<div class="key-takeaways"><ul><li>ความได้เปรียบขยับจากการลงมือทำสู่ความเชี่ยวชาญเฉพาะทางและการออกแบบผลิตภัณฑ์</li><li>องค์กรต้องบันทึกเหตุผลและกระบวนการตัดสินใจของ AI เพื่อเก็บเป็นสินทรัพย์ร่วม</li><li>ซอฟต์แวร์เปลี่ยนผ่านสู่การสนทนากับ AI Agent และคิดค่าบริการตามผลลัพธ์จริง</li><li>Project NANDA ชี้ 95% ของโครงการ GenAI ระดับองค์กรยังไม่สร้างผลกำไรที่วัดผลได้</li></ul></div><p>SCB 10X บริษัทด้านการลงทุนในเทคโนโลยีเปลี่ยนโลกภายใต้กลุ่มเอสซีบีเอกซ์ ได้รวบรวมและสรุป 6 แนวคิดสำคัญสำหรับองค์กรที่กำลังเตรียมตัวเปลี่ยนผ่านเข้าสู่ยุค AI โดยอ้างอิงจากบทสนทนาใน 6 ตอนแรกของ AI-VOLUTION The Series 2026 ซีรีส์ออนไลน์ที่รวบรวมมุมมองจากผู้เชี่ยวชาญ ผู้ก่อตั้ง นักลงทุน และผู้บริหารเทคโนโลยีจากหลากหลายอุตสาหกรรม ซึ่งสะท้อนให้เห็นถึงความท้าทายใหม่ที่องค์กรธุรกิจต้องเผชิญในภาพรวมของการนำปัญญาประดิษฐ์มาใช้งานจริง</p><p>ประเด็นแรกเริ่มต้นที่เครื่องมือ AI สำหรับพัฒนาซอฟต์แวร์ ซึ่งเข้ามาช่วยให้การสร้างและจำลองผลิตภัณฑ์พื้นฐานทำได้ง่ายขึ้น ส่งผลให้ความได้เปรียบทางธุรกิจค่อย ๆ ขยับจากการลงมือทำด้วยตนเอง ไปสู่ความเชี่ยวชาญเฉพาะทาง การออกแบบผลิตภัณฑ์ที่แตกต่าง และการสร้างโครงสร้างพื้นฐานที่ระบบ AI อื่นสามารถนำไปต่อยอดได้ หลักคิดในลักษณะเดียวกันนี้ยังเกิดขึ้นกับงานประเภทอื่น ๆ เช่น เมื่อ AI สามารถสร้างรายงาน งานออกแบบ และคอนเทนต์ได้ในเวลาอันรวดเร็ว สิ่งที่องค์กรยังคงต้องรักษาไว้คือวิจารณญาณ รสนิยม และความสามารถในการตัดสินใจว่าผลงานชิ้นใดมีคุณภาพ น่าเชื่อถือ และสามารถสร้างคุณค่าได้จริง</p><p>ในแง่ของการจัดการองค์ความรู้ภายในองค์กร AI อาจช่วยจดจำบริบทและทำงานร่วมกับพนักงานแต่ละคนได้ดีขึ้น แต่ความรู้ดังกล่าวยังมีความเสี่ยงที่จะสูญหายเมื่อพนักงานลาออกจากองค์กร หากข้อมูลสำคัญเหล่านั้นถูกเก็บไว้ในบัญชีส่วนบุคคลหรือบทสนทนาที่ผู้อื่นไม่สามารถเข้าถึงได้ ระบบ Enterprise AI หรือ AI สำหรับใช้งานภายในองค์กรจึงควรทำหน้าที่บันทึกมากกว่าแค่ผลลัพธ์ปลายทาง โดยต้องมีการบันทึกเหตุผล บริบท และกระบวนการคิดเบื้องหลังการตัดสินใจ เพื่อเปลี่ยนบริบทจากการทำงานให้เป็นสินทรัพย์ร่วมที่สามารถเชื่อมโยงข้ามทีมได้</p><div class="ai-insight"><p>การเปลี่ยนผ่านองค์กรไปสู่ยุค AI ไม่ได้หมายถึงแค่การนำเทคโนโลยีเข้ามาแทนที่แรงงานมนุษย์ แต่เป็นการปรับปรุงสถาปัตยกรรมข้อมูลและการตัดสินใจเชิงระบบ เพื่อให้องค์กรไม่สูญเสียความเชี่ยวชาญสะสมเมื่อพนักงานเข้าออก ซึ่งเป็นโจทย์ใหญ่ที่หลายบริษัทมักมองข้ามในช่วงเริ่มต้นของการทำดิจิทัลทรานส์ฟอร์เมชัน</p></div><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/scb_10x_2026_6_ai_mtn7vf0o_inline_1_67e0c4f3ae.jpg" alt="corporate seminar meeting room presentation" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>นอกจากนี้ รูปแบบการใช้ซอฟต์แวร์กำลังเปลี่ยนผ่านจากการเรียนรู้เมนูและ Dashboard แบบดั้งเดิม ไปสู่การสนทนากับ AI Agent ระบบที่สามารถวางแผน ตัดสินใจ และลงมือทำหลายขั้นตอนตามเป้าหมายของผู้ใช้ได้ด้วยตนเอง ก้าวต่อไปคือผู้ใช้อาจระบุเพียงผลลัพธ์ที่ต้องการ แล้วปล่อยให้ระบบเลือกขั้นตอนและเครื่องมือที่เหมาะสม การเปลี่ยนแปลงนี้ยังส่งผลกระทบโดยตรงต่อโมเดลธุรกิจของซอฟต์แวร์ จากเดิมที่คิดค่าบริการตามจำนวนผู้ใช้งานหรือ Software Seats เปลี่ยนเป็นการประเมินมูลค่าจากผลลัพธ์ที่ส่งมอบได้จริง ทำให้องค์กรต้องหันมาออกแบบระบบจากผลลัพธ์ของผู้ใช้งานเป็นหลัก</p><p>ในขณะที่ AI Agent เริ่มเข้ามาช่วยผู้บริโภคค้นหา เปรียบเทียบ และทำธุรกรรมแทนมนุษย์ ธุรกิจจึงจำเป็นต้องเตรียมความพร้อมในการให้บริการลูกค้าที่เป็นระบบ AI ควบคู่ไปกับลูกค้าที่เป็นมนุษย์ ปัญหาคือประสบการณ์ดิจิทัลส่วนใหญ่ในปัจจุบันยังคงออกแบบมาสำหรับมนุษย์เท่านั้น หาก AI Agent ไม่สามารถเข้าถึงข้อมูล ตรวจสอบความน่าเชื่อถือ หรือทำรายการผ่านช่องทางที่กำหนด ระบบธุรกิจอาจต้องพัฒนากลไกใหม่เพื่อให้ระบบเอเจนต์ทำงานได้อย่างปลอดภัยและราบรื่น</p><div class="stat-row"><div class="stat-item"><span class="stat-number">95%</span><span class="stat-label">ของโครงการ GenAI ยังไม่สร้างกำไรที่วัดผลได้</span></div><div class="stat-item"><span class="stat-number">32.7%</span><span class="stat-label">ขององค์กรที่ลดคนต้องจ้างกลับมา 25-50%</span></div></div><p>สำหรับการนำระบบไปใช้งานจริง การพิสูจน์ว่า AI ทำงานเฉพาะด้านได้สำเร็จในโครงการทดลองหรือ Pilot เป็นเพียงจุดเริ่มต้นเท่านั้น ระบบที่นำไปใช้จริงต้องสามารถรองรับจำนวนผู้ใช้ที่เปลี่ยนแปลงไป ข้อมูลที่ไม่แน่นอน สถานการณ์ที่ซับซ้อน และเหตุการณ์ที่ระบบอาจตอบผิดพลาด ความพร้อมขององค์กรจึงไม่ได้วัดจากประสิทธิภาพของโมเดลเพียงอย่างเดียว แต่ต้องกำหนดอำนาจหน้าที่ให้ชัดเจนว่าใครเป็นผู้รับผิดชอบและตัดสินใจ พร้อมทั้งมีระบบ Guardrail หรือขอบเขตควบคุมการทำงานตั้งแต่ก่อนขยายผลสู่ระดับองค์กร</p><blockquote class="pull-quote"><p>"95% ของโครงการ Generative AI ระดับองค์กรในกลุ่มตัวอย่างยังไม่สร้างผลกำไรและขาดทุนที่วัดผลได้"</p><cite>รายงาน The GenAI Divide โดย Project NANDA ที่ MIT</cite></blockquote><p>รายงาน The GenAI Divide ของ Project NANDA ที่ MIT ระบุว่า 95% ของโครงการ Generative AI ระดับองค์กรในกลุ่มตัวอย่างยังไม่สร้างผลกระทบต่อกำไรและขาดทุนที่วัดผลได้ สะท้อนให้เห็นช่องว่างระหว่างการทดลองใช้กับการสร้างผลลัพธ์ทางธุรกิจ ขณะที่ข้อมูลจาก Careerminds ซึ่งสำรวจผู้เชี่ยวชาญฝ่ายทรัพยากรบุคคล 600 คนในเดือนกุมภาพันธ์ 2026 พบว่า 32.7% ขององค์กรที่เคยลดจำนวนพนักงานจาก AI ได้กลับมาจ้างพนักงานในตำแหน่งเดิมคิดเป็น 25-50% ของตำแหน่งที่เคยลด และอีก 35.6% กลับมาจ้างมากกว่าครึ่งหนึ่งของตำแหน่งเหล่านั้น สะท้อนว่าการวัดผลตอบแทนหรือ AI ROI ต้องพิจารณาทั้งผลลัพธ์ทางธุรกิจ ต้นทุนการเชื่อมระบบ และการรักษาความเชี่ยวชาญของบุคลากรควบคู่กันไป</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=techsauce.co&sz=64" alt="Techsauce" class="source-logo" width="16" height="16" /> <a href="https://techsauce.co/ai/scb10x-ai-volution-2026-six-key-takeaways" target="_blank" rel="noopener noreferrer">Techsauce</a></p>

<div class="key-takeaways"><ul><li>Competitive advantage shifts from execution to specialized expertise and product design</li><li>Organizations must capture decision contexts to turn working knowledge into shared assets</li><li>Software usage moves to AI Agent conversations with value-based pricing models</li><li>MIT Project NANDA reports 95% of enterprise GenAI projects lack measurable profit impact</li></ul></div><p>SCB 10X, the disruptive technology investment arm under SCBX Group, has summarized six essential strategic concepts for organizations transitioning into the AI era. Drawn from the first six episodes of AI-VOLUTION The Series 2026, an online series featuring insights from industry experts, founders, investors, and technology executives, the discussion highlights the critical challenges businesses face when deploying artificial intelligence in practice.</p><p>The first takeaway begins with software development tools, which have simplified the creation and prototyping of basic products. Consequently, competitive advantage is shifting gradually from raw execution capability to specialized expertise, differentiated product design, and foundational infrastructure that other AI systems can build upon. A parallel principle applies across other domains; as AI generates reports, designs, and content in mere seconds, organizations must preserve human judgment, taste, and the ability to evaluate true quality and value.</p><p>Regarding internal knowledge management, while AI can better memorize individual contexts to assist employees, that valuable knowledge risks disappearing when staff members leave if critical details remain trapped in personal accounts or inaccessible chats. Enterprise AI systems should capture more than just final outputs by recording the reasoning, context, and thought processes behind decisions, turning working workflows into shared organizational assets that connect across teams.</p><div class="ai-insight"><p>Transforming an enterprise for the AI era extends far beyond replacing human labor with technology; it requires redesigning data architecture and systemic decision-making processes to prevent the loss of accumulated expertise during staff turnover—a vital hurdle often overlooked in early digital transformation phases.</p></div><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/scb_10x_2026_6_ai_mtn7vf0o_inline_1_67e0c4f3ae.jpg" alt="corporate seminar meeting room presentation" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>Furthermore, software interaction models are shifting away from traditional menu and dashboard navigation toward conversations with AI Agents—systems capable of planning, deciding, and executing multi-step workflows based on user goals. The next frontier involves users simply stating desired outcomes while the system selects the appropriate steps and tools. This evolution directly impacts software business models, transitioning from seat-based subscription fees to valuation based on delivered results, prompting enterprises to design systems around user outcomes rather than static features.</p><p>As AI agents increasingly assist consumers in searching, comparing, and transacting on their behalf, businesses must prepare to serve AI agent clients alongside human customers. The core issue is that most existing digital experiences—from information retrieval and form filling to payment checkouts—are designed exclusively for humans. If AI agents cannot access data, verify trustworthiness, or execute transactions through approved business channels, enterprises must engineer alternative mechanisms to complete tasks safely.</p><div class="stat-row"><div class="stat-item"><span class="stat-number">95%</span><span class="stat-label">of enterprise GenAI projects lack measurable profit impact</span></div><div class="stat-item"><span class="stat-number">32.7%</span><span class="stat-label">of downsizing firms rehired 25-50% of cut roles</span></div></div><p>When moving from pilot projects to production deployment, proving success in a controlled trial is only the beginning. Production systems must handle fluctuating user volumes, unpredictable data, complex scenarios, and edge cases where models fail or stall. Organizational readiness depends not solely on model performance, but on clearly defining decision-making authority, oversight roles, and ownership, alongside establishing robust guardrails before scaling pilots enterprise-wide.</p><blockquote class="pull-quote"><p>"95% of enterprise Generative AI projects in the sample have yet to generate measurable profit and loss impact."</p><cite>The GenAI Divide Report by Project NANDA at MIT</cite></blockquote><p>The GenAI Divide report by Project NANDA at MIT indicates that 95% of enterprise Generative AI projects in the sample have yet to generate measurable profit and loss impact, highlighting the gap between experimental adoption and continuous business value. Meanwhile, data from Careerminds—which surveyed 600 HR professionals in February 2026—revealed that 32.7% of organizations that reduced headcount due to AI subsequently rehired former employees for 25-50% of the eliminated roles, while another 35.6% rehired more than half, demonstrating that AI ROI must account for integration costs, business outcomes, and the preservation of human expertise.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=techsauce.co&sz=64" alt="Techsauce" class="source-logo" width="16" height="16" /> <a href="https://techsauce.co/ai/scb10x-ai-volution-2026-six-key-takeaways" target="_blank" rel="noopener noreferrer">Techsauce</a></p>

medium_scb-10x-2026-6-บทเรียนเปลี่ยนผ่านองค์กรสู่ยุค-ai-mtn7vf0o.jpg

small_scb-10x-2026-6-บทเรียนเปลี่ยนผ่านองค์กรสู่ยุค-ai-mtn7vf0o.jpg

thumbnail_scb-10x-2026-6-บทเรียนเปลี่ยนผ่านองค์กรสู่ยุค-ai-mtn7vf0o.jpg

scb-10x-2026-6-บทเรียนเปลี่ยนผ่านองค์กรสู่ยุค-ai-mtn7vf0o.jpg

SCB 10X สรุป 6 แนวคิดจาก AI-VOLUTION The Series 2026 เผยองค์กรต้องปรับโครงสร้างความรู้ ออกแบบระบบรองรับ AI Agent และวัด ROI ที่แท้จริง

SCB 10X outlines six strategic insights from AI-VOLUTION The Series 2026, focusing on knowledge assets, AI agent design, and accurate ROI measurement.

SCB 10X 2026: 6 บทเรียนเปลี่ยนผ่านองค์กรสู่ยุค AI

SCB 10X 2026: 6 Key Takeaways for AI Transformation

<div class="key-takeaways"><ul><li>M&T Bank นำ AI Copilot มาให้พนักงานกว่า 15,000 คนใช้งานในองค์กร</li><li>ช่วยประหยัดเวลาสรุปบทสนทนาศูนย์บริการลูกค้าได้ราว 6 นาทีต่อสาย</li><li>งบลงทุนด้านเทคโนโลยีพุ่งทะยานเกิน 1.2 พันล้านดอลลาร์ในปี 2025</li></ul></div><p>M&T Bank ธนาคารภูมิภาคในสหรัฐอเมริกา ได้ดำเนินการขยายการใช้งานปัญญาประดิษฐ์หรือ AI Copilot ไปยังพนักงานมากกว่า 15,000 คน เพื่อยกระดับการดำเนินงานภายใน การบริการลูกค้า การพัฒนาซอฟต์แวร์ และการบริหารจัดการความเสี่ยง โดยธนาคารได้นำ AI มาช่วยวิเคราะห์บทสนทนาจากศูนย์บริการลูกค้า ร่างรายงาน สร้างโค้ดคอมพิวเตอร์ ระบุความต้องการของลูกค้า และตรวจจับความเสี่ยงด้านพอร์ตโฟลิโอ นอกจากนี้ยังมีการศึกษาการใช้งาน AI แบบเอเจนต์ในด้านความปลอดภัยทางไซเบอร์และการตรวจจับการฉ้อโกงอีกด้วย</p><p>ก่อนที่จะมีการขยายผลในวงกว้าง M&T Bank เคยจำกัดการเข้าถึงโมเดลภาษาขนาดใหญ่ภายนอกของพนักงาน เนื่องจากความกังวลว่าข้อมูลลับของบริษัทอาจรั่วไหลไปยังบริการสาธารณะ ต่อมาทางธนาคารจึงได้ประเมินผู้ให้บริการระดับองค์กรและเลือกใช้ Microsoft Copilot โดยเริ่มจากการทดลองใช้งานกับพนักงานประมาณ 800 คน ก่อนจะขยายการเข้าถึงให้ครอบคลุมทั่วทั้งองค์กร โดยรายงานจาก American Banker ในเดือนกันยายน 2025 ระบุว่าพนักงาน 16,000 คนจากทั้งหมดประมาณ 22,000 คน ได้ใช้งาน Microsoft Copilot สำหรับงานร่างอีเมล รายงาน และสรุปบทสนทนาแล้ว</p><div class="stat-row"><div class="stat-item"><span class="stat-number">6 นาที</span><span class="stat-label">เวลาที่ประหยัดได้ต่อการโทรหนึ่งครั้งในการสรุปบทสนทนา</span></div><div class="stat-item"><span class="stat-number">300%</span><span class="stat-label">การเพิ่มขึ้นของการอัปเดตระบบประจำปีเมื่อเทียบกับปี 2018</span></div></div><p>แอนดรูว์ ฟอสเตอร์ (Andrew Foster) ประธานเจ้าหน้าที่ฝ่ายข้อมูล เปิดเผยว่าการใช้ AI สร้างข้อความเพื่อสรุปบทสนทนาของศูนย์บริการลูกค้าช่วยประหยัดเวลาได้ประมาณ 6 นาทีต่อการโทรหนึ่งครั้ง ขณะที่นักพัฒนาซอฟต์แวร์ของธนาคารก็ใช้เครื่องมือ GitLab ในการสร้างโค้ด โดยที่พนักงานยังคงต้องทำหน้าที่ตรวจสอบผลงานที่สร้างจาก AI ด้วยตนเองตามนโยบายจรรยาบรรณทางธุรกิจและการปฏิบัติงานปี 2026 ซึ่งกำหนดให้พนักงานต้องใช้เครื่องมือ AI ที่ได้รับอนุมัติ และห้ามนำข้อมูลที่เป็นความลับหรือข้อมูลที่ถูกควบคุมป้อนเข้าสู่ระบบที่ไม่ได้รับอนุญาต</p><div class="ai-insight"><p>การที่ M&T Bank กำหนดให้พนักงานต้องตรวจสอบผลงานจาก AI ทุกครั้ง สะท้อนให้เห็นถึงแนวทางความรับผิดชอบร่วมกันระหว่างมนุษย์และเทคโนโลยี ซึ่งมีความสำคัญอย่างยิ่งในภาคการธนาคารที่มีกฎระเบียบเข้มงวด การควบคุมความปลอดภัยของข้อมูลและการกำกับดูแลสายเลือดข้อมูล (Data Lineage) จึงเป็นหัวใจสำคัญก่อนที่จะนำ AI ทรงพลังมาใช้งานจริงในระดับองค์กร</p></div><p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/m_t_bank_ai_15_000_mtmv2aal_inline_1_dbdae35395.jpg" alt="office meeting room presentation screen daytime" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div></p><p>การนำ AI มาใช้งานในครั้งนี้เป็นส่วนหนึ่งของการยกเครื่องระบบเทคโนโลยีครั้งใหญ่ของ M&T Bank ที่เริ่มต้นขึ้นในปี 2018 โดยในขณะนั้นกว่าครึ่งหนึ่งของบุคลากรด้านเทคโนโลยีเป็นพนักงานภายนอก แต่ปัจจุบันสัดส่วนพนักงานไอทีประจำภายในองค์กรเพิ่มขึ้นเป็น 80% มีผู้เชี่ยวชาญด้านเทคโนโลยีกว่า 2,000 คนทำงานอยู่ในทีมแบบอไจลส์มากกว่า 300 ทีม นอกจากนี้ ธนาคารยังได้แทนที่แพลตฟอร์มรุ่นเก่าหลายสิบระบบ ส่งผลให้อุบัติการณ์ระบบขัดข้องลดลงมากกว่า 80% นับตั้งแต่ปี 2018 และมีการใช้จ่ายด้านเทคโนโลยีทะลุ 1.2 พันล้านดอลลาร์ในปี 2025 ซึ่งสูงเกือบสามเท่าของระดับในปี 2017</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.artificialintelligence-news.com&sz=64" alt="AI News" class="source-logo" width="16" height="16" /> <a href="https://www.artificialintelligence-news.com/news/mt-bank-enterprise-ai-15000-employees/" target="_blank" rel="noopener noreferrer">AI News</a></p>

<div class="key-takeaways"><ul><li>M&T Bank deploys AI copilots to more than 15,000 corporate employees</li><li>Call-centre conversation summaries save about six minutes per call</li><li>Technology spending exceeded $1.2 billion in the year 2025</li></ul></div><p>M&T Bank, a US regional bank, has deployed AI copilots to more than 15,000 employees as part of its ongoing integration of artificial intelligence into internal operations, customer service, software development, and risk management. The bank utilizes AI to analyze call-centre conversations, draft reports, generate code, identify customer needs, and flag portfolio risks, alongside exploring agentic AI applications for cybersecurity and fraud detection.</p><p>Before the broader rollout, M&T Bank initially restricted employee access to public large language models due to concerns that sensitive company information could be entered into public platforms. The bank subsequently evaluated enterprise providers and selected Microsoft Copilot, beginning with a pilot involving about 800 employees before expanding organization-wide. American Banker reported in September 2025 that 16,000 out of M&T's approximately 22,000 employees were already using Microsoft Copilot for tasks such as drafting emails and summarizing call logs.</p><div class="stat-row"><div class="stat-item"><span class="stat-number">6 mins</span><span class="stat-label">Time saved per call when summarizing customer service interactions</span></div><div class="stat-item"><span class="stat-number">300%</span><span class="stat-label">Increase in annual system upgrades completed compared to 2018</span></div></div><p>Chief data officer Andrew Foster stated that utilizing generative AI to summarize call-centre interactions saves roughly six minutes per call. Meanwhile, software developers at the bank leverage GitLab tools to generate code, while employees remain strictly responsible for reviewing all AI-generated output. This human-review requirement is reinforced in the bank's 2026 Code of Business Conduct and Ethics, which mandates the use of approved AI tools and forbids entering confidential or regulated data into unauthorized systems.</p><div class="ai-insight"><p>Requiring continuous human oversight for AI-generated outputs highlights M&T Bank's cautious approach to balancing automation with risk mitigation. In highly regulated sectors like banking, establishing rigorous data governance and lineage frameworks is a vital prerequisite before deploying generative AI tools at scale.</p></div><p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/m_t_bank_ai_15_000_mtmv2aal_inline_1_dbdae35395.jpg" alt="office meeting room presentation screen daytime" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div></p><p>The AI deployment follows a comprehensive technology overhaul that began in 2018. At that time, over half of the bank's technology specialists were external workers, whereas in-house technology staff now comprise 80% of the workforce. M&T currently employs about 2,000 technologists across more than 300 agile teams. Furthermore, the bank has replaced dozens of legacy platforms, reducing system outages by over 80% since 2018 and increasing annual technology spending to more than $1.2 billion in 2025, nearly triple its 2017 expenditure.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.artificialintelligence-news.com&sz=64" alt="AI News" class="source-logo" width="16" height="16" /> <a href="https://www.artificialintelligence-news.com/news/mt-bank-enterprise-ai-15000-employees/" target="_blank" rel="noopener noreferrer">AI News</a></p>

medium_m-t-bank-ขยายการใช้-ai-สู่พนักงานกว่า-15-000-คน-mtmv2aal.jpg

small_m-t-bank-ขยายการใช้-ai-สู่พนักงานกว่า-15-000-คน-mtmv2aal.jpg

thumbnail_m-t-bank-ขยายการใช้-ai-สู่พนักงานกว่า-15-000-คน-mtmv2aal.jpg

m-t-bank-ขยายการใช้-ai-สู่พนักงานกว่า-15-000-คน-mtmv2aal.jpg

M&T Bank ธนาคารภูมิภาคในสหรัฐฯ นำ Microsoft Copilot และเครื่องมือ AI มาให้พนักงานกว่า 15,000 คนใช้งาน พร้อมปรับปรุงระบบเทคโนโลยีครั้งใหญ่ตั้งแต่ปี 2018

US regional bank M&T Bank deploys Microsoft Copilot to over 15,000 employees and advances its major technology overhaul since 2018.

M&T Bank ขยายการใช้ AI สู่พนักงานกว่า 15,000 คน

M&T Bank expands enterprise AI to 15,000 employees

<div class="key-takeaways"><ul><li>การสเกล AI ให้ประสบความสำเร็จไม่ได้ขึ้นอยู่กับเทคโนโลยีเพียงอย่างเดียว</li><li>Deloitte เผยเกือบ 75% ของผู้นำคาดว่าต้องปรับโมเดลการดำเนินงานใน 12-18 เดือน</li><li>โมเดลปฏิบัติการ AI เชื่อมโยงการตัดสินใจ การกำกับดูแล การเงิน และการนำไปใช้</li><li>โครงสร้างแบบกระจายศูนย์ (Federated) ช่วยให้องค์กรมีความคล่องตัวและมีมาตรฐานร่วมกัน</li></ul></div><p>การนำปัญญาประดิษฐ์หรือ AI เข้ามาใช้งานในปัจจุบันกลายเป็นเรื่องง่ายขึ้น โมเดลมีความสามารถสูงขึ้น เข้าถึง API ได้สะดวก และสามารถใช้งาน Copilot ได้อย่างรวดเร็ว ทีมงานต่างๆ สามารถทดลองสร้างเวิร์กโฟลว์ที่มีประโยชน์ได้ภายในเวลาเพียงไม่กี่วัน</p><p>ถึงกระนั้น หลายองค์กรยังคงประสบปัญหาในการเปลี่ยนกิจกรรมเหล่านี้ให้กลายเป็นขีดความสามารถที่ยั่งยืนในระยะยาว</p><p>สาเหตุเริ่มมีความชัดเจนมากขึ้นเรื่อยๆ ว่า AI ไม่ได้ถูกขับเคลื่อนให้ขยายตัวได้ด้วยเทคโนโลยีเพียงลำพัง แต่มันต้องอาศัยโมเดลการดำเนินงาน (Operating Model) ที่เหมาะสม</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/ai_operating_model_ai_mti7dj7k_inline_1_91afb31b41.jpg" alt="corporate seminar meeting room presentation" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>นั่นหมายถึงการตัดสินใจว่าใครจะเป็นผู้รับผิดชอบ AI วิธีการคัดเลือก Use Case การกำกับดูแลความเสี่ยง การแบ่งปันการเรียนรู้ การรักษาการตัดสินใจของมนุษย์เอาไว้ในกระบวนการ และวิธีเปลี่ยนการทดลองที่ประสบความสำเร็จให้กลายเป็นส่วนหนึ่งของการทำงานปกติ</p><p>นี่คือเหตุผลที่วลีอย่าง AI Operating Model กำลังมีความสำคัญมากขึ้น ในปี 2026 บริษัทที่ปรึกษา Deloitte ได้เปิดเผยช่องว่างที่น่าสนใจว่า ในขณะที่ผู้นำด้านเทคโนโลยีจำนวนมากเชื่อว่าตนเองสามารถปรับใช้และกำกับดูแล AI ในสเกลใหญ่ได้ แต่เกือบสามในสี่กลับยังคาดว่าโมเดลการดำเนินงานของตนจะต้องเปลี่ยนแปลงภายใน 12 ถึง 18 เดือนข้างหน้า โดยปัญหาที่แท้จริงคือการเปลี่ยนผ่านจากคำถามว่า "เราใช้ AI ได้หรือไม่?" ไปสู่ "องค์กรสามารถดูดซับมันได้ดีแค่ไหน?"</p><div class="ai-insight"><p>การทำความเข้าใจบริบทนี้ช่วยให้เห็นภาพว่า ความล้มเหลวในการนำ AI ไปใช้จริงส่วนใหญ่มักไม่ได้เกิดจากข้อจำกัดทางเทคนิค แต่เกิดจากโครงสร้างองค์กรที่ไม่รองรับการเปลี่ยนแปลง ทำไมทีมงานแต่ละส่วนถึงต้องพัฒนาเครื่องมือซ้ำซ้อนกัน และทำไมการแชร์ความรู้จึงติดขัดระหว่างแผนก</p></div><p>โมเดลปฏิบัติการ AI คือระบบภายในองค์กรที่กำหนดวิธีการตัดสินใจ การกำกับดูแล การจัด <b>งบประมาณ</b> การพัฒนา การนำไปใช้ และการปรับปรุงระบบ AI</p><p>มันไม่ใช่เพียงแค่เอกสารกลยุทธ์ AI ไม่ใช่นโยบายการกำกับดูแล และไม่ใช่แค่การตั้งทีม AI กลางขึ้นมาใหม่</p><div class="stat-row"><div class="stat-item"><span class="stat-number">75%</span><span class="stat-label">ของผู้นำคาดต้องเปลี่ยนโมเดลใน 12-18 เดือน</span></div></div><p>การกำกับดูแล AI มักถูกพูดถึงในแง่ของปัญหาการควบคุม หากการกำกับดูแลเกิดขึ้นเฉพาะในช่วงท้ายของโครงการ ทีมงานอาจรอนานเกินไปหรือหาทางหลีกเลี่ยง หากทุก Use Case ได้รับการตรวจสอบแบบเดียวกัน การทดลองความเสี่ยงต่ำจะช้าลงโดยไม่จำเป็น ในขณะที่ความเสี่ยงสำคัญอาจได้รับการใส่ใจไม่เพียงพอ</p><p>อ้างอิงจากบทความของ Cralgo บนแพลตฟอร์ม Dev.to ที่ได้วิเคราะห์ประเด็นขีดความสามารถที่กว้างขึ้นนี้ผ่านแนวคิดเรื่องศูนย์ความเป็นเลิศ (Centres of Excellence) และการมองเทคโนโลยีให้เป็นระบบขององค์กร</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=dev.to&sz=64" alt="Dev.to" class="source-logo" width="16" height="16" /> <a href="https://dev.to/cralgo/ai-operating-model-why-scaling-ai-is-an-organisational-design-problem-2cg9" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

<div class="key-takeaways"><ul><li>Scaling AI successfully depends on more than just technology alone.</li><li>Deloitte reveals nearly 75% of leaders expect operating model changes in 12-18 months.</li><li>An AI operating model connects decision-making, governance, funding, and adoption.</li><li>Federated organizational structures help balance central standards with local context.</li></ul></div><p>Adopting artificial intelligence is getting easier. Models are more capable, APIs are more accessible, and copilots can be deployed quickly, allowing teams to prototype useful workflows within days.</p><p>Yet, many organizations still struggle to turn that activity into durable, long-term capability.</p><p>The reason is increasingly clear: AI does not scale through technology alone. It requires a proper operating model.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/ai_operating_model_ai_mti7dj7k_inline_1_91afb31b41.jpg" alt="corporate seminar meeting room presentation" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>That means deciding who owns AI, how use cases are selected, how risk is governed, how learning is shared, how human judgement stays in the loop, and how successful experiments become part of normal work.</p><p>This is why the phrase AI operating model is becoming more important. In 2026, Deloitte reported a striking gap: while many technology leaders believe they can deploy and govern AI at scale, nearly three-quarters still expect their operating model to change within 12 to 18 months, shifting the challenge from "Can we use AI?" to "Can the organisation absorb it well?"</p><div class="ai-insight"><p>Understanding this context highlights that implementation failures often stem from misaligned organizational structures rather than technical limits. It explains why isolated silos build duplicate tools and why cross-departmental knowledge sharing frequently stalls.</p></div><p>An AI operating model is the organizational system that determines how AI decisions are made, governed, funded, built, adopted, and improved.</p><p>It is not simply an AI strategy document, a governance policy, or a newly renamed central team.</p><div class="stat-row"><div class="stat-item"><span class="stat-number">75%</span><span class="stat-label">of leaders expect model changes in 12-18 months</span></div></div><p>AI governance is often discussed as a control problem. If governance only happens at the end of a project, teams will either wait too long or work around it, slowing down low-risk experimentation while under-addressing critical risks.</p><p>As explored by Cralgo on Dev.to, this broader capability question examines Centres of Excellence and technology as an interconnected organizational system.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=dev.to&sz=64" alt="Dev.to" class="source-logo" width="16" height="16" /> <a href="https://dev.to/cralgo/ai-operating-model-why-scaling-ai-is-an-organisational-design-problem-2cg9" target="_blank" rel="noopener noreferrer">Dev.to</a></p>

medium_ai-operating-model-ทำไมการสเกล-ai-ถึงเป็นเรื่องการจัดการองค์กร-mti7dj7k.jpg

small_ai-operating-model-ทำไมการสเกล-ai-ถึงเป็นเรื่องการจัดการองค์กร-mti7dj7k.jpg

thumbnail_ai-operating-model-ทำไมการสเกล-ai-ถึงเป็นเรื่องการจัดการองค์กร-mti7dj7k.jpg

ai-operating-model-ทำไมการสเกล-ai-ถึงเป็นเรื่องการจัดการองค์กร-mti7dj7k.jpg

รายงานจาก Deloitte ในปี 2026 ชี้เกือบ 75% ของผู้นำเทคโนโลยีคาดว่าโมเดลการดำเนินงานต้องปรับเปลี่ยน เมื่อการสเกล AI ท้าทายกว่าแค่การใช้เทคโนโลยี

Deloitte reports in 2026 that nearly 75% of technology leaders expect their operating model to change within 12 to 18 months.

AI Operating Model: ทำไมการสเกล AI ถึงเป็นเรื่องการจัดการองค์กร

AI Operating Model: Why Scaling AI Is an Organisational

<div class="key-takeaways"><ul><li>TechCrunch Disrupt 2026 จัดขึ้นวันที่ 13-15 ตุลาคม ณ Moscone Center ซานฟรานซิสโก</li><li>Anthropic และ OpenAI ยืนยันเข้าร่วมงานบนเวที AI Stage นำเสนอโดย Google for Startups</li><li>เจาะลึกโมเดลธุรกิจ AI, ช่องโหว่ด้านความปลอดภัย และอาชีพใหม่ที่เกิดขึ้นจาก AI</li><li>พบกับผู้เข้าร่วมงานกว่า 10,000 คน ทั้งผู้ก่อตั้งสตาร์ทอัพ นักเทคโนโลยี และนักลงทุน VC</li></ul></div><p>วงการปัญญาประดิษฐ์หรือ AI กำลังขับเคลื่อนการเปลี่ยนแปลงครั้งใหญ่ ไม่เพียงแต่เปลี่ยนวิธีที่สตาร์ทอัพสร้างผลิตภัณฑ์เท่านั้น แต่ยังพลิกโฉมกระบวนการขาย การรักษาความปลอดภัยของข้อมูล และการขยายธุรกิจให้รวดเร็วยิ่งขึ้น ในงาน <strong>TechCrunch Disrupt 2026</strong> เวที AI Stage ซึ่งสนับสนุนโดย Google for Startups ได้กลับมาอีกครั้งเพื่อเจาะลึกประเด็นร้อนแรงที่สุดในคอมมิวนิตี้เทคโนโลยีตลอดช่วงไม่กี่ปีที่ผ่านมา โดยมุ่งเน้นไปที่การสำรวจโมเดลธุรกิจที่ AI กำลังเขียนขึ้นใหม่ ช่องโหว่ด้านความปลอดภัยที่ยังไม่ได้รับการแก้ไข และหมวดหมู่สายงานใหม่ทั้งหมดที่ AI สร้างขึ้นจากศูนย์</p><p>งานดังกล่าวจะจัดขึ้นระหว่างวันที่ 13-15 ตุลาคม 2026 ณ Moscone Center เมืองซานฟรานซิสโก โดยจะรวบรวมผู้นำจากทั่วอุตสาหกรรม AI มาพูดคุยถึงคำถามจริงที่ผู้ก่อตั้งบริษัทกำลังเผชิญอยู่ในขณะนี้ ไม่ว่าจะเป็นเรื่องของการตั้งราคาผลิตภัณฑ์ AI เมื่อโมเดลกลายเป็นสินค้าทั่วไป เหตุใดความปลอดภัยของเอเจนต์จึงต้องถูกสร้างขึ้นใหม่ตั้งแต่ระดับโครงสร้างพื้นฐาน และความหมายที่แท้จริงของการมีแผนเข้าสู่ตลาดในโลกยุค AI-native</p><p>บทสนทนาส่วนใหญ่เกี่ยวกับ AI ในระดับองค์กรมักเกิดขึ้นก่อนการใช้งานจริง แต่ในงานนี้จะเริ่มต้นหลังการใช้งาน โดย Cat de Jong หัวหน้าฝ่าย Applied AI ของ Anthropic จะมาบอกเล่ารูปแบบที่เกิดขึ้นจริงจากการนำโมเดล Claude ไปใช้งานในเวิร์กโฟลว์ที่สำคัญที่สุดขององค์กร ตั้งแต่จุดที่ประสบความสำเร็จในทันที ไปจนถึงความท้าทายที่ทำให้โครงการต้องหยุดชะงัก</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/techcrunch_disrupt_2026_anthropic_openai_ai_mtchhqs9_inline_1_d1aa4e5a74.jpg" alt="corporate seminar meeting room presentation daytime San Francisco" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>ในขณะเดียวกัน การเปลี่ยนแปลงโครงสร้างการตลาดก็เป็นอีกหนึ่งประเด็นสำคัญ โดย Tara Seshan หัวหน้าฝ่าย Productivity ของ OpenAI จะมาพูดถึงการเติบโตของบทบาท GTM engineering ซึ่งเป็นหนึ่งในสายงานที่เติบโตเร็วที่สุดในอุตสาหกรรม หลังจากที่ AI ได้เข้ามาปรับเปลี่ยนโครงสร้างการตลาดแบบเดิมและสร้างวินัยใหม่ขึ้นมาแทนที่</p><div class="ai-insight"><p>การที่บริษัทแนวหน้าด้าน AI อย่าง Anthropic และ OpenAI ตบเท้าเข้าร่วมงาน TechCrunch Disrupt 2026 สะท้อนให้เห็นว่าอุตสาหกรรมกำลังก้าวผ่านช่วงตื่นเต้นของการทดลองใช้งาน (Pilot phase) ไปสู่การวัดผลคุ้มค่าในระดับองค์กรอย่างจริงจัง การอภิปรายในหัวข้อโครงสร้างพื้นฐาน ความปลอดภัยของ Agent และโมเดลการตั้งราคา จึงเป็นหมุดหมายสำคัญที่ชี้ว่าปี 2026 คือปีแห่งการปรับฐานธุรกิจ AI ให้ยั่งยืนและปลอดภัยพอที่จะรันระบบปฏิบัติการที่มีความอ่อนไหวสูงได้</p></div><p>นอกจากนี้ งานนี้ยังมีผู้เชี่ยวชาญระดับแนวหน้าจากบริษัทเทคโนโลยีและแพลตฟอร์มชั้นนำอีกมากมายมาร่วมแบ่งปันมุมมอง เช่น Arsalan Tavakoli จาก Databricks, Ric Smith จาก Okta, ตลอดจนผู้บริหารจาก AWS, 1Password, Glean และ Monte Carlo ที่จะมาร่วมพูดคุยเกี่ยวกับความปลอดภัยของเอเจนต์ การจัดการระบบโครงสร้างพื้นฐาน และอนาคตของซอฟต์แวร์ในยุค AI</p><p>ผู้ที่สนใจสามารถเข้าร่วมงานเพื่อพบปะกับผู้นำจากสตาร์ทอัพ ผู้นำด้านเทคโนโลยี และผู้บริหาร VC กว่า 10,000 คน พร้อมเข้าชมเวทีอื่นๆ Startup Battlefield โอกาสในการสร้างเครือข่าย และโซนจัดแสดงสินค้า โดยสามารถลงทะเบียนเข้าร่วมงานได้แล้ววันนี้</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=techcrunch.com&sz=64" alt="TechCrunch" class="source-logo" width="16" height="16" /> <a href="https://techcrunch.com/2026/08/27/anthropic-and-openai-are-joining-the-ai-stage-at-techcrunch-disrupt-2026/" target="_blank" rel="noopener noreferrer">TechCrunch</a></p>

<div class="key-takeaways"><ul><li>TechCrunch Disrupt 2026 runs October 13-15 at the Moscone Center in San Francisco.</li><li>Anthropic and OpenAI join the AI Stage presented by Google for Startups.</li><li>Discussions focus on AI business models, security gaps, and new job categories.</li><li>Over 10,000 startup founders, tech leaders, and VCs are expected to attend.</li></ul></div><p>Artificial intelligence has fundamentally transformed how startups build products, handle data security, acquire customers, and scale operations. At <strong>TechCrunch Disrupt 2026</strong>, the AI Stage presented by Google for Startups returns to tackle the community's hottest topics from recent years, exploring the business models being rewritten by AI, unsolved security gaps, and entirely new job categories created from scratch.</p><p>Scheduled from October 13 to 15 at the Moscone Center in San Francisco, the event brings together leaders across the AI industry to address pressing questions currently faced by founders. Key topics include pricing AI products as models commoditize, rebuilding agent security from the infrastructure up, and executing a go-to-market strategy in an AI-native world.</p><p>While enterprise AI discussions typically happen prior to deployment, this event focuses on what happens afterward. Cat de Jong, Head of Applied AI at Anthropic, will share insights from working directly with enterprises deploying Claude across critical workflows, examining immediate deployment successes and the factors causing stalled projects.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/techcrunch_disrupt_2026_anthropic_openai_ai_mtchhqs9_inline_1_d1aa4e5a74.jpg" alt="corporate seminar meeting room presentation daytime San Francisco" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>Meanwhile, Tara Seshan, Head of Productivity at OpenAI, will discuss the meteoric rise of GTM engineering—a role that did not exist two years ago but has rapidly evolved into one of the industry's fastest-growing disciplines following AI's reshaping of traditional go-to-market stacks.</p><div class="ai-insight"><p>The presence of leading AI powerhouses like Anthropic and OpenAI at TechCrunch Disrupt 2026 highlights the industry's transition from initial experimentation to measurable enterprise value. The focus on infrastructure security, agent architecture, and sustainable pricing models signals that 2026 is a critical year for establishing rigorous operational frameworks for enterprise AI deployment.</p></div><p>The event also features prominent industry experts including Arsalan Tavakoli from Databricks, Ric Smith from Okta, alongside executives from AWS, 1Password, Glean, and Monte Carlo, who will discuss agent security, infrastructure requirements, and the evolution of SaaS in the AI era.</p><p>Attendees will have the opportunity to network with over 10,000 startup, tech, and VC leaders, access multiple stages, explore Startup Battlefield, and visit the exhibition floor by registering for the event today.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=techcrunch.com&sz=64" alt="TechCrunch" class="source-logo" width="16" height="16" /> <a href="https://techcrunch.com/2026/08/27/anthropic-and-openai-are-joining-the-ai-stage-at-techcrunch-disrupt-2026/" target="_blank" rel="noopener noreferrer">TechCrunch</a></p>

medium_techcrunch-disrupt-2026-anthropic-และ-openai-เตรียมขึ้นเวที-ai-mtchhqs9.jpg

small_techcrunch-disrupt-2026-anthropic-และ-openai-เตรียมขึ้นเวที-ai-mtchhqs9.jpg

thumbnail_techcrunch-disrupt-2026-anthropic-และ-openai-เตรียมขึ้นเวที-ai-mtchhqs9.jpg

techcrunch-disrupt-2026-anthropic-และ-openai-เตรียมขึ้นเวที-ai-mtchhqs9.jpg

งาน TechCrunch Disrupt 2026 เตรียมจัดขึ้นในวันที่ 13-15 ตุลาคมนี้ ณ Moscone Center ซานฟรานซิสโก พร้อมการขึ้นเวทีของผู้นำจาก Anthropic และ OpenAI

TechCrunch Disrupt 2026 takes place October 13-15 at the Moscone Center in San Francisco, featuring industry leaders from Anthropic and OpenAI.

TechCrunch Disrupt 2026: Anthropic และ OpenAI เตรียมขึ้นเวที AI

Anthropic and OpenAI Join AI Stage at TechCrunch Disrupt 2026

<div class="key-takeaways"><ul><li>ยกระดับความปลอดภัย AI ด้วยสถาปัตยกรรมแบบหลายชั้นและการตรวจสอบที่ทำซ้ำได้</li><li>แยกการควบคุมแบบกำหนดแน่ชัดต้นทุนต่ำออกจากกระบวนการตรวจสอบผ่านโมเดลภาษาขนาดใหญ่</li><li>กรองข้อมูลที่มีความละเอียดอ่อนก่อนส่งเข้าโมเดลและปรับแก้คำตอบที่ไม่ปลอดภัย</li><li>ตรวจสอบการทำงานผ่าน multi-turn execution และ rail tracing เพื่อวัดประสิทธิภาพและต้นทุน</li></ul></div><p>การพัฒนาแอปพลิเคชันปัญญาประดิษฐ์ในระดับองค์กรจำเป็นต้องมีมาตรการป้องกันความปลอดภัยที่รัดกุมกว่าการกรองพรอมต์แบบธรรมดา โดยเน้นการสร้างสถาปัตยกรรมที่สามารถตรวจสอบการทำงานได้อย่างโปร่งใสในทุกขั้นตอนการประมวลผล</p><p>แนวทางปฏิบัตินี้เริ่มต้นจากการแบ่งแยกกลไกการควบคุมแบบ deterministic ที่มีต้นทุนประมวลผลต่ำ ออกจากการตรวจสอบที่พึ่งพาโมเดลภาษาขนาดใหญ่ (LLM) เพื่อความคุ้มค่าด้านทรัพยากรระบบ พร้อมกับคัดกรองข้อมูลจากกระบวนการ Retrieval ก่อนส่งมอบให้โมเดลประมวลผลต่อไป</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/nemo_guardrails_ai_mt5cgwlj_inline_1_2fb8aa998d.jpg" alt="software code development screen monitor" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>นอกจากนี้ ระบบยังมีความสามารถในการเขียนเรียบเรียงผลลัพธ์ใหม่หากตรวจพบเนื้อหาที่ไม่เหมาะสม ตลอดจนบังคับใช้นโยบายความปลอดภัยอย่างเคร่งครัดก่อนอนุญาตให้ดำเนินการเขียนข้อมูลใดๆ ลงในระบบ</p><div class="ai-insight"><p>การใช้งาน NeMo Guardrails ช่วยให้องค์กรสามารถบาลานซ์ระหว่างความปลอดภัยและต้นทุนได้อย่างมีประสิทธิภาพ การแยกส่วนการตรวจสอบแบบกฎเกณฑ์ตายตัวออกจากระบบ AI หลักช่วยลดภาระการประมวลผลที่ไม่จำเป็น ขณะที่เครื่องมือติดตามผลช่วยให้ผู้พัฒนาปรับจูนนโยบายได้อย่างแม่นยำยิ่งขึ้น</p></div><p>ความสมบูรณ์ของระบบถูกทดสอบและยืนยันผ่านกระบวนการ multi-turn execution, การติดตามเส้นทางของ rail tracing, การวัดจำนวนโทเค็น และ coverage probes ซึ่งช่วยให้ทีมพัฒนาเข้าใจทั้งประสิทธิภาพและค่าใช้จ่ายในการดำเนินงานจริง</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/22/the-developers-guide-to-nemo-guardrails-for-enterprise-ai-safety/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

<div class="key-takeaways"><ul><li>Advance enterprise AI safety with a layered and fully auditable security architecture</li><li>Separate low-cost deterministic controls from resource-intensive LLM checks</li><li>Filter sensitive retrieval content and automatically rewrite unsafe outputs</li><li>Validate performance and operational costs using execution traces and token metrics</li></ul></div><p>Developing enterprise-grade artificial intelligence applications requires robust safety measures that go far beyond basic prompt filtering, focusing instead on transparent and multilayered security architectures.</p><p>This implementation strategy begins by separating inexpensive deterministic control mechanisms from checks powered by large language models to optimize system resources, while also filtering sensitive information retrieved before it reaches the core model.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/nemo_guardrails_ai_mt5cgwlj_inline_1_2fb8aa998d.jpg" alt="software code development screen monitor" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>Furthermore, the framework provides capabilities to rewrite unsafe outputs and enforce strict safety policies prior to authorizing any write operations within the application environment.</p><div class="ai-insight"><p>Implementing NeMo Guardrails allows organizations to strike a balance between strict safety compliance and operational efficiency. Decoupling rule-based checks from core AI processing reduces unnecessary computational overhead, while tracking tools ensure policies can be fine-tuned effectively.</p></div><p>The design's effectiveness was thoroughly validated through multi-turn execution, rail tracing, token measurements, and coverage probes, providing developers with clear insights into both security efficacy and production runtime costs.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=www.marktechpost.com&sz=64" alt="MarkTechPost" class="source-logo" width="16" height="16" /> <a href="https://www.marktechpost.com/2026/08/22/the-developers-guide-to-nemo-guardrails-for-enterprise-ai-safety/" target="_blank" rel="noopener noreferrer">MarkTechPost</a></p>

medium_คู่มือพัฒนา-nemo-guardrails-สำหรับความปลอดภัย-ai-องค์กร-mt5cgwlj.jpg

small_คู่มือพัฒนา-nemo-guardrails-สำหรับความปลอดภัย-ai-องค์กร-mt5cgwlj.jpg

thumbnail_คู่มือพัฒนา-nemo-guardrails-สำหรับความปลอดภัย-ai-องค์กร-mt5cgwlj.jpg

คู่มือพัฒนา-nemo-guardrails-สำหรับความปลอดภัย-ai-องค์กร-mt5cgwlj.jpg

เรียนรู้การใช้ NeMo Guardrails เพื่อสร้างระบบความปลอดภัย AI แบบหลายชั้น ตรวจสอบได้ และควบคุมต้นทุนการดำเนินงานในแอปพลิเคชันจริง

Explore how NeMo Guardrails enables layered, auditable safety architectures and manages operational costs in enterprise LLM applications.

คู่มือพัฒนา NeMo Guardrails สำหรับความปลอดภัย AI องค์กร

Developer's Guide to NeMo Guardrails for Enterprise AI

<div class="key-takeaways"><ul><li>กรุงศรี ฟินโนเวต เผยพอร์ตลงทุนช่วง 7 เดือนแรกของปี 2569 มูลค่ารวมกว่า 5,000 ล้านบาท</li><li>เข้าลงทุนใน 3 สตาร์ตอัประดับโลก ได้แก่ Alpaca, Qoala และ Whale ผ่านกองทุน Finnoventure</li><li>มุ่งเน้นเทคโนโลยีโครงสร้างพื้นฐาน FinTech, InsurTech และ Enterprise AI ที่เปลี่ยนโครงสร้างธุรกิจ</li></ul></div><p>กรุงศรี ฟินโนเวต Corporate Venture Capital ในเครือกรุงศรี เปิดเผยภาพรวมการลงทุนในช่วง 7 เดือนแรกของปี 2569 โดยได้เข้าลงทุนใน 3 สตาร์ตอัปต่างประเทศ ประกอบด้วย Alpaca, Qoala และ Whale ครอบคลุมธุรกิจ FinTech, InsurTech และ Enterprise AI ซึ่งสะท้อนทิศทางการลงทุนในเทคโนโลยีที่กำลังปรับเปลี่ยนโครงสร้างการบริการทางการเงิน</p><p>การลงทุนทั้ง 3 ดีลนี้ ดำเนินการผ่านกองทุนฟินโนเวนเจอร์ ไพรเวท อิควิตี้ ทรัสต์ (Finnoventure Private Equity Trust I) ซึ่งตั้งแต่ปี 2564 ได้ลงทุนในสตาร์ตอัปไปแล้ว 20 แห่ง และกรุงศรี ฟินโนเวตยังมีแผนที่จะลงทุนเพิ่มเติมอย่างต่อเนื่องภายในปีนี้</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/3_ai_fintech_msxhjia1_inline_1_1077232742.jpg" alt="global artificial intelligence technology data center server" loading="lazy" /><p class="color-gray-500 text-sm mt-10">ภาพประกอบจากคลังภาพสต็อก ไม่ใช่ภาพจากเหตุการณ์จริง</p></div><p>สำหรับรายชื่อสตาร์ตอัปทั้ง 3 แห่ง มีรายละเอียดที่น่าสนใจดังนี้:</p><ul><li><strong>Alpaca (AlpacaDB, Incorp):</strong> สตาร์ตอัปจากสหรัฐอเมริกา ผู้พัฒนาแพลตฟอร์มบริหารความมั่งคั่งและแลกเปลี่ยนเงินตราต่างประเทศ โดดเด่นด้วยโมเดล Brokerage-as-a-Service ที่เปิดให้สถาบันการเงินเชื่อมต่อ API ซื้อขายหลักทรัพย์</li><li><strong>Qoala (Qoala Technology PTE LTD):</strong> สตาร์ตอัป InsurTech จากสิงคโปร์ ให้บริการลูกค้าในหลายประเทศอาเซียนรวมถึงประเทศไทย ช่วยเพิ่มสินทรัพย์ในพอร์ตที่เชื่อมกับโครงสร้างพื้นฐานดิจิทัลประกันภัย</li><li><strong>Whale (Whale Technologies Limited):</strong> ดีลล่าสุดที่ปิดในเดือนกรกฎาคม พัฒนาแพลตฟอร์ม Enterprise AI วิเคราะห์ภาพ เสียง และพฤติกรรมลูกค้าแบบเรียลไทม์เพื่อยกระดับประสบการณ์ลูกค้า</li></ul><div class="stat-row"><div class="stat-item"><span class="stat-number">5,000 ลบ.</span><span class="stat-label">มูลค่าพอร์ตการลงทุนปัจจุบัน</span></div><div class="stat-item"><span class="stat-number">30+</span><span class="stat-label">จำนวนสตาร์ตอัปในพอร์ต</span></div><div class="stat-item"><span class="stat-number">4</span><span class="stat-label">จำนวนสตาร์ตอัประดับยูนิคอร์น</span></div></div><p>ปาลิดา อธิศพงศ์ รักษาการกรรมการผู้จัดการ บริษัท กรุงศรี ฟินโนเวต จำกัด ระบุถึงเหตุผลในการลงทุนว่า Whale มีศักยภาพเป็นแพลตฟอร์ม AI ระดับองค์กรที่รองรับผลิตภัณฑ์ครบวงจรและเชื่อมต่อหลายช่องทางตลอดเส้นทางลูกค้า ในขณะที่ Alpaca และ Qoala ช่วยสร้างโครงสร้างพื้นฐานดิจิทัลที่รองรับพฤติกรรมผู้บริโภคที่ซับซ้อนขึ้น</p><blockquote class="pull-quote"><p>"Whale มีศักยภาพเป็นแพลตฟอร์ม AI ระดับองค์กรที่รองรับผลิตภัณฑ์แบบครบวงจรและเชื่อมต่อหลายช่องทางได้ตลอดเส้นทางประสบการณ์ของลูกค้า"</p><cite>ปาลิดา อธิศพงศ์</cite></blockquote><div class="ai-insight"><p>การเคลื่อนไหวของ กรุงศรี ฟินโนเวต สะท้อนกลยุทธ์ Corporate Venture Capital (CVC) ยุคใหม่ที่ไม่เพียงมองหาผลตอบแทนทางการเงิน แต่ยังมุ่งเน้นการดึงเทคโนโลยีระดับโลกเข้ามาผสานกับระบบนิเวศ (Ecosystem) ของธนาคารในประเทศ เพื่อเตรียมรับมือกับการแข่งขันด้านดิจิทัลแบงก์กิ้งที่รวดเร็วและซับซ้อนยิ่งขึ้นในภูมิภาคอาเซียน</p></div><p>ปัจจุบันพอร์ตการลงทุนของกรุงศรี ฟินโนเวต มีมูลค่าประมาณ 5,000 ล้านบาท หรือ 150 ล้านดอลลาร์สหรัฐ ครอบคลุมสตาร์ตอัปมากกว่า 30 แห่ง ทั้งในไทย อาเซียน และตลาดต่างประเทศ โดยมีสตาร์ตอัประดับยูนิคอร์นถึง 4 แห่ง ซึ่งการเพิ่ม Alpaca, Qoala และ Whale เข้ามาในพอร์ตถือเป็นอีกก้าวสำคัญในการขยายสู่เทคโนโลยีระดับโลกพร้อมเชื่อมโยงกลับมายังธุรกิจในภูมิภาค</p><p class="source-attribution">ที่มา: <img src="https://www.google.com/s2/favicons?domain=techsauce.co&sz=64" alt="Techsauce" class="source-logo" width="16" height="16" /> <a href="https://techsauce.co/news/krungsri-finnovate-invests-alpaca-qoala-whale-2026" target="_blank" rel="noopener noreferrer">Techsauce</a></p>

<div class="key-takeaways"><ul><li>Krungsri Finnovate reports an investment portfolio valued at over 5 billion Baht in the first 7 months of 2026.</li><li>Invested in three global startups: Alpaca, Qoala, and Whale via the Finnoventure Private Equity Trust.</li><li>Focuses on FinTech, InsurTech, and Enterprise AI infrastructure driving structural business changes.</li></ul></div><p>Krungsri Finnovate, the corporate venture capital arm of Krungsri, revealed its investment portfolio performance for the first seven months of 2026, announcing investments in three international startups: Alpaca, Qoala, and Whale. These investments span FinTech, InsurTech, and Enterprise AI, highlighting a strategic focus on technologies transforming financial and business services.</p><p>All three investments were executed through the Finnoventure Private Equity Trust I, which has already backed 20 startups since 2021. Krungsri Finnovate has also indicated plans for additional investments within the remainder of the year.</p><div class="mb-20"><img class="img-bdrd-16" src="https://api.inewgen.co/uploads/3_ai_fintech_msxhjia1_inline_1_1077232742.jpg" alt="global artificial intelligence technology data center server" loading="lazy" /><p class="color-gray-500 text-sm mt-10">Stock photo for illustration only, not from the actual event</p></div><p>The three newly added startups feature distinct technological strengths:</p><ul><li><strong>Alpaca (AlpacaDB, Incorp):</strong> A US-based startup developing wealth management and FX platforms, featuring a Brokerage-as-a-Service model that allows financial institutions to integrate API securities trading.</li><li><strong>Qoala (Qoala Technology PTE LTD):</strong> A Singaporean InsurTech startup serving customers across several ASEAN nations, including Thailand, expanding the portfolio's integration with regional digital insurance infrastructure.</li><li><strong>Whale (Whale Technologies Limited):</strong> The latest deal closed in July, developing an Enterprise AI platform that uses real-time image, audio, and customer behavior analytics to optimize customer experience and cross-channel operations.</li></ul><div class="stat-row"><div class="stat-item"><span class="stat-number">5B THB</span><span class="stat-label">Current Portfolio Value</span></div><div class="stat-item"><span class="stat-number">30+</span><span class="stat-label">Startups in Portfolio</span></div><div class="stat-item"><span class="stat-number">4</span><span class="stat-label">Unicorn Startups</span></div></div><p>Palida Atisapong, Acting Managing Director of Krungsri Finnovate Co., Ltd., stated that Whale possesses strong potential as an enterprise-grade AI platform supporting comprehensive products and multi-channel integration. Meanwhile, Alpaca and Qoala build digital infrastructure that helps financial institutions adapt to increasingly complex consumer behaviors.</p><blockquote class="pull-quote"><p>"Whale has the potential to be an enterprise AI platform that supports comprehensive products and connects multiple channels throughout the customer experience journey."</p><cite>Palida Atisapong</cite></blockquote><div class="ai-insight"><p>Krungsri Finnovate's latest moves highlight a modern Corporate Venture Capital (CVC) strategy that goes beyond financial returns. By integrating global technologies into the local banking ecosystem, the firm aims to strengthen its competitive edge and better navigate the fast-paced digital banking landscape across Southeast Asia.</p></div><p>Currently, Krungsri Finnovate's investment portfolio is valued at approximately 5 billion Baht or 150 million US Dollars, covering over 30 startups in Thailand, ASEAN, and international markets, including 4 unicorns. Adding Alpaca, Qoala, and Whale marks another major milestone in expanding toward global technologies while building bridges back to regional businesses.</p><p class="source-attribution">Source: <img src="https://www.google.com/s2/favicons?domain=techsauce.co&sz=64" alt="Techsauce" class="source-logo" width="16" height="16" /> <a href="https://techsauce.co/news/krungsri-finnovate-invests-alpaca-qoala-whale-2026" target="_blank" rel="noopener noreferrer">Techsauce</a></p>

medium_กรุงศรี-ฟินโนเวต-ลงทุน-3-สตาร์ตอัปโลก-ลุย-ai-และ-fintech-msxhjia1.jpg

small_กรุงศรี-ฟินโนเวต-ลงทุน-3-สตาร์ตอัปโลก-ลุย-ai-และ-fintech-msxhjia1.jpg

thumbnail_กรุงศรี-ฟินโนเวต-ลงทุน-3-สตาร์ตอัปโลก-ลุย-ai-และ-fintech-msxhjia1.jpg

กรุงศรี-ฟินโนเวต-ลงทุน-3-สตาร์ตอัปโลก-ลุย-ai-และ-fintech-msxhjia1.jpg

กรุงศรี ฟินโนเวต เผยพอร์ตลงทุน 7 เดือนแรกปี 2569 มูลค่า 5,000 ล้านบาท รุกหนุน Alpaca, Qoala และ Whale ผ่านกองทุน Finnoventure

Krungsri Finnovate reveals its 5 billion Baht investment portfolio for early 2026, backing Alpaca, Qoala, and Whale.

กรุงศรี ฟินโนเวต ลงทุน 3 สตาร์ตอัปโลก ลุย AI และ FinTech

Krungsri Finnovate Invests in 3 Global Tech Startups

Inewgen

Inewgen

#Enterprise AI

SCB 10X 2026: 6 บทเรียนเปลี่ยนผ่านองค์กรสู่ยุค AI

Inewgen

M&T Bank ขยายการใช้ AI สู่พนักงานกว่า 15,000 คน

Inewgen

AI Operating Model: ทำไมการสเกล AI ถึงเป็นเรื่องการจัดการองค์กร

Inewgen

TechCrunch Disrupt 2026: Anthropic และ OpenAI เตรียมขึ้นเวที AI

Inewgen

คู่มือพัฒนา NeMo Guardrails สำหรับความปลอดภัย AI องค์กร

Inewgen

กรุงศรี ฟินโนเวต ลงทุน 3 สตาร์ตอัปโลก ลุย AI และ FinTech

Inewgen