AI กำลังเข้ามามีบทบาทในบริการทางการเงิน ตั้งแต่การตอบคำถามลูกค้า การจัดการเอกสาร การสนับสนุนงานปฏิบัติการ ไปจนถึงการวิเคราะห์ความเสี่ยง ความสามารถเหล่านี้เปิดโอกาสให้สถาบันการเงินลดระยะเวลาทำงานและพัฒนาบริการที่ตอบโจทย์ลูกค้าได้ดีขึ้น
แต่เมื่อ AI เข้าใกล้ข้อมูลสำคัญและการตัดสินใจที่มีผลต่อเงิน สิทธิ์ หรือโอกาสของลูกค้ามากขึ้น ความคาดหวังต่อความถูกต้อง ความเป็นธรรม และความรับผิดชอบก็เพิ่มขึ้นตามไปด้วย
คำถามสำหรับผู้นำจึงอยู่ที่ว่า สถาบันการเงินจะสร้าง Innovation พร้อมรักษา Trust ได้อย่างไร เมื่อ AI มีส่วนต่อ Financial Decision มากขึ้น?
Financial Stability Board (FSB) ระบุว่า AI สามารถสร้างประโยชน์ให้ภาคการเงิน แต่ก็อาจเพิ่มความเปราะบางจากการพึ่งพาผู้ให้บริการภายนอก ความเสี่ยงไซเบอร์ ความเสี่ยงของโมเดล และคุณภาพข้อมูล ประเด็นเหล่านี้ทำให้การนำ AI มาใช้ต้องเชื่อมโยงกับการบริหารความเสี่ยงขององค์กรตั้งแต่ต้น
การกำกับดูแลควรเริ่มจากการเข้าใจว่า AI มีบทบาทอยู่ตรงไหนในกระบวนการตัดสินใจ การช่วยค้นข้อมูลผลิตภัณฑ์ การสรุปเอกสารเพื่อให้เจ้าหน้าที่พิจารณา และการกำหนดวงเงินให้ลูกค้า มีลักษณะผลกระทบต่างกัน จึงควรมีระดับการควบคุมที่เหมาะกับแต่ละกรณี
แม้ระบบจะทำหน้าที่เพียง “ให้คำแนะนำ” ผลลัพธ์ก็อาจมีอิทธิพลต่อการตัดสินใจจริงได้ หากผู้ใช้งานเชื่อถือคำตอบโดยไม่ได้ตรวจสอบ ความเสี่ยงจึงต้องประเมินจากวิธีนำ AI ไปใช้และผลกระทบปลายทาง ควบคู่กับความสามารถของตัวโมเดล
ลองพิจารณาสถานการณ์สมมติที่เจ้าหน้าที่ใช้ Generative AI สรุปข้อมูลประกอบการพิจารณาสินเชื่อ หากระบบอ่านตัวเลขผิด ละเลยเงื่อนไขสำคัญ หรือสร้างข้อสรุปที่ไม่มีหลักฐานรองรับ ความคลาดเคลื่อนอาจส่งต่อไปยังการพิจารณาของมนุษย์ได้ แม้ AI จะไม่มีอำนาจอนุมัติสินเชื่อเองก็ตาม
สำหรับ CIO, CISO และผู้บริหารสถาบันการเงิน การออกแบบ AI Governance จึงควรครอบคลุมห้ามิติสำคัญ
- กำหนดขอบเขตการใช้งานตามผลกระทบ ระบุให้ชัดว่า AI ใช้เพื่อให้ข้อมูล วิเคราะห์ เสนอทางเลือก หรือดำเนินการ และผลลัพธ์มีผลต่อลูกค้าหรือองค์กรอย่างไร งานที่มีผลกระทบสูงควรมีเกณฑ์อนุมัติ การทดสอบ และการติดตามที่เข้มข้นขึ้น พร้อมกำหนดกรณีที่ระบบต้องส่งต่อให้ผู้มีอำนาจพิจารณา ขอบเขตนี้ควรถูกทบทวนเมื่อมีการนำระบบเดิมไปใช้กับงานใหม่ เพิ่มข้อมูล หรือขยายสิทธิ์ให้ AI ลงมือทำงานได้มากขึ้น
- ทดสอบคุณภาพโมเดลและผลลัพธ์ในบริบทจริง การทดสอบควรครอบคลุมความถูกต้อง ความสม่ำเสมอ ข้อจำกัด และผลลัพธ์ต่อกลุ่มลูกค้าที่เกี่ยวข้อง สำหรับ Generative AI ควรตรวจสอบความเสี่ยงจากข้อมูลที่สร้างขึ้นโดยไม่มีหลักฐาน ส่วนโมเดลวิเคราะห์ความเสี่ยงควรประเมินความเหมาะสมของข้อมูลและสมมติฐานที่ใช้ หลังเปิดใช้งาน ต้องติดตามว่าคุณภาพเปลี่ยนไปหรือไม่เมื่อพฤติกรรมลูกค้า ภาวะเศรษฐกิจ หรือข้อมูลนำเข้าเปลี่ยนแปลง FINMA หน่วยงานกำกับตลาดการเงินของสวิตเซอร์แลนด์ ระบุว่าความถูกต้อง ความทนทาน ความสามารถในการอธิบาย และอคติของโมเดล เป็นประเด็นความเสี่ยงที่ควรได้รับการประเมินและติดตาม
- คุ้มครองข้อมูลตลอดกระบวนการใช้ AI สถาบันการเงินควรทราบว่าข้อมูลใดถูกนำเข้าสู่ระบบ ใครเข้าถึงได้ ถูกจัดเก็บไว้นานเพียงใด และผู้ให้บริการสามารถนำไปใช้ต่อภายใต้เงื่อนไขใด การควบคุมต้องครอบคลุมทั้งข้อมูลนำเข้า ผลลัพธ์ เอกสารที่ระบบค้นคืน และบันทึกการใช้งาน ควรใช้ข้อมูลเท่าที่จำเป็น แยกสิทธิ์ตามหน้าที่ และจัดสภาพแวดล้อมทดสอบให้เหมาะสม โดยเฉพาะเมื่อเกี่ยวข้องกับข้อมูลลูกค้า ธุรกรรม หรือข้อมูลภายในที่มีความอ่อนไหว
- กำหนด Accountability และการทบทวนโดยมนุษย์ให้ชัดเจน แต่ละกรณีใช้งานควรมีเจ้าของกระบวนการ ผู้รับผิดชอบความเสี่ยง และผู้มีอำนาจอนุมัติ พร้อมระบุว่าใครต้องแก้ไขเมื่อผลลัพธ์ผิดพลาดหรือกระทบลูกค้า การทบทวนโดยมนุษย์ต้องมีข้อมูลและเวลาที่เพียงพอ ผู้ตรวจสอบควรเห็นแหล่งข้อมูล ข้อจำกัด และเหตุผลประกอบที่ตรวจสอบได้ รวมถึงสามารถปฏิเสธหรือแก้ไขข้อเสนอของ AI ได้จริง องค์กรควรมีช่องทางให้ลูกค้าสอบถามหรือขอทบทวนผลที่กระทบตนเองตามลักษณะบริการด้วย
- เชื่อม Cyber Risk กับความต่อเนื่องของบริการ เมื่อ AI เชื่อมต่อกับฐานข้อมูลหรือระบบธุรกรรม การรักษาความปลอดภัยต้องครอบคลุมบัญชี สิทธิ์ เครื่องมือ และการส่งข้อมูลระหว่างระบบ หากเป็น Agentic AI ควรกำหนดขอบเขตการกระทำ วงเงิน และเงื่อนไขอนุมัติ โดยมีระบบปลายทางบังคับใช้ข้อจำกัดเหล่านั้น องค์กรยังควรเตรียมวิธีหยุดการทำงาน เพิกถอนสิทธิ์ และใช้กระบวนการสำรองเมื่อ AI หรือผู้ให้บริการขัดข้อง เพื่อรักษาบริการสำคัญและจำกัดผลกระทบต่อลูกค้า
การนำแนวทางเหล่านี้ไปใช้ต้องอาศัยความร่วมมือระหว่างธุรกิจ IT, Model Risk, Compliance, Privacy และ Cybersecurity โดยมีผู้บริหารกำหนดทิศทางและทรัพยากร ส่วน Internal Audit ประเมินการกำกับดูแลอย่างเป็นอิสระตามบทบาทของตน
เพื่อสนับสนุนนวัตกรรม สถาบันการเงินสามารถจัดกระบวนการทดลองที่มีขอบเขตชัดเจน กำหนดข้อมูลที่ใช้ได้ ตัวชี้วัดความสำเร็จ เกณฑ์หยุดทดลอง และเงื่อนไขก่อนขยายสู่การใช้งานจริง วิธีนี้ช่วยให้ทีมพัฒนาเรียนรู้ได้เร็ว พร้อมสร้างหลักฐานว่าระบบเหมาะสมกับงานที่ได้รับมอบหมาย
การวัดผลควรครอบคลุมทั้งประโยชน์และผลกระทบ เช่น เวลาที่ลดลง ความถูกต้องของผลลัพธ์ ข้อร้องเรียน เหตุการณ์ข้อมูลรั่วไหล และความสามารถในการกู้คืนบริการ เพื่อให้ผู้บริหารเห็นคุณค่าของ AI ควบคู่กับความเสี่ยงที่ต้องบริหาร
Trust ในบริการทางการเงินเกิดจากความสามารถในการให้บริการอย่างถูกต้อง ปลอดภัย และรับผิดชอบต่อผลลัพธ์ AI Governance ที่ทำงานได้จริงจึงช่วยให้สถาบันการเงินขยายการใช้นวัตกรรมบนพื้นฐานที่ตรวจสอบและปรับปรุงได้
CDIC 2026 ชวนผู้นำองค์กรร่วมสำรวจ AI Governance, AI Risk Management และ Agentic Security ภายใต้ธีม Cyber Dominance in the Age of Agentic AI เพื่อเชื่อมโอกาสจากเทคโนโลยีเข้ากับความมั่นคงปลอดภัยและ Digital Trus
ร่วมแลกเปลี่ยนมุมมองและเตรียมความพร้อมไปด้วยกันในงาน The 25th Cyber Defense Initiative Conference — CDIC 2026 วันที่ 25–26 พฤศจิกายน 2569 ณ Grand Hall, BITEC บางนา กรุงเทพฯ
