ในยุค AI จะออกแบบความเชี่ยวชาญของตัวเองใหม่อย่างไร [Google Slides, 165 หน้า]
(drive.google.com)- เอกสารประกอบการบรรยายของคุณ ฮายงโฮ จาก DataOven
- เส้นทาง AX (การเปลี่ยนผ่านสู่ AI) ของบริษัทส่วนใหญ่มักผ่าน 5 ขั้นที่คล้ายกัน — ความฮือฮา → ชะงักงัน → ตื่นเต้น → กังขา → ด่านสุดท้าย
- AI J curve Trap - ไม่ใช่ว่าแค่ติด AI เข้าไปแล้วจะเก่งขึ้นทันที แต่ต้องไต่ผ่านหลุมของ Verification Tax (ภาษีการตรวจสอบ) ก่อน
- หนี้ (debt) 3 ประเภท ในยุค AI กำลังกัดกินประสิทธิภาพการทำงาน
- หนี้ทางเทคนิค — โค้ดจาก AI เก่งแค่การปรับให้เหมาะเฉพาะจุด แต่ไม่เข้าใจภาพรวม ทำให้เกิดการซ้ำซ้อน/ทางอ้อมมากเกินไป และภายใน 5~19 เดือน ความเร็วของบริษัทอาจลดลงแทน
- หนี้ทางการรับรู้ — ปล่อยผลงานทั้งที่ยังไม่เข้าใจหรือไม่มั่นใจในผลลัพธ์ จนเกิด "การยอมจำนนทางการรับรู้ (cognitive surrender)" จากการคลิกของคุณ → การคลิกของฉัน ถูกทำให้เป็น pipeline
- หนี้ทางเจตนา — บริบทและความรู้โดยนัยเกี่ยวกับเหตุผลที่สร้างสิ่งนั้นขึ้นมาค่อย ๆ เลือนหาย และมี กรณีจ้างกลับเข้ามาใหม่ หลังปลดคนออกด้วย
- งานหลักของมนุษย์กำลังย้ายจาก การผลิต ไปสู่การตรวจสอบ — อย่าพยายามตรวจสอบทุกอย่าง แต่ให้โฟกัสความสามารถไปที่ เลเยอร์การตรวจสอบผลลัพธ์
- เลเยอร์การตรวจสอบ = Binary Checks (test case) + Quantitative Metrics (throughput/Latency) + Qualitative Rubrics (LLM as a judge)
- ไม่ใช่แค่ build-time แต่ต้องมี การตรวจสอบตอน run-time ด้วย (สำหรับผลิตภัณฑ์ AI Agent ที่ไม่กำหนดแน่ชัด)
- การตรวจสอบที่ดีต้องอาศัยความเข้าใจโดเมน → ผู้เชี่ยวชาญ เท่านั้นที่ทำได้
- กรณีซอร์สโค้ดของ ClaudeCode รั่วไหล — โค้ดระดับ A มีคุณค่าเพราะพื้นที่การรับรู้ของมนุษย์ แต่ถ้าให้ AI จัดการ ต่อให้เป็นระดับ C·D ถ้าผลลัพธ์ดีพอก็ใช้ได้
- ถ้าเชื่อถือการตรวจสอบได้มากพอ Auto Research / Loop (เดิมชื่อ Ralph) ก็จะทำให้ AI วนทำ self-improvement ได้ตลอด 24 ชั่วโมงแม้ตอนคนหลับ
- วิธีแก้หนี้ทางเจตนา = จับ ความรู้โดยนัย (tacit knowledge) ให้อยู่
- grill-me / grill-with-docs ของ matt-pocock — ให้ AI ทำหน้าที่เป็นผู้ตั้งคำถามเพื่อขุดเจตนาของฉันออกมา (คนถามไม่ใช่คุณ แต่เป็น AI)
- หน่วยความจำร่วมทั้งบริษัท, shared memory สำหรับองค์กรของ Anthropic, mem0·seCall เป็นต้น
- สร้าง "Agent ตัวแทนฉันแบบเสมือน" ผ่านการดึง persona+memory
- เงื่อนไขของ AI native company → Queryable + Closed loop + Self-improving
- ออกแบบทุกคอมโพเนนต์ใหม่ให้เป็นมิตรกับการถูก AI จัดการ และเป็นมิตรกับการที่มนุษย์ตรวจสอบ ทำให้ ซีเนียร์ที่เคยมีแต่หน้าที่บริหาร กลับมาลงงานจริง
- บุคลากรที่เหมาะกับยุค AI = "ความสามารถในการหาคำตอบในสถานการณ์ที่คลุมเครือ"
- ต่อไปต้องคิดแบบเจ้าของกิจการ คือ ①แยกปัญหาออกเป็นส่วนย่อย ②ตัดสินความล้มเหลวให้ได้เร็ว ③หาโครงสร้างที่ทำให้งานเดินหน้าได้
- จุดแข็งที่สำคัญขึ้นใหม่ — การจับบริบทได้เร็ว, ความสามารถในการแปลงเป็นชิ้นขนาดพอดีคิด, พลังดึงดูดความสนใจ (การตลาด), และ รสนิยม (taste) ที่ชัดเจน ("ควรทำน้อยลงในเรื่องอะไร")
- ถึงอย่างนั้นความเชี่ยวชาญก็ยังจำเป็น — Gell-Mann Amnesia Effect (ที่ดูน่าเชื่อถือก็แค่เพราะเราไม่เชี่ยวชาญ) ความขัดแย้งของคุณค่าและ การตัดสินใจยากที่ต้องมีผู้รับผิดชอบ ยังเป็นหน้าที่ของมนุษย์
- นิยามของผู้เชี่ยวชาญกำลังเปลี่ยน — จาก ผู้ชำนาญทักษะ → ผู้รับผิดชอบการปฏิบัติการ
- คือคนที่สร้าง AI สำหรับโดเมนของตัวเอง ดูแลรักษาเลเยอร์การตรวจสอบ และรับผิดชอบต่อ การตัดสินคุณค่าที่ถูกต้อง รสนิยมที่ได้รับการยอมรับ และความรับผิดชอบที่อธิบายได้
1 ความคิดเห็น
การเชื่อมต่อกับไซต์ถูกตัดขาด