ถ้า AI เก่งขึ้นทุกเดือน แล้วเราควรเก่งเรื่องอะไรเพิ่มขึ้นบ้าง?
.
เบ้นนั่งฟัง Podcast นี้มาเป็นเดือนละ ฟังละลืมบ้าง ฟังไปเกาหัวไป 555555 กว่าจะเริ่มเข้าใจว่าพวกเขากำลังคุยอะไรกัน นี่คือสรุปบางส่วนจาก Podcast ของ Naval ค้าบบ
.
ตอนนี้ชื่อว่า Live in the Future เป็นวงสนทนาของ Naval กับ Garry Tan จาก Y Combinator, Daniel Francis จาก Abel Police และ Farbood Nivi จาก A-LIST
.
สิ่งที่เบ้นชอบคือพวกเขาคุยจากการสร้างของจริงๆในยุค AI เจอต้นทุนจริง แล้วก็เถียงกันจริง บางเรื่อง Naval กับ Garry เห็นต่างกันจนเราต้องหยุดคิดตามว่า เออ แล้วเราเชื่อฝั่งไหน เพราะอะไร?
.
เบ้นหยิบมา 8 ข้อ โดยเน้นส่วนที่เกี่ยวกับ AI การทำงาน และการสร้างธุรกิจ พร้อมมุมที่เบ้นตีความต่อจากบทสนทนานี้กัน #อ่านจบปุ๊ปเก่งขึ้นปั๊ป
========
[1] ถ้าอยากเข้าใจอนาคต ลองใช้ชีวิตแบบนั้นก่อน
.
Garry พูดถึงแนวคิดที่เขาได้จาก Paul Buchheit ว่าให้ลองไปอยู่ในอนาคต แล้วค่อยย้อนกลับมาคิดว่าเราจะสร้างอะไรเพื่อพาคนอื่นไปถึงตรงนั้น
.
ในบริบทนี้คือทดลองใช้ AI กับงานจริงให้มากพอ จนเราได้สัมผัสวิธีทำงานที่วันนี้อาจยังดูยุ่งยากหรือมีต้นทุนสูง แต่วันหนึ่งอาจกลายเป็นเรื่องธรรมดา
.
เช่น จากเดิมเราต้องเปิดหลายโปรแกรม รวบรวมข้อมูล แล้วนั่งทำรายงานเอง ลองให้ AI ช่วยทำงานตั้งแต่รับข้อมูล วิเคราะห์ ไปจนถึงเตรียมสิ่งที่เราต้องตัดสินใจ
.
พอลองทั้งกระบวนการ เราจะเริ่มเห็นว่าอะไรทำได้แล้ว อะไรยังพัง และคนยังต้องเข้าไปช่วยตรงไหน
.
มุมเบ้นมองว่า เราเข้าใจอนาคตได้ดีขึ้นเมื่อมีประสบการณ์กับมัน ความเห็นที่มาจากการลองใช้แค่สองสามครั้ง อาจตามความสามารถของเครื่องมือไม่ทันแล้ว
——
[2] บางธุรกิจติดที่ต้นทุน มากกว่าความฉลาดของ AI
Farbood เล่าว่าทีมของเขาสร้างระบบที่ให้ผู้ใช้แต่ละคนมี AI Agent ของตัวเอง
.
ตอนเริ่ม ต้นทุนอยู่ประมาณ 100 ดอลลาร์ต่อคนต่อเดือน เขาเล่าว่าทีมใช้เวลาราว 3-4 เดือน ปรับระบบจนลดลงเหลือ 2.84 ดอลลาร์
.
ลองคิดว่าถ้าคุณมีลูกค้า 1,000 คน ต้นทุนสองแบบนี้ทำให้ธุรกิจหน้าตาต่างกันขนาดไหน ทั้งที่สิ่งที่ลูกค้าต้องการอาจยังเป็นบริการแบบเดิม
.
คำถามของคนสร้างธุรกิจจึงมีมากกว่า “AI ทำได้ไหม?”
ต้องถามต่อว่า ทำได้ในต้นทุนเท่าไร คุณภาพสม่ำเสมอแค่ไหน และเราขายบริการนี้ในราคาที่ลูกค้ายอมจ่ายได้หรือเปล่า
.
เบ้นชอบข้อนี้ เพราะเวลาเห็น Demo เรามักตื่นเต้นกับความสามารถ แต่ตอนทำธุรกิจจริง เราต้องอยู่กับต้นทุนทุกครั้งที่ลูกค้ากดใช้ด้วยครับ
——–
[3] ความเก่งของ AI ขึ้นอยู่กับระบบที่เราสร้างรอบมันด้วย
.
ในวงคุยมีคำว่า Harness โผล่มาหลายครั้ง (อันนี้หัวใจหลักๆเลยๆทุกคนตั้งใจอ่านๆ)
.
ถ้าอธิบายแบบง่าย ๆ มันคือระบบรอบโมเดลที่ช่วยให้ AI ทำงาน เช่น เข้าถึงข้อมูลอะไร ใช้เครื่องมือไหน ทำงานตามขั้นตอนอย่างไร และตรวจผลลัพธ์ด้วยวิธีไหน
.
เหมือนเราจ้างคนเก่งมา แต่เขาไม่มีข้อมูลลูกค้า ไม่รู้เกณฑ์ของงาน และไม่มีสิทธิ์เปิดโปรแกรมที่ต้องใช้ ความเก่งก็อาจไปไม่ถึงผลลัพธ์ที่เราต้องการ
.
อีกเรื่องที่ Naval ย้ำคือ ความผิดพลาดสะสมได้
งานที่ตอบผิดครั้งเดียวแล้วเราอ่านตรวจ อาจยังแก้ทัน แต่ถ้า Agent ทำงานต่อกันหลายสิบขั้น ความผิดพลาดต้นทางอาจถูกส่งต่อจนกลายเป็นงานผิดทั้งชุด
.
สำหรับเบ้น ข้อนี้ทำให้การใช้ AI เริ่มเปลี่ยนจากการหา Prompt ดี ๆ ไปสู่การออกแบบงานให้ชัด มีข้อมูลพร้อม และรู้ว่าจะตรวจตรงไหนก่อนปล่อยให้มันทำต่อ
——–
[4] ใช้ AI ช่วยเขียนได้แค่ไหน? ข้อนี้พวกเขาเห็นต่างกัน
.
Naval ให้ความสำคัญกับการเขียนด้วยตัวเอง เพราะการเขียนบังคับให้เราคิดให้ชัด เลือกประเด็น และเคารพเวลาคนอ่าน
.
เขาใช้ AI ช่วยระดมความคิด หาคำ หรือดึงข้อมูลที่เกี่ยวข้อง แต่สำหรับข้อความที่มนุษย์คนอื่นต้องอ่าน เขาอยากเป็นคนกลั่นมันออกมาเอง
.
ฝั่ง Garry มองว่างานเขียนจาก AI ที่ใช้แบบทั่วไปยังมีปัญหา แต่เราปรับปรุงได้ด้วยข้อมูลตัวอย่าง คำสั่ง และระบบประเมินคุณภาพที่ดีขึ้น
.
เบ้นว่าคำถามนี้น่าสนใจกว่าการเถียงว่า “ใช้ AI เขียนได้หรือไม่ได้”
เพราะเราต้องถามตัวเองด้วยว่า ระหว่างใช้มัน เราได้คิดเรื่องนี้ชัดขึ้นไหม? เราอธิบายด้วยภาษาตัวเองได้หรือยัง? และถ้าคนอ่านถามต่อ เราตอบได้ไหม?
.
ถ้าอ่านงานที่ตัวเองโพสต์แล้ว ยังอธิบายไม่ได้ว่าทำไมถึงเชื่อแบบนั้น ต่อให้งานดูดี เราก็ยังไม่ได้เป็นเจ้าของความเข้าใจนั้นครับ
——–
[5] เมื่อสร้าง Software ได้ง่ายขึ้น ความได้เปรียบของธุรกิจก็ต้องคิดใหม่
.
Naval มองว่า AI กำลังทำให้การสร้าง Software หลายอย่างง่ายและถูกลง
เมื่อเราอธิบายสิ่งที่ต้องการได้แบบชัดๆ AI ก็ช่วยสร้างมันขึ้นมาได้เร็วกว่าเดิมมาก ความสามารถในการทำแอปหนึ่งตัวจึงอาจสร้างความได้เปรียบได้ไม่นานเท่าเมื่อก่อน
.
นี่เป็นมุมมองของเขาต่อทิศทางตลาด แต่คำถามที่เบ้นหยิบกลับมาคิดต่อคือ ถ้าคู่แข่งทำฟีเจอร์ใกล้เคียงเราได้เร็วขึ้น ลูกค้าจะยังเลือกเราเพราะอะไร?
.
เขาเชื่อใจเราไหม? เราเข้าใจปัญหาของเขาดีกว่าไหม? สินค้าของเราเข้ากับวิธีทำงานของเขาแค่ไหน? เราเข้าถึงคนที่ต้องการสิ่งนี้ได้หรือเปล่า?
.
สำหรับคนทำ OPB เบ้นว่าข้อนี้ควรทำให้เรากลับมาใส่ใจกับลูกค้ามากขึ้น
เพราะการสร้างของได้เร็วขึ้น ช่วยลดเวลาทำสินค้า แต่ยังต้องพิสูจน์ว่าของที่สร้างมีคนอยากใช้และยอมจ่ายเงินจริง
.
[6] AI อาจเปลี่ยนทั้งวิธีทำงาน และวิธีมองเห็นธุรกิจ
.
Garry เล่าถึงผู้ก่อตั้งที่ใช้ Agent ช่วยติดตามตัวเลขและข้อมูลจากการทำงานของทีม ทำให้เห็นสิ่งที่เกิดขึ้นในบริษัทได้มากขึ้น
.
ลองนึกถึงเจ้าของธุรกิจที่ข้อมูลกระจายอยู่ในแชต ตารางยอดขาย รายงานโฆษณา และบันทึกประชุม
ก่อนจะตัดสินใจอะไร เขาต้องใช้แรงไปกับการตามข้อมูลให้ครบก่อน บางครั้งกว่าจะรู้ว่าปัญหาอยู่ตรงไหน ก็ผ่านไปหลายวันแล้ว
.
ทุกคนลองมองว่า AI มีโอกาสช่วยตรงนี้ได้มาก โดยรวบรวมข้อมูล ชี้สิ่งที่เปลี่ยน และเตรียมคำถามให้เจ้าของธุรกิจเข้าไปตรวจต่อ
.
ยิ่งทีมเล็ก ยิ่งมีประโยชน์ เพราะคนหนึ่งคนต้องดูหลายหน้าที่พร้อมกัน
แต่ถ้าตัวเลขต้นทางผิด นิยามไม่ตรงกัน หรือไม่มีใครบันทึกสิ่งสำคัญไว้ เราก็จะได้บทสรุปที่ดูเรียบร้อยจากข้อมูลที่ยังมีปัญหาอยู่ดี
.
การจัดข้อมูลกับการวางระบบ จึงยังเป็นงานที่เราต้องทำครับ
———-
[7] ความกลัวว่าจะถูก AI แทนที่ มีเหตุผลที่เราควรฟัง
.
Naval พูดถึงกระแสต่อต้าน AI ว่าความกลัวเรื่องการถูกแทนที่เป็นสิ่งที่เข้าใจได้ แม้เขาจะไม่เห็นด้วยกับเหตุผลบางอย่างที่คนใช้ในการต่อต้าน
.
เบ้นว่าคนที่ตื่นเต้นกับเทคโนโลยีควรฟังข้อนี้
.
สำหรับเรา เครื่องมือใหม่อาจแปลว่าสร้างงานได้เร็วขึ้น แต่สำหรับอีกคน มันอาจแปลว่างานที่เขาฝึกมาสิบปี กำลังถูกทำได้ในเวลาสั้นลงมาก
.
ความเร็วในการเปลี่ยนผ่านจึงสำคัญ คนต้องใช้เวลาเรียนรู้ ปรับบทบาท และหาว่าความสามารถเดิมของตัวเองจะไปอยู่ตรงไหนต่อ
.
ถ้าเราจะเอา AI เข้าไปใช้กับทีม ควรคุยให้ชัดว่ามันจะช่วยงานอะไร คนยังต้องรับผิดชอบตรงไหน และทุกคนจะมีโอกาสเรียนรู้วิธีทำงานใหม่อย่างไร
.
แค่บอกว่า “ปรับตัวสิ” อาจยังไม่ช่วยให้เขารู้ว่าพรุ่งนี้ต้องเริ่มจากตรงไหน
——–
[8] เมื่อ AI ทำงานได้มากขึ้น เราต้องชัดเจนมากขึ้นว่าอยากให้มันทำอะไร
.
ช่วงท้าย พวกเขาคุยถึงภาพที่มนุษย์เป็นคนกำกับ AI และหุ่นยนต์ โดยยังมีบทบาทเรื่องเป้าหมาย รสนิยม(Taste) และการตัดสินใจ (Judgement)
.
Naval ย้ำเรื่องความต้องการของมนุษย์ ต่อให้เครื่องจักรมีความสามารถมากขึ้น เราก็ยังมีชีวิตที่อยากใช้ ปัญหาที่อยากแก้ และสิ่งที่อยากสร้างให้เกิดขึ้น
.
เบ้นฟังแล้วกลับมาคิดว่า พอเครื่องมือทำงานได้เยอะขึ้น ความคลุมเครือของเราจะเห็นชัดขึ้นด้วย
.
เราอยากทำธุรกิจนี้เพื่ออะไร? ลูกค้าคนไหนที่เราอยากช่วย? งานแบบไหนที่เราถือว่าดี? และอะไรที่เราไม่อยากแลก แม้จะทำเงินได้มากขึ้น?
.
AI ช่วยเสนอทางเลือกให้เราได้ แต่เรายังต้องตัดสินใจว่าจะเลือกทางไหน และรับผิดชอบต่อสิ่งที่เลือก
.
เรื่องนี้เลยทำให้เบ้นอยากฝึกทั้งการใช้เครื่องมือ และการรู้จักความต้องการของตัวเองไปพร้อมกัน
=============
ถ้าคุณชอบบทความแนวนี้ แล้วไม่อยากพลาด สามารถใส่ Email ของคุณได้ที่ Link นี้เลย (ฟรีไม่มีค่าใช้จ่าย)
#สรุปแบบลงดาบ
.
สิ่งที่เบ้นหยิบกลับมาจาก Podcast นี้คือ เราควรลงมือใช้ AI ให้มากพอที่จะเห็นความสามารถและข้อจำกัดของมัน แล้วค่อยออกแบบวิธีทำงานจากสิ่งที่เจอจริง
เลือกงานหนึ่งชิ้นที่ทำซ้ำอยู่ ลองให้ AI ช่วย วัดว่าประหยัดเวลาได้เท่าไร ผิดตรงไหน และต้องตรวจอะไร ก่อนขยายไปสู่งานที่ใหญ่ขึ้น
ระหว่างนั้นก็ฝึกคิดให้ชัดขึ้นด้วย เพราะเมื่อสร้างของได้เร็วขึ้น เราต้องตัดสินใจให้ดีขึ้นว่าอะไรควรถูกสร้าง และสร้างไปเพื่อใคร
ถ้าสัปดาห์นี้จะลองให้ AI ช่วยงานจริงสักหนึ่งชิ้น คุณจะเลือกงานอะไรครับ?
ผมหวังว่าเรื่องนี้จะช่วยสร้างวันของคุณ
ใส่ความเห็น