บุคคลที่มีประสิทธิภาพ ไม่ได้ทำให้องค์กรมีประสิทธิภาพเสมอไป

• AI ได้เพิ่มผลิตภาพของแต่ละบุคคลขึ้น 10 เท่า แต่กลับไม่มีบริษัทใดที่มูลค่าเพิ่มขึ้น 10 เท่าตามสัดส่วน แล้ว ผลิตภาพที่เพิ่มขึ้นนั้นหายไปไหน?
• ในช่วงเริ่มนำไฟฟ้ามาใช้กับโรงทอผ้าในนิวอิงแลนด์ช่วงทศวรรษ 1890 แม้จะเปลี่ยนจากเครื่องจักรไอน้ำเป็น มอเตอร์ไฟฟ้า แล้ว แต่ผลผลิตแทบไม่เพิ่มขึ้นตลอด 30 ปี และเพิ่งเริ่มทำกำไรได้จริงหลังจากออกแบบโรงงานใหม่โดยยึด สายการประกอบ เป็นศูนย์กลางในทศวรรษ 1920
• ผลลัพธ์ไม่ได้เกิดจากเทคโนโลยีเพียงอย่างเดียว แต่เกิดขึ้นเมื่อมีการ ออกแบบเทคโนโลยีและองค์กร (institution) ใหม่ไปพร้อมกัน และในปี 2026 AI ก็ยังอยู่ในสภาพที่ "เปลี่ยนแค่มอเตอร์ แต่ยังออกแบบโรงงานใหม่ไม่ได้"
• ผลิตภัณฑ์ AI ส่วนใหญ่ให้เพียงความรู้สึกว่าทำงานได้มีประสิทธิภาพขึ้น แต่ยังขยับคุณค่าที่แท้จริงไม่ได้ และองค์กรที่มีผลิตภาพต้องการ Institutional Intelligence
• 7 องค์ประกอบที่แยก Institutional AI ออกจาก Individual AI จะกลายเป็นรากฐานของบริษัท B2B AI ในอีก 10 ปีข้างหน้า

---

ผลิตภาพที่หายไป: คำถามสำคัญ

• AI ทำให้ทุกคนมี ผลิตภาพเพิ่มขึ้น 10 เท่า แต่ไม่มีบริษัทใดมีมูลค่าเพิ่มขึ้น 10 เท่าตามผลลัพธ์นั้น
• คำถาม "ผลิตภาพที่เพิ่มขึ้นหายไปไหน" คือจุดตั้งต้นของบทความทั้งหมด
• นี่ไม่ใช่ปรากฏการณ์ใหม่ และเคยเกิดซ้ำมาแล้วใน ยุคเริ่มใช้ไฟฟ้า

บทเรียนจากประวัติศาสตร์: การใช้ไฟฟ้าในโรงทอผ้าช่วงทศวรรษ 1890

• ในทศวรรษ 1890 ไฟฟ้าถูกมองว่าจะยกระดับผลิตภาพอย่างมหาศาล และโรงทอผ้าในนิวอิงแลนด์ที่เคยใช้แรงหมุนจากเครื่องจักรไอน้ำก็รีบติดตั้ง มอเตอร์ไฟฟ้า ที่จุดเดิมทันที
• แต่ตลอด 30 ปี ผลผลิตของโรงงานที่ใช้ไฟฟ้าแทบไม่เพิ่มขึ้นเลย แม้เทคโนโลยีจะเหนือกว่ามาก แต่ องค์กรไม่ได้เปลี่ยนตาม
• จนถึงทศวรรษ 1920 เมื่อมีการออกแบบโรงงานใหม่ทั้งหมด จึงเริ่มเกิดกำไรที่มีนัยสำคัญ
  • นำ สายการประกอบ มาใช้ ติดตั้งมอเตอร์แยกให้เครื่องจักรทุกตัว และให้คนงานกับเครื่องจักรทำหน้าที่ต่างออกไปโดยสิ้นเชิง
• อธิบายได้ผ่านวิวัฒนาการ 3 ช่วงของโรงทอผ้า Lowell
  • โรงงานเครื่องจักรไอน้ำปี 1890 → โรงงานมอเตอร์ไฟฟ้าปี 1900 → โรงงานแบบ "unit drive" ปี 1920 (สร้างใหม่ทั้งหมดสู่สายการประกอบไฟฟ้า)
• กำไรไม่ได้มาจากตัวเทคโนโลยีเอง หรือจากการทำให้คนงานและเครื่องจักรแต่ละตัวเร็วขึ้น แต่เกิดขึ้นจริงก็ต่อเมื่อมีการ ออกแบบองค์กรและเทคโนโลยีใหม่ไปพร้อมกัน
• นี่คือ บทเรียนที่แพงที่สุด บทหนึ่งในประวัติศาสตร์เทคโนโลยี และเรากำลังเรียนซ้ำอีกครั้งในตอนนี้

ความจำเป็นของ Institutional Intelligence

• ในปี 2026 AI กำลังเพิ่มผลิตภาพของคนที่ใช้มันเป็นถึง 10 เท่า แต่เราแค่ เปลี่ยนมอเตอร์แล้ว ยังไม่ได้ออกแบบโรงงานใหม่
• ผลิตภัณฑ์ AI ส่วนใหญ่ในตลาดให้เพียง ความรู้สึก ว่ามีประสิทธิภาพ แต่ยังขยับคุณค่าจริงไม่ได้ และกรณีใช้งาน AI ที่เปิดเผยต่อสาธารณะจำนวนมากก็เป็นเพียงการ "productivity-maxxing" เพื่อความพอใจส่วนตัวบน Twitter หรือ Slack ภายในบริษัท โดย แทบไม่มีผลกระทบจริง
• วาทกรรม "services as software" ที่วนซ้ำมาตลอดปีที่ผ่านมา แม้จะไปถูกทิศ แต่ยังไม่ให้พิมพ์เขียวและพลาดภาพใหญ่กว่า
  • การเปลี่ยนผ่านที่แท้จริงไม่ใช่จากเครื่องมือไปสู่บริการ แต่คือการ สร้างเทคโนโลยีและองค์กร (ไม่ว่าจะเป็นของเดิมหรือของใหม่) ไปพร้อมกัน
• องค์กรที่มีผลิตภาพต้องการ Institutional Intelligence และนี่คือกลุ่มผลิตภัณฑ์ใหม่ที่เปรียบได้กับ "สายการประกอบแห่งวันพรุ่งนี้"

7 เสาหลักของ Institutional Intelligence

• 1. Coordination (การประสานงาน)

  • Individual AI สร้าง ความสับสน ส่วน Institutional AI สร้าง การประสานงาน
  • ลองนึกภาพว่า พรุ่งนี้เราสามารถโคลนพนักงานที่เก่งที่สุดได้ทันทีและเพิ่มจำนวนคนในองค์กรเป็นสองเท่า
    • แต่ละคนจะมีความต่างเล็ก ๆ นิสัย และมุมมองของตัวเอง (โดยเฉพาะยิ่งเป็นพนักงานระดับท็อปยิ่งชัด) และหากนิยามการบริหาร การสื่อสาร และบทบาท (swim lane, OKR, R&R) ไว้ไม่ชัดเจน ก็จะเกิดความสับสน
    • ในระดับบุคคลอาจมีผลิตภาพมากขึ้น แต่ถ้ามีเอเจนต์หลายพันตัว (หรือคนหลายพันคน) พายเรือสวนทางกัน ผลลัพธ์ที่ดีที่สุดคือหยุดนิ่ง และแย่ที่สุดคือทำลายความเป็นอันหนึ่งอันเดียวกันขององค์กร
  • นี่ไม่ใช่สมมติฐาน แต่เป็นสิ่งที่กำลังเกิดขึ้นจริงในทุกองค์กรที่นำ AI มาใช้ โดยไม่มีชั้นการประสานงาน (coordination layer)
    • พนักงานแต่ละคนมีนิสัยการใช้ ChatGPT สไตล์การเขียนพรอมป์ และผลงานที่แตกต่างกันไป และผลงานเหล่านั้นก็ไม่ได้เชื่อมต่อกัน
  • Institutional Intelligence จะพัฒนาไปเป็นอุตสาหกรรม "Agentic Management" ที่ดูแลบทบาทและความรับผิดชอบของเอเจนต์ การสื่อสารระหว่างเอเจนต์และระหว่างเอเจนต์กับมนุษย์ รวมถึงการวัดคุณค่าของเอเจนต์
    • การคิดค่าบริการตามปริมาณใช้งานอย่างเดียวไม่เพียงพอ

• 2. Signal (สัญญาณ)

  • Individual AI สร้าง noise ส่วน Institutional AI ค้นหา signal
  • ตอนนี้มนุษย์สามารถสร้างเกือบทุกอย่างที่นึกออกได้แล้ว ไม่ว่าจะเป็นเรียงความ พรีเซนเทชัน สเปรดชีต รูปภาพ วิดีโอ เพลง เว็บไซต์ หรือซอฟต์แวร์
  • ปัญหาคือเกือบทุกอย่างที่ AI สร้างขึ้นเป็น slop (ขยะเอาต์พุต) และบางองค์กรก็ตอบสนองเกินไปจนถึงขั้นห้ามใช้ผลลัพธ์จาก AI ทั้งหมด
    • ผู้เขียนเองก็ทำบริษัท AI แต่ยังขอให้ทีมผู้บริหารไม่ใช้ AI กับงานเขียนขั้นสุดท้าย
  • กรณีของ PE (ไพรเวตอิควิตี): ถ้าปีที่แล้วมีดีล 10 รายการวางอยู่บนโต๊ะ ปีนี้จะกลายเป็น 50 รายการต่อไตรมาสที่แต่ละรายการถูก ขัดเกลาด้วย AI อย่างสมบูรณ์แบบ แต่เวลาก็ยังเท่าเดิมในการหาแค่ดีลจริงเพียงหนึ่งเดียว
  • ตอนนี้ปัญหาไม่ใช่การสร้างอะไรบางอย่างอีกต่อไป แต่คือการ สร้างสิ่งที่ถูกต้องและคัดกรองมันให้ได้
    • ตัวขับเคลื่อนเศรษฐกิจสำคัญในอีก 10 ปีข้างหน้าคือการ หาสัญญาณท่ามกลาง slop ที่เพิ่มขึ้นแบบทวีคูณ
  • ปัญญาระดับ Institutional ต้องหาสัญญาณ จัดโครงสร้างให้ noise และต้อง ถูกกำหนดไว้อย่างชัดเจน เป็นแบบกำหนดผลได้ และตรวจสอบย้อนหลังได้ (auditable)
    • หาก Individual AI เน้นผลิตภาพแบบ "always on" ของเอเจนต์ไม่กำหนดผลที่ทำงานตลอด 24 ชั่วโมง ("Clawdbot") แล้ว Institutional AI จะพึ่งพา เอเจนต์แบบกำหนดผลได้ ที่มี checkpoint ขั้นตอน และกระบวนการที่คาดการณ์ได้
  • มีการยก Matrix เป็นเครื่องมือที่ใช้พลังของเทคโนโลยีสร้างสรรค์เพื่อกรอง noise ออก

• 3. Bias (อคติ)

  • Individual AI เสริมอคติ ส่วน Institutional AI สร้าง ความเป็นกลาง
  • ตลอดหลายปีที่ผ่านมา การถกเถียงเรื่องอคติทางสังคมและการเมืองครอบงำวาทกรรม AI แต่ห้องแล็บโมเดลพื้นฐานกลับหลบเลี่ยงประเด็นนี้ด้วยการใช้ RLHF มากพอจนทำให้โมเดลกลายเป็น ผู้เอาใจ (sycophant) ได้แทบสมบูรณ์
    • ปัจจุบัน ChatGPT, Claude และโมเดลอื่น ๆ ถูกจัดแนวมากเกินไปจนพร้อมจะเห็นด้วยกับแทบทุกหัวข้อที่ยังอยู่ใน Overton window
  • การจัดแนวเกินพอดีนี้ตลกจนกลายเป็นมีม โดยตัวอย่างที่ชัดคือ Claude ที่มักตอบกลับโดยอัตโนมัติว่า "you're absolutely right!"
  • แม้ดูเหมือนไม่อันตราย แต่จริง ๆ แล้วไม่ใช่
    • คนที่ส่งเสียงเชียร์ AI ดังที่สุดในองค์กร อาจเป็น พนักงานที่ผลงานแย่ที่สุดในประวัติศาสตร์ ก็ได้
    • เมื่อพนักงานที่แย่ที่สุดซึ่งแทบไม่เคยได้รับการเสริมแรงเชิงบวกเลย ได้รับความเห็นพ้องจาก ASI เขาจะเริ่มกระซิบกับตัวเองว่า "ปัญญาที่ฉลาดที่สุดยังเห็นด้วยกับฉัน ผู้จัดการฉันต่างหากที่ผิด" → เป็นสิ่งที่เสพติดและเป็นพิษต่อองค์กรอย่างยิ่ง
  • เครื่องมือเพิ่มผลิตภาพส่วนบุคคลเสริมกำลังให้ผู้ใช้ แต่สิ่งที่ควรถูกเสริมมากที่สุดจริง ๆ คือ ความจริง (truth)
  • องค์กรได้พัฒนาระบบมาหลายพันปีเพื่อชดเชยปัญหานี้
    • เช่น การประชุมคณะกรรมการลงทุน การตรวจสอบสถานะโดยบุคคลที่สาม คณะกรรมการบริษัท รัฐบาลสหรัฐฯ ที่มีฝ่ายบริหาร นิติบัญญัติ และตุลาการ ตลอดจนประชาธิปไตยแบบตัวแทนและประชาธิปไตยโดยรวม
  • องค์กรล้มเหลวไม่ใช่เพราะผู้คนขาดความมั่นใจ แต่เพราะ ไม่มีใครพูดคำว่า "ไม่" ได้
  • Institutional AI ต้องรับบทนี้ แทนที่จะถูก RLHF ให้คอยยกย่องผู้ใช้ มันควร ท้าทายอคติ
    • เอเจนต์ที่สำคัญที่สุดไม่ใช่ "yes-men" แต่คือ "no-men" ที่มีวินัย คอยซักถามเหตุผล เปิดเผยความเสี่ยง และบังคับใช้มาตรฐาน
    • การประยุกต์ใช้ในอนาคตได้แก่ AI board member, AI auditor, AI third-party validation, AI compliance

• 4. Edge (ความได้เปรียบ)

  • Individual AI เพิ่มประสิทธิภาพด้าน การใช้งาน (usage) ส่วน Institutional AI เพิ่มประสิทธิภาพด้าน ความได้เปรียบ (edge)
  • เป้าหมายของ AI เคลื่อนไปทุกสัปดาห์ บางครั้งถึงขั้นทุกวัน ขณะที่บริษัทโมเดลพื้นฐานเร่งพัฒนาความสามารถอย่างต่อเนื่อง
  • แต่เหมือน innovator's dilemma แบบดั้งเดิม ในการใช้งานบางแบบ ความลึก (depth) ชนะ ความกว้าง (breadth) ทุกครั้ง
    • Midjourney มีบทบาทเป็นผู้นำเล็กน้อยด้านภาพดีไซน์
    • ElevenLabs มีบทบาทเป็นผู้นำเล็กน้อยด้านโมเดลเสียง
    • Decagon มีบทบาทเป็นผู้นำอย่างต่อเนื่องในประสบการณ์บริการลูกค้าแบบฟูลสแต็ก
  • แม้โมเดลพื้นฐานจะเข้าใกล้ แต่สำหรับมืออาชีพ ความได้เปรียบจริงยังสำคัญ และนักออกแบบระดับท็อปจำนวนมากก็ยังใช้ Midjourney ขณะที่บริษัทเสียง AI ชั้นนำก็ใช้ ElevenLabs
    • การที่ผลิตภัณฑ์เฉพาะทางไม่หันเหจากการมุ่งไปสู่ความได้เปรียบของตนเอง นั่นเองคือสิ่งที่นิยามความได้เปรียบนั้น
  • มีการยกการเงินเป็นพื้นที่ที่ร้อนแรงที่สุดของการพัฒนา LLM ในตอนนี้
    • เมื่อความสามารถใดแพร่หลายโดยทั่วไป ตามนิยามแล้วมันย่อมไม่ช่วยให้ชนะตลาด แต่ถ้าเทคโนโลยีแนวหน้าสร้าง ช่องว่างความได้เปรียบ 1% ชั่วคราว ได้ 1% นั้นก็สามารถถูกทวีคูณเป็นผลลัพธ์มูลค่าหลายพันล้านดอลลาร์ได้
  • ผู้ใช้มักเดินนำหน้า frontier อยู่เสมอ และ context window ของ LLM ก็เติบโตจาก 4K เป็น 1M โทเคน ภายใน 4 ปี
    • ผู้ใช้บางรายประมวลผลได้ถึง 30B โทเคน ในงานเดียว และกำลังมองไปถึงงานระดับ 100B โทเคน ภายในปีนี้ (Hebbia)
  • อนาคตไม่ใช่ ChatGPT/Claude "หรือ" โซลูชันเฉพาะโดเมน แต่คือ ChatGPT/Claude "และ" โซลูชันเฉพาะโดเมน
  • คำถามสำคัญคือ: "ถ้าเป็น AGI มันจะเลือกใช้เอเจนต์อะไรเป็นทางลัด? แม้แต่ซูเปอร์อินเทลลิเจนซ์ก็น่าจะยังต้องการเครื่องมือเฉพาะทางในบางโดเมน"

• 5. Outcomes (ผลลัพธ์)

  • Individual AI ประหยัดเวลา ส่วน Institutional AI ขยายรายได้
  • ตามคำพูดของ MaVolpi หากถาม CEO ว่าระหว่างการลดต้นทุนกับการขยายรายได้ อะไรคือความสำคัญอันดับแรก เกือบทุกคนจะตอบว่า รายได้
    • แต่ผลิตภัณฑ์ AI แทบทั้งหมดในตลาดตอนนี้กลับสัญญาเรื่อง การลดต้นทุน เช่น ประหยัดเวลา หรือแทนที่แรงงาน
  • Institutional AI ต้องมอบ upside และสิ่งนี้ทำให้กลายเป็นสินค้าโภคภัณฑ์ได้ยากกว่าการประหยัดเวลาอย่างมาก
  • กรณีซอฟต์แวร์พัฒนาแบบเอเจนต์
    • coding IDE เป็นเครื่องมือเพิ่มผลิตภาพ AI ส่วนบุคคลที่ยอดเยี่ยม แต่ก็เจอแรงต้านอย่างหนักจากเครื่องมือส่วนบุคคลอีกตัวอย่าง Claude Code
    • Cognition ไม่ได้ขายเครื่องมือ แต่กำลังสร้างเทคโนโลยีที่ขาย transformation (การเปลี่ยนผ่าน) และกำลังเล่นคนละเกมโดยสิ้นเชิง
  • คำพูดของ Naval: "ซอฟต์แวร์ล้วนกำลังกลายเป็นสิ่งที่ ลงทุนไม่ได้ (un-investable) อย่างรวดเร็ว"
    • บริการล้วนก็ไม่สามารถขยายได้ และคุณค่าที่ยั่งยืนจะสะสมอยู่ใน solution layer (ชั้นโซลูชัน) ที่ผสานเทคโนโลยีกับผลลัพธ์เข้าด้วยกัน
  • กรณี M&A: Individual AI ช่วยให้นักวิเคราะห์สร้างโมเดลได้เร็วขึ้น แต่ Institutional AI จะระบุ คู่เจรจาเพียงรายเดียว ที่ควรไล่ตามจาก 100 ราย และขยายประชากรนั้นเป็น 1,000 ราย → อย่างหนึ่งคือการประหยัดเวลา อีกอย่างคือการสร้างรายได้
  • แรงดึงดูดตามธรรมชาติของตลาดคือการเคลื่อน "ขึ้นต้นน้ำ (upstream)"
    • โมเดลพื้นฐานกำลังขยับเข้าสู่ชั้นแอป และบริษัทชั้นแอปก็กำลังขยับเข้าสู่ชั้นโซลูชัน
  • Institutional Intelligence ก็คือ ชั้นโซลูชัน นี้เอง และเพราะเป็นชั้นที่มีผลลัพธ์จริง จึงเป็นจุดที่เก็บเกี่ยวคุณค่าระยะยาวและ upside ที่มากที่สุด

• 6. Enablement (การทำให้ใช้งานได้จริง)

  • Individual AI ให้เครื่องมือ ส่วน Institutional AI สอนวิธีใช้เครื่องมือนั้น
  • มนุษย์แม้จะมีความคิดสร้างสรรค์เพียงใด ก็ยังไม่ชอบการเปลี่ยนแปลง
    • ในนิวยอร์กยังมีธุรกิจที่ประสบความสำเร็จซึ่งไม่รับบัตรเครดิต ทั้งที่รู้ว่าเสียประโยชน์ และในทำนองเดียวกัน พนักงานบางคนในบางองค์กรก็จะปฏิเสธการใช้ AI ไปได้อย่างไม่มีกำหนด
  • การเปลี่ยนผ่านจากองค์กรที่มีแต่มนุษย์ ไปสู่องค์กรลูกผสมแบบ AI-first hybrid คือภารกิจต่อเนื่องและชี้ขาดในอีก 10 ปีข้างหน้า
    • และบ่อยครั้ง ชั้นที่อาวุโสที่สุดและสำคัญที่สุดกลับเป็นกลุ่มที่นำไปใช้ช้าที่สุด
  • มีการยก Palantir เป็นบริษัท "ซอฟต์แวร์" เพียงรายเดียวที่ยังซื้อขายด้วย multiple ระดับพิเศษ ท่ามกลางแรงขายหุ้นเทคโนโลยีมูลค่า 1 ล้านล้านดอลลาร์ในช่วงสองเดือนที่ผ่านมา
    • Palantir เป็นหนึ่งในบริษัท "process engineering (วิศวกรรมกระบวนการ)" ที่แท้จริงรายแรก ๆ
    • ไม่ว่าจะเรียกว่า "process engineering" หรือ "การเขียนไฟล์ทักษะ Claude" อนาคตของ Institutional AI จะก่อรูปเป็นอุตสาหกรรมที่เข้ารหัสกระบวนการขององค์กรลงในเอเจนต์ และทำให้การบริหารการเปลี่ยนแปลงที่จำเป็นเกิดขึ้นจริง
  • วิศวกรรมกระบวนการจะกลายเป็น "เทคโนโลยี" ที่สำคัญที่สุดในระยะสั้น
    • ในบริบทนี้ ความเชี่ยวชาญด้าน ธุรกิจและอุตสาหกรรม สำคัญกว่าความเชี่ยวชาญด้านซอฟต์แวร์ และโซลูชันเฉพาะโดเมนจะยกระดับความเชี่ยวชาญของผู้เชี่ยวชาญที่ทำงานด้าน forward deployed engineering, deployment และ change management
  • มีกรณีที่ธนาคาร bulge bracket ระดับ Top 3 แห่งหนึ่งเลือกใช้ Hebbia สำหรับการใช้งานทั้งองค์กร
    • เมื่อต้องทำงานกับแล็บโมเดลขนาดใหญ่ พวกเขาหมดความสนใจตั้งแต่จุดที่ต้อง "อธิบายให้ทีมฟังว่า CIM คืออะไร"
    • Claude หรือ GPT รู้จักโดเมนนี้ชัดเจนอยู่แล้ว แต่สิ่งที่ต่างออกไปจริง ๆ คือทีมออกแบบ rollout ของแล็บไม่เข้าใจมัน

• 7. Unprompted (ทำงานเชิงรุกโดยไม่ต้องรอพรอมป์)

  • Individual AI ตอบสนองต่อพรอมป์ของมนุษย์ ส่วน Institutional AI ทำงานเชิงรุกโดยไม่ต้องรอพรอมป์
  • มีการถกกันมากเรื่องการสื่อสารระหว่างเอเจนต์ และเรื่องที่ว่าในอนาคตองค์กร ซอฟต์แวร์ หรือสถาบันจะยังต้องการมนุษย์อยู่หรือไม่
    • แต่คำถามที่ดีกว่าคือ เอเจนต์ AI แห่งอนาคต จำเป็นต้องมีพรอมป์ตั้งแต่แรกหรือไม่
  • การพรอมป์ AGI ก็เหมือนการเอามอเตอร์ไฟฟ้าไปต่อกับกี่ทอผ้า และยังถูกจำกัดโดย ห่วงโซ่ที่อ่อนแอที่สุดในระบบ (=มนุษย์) อย่างพื้นฐาน
    • มนุษย์มักไม่รู้ด้วยซ้ำว่าควรถามอะไร และยิ่งไม่รู้ว่าจะต้องถามเมื่อไร
  • งานที่มีค่าที่สุดคือ งานที่ไม่มีใครคิดจะขอ
    • AI ต้องค้นหาความเสี่ยงที่ไม่มีใครติดธงไว้ คู่เจรจาที่ไม่มีใครนึกถึง และ pipeline การขายที่ไม่มีใครรู้ว่ามีอยู่
  • ตัวอย่างของระบบเชิงรุกแบบ unprompted
    • เฝ้าติดตามข้อมูล inflow ทั่วทั้งพอร์ตอย่างต่อเนื่อง แล้วตรวจพบว่า วงจรเงินทุนหมุนเวียนของบริษัทหนึ่งแย่ลงต่อเนื่อง 3 เดือน
    • จากนั้นนำไปเทียบกับค่า covenant threshold ในสัญญาสินเชื่อ แล้วส่ง คำเตือนล่วงหน้า ไปยัง operational partner ก่อนที่ใครจะเปิด PDF เสียอีก
  • เมื่อมนุษย์ไม่จำเป็นต้องพรอมป์ AI อีกต่อไป อินเทอร์เฟซและวิธีการทำงานแบบใหม่ก็จะเกิดขึ้น และมุมมองที่หนักแน่นของ Hebbia ต่อเรื่องนี้ยังถูกทิ้งท้ายไว้ว่า "to be continued"

บทสรุป

• ไม่มีส่วนใดในเนื้อหาข้างต้นที่ปฏิเสธความจำเป็นของแชตบอต เอเจนต์ หรือ Individual AI โดยรวม
• Individual AI คือช่องทางที่บริษัทส่วนใหญ่ในโลกได้ สัมผัสเวทมนตร์แห่งการเปลี่ยนแปลงของ AI เป็นครั้งแรก และการผลักดันให้เกิดการใช้งานพร้อมความสะดวกในการใช้แบบทั่วไป ก็เป็นก้าวแรกที่สำคัญของการบริหารการเปลี่ยนแปลงสู่เศรษฐกิจแบบ AI-first
• ขณะเดียวกันก็มีความต้องการ Institutional Intelligence ที่ชัดเจนและเร่งด่วน
  • ทุกองค์กรในอนาคตจะมีทั้งแชตบอตจากแล็บขนาดใหญ่ มี Institutional AI ที่ออกแบบมาเพื่อปัญหาเฉพาะโดเมน และมี Individual AI ที่ใช้สิ่งเหล่านี้เป็นเครื่องมือหลักของตน
• เรื่องเล่าแบบ "better together" ของ Institutional AI และ Individual AI เป็นสิ่งที่หลีกเลี่ยงไม่ได้
• เช่นเดียวกับบทเรียนจากโรงทอผ้าในทศวรรษ 1890 โรงงานที่ใช้ไฟฟ้าก่อนกลับแพ้ให้กับโรงงานที่ ออกแบบพื้นโรงงานใหม่
  • "ตอนนี้เรามีไฟฟ้าแล้ว และถึงเวลาต้องออกแบบโรงงานใหม่"

[master6559]

สรุปก็คือ ถ้าตอนนี้ยังหาเงินไม่ได้ ต่อให้ทำแบบนี้ต่อไปในอนาคตก็คงหาเงินไม่ได้เหมือนกันสินะ