AI เก่งขึ้นทุกวัน แล้วเราล่ะเก่งขึ้นด้วยไหม? บทเรียนจาก AI NEXT by BIZCORE

คำถามที่ติดอยู่ในใจหลังงาน

เมื่อวันที่ 25 กรกฎาคม 2026 ผมไปร่วม AI NEXT BOOTCAMP by BIZCORE งานแบ่งเป็นสองช่วงที่พูดเรื่อง AI จากคนละด้าน ช่วงเช้าเป็น session ของ Mew Social กับคุณมิว ส่วนช่วงบ่ายเป็น session ของ DataRockie กับคุณทอย

เครื่องมือ AI และโมเดลเปลี่ยนเร็วขึ้นทุกวัน บางครั้งเร็วพอที่จะทำให้เรารู้สึกว่าต้องรีบตามให้ทัน แต่สิ่งที่ติดอยู่ในใจหลังงานไม่ใช่ชื่อโมเดลหรือเครื่องมือใหม่ มันเป็นคำถามของตัวเองว่า ถ้า AI เก่งขึ้นทุกวัน แล้วเรากำลังเก่งขึ้นด้วยหรือเปล่า?

สองช่วงในงานไม่ได้ให้คำตอบเดียวกันทั้งหมด แต่พอเอามาต่อกัน ผมเห็นภาพเดียวกันชัดขึ้น: AI ช่วยให้เราทำงานได้เร็วขึ้น แต่คนยังต้องค่อย ๆ สะสมข้อมูลรอบตัว ฝึกคิด และตัดสินใจว่าอะไรควรทำต่อ

ช่วงเช้ากับ Mew Social: เริ่มจากปัญหาและบริบทของเรา

AI อาจมีความรู้กว้างและตอบได้เร็ว แต่คำตอบจะเปลี่ยนไปมากเมื่อเราให้ข้อมูลเกี่ยวกับงานจริงเข้าไป ใน session ของ Mew Social ประเด็นที่ผมได้ยินแล้วสะดุดคือ เราไม่ควรเริ่มจากคำถามว่า “AI ตัวไหนกำลังดัง?” เราควรเริ่มจากงานของเราติดตรงไหน และระบบต้องรู้อะไรจึงจะช่วยได้จริง ข้อมูลรอบ ๆ โจทย์ที่ช่วยให้ AI เข้าใจเรื่องนี้เรียกว่า Context

จาก session ผมสรุปเรื่อง Context ออกมาได้เป็นสองส่วนใหญ่ ๆ — ข้อมูลจากโลกข้างนอก และข้อมูลที่เป็นของเราเอง

• Global Context — ข้อมูลจากโลกข้างนอก เช่น งานวิจัย เอกสาร วิธีปฏิบัติที่เป็นปัจจุบัน ข้อมูลตลาด และความรู้ในเรื่องที่เกี่ยวข้อง
• Our / Business / Personal Context — ข้อมูลที่เป็นของเรา เช่น ประวัติการทำงาน งานที่เคยทำ ผลลัพธ์เดิม ลูกค้า ข้อจำกัด ความเห็นตอบกลับ และความรู้หรือสไตล์ที่เราสะสมไว้

เมื่อนำมาใช้กับ Workflow ของผม ผมเติมเป้าหมายและข้อจำกัด (Goal & Constraints) เข้าไปอีกชั้น เพื่อให้ AI รู้ว่าเราต้องการไปไหน มีขอบเขตอะไร และมีเส้นอะไรที่ห้ามข้าม

การแบ่งแบบนี้เป็นวิธีที่ผมใช้จัดระเบียบความคิด ไม่ใช่การบอกว่าใน session มีกรอบสามชั้นอย่างเป็นทางการ การแยกแบบนี้ช่วยให้ผมเห็นว่าข้อมูลส่วนไหนเป็นความรู้ทั่วไป ข้อมูลส่วนไหนเป็นของเรา และเป้าหมายที่กำลังสั่งให้ระบบทำคืออะไร

ทำวิธีทำงานให้เข้ากับคน ไม่ใช่ให้คนเข้ากับเครื่องมือ

เมื่อเราเริ่มจากปัญหาที่ติดขัด วิธีทำงานก็ไม่จำเป็นต้องเหมือนของคนอื่น บางคนติดที่การค้นคว้า บางคนติดที่การคิดหัวข้อและร่างเนื้อหา บางคนติดที่ปฏิทินคอนเทนต์ (Content Calendar) ขั้นตอนทำวิดีโอ ตัวละครหรือภาพแทนที่ AI ช่วยสร้าง (AI Avatar) การจัดการคอมเมนต์ หรือการส่งต่อ Lead ให้คนเข้ามาดูต่อ

AI หรือ Avatar อาจช่วยส่งสารแทนเราได้ แต่ทั้งมุมมอง ความรู้ ประสบการณ์ และวิจารณญาณควรมาจากคนสร้างเอง ผมอยากให้ AI ช่วยสื่อสารในสิ่งที่เราคิด ไม่ใช่ค่อย ๆ เปลี่ยนจนเราไม่เหลือจุดยืนของตัวเอง

ในตัวอย่างหนึ่งที่ผมจำได้จากงาน มีเอกสารต้นทางหรือ Whitepaper ซึ่งเป็นเอกสารอธิบายเรื่องหนึ่งอย่างละเอียด แล้ว AI ช่วยอ่านเพื่อแตกออกมาเป็นแนวคิดหลายแบบ บทเรียนที่ผมได้ไม่ใช่เอกสารหนึ่งชิ้นจะกลายเป็นโพสต์จำนวนตายตัว แต่เป็นลำดับที่ควรทำ:

Source material → ทำความเข้าใจและค้นคว้า → ให้ AI ช่วยแตกมุม → คนเลือกมุมที่มีประโยชน์ → เขียนใหม่ด้วยเสียงของตัวเอง

Working Brief: เปลี่ยนไอเดียให้คนอื่นทำต่อได้

ถ้าไอเดียหรือปัญหายังอยู่ในหัว เรามักคิดว่าคนอื่นน่าจะเข้าใจเหมือนเรา เอกสารสั้น ๆ ที่ช่วยเปลี่ยนความคิดนั้นให้เป็นแผนที่ทำงานต่อได้เรียกว่า Working Brief โดย AI ค่อย ๆ ถามเราเพื่อเก็บข้อมูลที่ยังขาด เมื่อเราเติมบริบทชัดขึ้น คนหรือระบบอื่นก็ทำงานต่อได้ง่ายขึ้น

ถ้าผมเอาแนวคิดนี้มาจัดเป็น Brief ที่ใช้กับงานของตัวเอง ผมอยากให้ตอบคำถามอย่างน้อยเรื่องเหล่านี้:

• เราต้องการผลลัพธ์อะไร (Outcome)
• ปัญหาที่กำลังแก้คืออะไร (Problem)
• งานที่ต้องส่งมีอะไรบ้าง (Deliverables)
• ขอบเขตของงานอยู่ตรงไหน (Scope)
• มีข้อจำกัดอะไร (Constraints)
• จะรู้ได้อย่างไรว่าสำเร็จ (Success Criteria)
• ขั้นตอนถัดไปคืออะไร (Next Step)

ผมลองเอาสิ่งที่ได้จาก session มาสร้างเป็นรูปแบบที่ใช้กับงานของตัวเองได้ง่ายขึ้น ไม่ใช่การยก Field List นี้เป็น Framework สากลของผู้พูด จุดสำคัญกว่าชื่อช่องคือ ถ้าข้อมูลรอบตัวยังไม่ครบ ให้ AI ถามเพิ่มก่อน อย่าเพิ่งสร้างคำตอบที่ดูสมบูรณ์บนโจทย์ที่ยังไม่ชัด

Model Routing: เลือกโมเดลให้เหมาะกับงาน

งานแต่ละแบบไม่จำเป็นต้องใช้ AI ตัวเดียวกันทั้งหมด งานที่ต้องคิดหรือวางแผนอาจให้โมเดลที่เก่งกว่าเหมือน Architect ช่วย ส่วนงานที่เป็นขั้นตอนชัดเจนอาจใช้โมเดลที่เล็กกว่าเหมือน Builder ได้ แนวคิดนี้เรียกว่า Model Routing

ตัวอย่างเช่น งานจัดหมวดหมู่ (Classify) ดึงข้อมูลตามช่องที่กำหนด (Extract fields) หรือเปลี่ยนรูปแบบข้อความ (Reformat) มักไม่ต้องใช้โมเดลที่ใหญ่ที่สุด ส่วนงานที่ต้องวางเหตุผลหลายชั้นอาจต้องใช้โมเดลที่เหมาะกว่า จุดสำคัญคือวัดความครบถ้วน เวลา คุณภาพ และความเสถียรกับงานจริง ไม่ใช่ตัดสินจากชื่อรุ่นหรือ Benchmark เดียว

โพสต์จบ แต่เสียงจากคนอ่านยังช่วยให้เราปรับงานต่อได้

ในงาน Content คอมเมนต์คือเสียงสะท้อนจากคนอ่าน (Voice of Customer) แบบหนึ่ง มันอาจมีทั้งสัญญาณบวก ลบ และกลาง ๆ เราเก็บกลับมาได้เพื่อดูว่าคนอ่านสงสัยตรงไหน เห็นด้วยกับอะไร หรือมีปัญหาอะไรที่เนื้อหายังตอบไม่ครบ

การตอบคำถามที่เป็นงานประจำและมีความเสี่ยงต่ำอาจให้ AI ช่วยร่างหรือช่วยจัดกลุ่มได้ แต่เรื่องที่มีความตั้งใจสูง มีความละเอียดอ่อน หรืออาจทำให้เกิดความเข้าใจผิด ควรส่งต่อให้คนดูเอง การแบ่งงานแบบนี้เรียกว่า Human-in-the-loop: ให้ AI ทำขั้นตอนที่เสี่ยงต่ำต่อได้ แต่ให้คนตรวจหรืออนุมัติเมื่อเรื่องอ่อนไหวหรือมีผลกระทบสูง ผมไม่ได้มองว่านี่เป็นสูตรรับประกัน Reach หรือ Engagement แต่เป็นวิธีไม่ปล่อยให้เสียงจากคนอ่านหายไปเฉย ๆ

สำหรับ Dream Logs Data ผมอยากลองทำแบบนี้:

เราโพสต์บทความ คนถามหรือแสดงความคิดเห็น สิ่งเหล่านั้นช่วยให้เราเห็นว่าตรงไหนยังอธิบายไม่ชัด และคนสนใจเรื่องไหนต่อ ถ้ามองเป็นระบบ นี่ก็คือ Feedback Loop แบบหนึ่ง:

บทความยาวบน dreamlogsdata.com → โพสต์สั้นบนโซเชียล → คำถาม คอมเมนต์ และปฏิกิริยาจากคนอ่าน → เก็บสิ่งที่มีประโยชน์เป็นข้อมูลประกอบ → ใช้ปรับบทความ คำอธิบาย และหัวข้อครั้งต่อไป

นี่คือการประยุกต์ใช้กับงานของผมเอง ไม่ใช่ Framework ที่ผมจะอ้างว่าเป็นสิ่งที่วิทยากรสอนโดยตรง

ช่วงบ่ายกับ DataRockie: ข้อมูลทำให้ความคิดตรวจสอบได้

ช่วงบ่าย คุณทอยจาก DataRockie พากลับมาที่พื้นฐานของการคิดและการทำงานกับข้อมูล (Data) สิ่งที่ผมได้ไม่ใช่ว่าข้อมูลเป็นขั้นตอนหลังสุดของ AI แต่ข้อมูลเป็นส่วนหนึ่งของการตั้งคำถามตั้งแต่ต้น

ห้องเวิร์กช็อปทำให้วิธีทำงานเห็นเป็นภาพ

ภาพห้องที่เต็มไปด้วยผู้เข้าร่วมและแล็ปท็อปทำให้ผมนึกถึง Workflow หรือวิธีทำงาน มากกว่าเครื่องมือ ทุกคนอาจใช้เครื่องมือคล้ายกัน แต่โจทย์ ข้อมูลประกอบ วิธีตรวจ และจุดที่ต้องให้คนอนุมัติยังต่างกัน

AI ช่วยทำได้ แต่ฝึกแทนเราไม่ได้

ตอนแรกผมคิดถึง AI เหมือนเครื่องคิดเลข เครื่องคิดเลขทำให้เราคำนวณเร็วขึ้นหลังจากเราเข้าใจแล้วว่ากำลังคำนวณอะไร แต่มันไม่ได้ช่วยบอกว่าโจทย์คืออะไร ตัวเลขที่ป้อนมาถูกต้องไหม หรือผลลัพธ์ควรนำไปใช้กับการตัดสินใจแบบไหน

AI ก็คล้ายกัน มันอ่านหรือเขียนให้เราได้ แต่นั่นไม่ได้แปลว่ามนุษย์จะได้ประสบการณ์จากการอ่านและการเขียนเพิ่มขึ้นโดยอัตโนมัติ ถ้าเราให้ AI อ่านทุกอย่างและเขียนทุกอย่างแทน เราอาจได้ผลลัพธ์ (Output) ที่เร็วขึ้นโดยที่ความสามารถของเรายังไม่ได้เติบโตตาม

รูปแบบที่น่าระวังคือการใช้ AI ทำสิ่งที่เราไม่เข้าใจ เพียงเพื่อให้สิ่งนั้นเสร็จเร็วขึ้น AI ไม่ได้แย่ และการใช้ AI เป็นแรงช่วยก็มีประโยชน์มาก คำถามคือ เรากำลังให้มันช่วยขยายทักษะที่อยากเป็นเจ้าของ หรือกำลังส่งขั้นตอนที่ยากทั้งหมดออกไปจนไม่เหลือพื้นที่ให้ตัวเองฝึก

AI ช่วยให้ผมทำงานเร็วขึ้นได้ แต่ถ้าทุกขั้นที่ยากถูกส่งให้ AI หมด ผมต้องถามกลับเหมือนกันว่า แล้วส่วนไหนของงานนี้กำลังฝึกผมอยู่?

ผลลัพธ์ที่ดีจึงไม่เท่ากับความสามารถของคนที่สั่งงานเสมอไป ผมอยากถามต่อว่า ความคิด วิจารณญาณ และความสามารถในการตั้งปัญหาให้ชัดขึ้นกำลังดีขึ้นไปพร้อมกับเครื่องมือหรือเปล่า?

ข้อมูลที่ไม่พร้อม ต่อให้วิเคราะห์เก่งแค่ไหนก็อาจพาไปผิดทาง

ก่อนวิเคราะห์ ลองเช็กง่าย ๆ ว่ามีข้อมูลซ้ำไหม มีข้อมูลหายหรือไม่ รูปแบบข้อมูลถูกต้องหรือเปล่า และข้อมูลครอบคลุมสิ่งที่กำลังถามแค่ไหน สิ่งเหล่านี้คือ Data Quality หรือคุณภาพและความพร้อมของข้อมูล ข้อมูลไม่จำเป็นต้องสะอาดไร้ที่ติ แต่เราต้องรู้ว่าข้อจำกัดคืออะไรและมีผลต่อการตัดสินใจอย่างไร

ข้อความที่เราเห็นว่าสั้น อาจไม่ได้สั้นสำหรับ AI โมเดลประมวลผลข้อความเป็นหน่วยย่อย ๆ ที่เรียกว่า Token หนึ่ง Token ไม่ได้เท่ากับหนึ่งคำเสมอไป กระบวนการแบ่งข้อความออกเป็นหน่วยเหล่านี้เรียกว่า Tokenization

จำนวน Token ขึ้นอยู่กับวิธีตัดข้อความของแต่ละ tokenizer และโมเดล ภาษาแต่ละภาษาก็อาจได้จำนวน Token ต่างกัน ดังนั้นการนับตัวอักษรหรือจำนวนคำอย่างเดียวจึงไม่พอ ควรวัดกับโมเดลที่ใช้จริง รวมถึงความยาวบริบท เวลาในการประมวลผล และสิ่งที่จะเกิดขึ้นเมื่อข้อความเกินขีดจำกัด

สิ่งที่ผมลองต่อยอดกลับมาใช้กับงานตัวเอง

เมื่อผลลัพธ์จาก AI ผิด เราควรรู้ว่าปัญหาเริ่มเข้ามาตั้งแต่ข้อมูลต้นทาง คำสั่ง เครื่องมือ การแปลงข้อมูล หรือการตรวจทานขั้นตอนไหน ผมจึงอยากเก็บร่องรอยของงานไว้ให้พอย้อนดูได้

สำหรับ Workflow ที่มี AI และข้อมูล ผมอยากบันทึกว่า:

• ข้อมูลต้นทางมาจากไหน
• ใช้ Brief หรือ Prompt รุ่นใด
• ใช้ Model และ Tool อะไร
• ข้อมูลถูกเปลี่ยนรูปอย่างไรระหว่างทาง
• ผ่านการ Review แบบไหน และใครเป็นคนอนุมัติเมื่อผลลัพธ์มีความเสี่ยง

การเก็บร่องรอยว่าอะไรเกิดขึ้นในแต่ละขั้นเรียกว่า Traceability ส่วน Data Lineage เน้นเส้นทางที่ข้อมูลเดินทางจากแหล่งหนึ่งไปสู่อีกขั้นหนึ่ง ทั้งสองคำช่วยให้ย้อนกลับไปหาสาเหตุได้เมื่อผลลัพธ์ผิด และช่วยแยกได้ว่าปัญหาเกิดที่ข้อมูล การค้นคืน Model หรือขั้นตอนลงมือทำ

สิ่งที่ผมจะลองเปลี่ยนหลังจบงานนี้

1. เก็บข้อมูลรอบตัวของงานให้ดีขึ้น แยกข้อมูลจากโลกข้างนอกออกจากประสบการณ์ของเรา
2. เปลี่ยน Idea ให้เป็น Working Brief และระบุ Next Step ก่อนเริ่มทำ
3. ให้ AI ช่วยแก้คอขวดหรือช่วยแตกมุม โดยคนยังเลือกมุมและรับผิดชอบเสียงของงาน
4. แยกขั้นวางแผน (Planning) ออกจากขั้นลงมือทำ (Execution) และเลือก Model ตามลักษณะงาน
5. เก็บ Feedback จากบทความและ Social กลับมาเป็นข้อมูลประกอบใหม่
6. รักษาเวลาฝึกทักษะที่อยากเป็นเจ้าของ ไม่ส่งทุกขั้นที่ยากให้ AI ทำแทน

AI เป็น Amplifier ที่ขยายสิ่งที่เราใส่เข้าไป

โมเดลจะเก่งขึ้น เครื่องมือจะใช้ง่ายขึ้น และระบบที่ทำงานเป็นขั้นตอนแทนเรา (Agents) จะทำได้มากขึ้น แต่แพลตฟอร์มไม่ได้ให้ข้อมูลรอบตัว ประสบการณ์ที่เราเคยผ่าน บทเรียนจากการทดลองที่พลาด ความเข้าใจปัญหา มาตรฐาน หรือหลักการตัดสินใจมาแทนเรา

AI เป็น Amplifier หรือเครื่องขยายที่เก่งมาก ถ้าสิ่งที่เราใส่เข้าไปคือข้อมูล ประสบการณ์ และความคิดที่มีคุณภาพ มันก็ช่วยขยายสิ่งเหล่านั้นได้เร็วขึ้นมาก

ดังนั้นคำถามที่ผมได้จาก AI NEXT ไม่ใช่ “ปีนี้ควรใช้ AI ตัวไหน?” แต่เป็นคำถามเดิมที่ชัดขึ้นกว่าเดิม: ถ้า AI เก่งขึ้นทุกวัน เรากำลังสร้างข้อมูลรอบตัว วิธีคิด และวิธีทำงานของตัวเองให้เก่งขึ้นตามมันอยู่หรือเปล่า?

คำศัพท์ที่เจอในบทความนี้

• Context — ข้อมูลรอบ ๆ โจทย์ที่ช่วยให้ AI เข้าใจว่าเรากำลังทำอะไร เพื่อใคร และมีเงื่อนไขอะไร
• Working Brief — สรุปไอเดียหรือปัญหาให้เป็นแผนที่ที่คนหรือระบบอื่นทำงานต่อได้
• Model Routing — การเลือกโมเดลให้เหมาะกับงาน งานที่ต้องคิดมากอาจใช้โมเดลที่เก่งกว่า ส่วนงานที่เป็นขั้นตอนชัดเจนอาจใช้โมเดลที่เล็กกว่า
• Human-in-the-loop — ให้ AI ทำขั้นตอนที่ความเสี่ยงต่ำต่อได้เอง แต่ให้คนตรวจหรืออนุมัติก่อนขั้นตอนที่อ่อนไหว ไม่แน่นอน หรือมีผลกระทบสูง
• Data Quality — ความพร้อมและข้อจำกัดของข้อมูล เช่น ข้อมูลซ้ำ ข้อมูลหาย รูปแบบผิด หรือข้อมูลไม่ครอบคลุมคำถาม
• Token — หน่วยย่อยของข้อความที่โมเดล AI ใช้ประมวลผล หนึ่ง Token ไม่ได้เท่ากับหนึ่งคำเสมอไป
• Tokenization — กระบวนการแบ่งข้อความออกเป็น Token ก่อนส่งให้โมเดลประมวลผล
• Traceability — การเก็บร่องรอยว่าแต่ละขั้นของงานเกิดอะไรขึ้นและใช้ข้อมูลหรือเครื่องมืออะไร
• Data Lineage — เส้นทางที่ข้อมูลเดินทางจากแหล่งหนึ่งไปสู่อีกขั้นหนึ่งใน Workflow

แหล่งอ้างอิงและหมายเหตุ

• AI NEXT by BIZCORE
• Mew Social AI NEXT workshop

บทความนี้เป็นการเรียบเรียงจากสิ่งที่ผู้เขียนได้จากการเข้าร่วมงานและบันทึก/Transcript จากงาน ผสมกับมุมมองส่วนตัวหลังเข้าร่วม ไม่ใช่ Transcript แบบคำต่อคำของวิทยากร