Where Tech Meets Business

หรือเป็นข้ออ้างของการไม่เปลี่ยนแปลง? คำว่า “ติด legacy system”เป็นหนึ่งในเหตุผลที่ถูกพูดถึงมากที่สุด ระบบเก่าแก้ยากเปลี่ยนยากเสี่ยงสูง ฟังดูสมเหตุสมผล แต่คำถามคือทำไมบางองค์กรที่มีข้อจำกัดเหมือนกันถึง transform ได้เร็วกว่า? บางครั้ง ปัญหาไม่ใช่ระบบ แต่คือการ “เลือก” องค์กรจำนวนมากไม่ได้ล้มเหลวเพราะเทคโนโลยี แต่ล้มเหลวเพราะไม่กล้า “ตัดสินใจ” – ไม่กล้าปิดระบบเก่า– ไม่กล้าตัด feature ที่ไม่จำเป็น– ไม่กล้าลดความซับซ้อน สุดท้ายระบบยิ่งใหญ่ขึ้นเรื่อย ๆแต่ไม่ได้ดีขึ้น Complexity คือศัตรูที่มองไม่เห็น ทุกครั้งที่เพิ่ม layer ใหม่โดยไม่ลดของเดิมออก องค์กรจะสะสม complexity และ complexity จะทำให้– การพัฒนา slow ลง– การตัดสินใจช้าลง– ความเสี่ยงเพิ่มขึ้น องค์กรที่ไปได้เร็ว ทำอะไรต่าง? พวกเขาไม่ได้มีระบบที่ “ใหม่กว่า” เสมอไป แต่พวกเขา– simplify architecture– prioritize ชัด– และยอม trade-off การ transform ไม่ได้ต้อง…

แต่มันเปลี่ยน “อำนาจ” ในธุรกิจการเงิน หลายคนมอง Open Banking เป็นแค่เรื่องเทคนิค เปิด APIเชื่อมระบบให้ third-party เข้ามาใช้ข้อมูลได้ แต่จริง ๆ แล้วมันกำลังเปลี่ยนโครงสร้างอำนาจในอุตสาหกรรมการเงิน ในอดีตธนาคารเป็นคน “ถือข้อมูล” และ “ถือความสัมพันธ์กับลูกค้า” ใครมีข้อมูลคนนั้นมีอำนาจ แต่ Open Banking ทำให้ข้อมูล “เคลื่อนที่ได้” ลูกค้าสามารถให้สิทธิ์ข้อมูลกับ platform อื่นfintech สามารถเข้าถึงข้อมูลเพื่อสร้างบริการใหม่และความสัมพันธ์กับลูกค้าเริ่มถูกแชร์ ปัญหาคือ ธนาคารอาจไม่ใช่จุดศูนย์กลางอีกต่อไป เมื่อ ecosystem เปิดขึ้นธนาคารไม่ใช่ entry point เดียวของลูกค้าอีกแล้ว ลูกค้าอาจเริ่ม journey ที่– แอปจัดการการเงิน– e-commerce platform– super app และธนาคารกลายเป็นแค่ “infrastructure” ที่อยู่เบื้องหลัง คำถามเชิงกลยุทธ์ที่สำคัญจริง ๆ ไม่ใช่“เรามี API หรือยัง?” แต่คือ เราจะอยู่ตรงไหนใน ecosystem…

ในช่วงไม่กี่ปีที่ผ่านมาAI เริ่มเข้ามามีบทบาทมากขึ้นในโลกการเงิน ตั้งแต่– robo-advisor– ระบบแนะนำการลงทุน– ไปจนถึงการวางแผนการเงินอัตโนมัติ คำถามที่มักถูกถามคือ“AI แม่นแค่ไหน?” แต่คำถามที่สำคัญกว่านั้นคือ คำแนะนำเหล่านี้ “เป็นกลาง” จริงไหม? 1. AI ไม่ได้เริ่มจากศูนย์ มันเรียนรู้จาก “ข้อมูลในอดีต” AI ไม่ได้คิดเองจากศูนย์ มันเรียนรู้จากข้อมูลและข้อมูลนั้นมาจาก “อดีต” ถ้า data มี biasAI ก็มีโอกาสสะท้อน bias นั้นออกมา เช่น– กลุ่มลูกค้าบางประเภทถูกประเมินความเสี่ยงสูงกว่า– พฤติกรรมบางแบบถูกตีความว่า “ไม่น่าเชื่อถือ” แม้ระบบจะดูเป็นกลางแต่เบื้องหลังอาจไม่เป็นแบบนั้น 2. Objective ของระบบ ไม่จำเป็นต้องตรงกับ objective ของลูกค้า AI ถูกออกแบบให้ optimize บางอย่าง เช่น– maximize return– ลดความเสี่ยง– เพิ่ม engagement แต่คำถามคือ มัน optimize เพื่อ “ใคร”? ถ้าระบบถูกออกแบบมาเพื่อเพิ่ม…