5 รูปแบบที่องค์กรระดับโลกใช้ ESG เพื่อให้ได้เปรียบการแข่งขันที่ยั่งยืน

1. หน้าหลัก 
2. Green Innovation & SD 
3. Green News 

5 รูปแบบที่องค์กรระดับโลกใช้ ESG เพื่อให้ได้เปรียบการแข่งขันที่ยั่งยืน

เผยแพร่: 20 ก.ย. 2569 23:58   ปรับปรุง: 20 ก.ย. 2569 23:58   โดย: ผู้จัดการออนไลน์

ประเด็น AI กับ ESG หลายองค์กรยังเริ่มต้นด้วยคำถามว่า “AI จะช่วยทำ Sustainability Report ได้อย่างไร?” แต่โอกาสที่ใหญ่กว่านั้นอาจอยู่ ก่อนถึงขั้นตอนการรายงานมาก Carbon ไม่ได้เกิดขึ้นใน Sustainability Report — แต่มาจากโรงงาน อาคาร การเดินทาง และ Supply Chain Waste หรือของเสีย ไม่ได้เกิดขึ้นบน Dashboard — แต่มาจาก Product Design
การผลิต การจัดซื้อ และการดำเนินงาน

ความเสี่ยงด้านมีส่วนได้ส่วนเสีย และธรรมาภิบาล ก็ไม่ได้เกิดขึ้นตอนการเขียนรายงาน ESG — แต่มาจากการตัดสินใจที่องค์กรทำทุกวัน ดังนั้น หาก AI จะเกิดผลต่อ ESG จริง จุดเปลี่ยนสำคัญจึงไม่ใช่เพียงการ “เขียนรายงานให้เร็วขึ้น” แต่คือการนำIntelligence เข้าไปอยู่ใน ข้อมูล, กระบวนการทำงาน และ การตัดสินใจ ก่อนที่ผลลัพธ์ ESG จะเกิดขึ้น

เมื่อนำมาวิเคราะห์กรณีศึกษาในอุตสาหกรรมต่างๆ ผ่านมุมมองจากหนังสือ Leading Transformation in the Age of AI: AI-Ready Enterprise Architecture เขียนโดย ดร.ณัฐพร วิรุฬหการุญ และ ธนพงศ์พรรณ ธัญญรัตตกุล ผู้ก่อตั้ง Digital Transformation Academy (DX Academy) พบว่าองค์กรชั้นนำเหล่านี้ไม่ได้เรียกชื่อโครงการของตนว่า “AI ESG Transformation” เหมือนกันทั้งหมด แต่จะเห็นรูปแบบร่วมที่น่าสนใจอย่างน้อย 5 รูปแบบ

1. จาก ESG Reporting สู่ ESG Decision Intelligence

การใช้ Generative AI ช่วยค้นข้อมูลหรือร่างรายงาน นั่นเป็นเพียงจุดเริ่มต้น หาก AI สามารถเข้าไปอยู่ในกระบวนการประเมินความเสี่ยงและช่วยให้คนตัดสินใจได้ดีขึ้น คุณค่าจะเปลี่ยนไปอย่างมาก กรณีของ DBS Bank สะท้อนทิศทางนี้ เมื่อมีการนำ Generative AI ไปใช้สนับสนุนกระบวนการ ESG Risk Questionnaireช่วยประมวลผลข้อมูลและคัดกรองประเด็นที่เกี่ยวข้อง เพื่อสนับสนุน Relationship Manager ในการประเมิน ESG และ Climate-related Risk ของลูกค้า

รูปแบบของ Workflow จึงเริ่มเปลี่ยนจาก Company Data → ESG Assessment →Risk Analysis → Human Review → Business Decision

AI จึงไม่ได้ทำหน้าที่แทนผู้ตัดสินใจ แต่ช่วยจัดการข้อมูลจำนวนมากให้พร้อมสำหรับ การวิเคราะห์และการพิจารณาของมนุษย์
นี่คือการเปลี่ยน ESG จาก Reporting Informationไปสู่ Decision Intelligenceและเป็นจุดตัวชี้วัด แหล่งที่มา หลักฐาน เจ้าของ และการตัดสินใจเริ่มกันอีกครั้ง

2. จาก ESG KPI สู่ Sustainable Operations

องค์กรจำนวนมากมี KPI ด้าน Energy, Carbon และ Waste อยู่แล้ว แต่คำถามสำคัญกว่าคือ AI สามารถเปลี่ยนตัวเลขเหล่านั้นตั้งแต่กระบวนการทำงานจริงได้หรือไม่?

มีกรณีบุกเบิกที่สะท้อนหลักการนี้ได้ชัดก็คือ Google DeepMind ซึ่งนำ Machine Learning มาใช้เพิ่มประสิทธิภาพระบบ Cooling ของ Data Center ทำให้การใช้พลังงานสำหรับการทำความเย็นลดลงอย่างมีนัยสำคัญ

อีกตัวอย่างหนึ่งคือ Hilton ที่ใช้เทคโนโลยี AI-powered Food Waste Intelligence ร่วมกับ Winnow เพื่อติดตามและวิเคราะห์ว่าอาหารประเภทใดถูกทิ้ง ปริมาณเท่าไร และเกิดขึ้นช่วงใด

ก่อนนำข้อมูลกลับไปปรับการวางแผนอาหารและการดำเนินงานของโรงแรม สิ่งที่เกิดขึ้นไม่ใช่การรอให้สิ้นปีแล้วค่อยรายงานว่าใช้พลังงานหรือสร้างของเสียไปเท่าไร แต่เป็นวงจร Measure → Predict → Optimize → Act → Measure Again
ESG จึงเริ่มเปลี่ยนจากการวัด KPI ที่ใช้รายงานย้อนหลัง ไปเป็นกลไกปรับปรุงกระบวนการปฏิบัติงานอย่างต่อเนื่อง

3.จาก Supply Chain Compliance สู่ Sustainable Value Chain Intelligence

ความยั่งยืนใน Value Chain ไม่ได้เกิดเฉพาะจากการถาม Supplier ว่า “มีใบรับรองหรือไม่?”แต่เกิดตั้งแต่ Product Design, Raw Materials, Production, Procurement ไปจนถึง Logistics

ตัวอย่างเช่น John Deere ใช้ Computer Vision และ Machine Learning ในระบบ See & Spray เพื่อแยกแยะวัชพืชและฉีดสารเฉพาะจุด แทนการใช้สารเคมีแบบครอบคลุมทั้งหมด ขณะที่ Walmart นำ AI มาใช้กับ Route Optimization เพื่อเพิ่มประสิทธิภาพเส้นทางขนส่ง ลดระยะทางและการใช้เชื้อเพลิง ซึ่งส่งผลทั้งต่อต้นทุนและการปล่อยก๊าซเรือนกระจก

กรณีเหล่านี้สะท้อนว่า AI สามารถขยับมิติ Sustainability จากการตรวจสอบว่า “ผ่านหรือไม่ผ่าน” ไปสู่การปรับปรุง Value Chain อย่างต่อเนื่อง จากเดิม: Questionnaire → Score → Pass / Fail ไปสู่: Discover → Assess → Optimize → Verify → Improve → Monitor

เมื่อถึงจุดนี้ Sustainability ไม่ได้อยู่ปลาย Supply Chain แต่เริ่มถูกฝังเข้าไปในกระบวนการตัดสินใจของการผลิตสินค้า การจัดซื้อ การผลิต และโลจิสติกส์ ตั้งแต่ต้น

4.จาก Climate Risk Report สู่ Resilience Intelligence

AI ESG Transformation จึงไม่ได้มีเฉพาะเรื่อง Carbon หรือ Resource Efficiencyในหลายอุตสาหกรรม AI กำลังถูกใช้เพื่อช่วยมองเห็นความเสี่ยงและรับมือกับเหตุการณ์ก่อนที่จะกลายเป็นความเสียหาย

Swiss Re ใช้ข้อมูลและเทคโนโลยีด้าน Hazard Modelling, Aerial Imagery และ Analytics เพื่อสนับสนุนการประเมินความเสียหายและความเสี่ยงจากภัยธรรมชาติ ขณะที่ Alaska Airlines ใช้ AI วิเคราะห์ข้อมูล สภาพอากาศ ลม น่านฟ้า และการจราจร เพื่อแนะนำเส้นทางการบินที่มีประสิทธิภาพมากขึ้น ช่วยลดการสิ้นเปลืองเชื้อเพลิง และการปล่อยมลพิษ ในขณะเดียวกันก็ยังคงอนุญาตให้เจ้าหน้าที่ควบคุมการบินเป็นผู้ตัดสินใจขั้นสุดท้าย รูปแบบจึงเปลี่ยนจาก: Report What Happened
ไปสู่: Sense → Predict → Decide → Prevent

นี่คือการเปลี่ยนจาก ESG ที่เน้นการวัดผลย้อนหลัง ไปสู่ Resilience Intelligence ซึ่งมีความสำคัญมากขึ้นในโลกที่ Climate Risk และ Operational Risk เชื่อมโยงกันอย่างซับซ้อน

5. จาก AI Automation สู่ AI Governance by Design

ยิ่ง AI เข้าไปใกล้การตัดสินใจมากขึ้น Governance ก็ยิ่งสำคัญขึ้นตามไปด้วย คำถามจึงไม่ควรหยุดที่ “AI ทำอะไรได้?” แต่ต้องถามต่อว่า AI มีสิทธิ์ทำอะไร? ใครเป็นผู้รับผิดชอบ? การตัดสินใจใดต้องมีมนุษย์อนุมัติ? และมี Evidence อะไรที่ทำให้ตรวจสอบย้อนหลังได้?

กรณี DBS แสดงให้เห็นการวาง Responsible AI ควบคู่กับการขยายการใช้ AI ใน Banking Workflow ขณะที่กรณี Alaska Airlines สะท้อนหลักการ Human Oversight ที่ชัดเจน คือ AI สามารถเสนอ Route Recommendation แต่เจ้าหน้าที่ควบคุมการบินยังคงเป็นผู้ตัดสินใจ

เมื่อ AI ขยับจากการ “ให้ข้อมูล” ไปสู่การ “แนะนำหรือมีอิทธิพลต่อการตัดสินใจ” องค์กรจึงต้องออกแบบ Decision Rights, Accountability, Human Oversight, Control และ Evidence ไปพร้อมกับ Use Case ตั้งแต่ต้น ไม่ใช่รอให้เกิดปัญหาแล้วค่อยสร้าง Governance ตามหลัง Workflow จึงควรมีลักษณะ AI Recommendation → Evidence → Control → Human Oversight → Decision → Action → Monitoring

นี่คือความหมายของ AI Governance by Design ที่นำ AI มาช่วยได้ แต่ความรับผิดชอบสุดท้ายยังต้องอยู่กับมนุษย์และองค์กร

จาก ESG Reporting สู่ Sustainable Business Capability

แม้ทั้ง 5 กรณีจะมาจากต่างอุตสาหกรรม แต่มี Pattern ร่วมกันอย่างชัดเจน คือองค์กรไม่ได้เริ่มจากคำถามว่า “ควรใช้ AI Tool ตัวไหนดี?” แต่เริ่มจากโจทย์ธุรกิจจริง เช่น จะลดพลังงานและ Waste อย่างไร จะเพิ่มประสิทธิภาพ Supply Chain อย่างไร จะมองเห็นความเสี่ยงได้เร็วขึ้นอย่างไร และจะทำให้การตัดสินใจมีข้อมูลและหลักฐานที่ตรวจสอบได้มากขึ้นอย่างไร

จากนั้นจึงนำ AI เข้าไปเชื่อมกับ Business Data → Trusted Context → Intelligence → Human Decision → Action
→ Business & ESG Outcome นี่คือจุดเปลี่ยนของ AI ESG Transformation จากการใช้ ESG เพื่อ “วัดและรายงานสิ่งที่เกิดขึ้นแล้ว” ไปสู่การสร้างความสามารถในการ มองเห็น คาดการณ์ ตัดสินใจ และปรับผลลัพธ์ตั้งแต่กระบวนการทำงานจริง
ESG จึงกำลังขยับจาก Reporting Function ไปสู่ Management Capability: Reporting → Intelligence KPI → Sustainable Operations Compliance → Value Chain Intelligence Risk Reporting → Resilience AI Automation → AI Governand by Design

สำหรับผู้บริหาร คำถามสำคัญจึงไม่ควรหยุดอยู่ที่ “เรารายงาน ESG ครบหรือยัง?” แต่ควรถามต่อว่า ข้อมูล ESG ช่วยให้องค์กรตัดสินใจดีขึ้นตรงไหน ลดต้นทุนหรือความเสี่ยงอะไรได้บ้าง และทุกการตัดสินใจที่ AI มีส่วนร่วมยังคงมี Owner, Control และ Evidence ที่ตรวจสอบย้อนหลังได้หรือไม่

ความได้เปรียบของ AI ESG ไม่ได้อยู่ที่ใครสร้าง Sustainability Report ได้เร็วที่สุด แต่อยู่ที่ใครสามารถใช้ AI เปลี่ยนการตัดสินใจและการดำเนินงานที่สร้างผลลัพธ์ ESG ได้ก่อนคู่แข่ง ในท้ายที่สุด อนาคตของ Sustainability อาจไม่ได้วัดกันเพียงว่าองค์กรใดมี ESG Report ดีที่สุด แต่คือองค์กรใดสามารถฝัง Sustainability ไปในการตัดสินใจ การปฏิบัติงาน และการเรียนรู้ของธุรกิจ จนกลายเป็นความสามารถในการแข่งขันอย่างยั่งยืนได้จริง ./