ทุ่ม 3 หมื่นล้านดอลลาร์กับ GenAI แต่ 95% ของบริษัทยัง ‘ไร้ผลตอบแทน’

• ตามรายงานของ MIT 95% ของบริษัททั่วโลกยังไม่ได้รับผลตอบแทนทางธุรกิจที่เป็นรูปธรรมจากการนำ Generative AI มาใช้
• องค์กรจำนวนมากได้ทดลองใช้โมเดลภาษาขนาดใหญ่ในวงกว้าง เช่น ChatGPT และ Copilot แต่การใช้งานส่วนใหญ่ยังจำกัดอยู่ที่ การเพิ่มผลิตภาพ
• กรณีที่ประสบความสำเร็จพบเพียง 5% ของโครงการ AI pilot แบบบูรณาการ เท่านั้น และส่วนใหญ่ก็ยังไม่ส่งผลต่อยอดขายหรือกำไร
• สาเหตุหลักคือ Generative AI ยังไม่สอดคล้องกับกระบวนการทำงานจริง อีกทั้งยังจำฟีดแบ็กไม่ได้และปรับตามบริบทได้ไม่ดี
• รายงานมองว่าความกังวลเรื่องการแทนที่งานจำนวนมากนั้นเกินจริง โดยวิเคราะห์ว่าแม้ จะช่วยลดต้นทุนภายนอกได้ แต่การปรับโครงสร้างภายในหรือการปลดพนักงานครั้งใหญ่ยังไม่น่าเกิดขึ้นในเร็ว ๆ นี้
• สรุปคือ AI เด่นในงานเฉพาะทางมากกว่าการเป็นกลยุทธ์ระดับองค์กร และแนะนำให้บริษัทโฟกัสในพื้นที่ที่จำกัดและให้ผลลัพธ์ได้ทันที แทนการพยายามปฏิรูปทั้งองค์กร

---

การลงทุนขององค์กรใน Generative AI และผลตอบแทน

• ในช่วง 3 ปีที่ผ่านมา องค์กรต่าง ๆ ลงทุนในโครงการ Generative AI ไปแล้ว 30,000–40,000 ล้านดอลลาร์สหรัฐ
• แต่บริษัทที่ได้รับ ผลตอบแทนทางธุรกิจอย่างเป็นรูปธรรม ยังมีน้อยมาก
• งานวิจัยใหม่ของ MIT ระบุว่า 95% ของบริษัทตอบว่าแม้นำ AI มาใช้แล้ว ก็ยังไม่มีผลลัพธ์ที่วัดได้
• มีเพียง 5% ของโครงการ AI pilot เท่านั้นที่สร้างมูลค่าระดับหลายล้านดอลลาร์ได้

สถานะการนำโมเดลภาษาขนาดใหญ่มาใช้และข้อจำกัด

• มากกว่า 80% ของบริษัทขนาดใหญ่ได้ทดสอบ หรือรันโครงการนำร่องของ LLM หลัก ๆ เช่น ChatGPT และ Copilot
• ราว 40% ของบริษัทได้นำระบบเหล่านี้มาใช้ในระดับหนึ่ง แต่ส่วนใหญ่ยังจำกัดอยู่ที่ การเสริมผลิตภาพส่วนบุคคลของพนักงาน
• แทบไม่มีผลต่อการเพิ่มรายได้หรือกำไรโดยรวมของบริษัท

ข้อจำกัดทางเทคนิคของ Generative AI

• เครื่องมือ Generative AI จำนวนมาก ยังไม่เข้ากับกระบวนการทำงานจริง
  • ปัญหาหลักที่ถูกชี้คือ เวิร์กโฟลว์ที่ไม่เสถียร การขาดการเรียนรู้ตามบริบท และการเชื่อมต่องานที่ไม่มีประสิทธิภาพ
• โมเดล Generative AI ส่วนใหญ่ ไม่สามารถเก็บรักษาฟีดแบ็กในอดีต และยากต่อการถ่ายทอดบทเรียนข้ามบริบทหรือข้ามงาน
• ตามรายงาน ระบบ GenAI ส่วนใหญ่ยังไม่สามารถคงฟีดแบ็ก ปรับตัวตามบริบท หรือพัฒนาอย่างต่อเนื่องในระยะยาวได้
• คุณสมบัติเหล่านี้ทำให้ ต้นทุนการบูรณาการระยะยาวในองค์กรสูงขึ้น แต่ประสิทธิภาพที่ได้จริงยังจำกัด

ความต่างระหว่างความคาดหวังทางธุรกิจกับความเป็นจริง

• แม้ ความคาดหวังและเม็ดเงินลงทุนใน Generative AI จะสูงมาก แต่ก็ยังไม่สามารถแปลงเป็นการลดต้นทุนหรือการสร้างรายได้จริงได้
• ในทางปฏิบัติ ระบบถูกใช้ใน งานที่จำกัด เช่น บริการลูกค้า การตลาด และการเขียนเอกสาร ซึ่งช่วยประหยัดเวลาได้ แต่ส่งผลต่อรายได้โดยตรงน้อยมาก

ผลกระทบต่อการจ้างงานและโครงสร้างองค์กร

• ความกังวลว่า Generative AI จะทำให้เกิดการลดตำแหน่งงานจำนวนมากในระยะสั้น ยังมีหลักฐานรองรับน้อย
• ผลของ AI มีแนวโน้มจะอยู่ที่ การเพิ่มประสิทธิภาพต้นทุนภายนอก เช่น การลดค่าใช้จ่ายเอาต์ซอร์ส มากกว่าการเปลี่ยนโครงสร้างกำลังคนภายใน
• กล่าวคือ แทนที่จะทดแทนพนักงานจำนวนมากทันที คาดว่าจะ ลดค่าใช้จ่ายด้าน outsourcing ได้ในระดับหนึ่ง มากกว่า

ความเข้าใจผิดทางเทคนิคและข้อจำกัดในการพัฒนา

• หลายองค์กร ยังไม่เข้าใจศักยภาพและข้อจำกัดที่แท้จริงของ AI อย่างแม่นยำ จึงเกิดกรณีล้มเหลวจำนวนมาก
• แม้ Generative AI จะสร้างข้อความหรือโค้ดได้รวดเร็ว แต่ ยังขาดการเรียนรู้อย่างต่อเนื่องและความยืดหยุ่นแบบมนุษย์
• ตัวอย่างเช่น พนักงานสามารถปรับตัวตามความผิดพลาดก่อนหน้าและความต้องการใหม่ได้อย่างยืดหยุ่น แต่ AI ยังไม่สามารถถ่ายโอนความทรงจำอย่างต่อเนื่องในลักษณะนั้นได้

การลงทุนและทิศทางในอนาคต

• นักลงทุนและผู้บริหาร ยังคาดหวังว่าเทคโนโลยี AI จะพัฒนาอย่างต่อเนื่อง แต่ในระยะสั้น ความก้าวหน้ายังช้ากว่าที่คาด
• รายงานชี้ว่า การเร่งนำ AI ไปใช้ทันทีในทุกอุตสาหกรรมและทุกเวิร์กโฟลว์ยังเร็วเกินไป
• องค์กรจำเป็นต้องโฟกัสการใช้งานใน ขอบเขตแคบที่ให้ผลลัพธ์ได้ทันทีและวัดผลได้
  • ตัวอย่าง: ระบบอัตโนมัติสำหรับงานสนับสนุนลูกค้า เครื่องมือช่วยพัฒนา และการร่างเอกสาร
• การบูรณาการ AI ครอบคลุมทั้งองค์กรยังมีความเสี่ยงสูงและมีโอกาสล้มเหลวมาก

บทสรุปและข้อสังเกต

• การสร้างมูลค่าทางธุรกิจจาก Generative AI ในองค์กร ยังจำกัดอยู่เพียงบางกรณีที่ประสบความสำเร็จ
• บริษัทส่วนใหญ่ ยังได้ประโยชน์เพียงเล็กน้อยในงานประจำวัน
• รายงานเน้นว่าองค์กรควร มอง Generative AI เป็นเครื่องมือที่มีขอบเขตจำกัด มากกว่าจะเป็นเครื่องยนต์การเติบโตแบบรอบด้าน
• แม้ความคาดหวังจะสูง แต่ ตราบใดที่ระบบปัจจุบันยังปรับตัวแบบมนุษย์ไม่ได้ บริษัทก็ยังยากจะสร้างผลกำไรก้อนใหญ่จาก AI ได้

[GN⁺]

ความเห็นจาก Hacker News

• มีการถกเถียงซ้ำกันไปแล้วในสัปดาห์นี้ (162 ความเห็น) https://news.ycombinator.com/item?id=44941118 รายงานต้นฉบับจริงที่บทความนั้นไม่ได้ลิงก์ไว้คือ https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf
• มีคนบอกว่ารายงานฉบับนี้ต่างจากเนื้อหาในบทความโดยสิ้นเชิง และแชร์ข้อมูลบางอย่าง: 50% ของงบที่ล้มเหลวถูกใช้ไปกับการตลาดและการขาย, AI น่าจะทำงานอัตโนมัติแทนมูลค่าแรงงานได้ 2.3 ล้านล้านดอลลาร์, กระทบตำแหน่งงาน 39 ล้านตำแหน่ง, และสาเหตุหลักของความล้มเหลวคือการต่อต้านการนำเครื่องมือใหม่มาใช้กับการขาดการสนับสนุนจากผู้บริหาร คิดว่าหลายคนสรุปเร็วเกินไปว่า AI ใช้งานไม่ได้ ทั้งที่รายงานไม่ได้บอกแบบนั้น
  • เขาบอกว่า "AI ทำงานอัตโนมัติแทนมูลค่าแรงงาน 2.3 ล้านล้านดอลลาร์ กระทบ 39 ล้านตำแหน่ง" แต่ตอนนี้ศักยภาพการทำงานอัตโนมัติของมูลค่าแรงงานในสหรัฐอยู่ที่ 2.27% GDP สหรัฐตอนนี้อยู่ที่ 27 ล้านล้านดอลลาร์ หมายความว่าจะเพิ่มประสิทธิภาพมูลค่าแรงงานสหรัฐ 6.1 หมื่นล้านดอลลาร์ พร้อมแทนที่แรงงานอเมริกันราว 15% แล้วสร้างมูลค่า 2.3 ล้านล้านดอลลาร์ได้ ซึ่งก็ไม่แน่ใจว่าคำนวณถูกจริงหรือไม่ และก็สงสัยด้วยว่าใครจะเป็นคนซื้อทั้งหมดนี้ (ถ้าไม่ใช่แรงงานแล้วจะเป็นใคร?) เงินลงทุน AI ในปี 2025 ก็เกินครึ่งของตัวเลขนั้นไปแล้ว ในสถานการณ์แบบนี้ไม่รู้จะวัด "มูลค่าแรงงาน" อย่างไรดี GDP ดูไม่ใช่ตัวชี้วัดที่เหมาะนัก
  • ความรู้สึกที่ผมได้รับก็ตรงกับรายงานเหมือนกัน ข่าวบางชิ้นแค่ผลักดัน narrative ที่เร้าอารมณ์เพื่อเรียกคลิก และเข้าใจเนื้อหารายงานจริงผิดไปมาก สิ่งที่ล้มเหลวไม่ใช่ AI แต่เป็นการที่พนักงานตอนนี้ยังนำเครื่องมือมาใช้ไม่ดี หรืออย่างน้อยก็ไม่ใช้เครื่องมือที่บริษัทจัดให้ สิ่งที่เขาเรียกว่า "เศรษฐกิจ Shadow AI" ก็เป็นปัญหาจริง ผู้คนกำลังใช้ LLM แบบสมัครใช้ส่วนตัวแทนเครื่องมือที่บริษัทให้ มหาวิทยาลัยของเราก็ให้ ChatGPT Enterprise กับนักศึกษาและบุคลากรทุกคน แต่เมื่อเทียบกับเวอร์ชันใหม่ล่าสุดบนคลาวด์ (เช่น GPT-5) แล้วมันด้อยกว่ามาก เลยทำให้อัตราการนำระบบไปใช้และการคงผู้ใช้ต่ำ ในกรณีการใช้งานส่วนใหญ่ การใช้คลาวด์ก็ใช้ข้อมูลที่ไม่ผิดกฎอยู่แล้ว เลยไม่ได้มีข้อจำกัดมากนัก
  • ส่วนนี้ในรายงานน่าประทับใจเป็นพิเศษ: ทนายในสำนักงานกฎหมายขนาดกลางซื้อเครื่องมือวิเคราะห์สัญญาให้บริษัทในราคา 50,000 ดอลลาร์ แต่ในการทำงานจริงก็ยังใช้ ChatGPT เครื่องมือ AI ที่บริษัทซื้อสรุปได้แข็งทื่อเกินไปและปรับแต่งยาก แต่ ChatGPT สามารถคุยโต้ตอบแล้วไล่ไปจนได้ผลลัพธ์ที่ต้องการซ้ำ ๆ ได้ สรุปคือเครื่องมือราคา 20 ดอลลาร์กลับให้ความพึงพอใจต่อผู้ใช้จริงดีกว่าโซลูชันองค์กรราคาหลายหมื่นดอลลาร์อย่างมาก นี่คือความย้อนแย้งที่อธิบายว่าทำไมหลายบริษัทถึงไปอยู่ผิดฝั่งของ GenAI divide
  • ตัวเลขที่บอกว่ากระทบ 39 ล้านตำแหน่งนี่น่าตกใจจริง ๆ แรงงานในสหรัฐมี 163 ล้านคน เท่ากับว่าเกือบ 1 ใน 4 กำลังเสี่ยง
  • กับคอมเมนต์ที่บอกว่า "หลายคนรีบสรุปว่า AI ใช้ไม่ได้" มีการยกคำพูดดังที่ว่า "เงินเดือนของคนเราขึ้นอยู่กับการไม่เข้าใจบางเรื่อง เขาก็จะไม่พยายามเข้าใจมัน"
• ตอนนี้ผมเป็นหัวหน้าทีมวิศวกรรม AI อยู่ ดังนั้นโดยธรรมชาติแล้วมุมมองที่ว่า AI สร้างมูลค่าได้จึงสอดคล้องกับความเข้าใจของผม ที่บริษัทของเรา การนำ AI มาใช้ช่วยประหยัดเงินได้หลายล้านดอลลาร์ เราดูแลคอลเซ็นเตอร์ขนาดใหญ่ และเมื่อก่อนพนักงานต้องเขียนสรุปแบบแมนนวลทุกสาย ใช้เวลา 3-5 นาทีต่อคอล ล่าสุดเราใช้ AI ทำสรุปคอลอัตโนมัติ คุณภาพของสรุปก็ดีขึ้น และทำให้คนไปโฟกัสกับงานที่มีมูลค่าสูงกว่าได้ มันไม่ถึงกับปฏิวัติโลก แต่เป็นการเพิ่มประสิทธิภาพที่วัดผลได้จริง
  • แชร์เคล็ดลับ: เสนอว่าไม่ต้องเขียนสรุปล่วงหน้าเลย แต่ค่อยสร้างเมื่อจำเป็นต้องใช้ เก็บเสียงคอลเป็น 24Kb/s Opus จะอยู่ที่ 180KB ต่อนาที และทำกระบวนการเก็บไว้ช่วงหนึ่งแล้วลบทิ้ง จะช่วยลดค่าใช้จ่ายเพิ่มได้อีกหลายล้านดอลลาร์ต่อปี
  • บริษัทเราทำ transcript การประชุมด้วย Google Meet และ Gemini แต่เนื้อหาจริงกลับไม่แม่นมาก สับสนว่าใครพูดอะไร บางครั้งถึงขั้นกลับความหมาย ไม่มีบริบท และยังไม่เข้าใจศัพท์เฉพาะภายในบริษัทด้วย จึงแทบใช้งานจริงไม่ได้
  • สงสัยว่าพนักงานคอลเซ็นเตอร์รู้สึกจริงไหมว่าสรุปโดย AI ดีกว่าที่พวกเขาเขียนเอง ในกรณีผมคิดว่าน่าจะใช้กับสรุปการประชุมได้ยาก ดูเหมือนจะเวิร์กเฉพาะกับคอลทางเดียว
  • เราก็เคยลองใช้ AI สรุปการประชุมเหมือนกัน แต่ผลลัพธ์ไม่ดีพอจนกลับไปให้คนเขียนเอง อยากรู้ว่ามีกรณีใช้งานแบบไหนที่ได้ผลดีจริง หรือมีการฝึก/ปรับแต่งอะไรเป็นพิเศษไหม
  • สงสัยว่าทำไมพนักงานคอลเซ็นเตอร์ต้องใช้เวลา 3-5 นาทีเขียนสรุปทุกคอลตั้งแต่แรก ในหลายกรณีการใช้ AI ที่เห็นกัน จริง ๆ คือการทำงานที่ไม่จำเป็นให้เป็นอัตโนมัติ ถ้าไม่มีใครอ่านรายงาน คุณภาพของสรุปก็ไม่ใช่ปัญหา ดังนั้นต่อให้ AI เขียนผิดก็ไม่สำคัญ สิ่งสำคัญในการเพิ่มประสิทธิภาพการดำเนินงานไม่ใช่การทำกระบวนการที่ไม่จำเป็นให้เป็นอัตโนมัติ แต่คือการตัดมันออกไป สุดท้ายแล้ว AI ดูเหมือนมักทำหน้าที่กลบงานสูญเปล่าในองค์กร ถ้ายัง optimize แบบนั้นไม่ได้ มันก็อาจยังจำเป็นอยู่
• ตอนนี้กำลังเข้าสู่ช่วง “Trough of disillusionment” วงจร hype แบบนี้คาดเดาได้อยู่แล้ว พอมีเสียงวิจารณ์ว่า GPT-5 ทำให้ผิดหวังหลังจากถูกคาดหวังไว้สูงมาก มันอาจกลายเป็นจุดที่ GenAI ถูกมองว่า ‘จบแล้ว’ พอเริ่มถามหา ROI ความจริงก็จะโผล่มา ตอนนี้คนฉลาดเริ่มเตรียมตัวสำหรับคลื่นเปลี่ยนแปลงลูกถัดไปแล้ว และยังมีอีกหลายคนที่จะต้องลงไปถึงก้นหุบนี้ก่อน PR ที่ยิ่งสิ้นหวังขึ้นเรื่อย ๆ จะโหมว่า "มันมีคุณค่าจริง ๆ"
  • จะไม่แปลกใจเลยถ้าบริษัทส่วนใหญ่รู้อยู่แล้วว่าเป็นการเผาเงิน แต่ก็จำใจต้องลงทุนเพราะราคาหุ้น
  • Gemini ให้ความรู้สึกว่าดีขึ้นพอตัวในทุกอัปเดต แต่ช่วงหลังทั้งความเร็วในการพัฒนาและคุณภาพของสิ่งที่ปรับปรุงชะลอลงมาก ดูเป็นสัญญาณว่ากำแพงกำลังใกล้เข้ามา หลังจากช่วงนิ่งไปพักหนึ่งแล้วค่อยกระโดดอีกที ดูเหมือน LLM จะมีอนาคตดีกว่าคอมพิวเตอร์วิทัศน์
  • Sam Altman โปรโมตความสามารถของ GPT-5 เกินจริงไปหน่อย จากมุมผู้ใช้ไม่ได้รู้สึกว่ามันก้าวกระโดดจาก GPT-4 มากนัก แต่แนวทาง trainable dynamic router ที่ลดต้นทุนการอนุมานได้มากนั้นมีความหมายมาก เป็นนวัตกรรมที่เป็นประโยชน์กับ OpenAI และโครงข่ายไฟฟ้ามากกว่ากับผู้ใช้
  • ตอน OpenAI ขยับจาก GPT-3.5-Turbo ไป GPT-4 มันคือการเปลี่ยนแปลงระดับปฏิวัติและแทบไม่มีโมเดลอื่น แต่ก่อน GPT-5 จะออกก็มีโมเดลมากมายแล้ว ทั้งตระกูล o, Llama, DeepSeek, Gemini ฯลฯ ต่อจากนี้คงไม่มีการกระโดดแบบ GPT-3.5 ไป 4 อีกแล้ว GPT-5 กำลังรวมหลายโมเดลเข้าด้วยกัน แต่ไม่ได้มีตำแหน่ง "เจ้าแรก"
  • สงสัยว่านี่อาจเป็นเหตุผลที่ทีม Windsurf ขายเร็วแล้วออกไปหรือเปล่า
• มีคนถามว่าตัวอย่างการใช้ AI แบบใช้งานได้จริงที่ช่วยเพิ่มรายได้หรือลดต้นทุนมีอะไรบ้าง 1. การสร้างคอนเทนต์ออนไลน์ (อิ่มตัวเกินไปแล้ว) 2. แทนที่นักพัฒนาระดับ junior (ผลิตภาพเพิ่มจำกัด) 3. แทนที่พนักงานบริการลูกค้า (ลดต้นทุนได้แต่กระทบรายได้ไม่มาก) 4. เครื่องมือช่วยงาน (เขียน วิเคราะห์ ฯลฯ แต่มีข้อจำกัด) 5. ปฏิสัมพันธ์ยุคถัดไป เช่น วิดีโอเกม/ตัวละครหุ่นยนต์ 6. แฟนเสมือน AI และ NSFW ซึ่งตลาดนี้น่าจะทำกำไรได้อีกพักใหญ่ ถามว่ามีกรณีใช้งานที่สมจริงกว่านี้ไหม
  • ผมกำลังทำโปรเจกต์ใช้ LLM ดึงข้อมูลเฉพาะจากเอกสารกึ่งมีโครงสร้าง แล้วจัดหมวดหมู่/จัดเก็บอัตโนมัติ ความแม่นยำเกิน 95% แล้วทั้งที่ยังไม่ได้ fine-tuning สุดท้ายอาจยังต้องมีการอนุมัติแบบแมนนวล แต่ก็ช่วยประหยัดเวลาได้หลายร้อยชั่วโมงต่อปี AI มีประสิทธิภาพมากกับงานดึงข้อมูลและจัดหมวดหมู่
  • ในวงการเฮลท์แคร์ บันทึกการรักษา ข้อมูล และการตีความภาพวินิจฉัย ทุกอย่างเชื่อมตรงกับรายได้ มีการใช้เงินหลายหมื่นล้านดอลลาร์ต่อปีกับต้นทุนงานธุรการส่วนนี้ ถ้าใช้ GenAI ยกระดับคุณภาพ/ความแม่นยำของโน้ตได้มาก ก็เพิ่มรายได้โดยตรงได้ ฝั่งประกันก็เหมือนกัน เพราะต้องทำเอกสารและการตรวจสอบจำนวนมาก สุดท้ายอาจกลายเป็นว่า AI ของแต่ละฝ่ายส่งเอกสารคุยกันเอง ส่วนคนไปนั่งพักข้างสระ
  • AI สำหรับบริการลูกค้าจากมุมผู้ใช้เป็นประสบการณ์ที่น่าหงุดหงิด
  • จ่าย 200 ดอลลาร์ต่อเดือนแล้วผลิตภาพเพิ่ม 50% นี่คือมูลค่ามหาศาล อัตราการเติบโตของผลิตภาพรายปีของประเทศส่วนใหญ่มีแค่ 0-2%
  • อยากได้ AI ที่เอาเอกสารภายในบริษัท/วิกิ/โค้ดเบสมาผูกด้วย RAG เพื่อให้ onboarding และการค้นหาข้อมูลง่ายขึ้น แทนที่จะพยายามแทนที่มนุษย์ การหาวิธีทำให้งานง่ายขึ้นน่าจะดีกว่า
• ความผิดพลาดใหญ่ที่สุดที่คนทำกันคือควรมอง AI เป็นฟีเจอร์ ไม่ใช่บริการ ไม่มีใครคิดว่า "วันนี้ฉันอยากคุยกับ AI!" ผู้ใช้แค่อยากให้งานเสร็จดี ๆ โดยไม่ได้น่าเบื่อหรือหนักเกินไป และในจุดนั้น AI ควรเข้ามาช่วยแบบเงียบ ๆ แต่สิ่งที่เราขายไม่ใช่ฟีเจอร์ แต่เป็นบริการ (= ผลิตภัณฑ์) เพราะงั้นในทางการตลาดก็เลยต้องดัน AI ขึ้นมาไว้หน้าเวที Notion/Slack/Airtable ล้วนชู AI เป็นหัวข้อหลัก แต่แก่นแท้ไม่ใช่ AI มันคือเนื้องานที่ AI เข้าไปช่วย
  • ผมไม่ได้ถึงขั้นบอกว่า AI เป็นฟีเจอร์ AI สุดท้ายแล้วก็เป็นเทคโนโลยี ความต้องการจริงไม่ใช่ "อยากให้มี AI ในโปรดักต์นี้" แต่คือ "อยากทำงานนี้ให้ได้" ถ้าผลิตภัณฑ์แก้ปัญหาให้ได้ จะใช้วิธีไหนก็ไม่สำคัญ มีบริษัทมากเกินไปที่ยัด AI เข้าไปได้ง่าย ๆ แต่ไม่โฟกัสกับปัญหาที่ผู้ใช้อยากแก้
  • ฟังดูถูกต้อง แต่ในโลกจริงถ้าเป็นแบบนี้ มูลค่าประเมินสูงลิ่วและบรรยากาศเก็งกำไรในตลาดก็จะหายไป พอถึงช่วงตาสว่างนี้ แม้แต่ซอฟต์แวร์ที่ยัง "ร้อนแรง" อยู่ก็จะซาลง และอุตสาหกรรมทั้งหมดจะต้องยอมรับว่าตลาดไม่ได้เหมือนเมื่อ 5-10 ปีก่อนแล้ว
  • อยากให้ AI ถูกนำเสนอในฐานะเครื่องมืออีกชิ้นหนึ่ง แค่มีป็อปอัปแจ้งครั้งเดียวว่ามี use case แบบนี้ก็พอแล้ว แต่ความจริงคือ UI เต็มไปด้วยโลโก้ AI, autocomplete และอะไรอีกมาก จนเสียสมาธิ เหมือนมันไม่ใช่เครื่องมือแต่กลายเป็นตัวเอก ทั้งที่จริงควรแค่มีแนวทางให้ผู้ใช้เลือกใช้ตามความจำเป็น ความรู้สึกคือพยายามยัดเยียดมากเกินไป บริษัทพวกนี้ควรหยุดบ้างและปล่อยให้ผู้ใช้ตัดสินใจเอง
  • เห็นด้วยจากใจจริง สุดท้ายสิ่งสำคัญคือคุณค่าของตัวผลิตภัณฑ์เอง ไม่ใช่ข้างใต้ใช้เทคโนโลยีอะไร
  • แอปพลิเคชันที่เอา AI มาใส่ช่วงนี้แทบทั้งหมดดูเหมือนเป็น "โซลูชันที่ออกตามหาปัญหา"
• ลิงก์ PDF ของรายงานถูกรีไดเรกต์ไป landing page และ CTA ก็เป็นแนว "มาลองทำให้ผลิตภัณฑ์ AI สำเร็จเร็วขึ้น" จนดูไม่ใช่รายงานเชิงวัตถุวิสัย แต่คล้าย content marketing ทั่วไปมากกว่า ลองคลิกชื่อผู้เขียนแล้วก็ไม่ขึ้นอะไรเลย ทั้งเว็บไซต์และตัวผู้เขียนดูไม่น่าเชื่อถือ HN เองเดี๋ยวนี้ก็ดูคล้าย Reddit มากขึ้น คือเข้ามาจากพาดหัวแล้วคอมเมนต์แค่ว่าเห็นด้วยหรือไม่เห็นด้วย
• สงสัยว่าถ้าคนอ่านรายงานจริงกันเองจะเป็นอย่างไร https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf มีแค่ 40% ของบริษัทที่มีการสมัครใช้ LLM อย่างเป็นทางการ แต่พนักงานกว่า 90% ของบริษัทใช้เครื่องมือ AI ส่วนตัวในการทำงานเป็นประจำ ในทางปฏิบัติแทบทุกคนใช้ LLM ไม่ทางใดก็ทางหนึ่งอยู่แล้ว ผู้ใช้ "Shadow AI" ใช้ LLM วันละหลายครั้ง แม้โครงการ AI อย่างเป็นทางการของบริษัทจะยังติดอยู่ที่ขั้น pilot ก็ตาม กลายเป็นสถานการณ์ย้อนแย้งที่ธุรกิจ AI อย่างเป็นทางการขององค์กรล้มเหลว แต่การใช้ LLM ภายในบริษัทจริงกลับแพร่กระจาย เรื่องนี้อาจไม่ใช่ข่าวระเบิดลูกใหม่แบบที่บทความเสนอ แต่อาจเป็นคนละเรื่องไปเลย
• นี่คงเป็นอีกตัวอย่างที่สหรัฐนำหน้าทุกครั้งเวลาเกิดนวัตกรรมเทคโนโลยีใหม่ ใช้เงินเยอะ เสียหายเยอะ แต่ก็ยอมรับความเสี่ยง จนสุดท้ายทิ้งห่างคนอื่นแบบตามไม่ทัน การประกาศชัยชนะเหนือ AI/บริษัทอเมริกันเร็วเกินไปอาจอันตราย
  • ผมว่าเหมารวมไม่ได้ว่าสหรัฐนำหน้าทุกด้าน หลายภาคส่วนอย่างการเงินก็ล้าหลังกว่าประเทศอื่น จีนก็นำหน้าเรื่องรถ EV, โซลาร์ ฯลฯ ถ้าพูดเรื่องซอฟต์แวร์ก็ใช่ แต่คูเมืองป้องกันของสหรัฐเกิดจากการผูกขาด, lock-in และกฎระเบียบที่เอื้อคนมีฐานะมากกว่า
  • วิธีคิดแบบนี้ง่ายเกินไป และอาจบิดเบือนความจริงมากกว่าเดิม
  • ยกตัวอย่างโซลาร์ รถ EV และโดรน เพื่อบอกว่าสหรัฐไม่ได้จำเป็นต้องนำหน้าเสมอไป
  • ยังพูดถึงประวัติของ GSM ด้วยว่า ไม่ใช่ทุกครั้งที่สหรัฐเป็นผู้นำนวัตกรรม
• น่าสนใจที่การประเมินผลิตภาพของตัวเองอาจต่างจากความจริง งานวิจัยของ METR พบว่านักพัฒนารู้สึกว่าตัวเองเร็วขึ้น 20% เพราะ AI แต่ความจริงกลับช้าลง 19% https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/
  • ยังมีความละเอียดอ่อนอีกมากที่แม้งานวิจัยแบบนี้ก็จับได้ยาก ประเภทของ AI ที่ใช้, เครื่องมือที่ใช้, ความคุ้นเคย, กระบวนการพัฒนา, ขนาดทีม, รวมถึงระดับความอาวุโสและความละเอียดของผู้ใช้ ล้วนมีผลต่อผลลัพธ์ ตอนนี้นักลงทุนกำลังอุดหนุนราคา AI อย่างหนักเพื่อแย่งส่วนแบ่งตลาด แต่พอช่วงนั้นจบ ราคาก็อาจยิ่งลดลงได้ ผมคิดว่าตัวเองได้ประโยชน์จากพัฒนาการของ AI มากพอแล้ว ต่อจากนี้น่าจะเป็นยุคของการปรับปรุงแบบค่อยเป็นค่อยไปและยกระดับประสบการณ์ผู้ใช้ ยังไม่มีแผนจะลงทุนในบริษัท AI ตอนนี้
  • บางครั้ง AI เหมือน autocomplete ที่อ่านใจผมได้เป๊ะ แต่บางครั้งก็เสนออะไรไร้สาระจนรบกวนมากกว่า
  • ก็แอบสงสัยว่า AI จะยิ่งทำให้คนไปหมกมุ่นกับการปรับปรุงรายละเอียดเล็ก ๆ (“in the weeds”) จนพลาดภาพใหญ่หรือเปล่า ความเร็วในการพัฒนาจริง ๆ อาจขึ้นกับการตัดสินใจเชิงกลยุทธ์มากกว่า (เช่น ฉันควรใช้เครื่องมือนี้ไหม ฟีเจอร์นี้จำเป็นจริงหรือเปล่า ฯลฯ)
  • แม้จำนวนตัวอย่างจะน้อย แต่ก็ยังมีความหมายมากกว่าเรื่องเล่าปากต่อปากหรือข้อมูลที่รายงานด้วยตัวเอง