1. ปฏิทรรศน์ด้านผลิตภาพของ Brynjolfsson ฉบับยุค GenAI
- แม้ในช่วงทศวรรษ 1990 ที่มีการนำ IT และ PC มาใช้ ตัวชี้วัดด้านผลิตภาพก็แทบไม่เพิ่มขึ้นเมื่อเทียบกับการลงทุน และแก่นของปฏิทรรศน์ด้านผลิตภาพของ Brynjolfsson คือ หากไม่มีปัจจัยเสริมอย่างการปรับโครงสร้างองค์กร การออกแบบงานใหม่ และการเปลี่ยนแปลงทักษะ เทคโนโลยีเพียงอย่างเดียวก็ไม่ทำให้ผลิตภาพเพิ่มขึ้น
- ปัจจุบันก็เช่นกัน แม้ Generative AI จะถูกนำมาใช้อย่างแพร่หลาย แต่ผลิตภาพในภาพรวมของเศรษฐกิจหรือการเปลี่ยนแปลงเชิงโครงสร้างขององค์กรยังมีจำกัด และบทความนี้สรุปปรากฏการณ์นี้ว่า “High Adoption, Low Transformation”
2. MIT NANDA: GenAI Divide (ช่องว่างของ GenAI)
- รายงานของ MIT NANDA เสนอแนวคิด GenAI Divide โดยชี้ว่าแม้จะมีการลงทุนใน GenAI หลายหมื่นล้านดอลลาร์ แต่ “มีเพียงราว 5% ของบริษัทเท่านั้นที่สร้างมูลค่าทางธุรกิจจริง (ROI) ได้ ส่วนอีก 95% ไม่ได้มีการปรับปรุงด้านรายได้หรือผลิตภาพ”
- ช่องว่างนี้ไม่ได้ขึ้นกับความสามารถทางเทคนิคเป็นหลัก แต่ขึ้นกับว่า “องค์กรสามารถสร้างระบบแบบเอเจนต์ที่เรียนรู้ จดจำ และปรับตัวได้ พร้อมผสานเข้ากับเวิร์กโฟลว์จริงอย่างลึกซึ้งจนสร้างผลงานได้หรือไม่” และในเวลานี้ การเปลี่ยนแปลงเชิงโครงสร้างที่มีความหมายยังคงกระจุกตัวอยู่ในอุตสาหกรรมที่ขับเคลื่อนด้วยข้อมูลเป็นหลัก เช่น เทคโนโลยีและสื่อ
3. ทำไม 95% จึงล้มเหลว
-
ช่องว่างด้านการเรียนรู้ (Learning Gap)
- AI สำหรับองค์กรจำนวนมากยังเป็นเครื่องมือแบบคงที่ จึงไม่สามารถสะสมและเรียนรู้จากฟีดแบ็กของผู้ใช้ได้ ไม่สามารถปรับตัวตามบริบทและพัฒนาในระยะยาว ส่งผลให้พนักงานยังคงใช้ AI สำหรับผู้บริโภคกับงานง่าย ๆ และยังต้องพึ่งมนุษย์กับงานสำคัญที่ซับซ้อน
-
รอยขาดระหว่างไฟลอตกับโปรดักชัน
- บริษัทขนาดใหญ่ทำโครงการนำร่อง (POC) กันมาก แต่สัดส่วนที่ไปถึงการใช้งานจริงทั้งองค์กรนั้นต่ำมาก และในบรรดา AI สำหรับองค์กรที่พัฒนาขึ้นเฉพาะทาง มีเพียงราว 5% เท่านั้นที่ลงหลักปักฐานในโปรดักชันได้
- เหตุผลหลักคือ “เครื่องมือไม่สอดคล้องกับกระบวนการทำงานจริง” ไม่ใช่ปัญหาโครงสร้างพื้นฐานหรือกฎระเบียบ แต่เป็นปัญหาการผสานเข้ากับเวิร์กโฟลว์และการออกแบบองค์กร
-
เศรษฐกิจ Shadow AI
- เมื่อเครื่องมือภายในองค์กรที่เป็นทางการไม่มีประสิทธิภาพหรือมีข้อกำกับเข้มงวด จึงเกิดการแพร่กระจายของ “Shadow AI” ที่พนักงานแอบใช้ LLM หรือ copilot แบบสมัครใช้ส่วนตัวเพื่อทำงานจริง
- สิ่งนี้ถูกตีความว่าเป็นสัญญาณของอุปสงค์แฝงมหาศาลต่อ “เครื่องมือที่ยืดหยุ่น เข้าใจง่าย ปรับให้เหมาะกับแต่ละคน และผสานเข้าไปในเวิร์กโฟลว์จริงได้”
4. งานวิจัย Canaries: สัญญาณแรกของ AI ที่สะท้อนผ่านการจ้างงานระดับเริ่มต้น
- งานวิจัย “Canaries in the Coal Mine?” ของทีม Brynjolfsson วิเคราะห์ข้อมูลค่าจ้างและการจ้างงานความถี่สูง และพบว่าหลังการนำ Generative AI มาใช้ การจ้างงานของคนอายุ 22–25 ปีในอาชีพที่มีระดับการเปิดรับ AI สูง (เช่น การพัฒนาซอฟต์แวร์ คอลเซ็นเตอร์/บริการลูกค้า) ลดลงอย่างมีนัยสำคัญ
- โดยเฉพาะในงานที่ AI ถูกใช้เพื่อ “ทำงานแทนโดยอัตโนมัติ” มากกว่าการ “ช่วยเสริม” การลดลงของการจ้างงานแรงงานอายุน้อยยิ่งเด่นชัดขึ้น ซึ่งบ่งชี้ว่าในระยะเริ่มต้น AI กำลังเข้ามาแทนที่งานระดับเริ่มต้นบางส่วนโดยตรง
5. เหตุใดพนักงานใหม่จึงได้รับผลกระทบมากเป็นพิเศษ
- ปัจจุบัน LLM เก่งกับความรู้แบบเป็นทางการ (formal knowledge) ที่อธิบายไว้ดีในตำราและเอกสาร รวมถึงงานแบบทำซ้ำตามแพตเทิร์น แต่ยังไม่สามารถแทน “เคล็ดวิชา” ของผู้เชี่ยวชาญระดับสูงที่อิงประสบการณ์ภาคสนามและความรู้โดยนัย (tacit knowledge) ได้ดี
- ตามปกติแล้ว บทบาทของพนักงานใหม่หรือจูเนียร์มักมีงานจำนวนมากที่เป็น “การทำตามกฎและคู่มือที่ถูกทำเป็นเอกสารไว้แล้ว” และเมื่อส่วนนี้ถูกทำให้เป็นอัตโนมัติอย่างรวดเร็วด้วย LLM + toolchain ก็จึงเห็นรูปแบบที่คนเริ่มต้นอาชีพได้รับแรงกระแทกด้านการจ้างงานมากกว่าคนที่มีประสบการณ์สูงในตำแหน่งงานเดียวกัน
6. นัยต่ออนาคตของแรงงาน
- การเปลี่ยนผ่านสู่ AI ไม่ได้หมายถึงเพียง “จำนวนงานโดยรวมลดลง” แต่ควรถูกมองว่าเป็น กระบวนการจัดสรรใหม่ที่งานบางประเภทถูก AI ดูดซับ งานบางประเภทเกิดขึ้นใหม่ และจุดแข็งเชิงสัมพัทธ์ของมนุษย์ย้ายไปอยู่ในด้านอย่างความรู้โดยนัย การประสานงาน และการตัดสินใจ
- ดังนั้นในมุมของการศึกษาและการออกแบบเส้นทางอาชีพ ความสามารถแบบมีคำตอบตายตัวหรือเน้นการท่องจำอาจมีความสำคัญลดลง เมื่อเทียบกับ “ความเข้าใจบริบทหน้างาน การจัดโครงสร้างปัญหา การประสานผลประโยชน์ของผู้เกี่ยวข้อง และความเชี่ยวชาญแบบผสมผสานเฉพาะโดเมน” ที่มีแนวโน้มจะสำคัญมากขึ้น
7. กลยุทธ์เชิงปฏิบัติสำหรับผู้ก่อตั้งสตาร์ตอัป AI
-
จากการสร้างแบบง่าย ๆ สู่เอเจนต์ที่เรียนรู้ได้
- แก่นสำคัญของ GenAI Divide ไม่ใช่ประสิทธิภาพของโมเดล แต่คือการมีหรือไม่มีระบบแบบเอเจนต์ที่รองรับ “การเรียนรู้อย่างต่อเนื่อง หน่วยความจำ การปรับตัว และ orchestration”
- มีการเน้นว่าทีมที่สามารถจัดโครงสร้างฟีดแบ็กจากผู้ใช้และล็อกการใช้งานจริง เพื่อสร้าง “ระบบมีชีวิต” ที่เข้าใจเวิร์กโฟลว์ดีขึ้นเรื่อย ๆ และปรับตัวอัตโนมัติเมื่อเวลาผ่านไป จะได้เปรียบอย่างท่วมท้น
-
ออกแบบตามเวิร์กโฟลว์ ไม่ใช่ตามผู้ใช้ (persona)
- ผลิตภัณฑ์ AI สำหรับองค์กรจำนวนมากประสบปัญหา “เดโมดูดี แต่ไม่เข้ากับวิธีทำงานจริงของทีมจนสุดท้ายถูกทิ้ง”
- ผลิตภัณฑ์ที่ประสบความสำเร็จจะเจาะลึกรายละเอียดของโฟลว์งาน โครงสร้างสิทธิ์ และข้อกำหนดด้าน compliance ของอุตสาหกรรมหรือหน้าที่งานเฉพาะ แล้วแทรกตัวเข้าไปอย่างเป็นธรรมชาติ โดยให้ความสำคัญกับ “การอยู่รอดในโปรดักชันจริง” มากกว่าความหวือหวาของ UX
-
ใช้ Shadow AI เป็นสินทรัพย์ด้านการวิจัย
- หากสังเกตว่าพนักงานใช้พรอมป์ต์และชุดเครื่องมือแบบใดเป็นการส่วนตัว ก็จะช่วยให้มองเห็นความต้องการที่แท้จริง (เช่น ความเร็ว อิสระในการใช้งาน ระดับของระบบอัตโนมัติ) ที่องค์กรยังสะท้อนผ่านเครื่องมือทางการไม่ได้
- สำหรับสตาร์ตอัป รูปแบบของ “Shadow AI” นี้จึงทำหน้าที่เป็นทั้งช่องทางวิจัยผู้ใช้ขนาดใหญ่ และเป็นเบาะแสในการวางตำแหน่งผลิตภัณฑ์
-
โอกาสอยู่ที่งานแบ็กออฟฟิศมากกว่าส่วนหน้าที่หวือหวา
- หลายองค์กรเริ่มติดตั้ง AI ในส่วนที่มองเห็นชัดอย่างการตลาดหรือการขายก่อน แต่ MIT ชี้ว่า ROI ที่แท้จริงกลับสูงกว่าในหน่วยงานหลังบ้านที่ขับเคลื่อนด้วยกระบวนการ เช่น การเงิน การจัดซื้อ และการปฏิบัติการ
- พื้นที่เหล่านี้มีข้อมูลจำนวนมากและมีตรรกะธุรกิจแบบอิงกฎจำนวนมาก ทำให้โซลูชันแบบเอเจนต์/อัตโนมัติที่ออกแบบมาดีสามารถนำไปสู่การลดต้นทุนและลดข้อผิดพลาดได้โดยตรง
-
มองให้เกินกว่า “การขายซอฟต์แวร์” ไปสู่บทบาทพาร์ตเนอร์ BPO
- ลูกค้าองค์กรที่ประสบความสำเร็จไม่ได้มองผู้ขาย AI เป็นเพียงผู้ขายไลเซนส์ แต่ปฏิบัติต่อพวกเขาเหมือน “พาร์ตเนอร์ด้าน Business Process Outsourcing” ที่ต้องมีการปรับแต่งอย่างลึกซึ้ง สัญญาอิงผลลัพธ์ และความร่วมมือด้านปฏิบัติการอย่างใกล้ชิด
- ดังนั้นผู้ก่อตั้งก็ควรออกแบบผลิตภัณฑ์ไม่ใช่เป็นเพียงเครื่องมือที่ติดตั้งใช้งาน แต่เป็น “บริการ/พาร์ตเนอร์ที่ร่วมรับผิดชอบต่อผลลัพธ์” เพราะแนวทางนี้สามารถสร้างดีลองค์กรขนาดใหญ่และคูเมืองทางธุรกิจ (moat) ระยะยาวได้
8. สรุป: ปฏิทรรศน์ที่เปลี่ยนไป โอกาสที่กำลังเปลี่ยนตาม
- แม้ในยุค Generative AI ปฏิทรรศน์ด้านผลิตภาพยังคงใช้ได้อยู่ แต่ตำแหน่งของ “ปัจจัยเสริมที่ขาดหายไป” ได้เปลี่ยนไปแล้ว และตอนนี้ปัจจัยเสริมนั้นครอบคลุมทั้ง ภายในผลิตภัณฑ์ (การเรียนรู้ หน่วยความจำ orchestration) และ ภายในองค์กร (การจัดซื้อแบบบริการ การกระจายความเป็นเจ้าของ KPI ที่ยึดผลลัพธ์เป็นศูนย์กลาง)
- ข้อความสำคัญคือ มีเพียงผู้ก่อตั้งที่ออกแบบทั้งสองชั้นนี้ไปพร้อมกันเท่านั้น ที่จะเปลี่ยน “เดโมที่ดูน่าประทับใจ” ให้กลายเป็น “ความได้เปรียบในการแข่งขันที่ยั่งยืนและการเพิ่มผลิตภาพที่วัดได้ในเชิงสถิติ” และทำให้การปฏิวัติ AI กลายเป็นการเปลี่ยนแปลงทางเศรษฐกิจที่วิวัฒน์ไปพร้อมกับองค์กรและปัจเจก ไม่ใช่แค่เหตุการณ์ทางเทคโนโลยีเพียงอย่างเดียว
1 ความคิดเห็น
ขณะพัฒนา AI ผมเห็นด้วยอย่างมากกับข้อ 2, 3 และ 4 ถ้าเป็นองค์กร ผมคิดว่าการโฟกัสที่ระบบอัตโนมัติ และการวิเคราะห์เพื่อสร้างความสามารถด้านระบบอัตโนมัติที่ทรงพลังสำหรับผู้ใช้ฝั่ง back office จะให้ประโยชน์มากกว่ามาก