จากการใช้ AI “ช่วยเขียนรายงาน” สู่ “เครื่องมือสร้างคุณค่าธุรกิจ” ที่เชื่อมข้อมูลหลักฐาน ความเสี่ยง ห่วงโซ่อุปทาน การเงิน โอกาสทางธุรกิจใหม่ และการตัดสินใจเข้าด้วยกัน
ปัญญาประดิษฐ์ หรือ AI (Artificial Intelligence) กำลังมีบทบาทในงานที่มุ่งสู่ความยั่งยืนอย่างรวดเร็ว ขณะที่ ESG ซึ่งย่อมาจาก Environmental , Social และ Governance หรือการบริหารที่คำนึงถึงประเด็นด้านสิ่งแวดล้อม สังคมผู้มีส่วนได้เสีย และมีธรรมาภิบาล ก็กำลังเปลี่ยนจากเรื่อง“การทำรายงาน” ไปสู่เรื่องที่เกี่ยวข้องโดยตรงกับกระบวนการบริหารธุรกิจ
ที่ผ่านมา บริษัทจดทะเบียนคุ้นเคยกับแนวทาง ESG ในรูปของ Sustainability Report การเปิดเผยข้อมูล การตอบแบบประเมิน ที่ต้องปฏิบัติตามข้อกำหนดของ ก.ล.ต. แต่วันนี้ AI เริ่มเข้ามามีบทบาทตั้งแต่การค้นหาและอ่านเอกสารการจัดหมวดข้อมูล การตรวจหาช่องว่าง การประเมินความเสี่ยง ไปจนถึงการติดตาม Supplier และสนับสนุนการตัดสินใจของผู้บริหาร
คำถามสำคัญจึงอาจไม่ใช่เพียง “AI จะช่วยทำรายงาน ESG เร็วขึ้นแค่ไหน?” แต่คือ “AI จะเปลี่ยนวิธีที่องค์กรบริหาร ESG และความยั่งยืนได้อย่างไร?” เพื่อมองภาพการเปลี่ยนแปลงนี้ให้ไกลกว่าการนำ AI มาเป็นเครื่องมือช่วยงาน ทีมMGR Online – Green Innovation & SD ได้สัมภาษณ์ ธนพงศ์พรรณ ธัญญรัตตกุล ผู้เขียนหนังสือ Leading Transformation in the Age of AI: AI-Ready Enterprise Architecture และผู้ก่อตั้ง Digital Transformation Academy (DX Academy) ถึงแนวคิด AI ESG และ ESG 2.0 รวมถึงสิ่งที่ผู้บริหารไทยควรทำความเข้าใจตั้งแต่วันนี้
๐ AI ESG ไม่ใช่แค่ใช้ AI ช่วยเขียน Sustainability Report
สำหรับคนที่เพิ่งเริ่มรู้จัก AI การใช้งานที่ง่ายที่สุดคือ Generative AI ซึ่งสามารถช่วยอ่านเอกสาร สรุปข้อมูล ค้นหาประเด็น เปรียบเทียบเนื้อหา หรือช่วยร่างข้อความได้อย่างรวดเร็ว ความสามารถเหล่านี้นำมาใช้กับงาน ESG ได้ทันที เช่น การอ่านรายงานหลายร้อยหน้า การค้นหาข้อกำหนดที่เกี่ยวข้อง หรือการช่วยร่าง Sustainability Report แต่ธนพงศ์พรรณมองว่า AI- ESG ในระดับองค์กรต้องไปไกลกว่าการสร้างข้อความ เพราะข้อมูล ESG ไม่ได้อยู่ในรายงานเพียงที่เดียว แต่กระจายอยู่ทั่วทั้งองค์กร ตัวเลขค่าไฟอาจอยู่กับฝ่ายบัญชี ข้อมูลพนักงานอยู่กับ HR ข้อมูล Supplier อยู่กับ ฝ่ายจัดซื้อจัดจ้าง ข้อมูลการผลิตอยู่กับ Operations ขณะที่เอกสารและหลักฐานประกอบอาจอยู่ใน Email, Shared Drive หรือระบบอื่นอีกหลายแห่ง
ดังนั้น ข้อมูล ESG หนึ่งหัวข้อไม่ได้ต้องการเพียง “ตัวเลข” แต่ต้องตอบให้ได้ด้วยว่า… มาจากไหน ใครเป็นเจ้าของเรื่อง คำนวณอย่างไร ผ่านการตรวจสอบจากใคร และมีหลักฐานอะไรยืนยัน นี่ทำให้ AI- ESG ที่มีคุณค่าต่อองค์กรต้องสามารถเชื่อมอย่างน้อย 5 ขั้นตอนเข้าด้วยกัน Data → Evidence → Analysis → Decision → Action กล่าวคือ จาก “ข้อมูล” ต้องเชื่อมไปถึง “หลักฐาน” จากนั้นจึง”วิเคราะห์” เพื่อสนับสนุน “การตัดสินใจ” และนำไปสู่ “การลงมือทำ” เมื่อ AI เข้าไปอยู่ในวงจรนี้ ESG จึงไม่ได้เป็นเพียงเรื่องของการจัดทำรายงานอีกต่อไป
๐ ESG 2.0: จาก Compliance และ Reporting สู่ Intelligence และ Business Value
คำว่า ESG 2.0 ในที่นี้ไม่ได้หมายถึงมาตรฐาน ESG ฉบับใหม่ และไม่ได้มีนิยามสากลตายตัว แต่ใช้เพื่ออธิบายการเปลี่ยนวิธีคิดเกี่ยวกับ ESG
ESG ในยุคแรกมักดำเนินไปตามลำดับ Awareness → Compliance → Reporting คือองค์กรเริ่มจากการ ตระหนักรู้ ถึงความสำคัญของ ESG จากนั้นจึงปฏิบัติตามข้อกำหนด และจัดทำรายงาน เพื่อเปิดเผยผลการดำเนินงานต่อสังคม แต่ ESG 2.0 กำลังขยับไปสู่ Intelligence → Execution → Evidence → Business Value
ประเด็นหลักคือ รายงานยังมีความสำคัญ แต่ไม่ควรเป็นจุดจบของการทำ ESG ข้อมูลที่ใช้จัดทำรายงานควรถูกนำกลับมาใช้ตอบคำถามทางธุรกิจได้ด้วย เช่น วันนี้องค์กรมีความเสี่ยงสำคัญเรื่องใด เป้าหมายใดที่ยังล่าช้า Supplier รายใดต้องมีการพัฒนาให้สอดคล้องกับจุดมุ่งหมาย โครงการใดใช้งบประมาณมากแต่สร้างผลลัพธ์ต่ำ ประเด็นใดต้องเร่งแก้ไขก่อนที่จะกลายเป็นความเสี่ยง นี่คือการเปลี่ยนจาก ESG Reporting ที่รายงานปีละครั้ง ไปสู่ Continuous ESG Management หรือการบริหาร ESG ที่มีการพัฒนาอย่างต่อเนื่องตลอดทั้งปี
๐ 5 พื้นที่ที่ AI กำลังเปลี่ยนงาน ESG
จากการพูดคุยกับผู้เชี่ยวชาญครั้งนี้ สามารถสรุปได้ว่า AI กำลังสร้างการเปลี่ยนแปลงที่เห็นได้ชัดอย่างน้อย 5 ด้าน
1. Reporting & Disclosure — ทำรายงานเร็วขึ้น แต่ต้องตรวจสอบได้
AI สามารถช่วยอ่านข้อมูลจำนวนมาก จับคู่ข้อมูลกับข้อกำหนด ตรวจหาข้อมูลที่ยังขาด และช่วยสร้าง Draft ของรายงานได้รวดเร็วขึ้น สำหรับองค์กรที่มีข้อมูลจำนวนมาก ประโยชน์ที่เห็นได้ง่ายคือการลดเวลาที่คนต้องใช้กับงานค้นหา อ่าน และรวบรวมข้อมูล แต่ความเร็วเพียงอย่างเดียวไม่เพียงพอ เพราะข้อมูลที่นำไปเปิดเผยต่อสาธารณะยังต้องมีความถูกต้อง มีที่มา และมีผู้รับผิดชอบตรวจสอบก่อนเผยแพร่
2. Evidence &Traceability — จาก “ตัวเลขนี้คืออะไร” สู่ “ตัวเลขนี้มาจากไหน”
ในโลก ESG คำถามสำคัญกำลังเปลี่ยนจาก “องค์กรรายงานตัวเลขอะไร?” ไปเป็น “ตัวเลขนั้นมาจากไหน และพิสูจน์ได้หรือไม่?”
คำว่า Evidence หมายถึงหลักฐานที่สนับสนุนข้อมูล เช่น Invoice, Certificate, รายงานจากระบบ หรือเอกสารรับรองจากต้นทางต่างๆ ส่วน Traceability คือความสามารถในการตรวจสอบย้อนกลับว่าข้อมูลที่อ้างถึง นำมาจากที่ใด ผ่านกระบวนการใด และใครเป็นผู้ตรวจสอบ ดังนั้นในอนาคต ระบบ ESG ที่ดีต้องเชื่อม Metric → Source → Owner → Evidence เข้าด้วยกัน AI สามารถช่วยค้นหา อ่าน และเชื่อมเอกสารเหล่านี้ ทำให้องค์กรลดเวลาการตามหาหลักฐานและเพิ่มความพร้อมในการตรวจสอบได้
3. Risk &Compliance — จากตรวจปลายทาง สู่การเตือนก่อนมีปัญหา
งาน Compliance แบบเดิมมักเกิดขึ้นเมื่อใกล้ถึงกำหนดส่งรายงานหรือเมื่อมีการตรวจสอบกฎเกณฑ์ AI ทำให้แนวคิดนี้สามารถเปลี่ยนไปได้ ระบบสามารถช่วยเปรียบเทียบข้อมูลกับข้อกำหนด ตรวจหาช่องว่าง หรือแจ้งเตือนเมื่อข้อมูลบางส่วนยังไม่ครบก่อนถึง Reporting Deadline กล่าวคือ เปลี่ยนจาก “เกิดปัญหาแล้วค่อยตรวจแก้ ” ไปสู่ “เห็นสัญญาณก่อน แล้วรีบแก้ไข” ให้ถูกกฎระเบียบ นี่ทำให้ ESG เริ่มเชื่อมกับระบบการบริหารความเสี่ยงขององค์กรโดยตรง
4. Supply Chain — ESG ไม่ได้หยุดอยู่แค่ในบริษัท
หลายธุรกิจ ผลกระทบด้าน ESGหลายประเด็นไม่ได้เกิดขึ้นเฉพาะภายในองค์กร แต่เกิดอยู่ตลอดห่วงโซ่อุปทาน ตั้งแต่การจัดหาวัตถุดิบ Supplier การผลิต การขนส่ง ไปจนถึงการส่งมอบสินค้า องค์กรจึงเริ่มต้องรู้มากขึ้นว่า Supplier ของตนมีความเสี่ยงอย่างไร มี Certificate หรือ Evidence ที่เกี่ยวข้องหรือไม่ และมีความพร้อมต่อข้อกำหนดด้าน ESG แค่ไหน AI สามารถช่วยอ่านเอกสารของ Supplier เปรียบเทียบข้อมูล ติดตามสถานะ และช่วยให้องค์กรมองเห็นความเสี่ยงใน Supply Chain ได้เร็วขึ้น จากเดิมที่ ESG อาจเป็นเพียงแบบสอบถามที่ส่งให้ Supplier ปีละครั้ง จึงมีโอกาสเปลี่ยนไปสู่การติดตามและพัฒนาคู่ค้าอย่างต่อเนื่อง
5. Decision Intelligence — จุดที่ ESG เริ่มเชื่อมกับระบบบริหารธุรกิจ
ส่วนที่อาจสำคัญที่สุดคือการเปลี่ยน ESG Data ให้กลายเป็น Decision Intelligence หมายถึงการนำข้อมูลและการวิเคราะห์มาใช้ช่วยให้มนุษย์ตัดสินใจได้ดีขึ้น หากข้อมูล ESG สามารถเชื่อมกับ Finance, Procurement, Operations และ Risk ได้ ผู้บริหารจะไม่ได้เห็นเพียงว่า Carbon ลดลงเท่าไร หรือ Supplier ผ่านเกณฑ์กี่ราย แต่สามารถมองต่อไปได้ว่า การลดพลังงานช่วยลดต้นทุนเท่าไร Supplier Risk ส่งผลต่อธุรกิจอย่างไร โครงการใดควรลงทุนต่อ ประเด็นใดต้องเร่งแก้ไข การตัดสินใจใดมีทั้งผลกระทบทางธุรกิจและ ESG เมื่อถึงจุดนี้ ESG จะเริ่มเปลี่ยนจาก “ข้อมูลสำหรับทำรายงาน” ไปเป็น “ข้อมูลสำหรับบริหารองค์กร”
๐ AI ช่วยคน ไม่ใช่แทนความรับผิดชอบของคน
เมื่อ AI ทำงานได้มากขึ้น คำถามที่ตามมาคือ AI จะมาแทนทีม Sustainability หรือผู้เชี่ยวชาญ ESG หรือไม่ มุมมองสำคัญคือ ประเด็นไม่ได้อยู่ที่ว่า “AI จะแทนคนหรือไม่” แต่อยู่ที่การออกแบบว่า งานใด AI ควรช่วย และงานใดมนุษย์ต้องรับผิดชอบ AI เหมาะกับงานอ่านเอกสารจำนวนมาก ค้นหาข้อมูล Extractข้อมูลสำคัญ เปรียบเทียบข้อมูล ตรวจหารูปแบบหรือความผิดปกติ และสร้างร่างเนื้อหา แต่เรื่อง..การตีความผลกระทบ การกำหนดนโยบาย การอนุมัติข้อมูลสำคัญ การตัดสินใจที่ส่งผลต่อ ผู้มีส่วนได้ส่วนเสีย หรือการยืนยันข้อมูลก่อนเปิดเผย ยังต้องมี การกำกับดูแลโดยมนุษย์ และต้องรู้ชัดว่า ใครเป็นผู้รับผิดชอบ
นี่คือเหตุผลที่ AI ESG ต้องเดินคู่กับ AI Governance (ธรรมาภิบาล AI) ซึ่งหมายถึง ชุดของหลักการ โครงสร้าง บทบาท กระบวนการ และกลไกการกำกับดูแล ที่ช่วยให้องค์กรสามารถพัฒนา ใช้งาน ติดตาม และปรับปรุง AI ได้อย่างรับผิดชอบ โปร่งใส ปลอดภัย ตรวจสอบได้ และสอดคล้องกับเป้าหมายขององค์กร ตลอดจนมาตรฐานและข้อกำหนดที่เกี่ยวข้อง (ที่มา: AI Governance Center — www.aigovernancecenter.org) หัวใจสำคัญคือ AI สามารถช่วยวิเคราะห์ ให้คำแนะนำ และสนับสนุนการตัดสินใจได้ แต่ความรับผิดชอบขั้นสุดท้ายยังคงอยู่กับมนุษย์และองค์กร
๐ ESG Data ต้องสร้างคุณค่ามากกว่าการทำ Sustainability Report
อีกจุดเปลี่ยนสำคัญของ ESG 2.0 คือการเลิกมอง ESG Data เป็นข้อมูลที่ใช้เพียงปีละครั้งเพื่อจัดทำรายงาน ข้อมูลชุดเดียวกันสามารถนำไปใช้ในหลายส่วนของธุรกิจ Finance สามารถเชื่อม ESG กับต้นทุนพลังงาน งบประมาณ การลงทุน และผลกระทบทางการเงิน Procurement ใช้ประเมินความเสี่ยงและความพร้อมของSupplierที่จัดซื้อจัดจ้าง Risk & Compliance ใช้ติดตามช่องว่างและมาตรการควบคุม ผู้บริหาร ใช้มองความคืบหน้า ความเสี่ยง และการจัดสรรทรัพยากร ขณะที่ ธนาคาร นักลงทุน หรือคู่ค้าทางธุรกิจอาจใช้ข้อมูลที่มีคุณภาพและตรวจสอบได้ประกอบการประเมินความพร้อมหรือความเสี่ยง
ดังนั้น กรณีศึกษาของ AI - ESG ไม่ควรวัดเพียงว่า “ทำรายงานเร็วขึ้นกี่วัน?” แต่ควรมองผลลัพธ์อย่างน้อย 5 ด้าน Productivity + Cost Efficiency + Risk Reduction + Revenue Protection + Growth Opportunities เมื่อ ESG เชื่อมกับการตัดสินใจทางธุรกิจได้จริง ความยั่งยืนจะเริ่มเปลี่ยนจาก ต้นทุนในการปฏิบัติตามข้อกำหนด ไปสู่ Business Capability ที่เป็นผลดีกับธุรกิจ
๐ องค์กรไทยควรเริ่มจากปัญหาธุรกิจ ไม่ใช่เริ่มจากการซื้อ AI
สำหรับองค์กรที่สนใจ AI- ESG สิ่งสำคัญคือไม่จำเป็นต้องเริ่มจากโครงการขนาดใหญ่หรือซื้อเทคโนโลยีทุกอย่างพร้อมกัน อ.ธนพงศ์พรรณ ให้ข้อเสนอหลักคิด 4 ประเด็น
1. Business Problem คืออะไร?
เริ่มจากปัญหาจริง เช่น ทีมใช้เวลาตาม Evidence มากเกินไป ต้องตอบ Supplier Questionnaire ซ้ำหลายครั้ง หรือใช้เวลาปิด Reporting Cycle นานเกินไป
2. Trusted Data อยู่ที่ไหน?
ก่อนให้ AI ทำงาน ต้องรู้ว่าข้อมูลใดเชื่อถือได้ มาจากระบบใด ใครเป็นเจ้าของ และมีหลักฐานอะไรสนับสนุน
3. ใครรับผิดชอบ?
AI สามารถช่วยทำงาน แต่ต้องกำหนดให้ชัดว่าใครคือเจ้าของงาน Business Owner ใครตรวจสอบ และใครอนุมัติ
4. จะวัดผลอย่างไร?
ไม่ควรวัดว่า “องค์กรมี AI แล้วหรือยัง” แต่ควรวัดว่า AI สร้างผลลัพธ์อะไร เช่น ลดชั่วโมงการทำงาน ลดระยะเวลาจัดทำรายงาน เพิ่มความครบถ้วนของ Evidence หรือช่วยปิดช่องว่างได้ดีขึ้นหรือไม่
แนวคิดนี้สอดคล้องกับ Twin Transformation หรือการเปลี่ยนผ่านด้านดิจิทัลควบคู่กับความยั่งยืน ซึ่งหัวใจไม่ได้อยู่ที่การมีเครื่องมือมากที่สุด แต่อยู่ที่การเปลี่ยนวิธีทำงาน การกำกับดูแล และการสร้างผลลัพธ์ทางธุรกิจที่วัดได้ ./