Ad copy

"แล้วงานแบบนี้ควรใช้ AI จริงๆหรือ?" . ทุกวันนี้ใครๆ ก็พูดถึง AI แต่มีคำถามหนึ่งที่คนทำงานจริง ถามกันบ่อยมาก และไม่ค่อยมีคำตอบที่ชัดเลย . "แล้วงานแบบนี้ควรใช้ AI จริงๆหรือ?" . สิ่งที่เห็นบ่อยๆ คือทุกคนมักเริ่มจากเครื่องมือที่ตัวเองรู้จัก ไม่ใช่จากงานที่อยู่ตรงหน้า . คนที่ถนัด AI ก็บอกใช้ AI คนที่เขียนโค้ดเป็นก็บอกเขียน Script คนที่ใช้ n8n เป็นก็บอกต่อ workflow ไปเลย . แต่ไม่มีใครหยุดถามก่อนว่า "งานนี้มันเป็นแบบไหนกันแน่?" . มันเหมือนกับไปหาหมอแล้วหมอจ่ายยา โดยไม่ถามอาการเลย แค่จ่ายยาตัวที่ตัวเองถนัด จะผิดก็ไม่ถึงกับผิด แต่จะถูกที่สุดก็ไม่แน่ . เลยลองทำ matrix ขึ้นมาอันนึง ไม่ได้จะบอกว่า tool ไหนเก่งกว่ากัน . แต่เริ่มจากคำถามง่ายๆ สองข้อก่อน ข้อแรก งานนี้ทำซ้ำบ่อยแค่ไหน? ข้อสอง เขียนเป็นกฎได้ไหม? . คือถ้ามีคนถามว่า "แล้วระบบต้องทำอะไร?" ตอบได้เป็นขั้นตอนชัดๆ ไหม . ถ้า A แล้วต้อง B ถ้า C แล้วต้อง D . แบบนี้เขียนกฎได้ . แต่ถ้าตอบได้แค่ว่า "มันขึ้นอยู่กับสถานการณ์" . หรือ "ต้องอ่านดูก่อน" . นั่นแหละคือเขียนกฎไม่ได้ สองคำถามนี้ดูธรรมดามากเลย . แต่คำตอบมันตัดสินได้เกือบทุกอย่างว่าควรใช้อะไร . ถ้างานซ้ำเยอะและเขียนกฎได้ครบ ไม่ต้องใช้ AI เลยนะ . Python สามสิบบรรทัด SQL query อันเดียว หรือแม้แต่ Excel Macro ก็ทำได้ดีกว่า เร็วกว่า ถูกกว่า . และที่สำคัญที่สุดคือควบคุมได้ 100% รู้ว่าระบบทำอะไร เมื่อไหร่ และทำไม . การใช้ AI กับงานแบบนี้ไม่ได้ฉลาดเลย มันคือการจ่ายแพงโดยไม่จำเป็น แถมยังเพิ่มความเสี่ยงที่ระบบจะตอบผิด . โดยที่เราไม่รู้ตัวอีก . ถ้างานซ้ำเยอะแต่เขียนกฎไม่ได้ เพราะ pattern มันซ่อนอยู่ในข้อมูล . ไม่ได้อยู่ใน logic ที่อธิบายได้ นั่นแหละคือจุดที่ Algorithm หรือ ML Model เข้ามา . ไม่ใช่ LLM อย่าง ChatGPT หรือ Claude นะ การแนะนำสินค้า ตรวจจับ fraud ให้คะแนนความเสี่ยง พวกนี้ต้องการโมเดลที่เรียนรู้จากข้อมูลจริงๆ ไม่ใช่ภาษาที่ฉลาด . ถ้างานมีขั้นตอนชัด แต่ต้องเชื่อมหลาย app หรือมีคนหลายคนเกี่ยวข้อง . Zapier, Make, n8n หรือ Workato คือคำตอบ . ไม่ต้องโค้ด ตั้งได้เร็ว ปรับได้ง่ายเมื่อขั้นตอนเปลี่ยน . แล้วถ้างานไม่ค่อยซ้ำ และเขียนกฎไม่ได้จริงๆ . เพราะแต่ละครั้ง input มาต่างกัน ต้องตีความ ต้องอ่านบริบท ต้องใช้ดุลยพินิจ . นั่นแหละถึงเป็นที่ของ AI จริงๆ ไม่ว่าจะสรุปเอกสาร ตอบคำถามซับซ้อน หรือร่างข้อความที่ต้องปรับตามสถานการณ์ . มีอีกอันที่ใส่ไว้ใน matrix แต่คนมักมองข้าม . คน . คนอยู่ล่างสุดไม่ใช่เพราะสำคัญน้อยที่สุดนะ แต่เพราะงานที่ยังต้องการคน . คืองานที่ยังไม่มีข้อมูลพอ ยังไม่รู้ว่า pattern คืออะไร . ถ้าปล่อยให้ machine ทำโดยที่เราเองยังไม่เข้าใจ เราจะไม่มีวันรู้เลยว่ามันผิดตรงไหน . การให้คนทำก่อนไม่ใช่ความล้าหลัง มันคือการสังเกตและเก็บข้อมูล . ก่อนตัดสินใจว่าจะ automate ด้วยอะไร หลายองค์กรที่รีบ automate เร็วเกินไป . พบทีหลังว่ากำลัง automate กระบวนการที่ยังไม่ดีพออยู่ ผลที่ได้คือได้ผลลัพธ์ที่ผิดซ้ำๆ แต่เร็วขึ้น . Human-in-the-loop ก็สำคัญมากเหมือนกัน งานที่ AI ทำได้แต่ยังต้องมีคนตรวจก่อนส่ง . นั่นไม่ใช่ความล้มเหลวของ AI แต่คือการออกแบบระบบที่ฉลาด รู้ว่าตรงไหนไว้ใจเครื่องมือได้ และตรงไหนต้องการคนตัดสินใจ . matrix ใบนี้เลยไม่ได้มีไว้ตอบว่า AI ดีหรือไม่ดี แต่มีไว้เพื่อให้มีคำถามที่ถูกต้องก่อนจะเลือกเครื่องมือ . ในยุคที่ทุกคนแข่งกัน adopt เทคโนโลยีใหม่ คนที่ได้เปรียบจริงๆ ไม่ใช่คนที่ใช้ tool ล้ำที่สุด . แต่คือคนที่รู้ว่าเมื่อไหร่ควรใช้อะไร และเมื่อไหร่ที่คำตอบที่ดีที่สุดยังคือคน . เครื่องมือที่ดีที่สุดคือเครื่องมือที่เหมาะกับงาน ไม่ใช่เครื่องมือที่ล้ำที่สุด . ถ้าชอบบทความแบบนี้ ฝากกดไลค์กดแชร์ เป็นกำลังใจให้ด้วยนะครับ Cheer