ปัจจัยที่ส่งผลต่อการประยุกต์ใช้ปัญญาประดิษฐ์ (AI) ในห่วงโซ่อุปทานของ วิสาหกิจขนาดกลางและขนาดย่อม (SMEs) ในประเทศไทย
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยเชิงคุณภาพนี้มีวัตถุประสงค์เพื่อศึกษาปัจจัยภายในและภายนอกองค์กรที่ส่งผลต่อการประยุกต์ใช้ปัญญาประดิษฐ์ในห่วงโซ่อุปทานของวิสาหกิจขนาดกลางและขนาดย่อมในประเทศไทย รวมถึงแนวทางการพัฒนาโมเดลการประยุกต์ใช้ปัญญาประดิษฐ์เพื่อเสริมสร้างความได้เปรียบในการแข่งขันอย่างยั่งยืน โดยศึกษาจากเอกสาร แนวคิด ทฤษฎี และงานวิจัยที่เกี่ยวข้อง 88 งานวิจัย ร่วมกับการสนทนากลุ่มกับนักวิชาการด้านห่วงโซ่อุปทาน ผู้เชี่ยวชาญด้านปัญญาประดิษฐ์ และผู้ประกอบการ SMEs จำนวน 5 คน คัดเลือกด้วยวิธีเฉพาะเจาะจง เครื่องมือที่ใช้ในการวิจัย คือ แนวคำถามสำหรับการสนทนากลุ่ม ซึ่งผ่านการตรวจสอบความตรงเชิงเนื้อหาโดยผู้เชี่ยวชาญ จำนวน 3 คน ด้วยวิธีดัชนีความสอดคล้องระหว่างข้อคำถามกับวัตถุประสงค์โดยมีค่าอยู่ระหว่าง 0.67 - 1.00 วิเคราะห์ข้อมูลด้วยการวิเคราะห์เนื้อหา และการวิเคราะห์เชิงประเด็น พบว่า ปัจจัยที่ส่งผลต่อการประยุกต์ใช้ปัญญาประดิษฐ์ ในห่วงโซ่อุปทานของ SMEs ไทยสามารถแบ่งออกเป็น 2 ด้าน ได้แก่ ปัจจัยภายในองค์กรและภายนอกองค์กร โดยปัจจัยภายในองค์กร ประกอบด้วย ทรัพยากรบุคคล ความพร้อมด้านเทคโนโลยีดิจิทัล วัฒนธรรมองค์กร ระบบข้อมูล และการสนับสนุนจากผู้บริหาร ปัจจัยภายนอกองค์กร ประกอบด้วย นโยบายและการสนับสนุนจากภาครัฐ การแข่งขันทางธุรกิจ การเปลี่ยนแปลงทางเทคโนโลยี และแนวคิดด้านความยั่งยืน การประยุกต์ใช้ปัญญาประดิษฐ์ยังช่วยเพิ่มประสิทธิภาพด้านการพยากรณ์อุปสงค์ การบริหารสินค้าคงคลัง การลดต้นทุน และการตอบสนองต่อลูกค้าได้อย่างรวดเร็ว ส่งผลต่อการสร้างความได้เปรียบในการแข่งขันอย่างยั่งยืน อย่างไรก็ตาม SMEs ไทยยังเผชิญข้อจำกัด
ด้านงบประมาณ บุคลากร และความรู้ด้านดิจิทัล จึงจำเป็นต้องได้รับการสนับสนุนจากภาครัฐและสถาบันการศึกษาอย่างต่อเนื่อง งานวิจัยนี้เสนอโมเดลการประยุกต์ใช้ ปัญญาประดิษฐ์ ในห่วงโซ่อุปทาน SMEs ไทย เพื่อใช้เป็นแนวทางในการพัฒนาศักยภาพการแข่งขันขององค์กรในยุคเศรษฐกิจดิจิทัล
Article Details
เอกสารอ้างอิง
สำนักงานส่งเสริมวิสาหกิจขนาดกลางและขนาดย่อม. (2566). SME White Paper 2023. กรุงเทพมหานคร: สำนักงานส่งเสริมวิสาหกิจขนาดกลางและขนาดย่อม.
K1. (15 มีนาคม 2569). การประยุกต์ใช้ปัญญาประดิษฐ์ในการบริหารห่วงโซ่อุปทานของวิสาหกิจขนาดกลางและขนาดย่อม. (กวินพัฒน์ เลิศพงษ์มณี, ผู้สัมภาษณ์)
K2. (18 มีนาคม 2569). การประยุกต์ใช้ปัญญาประดิษฐ์ในการบริหารห่วงโซ่อุปทานของวิสาหกิจขนาดกลางและขนาดย่อม. (กวินพัฒน์ เลิศพงษ์มณี, ผู้สัมภาษณ์)
K3. (20 มีนาคม 2569). การประยุกต์ใช้ปัญญาประดิษฐ์ในการบริหารห่วงโซ่อุปทานของวิสาหกิจขนาดกลางและขนาดย่อม. (กวินพัฒน์ เลิศพงษ์มณี, ผู้สัมภาษณ์)
K4. (22 มีนาคม 2569). การประยุกต์ใช้ปัญญาประดิษฐ์ในการบริหารห่วงโซ่อุปทานของวิสาหกิจขนาดกลางและขนาดย่อม. (กวินพัฒน์ เลิศพงษ์มณี, ผู้สัมภาษณ์)
K5. (24 มีนาคม 2569). การประยุกต์ใช้ปัญญาประดิษฐ์ในการบริหารห่วงโซ่อุปทานของวิสาหกิจขนาดกลางและขนาดย่อม. (กวินพัฒน์ เลิศพงษ์มณี, ผู้สัมภาษณ์)
Bag, S. et al. (2021). Role of technological dimensions of green supply chain management practices on firm performance. Journal of Enterprise Information Management, 34(1), 1-27.
Barney, J. B. (1991). Firm resources and sustained competitive advantage. Journal of Management, 17(1), 99-120.
Bharadwaj, A. S. (2000). A resource-based perspective on information technology capability and firm performance: An empirical investigation. MIS Quarterly, 24(1), 169-196.
Bughin, J. et al. (2017). Notes from the AI frontier: Modeling the impact of AI on the world economy. San Francisco: McKinsey Global Institute.
Christopher, M. (2016). Logistics and supply chain management. (5th ed.). Harlow: Pearson Education.
Creswell, J. W. & Poth, C. N. (2018). Qualitative inquiry and research design: Choosing among five approaches (4th ed.). New Jersey: Sage Publications.
Davenport, T. H. & Ronanki, R. (2018). Artificial intelligence for the real world. Harvard Business Review, 96(1), 108-116.
Davenport, T. H. (2006). Competing on analytics: The new science of winning. Boston: Harvard Business School Press.
Dubey, R. et al. (2020). Big data and predictive analytics and manufacturing performance: Integrating institutional theory, resource-based view and big data culture. British Journal of Management, 30(2), 341-361.
Elkington, J. (1997). Cannibals with forks: The triple bottom line of 21st century business. Oxford: Capstone.
Ellström, D. et al. (2022). Dynamic capabilities for digital transformation. Journal of Strategy and Management, 15(2), 272-286.
Grant, R. M. (1996). Toward a knowledge-based theory of the firm. Strategic Management Journal, 17(2), 109-122.
Guest, G. et al. (2006). How many interviews are enough? An experiment with data saturation and variability. Field Methods, 18(1), 59-82.
Hart, S. L. (1995). A natural-resource-based view of the firm. Academy of Management Review, 20(4), 986-1014.
Ivanov, D. et al. (2019). The impact of digital technology and Industry 4.0 on the ripple effect and supply chain risk analytics. International Journal of Production Research, 57(3), 829-846.
Mentzer, J. T. et al. (2001). Defining supply chain management. Journal of Business Logistics, 22(2), 1-25.
Mintzberg, H. (1989). Mintzberg on management: Inside our strange world of organizations. New York: Free Press.
North, D. C. (1990). Institutions, institutional change and economic performance. Cambridge: Cambridge University Press.
OECD. (2021). The digital transformation of SMEs. Paris: OECD Publishing.
Porter, M. E. & Kramer, M. R. (2011). Creating shared value. Harvard Business Review, 89(2), 62-77.
Porter, M. E. (1985). Competitive advantage: Creating and sustaining superior performance. New York: Free Press.
Schein, E. H. (2010). Organizational culture and leadership. (4th ed.). San Francisco: Jossey-Bass.
Storey, D. J. (2016). Understanding the small business sector. London: Routledge.
Teece, D. J. (2007). Explicating dynamic capabilities: The nature and microfoundations of (sustainable) enterprise performance. Strategic Management Journal, 28(13), 1319-1350.
United Nations. (2015). Transforming our world: The 2030 agenda for sustainable development. New York: United Nations.
Venkatesh, T. et al. (2012). Consumer acceptance and use of information technology: Extending the unified theory of acceptance and use of technology. MIS Quarterly, 36(1), 157-178.
Vial, G. (2019). Understanding digital transformation: A review and a research agenda. The Journal of Strategic Information Systems, 28(2), 118-144.
Waller, M. A. & Fawcett, S. E. (2013). Data science, predictive analytics, and big data: A revolution that will transform supply chain design and management. Journal of Business Logistics, 34(2), 77-84.
