วิเคราะห์-วิจารณ์: KBTG กับความจริงของ "Agentic AI" ที่ยังไม่ได้ถูกพูดในสัมภาษณ์

อ้างอิงจาก: The Secret Sauce EP.998 "KBTG ชี้เป้า ทักษะแห่งอนาคตในยุค Agentic AI" สัมภาษณ์คุณวรนุช เดชะไกศยะ Executive Chairman, KBTG โดยเคนคริน[1]

บริบทที่ควรรู้ก่อนอ่าน

อันดับแรก ต้องตั้งข้อสังเกตเรื่องจังหวะเวลาของการสัมภาษณ์นี้: เมษายน 2026 คุณกระทิง-เรืองโรจน์ พูนผล ลงจากตำแหน่งประธานกลุ่ม KBTG ไปเป็น Advisor to the Board ของ KBank และคุณวรนุช เดชะไกศยะ ซึ่งเป็น Executive Chairman อยู่แล้วขึ้นมารับช่วงบทบาทผู้นำหลักแทน[8] สัมภาษณ์นี้จึงเป็นการสื่อสารกลยุทธ์อย่างเป็นทางการครั้งแรกๆ ของผู้นำคนใหม่ ไม่ใช่แค่บทสนทนาสบายๆ — narrative แบบ "เรามาถูกทางแล้ว ROI กำลังจะมา" จึงมีแรงจูงใจด้าน stakeholder management ปนอยู่ด้วย ไม่ใช่แค่การแชร์ประสบการณ์เฉยๆ

จุดที่บทสัมภาษณ์พูดตรงและมีน้ำหนักดี

ก่อนจะวิจารณ์ ต้องให้เครดิตในจุดที่คุณวรนุชพูดอย่างระมัดระวังและตรงกับ evidence ภายนอกจริง:

1) ตัวเลขที่ระบุอย่างเจาะจง ไม่ได้ overclaim — คุณวรนุชบอกชัดว่า coding เพียงอย่างเดียวเร็วขึ้น "200-300%" แต่ทั้ง SDLC (Software Development Life Cycle) ลดเวลาได้แค่ "10-15%" เพราะ coding เป็นแค่ส่วนหนึ่งของ requirement → design → coding → test → deploy[1] ตัวเลขนี้ตรงกับที่ Techsauce รายงานอย้างเป็นทางการจาก KBTG เอง: ปี 2025 AI ช่วยเขียนโค้ดได้ราว 21 ล้านบรรทัด (~10% ของโค้ดทั้งหมด) และเป้าปี 2026 อยู่ที่ราว 15%[2] — คือกรณีตัวอย่างที่ดีของการไม่ปล่อยให้ productivity ของ "แค่การเขียนโค้ด" ไปกลบตัวเลข end-to-end ที่ realistic กว่า ตรงข้ามกับ vendor pitch ทั่วไปที่มักโฆษณา multiplier ของ coding assistant เป็น business-wide productivity gain

2) ยอมรับเรื่อง token cost อย่างตรงไปตรงมา — มีช่วงที่คุณวรนุชพูดชัดเจนว่า "AI Coding นี่แหละที่เบิร์น token มากที่สุด" และเตือนว่าองค์กรต้อง optimize ว่าจะใช้โมเดลไหนกับงานแบบไหน ไม่งั้น "ตาย"[1] เป็นมุมที่วงการ enterprise AI มักไม่พูดถึงตรงๆ เพราะกลัวทำลาย hype แต่คุณวรนุชพูดออกมาเปิดเผย

3) Human-in-the-loop และ observability เป็นแกนหลัก ไม่ใช่แค่ buzzword — ประเด็นที่ว่า "ถ้า input/requirement มาไม่ถูก AI เช็คยังไงก็ไม่ถูก" และต้องรู้ว่า agent เข้าถึงข้อมูลระดับไหน หยุดที่จุดไหน — ตรงกับหลักการ AI governance ที่ธนาคารทั่วโลกกำลังทำตาม (data access control, agent identity, kill-switch) ไม่ใช่การพูดลอยๆ

จุดที่ควรถามต่อ / มีแหล่งอิสระที่ให้ภาพต่างออกไป

1) กรอบ "ROI จะมาแน่ ถ้าโฟกัส Pain Point ให้ถูก" ข้ามประเด็นที่ว่าองค์กรส่วนใหญ่ล้มเหลวจริงๆ

คุณวรนุชแนะนำ CEO ที่ฟังอยู่ว่าให้เริ่มจาก Pain Point ที่แท้จริง อย่ารอ ROI ชัดร้อยเปอร์เซ็นต์ค่อยเริ่ม[1] คำแนะนำนี้ฟังดูสมเหตุสมผล แต่ไม่ได้พูดถึงตัวเลขที่หนักที่สุดในวงการตอนนี้: รายงาน "The GenAI Divide" ของ MIT NANDA (2025) ซึ่งสำรวจองค์กรกว่า 300 โครงการ AI พบว่า 95% ขององค์กรที่ลงทุนใน GenAI ไม่ได้ผลตอบแทนที่วัดผลได้ต่องบกำไรขาดทุนเลย แม้จะมีเงินลงทุนรวมกันถึง 30-40 พันล้านดอลลาร์[3] ที่สำคัญกว่านั้น รายงานชี้ว่าความสำเร็จไม่ได้ขึ้นกับคุณภาพโมเดล แต่ขึ้นกับ "แนวทาง" — โครงการที่ built-in-house ล้วนๆ โดยทีมกลางประสบความสำเร็จเพียง ~33% ในขณะที่โครงการที่ทำร่วมกับ vendor เฉพาะทางสำเร็จถึง ~67%[3]

ข้อนี้สำคัญเพราะ KBTG เลือกเส้นทาง build-in-house เป็นหลัก (มี playground, POC เอง, ทีมภายในลงมือสร้าง Agent เอง) — ซึ่งตาม MIT NANDA เป็นกลุ่มที่มีอัตราความสำเร็จต่ำกว่า ไม่ได้แปลว่า KBTG จะล้มเหลว (เป็นธนาคารที่มีทรัพยากรและ track record เฉพาะทางสูง) แต่คำแนะนำทั่วไปที่ให้กับ "อุตสาหกรรมอื่นๆ ทั้งหมด" ในบทสัมภาษณ์ควรมาพร้อมคำเตือนว่าอัตราความล้มเหลวของโมเดล build-in-house สูงกว่าที่คิด ไม่ใช่แค่เรื่อง "เริ่มให้ถูกจุด" อย่างเดียว

2) ตัวเลข productivity ของ AI coding ยังมีข้อโต้แย้งในวงการที่บทสัมภาษณ์ไม่ได้แตะ

บทสัมภาษณ์บอกว่า coding assistant ทำให้เร็วขึ้น 200-300% ซึ่งอาจจะจริงสำหรับ context การเขียนโค้ดใหม่ (greenfield) ที่มี spec ชัด แต่งานวิจัยที่ทำแบบ randomized controlled trial (RCT) — วิธีวัดผลที่เข้มงวดกว่าการประเมินตนเอง — ของ METR (2025) กลับพบผลตรงข้าม: เมื่อให้ developer ที่มีประสบการณ์สูงทำงานจริงบน open-source repository ของตัวเอง (ซึ่งใกล้เคียงกับ "แก้ระบบ legacy" มากกว่างานสร้างใหม่) การอนุญาตให้ใช้ AI ทำให้ ใช้เวลานานขึ้น 19% ทั้งที่ developer เองคาดว่าจะเร็วขึ้น 24% และหลังทำเสร็จยังเข้าใจผิดว่าตัวเองเร็วขึ้น 20%[4] — ช่องว่างระหว่างความรู้สึกกับความจริงนี้เป็นประเด็นสำคัญที่องค์กรควรระวังเวลาวัดผล productivity จาก self-report เพียงอย่างเดียว

ต้องเป็นธรรมกับทั้งสองฝั่ง: METR เองก็ตามผลต่อในเดือนกุมภาพันธ์ 2026 พบสัญญาณว่า developer อาจเร็วขึ้นจริงในช่วงปลายปี 2025 เมื่อโมเดลดีขึ้น แต่ methodology มีปัญหาเรื่อง selection bias จนบอกขนาดผลกระทบที่แท้จริงไม่ได้ชัด[5] ส่วน Stanford AI Index 2026 รายงานว่า software developer ที่ใช้ AI มี productivity เพิ่มขึ้นเฉลี่ย 26% จากการสำรวจ firm-level หลายแห่ง[6] — ตัวเลขนี้สอดคล้องในทิศทางกับที่ KBTG พูดถึงมากกว่า METR RCT ในปี 2025

สรุปคือ: มีทั้ง evidence ที่หนุนและย้อนแย้งกับคำกล่าวอ้างเรื่อง coding productivity ขึ้นกับ methodology (survey/self-report vs. controlled experiment) และ task type (greenfield feature vs. maintaining complex legacy code) — บทสัมภาษณ์นำเสนอตัวเลขเชิงบวกโดยไม่ได้บอกบริบทว่าวัดจากอะไร ซึ่งเป็นจุดที่ผู้ฟังควรถามต่อก่อนเชื่อ 100%

3) เรื่อง "เด็กจบใหม่ต้องปรับสกิล ไม่ใช่ถูกแทนที่" — ตัวเลขจริงเริ่มบอกอีกเรื่องแล้ว

คุณวรนุชให้มุมมองที่ระมัดระวังและมีเหตุผลว่า KBTG ไม่ได้ตัดเด็กจบใหม่ออก แต่ปรับ role ให้ใช้ AI tools เป็นและเข้าใจภาพรวมมากขึ้น ไม่ใช่แค่เขียนโค้ด[1] เป็นมุมมองที่ฟังดูสมดุลและตรงกับสิ่งที่ KBTG ทำจริง (ยังรับเด็กฝึกงานเยอะ, เริ่มตั้งแต่ปี 1) แต่ในภาพรวมของอุตสาหกรรม ข้อมูลอิสระเริ่มมีสัญญาณที่ specific กว่านั้น: Stanford HAI AI Index 2026 รายงานว่า การจ้างงาน software developer อายุ 22-25 ปี ลดลงเกือบ 20% นับตั้งแต่ปี 2024 ขณะที่การจ้างงาน developer อาวุโสยังคงเพิ่มขึ้นต่อเนื่อง[6] เป็นครั้งแรกที่รายงานนี้ระบุการหดตัวเฉพาะกลุ่มอายุใน white-collar occupation เดียวชัดเจนขนาดนี้ และรายงานเดียวกันยังเตือนว่า "การพึ่งพา AI มากเกินไปอาจสร้าง long-term learning penalty" — เด็กจบใหม่ที่ยังถูกจ้างอาจเรียนรู้ทักษะ judgment ที่จำเป็นสำหรับตำแหน่งอาวุโสได้ช้าลงกว่าเดิม เพราะใช้เวลาไปกับการกำกับ AI มากกว่าลงมือทำเอง[6]

นี่ไม่ได้แปลว่าคุณวรนุชพูดผิด — สถานการณ์ของ KBTG อาจต่างจากค่าเฉลี่ยอุตสาหกรรมจริง (เพราะลงทุนเรื่อง internship pipeline เฉพาะตัว) แต่การพูดถึง "เด็กจบใหม่" ในฐานะเรื่องของ "demand-supply" และ "สกิลเปลี่ยน" โดยไม่กล่าวถึงตัวเลขการจ้างงานที่ลดลงจริงในระดับอุตสาหกรรม ทำให้ผู้ฟังอาจเข้าใจว่าปัญหานี้ soft กว่าที่ข้อมูลจริงบ่งชี้

4) "ถ้าคู่แข่งใช้เครื่องมือเดียวกัน อะไรคือความต่าง" — คำตอบที่ได้อาจ underplay ความเสี่ยงของการ scale agentic AI เอง

คำตอบในบทสัมภาษณ์คือ "อยู่ที่คุณเอาเครื่องมือมาใช้ให้เกิดประโยชน์และเก่งกว่าคนอื่น"[1] เป็นคำตอบที่ถูกแต่ค่อนข้าง generic และไม่ได้พูดถึงความเสี่ยงเชิงระบบของการ scale agentic AI ที่ Gartner เตือนไว้อย่างเจาะจง: มากกว่า 40% ของโครงการ agentic AI จะถูกยกเลิกภายในสิ้นปี 2027 เพราะต้นทุนบานปลาย, มูลค่าทางธุรกิจไม่ชัดเจน, หรือ risk control ไม่เพียงพอ[7] กล่าวคือ การแข่งขันด้วย Agentic AI ไม่ใช่แค่เรื่อง "ใครใช้เก่งกว่า" แต่ยังมีความเสี่ยงเชิงโครงสร้างที่ทำให้โครงการล้มก่อนจะได้ประโยชน์เลยด้วยซ้ำ — ซึ่งสอดคล้องกับสิ่งที่คุณวรนุชพูดถึงเรื่อง observability และ human-in-the-loop จริง แต่ไม่ได้เชื่อมโยงให้ผู้ฟังเห็นภาพว่านี่คือความเสี่ยงระดับอุตสาหกรรม ไม่ใช่แค่รายละเอียดปฏิบัติการ

สรุป

บทสัมภาษณ์นี้มีจุดแข็งตรงที่คุณวรนุชพูดด้วยตัวเลขเจาะจงและยอมรับข้อจำกัดของ AI อย่างตรงไปตรงมามากกว่าสัมภาษณ์ enterprise AI ทั่วไปในตลาด (โดยเฉพาะเรื่อง token cost และ SDLC ลดแค่ 10-15% ไม่ใช่ 200%) แต่ในฐานะเนื้อหาที่ให้คำแนะนำกับ "CEO อุตสาหกรรมอื่นๆ ทั้งหมด" ยังขาดการเชื่อมโยงกับข้อมูลอิสระที่บ่งชี้ความเสี่ยงเชิงระบบสามเรื่องหลัก: (1) อัตราความล้มเหลวของโครงการ AI ในภาพรวมสูงถึง 95% ตาม MIT NANDA (2) ผลของ AI coding ต่อ productivity ยังมีหลักฐานขัดแย้งกันขึ้นกับวิธีวัดและประเภทงาน และ (3) ผลกระทบต่อการจ้างงานเด็กจบใหม่ในระดับอุตสาหกรรมรุนแรงกว่าที่ narrative "สกิลแค่เปลี่ยน" บอกไว้ ผู้ฟังที่เป็นผู้บริหารควรใช้บทสัมภาษณ์นี้เป็นจุดตั้งต้นที่ดี ไม่ใช่สูตรสำเร็จที่นำไปใช้ได้ทันทีโดยไม่ตรวจสอบบริบทองค์กรตัวเองเทียบกับข้อมูลอิสระเหล่านี้ก่อน

Sources

[1] https://www.youtube.com/watch?v=NL2Xmcy86s0 — The Secret Sauce EP.998: KBTG ชี้เป้า ทักษะแห่งอนาคตในยุค Agentic AI (สัมภาษณ์ วรนุช เดชะไกศยะ)
[2] https://techsauce.co/tech-and-biz/kbtg-2026-ai-business-value-trust-cyber-resilience — ส่องกลยุทธ์ KBTG 2026 เมื่อ AI ต้องสร้าง Value จริง - Techsauce
[3] https://valtao.com/wp-content/uploads/2025/11/Rapport-MIT.pdf — MIT NANDA: The GenAI Divide - State of AI in Business 2025
[4] https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study — METR: Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity
[5] https://metr.org/blog/2026-02-24-uplift-update — METR: We are Changing our Developer Productivity Experiment Design (Feb 2026 update)
[6] https://www.ivector.co/blog/ai-index-2026-junior-developer-hiring-drop — AI Index 2026: Why Junior Developer Hiring Fell 20% (citing Stanford HAI AI Index 2026)
[7] https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027 — Gartner: Over 40% of Agentic AI Projects Will Be Canceled by End of 2027
[8] https://www.brandbuffet.in.th/2026/04/krating-ruangroj-poonphol-leaves-kbtg — เปลี่ยนแม่ทัพ กระทิง-เรืองโรจน์ พูนผล อำลา KBTG ส่งไม้ต่อ วรนุช เดชะไกศยะ