AI ในภาคการเงินปี 2026: 80% ใช้แล้ว แต่แค่ 40% เห็นกำไรเพิ่ม — ช่องว่างที่คนทำ Model Risk ต้องอุด
รายงาน AI ในภาคการเงินระดับโลกของ Cambridge (CCAF) สำรวจ 628 องค์กรใน 151 เขตอำนาจศาล พบว่าใช้ AI กันเกิน 80% แต่วัดคุณค่าไม่ได้ — มุมที่คนทำ risk/data ต้องอ่าน
AI ในภาคการเงินปี 2026: 80% ใช้แล้ว แต่แค่ 40% เห็นกำไรเพิ่ม — ช่องว่างที่คนทำ Model Risk ต้องอุด
รายงาน AI ในภาคการเงินระดับโลกของ Cambridge (CCAF) สำรวจ 628 องค์กรใน 151 เขตอำนาจศาล พบว่าใช้ AI กันเกิน 80% แต่วัดคุณค่าไม่ได้ — มุมที่คนทำ risk/data ต้องอ่าน
มีรายงานฉบับหนึ่งที่ผมคิดว่าคนทำสาย data/risk การเงินควรอ่านมากกว่าข่าว AI ทั่วไป — รายงาน AI ในภาคการเงินระดับโลกของ Cambridge Centre for Alternative Finance (CCAF) ที่ทำร่วมกับ World Economic Forum ออกช่วงปลายเดือนเมษายน 2026 มันไม่ได้เล่าว่า "AI มาแล้ว" แบบที่เราได้ยินจนเบื่อ แต่มันชี้ตัวเลขที่ขัดกันเองอย่างน่าสนใจ: ภาคการเงินใช้ AI กันเกินครึ่งค่อนอุตสาหกรรมแล้ว แต่ส่วนใหญ่ยัง "วัดไม่ได้" ว่ามันคุ้มจริงไหม ช่องว่างระหว่างการ "ใช้" กับการ "ได้ผล" นี่แหละคือโจทย์ของคนทำ model risk
1. รายงานสำรวจใครบ้าง และพบว่าใช้ AI กันแค่ไหน
ก่อนอื่นต้องบอกว่านี่ไม่ใช่โพลเล็ก ๆ รายงานเก็บจาก "628 respondent organisations" กระจายใน "151 jurisdictions" แบ่งเป็น "203 fintechs, 149 financial incumbents, 146 AI vendors and 130 central banks" — คือมีทั้งฟินเทค ธนาคารดั้งเดิม ผู้ขายเทคโนโลยี และธนาคารกลาง/ผู้กำกับ ครบทุกฝั่งของโต๊ะ ทำให้เทียบกันได้ว่าใครนำใครตาม
ภาพรวมการใช้งานสูงจริง รายงานระบุว่า "More than 80% of financial services firms are adopting AI to some level" — คือเกิน 80% ของบริษัทการเงินใช้ AI ในระดับใดระดับหนึ่งแล้ว และที่น่าสนใจกว่าคือ agentic AI (AI ที่ลงมือทำงานเองได้ ไม่ใช่แค่แนะนำ) ก็ไม่ใช่เรื่องอนาคตอีกต่อไป — "52% are already experimenting with agentic AI" คือกว่าครึ่งเริ่มทดลอง agent กันแล้ว
ทำไมมันสำคัญกับเรา: เลข 80% แปลว่า "AI ในงานการเงิน" ไม่ใช่คำถามว่า "จะใช้ไหม" อีกต่อไป แต่เป็น "คุมยังไง" คนทำ risk ที่ยังคิดว่า AI เป็นโปรเจกต์นำร่องของทีมนวัตกรรม กำลังตกขบวน — เพราะของจริงมันกระจายเข้าไปในกระบวนการทำงานทั่วองค์กรแล้ว
2. ช่องว่างตัวจริง: ใช้เยอะ แต่ยังพิสูจน์คุณค่าไม่ได้
นี่คือหัวใจของรายงานที่ผมอยากให้ทุกคนขีดเส้นใต้ ทั้งที่ใช้กันเกิน 80% แต่ "Only 40% of respondents report increased profitability from AI, while 43% report no change" — มีแค่ 40% ที่บอกว่ากำไรเพิ่มขึ้นจริงจาก AI ขณะที่ 43% บอกว่า "ไม่เปลี่ยนอะไรเลย" พูดง่าย ๆ คือคนที่ยังไม่เห็นผลตอบแทนที่ชัดเจน มีมากกว่าคนที่เห็นด้วยซ้ำ
และเหตุผลหนึ่งที่พิสูจน์คุณค่าไม่ได้ ก็เพราะ "วัดไม่เป็น" รายงานพบว่า "76% of respondents in large financial institutions finding it hard to measure the value" — สถาบันการเงินใหญ่ถึง 76% ยอมรับว่ายากที่จะวัดคุณค่าของการนำ AI มาใช้ นี่คือปัญหาเดียวกับที่ผมเจอในงาน model validation มาตลอด: ถ้าคุณตั้ง success metric ไม่ได้ตั้งแต่ต้น คุณก็จะจบด้วยระบบที่ "รู้สึกว่าดี" แต่โชว์ตัวเลขให้บอร์ดหรือผู้ตรวจไม่ได้
ทำไมมันสำคัญกับเรา: ช่องว่าง "80% ใช้ แต่ 40% เห็นกำไร" คือปัญหา execution ไม่ใช่ปัญหาเทคโนโลยี และมันคือพื้นที่ที่คนทำ model risk มีของ — เพราะการวางกรอบวัดผล ตั้ง baseline ก่อนเริ่ม และตรวจว่าโมเดลสร้างมูลค่าจริงหรือแค่ดูดี คือทักษะเดียวกับที่เราใช้ validate โมเดลเครดิตมาหลายปี องค์กรที่อุดช่องว่างนี้ได้ก่อน จะได้เปรียบมากกว่าองค์กรที่แค่ "ซื้อ AI มาเยอะที่สุด"
3. ผู้กำกับตามหลังอุตสาหกรรมชัดเจน
อีกจุดที่รายงานตอกย้ำคือช่องว่างระหว่าง "คนเล่น" กับ "คนคุม" ในบรรดาผู้กำกับ 130 รายที่สำรวจ พบว่า "48% of the 130 regulatory authorities surveyed reporting they are 'still in the exploring' stage" — เกือบครึ่งของหน่วยงานกำกับยังอยู่แค่ขั้น "สำรวจ" หรือยังไม่ได้แตะ AI เลย ขณะที่ฝั่งอุตสาหกรรมวิ่งไปข้างหน้าแล้ว
ช่องว่างนี้ไม่ใช่เรื่องดี เพราะเมื่อผู้กำกับตามไม่ทัน สุดท้ายพอกฎมา มันมักจะมาแบบเร่งและเข้มกว่าที่ควร คนที่เตรียมตัวไว้ก่อน — ทำทะเบียนโมเดล วางกรอบ governance ตั้งแต่ยังไม่มีใครบังคับ — คือคนที่จะไม่ต้องรีบวิ่งตอนรอบตรวจถัดไป ผมเคยเขียนเรื่องนี้ไว้ในมุมการสอบทาน AI ของแบงก์แล้วว่าผู้ตรวจเริ่มถามหาหลักฐานว่า control ทำงานจริง ไม่ใช่แค่มีนโยบายบนกระดาษ
ทำไมมันสำคัญกับเรา: สำหรับตลาดไทย ธปท. ก็ออกแนวทาง AI risk management มาแล้ว และมาตรฐานสากลอย่างแนวปฏิบัติของ FSBมักเป็นต้นน้ำที่ผู้กำกับในประเทศหยิบไปปรับใช้ ช่องว่าง 48% นี้บอกเราว่า หน้าต่างเวลาที่จะ "ทำ governance ก่อนถูกบังคับ" ยังเปิดอยู่ — แต่ไม่นาน
4. ความเสี่ยงที่รายงานเตือน — และทำไมมันตรงกับงาน risk
รายงานไม่ได้มองโลกสวย มันชี้ความเสี่ยงที่คนทำ data/risk คุ้นเคยดี อย่างแรกคือคุณภาพข้อมูล — "Data availability and quality remain the leading pain point hindering AI adoption, cited by 66% of AI vendors" คือ 66% ของผู้ขายเทคโนโลยีเองยังบอกว่าข้อมูลที่มีอยู่ไม่พร้อม นี่คือบทเรียนเก่าแก่ที่สุดของสาย data: garbage in, garbage out — AI ไม่ได้ยกเว้นกฎข้อนี้
อย่างที่สองคือความเสี่ยงเชิงความปลอดภัย "48% of respondents flagging adversarial AI as a top concern" — เกือบครึ่งกังวลเรื่อง adversarial AI หรือการที่คนไม่หวังดีใช้ AI โจมตี/หลอกระบบ และอย่างที่สามที่ผมคิดว่าคนมองข้ามคือการกระจุกตัวของผู้ให้บริการโมเดล รายงานพบว่า "OpenAI the most-used foundation model provider across all groups (76% of industry and 48% of regulators)" — เมื่อ 76% ของอุตสาหกรรมพึ่งผู้ให้บริการรายเดียวกัน นั่นคือความเสี่ยงกระจุก (concentration risk) แบบคลาสสิกที่คนทำ third-party risk ต้องประเมิน
ทำไมมันสำคัญกับเรา: สามความเสี่ยงนี้ — data quality, adversarial, concentration — ไม่ใช่ของใหม่สำหรับคนทำ risk เลย มันคือกรอบเดิมที่เราใช้กับ vendor และโมเดลสถิติ เพียงแต่ย้ายมาอยู่บน AI นี่คือข่าวดีสำหรับคนสายเรา: เราไม่ต้องเริ่มจากศูนย์ เราแค่ต้องเอาเครื่องมือ governance ที่มีอยู่ มาปรับใช้กับของใหม่
5. คนทำ data/risk การเงินไทยควรทำอะไรตั้งแต่วันนี้
รายงานฉบับนี้เหมือนกระจกที่สะท้อนว่าทั้งอุตสาหกรรมอยู่ตรงไหน และสิ่งที่ผมถอดออกมาเป็นการบ้านสำหรับคนทำงานจริงมีสามข้อ
- ตั้ง metric ก่อนเริ่ม ไม่ใช่หลังเสร็จ — ถ้า 76% ขององค์กรใหญ่ยังวัดคุณค่า AI ไม่ได้ แปลว่าใครที่ตั้ง baseline + success metric ตั้งแต่วันแรกจะอยู่ในกลุ่มน้อยที่ได้เปรียบ อย่าปล่อยให้โปรเจกต์ AI จบแบบ "รู้สึกว่าดี"
- ทำทะเบียนและ governance ตอนที่ยังไม่มีใครบังคับ — ช่องว่าง 48% ของผู้กำกับคือหน้าต่างเวลา ใช้มันทำ inventory โมเดล/agent, เขียนขอบเขต และตั้งสวิตช์หยุด ก่อนที่กฎจะมาแบบเร่ง
- เอากรอบ risk เดิมมาใช้ อย่าตื่นกลัวของใหม่ — data quality, concentration, adversarial ล้วนเป็นความเสี่ยงที่สาย risk รับมือเป็นอยู่แล้ว ทักษะ validate โมเดลและประเมิน vendor คือสินทรัพย์ที่โอนมาใช้กับ AI ได้ทันที
ทำไมมันสำคัญกับเรา: จุดแข็งของคนทำ model risk ในยุคนี้ไม่ใช่การเขียน AI ให้เก่งที่สุด แต่เป็นการตอบให้ได้ว่า "มันคุ้มจริงไหม และถ้าพังจะรู้ตัวตอนไหน" — ซึ่งเป็นสิ่งที่ตัวเลขในรายงานบอกว่าคนส่วนใหญ่ยังตอบไม่ได้
ภาพรวม
รายงาน CCAF 2026 ไม่ได้บอกว่า AI ล้มเหลว มันบอกว่าอุตสาหกรรมการเงิน "ใช้เร็ว แต่ได้ผลช้า" — 80% ใช้แล้ว แต่แค่ 40% เห็นกำไรเพิ่ม และ 76% ยังวัดคุณค่าไม่ได้ ช่องว่างระหว่างการใช้กับการได้ผลนี่แหละคือพื้นที่ทำงานของคนสาย data/risk ที่รู้จักตั้งเป้า วัดผล และคุมความเสี่ยง ใครอุดช่องว่างนี้ได้ก่อน ไม่ใช่ใครซื้อ AI มาเยอะสุด คือคนที่ได้เปรียบจริง
ถ้าอยากได้ระบบทำงานจริงที่เอา AI มาช่วยงาน data/risk การเงินแบบวัดผลได้และคุมได้ — ตั้งแต่การวาง workflow, prompt, ไปจนถึง QC ที่ตรวจงาน AI ก่อนขึ้น production — ผมรวบรวมไว้ในคอร์ส Claude Code
เนื้อหานี้เพื่อการศึกษาและวิเคราะห์พร้อมอ้างอิง ไม่ใช่คำแนะนำการลงทุน