เมื่อ AI เริ่มมารับสาย 119 (191): การถ่ายโอนทางเทคโนโลยีที่กำลังเกิดขึ้นเบื้องหลังสายโทรศัพท์แจ้งเหตุ

เวลาตีสองสี่สิบนาที สายโทรศัพท์สายหนึ่งโทรเข้ามายังศูนย์รับแจ้งเหตุและสั่งการ น้ำเสียงของผู้โทรฟังดูร้อนรน มีเสียงคนอื่นตะโกนอยู่เบื้องหลัง เจ้าหน้าที่รับโทรศัพท์พยายามปลอบประโลมพร้อมกับพยายามซักถามที่อยู่ เมื่อการสนทนาดำเนินมาถึงวินาทีที่สี่สิบ ระบบบนหน้าจอของเจ้าหน้าที่ก็แสดงข้อความแจ้งเตือนขึ้นมาบรรทัดหนึ่งว่า: ต้องสงสัยว่าหัวใจหยุดเต้น แนะนำให้รีบแนะนำวิธีการทำ CPR ทันที

การประเมินนี้ไม่ได้มาจากตัวเจ้าหน้าที่ แต่มาจากโมเดลชุดหนึ่งที่กำลังฟังการสนทนาสายเดียวกันนี้อยู่

ระบบลักษณะนี้เปิดใช้งานมาแล้วหลายปีในศูนย์รับแจ้งเหตุบางแห่งในสหรัฐอเมริกาและเดนมาร์ก ซึ่งสะท้อนให้เห็นทั้งแง่มุมที่น่าเชื่อถือที่สุด และแง่มุมที่ต้องได้รับการตรวจสอบมากที่สุด เมื่อ AI ก้าวเข้าสู่บริการสาธารณะ

เบื้องหลังเหตุการณ์

ความยากลำบากของศูนย์รับแจ้งเหตุฉุกเฉินทั่วโลกนั้นเหมือนกันหมด: กำลังคนไม่พอ อัตราการหมุนเวียนสูง ระยะเวลาฝึกอบรมยาวนาน และทุกสายโทรศัพท์ไม่ยอมให้เกิดความผิดพลาด ศูนย์รับแจ้งเหตุในหลายเขตของสหรัฐฯ เผชิญกับปัญหาขาดแคลนบุคลากรอย่างรุนแรงในช่วงไม่กี่ปีที่ผ่านมา ทำให้เวลารอสายยาวนานขึ้น ซึ่งในสถานการณ์ที่อัตราการรอดชีวิตวัดกันเป็นนาทีอย่างภาวะหัวใจหยุดเต้น เวลารอสายก็คือชีวิตคน

ด้วยเหตุนี้ พื้นที่ที่เดิมทีมีความระมัดระวังเป็นอย่างยิ่งแห่งนี้ จึงกลายเป็นสนามทดลองสำหรับการนำ AI มาใช้ในเชิงรุกอย่างคาดไม่ถึง โดยแนวทางทางเทคโนโลยีแบ่งกว้างๆ ได้เป็น 4 ประเภท

ประเภทแรกคือ การวิเคราะห์แบบเรียลไทม์ระหว่างการสนทนา แพลตฟอร์มการเรียนรู้ของเครื่องจาก Corti จะวิเคราะห์การสนทนาที่กำลังดำเนินอยู่ ระบุสถานการณ์สำคัญอย่างภาวะหัวใจหยุดเต้น และแจ้งเตือนเจ้าหน้าที่รับโทรศัพท์ โดยหน่วยดับเพลิงซีแอตเทิลเป็นหนึ่งในหน่วยงานแรกๆ ที่นำมาใช้งาน

ประเภทที่สองคือ การคัดแยกสายที่ไม่ใช่เหตุฉุกเฉิน สายโทรศัพท์ที่ศูนย์รับแจ้งเหตุได้รับนั้นมีสัดส่วนไม่น้อยที่อันที่จริงแล้วไม่ต้องส่งเจ้าหน้าที่ไปทันที เช่น การร้องเรียนเรื่องเสียงรบกวน รถจอดผิดกฎหมาย หรือการสอบถามขั้นตอน Aurelian เชี่ยวชาญในการ automat โซนนี้โดยเฉพาะ ทำให้สายฉุกเฉินจริงๆ ไม่ต้องต่อคิวรอ บริษัทสตาร์ทอัพจากซีแอตเทิลรายนี้เพิ่งปิดรอบระดมทุน Series A มูลค่า 14 ล้านดอลลาร์ในเดือนสิงหาคม 2025

ประเภทที่สามคือ การเขียนแพลตฟอร์มรับแจ้งและสั่งการใหม่ทั้งหมด Carbyne ชูจุดเด่นเรื่อง Next-Generation 911 (NG911) ส่วน Mark43 รวมเอาการสั่งการ บันทึกข้อมูล อุปกรณ์เคลื่อนที่ และการวิเคราะห์เข้าไว้ด้วยกันในระบบคลาวด์ชุดเดียว พร้อมเสริมด้วย ReportAI ที่ช่วยสร้างร่างรายงานอัตโนมัติ และ BriefAI ที่ช่วยสรุปบรรยายสรุปการปฏิบัติงาน ซึ่งทางบริษัทระบุว่ามีหน่วยงานนำไปใช้แล้วมากกว่า 300 แห่ง

ประเภทที่สี่คือ การบูรณาการข้อมูลข้ามระบบ ประเภทนี้ดูไม่สะดุดตาที่สุดแต่สำคัญที่สุด: สิ่งที่ Peregrine ทำคือการเชื่อมต่อ ทำความสะอาด และจัดระเบียบระบบเก่าโหลกว่าของหน่วยงานตำรวจและดับเพลิงที่ไม่เคยคุยกัน ให้เจ้าหน้าที่เวรสามารถค้นหาบริบทที่ครบถ้วนได้ในที่เดียว โดยเพิ่งปิดรอบระดมทุน Series D มูลค่า 250 ล้านดอลลาร์ไปเมื่อเร็วๆ นี้

สิ่งที่น่าสังเกตคือความเร็วในการควบรวมอุตสาหกรรม โดยในปี 2025 Axon ได้เข้าซื้อกิจการ Prepared ซึ่งทำ AI สำหรับ 911 เช่นกัน และเข้าซื้อ Carbyne ด้วยมูลค่ากิจการ 625 ล้านดอลลาร์ แสดงให้เห็นว่าสนามนี้กำลังเปลี่ยนจากการแข่งขันกันเองของสตาร์ทอัพไปสู่ความเป็นผู้ผูกขาด

ประเด็นสำคัญในครั้งนี้

• บทบาทของ AI คือการสนับสนุน ไม่ใช่การตัดสินใจ: การออกแบบของทุกระบบในปัจจุบันคือการ "แจ้งเตือนเจ้าหน้าที่" โดยการตัดสินใจขั้นสุดท้ายยังคงอยู่ที่มนุษย์ เส้นนี้เป็นเส้นที่ต้องรักษาไว้ให้มั่นในพื้นที่ที่มีความเสี่ยงสูง
• สิ่งที่ประหยัดได้หลักๆ คือเวลาทำเอกสาร: สิ่งที่เจ้าหน้าที่ตำรวจและดับเพลิงบ่นมากที่สุดคือการนั่งพิมพ์รายงานก่อนเลิกงาน ฟังก์ชันอย่าง ReportAI และ BriefAI จึงเข้ามาแก้จุดปวดนี้โดยตรง แทนที่จะเข้าไปแทนที่การตัดสินใจในด่านหน้า
• การบูรณาการข้อมูลยากกว่าตัวโมเดล: Peregrine ใช้รูปแบบการส่งวิศวกรไปประจำการหน้างานของลูกค้า เนื่องจากรูปแบบข้อมูลของหน่วยงานภาครัฐมีความยุ่งเหยิงเกินกว่าจะจัดการจากระยะไกลได้ เรื่องนี้ไม่มีทางลัด
• ความขัดแย้งก็เป็นเรื่องจริงเช่นกัน: ShotSpotter ระบบตรวจจับเสียงปืนภายใต้ SoundThinking เผชิญข้อกังขาเรื่องอัตราการแจ้งเตือนผิดพลาดและความคุ้มค่ามาอย่างยาวนาน จนเมืองอย่างชิคาโกเคยยกเลิกหรือลดขนาดสัญญาลง เมื่ออัลกอริทึมเริ่มเป็นตัวตัดสินว่ากำลังตำรวจควรถูกส่งไปที่ไหน การถกเถียงของสังคมจึงเป็นสิ่งจำเป็น

วิเคราะห์ผลกระทบต่อตลาด

สำหรับผู้ใช้ในไต้หวัน: ผลกระทบในระยะสั้นอาจมีไม่มากนัก ระบบ 119 และ 110 ของไต้หวันมีโครงสร้างที่แตกต่างจากสหรัฐฯ และไม่มีข้อกำหนดมาตรฐานชุด NG911 นี้ สิ่งที่อาจเกิดขึ้นก่อนเป็นอันดับแรกจริงๆ คือ "การคัดแยกคดีที่ไม่ใช่เหตุฉุกเฉิน" เช่น การทำระบบอัตโนมัติให้กับบริการสายด่วนพลเมืองอย่าง 1999 ซึ่งเกณฑ์ความยากทางเทคโนโลยีต่ำกว่าการสั่งการฉุกเฉินมาก และมีความเสี่ยงน้อยกว่าด้วย

สำหรับแอปพลิเคชันระดับองค์กร: ผลกระทบส่วนเกินจากเทคโนโลยีระลอกนี้เป็นสิ่งที่ควรจับตา ความต้องการความปลอดภัยทางเข้าออกของห้องฉุกเฉินโรงพยาบาล สถานที่จัดงานขนาดใหญ่ และสถานศึกษา ล้วนเป็นเรื่องจริง การตรวจจับอาวุธแบบเดินผ่านได้จาก Athena Security รวมถึงการจดจำป้ายทะเบียนและเหตุการณ์ของ Rekor ต่างกำลังขยายตัวเข้าสู่ภาคการแพทย์และเชิงพาณิชย์ เหตุการณ์ความรุนแรงในโรงพยาบาลของไต้หวันไม่ใช่เรื่องแปลกใหม่ ซึ่งตลาดส่วนนี้มีความต้องการจริง

สำหรับนักพัฒนา: โอกาสที่แท้จริงอยู่ในเลเยอร์ของการบูรณาการไม่ใช่เลเยอร์ของโมเดล ระดับความกระจัดกระจายของระบบหน่วยงานรัฐในไต้หวันไม่ได้ด้อยไปกว่าสหรัฐฯ ใครที่สามารถเชื่อมต่อข้อมูลที่มีอยู่เข้าด้วยกัน จัดระเบียบความหมาย และมอบอินเทอร์เฟซที่ใช้งานง่ายได้ คนนั้นก็จะมีมูลค่า เกณฑ์อุปสรรคสูง ความผูกพันของผู้ใช้ก็สูงตามไปด้วย

แนวโน้มการพัฒนาในอนาคต

ผู้เขียนประเมินว่าในอีกสองถึงสามปีข้างหน้าจะเคลื่อนไปใน 3 ทิศทาง

หนึ่งคือ จากการแจ้งเตือนสู่การร่างข้อความ AI จะไม่ทำแค่เตือนว่า "นี่อาจเป็นภาวะหัวใจหยุดเต้น" อีกต่อไป แต่จะเขียนร่างบันทึกคดีทั้งหมดออกมาให้โดยตรง และให้มนุษย์ทำหน้าที่แค่ตรวจสอบ การยอมรับการทำเอกสารอัตโนมัติมีสูงกว่าการตัดสินใจอัตโนมัติมาก จึงจะแพร่หลายเป็นอันดับแรก

สองคือ กฎระเบียบจะตามทัน กฎหมาย AI ของสหภาพยุโรปได้จัดให้วัตถุประสงค์ด้านการบังคับใช้กฎหมายเป็นความเสี่ยงสูงแล้ว และแต่ละรัฐในสหรัฐฯ ก็ทยอยออกกฎหมายควบคุมระยะเวลาการจัดเก็บข้อมูลการจดจำป้ายทะเบียนเช่นกัน ช่วงเวลาที่เทคโนโลยีวิ่งนำหน้าและกฎระเบียบตามหลังกำลังจะสิ้นสุดลง

สามคือ การควบรวมกิจการจะดำเนินต่อไป การที่ Axon เข้าซื้อกิจการ Prepared และ Carbyne ติดต่อกันเป็นเพียงจุดเริ่มต้นเท่านั้น การจัดซื้อจัดจ้างของภาครัฐชื่นชอบช่องทางติดต่อเดียว โครงสร้างนี้จะบีบให้ซัพพลายเออร์ต้องควบรวมกันกลายเป็นแพลตฟอร์มขนาดใหญ่

สรุปและบทวิจารณ์จาก TheAI Academy

ในระหว่างที่เขียนหัวข้อนี้ สิ่งที่ทำให้ผู้เขียนกังวลมากที่สุดไม่ใช่ความเก่งกาจของเทคโนโลยี แต่คือ ตัวเลขผลลัพธ์ของระบบเหล่านี้เกือบทั้งหมดมาจากที่บริษัทผู้ผลิตเปิดเผยเอง คำกล่าวอ้างทำนองว่า "ลดเวลาตอบสนองลงเป็นตัวเลขสองหลักร้อยละ" หรือ "อาชญากรรมร้ายแรงลดลง 45%" ในระดับนโยบายสาธารณะควรต้องมีการตรวจสอบยืนยันโดยอิสระ แต่ในปัจจุบันส่วนใหญ่กลับไม่มี ข้อพิพาทเรื่อง ShotSpotter ก็เกิดขึ้นในลักษณะนี้: ไม่ใช่ว่าเทคโนโลยีไม่มีประโยชน์เลย แต่เป็นเพราะผลประโยชน์ที่กล่าวอ้างไม่คุ้มค่ากับต้นทุนที่ลงทุนไปและราคาที่สังคมต้องจ่าย

บทวิจารณ์: เมื่อ AI ก้าวเข้าสู่ความปลอดภัยสาธารณะ คำถามที่แท้จริงที่ควรเอ่ยถึงไม่ใช่ "แม่นยำแค่ไหน" แต่คือ "ใครเป็นผู้ตรวจสอบ ข้อมูลถูกเก็บไว้นานเท่าใด ใครมีสิทธิ์ค้นหา และเมื่อค้นหาแล้วมีการเก็บบันทึกประวัติไว้หรือไม่" — ปัญหาทางเทคโนโลยีมีทางแก้ แต่ปัญหาด้านธรรมาภิบาลไม่มีคำตอบมาตรฐาน

คำแนะนำที่เป็นรูปธรรมสำหรับผู้อ่าน: หากคุณทำงานอยู่ในภาคส่วนภาครัฐหรือห่วงโซ่อุปทานที่เกี่ยวข้อง สิ่งที่คุ้มค่าที่สุดที่จะลงทุนในตอนนี้ไม่ใช่การรีบเร่งใช้งานโมเดล แต่เป็นการจัดการข้อมูลในมือให้สะอาดเรียบร้อยเสียก่อน—นิยามคอลัมน์ ตารางเปรียบเทียบรหัส นโยบายการจัดเก็บข้อมูล ประสบการณ์จากสหรัฐฯ ชัดเจนมาก หน่วยงานที่พื้นฐานข้อมูลยังจัดการไม่เรียบร้อย โครงการ AI เกือบทั้งหมดสุดท้ายจะจบลงด้วยการเงียบหายไป หากคุณเป็นประชาชนทั่วไป สิ่งที่ควรใส่ใจคือระเบียบข้อบังคับด้านข้อมูลส่วนบุคคลในลำดับต่อไป เมื่อการจดจำป้ายทะเบียนและการวิเคราะห์ภาพแพร่หลายมากขึ้น "ข้อมูลถูกเก็บไว้นานแค่ไหน ใครมีอำนาจตรวจสอบ" จะส่งผลกระทบโดยตรงต่อชีวิตประจำวันของเราทุกคน และนี่คือช่วงเวลาที่เราควรส่งเสียงก่อนที่ระบบจะถูกสร้างขึ้น หากต้องการทำความเข้าใจเครื่องมือที่เกี่ยวข้องเพิ่มเติม สามารถดูได้ที่หมวด ความปลอดภัยสาธารณะและการตอบสนองฉุกเฉินด้วย AI บนเว็บไซต์ของเรา

แหล่งที่มา

• เว็บไซต์ทางการ Mark43 (สายผลิตภัณฑ์, จำนวนหน่วยงานที่นำไปใช้)
• เว็บไซต์ทางการ Peregrine (ตำแหน่งของแพลตฟอร์ม, รูปแบบการนำไปใช้)
• เว็บไซต์ทางการ SoundThinking (คำอธิบายผลิตภัณฑ์ เช่น ShotSpotter)

เรียบเรียงตามข้อมูลสาธารณะ ยึดถือข้อมูลทางการเป็นหลัก ตัวเลขประสิทธิผลที่ผู้ผลิตเปิดเผยในเนื้อหายังไม่ได้รับการตรวจสอบจากบุคคลที่สามที่เป็นอิสระ โปรดใช้วิจารณญาณในการอ้างอิง