Barbell Strategy คืออะไร? กลยุทธ์ลงทุน AI แบบสองขั้ว
ฟลุ้ค (นักศึกษา)
Barbell Strategy คืออะไร? กลยุทธ์ลงทุน AI แบบสองขั้ว
ในช่วงสองสามปีที่ผ่านมา ผู้บริหารระดับสูงในหลายอุตสาหกรรมเผชิญคำถามเดียวกันซ้ำแล้วซ้ำเล่า คือควรทุ่มงบประมาณลงทุนใน AI มากน้อยแค่ไหน และควรเลือกลงทุนในเทคโนโลยีที่พิสูจน์แล้วว่าใช้งานได้จริง หรือควรกล้าเดิมพันกับนวัตกรรมที่ยังไม่มีใครพิสูจน์ผลตอบแทนที่ชัดเจน คำถามนี้ไม่มีคำตอบที่ถูกต้องเพียงหนึ่งเดียว เพราะการลงทุนแบบกลาง ๆ ที่พยายามเลือกทุกอย่างแบบพอดี ๆ มักไม่ให้ผลลัพธ์ที่ดีในโลกที่เปลี่ยนแปลงเร็วและคาดเดายาก
แนวคิดที่กำลังถูกพูดถึงมากขึ้นในวงการกลยุทธ์ธุรกิจและการบริหารความเสี่ยงคือ Barbell Strategy หรือกลยุทธ์แบบบาร์เบล ซึ่งเดิมทีเป็นแนวคิดจากโลกการเงินและการลงทุน แต่ปัจจุบันถูกนำมาปรับใช้กับการวางแผนลงทุนด้านเทคโนโลยีและ AI ขององค์กรอย่างกว้างขวางมากขึ้น เพราะตอบโจทย์สถานการณ์ที่ความไม่แน่นอนสูงและผลตอบแทนของ AI แต่ละโครงการมีความผันผวนอย่างมาก
Barbell Strategy คืออะไร
Barbell Strategy เป็นแนวคิดที่ได้รับความนิยมจากนักคิดด้านความเสี่ยงอย่าง Nassim Nicholas Taleb ผู้เขียนหนังสือเกี่ยวกับความไม่แน่นอนและระบบที่ยืดหยุ่นต่อแรงกระแทก หลักการพื้นฐานคือแทนที่จะกระจายทรัพยากรไปยังตัวเลือกที่มีความเสี่ยงระดับปานกลางทั้งหมด องค์กรควรแบ่งการลงทุนออกเป็นสองขั้วที่ตรงข้ามกันอย่างชัดเจน
ขั้วที่หนึ่ง:
เป็นการลงทุนในสิ่งที่ปลอดภัยมาก มีความแน่นอนสูง ผลตอบแทนอาจไม่หวือหวาแต่คาดการณ์ได้ เช่น การนำ AI มาใช้ในกระบวนการที่พิสูจน์แล้วว่าได้ผล อย่างระบบอัตโนมัติในงานเอกสาร การพยากรณ์ความต้องการสินค้าด้วยข้อมูลในอดีต หรือระบบสนับสนุนลูกค้าที่ใช้โมเดลภาษาที่เสถียรแล้ว
ขั้วที่สอง:
เป็นการลงทุนในสิ่งที่มีความเสี่ยงสูงมาก แต่หากสำเร็จจะให้ผลตอบแทนที่เปลี่ยนเกมได้ เช่น การทดลองใช้ระบบตัวแทน AI ที่ตัดสินใจแทนมนุษย์ในกระบวนการซับซ้อน การพัฒนาโมเดลธุรกิจใหม่ทั้งหมดที่ขับเคลื่อนด้วย AI หรือการลงทุนในเทคโนโลยีที่ยังอยู่ในขั้นทดลองแต่มีศักยภาพเปลี่ยนอุตสาหกรรม
สิ่งที่แนวคิดนี้ปฏิเสธอย่างชัดเจนคือ "ตรงกลาง" นั่นคือการลงทุนในโครงการที่มีความเสี่ยงปานกลางแบบไม่สุดทางไปทางใดทางหนึ่ง เพราะมักจะแบกรับความเสี่ยงในระดับที่พอสมควรโดยไม่ได้รับผลตอบแทนที่คุ้มค่าเพียงพอ
ทำไมแนวคิดนี้จึงเหมาะกับยุคของ AI
ตลาด AI ในปัจจุบันมีลักษณะเฉพาะที่ทำให้กลยุทธ์แบบบาร์เบลน่าสนใจเป็นพิเศษ ประการแรกคือความเร็วในการเปลี่ยนแปลงของเทคโนโลยีสูงมาก โมเดลและเครื่องมือใหม่ ๆ ถูกปล่อยออกมาแทบทุกเดือน ทำให้การลงทุนระยะยาวในเทคโนโลยีเดียวมีความเสี่ยงที่จะล้าสมัยเร็ว
ประการที่สอง ผลตอบแทนจากโครงการ AI มีการกระจายตัวแบบไม่สมมาตร กล่าวคือโครงการส่วนใหญ่ให้ผลตอบแทนปานกลางถึงน้อย แต่มีโครงการส่วนน้อยที่ให้ผลตอบแทนมหาศาลจนชดเชยความล้มเหลวของโครงการอื่นได้ทั้งหมด ลักษณะแบบนี้ตรงกับสิ่งที่นักลงทุนเรียกว่า fat-tail distribution ซึ่งเป็นเหตุผลที่การกระจายความเสี่ยงแบบสองขั้วมีเหตุผลรองรับทางสถิติ
ประการที่สาม แรงกดดันด้านงบประมาณและการกำกับดูแลทำให้ผู้บริหารต้องตอบคำถามผู้ถือหุ้นและคณะกรรมการว่าใช้เงินลงทุน AI ไปกับอะไรบ้าง การมีพอร์ตที่แบ่งชัดเจนระหว่างส่วนที่ให้ผลตอบแทนแน่นอนกับส่วนที่เป็นการเดิมพันเชิงนวัตกรรม ทำให้อธิบายต่อบอร์ดบริหารได้ง่ายกว่าการลงทุนแบบกระจัดกระจายไม่มีเหตุผลชัดเจน
องค์ประกอบของพอร์ต AI แบบบาร์เบล
การนำแนวคิดนี้มาใช้จริงในองค์กรต้องอาศัยการจัดสรรงบประมาณและทรัพยากรอย่างมีสติ ไม่ใช่แค่แบ่งเงินสองก้อนแบบสุ่ม แต่ต้องเข้าใจบทบาทของแต่ละขั้วอย่างชัดเจน
ฝั่งปลอดภัย (Core Bets):
ควรเป็นสัดส่วนงบประมาณส่วนใหญ่ขององค์กร มุ่งเน้นการนำ AI ไปใช้ในกระบวนการที่มีข้อมูลในอดีตรองรับเพียงพอ วัดผลตอบแทนการลงทุนได้ชัดเจน และมีความเสี่ยงด้านการปฏิบัติตามกฎระเบียบต่ำ ตัวอย่างเช่น การปรับปรุงประสิทธิภาพซัพพลายเชนด้วยโมเดลที่ผ่านการทดสอบมาแล้ว หรือการใช้ AI ช่วยงานภายในที่ไม่กระทบลูกค้าโดยตรง
ฝั่งเสี่ยงสูง (Moonshot Bets):
ควรเป็นสัดส่วนงบประมาณที่น้อยกว่ามาก แต่ได้รับอิสระในการทดลองสูง ทีมงานฝั่งนี้ควรได้รับอนุญาตให้ล้มเหลวได้โดยไม่ถูกลงโทษ เพราะเป้าหมายไม่ใช่ความสำเร็จของทุกโครงการ แต่เป็นการค้นหาโครงการเพียงหนึ่งหรือสองโครงการที่จะสร้างความได้เปรียบในการแข่งขันระยะยาว
สิ่งสำคัญคือองค์กรต้องหลีกเลี่ยงการสร้างโครงการ "กึ่งกลาง" ที่ใช้งบประมาณสูงพอสมควรแต่ไม่ได้ถูกออกแบบมาเพื่อทดลองอะไรใหม่จริง ๆ ซึ่งมักเกิดจากการที่ทีมต้องการความปลอดภัยทางการเมืองภายในองค์กรมากกว่าการตัดสินใจเชิงกลยุทธ์ที่แท้จริง
วิธีนำแนวคิดไปปรับใช้ในองค์กร
การเริ่มต้นใช้กลยุทธ์บาร์เบลไม่จำเป็นต้องเปลี่ยนโครงสร้างองค์กรทั้งหมดในทันที แต่ควรเริ่มจากการทบทวนพอร์ต AI ที่มีอยู่เดิม แล้วจัดกลุ่มโครงการทั้งหมดตามระดับความเสี่ยงและความแน่นอนของผลตอบแทน หลายองค์กรพบว่าโครงการส่วนใหญ่ที่มีอยู่จริง ๆ แล้วตกอยู่ในโซนกลางที่ไม่ได้ให้ทั้งความปลอดภัยหรือศักยภาพที่แท้จริง
ขั้นตอนถัดมาคือการกำหนดสัดส่วนงบประมาณอย่างชัดเจน องค์กรจำนวนมากเริ่มต้นด้วยอัตราส่วนประมาณร้อยละแปดสิบถึงเก้าสิบสำหรับฝั่งปลอดภัย และร้อยละสิบถึงยี่สิบสำหรับฝั่งเสี่ยงสูง แล้วปรับสัดส่วนตามความพร้อมด้านข้อมูลและวัฒนธรรมองค์กร
อีกจุดสำคัญคือการแยกระบบวัดผลของทั้งสองฝั่งออกจากกันอย่างชัดเจน โครงการฝั่งปลอดภัยควรวัดด้วยตัวชี้วัดทางการเงินและประสิทธิภาพตามปกติ ในขณะที่โครงการฝั่งทดลองควรวัดด้วยตัวชี้วัดการเรียนรู้ เช่น ความเร็วในการทดสอบสมมติฐาน หรือจำนวนข้อมูลเชิงลึกใหม่ที่ได้รับ มากกว่าการวัดผลตอบแทนทางการเงินโดยตรงในช่วงแรก
การกำกับดูแลก็ต้องแตกต่างกัน โครงการฝั่งปลอดภัยควรอยู่ภายใต้กระบวนการอนุมัติและตรวจสอบตามมาตรฐานปกติขององค์กร ในขณะที่โครงการฝั่งทดลองควรมีกระบวนการที่คล่องตัวกว่า อนุญาตให้ทีมงานตัดสินใจได้เร็วโดยไม่ต้องผ่านลำดับชั้นการอนุมัติที่ยืดยาว เพราะความเร็วในการทดลองคือหัวใจของฝั่งนี้
ตัวอย่างการประยุกต์ใช้ในภาคธุรกิจจริง
ในภาคการเงินและธนาคาร หลายแห่งใช้แนวทางนี้โดยลงทุนหนักในระบบ AI ตรวจจับการทุจริตที่พิสูจน์แล้วว่าลดความเสียหายได้จริง ควบคู่ไปกับการตั้งทีมเล็ก ๆ ทดลองใช้ระบบตัวแทน AI ในการให้คำปรึกษาทางการเงินส่วนบุคคลแบบเต็มรูปแบบ ซึ่งยังอยู่ในขั้นทดลองและมีความเสี่ยงด้านกฎระเบียบสูง
ในภาคโลจิสติกส์และซัพพลายเชน บริษัทจำนวนหนึ่งลงทุนหนักในระบบพยากรณ์ความต้องการและการวางแผนเส้นทางที่ใช้ข้อมูลย้อนหลังจำนวนมาก ซึ่งให้ผลตอบแทนแน่นอนและวัดผลได้ชัดเจน ในขณะเดียวกันก็จัดสรรงบประมาณส่วนน้อยไปทดลองระบบที่ให้ AI ตัดสินใจปรับเปลี่ยนเครือข่ายการขนส่งแบบอัตโนมัติทั้งหมดโดยไม่ต้องรอการอนุมัติจากมนุษย์ในทุกขั้นตอน ซึ่งยังอยู่ในระยะทดลองแต่หากสำเร็จจะเปลี่ยนโครงสร้างต้นทุนได้อย่างมาก
รูปแบบนี้ยังพบในภาคค้าปลีก ที่ลงทุนหนักในระบบจัดการสินค้าคงคลังที่พิสูจน์แล้ว ควบคู่กับการทดลองใช้ AI สร้างประสบการณ์ช้อปปิ้งเฉพาะบุคคลแบบเรียลไทม์ที่ยังไม่มีใครทำสำเร็จเต็มรูปแบบในอุตสาหกรรม
ข้อควรระวังในการใช้กลยุทธ์นี้
แม้แนวคิดนี้จะมีเหตุผลรองรับที่ดี แต่การนำไปใช้ผิดวิธีก็สร้างความเสียหายได้เช่นกัน ข้อควรระวังแรกคือการเข้าใจผิดว่าฝั่งเสี่ยงสูงหมายถึงการลงทุนแบบไม่มีวินัย ในความเป็นจริงโครงการทดลองต้องมีกรอบเวลาและเกณฑ์การประเมินที่ชัดเจนว่าเมื่อใดควรหยุดหรือเดินหน้าต่อ ไม่เช่นนั้นจะกลายเป็นการเผางบประมาณโดยไม่มีการเรียนรู้ที่แท้จริง
ข้อควรระวังที่สองคือการละเลยฝั่งปลอดภัย บางองค์กรตื่นเต้นกับเทคโนโลยีใหม่จนลืมดูแลระบบหลักที่สร้างรายได้อยู่แล้ว ทำให้เกิดความเสี่ยงด้านเสถียรภาพในระยะสั้นเพื่อแลกกับความหวังในระยะยาวที่ยังไม่แน่นอน
ข้อควรระวังที่สามคือวัฒนธรรมองค์กรที่ไม่ยอมรับความล้มเหลว หากทีมทดลองถูกลงโทษทุกครั้งที่โครงการไม่สำเร็จ ในที่สุดจะไม่มีใครกล้าเสนอโครงการเสี่ยงสูงอีกต่อไป และองค์กรจะเลื่อนไหลกลับไปสู่การลงทุนแบบกลาง ๆ ที่แนวคิดนี้พยายามหลีกเลี่ยงตั้งแต่แรก
สรุป
Barbell Strategy เสนอทางเลือกที่แตกต่างจากการวางแผนลงทุน AI แบบดั้งเดิมที่มักกระจายงบประมาณไปยังโครงการความเสี่ยงปานกลางจำนวนมาก โดยเน้นการแบ่งทรัพยากรอย่างชัดเจนระหว่างการลงทุนที่ปลอดภัยและพิสูจน์แล้ว กับการเดิมพันเชิงนวัตกรรมที่มีความเสี่ยงสูงแต่มีศักยภาพเปลี่ยนเกม แนวคิดนี้เหมาะกับบริบทของ AI ในปัจจุบันที่มีความไม่แน่นอนสูงและผลตอบแทนกระจายตัวแบบไม่สมมาตร
องค์กรที่ต้องการนำแนวคิดนี้ไปใช้ควรเริ่มจากการทบทวนพอร์ตโครงการที่มีอยู่ กำหนดสัดส่วนงบประมาณระหว่างสองขั้วอย่างชัดเจน แยกระบบวัดผลและการกำกับดูแลของแต่ละฝั่งออกจากกัน และสร้างวัฒนธรรมที่ยอมรับความล้มเหลวของโครงการทดลองได้ในระดับที่เหมาะสม เพื่อให้องค์กรสามารถรักษาเสถียรภาพในปัจจุบันไปพร้อมกับการเปิดโอกาสสร้างความได้เปรียบในอนาคต
