Copilot สร้างรายงานได้ แต่ตั้งคำถามที่ถูกต้องไม่ได้
ภาพจำลองโดยใช้ปัญญาประดิษฐ์ (AI)
ตลอดยี่สิบห้าปีที่ผ่านมา ผมเห็นงาน BI เร็วขึ้นเรื่อย ๆ ทุกไม่กี่ปีจะมีเวอร์ชันใหม่ที่สัญญาว่าจะลดเวลาการสร้างลงครึ่งหนึ่ง แต่โครงการที่ล้มเหลวก็ยังล้มเหลวด้วยเหตุผลเดิมทุกครั้ง
คราวนี้คำสัญญายิ่งใหญ่กว่าเดิม
เมื่อเดือนมีนาคม 2026 Microsoft สาธิตให้เห็นว่า Copilot ตรวจไฟล์ Power BI แล้วเขียนแผนปรับประสิทธิภาพยาว 20 หน้าได้ภายในไม่ถึง 20 นาที ขณะที่ Microsoft ประเมินว่างานตรวจแบบเดียวกันนี้ หากทำด้วยมือต้องใช้เวลา 16 ถึง 40 ชั่วโมง
ผมให้น้ำหนักกับคำกล่าวอ้างนี้อย่างจริงจัง สำหรับงานลักษณะนี้ มันใกล้เคียงความจริงแล้ว และจะยิ่งใกล้ขึ้นทุกครั้งที่มีเวอร์ชันใหม่ออกมา
หากท่านสร้างรายงาน Power BI ท่านคงสัมผัสได้ถึงคำถามที่ซ่อนอยู่เบื้องหลัง ลูกค้าถามว่าทำไมยังต้องจ้างท่าน ในเมื่อมี Copilot แล้ว ผู้จัดการถามว่าทำไมโครงการถัดไปต้องใช้เวลาถึงแปดสัปดาห์
ลองดูว่าในการสาธิตครั้งนั้น Copilot ทำอะไรบ้าง มันอ่านโมเดลที่มีอยู่แล้ว แล้วชี้ให้เห็น measure ที่ทำงานช้า คอลัมน์ที่ใหญ่เกินจำเป็น และการรีเฟรชที่หนักเกินไป
ทุกข้อเป็นคำถามว่าสิ่งนั้นสร้างมาอย่างไร ไม่มีข้อไหนถามเลยว่า ควรสร้างสิ่งนั้นตั้งแต่แรกหรือเปล่า
สัปดาห์ที่ยากที่สุดในโครงการ BI ของท่าน ไม่เคยเป็นเรื่อง DAX แต่เป็นสัปดาห์ที่ต้องค่อย ๆ เรียนรู้ว่าคำว่า "รายได้" มีความหมายต่างกันถึงสามแบบในสามแผนก หรือเป็นรายงานที่ส่งมอบตรงตามสเปกทุกข้อ แต่ไม่มีใครเปิดดูอีกเลยหลังเดือนที่สอง
Copilot ไม่ได้อยู่ในห้องเหล่านั้นเลยสักห้อง มันตอบคำถามที่ได้รับมา และไม่มีทางรู้ได้ว่าคำถามนั้นผิดมาตั้งแต่ต้น
ความแตกต่างข้อนี้สำคัญสำหรับทุกคนที่ลงทุนในโครงการ BI การลงมือสร้างเปลี่ยนความต้องการที่ชัดเจนให้กลายเป็นโมเดลที่ใช้งานได้ ส่วนการค้นพบความต้องการ เป็นการหาให้เจอว่าความต้องการที่ชัดเจนนั้นหน้าตาเป็นอย่างไร
งานค้นพบความต้องการยังต้องอาศัยคน ต้องมีใครสักคนฟังสิ่งที่พูดกันในห้อง และสังเกตสิ่งที่ทุกคนเลี่ยงไม่พูดถึง จากนั้นองค์กรจึงต้องตกลงกันให้ได้ว่า จะยึดความจริงฉบับไหนเป็นฉบับเดียว
การสร้างที่เร็วขึ้น ทำให้ความต้องการที่ผิดยิ่งต้องจ่ายแพงขึ้น ไม่ใช่น้อยลง ท่านจะไปถึงรายงานที่ผิดเร็วกว่าเดิม และโมเดลก็สะอาดเรียบร้อยจนไม่มีใครนึกสงสัยคำถามที่อยู่เบื้องหลัง
เราทุกคนเคยเห็นสิ่งที่เกิดขึ้นต่อจากนั้น รายงานถูกต้อง ตัวเลขกระทบยอดตรงกัน แต่ธุรกิจก็ยังตัดสินใจกันใน Excel อยู่ดี นั่นไม่เคยเป็นปัญหาของการสร้าง เครื่องมือช่วยสร้างตัวไหนจึงแก้ไม่ได้
แล้วนักพัฒนา BI จะยืนอยู่ตรงไหน ผมมองว่าอยู่ในจุดที่แข็งแรงกว่าที่พาดหัวข่าวบอกไว้ ตราบใดที่ท่านขยับตามไปยังจุดที่คุณค่าย้ายไปอยู่
หากขอบเขตงานของท่านมีแค่การสร้าง Copilot ทุกเวอร์ชันใหม่จะทำให้งานนั้นหดเล็กลง แต่หากขอบเขตงานเริ่มจากการค้นพบความต้องการแล้วจึงตามด้วยการสร้าง Copilot จะกลายเป็นนักพัฒนารุ่นน้องที่ทำงานเร็วที่สุดของท่าน
มันเขียน DAX ให้ ส่วนท่านเป็นคนตัดสินว่าตัวเลขไหนควรค่าแก่การเขียน DAX ตั้งแต่แรก
หากท่านเป็นผู้ตัดสินใจลงทุนในโครงการ BI วันนี้ผู้ให้บริการบางรายเสนอชั่วโมงงานสร้างที่น้อยลง เพราะ Copilot เขียนโค้ดให้ ลองถามว่ามีกี่ชั่วโมงที่ใช้ไปกับการหาว่าควรสร้างอะไร หากคำตอบคือ "ลูกค้าเป็นคนให้ความต้องการมาเอง" โครงการนั้นก็เป็นเส้นทางด่วนไปสู่รายงานที่ไม่มีใครใช้
ที่ WizEmp เราใช้ AI ทั้งสองฝั่งของเส้นแบ่งนี้ โดยมีคนเป็นผู้ตัดสินใจ Wit กระบวนการค้นหาข้อมูลเชิงลึกอัจฉริยะที่ขับเคลื่อนด้วย AI ของ WizEmp ช่วยวางโครงสร้างการพูดคุยกับผู้มีส่วนได้ส่วนเสียทุกคน
คนเป็นผู้นำการพูดคุยในห้อง คลี่คลายความขัดแย้ง และยืนยันว่าตัวเลขแต่ละตัวหมายถึงอะไร จากนั้นการสร้างจึงเริ่มจากข้อกำหนดที่ควรค่าแก่การสร้าง และการพัฒนาที่มี AI ช่วยก็ทำให้งานเสร็จได้รวดเร็ว
คูเมืองของงาน BI ไม่เคยอยู่ที่โค้ด แต่อยู่ที่การรู้ว่าควรสร้างอะไร Copilot แค่ทำให้เรื่องนี้เห็นได้ชัดขึ้น
Microsoft ระบุว่า Copilot ย่นงานตรวจปรับประสิทธิภาพ Power BI ที่เคยใช้ 16 ถึง 40 ชั่วโมง ให้เหลือไม่ถึง 20 นาที สำหรับงานลงมือสร้าง ทิศทางนี้เป็นเรื่องจริง แต่สำหรับงานค้นพบความต้องการ ยังไม่มีอะไรเทียบได้ การเข้าใจว่าองค์กรต้องการอะไร และการได้ยินความต้องการที่ไม่มีใครพูดออกมา ยังต้องอาศัยคน หากโครงการ BI ครั้งถัดไปของท่านกำหนดขอบเขตเป็นงานสร้าง AI จะกินกำไรของท่าน แต่หากกำหนดขอบเขตโดยเริ่มจากการค้นพบความต้องการ ท่านจะเป็นเจ้าของส่วนที่ไม่มีโมเดลภาษาใดเอื้อมถึง → เริ่มจากการค้นพบความต้องการ
เริ่มจากการค้นพบความต้องการก่อน
Copilot ช่วยย่นเวลาการสร้าง แต่ไม่ได้ตัดสินแทนท่านว่าควรสร้างอะไร การพูดคุยแบบมีโครงสร้างเพียงครั้งเดียว ช่วยให้รู้ว่าองค์กรของท่านต้องการอะไรจากโครงการ BI ครั้งถัดไป ก่อนจะเขียน measure ตัวแรก การสร้างที่เร็วขึ้นจึงมุ่งไปในทิศทางที่ถูกต้อง
นัด Discovery Call 30 นาทีคำถามที่พบบ่อย
Copilot มาแทนที่ที่ปรึกษา Power BI ได้หรือไม่
ในงานลงมือสร้าง Copilot รับงานไปได้มากขึ้นเรื่อย ๆ แล้ว ทั้งการเขียน DAX การเสนอแนวทางปรับประสิทธิภาพโมเดล และการร่างหน้ารายงาน การสาธิตของ Microsoft เองระบุว่างานตรวจปรับประสิทธิภาพใช้เวลาไม่ถึง 20 นาที เทียบกับ 16 ถึง 40 ชั่วโมงหากทำด้วยมือ งานค้นพบความต้องการเป็นอีกเรื่องหนึ่ง การตกลงว่าองค์กรต้องการอะไร และนิยามแบบไหนที่ทุกแผนกยอมรับ ต้องอาศัยคนและบริบท ซึ่งโมเดลภาษาไม่มีทั้งสองอย่าง
Copilot ใน Power BI ทำอะไรได้ดี
Copilot ทำงานได้เร็วที่สุดกับโมเดลที่มีอยู่แล้ว หรือกับความต้องการที่ชัดเจนแล้ว งานที่เหมาะ เช่น การเขียนและอธิบาย DAX การหา measure ที่ช้าและคอลัมน์ที่ใหญ่เกินจำเป็น และการสรุปเนื้อหาในหน้ารายงาน แต่ผลลัพธ์ก็ยังต้องมีนักพัฒนาคอยตรวจว่าตรงกับสิ่งที่ธุรกิจหมายถึงจริงหรือไม่
ทำไม AI จึงทำให้การค้นพบความต้องการในงาน BI ยิ่งสำคัญขึ้น
การสร้างที่เร็วขึ้น ทำให้ระยะห่างระหว่างความต้องการที่ผิดกับรายงานที่ผิดซึ่งสร้างเสร็จแล้วสั้นลง สมัยที่การสร้างใช้เวลาแปดสัปดาห์ มักมีใครสักคนจับความเข้าใจผิดได้ระหว่างทาง แต่เมื่อใช้เวลาเพียงไม่กี่วัน ความผิดพลาดก็ไปถึงมือผู้ใช้ก่อนที่ใครจะทันตั้งคำถาม ยิ่งลงมือสร้างได้เร็วเท่าไร การตั้งคำถามให้ถูกตั้งแต่แรกก็ยิ่งมีคุณค่ามากขึ้นเท่านั้น
นักพัฒนา BI ควรวางตำแหน่งงานของตัวเองอย่างไร เมื่อ Copilot เก่งขึ้นเรื่อย ๆ
กำหนดขอบเขตงานเป็นการค้นพบความต้องการแล้วตามด้วยการสร้างเสมอ อย่ารับงานที่มีแค่การสร้าง มอง Copilot เป็นนักพัฒนารุ่นน้องที่ทำงานเร็ว ซึ่งจะเขียนโค้ดให้หลังจากท่านตัดสินแล้วว่าอะไรควรค่าแก่การสร้าง ทักษะที่มีค่ามากขึ้นคือการตั้งคำถามกับความต้องการ และการทำให้แต่ละแผนกตกลงนิยามร่วมกันได้ ส่วนการตัดสินว่าผลลัพธ์จาก AI ตรงกับเจตนาของธุรกิจหรือไม่ ก็ยิ่งสำคัญขึ้นทุกปี