ฟรอนเทียร์ที่ไม่มีระบบนิเวศย่อมไม่มั่นคง

• บทความของ Satya Nadella, CEO ของ Microsoft
• เขาชี้ว่า ในเศรษฐกิจที่ขับเคลื่อนด้วย AI อนาคตขององค์กรกำลังอยู่ที่จุดเปลี่ยนซึ่งเป็นครั้งแรกที่เกิด วงจรการรับรู้ที่แท้จริง (cognitive loop) ระหว่างมนุษย์กับระบบดิจิทัล และนี่คือการเปลี่ยนแปลงที่พลิกนิยามของงานภายในองค์กรไปโดยสิ้นเชิง
• ทุกองค์กรต้องสร้างทั้ง ทุนมนุษย์ (human capital) ซึ่งคือความรู้ การตัดสินใจ ความสัมพันธ์ ข้อมูลเชิงลึก และการมองหารูปแบบของมนุษย์ ควบคู่กับ ทุนโทเคน (token capital) ซึ่งคือขีดความสามารถด้าน AI ที่องค์กรสร้างและเป็นเจ้าของ
• ยิ่งทุนโทเคนเติบโตขึ้น ทุนมนุษย์กลับยิ่งมีมูลค่าสูงขึ้น โดย ความเป็นผู้ลงมือกำกับของมนุษย์ (human agency) คือแรงขับของการเติบโตของทุนโทเคน
• โอกาสที่แท้จริงไม่ใช่การเลือกโมเดลที่ดีที่สุด แต่คือการสร้าง วงจรการเรียนรู้ (learning loop) บนโมเดล ซึ่งทำให้ทุนทั้งสองประเภทสะสมแบบทบต้น และวงจรนี้จะกลายเป็น IP ใหม่ขององค์กร
• อนาคตที่โมเดลเพียงไม่กี่ตัวดูดซับมูลค่าทั้งหมดไว้จะไม่อาจเป็นที่ยอมรับได้ทั้งทางการเมืองและเศรษฐกิจ ดังนั้นภารกิจสำคัญจึงไม่ใช่การสร้าง frontier model แต่คือการสร้าง frontier ecosystem เพื่อให้มูลค่าไหลไปสู่องค์กร อุตสาหกรรม และประเทศต่างๆ อย่างทั่วถึง

---

แก่นแท้ของการเปลี่ยนผ่านสู่ AI — การมาถึงของวงจรการรับรู้

• การเปลี่ยนผ่านครั้งนี้แตกต่างจากทุกการเปลี่ยนผ่านของแพลตฟอร์มในอดีต
  • ในอดีต เราใช้ระบบดิจิทัลเพื่อเสริมทุนมนุษย์ แต่ครั้งนี้คือช่วงเวลาที่เราได้สร้าง วงจรการรับรู้ที่แท้จริง ระหว่างมนุษย์กับระบบดิจิทัลขึ้นเป็นครั้งแรก
  • เป็นการเปลี่ยนแปลงที่กระทบไปถึงวิธีที่องค์กรนิยามและทำความเข้าใจกับงานภายใน
• ประเด็นสำคัญไม่ใช่แค่การใช้เครื่องมือหรือระบบดิจิทัล แต่คือการที่องค์กรจะยังคงเรียนรู้ สร้าง IP สะสม และสร้างความแตกต่างพร้อมเติบโตต่อไปได้อย่างไร ในโลกที่ โมเดล AI ดูดซับและทำให้ความเชี่ยวชาญของมนุษย์และองค์กรกลายเป็นสินค้าโภคภัณฑ์ (commoditize) อย่างต่อเนื่อง

ทุนมนุษย์และทุนโทเคน

• ทุกองค์กรต้องสร้างทุน 2 ประเภท
  • ทุนมนุษย์: ความรู้ การตัดสินใจ ความสัมพันธ์ ความคิดสร้างสรรค์ และการมองหารูปแบบของบุคลากร
  • ทุนโทเคน: ขีดความสามารถด้าน AI ที่องค์กรสร้างขึ้นและเป็นเจ้าของ
• แม้ทุนโทเคนจะเติบโตขึ้น มูลค่าของทุนมนุษย์ก็ไม่ได้ลดลง แต่กลับเพิ่มขึ้น
  • มนุษย์คือผู้ตั้งเป้าหมายที่ทะเยอทะยาน เชื่อมโยงจุดข้ามขอบเขตต่างๆ สร้างความสัมพันธ์ และมองเห็นรูปแบบที่สำคัญที่สุด
  • หากปราศจากการกำหนดทิศทางจากมนุษย์ การประมวลผลก็เป็นเพียง compute running in circles

การสร้างวงจรการเรียนรู้คือโอกาสที่แท้จริง

• โอกาสที่แท้จริงไม่ใช่การเลือกโมเดลที่ดีที่สุด แต่คือการสร้าง วงจรการเรียนรู้ บนโมเดลที่ทำให้ทุนทั้งสองสะสมแบบทบต้น
  • งานหรือหน้าที่อาจถ่ายโอนออกไปได้ (offload) แต่ตัวการเรียนรู้นั้นไม่อาจถ่ายโอนได้เด็ดขาด
  • อนาคตขององค์กรขึ้นอยู่กับความสามารถในการสะสมการเรียนรู้นั้นแบบทบต้น ครอบคลุมทั้งคนและ AI
• จำเป็นต้องมีแนวทางด้านสถาปัตยกรรมแบบใหม่
  • สร้าง agentic system ที่ดีขึ้นตามกาลเวลา โดยยังคงรักษาสิทธิในการควบคุม IP
  • แม้จะเปลี่ยนโมเดลแบบ "generalist" ก็ต้องไม่สูญเสียความเชี่ยวชาญของ "company veteran" ที่สะสมอยู่ในระบบการเรียนรู้
  • นี่คือบททดสอบสำคัญของการควบคุมและอธิปไตยในยุคต่อจากนี้

เปลี่ยนเวิร์กโฟลว์ให้เป็นระบบ AI ที่ดีขึ้นเมื่อใช้งาน

• องค์กรต้องเปลี่ยนเวิร์กโฟลว์ ความรู้เฉพาะโดเมน และวิจารณญาณที่สั่งสมมา ให้เป็น ระบบ AI ที่ยิ่งใช้ยิ่งดีขึ้น
  • Private evals: จับให้ได้ว่าโมเดลดีขึ้นจริงหรือไม่ โดยวัดจากผลลัพธ์ที่สำคัญต่อธุรกิจ ไม่ใช่ benchmark ภายนอก
  • Private RL environment: ทำให้โมเดลแข็งแกร่งขึ้นจาก real traces ภายในองค์กร
  • ฐานความรู้ (knowledge base): ทำให้ความทรงจำเชิงสถาบันสามารถถูกสืบค้นได้ และช่วยให้การใช้โทเคนมีประสิทธิภาพมากขึ้น

วงจรการเรียนรู้คือ IP ใหม่ขององค์กร

• วงจรนี้จะกลายเป็น IP ใหม่ขององค์กร และต่างจากสินทรัพย์ส่วนใหญ่ตรงที่มันสะสมแบบทบต้นได้ เปรียบได้กับ เครื่องไต่เนิน (hill climbing machine)
  • ทุกเวิร์กโฟลว์ที่ได้รับการปรับปรุงจะสร้างสัญญาณการเรียนรู้ที่ดีกว่าเดิม (training signal)
  • สิ่งนี้เร่งการสะสมของความรู้ฝังลึกเฉพาะองค์กร (tacit knowledge)
• องค์กรที่สร้างสิ่งนี้ได้ก่อนจะได้เปรียบที่ลอกเลียนได้ยาก ไม่ว่าโมเดลแต่ละตัวจะมีความสามารถใหม่อะไรเพิ่มเข้ามาก็ตาม

คำเตือนต่อการผูกขาดโดยโมเดลไม่กี่ตัว

• ไม่มีใครต้องการโลกที่องค์กรในทุกอุตสาหกรรมยกมูลค่าให้โมเดลเพียงไม่กี่ตัว
  • หากมูลค่าทั้งหมดตกไปอยู่กับโมเดลไม่กี่ตัว ระบบเศรษฐกิจการเมืองจะไม่ยอมรับสิ่งนี้
  • อนาคตของ AI ที่ทำให้ทั้งอุตสาหกรรมถูกคว้านกลวง (hollow out) จะไม่ได้รับการยอมรับจากสังคม
• เขายกตัวอย่างจากโลกาภิวัตน์ระลอกแรก
  • การเอาท์ซอร์สทำให้เศรษฐกิจอุตสาหกรรมทั้งระบบถูกคว้านกลวง ตัวเลข GDP บนผิวหน้าอาจดูดี แต่ในความเป็นจริงเกิดการแทนที่ (displacement) และผลกระทบของมันยังคงต่อเนื่องมาจนถึงวันนี้
  • เราไม่ควรนำพลวัตแบบที่ระบบ AI เพียงไม่กี่ระบบครอบครองผลตอบแทนทางเศรษฐกิจทั้งหมด ขณะที่ความรู้ของทั้งอุตสาหกรรมถูกทำให้เป็นสินค้าโภคภัณฑ์จากใต้เท้า เข้ามาสู่ยุค AI

การสร้าง frontier ecosystem ต้องมาก่อน

• ลำดับความสำคัญไม่ใช่ frontier model แต่คือการสร้าง frontier ecosystem เพื่อให้มูลค่าไหลกระจายอย่างกว้างขวางไปสู่องค์กร อุตสาหกรรม และประเทศต่างๆ
  • ทุกองค์กรควรเป็นเจ้าของวงจรการเรียนรู้ที่เข้ารหัสความรู้เชิงสถาบัน และสะสมทั้งทุนมนุษย์กับทุนโทเคนแบบทบต้น
• เป้าหมายคือทำให้เกิดมูลค่าบนแพลตฟอร์มมากกว่าที่แพลตฟอร์มจะกักเก็บไว้ภายใน และทำให้ทุกองค์กรสามารถสร้างนวัตกรรมและสร้างมูลค่าด้วยตนเองได้อย่างต่อเนื่อง
  • องค์กรสร้างมูลค่าให้ทั้งตนเองและเศรษฐกิจรอบข้าง
  • พนักงานจะได้รับการขยายศักยภาพความเชี่ยวชาญ และวิจารณญาณของพวกเขาจะกลายเป็นส่วนหนึ่งของระบบที่สามารถทำซ้ำและขยายผลได้ โดยผลประโยชน์จะกลับคืนสู่องค์กรและชุมชนโดยรอบ
• นี่คือ ดุลยภาพที่มั่นคง (stable equilibrium) ที่เราต้องร่วมกันสร้าง