🛑 อวสาน “ที่ปรึกษาขายสไลด์”

🛑 อวสาน “ที่ปรึกษาขายสไลด์”

เมื่อ AI คิด Framework ได้ใน 5 วินาที… Consulting ยังเหลืออะไรให้ขาย?

“ถ้าวันนี้ AI ทำ SWOT ได้ใน 5 วินาที แล้วเรายังต้องจ่ายค่าที่ปรึกษาหลักล้านไปทำไม?”

คำถามนี้ไม่ใช่แค่เสียงของผู้จัดการรุ่นใหม่ๆ แต่คือคำถามจริงในหลายองค์กรในปี 2025 ที่ผ่านมา เมื่อ AI กลายเป็น Productivity Infrastructure พื้นฐานขององค์กร เทียบเท่า Cloud หรือ ERP ในอดีต

ความสามารถในการวิเคราะห์และจัดโครงสร้างความคิดไม่ใช่ทรัพยากรหายากอีกต่อไป และเมื่อความรู้เชิงโครงสร้างถูกทำให้ “เข้าถึงได้” อุตสาหกรรมที่เคยขายความได้เปรียบจากความรู้จึงถูกตั้งคำถามเชิงโครงสร้างทันที

====

📊 ตัวเลขอุตสาหกรรม Management Consulting

อุตสาหกรรม Management Consulting ทั่วโลกมีมูลค่าประมาณ 300,000–400,000 ล้านดอลลาร์ต่อปีในปี 2023-2025 ขณะที่ผู้เล่นรายใหญ่ยังคงมีรายได้ระดับหมื่นล้านดอลลาร์ เช่น

* McKinsey & Company รายได้ปี 2023 ราว 16,000 ล้านดอลลาร์ และยังรักษาระดับใกล้เคียงในปีถัดมา แม้ต้องปรับโครงสร้างหลังขยายทีมอย่างรวดเร็วช่วงหลังโควิด

* Boston Consulting Group (BCG) รายได้ปี 2024 ประมาณ 13,500 ล้านดอลลาร์ เติบโตต่อเนื่อง พร้อมเร่งลงทุน Data & AI Capability

* Accenture รายได้รวมปีงบประมาณ 2024 ประมาณ 64,900 ล้านดอลลาร์ โดยสาย Consulting ราว 33,000 ล้านดอลลาร์ และในปี 2025 เดินหน้าลงทุน AI อย่างจริงจัง

ตัวเลขเหล่านี้ไม่ได้สะท้อนการล่มสลาย แต่สะท้อน “การเปลี่ยนเกม” จาก "Layoff Headlines" สู่ "AI Investment Race"

บริษัทใหญ่กำลังสร้าง AI Platform ภายใน ฝัง Data Engine ใน Service Line และ reposition ตัวเองเป็น AI‑Enabled Transformation Partner คำถามคือ "โมเดลรายได้แบบ Pyramid ยังยั่งยืนหรือไม่?"

====

📉 เมื่อ Methodology กลายเป็นของทั่วไป แล้ว Consultant ปรับตัวยังไง?

“โมเดล Consulting แบบดั้งเดิมคือ Consultant วิเคราะห์จำนวนมาก แล้ว Partner สังเคราะห์”

* แต่วันนี้ AI สามารถวิเคราะห์ตลาดจากข้อมูลมหาศาลในไม่กี่วินาที

* จำลอง Scenario ทางการเงินหลายร้อยแบบ

* สร้าง Framework เปรียบเทียบอุตสาหกรรมทันที

* และสรุปเอกสารหลายร้อยหน้าเหลือไม่กี่ย่อหน้า

เมื่อ “ความรู้เชิงโครงสร้าง” ไม่ขาดแคลน Margin ของงานวิเคราะห์พื้นฐานจึงถูกบีบ คำถามจึงชัดขึ้นว่า

"ถ้าคุณขาย Methodology แล้ว Methodology ถูกทำให้เข้าถึงฟรี คุณจะเหลืออะไร?"

AI ไม่ได้ทำให้ความรู้หายไป แต่มันทำให้ความรู้ไร้ Scarcity และเมื่อ Scarcity หาย Premium ย่อมหด

====

🧭 กรณีศึกษา Transformation ที่สำเร็จและล้มเหลว

เพื่อไม่ให้บทวิเคราะห์ลอย เรามองตัวอย่างจริงขององค์กรที่เดิมพันกับการเปลี่ยนผ่าน

1️⃣ กรณีล้มเหลวของ GE Digital และความทะเยอทะยานเกินโครงสร้าง

* General Electric พยายาม transform ตัวเองเป็น “Digital Industrial Company” ผ่าน GE Digital และแพลตฟอร์ม Predix โดยทุ่มงบประมาณจำนวนมหาศาลและพึ่งพาที่ปรึกษาภายนอกในการกำหนดวิสัยทัศน์เชิงเทคโนโลยี กลยุทธ์บนกระดาษดูสวยงาม

* แต่ปัญหาหลักคือธุรกิจดั้งเดิมของ GE มีโครงสร้างรายได้และวัฒนธรรมองค์กรที่ไม่สอดคล้องกับโมเดลดิจิทัล การจัดสรร Incentive ภายในไม่ align กับเป้าหมายใหม่ ขณะที่ทีมเทคโนโลยีและทีมอุตสาหกรรมยังทำงานแยกส่วน

* สุดท้าย Predix ไม่สามารถสร้าง Ecosystem ตามที่ตั้งเป้า ต้นทุนบานปลาย และองค์กรต้องปรับโครงสร้างครั้งใหญ่ในเวลาต่อมา

* บทเรียนสำคัญคือ Framework ดีไม่พอ หาก Operating Model และวัฒนธรรมองค์กรไม่รองรับ

2️⃣ กรณีสำเร็จของ Microsoft ภายใต้ Satya Nadella

* Microsoft ในยุคก่อนปี 2014 ถูกมองว่าชะลอตัว แต่ภายใต้การนำของ Satya Nadella บริษัทเปลี่ยนผ่านจากธุรกิจ License Software ไปสู่ Cloud Platform ผ่าน Azure

* การ transform นี้ไม่ใช่แค่การกำหนดกลยุทธ์ใหม่ แต่เป็นการเปลี่ยนวัฒนธรรมองค์กรจาก “Know‑it‑all” เป็น “Learn‑it‑all” ปรับ Incentive Structure ให้รางวัลกับการทำงานข้ามทีม และลงทุนใน Ecosystem อย่างต่อเนื่อง

* การร่วมมือกับ OpenAI ในเวลาต่อมาไม่ใช่การซื้อเทคโนโลยีอย่างเดียว แต่คือการเดิมพันเชิงกลยุทธ์ระดับบริษัท

* บทเรียนคือ ที่ปรึกษาอาจช่วยคิดทิศทาง แต่ผู้นำต้องลงมือเปลี่ยน DNA องค์กรเอง

3️⃣ กรณี DBS Bank จากธนาคารดั้งเดิมสู่ Digital Leader

* DBS Bank ของสิงคโปร์ถูกยกเป็นกรณีศึกษาการ transform ธนาคารแบบครบวงจร โดย CEO Piyush Gupta เลือกวางเดิมพันกับเทคโนโลยีและลดระบบ Legacy อย่างจริงจัง

* ธนาคารลงทุนในแพลตฟอร์มดิจิทัล ปรับกระบวนการทำงานภายใน และสร้างวัฒนธรรมแบบ Tech Company จนได้รับการยกย่องว่าเป็น “Technology Company with a Banking License”

* ความสำเร็จของ DBS ไม่ได้เกิดจาก Slide Deck ที่ดี แต่เกิดจาก Co‑Execution ระหว่างที่ปรึกษา ทีมเทคโนโลยี และผู้นำที่กล้ารื้อระบบเดิม

* บทเรียนคือ Transformation สำเร็จเมื่อ Consultant ทำหน้าที่ Co‑Driver ไม่ใช่ผู้ส่งรายงาน

กรณีเหล่านี้ชี้ชัดว่า ความสำเร็จไม่ได้อยู่ที่ Framework แต่คือ Alignment ระหว่าง Strategy, Structure, Incentive และ Leadership

====

⚠️ คำถามที่องค์กรควรถาม Consultant โดยตรง

ก่อนเซ็นสัญญา บอร์ดควรถามคำถามที่ลึกกว่า Slide เพราะในยุคที่ AI สร้าง Insight ได้รวดเร็ว สิ่งที่หายากไม่ใช่ความคิด แต่คือประสบการณ์ภายใต้แรงกดดันจริง คำถามสำคัญควรถูกจัดเป็นหมวดชัดเจน ดังนี้

1) ประสบการณ์รับผิดชอบผลลัพธ์จริง (Accountability Track Record)

* หากเสนอแผนลดต้นทุน 15% เขาเคยบริหาร P&L ที่ต้องรับผลกระทบจากการตัดต้นทุนจริงหรือไม่?

* เคยตัดสินใจปิดหรือขายธุรกิจที่ไม่ทำกำไรเองหรือไม่?

* เคยยืนต่อหน้าผู้ถือหุ้นเมื่อผลลัพธ์ไม่เป็นไปตามแผนหรือไม่?

2) ความเข้าใจบริบทตลาดทุนและแรงกดดันภายนอก (Capital Market Reality)

* เข้าใจแรงกดดันจาก Analyst, Investor และ Rating Agency มากเพียงใด?

* ประเมินผลกระทบต่อราคาหุ้น กระแสเงินสด และ Covenant อย่างไร?

3) ความสามารถในการ Co‑Execution ไม่ใช่แค่ให้คำแนะนำหรือมาสั่งพนักงานทำงาน (Execution Depth)

* ทีมที่มาทำงานมีคนเคยลงมือ implement ในองค์กรขนาดใกล้เคียงหรือไม่?

* โมเดลทำงานเป็น Advisory Only หรือมี Co‑Driver ที่รับผิดชอบร่วมกับผู้บริหาร?

4) การจัดการความเสี่ยงจาก AI และความเร็วของข้อมูล (AI Governance Readiness)

* เมื่อ AI ช่วยคิดได้ 60–70% Insight ใครรับผิดชอบความเสี่ยงจากการตัดสินใจที่สเกลเร็วขึ้น?

* มี Framework ด้าน Governance และ Risk Control รองรับหรือไม่?

ในโลกที่ Insight มีมากขึ้นทุกวัน แต่ Accountability ไม่ได้เพิ่มขึ้นตาม คุณค่าจึงย้ายจาก “การคิดแทน” ไปสู่ “การรับผิดชอบร่วม” และนี่คือเส้นแบ่งระหว่าง Consultant ที่ขายความคิด กับที่ปรึกษาที่มีของจริงพร้อมรับผลลัพธ์ไปด้วยกัน

====

🏗 Consulting จะกลายเป็น Platform หรือไม่?

Consulting ในยุค AI Disruption อาจไม่ใช่การขายชั่วโมงทำงานแบบ Time & Material อีกต่อไป แต่คือการขาย “Transformation Operating System” ที่ฝังตัวอยู่ในองค์กรลูกค้าอย่างต่อเนื่อง โดยภาพใหม่ของที่ปรึกษาจะมีองค์ประกอบชัดเจนดังนี้

1) Core Infrastructure ที่ฝังในองค์กร

* AI + Data Engine เชื่อมต่อ ERP, CRM และระบบการเงินแบบเรียลไทม์

* Strategy Dashboard ที่ Board เปิดดู KPI ได้ทุกสัปดาห์

* Governance & Risk Module ที่ตั้ง Alert อัตโนมัติเมื่อ Margin หรือ Cash Flow หลุดกรอบ

* Talent Framework ที่ผูก Competency กับ EBITDA และ Incentive จริง

2) โมเดลรายได้ที่เปลี่ยนไป

* จาก Project Fee → สู่ Subscription

* Revenue Sharing หรือ Outcome‑based Pricing

* คิดค่าบริการตาม Impact ที่วัดได้ ไม่ใช่จำนวนชั่วโมงทำงาน

3) ตัวอย่างเชิงสถานการณ์

ลองนึกภาพบริษัทค้าปลีกขนาดใหญ่ แทนที่จะจ้างที่ปรึกษามาทำ Cost Reduction 6 เดือนแล้วจบ โมเดลใหม่อาจเป็นการพัฒนา “Margin Intelligence Platform” ที่สามารถ

* จำลองผลกระทบของการเปลี่ยน Supplier แบบเรียลไทม์

* วิเคราะห์ผลของการขึ้นราคาสินค้า 1% ต่อ Volume และกำไรสุทธิ

* คำนวณความคุ้มค่าของการปิดสาขาที่กำไรต่ำ

* ติดตามผลลัพธ์ต่อเนื่อง 3–5 ปี พร้อมทีม Co‑Execution ที่ลงมือทำจริงใน Procurement และ Supply Chain

หาก Consulting ไม่ขยับไปสู่โมเดล Platform เช่นนี้ บริษัทเทคโนโลยีหรือ SaaS ที่มี Data และ Infrastructure อยู่แล้วจะค่อยๆ ขยับเข้ามาแทนที่ใน Value Chain ตั้งแต่ Analytics ไปจนถึง Strategic Advisory

====

🔁 AI อาจทำให้ Consulting ‘แพงขึ้น’ ได้ไหม?

คำตอบอาจสวนทางกับสัญชาตญาณ แม้ AI จะลดต้นทุนงานวิเคราะห์พื้นฐาน แต่ในระดับบนสุด Premium อาจสูงขึ้นอย่างมีนัยสำคัญ เพราะ AI ทำให้ “ความเร็ว” เพิ่มขึ้น ขณะที่ “ความเสี่ยง” ก็เพิ่มขึ้นตามไปด้วย ลองแยกเป็นมิติชัดๆ ดังนี้

1) Speed Multiplies Risk – ความเร็วที่ขยายความผิดพลาด

* โมเดล AI สามารถเสนอแนะการตัดสินใจระดับองค์กรได้ภายในไม่กี่นาที

* หากสมมติฐานตั้งต้นผิด ความผิดพลาดจะกระจายไปทั้ง Supply Chain, Pricing และ Capital Allocation ภายในไม่กี่วัน

* ความเสียหายจึงไม่ใช่ระดับหน่วยงาน แต่เป็นระดับงบการเงินทั้งบริษัท

เมื่อความผิดพลาด “สเกลเร็วกว่าเดิม” Governance และ Accountability ต้องเข้มข้นขึ้นกว่าที่เคย งานของที่ปรึกษาจึงขยับจากการทำสไลด์ ไปสู่การออกแบบระบบควบคุมความเสี่ยงทั้งองค์กร

2) Operating Model Redesign – ไม่ใช่แค่ใช้ AI แต่ต้องรื้อระบบ AI Transformation ที่แท้จริงไม่ใช่การซื้อ Tool แต่คือการเปลี่ยน

* โครงสร้างอำนาจการตัดสินใจ (Decision Rights)

* Incentive ของผู้บริหารและผู้จัดการ

* Risk Appetite ที่บอร์ดยอมรับได้

* กระบวนการอนุมัติและตรวจสอบข้อมูล

งานลักษณะนี้ต้องการที่ปรึกษาที่เข้าใจทั้ง Strategy, Finance, Technology และ Organization Politics พร้อมกัน ซึ่งมีจำนวนจำกัด และนี่คือเหตุผลที่ค่าตัวระดับบนอาจสูงขึ้น

3) ตัวอย่างเชิงสถานการณ์

Dynamic Pricing และ Regulatory Risk สมมติองค์กรใช้ AI ทำ Dynamic Pricing ข้ามหลายประเทศ หากตั้งกฎ Algorithm ผิด อาจเกิดผลกระทบดังนี้

* ราคาผันผวนเกินควบคุม กระทบ Brand Trust

* ถูกตรวจสอบด้านการแข่งขันทางการค้า (Antitrust)

* กระทบ Margin เพราะ AI Optimize Volume แต่ไม่ Optimize Contribution จริง

* นักลงทุนตั้งคำถามเรื่อง Governance และ Risk Control

ความเสี่ยงระดับนี้ต้องการผู้เชี่ยวชาญที่เข้าใจทั้ง Tech, Finance, Regulation และ Stakeholder Management ซึ่งไม่ใช่ทักษะที่หาได้ทั่วไป

4) Insight ถูกลง แต่ Accountability แพงขึ้น

* Insight เชิง Framework สามารถสร้างได้แทบฟรี

* Scenario Analysis ทำได้ภายในไม่กี่วินาที

* แต่การ “เซ็นรับผิดชอบผลลัพธ์” ยังต้องใช้มนุษย์ที่มีประสบการณ์ผ่านสนามจริง

ดังนั้น AI ทำให้ “คำตอบทั่วไป” ถูกลง แต่ทำให้ “ความรับผิดชอบต่อผลลัพธ์” แพงขึ้น เพราะสิ่งที่องค์กรซื้อไม่ใช่ Slide หรือ Framework แต่คือความสามารถในการควบคุมความเสี่ยงในโลกที่ตัดสินใจเร็วกว่าเดิมหลายเท่า

====

🇹🇭 บางองค์กรอาจไม่ควรจ้าง Consult?

คำถามนี้อาจฟังดูแรง แต่ในความเป็นจริง บางองค์กรไม่ได้ขาด Framework หรือ Insight เลย ปัญหาอยู่ที่ “ความกล้า” และ “วินัยในการลงมือทำ” มากกว่า ลองแยกสถานการณ์ให้ชัดขึ้นเป็น 3 กลุ่มใหญ่

1) องค์กรที่มีข้อมูลครบ แต่ไม่กล้าตัดสินใจเชิงโครงสร้าง

* รู้ชัดว่าบางธุรกิจ Margin ต่ำกว่าค่าเฉลี่ยกลุ่ม แต่ไม่กล้าปิดหรือขายทิ้ง

* รู้ว่าผู้บริหารบางคนเป็นคอขวดของการเปลี่ยนแปลง แต่ไม่กล้าปรับบทบาท

* รู้ว่าต้องลงทุนระยะยาวเพื่อสร้างความได้เปรียบใหม่ แต่กลัวกำไรระยะสั้นลดลง

ในกรณีนี้ การจ้าง Consultant เพิ่มอาจกลายเป็นเพียง “เสียงยืนยันจากคนนอก” เพื่อบอกสิ่งที่ทุกคนรู้อยู่แล้ว มากกว่าจะเป็นแรงผลักให้เกิดการตัดสินใจจริง

2) องค์กรที่ทำ Strategy Review ซ้ำทุกปี แต่ไม่เคยแตะ Incentive จริง ภาพที่พบได้บ่อยคือ

* มี Slide ครบทุก Framework ตั้งแต่ SWOT, 5 Forces, Scenario Planning

* มี Roadmap สวยงาม 3–5 ปี

* มี Townhall ประกาศ Transformation อย่างยิ่งใหญ่

แต่ในทางปฏิบัติ

* KPI ของผู้บริหารยังผูกกับรายได้ระยะสั้น ไม่ใช่การเปลี่ยนผ่านระยะยาว

* ไม่มีใครถูกประเมินจากผลลัพธ์ของโครงการ Transformation

* Budget Allocation ยังสะท้อนโครงสร้างเดิม ไม่ใช่ยุทธศาสตร์ใหม่

การจ้าง Consult ในบริบทแบบนี้อาจช่วย “สร้างภาพลักษณ์ว่ากำลัง transform” แต่ไม่ได้แตะรากปัญหาเรื่อง Alignment ระหว่าง Strategy กับ Incentive

3) องค์กรที่ขาดภาวะผู้นำ ไม่ได้ขาดที่ปรึกษา บางครั้งปัญหาไม่ใช่การคิดไม่ออก แต่คือ

* ผู้นำไม่ยอมรับความจริงเชิงข้อมูล

* การเมืองภายในสูงกว่าความเร่งด่วนทางธุรกิจ

* การตัดสินใจถูกเลื่อนออกไปเรื่อยๆ เพราะไม่มีใครอยากรับความเสี่ยง

ในสถานการณ์เช่นนี้ ต่อให้จ้างที่ปรึกษาระดับโลกเข้ามา หากไม่มี Mandate ที่ชัดเจนจาก Board และ CEO ให้ “ตัดจริง ทำจริง รับผลจริง” ผลลัพธ์ก็อาจไม่ต่างจากเดิม

หากองค์กรยังไม่พร้อมเผชิญความเจ็บปวดของการเปลี่ยนผ่าน การจ้าง Consultant อาจเป็นเพียงการซื้อเวลา ไม่ใช่การซื้อความเปลี่ยนแปลง และในโลกที่ AI ทำให้ Insight เข้าถึงง่ายขึ้นทุกวัน สิ่งที่หายากจริงๆ ไม่ใช่ความคิด แต่คือ “ความกล้าในการลงมือทำ”

====

🎯 เพื่อให้การตัดสินใจจ้างที่ปรึกษาไม่ใช่เพียงเรื่องภาพลักษณ์ ควรแยกคำถามเป็นสองด้านอย่างชัดเจน

“ควรจ้าง" เมื่อ

* ต้องการคนที่เคยผ่านสนามจริง และเคยรับผิดชอบ P&L ภายใต้แรงกดดันจากผู้ถือหุ้น

* ปัญหาแตะโครงสร้างเชิงอำนาจ เช่น การรวมธุรกิจ การปิดหน่วยงาน หรือการเปลี่ยน Incentive ทั้งระบบ

* องค์กรพร้อม Co‑Execution ยอมให้ที่ปรึกษาเข้าร่วมทีมปฏิบัติการ ไม่ใช่เพียงทำรายงาน

* ต้องการเร่งความเร็วในการเปลี่ยนผ่านที่ซับซ้อน เช่น M&A, Turnaround, หรือ AI Transformation ข้ามหลายประเทศ

"ไม่ควรจ้าง" เมื่อ

* ปัญหาคือการขาดวินัยในการทำสิ่งที่รู้อยู่แล้ว เช่น Cost Control หรือ Process Standardization

* ผู้บริหารยังไม่พร้อมรับความจริง หรือไม่ยอมเปลี่ยนพฤติกรรมของตนเอง

* วัตถุประสงค์หลักคือการมี Slide เพื่อสื่อสารกับตลาดทุน โดยไม่มี Commitment ต่อการเปลี่ยนแปลงจริง

เส้นแบ่งสำคัญจึงไม่ใช่ “มีงบหรือไม่?” แต่คือ “พร้อมรับผลลัพธ์และความเจ็บปวดของการเปลี่ยนผ่านหรือไม่?” เพราะในยุค AI การคิดอาจเร็วขึ้น แต่ความกล้าในการตัดสินใจยังเป็นเรื่องของมนุษย์

====

🔥 บทสรุป

"AI ไม่ได้ฆ่า Consulting แต่มันคัดของจริง...มันคัดคนที่ขาย Framework ออกจากคนที่ขายความรับผิดชอบ"

ในโลกที่ Framework สร้างได้ใน 5 วินาที ความได้เปรียบจึงไม่ใช่ความเร็วในการคิด แต่คือความหนักแน่นในการตัดสินใจ

“ทฤษฎีดาวน์โหลด หรือให้ AI ไปหามาได้ แต่ประสบการณ์ที่ผ่านสนามจริง ไม่มีปุ่ม Copy & Paste" คำถามสุดท้ายจึงไม่ใช่ว่า "Consulting จะตายไหม?" แต่คือ ใครในวงการนี้ “มีของจริงพอ” ที่จะอยู่รอดในยุค AI"

====

📚 Sources & References

Accenture Investor Relations

https://investor.accenture.com

Boston Consulting Group – About

https://www.bcg.com/about

McKinsey & Company – About

https://www.mckinsey.com/about-us

IBISWorld – Global Management Consultants Market Size 2025

https://www.ibisworld.com/global/market-size/global-management-consultants/

Financial Times – Consulting & AI Coverage

https://www.ft.com

Wall Street Journal – AI & Professional Services

https://www.wsj.com

#วันละเรื่องสองเรื่อง #ManagementConsulting #FutureOfWork #AIDisruption #BusinessStrategy #ExecutiveInsights