บทนำ
องค์กรจำนวนมากตรวจ AI ก่อนนำไปใช้ แต่คำถามที่ยากกว่าคือ เมื่อ AI ถูกอัปเดต เปลี่ยนข้อมูล หรือเปลี่ยนบริบทการใช้งาน เราจะรู้ได้อย่างไรว่ามันยัง “น่าเชื่อถือเท่าเดิม” งานวิจัยของ Andrea Ferrario ซึ่งเผยแพร่บน arXiv เสนอวิธีทำให้การเปลี่ยนแปลงดังกล่าวสามารถติดตามและบันทึกเป็นหลักฐานได้ตลอดวงจรชีวิตของ AI โดยไม่อ้างว่าจะมาแทนการตัดสินใจของคนหรือผู้เชี่ยวชาญ
ประเด็นนี้น่าสนใจสำหรับธุรกิจไทย เพราะ AI Governance กำลังเคลื่อนจากเรื่อง “มีนโยบายหรือยัง” ไปสู่คำถามที่หนักกว่า คือ องค์กรพิสูจน์ได้หรือไม่ว่า AI ยังอยู่ในระดับที่องค์กรยอมรับได้ หลังจากมันเปลี่ยนไปแล้ว
ข้อเท็จจริง
หัวใจของงานวิจัยไม่ได้อยู่ที่การสร้างคะแนนใหม่เพื่อบอกว่า AI ตัวหนึ่งดีหรือไม่ดี แต่คือการสร้างวิธีที่ทำให้คำว่า “น่าเชื่อถือ” สามารถถูกติดตามในเชิงระบบได้
ผู้วิจัยเสนอกรอบการทำงานที่นำข้อมูลเกี่ยวกับความน่าเชื่อถือของ AI มารวมเป็น “โปรไฟล์” แล้วจัดระดับความน่าเชื่อถือด้วยกฎที่สามารถอ่านและตรวจสอบได้ โดยใช้ decision tree เป็นตัวอย่างของวิธีสร้างกฎที่ตีความได้ง่าย จากนั้นระบบสามารถจับความเปลี่ยนแปลงระหว่างระดับต่าง ๆ และใช้ตัวชี้วัดสองแบบเพื่อดูสัญญาณผิดปกติ ได้แก่ boundary margin ซึ่งช่วยมองว่าระบบอยู่ห่างจากขอบเขตการเปลี่ยนระดับแค่ไหน และ profile drift ซึ่งช่วยติดตามว่าลักษณะของระบบเปลี่ยนไปจากเดิมอย่างไร
สิ่งที่สำคัญกว่าสมการคือการนำผลดังกล่าวเข้าไปอยู่ในกระบวนการกำกับดูแลตั้งแต่ก่อนเปิดใช้งาน ไปจนถึงหลังนำระบบไปใช้จริง มีการติดตาม ประเมินซ้ำ รายงานผล และกำหนดบทบาทของมนุษย์ในจุดควบคุมต่าง ๆ
งานนี้ยังเป็น proof of concept จากการจำลองสถานการณ์ ไม่ใช่หลักฐานว่าระบบดังกล่าวได้รับการยืนยันในสภาพแวดล้อมธุรกิจจริง ผู้วิจัยเองระบุว่าวิธีนี้มีหน้าที่ช่วยสร้างหลักฐานสำหรับการติดตามและจัดทำเอกสาร ไม่ได้มาแทนกฎหมายหรือ judgment ของผู้เชี่ยวชาญ
ทำไมเรื่องนี้จึงสำคัญกว่า “AI ผ่านการตรวจแล้ว”
ลองนึกภาพบริษัทแห่งหนึ่งใช้ AI คัดกรองใบสมัครงาน
วันแรก บริษัททดสอบความแม่นยำ ความเป็นธรรม และความปลอดภัย แล้วบันทึกผลว่า “ผ่าน”
แต่สามเดือนต่อมา บริษัทเปลี่ยนโมเดล
หกเดือนต่อมา vendor อัปเดตระบบ
หลังจากนั้นบริษัทเปลี่ยนกลุ่มผู้ใช้
และปีต่อมานำระบบเดียวกันไปใช้กับตำแหน่งงานอีกประเภทหนึ่ง
คำถามจึงไม่ใช่ “ตอนเริ่มใช้ AI ผ่านหรือไม่”
แต่กลายเป็นว่า “หลักฐานที่เคยบอกว่า AI น่าเชื่อถือ ยังใช้ได้กับ AI เวอร์ชันปัจจุบันหรือไม่?”
นี่คือช่องว่างที่งานวิจัยพยายามเข้ามาจัดการ เพราะ AI เป็นระบบที่เปลี่ยนตลอดเวลา ขณะที่การกำกับดูแลขององค์กรจำนวนมากยังคิดเป็นภาพถ่ายเพียงจุดเดียว เช่น แบบประเมินก่อนซื้อ แบบอนุมัติก่อนใช้งาน หรือรายงานทดสอบครั้งแรก
งานวิจัยเสนอแนวคิดที่ใกล้เคียงกับการสร้าง “ชั้นแปลภาษา” ระหว่างตัวเลขทางเทคนิคกับการตัดสินใจด้าน Governance กล่าวคือ ไม่ได้บอกแค่ว่า metric เปลี่ยน แต่พยายามทำให้การเปลี่ยนแปลงนั้นสัมพันธ์กับระดับความน่าเชื่อถือและจุดที่มนุษย์ควรกลับเข้าไปทบทวนอีกครั้ง
ผลกระทบต่อธุรกิจในประเทศไทย
จุดที่ธุรกิจไทยควรจับตาไม่ได้อยู่ที่การนำ methodology ใน paper ไปใช้ทั้งชุด แต่คือแนวคิดเรื่อง “หลักฐานต้องเดินไปพร้อมกับ AI”
ในทางธุรกิจ การซื้อ AI จาก vendor วันนี้ไม่ได้แปลว่าองค์กรได้ AI ตัวเดิมตลอดไป เพราะโมเดล ระบบข้อมูล ผู้ให้บริการ และรูปแบบการใช้งานสามารถเปลี่ยนได้ เมื่อสิ่งเหล่านี้เปลี่ยน ความเสี่ยงก็อาจเปลี่ยนตามไปด้วย แต่เอกสาร Governance จำนวนมากยังถูกออกแบบเหมือนเป็นการอนุมัติครั้งเดียวแล้วจบ
สำหรับองค์กรไทย นี่อาจกลายเป็นช่องว่างสำคัญเมื่อ AI ถูกนำไปใช้กับงานที่มีผลต่อบุคคล เช่น สินเชื่อ การรับประกัน การคัดเลือกบุคลากร การประเมินลูกค้า หรือระบบช่วยตัดสินใจในองค์กร หากเกิดปัญหา สิ่งที่ถูกถามอาจไม่ได้จบที่ “AI ผิดเพราะอะไร” แต่อาจไปถึง “บริษัทตรวจสอบ AI ครั้งล่าสุดเมื่อไร”, “หลังจากอัปเดตระบบมีการประเมินใหม่หรือไม่” และ “ใครเป็นคนตัดสินใจว่าให้ใช้งานต่อได้”
ตรงนี้เชื่อมกับทิศทาง AI Governance ในประเทศไทยที่กำลังให้ความสำคัญกับการนำหลักการไปใช้จริง รวมถึงการทำเครื่องมือเพื่อประเมินความเสี่ยงและผลกระทบก่อนนำ AI ไปใช้งาน โดย ETDA ระบุในปี 2569 ว่าได้พัฒนา AI Governance Guideline & Toolkits สำหรับองค์กรแล้วหลายชุด และกำลังพัฒนาเครื่องมือเพิ่มเติมด้าน Ethical Impact Assessment ด้วย
ดังนั้นสิ่งที่ฝ่ายกฎหมาย IT Risk Compliance และ AI Team ควรเริ่มคิดตั้งแต่วันนี้ ไม่ใช่เพียง “มี AI Policy หรือยัง” แต่คือ “เรามีหลักฐานของการเปลี่ยนแปลงของ AI หรือยัง”
ตัวอย่างง่าย ๆ คือองค์กรควรสามารถตอบย้อนหลังได้ว่า AI รุ่นใดถูกใช้ เมื่อใด มีการเปลี่ยนแปลงอะไร ผลทดสอบสำคัญเปลี่ยนแค่ไหน ใครตรวจ และเหตุใดจึงตัดสินใจให้ระบบเดินหน้าต่อ
เมื่อมีระบบแบบนี้ AI Governance จะเปลี่ยนจากแฟ้มเอกสารที่เก็บหลังการตรวจ เป็นระบบเฝ้าดูความเสี่ยงที่ทำงานตลอดอายุของ AI
และนั่นอาจเป็นความแตกต่างระหว่างองค์กรที่ “มี AI Governance” กับองค์กรที่ “พิสูจน์ได้ว่า AI ของตัวเองยังถูกกำกับดูแลอยู่”
สิ่งที่ควรทำต่อ
1. ทำ AI Inventory ให้รู้ว่ามี AI อะไรอยู่ในองค์กร
ระบุเจ้าของระบบ จุดประสงค์ กลุ่มผู้ได้รับผลกระทบ vendor รุ่นของโมเดล และระดับความสำคัญของแต่ละระบบ
2. เพิ่ม “จุดเปลี่ยนที่ต้องประเมินใหม่” ใน AI Lifecycle
อย่ารอเฉพาะการตรวจประจำปี ควรกำหนด trigger เมื่อมีการเปลี่ยนโมเดล ข้อมูล ระบบ vendor หรือบริบทการใช้งานที่สำคัญ
3. เก็บหลักฐานก่อน–หลังการเปลี่ยนแปลง
อย่าเก็บเฉพาะคะแนนผลทดสอบล่าสุด ควรเก็บประวัติว่าอะไรเปลี่ยนและผลกระทบหลังเปลี่ยนเป็นอย่างไร
4. กำหนดคนที่มีสิทธิ์ตัดสินใจ
เมื่อระบบเข้าใกล้ระดับความเสี่ยงที่กำหนด ใครมีอำนาจสั่งหยุด ทบทวน หรืออนุมัติให้ใช้งานต่อ ต้องระบุให้ชัด
5. ทำ AI Governance ให้ตรวจย้อนหลังได้
เป้าหมายไม่ใช่การสร้างเอกสารให้มากขึ้น แต่ต้องทำให้บุคคลที่เข้ามาตรวจภายหลังสามารถเข้าใจเหตุผลของการตัดสินใจได้
แหล่งอ้างอิง
ต้นฉบับงานวิจัย: Andrea Ferrario, A Methodology for Auditable Trustworthiness Levels in AI Lifecycle Governance, arXiv:2607.16130v1, เผยแพร่วันที่ 17 กรกฎาคม 2026
ฉบับเต็ม: arXiv HTML version อ่านงานวิจัยฉบับเต็ม
บริบท AI Governance ประเทศไทย: สำนักงานพัฒนาธุรกรรมทางอิเล็กทรอนิกส์ (ETDA) ระบุทิศทาง AI Governance ปี 2569 ที่เน้นการนำกรอบและเครื่องมือไปใช้งานจริงในองค์กร
