บทนำ
ตลาดหลักทรัพย์แห่งประเทศไทยกำลังทำให้ ESG ขยับจากเรื่องที่บริษัท “เล่า” ไปสู่เรื่องที่ตลาดสามารถนำข้อมูลมาวิเคราะห์และเปรียบเทียบได้ โดย SET ESG Data Platform มีข้อมูลพลังงานจากบริษัทจดทะเบียนหลายร้อยแห่ง และถูกนำมาทดลองวิเคราะห์ความเสี่ยงด้านพลังงานในระดับอุตสาหกรรมและรายบริษัทแล้ว
เมื่อพัฒนาการนี้เกิดขึ้นพร้อมกับการเร่งใช้ AI ซึ่งต้องพึ่ง Cloud และ Data Center มากขึ้น คำถามสำคัญสำหรับผู้บริหารไทยจึงอาจไม่ใช่เพียง “เราจะใช้ AI อย่างไร” แต่คือ เราจะวัดต้นทุนทางพลังงานและ ESG ที่เกิดจาก AI อย่างไรด้วย
ESG กำลังเปลี่ยน จากรายงาน เป็น “ข้อมูลที่ตลาดคำนวณได้”
ข้อมูลใน SET ESG Data Platform ที่ SET นำมาวิเคราะห์ครอบคลุมบริษัทจดทะเบียน 776 แห่ง โดยในปี 2568 บริษัทกลุ่มดังกล่าวใช้ไฟฟ้ารวมประมาณ 48,435 ล้าน kWh และในจำนวนนี้เป็นไฟฟ้าจากพลังงานทดแทนประมาณ 6,066 ล้าน kWh หรือ 13%
เมื่อเปรียบเทียบบริษัทกลุ่มเดียวกันกับปีก่อน การใช้ไฟฟ้ารวมเพิ่มประมาณ 1.9% แต่พลังงานทดแทนเพิ่มถึง 42.7% ทำให้สัดส่วนไฟฟ้าจากพลังงานทดแทนเพิ่มจาก 9% เป็น 13%
สิ่งที่น่าสนใจยิ่งกว่าตัวเลขรวม คือข้อมูลเหล่านี้เริ่มถูกนำมาสร้างตัวชี้วัดอย่าง Energy Intensity เพื่อดูว่าธุรกิจพึ่งพาต้นทุนพลังงานมากเพียงใด และ Margin Sensitivity เพื่อดูว่าหากต้นทุนพลังงานเพิ่ม กำไรของธุรกิจจะได้รับผลกระทบขนาดไหน
กล่าวง่าย ๆ คือ ESG กำลังเดินจาก
“บริษัทมีนโยบายด้านพลังงานอะไร”
ไปสู่
“บริษัทใช้พลังงานเท่าไร เทียบกับธุรกิจของตัวเองและคู่แข่งแล้วอยู่ตรงไหน และถ้าพลังงานแพงขึ้นจะกระทบกำไรแค่ไหน”
อีกด้านหนึ่ง SET Note เกี่ยวกับ AI ในตลาดทุนไทยระบุถึงความจำเป็นของการขยาย Data Center และการจัดการพลังงานเพื่อรองรับการใช้ AI ที่เพิ่มขึ้น โดยมองว่าต้นทุนด้านพลังงานและสิ่งแวดล้อมจะซับซ้อนขึ้นตามการเติบโตของโครงสร้างพื้นฐานดังกล่าว
ข้อมูลล่าสุดของ IEA ยิ่งทำให้ภาพนี้ชัดขึ้น โดยประมาณการว่าการใช้ไฟฟ้าของ Data Center ทั่วโลกอาจเพิ่มจากราว 485 TWh ในปี 2025 เป็นประมาณ 950 TWh ในปี 2030 ขณะที่การใช้ไฟของ Data Center ที่เน้นงาน AI มีแนวโน้มเติบโตเร็วกว่าภาพรวมอย่างมาก
พร้อมกันนั้น SET อยู่ระหว่างการเปลี่ยนจาก SET ESG Ratings ไปสู่ FTSE Russell ESG Scores โดย SET ระบุว่ากรอบใหม่ใช้ข้อมูลที่เปิดเผยต่อสาธารณะในการประเมินบริษัทที่อยู่ในขอบเขต และได้จัดหลักสูตรเพื่อเตรียมบริษัทจดทะเบียนก่อนการเปิดเผยผลคะแนนสู่สาธารณะตั้งแต่ปี 2569 เป็นต้นไป
“AI ที่ลดต้นทุนคนได้ แต่เพิ่มค่าไฟและคาร์บอนโดยไม่มีใครวัด อาจไม่ได้มีประสิทธิภาพเท่าที่ Dashboard บอกเรา”
ผลกระทบต่อธุรกิจในประเทศไทย
สิ่งที่กำลังเกิดขึ้นอาจเปลี่ยนวิธีที่องค์กรไทยมองคำว่า AI Transformation อย่างมีนัยสำคัญ
ที่ผ่านมาโครงการ AI มักถูกวัดจากผลลัพธ์เชิงธุรกิจ เช่น ลดเวลาทำงานกี่ชั่วโมง ลดจำนวนขั้นตอน เพิ่มยอดขาย เพิ่ม Conversion หรือลดต้นทุนต่อธุรกรรมได้เท่าไร แต่เมื่อองค์กรใช้ Generative AI, Machine Learning, Cloud Computing และระบบประมวลผลข้อมูลมากขึ้น ตัวเลขอีกชุดหนึ่งจะเริ่มมีความสำคัญ คือ พลังงานและคาร์บอนที่อยู่เบื้องหลังการประมวลผลเหล่านั้น
สำหรับบริษัทจดทะเบียน ประเด็นนี้มีความสำคัญเป็นพิเศษ เพราะ SET กำลังทำให้ข้อมูลพลังงานสามารถนำมาเปรียบเทียบในระดับบริษัทและอุตสาหกรรมได้ ขณะที่ FTSE Russell ESG Scores ใช้ข้อมูลที่เปิดเผยต่อสาธารณะเป็นส่วนสำคัญของการประเมิน นั่นหมายความว่าโลกของ CIO/CTO ซึ่งตัดสินใจเรื่อง AI กับโลกของ Sustainability/ESG ซึ่งดูแลข้อมูลพลังงานและคาร์บอน มีเหตุผลมากขึ้นที่จะต้องใช้ข้อมูลชุดเดียวกัน
ตัวอย่างง่าย ๆ คือ หากองค์กรย้ายงานจำนวนมากขึ้นไปยัง Cloud แล้วเพิ่มการใช้ AI หลายสิบระบบ ฝ่ายเทคโนโลยีอาจรายงานว่า Productivity เพิ่มขึ้น 20% แต่คำถามของฝ่าย ESG อาจต้องตามมาว่า การเปลี่ยนแปลงนี้ทำให้การใช้ทรัพยากรขององค์กรและ Supply Chain เปลี่ยนอย่างไร และข้อมูลที่จำเป็นต่อการคำนวณอยู่กับใคร
กรณีใช้โครงสร้างพื้นฐานของตนเอง ผลกระทบบางส่วนอาจมองเห็นผ่านค่าไฟโดยตรง แต่กรณีใช้บริการ Cloud หรือ AI จากภายนอก ภาระด้านพลังงานจำนวนหนึ่งเกิดขึ้นในระบบของผู้ให้บริการ การจะจัดกลุ่มผลกระทบเป็น Scope 2 หรือ Scope 3 จึงต้องพิจารณาขอบเขตองค์กร รูปแบบสัญญา และมาตรฐานการคำนวณก๊าซเรือนกระจกที่องค์กรใช้อยู่ ไม่ควรเหมารวมว่าการใช้ AI ทุกประเภทจะสะท้อนอยู่ในค่าไฟของบริษัทโดยตรง
นี่ทำให้ Procurement และ Contract Management เข้ามาเกี่ยวข้องทันที เพราะหากองค์กรต้องการนำข้อมูล AI ไปเชื่อมกับ ESG ในอนาคต สัญญากับ Cloud Provider หรือ AI Vendor อาจต้องพิจารณามากกว่า SLA, Cybersecurity และ PDPA แต่รวมถึงคำถามว่า ผู้ให้บริการสามารถให้ข้อมูลการใช้พลังงาน การปล่อยคาร์บอน หรือข้อมูลที่ใช้คำนวณ Environmental Footprint ของบริการได้หรือไม่ และข้อมูลดังกล่าวตรวจสอบย้อนกลับได้เพียงใด
สำหรับ SME อาจดูเหมือนเรื่องไกลตัว เพราะไม่ได้ถูกประเมิน FTSE Russell โดยตรง แต่ถ้าเป็น Supplier ของบริษัทใหญ่ ผลกระทบอาจไหลลงมาตาม Supply Chain บริษัทแม่หรือลูกค้ารายใหญ่อาจต้องการข้อมูลเพิ่มเพื่อจัดทำ ESG Metrics ของตนเอง ดังนั้นความสามารถในการตอบคำถามด้านพลังงาน คาร์บอน และเทคโนโลยีอาจค่อย ๆ เปลี่ยนจาก “ข้อมูลเพื่อความยั่งยืน” ไปเป็น คุณสมบัติในการทำธุรกิจกับองค์กรขนาดใหญ่
ประเด็นนี้ยังเชื่อมกับเงินทุนด้วย SET ระบุว่าข้อมูลพลังงานและ Carbon Footprint ที่มีความโปร่งใสและผ่านกระบวนการที่เหมาะสมสามารถต่อยอดไปสู่ระบบ Green Finance ได้ ซึ่งทำให้คุณภาพของข้อมูล ESG ไม่ได้มีผลเฉพาะภาพลักษณ์ แต่อาจเกี่ยวข้องกับการเข้าถึงแหล่งเงินทุนด้วย
ดังนั้นความเสี่ยงสำคัญที่สุดอาจไม่ใช่การที่ AI “กินไฟมาก” เพียงอย่างเดียว แต่คือ องค์กรขยาย AI เร็วกว่าความสามารถในการวัดผลกระทบของ AI
หากเกิดช่องว่างนี้ ผู้บริหารอาจรู้ว่า AI ทำรายได้เพิ่มเท่าไร แต่ไม่รู้ว่าต้องใช้พลังงานเพิ่มเท่าไร ฝ่าย ESG อาจรู้ว่าคาร์บอนรวมเพิ่มขึ้น แต่ไม่รู้ว่าเพิ่มจากกิจกรรมใด และฝ่ายจัดซื้ออาจเซ็นสัญญาบริการ AI ระยะยาวโดยไม่มีสิทธิได้รับข้อมูลที่จำเป็นสำหรับ ESG Reporting ในอนาคต
นี่คือเหตุผลที่ AI Governance และ ESG Governance ไม่ควรถูกออกแบบเป็นสองระบบที่ไม่คุยกันอีกต่อไป
“อีกไม่นานคำถามว่า ‘เราใช้ AI แล้วหรือยัง’ อาจสำคัญน้อยกว่าคำถามว่า ‘AI หนึ่งหน่วยสร้างคุณค่าเท่าไร แลกกับไฟ คาร์บอน และความเสี่ยงเท่าไร’”
5 เรื่อง ที่องค์กรควรเริ่มก่อน AI กับ ESG กลายเป็นคนละชุดข้อมูล
1. ทำ AI Inventory พร้อม Infrastructure Map
อย่าบันทึกเพียงว่าองค์กรมี AI กี่ระบบ แต่ควรรู้ว่าแต่ละระบบทำงานบนโครงสร้างพื้นฐานแบบใด ใช้ Internal Server, Private Cloud, Public Cloud หรือ SaaS และมีเจ้าของระบบกับผู้ให้บริการรายใด
2. เริ่มสร้าง Baseline ของ “AI Resource Footprint”
สำหรับโครงการ AI ขนาดใหญ่ ควรเริ่มเก็บข้อมูลเท่าที่ทำได้ เช่น ปริมาณการใช้งาน Cloud, Compute Capacity, ปริมาณงานประมวลผล ค่าใช้จ่ายโครงสร้างพื้นฐาน และข้อมูล Energy/Carbon ที่ผู้ให้บริการสามารถจัดส่งให้ได้
เป้าหมายแรกไม่จำเป็นต้องแม่นยำถึงระดับ “หนึ่ง Prompt ใช้ไฟกี่ Wh” แต่ต้องเริ่มเห็นว่า AI Portfolio ขององค์กรเชื่อมกับทรัพยากรส่วนใดบ้าง
3. เพิ่ม ESG เข้าไปใน AI Business Case
ก่อนอนุมัติโครงการ AI ขนาดใหญ่ นอกจาก ROI, Accuracy, Cybersecurity, Privacy และ Compliance ควรมีคำถามเพิ่มว่า
โครงการนี้ทำให้ Energy Footprint หรือ Carbon Footprint ขององค์กรเปลี่ยนหรือไม่ และเรามีข้อมูลพอที่จะพิสูจน์หรือยัง
4. ตรวจสัญญา Cloud และ AI Vendor ใหม่
ควรดูว่าองค์กรมีสิทธิขอข้อมูล Environmental Metrics หรือข้อมูลที่จำเป็นสำหรับการคำนวณ ESG หรือไม่ รวมถึงรูปแบบข้อมูล ความถี่ในการส่งข้อมูล วิธีตรวจสอบ และหน้าที่ของผู้ให้บริการเมื่อมาตรฐานการรายงานเปลี่ยนแปลง
5. เชื่อมคนที่วันนี้อาจยังนั่งกันคนละห้อง
AI Governance ในอนาคตไม่ควรอยู่กับ IT เพียงฝ่ายเดียว องค์กรควรสร้างเส้นเชื่อมระหว่าง Technology, Data, Cybersecurity, Legal, Procurement, Finance และ Sustainability/ESG
เพราะการตัดสินใจเลือกโมเดล AI หรือ Cloud Provider หนึ่งราย อาจสร้างผลกระทบที่ไปปรากฏอีกทีในต้นทุนพลังงาน Carbon Accounting สัญญาธุรกิจ หรือข้อมูลที่องค์กรต้องเปิดเผยต่อผู้ลงทุน
มุมมองผู้เชี่ยวชาญ
“ผมมองว่า AI Governance รุ่นต่อไปจะไม่จบแค่ถามว่าโมเดลเสี่ยงไหม หรือ ข้อมูลส่วนบุคคลรั่วไหม แต่ต้องถามต่อว่า AI ใช้ทรัพยากรอะไร และ ธุรกิจได้คุณค่ากลับมาคุ้มไหม ถ้าเราวัด ROI ของ AI ได้ แต่ไม่วัดค่าไฟ คาร์บอน และ ต้นทุนโครงสร้างพื้นฐาน เรากำลังเห็นผลตอบแทนแค่ครึ่งเดียว”
— Phuwara Krobtaku —
LL.M., M.S. (IT), Thai Barrister & Attorney-at-Law
ในมุมของ Applied Tech-Law ประเด็นสำคัญจึงไม่ใช่การสร้าง ESG Policy เพิ่มอีกหนึ่งฉบับ หรือ AI Policy เพิ่มอีกหนึ่งฉบับ แต่คือการออกแบบ Governance Architecture ที่ทำให้ข้อมูลจากเทคโนโลยี ธุรกิจ กฎหมาย และความยั่งยืนเชื่อมถึงกันได้
เพราะถ้าข้อมูลไม่เชื่อมกัน Governance ก็เห็นความเสี่ยงเพียงบางส่วนเท่านั้น
บทสรุป
SET Note สองฉบับไม่ได้ประกาศตรง ๆ ว่า “AI Governance ต้องรวม ESG Governance” แต่เมื่ออ่านข้อมูลทั้งสองชุดร่วมกัน ทิศทางนี้เริ่มมองเห็นได้ชัดขึ้น
ด้านหนึ่ง SET กำลังทำให้ข้อมูลการใช้พลังงานของบริษัทจดทะเบียนมีมาตรฐานและสามารถนำมาวิเคราะห์ความเสี่ยงได้ละเอียดขึ้น อีกด้านหนึ่ง SET เองก็ชี้ว่า Data Center และพลังงานเป็นหนึ่งในโจทย์โครงสร้างพื้นฐานสำคัญของการเติบโตของ AI ขณะที่ IEA ประเมินว่าความต้องการไฟฟ้าจาก Data Center จะเพิ่มขึ้นอย่างรวดเร็วในช่วงหลายปีข้างหน้า
พร้อมกันนั้น การเปลี่ยนผ่านสู่ FTSE Russell ESG Scores ยิ่งทำให้ ข้อมูลสาธารณะที่วัดได้และเปรียบเทียบได้ มีความสำคัญต่อบริษัทไทยมากขึ้น
ดังนั้นองค์กรที่กำลังทำ AI Transformation อาจต้องเพิ่มคำถามใหม่เข้าไปใน Boardroom ตั้งแต่วันนี้ว่า
“AI ของเราสร้างคุณค่าอะไร — และทิ้ง Energy & Carbon Footprint ไว้เท่าไร?”
บริษัทที่ตอบคำถามสองด้านนี้พร้อมกันได้ อาจไม่ได้เพียงใช้ AI ได้เก่งกว่า แต่มีโอกาส กำกับ AI ได้ดีกว่า วัดต้นทุนได้จริงกว่า และอธิบายคุณค่าของ AI ต่อผู้ลงทุน ลูกค้า และสังคมได้ชัดกว่า
แหล่งอ้างอิง
- ตลาดหลักทรัพย์แห่งประเทศไทย — SET Note: ถอดรหัสความเสี่ยงพลังงานบริษัทจดทะเบียนไทยจากข้อมูล ESG, 25 มิถุนายน 2569
https://media.set.or.th/common/research/1634.pdf - ตลาดหลักทรัพย์แห่งประเทศไทย — SET Note: บทบาทและการประยุกต์ใช้ AI ในตลาดทุนไทย, 2 กรกฎาคม 2569
https://media.set.or.th/common/research/1635.pdf - ตลาดหลักทรัพย์แห่งประเทศไทย — ความร่วมมือ SET และ FTSE Russell เพื่อยกระดับการประเมิน ESG ของบริษัทจดทะเบียนไทย
https://www.set.or.th/en/market/news-and-alert/newsdetails?id=90076200&symbol=SET - SET e-Learning — Training series FTSE Russell ESG Scores 101
https://elearning.set.or.th/SETGroup/courses/1732/info - International Energy Agency — Key Questions on Energy and AI, Executive Summary
https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary
