ในช่วงหลายปีที่ผ่านมา การแข่งขันด้าน AI ถูกขับเคลื่อนด้วยการพัฒนาโมเดลที่มีความสามารถสูงขึ้นอย่างต่อเนื่อง แต่เมื่อองค์กรเริ่มนำ AI ออกจากห้องทดลองไปสู่การใช้งานจริงในกระบวนการธุรกิจ ปัจจัยที่กำหนดความสำเร็จกลับไม่ได้อยู่ที่ตัวโมเดลเพียงอย่างเดียว หากอยู่ที่ความสามารถในการส่งมอบข้อมูลที่ถูกต้อง สดใหม่ และมีบริบทให้ AI ใช้งานได้อย่างต่อเนื่อง
แนวโน้มดังกล่าวสะท้อนผ่าน Confluent Data Streaming Report 2026 ซึ่งชี้ว่า ความท้าทายสำคัญของการขยายการใช้งาน AI ในองค์กรไม่ได้อยู่ที่งบประมาณหรือการเลือกโมเดล แต่เป็นโครงสร้างพื้นฐานข้อมูลที่ยังไม่พร้อมรองรับการทำงานแบบเรียลไทม์
ผลสำรวจจากผู้นำด้านไอทีจำนวน 4,625 คนทั่วโลก พบว่า 72% มองว่าโครงสร้างพื้นฐานที่ยังไม่รองรับการประมวลผลข้อมูลแบบเรียลไทม์เป็นอุปสรรคสำคัญของการนำ AI ไปใช้งานในระดับองค์กร ขณะที่ 66% ระบุว่าปัญหาคุณภาพ ความสดใหม่ และแหล่งที่มาของข้อมูลยังเป็นข้อจำกัดสำคัญ และ 65% ยังคงเผชิญปัญหาข้อมูลกระจัดกระจายอยู่หลายระบบ
ข้อจำกัดเหล่านี้ส่งผลโดยตรงต่อการนำ Agentic AI ไปใช้งาน เพราะแม้โมเดลจะสามารถวิเคราะห์ข้อมูลได้อย่างมีประสิทธิภาพ แต่หากไม่สามารถเข้าถึงข้อมูลล่าสุดขององค์กรได้ การตัดสินใจก็ย่อมไม่สะท้อนสถานการณ์จริง ส่งผลให้ 66% ของผู้นำด้านไอทีทั่วโลกยอมรับว่าโครงสร้างพื้นฐานข้อมูลคืออุปสรรคสำคัญต่อการใช้งาน Agentic AI ขณะที่มีเพียง 32% ขององค์กรที่สามารถนำ Agentic AI ไปใช้งานจริงในระบบการทำงานได้แล้ว
สำหรับประเทศไทย ผลสำรวจสะท้อนภาพที่เข้มข้นยิ่งกว่า โดย 84% ของผู้นำด้านไอทีไทยระบุว่ากำลังเผชิญความท้าทายอย่างน้อย 3 ด้านพร้อมกัน ซึ่งเป็นสัดส่วนสูงที่สุดในกลุ่มประเทศที่ทำการสำรวจ อุปสรรคอันดับแรกคือโครงสร้างพื้นฐานที่ยังไม่รองรับข้อมูลแบบเรียลไทม์ (83%) รองลงมาคือปัญหาคุณภาพและความน่าเชื่อถือของข้อมูล (80%) และการจัดเก็บข้อมูลแบบแยกส่วนที่ยังขาดการบริหารจัดการจากศูนย์กลาง (79%)
อย่างไรก็ตาม ประเทศไทยยังเป็นหนึ่งในตลาดที่มีการเดินหน้าใช้งาน AI อย่างรวดเร็ว โดยมีองค์กรถึง 39% ที่สามารถนำ Agentic AI ไปใช้งานจริงแล้ว ขณะเดียวกันผู้นำด้านไอทีไทยยังแสดงความเชื่อมั่นต่อเทคโนโลยี Data Streaming ในระดับสูง โดย 97% เชื่อว่าจะช่วยเพิ่มผลตอบแทนจากการลงทุนด้าน AI และเร่งการนำ AI ไปใช้งานในองค์กร ขณะที่ 93% จัดให้ Data Streaming เป็นหนึ่งในลำดับความสำคัญเชิงกลยุทธ์ขององค์กร สูงกว่า AI และ Machine Learning ซึ่งได้รับการจัดลำดับความสำคัญที่ 91%
ภาพรวมดังกล่าวสะท้อนว่าการแข่งขันด้าน AI กำลังเปลี่ยนจากการพัฒนาโมเดลที่มีความสามารถสูงขึ้น ไปสู่การสร้าง Data Foundation ที่แข็งแรงมากกว่าเดิม เพราะแม้โมเดลจะมีศักยภาพเพียงใด หากข้อมูลยังล้าสมัย ไม่ครบถ้วน หรือกระจัดกระจายอยู่หลายระบบ AI ก็ไม่สามารถสร้างผลลัพธ์ทางธุรกิจได้อย่างเต็มประสิทธิภาพ
หนึ่งในแนวคิดสำคัญที่ถูกหยิบยกขึ้นมาคือ AI Context Gap หรือช่องว่างระหว่างศักยภาพของโมเดล AI กับคุณภาพของข้อมูลที่องค์กรสามารถป้อนเข้าสู่ระบบได้จริง ช่องว่างนี้เกิดขึ้นเมื่อ AI ไม่สามารถเข้าถึงข้อมูลล่าสุดหรือข้อมูลที่มีบริบทเพียงพอสำหรับการตัดสินใจ ส่งผลให้คำตอบหรือการดำเนินการของ AI ไม่สอดคล้องกับสถานการณ์ที่เกิดขึ้นจริง
ด้วยเหตุนี้ ความสำคัญของ Prompt Engineering จึงเริ่มลดลงเมื่อเทียบกับ Context Engineering ซึ่งให้ความสำคัญกับการเชื่อมโยงข้อมูลจากหลายระบบ การจัดการข้อมูลแบบเรียลไทม์ และการทำให้ AI สามารถรับรู้บริบทของธุรกิจได้อย่างต่อเนื่อง แนวทางดังกล่าวถือเป็นรากฐานสำคัญของการพัฒนา Agentic AI ที่ต้องสามารถตัดสินใจและดำเนินการได้บนข้อมูลที่เปลี่ยนแปลงอยู่ตลอดเวลา
รายงานยังพบว่า 80% ของผู้นำด้านไอทีทั่วโลกจัดให้การนำข้อมูลขององค์กรมาสนับสนุน AI เป็นหนึ่งในลำดับความสำคัญของธุรกิจ ขณะที่ 88% เชื่อว่าแพลตฟอร์ม Data Streaming จะช่วยเร่งการนำ Agentic AI ไปใช้งาน ด้วยการทำให้ข้อมูลมีความน่าเชื่อถือ มีบริบท และสามารถเข้าถึงได้ง่ายขึ้น นอกจากนี้ 94% เชื่อว่าจะช่วยเพิ่มผลตอบแทนจากการลงทุนด้าน AI และ 90% ระบุว่าจะช่วยให้องค์กรนำ AI ไปใช้งานได้อย่างมีประสิทธิภาพมากขึ้น
การลงทุนขององค์กรก็เริ่มสะท้อนแนวโน้มเดียวกัน โดย 88% ของผู้นำด้านไอทีทั่วโลกจัดให้ Data Streaming เป็นหนึ่งในเทคโนโลยีที่มีความสำคัญต่อกลยุทธ์ขององค์กร เทียบกับ 82% ที่ให้ความสำคัญกับ AI และ Machine Learning แสดงให้เห็นว่าความสนใจของตลาดกำลังขยับจากการลงทุนในโมเดล AI ไปสู่การลงทุนในโครงสร้างพื้นฐานข้อมูลที่ทำให้ AI สามารถสร้างคุณค่าทางธุรกิจได้จริง
Shaun Clowes, Chief Product Officer ของ Confluent กล่าวว่า ปัจจัยที่เป็นอุปสรรคต่อความสำเร็จของ AI ในองค์กรส่วนใหญ่ไม่ได้อยู่ที่ระดับการลงทุน แต่เป็นความพร้อมของข้อมูล เนื่องจาก AI ต้องอาศัยข้อมูลที่ถูกต้อง สดใหม่ และมีบริบทประกอบการตัดสินใจ ขณะที่หลายองค์กรยังคงเผชิญข้อจำกัดจากข้อมูลที่แยกส่วน ระบบประมวลผลแบบ Batch และโครงสร้างพื้นฐานที่ยังไม่รองรับการทำงานแบบเรียลไทม์
เขาระบุเพิ่มเติมว่า เมื่อองค์กรเริ่มนำ AI จากขั้นทดลองไปสู่การใช้งานจริง ความท้าทายด้านข้อมูลและโครงสร้างพื้นฐานจะยิ่งชัดเจนขึ้น เพราะโมเดล AI จำเป็นต้องเชื่อมโยงกับระบบและข้อมูลที่สะท้อนสถานการณ์จริงของธุรกิจได้อย่างต่อเนื่อง องค์กรที่ต้องการสร้างผลตอบแทนจากการลงทุนด้าน AI จึงจำเป็นต้องลงทุนควบคู่ไปกับการสร้างรากฐานด้านข้อมูลที่แข็งแรง
การเปลี่ยนผ่านของ AI ในวันนี้จึงไม่ได้วัดกันที่จำนวนโมเดลหรือความสามารถของ LLM อีกต่อไป แต่กำลังเข้าสู่การแข่งขันด้านคุณภาพของข้อมูล ความสามารถในการเชื่อมโยงข้อมูลแบบเรียลไทม์ และโครงสร้างพื้นฐานที่ทำให้ AI เข้าถึงข้อมูลที่ถูกต้องได้ในเวลาที่เหมาะสม ซึ่งปัจจัยเหล่านี้จะกลายเป็นตัวแปรสำคัญของการสร้างผลลัพธ์ทางธุรกิจจาก AI ในระยะยาว
