกรธของลูกค้ายิ่งทวีความรุนแรงขึ้น สถานการณ์ที่ต้องการความเข้าใจทางอารมณ์และการแสดงความเห็นอกเห็นใจนั้น ยังคงเป็นจุดอ่อนของ AI ในปัจจุบัน
แนวทางการหลีกเลี่ยง: กำหนดขอบเขตระหว่าง AI กับมนุษย์โดยอิงจาก "ลักษณะของการตัดสินใจ" ไม่ใช่ "ประเภทของงาน" การตัดสินใจที่อาศัยข้อมูลให้เป็นหน้าที่ของ AI ส่วนการตัดสินใจที่อาศัยบริบท อารมณ์ และจริยธรรมให้เป็นหน้าที่ของมนุษย์ และต้องออกแบบกระบวนการ escalation ที่ส่งต่อให้มนุษย์รับผิดชอบเสมอเมื่อเกิดความไม่แน่ใจ
แม้การนำระบบไปใช้งานในช่วงแรกจะราบรื่น แต่มักพบรูปแบบที่ประสิทธิภาพลดลงหลังจากผ่านไป 3〜6 เดือน สาเหตุมาจากความบกพร่องของระบบการดำเนินงาน
โมเดล AI จะมีความแม่นยำลดลงเมื่อแนวโน้มของข้อมูลนำเข้าเปลี่ยนแปลงไป ไม่ว่าจะเป็นการเปลี่ยนรูปแบบใบแจ้งหนี้ การเพิ่มรหัสบัญชีใหม่ หรือการเปลี่ยนเกณฑ์การจำแนกประเภทอันเนื่องมาจากการแก้ไขกฎหมาย หากไม่มีระบบรองรับการอัปเดตโมเดลให้สอดคล้องกับการเปลี่ยนแปลงเหล่านี้ ความแม่นยำก็จะค่อยๆ ลดลงอย่างต่อเนื่อง ผู้ปฏิบัติงานในพื้นที่จะตัดสินว่า "AI ใช้งานไม่ได้" และหันกลับไปทำงานด้วยมือแทน
แนวทางการหลีกเลี่ยง: จัดวางระบบเพื่อทบทวนตัวชี้วัดความแม่นยำของ AI เป็นรายเดือน และออกแบบขั้นตอนการดำเนินงานล่วงหน้าเพื่อกระตุ้นการเรียนรู้ใหม่ของโมเดล (model retraining) เมื่อความแม่นยำต่ำกว่าค่าเกณฑ์ที่กำหนด บริษัทของเราแชร์ dashboard สำหรับติดตามความแม่นยำร่วมกับลูกค้า พร้อมตั้งค่าการแจ้งเตือนอัตโนมัติเมื่อค่าต่ำกว่าเกณฑ์

เนื่องจากการอธิบายในเชิงนามธรรมดำเนินมาสักระยะหนึ่งแล้ว ขอนำเสนอกรณีศึกษาของ AI Hybrid BPO ที่บริษัทของเราได้ดำเนินการจริง
ลูกค้าเป็นบริษัทผู้ผลิตที่มีพนักงานประมาณ 500 คน โดยได้มอบหมายการประมวลผลใบแจ้งหนี้และการเบิกจ่ายค่าใช้จ่ายของแผนกบัญชีให้แก่ BPO ภายนอก แต่ประสบปัญหาดังต่อไปนี้
"ต้นทุนสูงขึ้น แต่คุณภาพยังคงเดิม" — ประโยคเดียวจากหัวหน้าแผนกบัญชีนี้ กลายเป็นจุดเริ่มต้นของการพิจารณาเปลี่ยนมาใช้ AI Hybrid BPO
บริษัทของเราได้ผ่านช่วง PoC 3 เดือน และเปลี่ยนผ่านไปสู่โครงสร้างแบบ Hybrid ดังต่อไปนี้
ขอบเขตที่ AI รับผิดชอบ: การอ่าน OCR ใบแจ้งหนี้ → การดึงข้อมูล → การจัดหมวดหมู่บัญชีอัตโนมัติ → การบันทึกข้อมูลเบื้องต้นเข้าสู่ระบบบัญชี ขอบเขตที่มนุษย์รับผิดชอบ: การตรวจสอบผลการจัดหมวดหมู่ของ AI (เฉพาะรายการที่มีค่าความเชื่อมั่นต่ำกว่า 80%) → การจัดการข้อยกเว้น → การอนุมัติขั้นสุดท้าย → การติดต่อคู่ค้า
| ตัวชี้วัด | Before (BPO แบบดั้งเดิม) | After (AI Hybrid) | อัตราการปรับปรุง |
|---|---|---|---|
| ชั่วโมงการประมวลผลต่อเดือน | 640 ชั่วโมง (4 คน × 160 ชม.) | 280 ชั่วโมง (2 คน × 140 ชม.) | ลดลง 56% |
| อัตราข้อผิดพลาด | 2.1% | 0.4% | ปรับปรุง 81% |
| ความล่าช้าในช่วง Peak ปลายเดือน | เฉลี่ย 3.2 วัน | 0.5 วัน | ลดลง 84% |
| ต้นทุนต่อปี | ประมาณ 18 ล้านเยน | ประมาณ 12 ล้านเยน (รวมค่าบริการ AI) | ลดลง 33% |
สิ่งที่น่าสังเกตเป็นพิเศษคือ การปรับปรุงอัตราข้อผิดพลาดมีนัยสำคัญมากกว่าการลดต้นทุน การที่ AI จัดการงานประจำได้อย่างแม่นยำสูง ทำให้มนุษย์สามารถมุ่งเน้นไปที่กรณีข้อยกเว้น และลดการมองข้ามรายการสำคัญได้
บทเรียนที่ได้รับจากกรณีศึกษานี้สามารถสรุปได้เป็น 3 ประเด็น
1. การคัดกรองด้วย "ระดับความมั่นใจของ AI" คือหัวใจสำคัญ หากตั้งค่า threshold ของระดับความมั่นใจต่ำเกินไป จะมีการส่งกลับให้มนุษย์ตรวจสอบมากเกินไปจนประสิทธิภาพลดลง แต่หากตั้งสูงเกินไป AI ก็จะตัดสินผิดพลาดมากขึ้น ในช่วง PoC จึงได้ทดสอบค่า threshold แบบค่อยเป็นค่อยไป และลงตัวที่ 80% ทั้งนี้ ตัวเลขดังกล่าวจะแตกต่างกันไปตามลักษณะของงาน จึงจำเป็นต้องตรวจสอบด้วยข้อมูลจริงเสมอ
2. การนิยามบทบาทใหม่ของเจ้าหน้าที่ในพื้นที่เป็นสิ่งที่ขาดไม่ได้ ความรู้สึกต่อต้านในแบบที่ว่า "AI จะมาแย่งงาน" นั้นมีอยู่จริง การสื่อสารอย่างชัดเจนกับเจ้าหน้าที่ BPO ว่า "บทบาทของคุณจะเปลี่ยนจากการป้อนข้อมูลไปสู่การ review และควบคุมคุณภาพของ output จาก AI" พร้อมทั้งจัดการฝึกอบรมทักษะการ review ส่งผลให้การเปลี่ยนผ่านดำเนินไปอย่างราบรื่น
3. เริ่มต้นเล็ก แล้วค่อยขยาย ในช่วง 2 สัปดาห์แรก ส่งใบแจ้งหนี้เพียง 30% เข้าสู่กระบวนการประมวลผลด้วย AI ส่วนที่เหลืออีก 70% ยังคงให้มนุษย์ดำเนินการตามแบบเดิม หลังจากที่ความแม่นยำและขั้นตอนการดำเนินงานมีเสถียรภาพแล้ว จึงค่อยๆ เพิ่มสัดส่วนขึ้นเป็นลำดับ ในที่สุดสัดส่วนการประมวลผลด้วย AI เพิ่มขึ้นถึง 85% แต่ส่วนที่เหลืออีก 15% นั้น ออกแบบให้มนุษย์เป็นผู้ดำเนินการโดยเจตนา

รวบรวมคำถามที่มักถูกถามบ่อยในช่วงการพิจารณานำ AI Hybrid BPO มาใช้งาน
RPA คือระบบอัตโนมัติแบบ Rule-based ที่ "ทำซ้ำขั้นตอนที่กำหนดไว้ตามที่กำหนด" หากรูปแบบของข้อมูลนำเข้าเปลี่ยนแปลง ระบบก็จะหยุดทำงาน ในขณะที่ AI Hybrid BPO นั้นแตกต่างอย่างสิ้นเชิง ตรงที่สามารถรองรับงานที่มี "ความคลุมเครือ" ได้ด้วยการใช้ Generative AI และ Machine Learning นอกจากนี้ RPA จะทำการอัตโนมัติกระบวนการทำงานที่มีอยู่เดิมตามที่เป็นอยู่ ในขณะที่ AI Hybrid BPO จะออกแบบกระบวนการทางธุรกิจใหม่โดยแบ่งเป็นส่วนที่ "เหมาะกับ AI" และส่วนที่ "เหมาะกับมนุษย์"
กฎเหล็กคือให้เริ่มต้นจากงานที่มีปริมาณการประมวลผลสูง มีรูปแบบที่ชัดเจน และมีข้อมูลในอดีตสะสมอยู่ โดยเฉพาะอย่างยิ่ง งานประเภทการประมวลผลใบแจ้งหนี้ การเบิกค่าใช้จ่าย การจำแนกประเภทคำถามเบื้องต้น และ data cleansing ถือเป็นตัวเลือกแรกที่เหมาะสมที่สุด ในทางกลับกัน งานที่มีเกณฑ์การตัดสินใจขึ้นอยู่กับบุคคลและเปลี่ยนแปลงบ่อยครั้ง หรืองานที่มีจำนวนการประมวลผลเพียงหลักสิบรายการต่อเดือน มักจะไม่คุ้มค่าในแง่ของ ROI
ค่าใช้จ่ายจะแตกต่างกันไปตามขนาดและขอบเขตงานที่ดำเนินการ แต่สามารถให้แนวทางทั่วไปได้ดังนี้ ในช่วง PoC (2〜3 เดือน) อยู่ที่ประมาณ 3〜8 ล้านเยน สำหรับการก่อสร้างเริ่มต้นในการนำไปใช้งานจริงอยู่ที่ 5〜20 ล้านเยน ส่วนค่าดำเนินการรายเดือนซึ่งรวมค่าบริการ AI และค่าแรงงานนั้น มักอยู่ในระดับประมาณ 60〜80% ของค่าใช้จ่าย BPO แบบเดิม สิ่งสำคัญคือการยืนยันผลลัพธ์อย่างเป็นรูปธรรมในเชิงปริมาณในช่วง PoC ก่อนที่จะดำเนินการลงทุนอย่างจริงจัง และควรหลีกเลี่ยงการ "นำไปใช้งานแบบเต็มรูปแบบในทันที"
ใน AI Hybrid BPO นอกเหนือจากข้อกำหนดด้านความปลอดภัยของ BPO แบบดั้งเดิมแล้ว ยังจำเป็นต้องระบุให้ชัดเจนในสัญญาถึง "ขอบเขตของข้อมูลที่ป้อนเข้าสู่ AI" และ "ความเป็นไปได้ในการนำข้อมูลไปใช้เป็นข้อมูลการเรียนรู้ของ AI model" ในกรณีที่มีการป้อนข้อมูลส่วนบุคคลหรือข้อมูลที่เป็นความลับเข้าสู่ AI การประมวลผลเพื่อทำให้ข้อมูลไม่ระบุตัวตน (anonymization) การตรวจสอบนโยบายการเก็บรักษาข้อมูลของ AI vendor รวมถึงการบันทึก processing log และการรองรับการตรวจสอบ (audit) ถือเป็นสิ่งที่ขาดไม่ได้ บริษัทของเราดำเนินการโดยจัดทำ data flow diagram แยกตามแต่ละ client เพื่อให้เห็นภาพรวมว่าข้อมูลใดผ่าน AI service ใดบ้าง ก่อนนำไปใช้งานจริง

AI Hybrid BPO คือกลยุทธ์การ outsourcing ที่จัดสรรการประมวลผลอัตโนมัติด้วย AI และการตัดสินใจเชิงเชี่ยวชาญของมนุษย์อย่างเหมาะสมที่สุดในระดับหน่วยกระบวนการทางธุรกิจ กลยุทธ์นี้ก้าวข้ามข้อจำกัดของ BPO แบบดั้งเดิมที่มุ่งเน้นเพียง "การลดต้นทุน" เพื่อบรรลุการปรับปรุงด้านคุณภาพ ความเร็ว และความยืดหยุ่นไปพร้อมกัน
ทบทวนประเด็นสำคัญในการนำไปใช้
หากคุณกำลังเผชิญกับความท้าทายเหล่านี้ เช่น "ต้นทุน BPO เพิ่มขึ้นแต่คุณภาพยังคงที่" หรือ "ต้องการส่งเสริมการใช้ AI แต่ไม่รู้จะเริ่มต้นจากตรงไหน" ขอแนะนำให้เริ่มต้นด้วยการทำให้กระบวนการทางธุรกิจในปัจจุบันมองเห็นได้ชัดเจนและจำแนกประเภท บริษัทของเราให้การสนับสนุนอย่างครบวงจรตั้งแต่การวิเคราะห์กระบวนการทางธุรกิจ การออกแบบ PoC ไปจนถึงการนำไปใช้งานจริง หากต้องการปรึกษาเกี่ยวกับการนำ AI Hybrid BPO มาใช้ อย่าลังเลที่จะติดต่อเราได้เลย
Yusuke Ishihara
เริ่มเขียนโปรแกรมตั้งแต่อายุ 13 ปี ด้วย MSX หลังจบการศึกษาจากมหาวิทยาลัย Musashi ได้ทำงานพัฒนาระบบขนาดใหญ่ รวมถึงระบบหลักของสายการบิน และโครงสร้าง Windows Server Hosting/VPS แห่งแรกของญี่ปุ่น ร่วมก่อตั้ง Site Engine Inc. ในปี 2008 ก่อตั้ง Unimon Inc. ในปี 2010 และ Enison Inc. ในปี 2025 นำทีมพัฒนาระบบธุรกิจ การประมวลผลภาษาธรรมชาติ และแพลตฟอร์ม ปัจจุบันมุ่งเน้นการพัฒนาผลิตภัณฑ์และการส่งเสริม AI/DX โดยใช้ generative AI และ Large Language Models (LLM)