เกิดอะไรขึ้นกับงานกันแน่? แยกแยะระหว่างกระแสโหม AI กับความเป็นจริง

 (siepr.stanford.edu)
1 คะแนน โดย GN⁺ 4 시간 전 | 1 ความคิดเห็น | แชร์ทาง WhatsApp
  • จากข้อมูลปัจจุบัน ยังไม่พบ การลดการจ้างงานครั้งใหญ่ในอาชีพที่มีการสัมผัส AI สูง แต่มีความเป็นไปได้ว่า AI ส่งผลบางส่วนต่อการชะลอตัวของการจ้างงานบัณฑิตจบใหม่และพนักงานออฟฟิศอายุน้อย
  • ตั้งแต่ปี 2022 อัตราการว่างงานเพิ่มขึ้น 0.77 จุดเปอร์เซ็นต์ในกลุ่มอาชีพ 20% แรกที่สัมผัส AI สูงสุด และ 0.85 จุดเปอร์เซ็นต์ในกลุ่ม 20% ล่างสุด จึงใกล้เคียงกับ การชะลอตัวของตลาดแรงงานโดยรวม มากกว่าการตกงานที่เกิดจาก AI
  • โดยทั่วไปแล้ว generative AI ช่วยเพิ่มความเร็วในงานอย่างการสนับสนุนลูกค้า การเขียนโค้ด การเขียน และงานกฎหมาย แต่ผลลัพธ์แตกต่างกันไปตามลักษณะงานและระดับทักษะ อีกทั้งยังพบ ความไม่แม่นยำ คำแนะนำที่ผิดพลาด และความสร้างสรรค์ที่เป็นแบบเดียวกันมากขึ้น
  • อัตราการนำ AI ไปใช้ในองค์กรแตกต่างกันตั้งแต่ราว 20% ไปจนเกิน 80% ตามแต่ละการสำรวจ และเพิ่มขึ้นอย่างรวดเร็ว แต่ส่วนใหญ่ยังอยู่ในขั้น ทดลองหรือโครงการนำร่อง ของบางฟังก์ชัน จึงยังมีผลต่อการจ้างงานไม่มาก
  • ยังไม่อาจสรุปผลกระทบระยะยาวของ AI ต่อการจ้างงานจากหลักฐานระยะแรกได้ โดย ความเร็วในการนำไปใช้และระยะเวลาปรับโครงสร้างองค์กร จะเป็นตัวกำหนดขนาดของแรงกระแทกต่อตลาดแรงงานและขอบเขตของการตอบสนองเชิงนโยบาย

ยังมีหลักฐานไม่เพียงพอที่จะยืนยันการตกงานครั้งใหญ่จาก AI

  • ความกังวลว่า AI จะสั่นคลอนตลาดแรงงานพนักงานออฟฟิศอย่างหนักในอนาคตอันใกล้เพิ่มขึ้นมาก และ Dario Amodei ซีอีโอของ Anthropic คาดว่า AI อาจลบล้างงานออฟฟิศได้ครึ่งหนึ่ง และดันอัตราการว่างงานขึ้นถึง 20%
  • ในข้อมูลสถิติที่มีอยู่ตอนนี้ แทบไม่มีหลักฐานว่า AI ก่อให้เกิดการลดตำแหน่งงานอย่างรุนแรงไปแล้ว
    • ตั้งแต่ปี 2022 อัตราการว่างงานเพิ่มขึ้น 0.77 จุดเปอร์เซ็นต์ในกลุ่มอาชีพ 20% แรกที่สัมผัส AI สูงสุด และ 0.85 จุดเปอร์เซ็นต์ในกลุ่มอาชีพ 20% ล่างสุด
    • สิ่งนี้ชี้ไปที่ความอ่อนแรงของตลาดแรงงานโดยรวม มากกว่าจะเป็นแรงกระแทกเฉพาะในอาชีพที่สัมผัส AI
  • แนวโน้มการจ้างงานของอาชีพที่มีการสัมผัส AI สูงก็ยังค่อนข้างทรงตัว
    • อัตราการเติบโตของการจ้างงานในอาชีพที่มีสัดส่วนงานเขียนโค้ดสูงชะลอลง แต่ยังคงเป็นบวก
    • ยังไม่มีหลักฐานว่า AI ทำให้บริษัทลดประกาศรับสมัครงาน
    • ประกาศรับสมัครนักพัฒนาซอฟต์แวร์ในช่วง 1 ปีที่ผ่านมาเพิ่มขึ้นเร็วกว่าอาชีพอื่น
  • การจ้างงานของบริษัทที่นำ AI สำหรับองค์กรมาใช้เพิ่มขึ้น 10% ในช่วง 2 ปีถัดมา โดยบริษัทที่มีการใช้จ่ายด้าน AI ต่อพนักงานสูงที่สุดเป็นตัวนำการเติบโต
  • การประกาศเลิกจ้างที่อ้างถึง AI ก็มีสาเหตุจริงแตกต่างกันไป
    • การลดพนักงานแบบจำกัดบางส่วนอาจเกี่ยวข้องกับระบบอัตโนมัติจาก AI
    • การลดพนักงานอื่น ๆ ดูเหมือนจะมาจากการกันเงินสดไว้ลงทุนใน AI หรือการปรับลดหลังจ้างงานเกินในช่วงโรคระบาด
    • ผู้ดูแลงานทรัพยากรบุคคลมองว่าอิทธิพลของ AI ชัดกว่าในการควบรวมบทบาทงานและหลีกเลี่ยงการเปิดรับตำแหน่งใหม่ที่สามารถทำอัตโนมัติได้ มากกว่าการเลิกจ้างโดยตรง
  • อาจมีผลกระทบต่อคนบางกลุ่มที่ยังไม่สะท้อนในสถิติภาพรวม โดยเฉพาะสัญญาณลบในอุปสงค์ต่อแรงงานออฟฟิศอายุน้อย

ความสัมพันธ์ระหว่างการลดการจ้างบัณฑิตจบใหม่กับ AI

  • อัตราว่างงานของบัณฑิตจบใหม่เพิ่มขึ้นเป็น 5.6% ในช่วงต้นปี 2026 สูงกว่าก่อนหน้า 3 ปีอยู่ 1.6 จุดเปอร์เซ็นต์
  • งานระดับเริ่มต้นมีงานจำนวนมาก เช่น การค้นคว้า วิเคราะห์ และเขียนเชิงกิจวัตร ซึ่ง AI สามารถทำได้เป็นสัดส่วนมาก จึงอาจทำให้อุปสงค์การรับคนใหม่อ่อนตัวลง
  • งานวิจัยของ Brynjolfsson·Chandar·Chen พบว่าหลังการเปิดตัว ChatGPT ในปี 2022 การจ้างงานของแรงงานช่วงต้นอาชีพในอาชีพที่สัมผัส AI เช่น นักพัฒนาซอฟต์แวร์และเจ้าหน้าที่บริการลูกค้า ลดลงอย่างชัดเจน
    • การจ้างงานของแรงงานอายุมากกว่าในอาชีพเดียวกันค่อนข้างทรงตัวหรือยังคงเพิ่มขึ้นต่อเนื่อง
    • ทีมนักวิจัยเปรียบแรงงานอายุน้อยว่าเป็น “นกคีรีบูนในเหมืองถ่านหิน” ที่จะเผชิญแรงกระแทกจาก AI ในตลาดแรงงานก่อน
    • งานวิจัยติดตามในสหรัฐฯ และสหราชอาณาจักรก็ยืนยันผลลบคล้ายกันต่อการจ้างแรงงานอายุน้อยในอาชีพที่สัมผัส AI ตั้งแต่ปี 2022
  • อย่างไรก็ดี ช่วงเวลาของการลดลงนั้นอธิบายด้วย AI เพียงอย่างเดียวได้ยาก
    • ความสามารถของโมเดล AI ในปี 2022 ยังจำกัดมาก
    • ธนาคารกลางสหรัฐฯ เริ่มขึ้นดอกเบี้ยอย่างรุนแรงเพื่อตอบสนองเงินเฟ้อตั้งแต่เดือนมีนาคม 2022 ซึ่งเป็นเวลาหลายเดือนก่อนการเปิดตัว ChatGPT
    • งานวิจัยทั้งสองชิ้นวิเคราะห์ว่าการลดลงของการจ้างงานในอาชีพที่สัมผัส AI เริ่มขึ้นหลังการเปลี่ยนทิศทางนโยบายการเงิน และก่อนการเปิดตัว ChatGPT
    • การจ้างงานเกินในช่วงโรคระบาดและการขยายตัวของการทำงานทางไกลก็อาจมีผลเช่นกัน
  • การทำงานทางไกลอาจทำให้การเรียนรู้หน้างานช้าลง และลดคุณค่าของการจ้างแรงงานอายุน้อย โดยหลังโรคระบาด การจ้างงานในอาชีพที่เหมาะกับการทำงานทางไกลเริ่มเอนเอียงไปทางผู้มีประสบการณ์มากขึ้น
  • ในการวิเคราะห์เพิ่มเติมที่ควบคุมปัจจัยกวนแล้ว พบว่าการจ้างงานแรงงานระดับเริ่มต้นลดลงเด่นชัด ตั้งแต่ปี 2024
    • การลดลงราวปี 2022 อาจมีปัจจัยอื่นนอกเหนือจาก AI เข้ามาเกี่ยวข้อง
    • ในปี 2024 การนำ AI ไปใช้และความสามารถของโมเดลพัฒนาไปมาก ทำให้ความเป็นไปได้ของผลกระทบโดยตรงจาก AI สูงขึ้น
  • แม้จะชัดเจนว่าการจ้างงานในอาชีพระดับเริ่มต้นที่สัมผัส AI ลดลงมากราวปี 2022 แต่ปัญหาในการแยกผลเชิงเหตุของ AI ออกจากแรงกระแทกมหภาคทางเศรษฐกิจยังไม่ได้รับการแก้ไข

ผลิตภาพโดยรวมดีขึ้น แต่ผลลัพธ์ไม่สม่ำเสมอ

  • ในการทดลอง มักพบว่าแชตบอตและเครื่องมือเขียนโค้ดช่วยยกระดับผลงานของแรงงานที่มีประสบการณ์และผลงานต่ำได้มากกว่าเมื่อเทียบกัน
  • ผู้ช่วย generative AI ในคอลเซ็นเตอร์ขนาดใหญ่ช่วยเพิ่มผลิตภาพโดยรวม 15%
    • จำนวนปัญหาที่เจ้าหน้าที่มือใหม่หรือทักษะต่ำแก้ได้ต่อชั่วโมงเพิ่มขึ้น 30%
    • สำหรับเจ้าหน้าที่ทักษะสูง ไม่พบการปรับปรุงผลงาน และคุณภาพคำตอบลดลงเล็กน้อย
  • ในการทดลอง GitHub Copilot งานพัฒนาซอฟต์แวร์เสร็จเร็วขึ้น 56% โดยการปรับปรุงส่วนใหญ่กระจุกอยู่ที่นักพัฒนาที่มีประสบการณ์น้อย
    • ในการทดลองภาคสนามแยกต่างหากในองค์กร ผลต่อผลิตภาพของนักพัฒนาขึ้นอยู่กับบริษัท อยู่ในช่วง 10~30%
  • ChatGPT ช่วยลดเวลาเขียนในทุกกลุ่มทักษะ และยังยกระดับคุณภาพผลงานของแรงงานที่มีทักษะการเขียนต่ำด้วย
  • ยังสังเกตเห็นการทำงานเร็วขึ้นในงานกฎหมาย เช่น การร่างสัญญาของทนายอายุน้อย และในงานบันทึกเวชระเบียน
    • ผลของเครื่องมือบันทึกเวชระเบียนด้วย AI ทางการแพทย์มีขนาดเล็ก และเพราะมีความไม่แม่นยำเป็นครั้งคราว จึงต้องมี การกำกับดูแลโดยแพทย์
  • แต่ละงานวิจัยมีชนิดงานและช่วงเวลาต่างกัน และบางชิ้นไม่ใช่การทดลองแบบสุ่ม จึงเปรียบเทียบขนาดผลโดยตรงได้ยาก

ความสามารถและต้นทุนการตัดสินใจที่เปลี่ยนไปตามงานแต่ละประเภท

  • ประสิทธิภาพของ AI แสดง ขอบเขตที่ขรุขระ (jagged frontier) ซึ่งอาจให้ผลบวกหรือลบอย่างมาก ขึ้นอยู่กับงานที่นำไปใช้
  • ในที่ทำงานจริง พนักงานต้องตัดสินใจว่าจะใช้ AI เมื่อไรและอย่างไร รวมถึงประเมินว่าผลลัพธ์มีประโยชน์หรือยังต้องแก้ไขเพิ่มเติมหรือไม่
  • ในการทดลองกับผู้ประกอบการชาวเคนยา ผู้ประกอบการทักษะต่ำที่ใช้ AI มีรายได้และกำไรต่ำกว่ากลุ่มที่ทำให้ธุรกิจเติบโตโดยไม่ใช้ AI
    • ผู้มีทักษะต่ำมีแนวโน้มจะนำคำแนะนำ AI แบบทั่วไปที่ไม่เหมาะกับสถานการณ์ของตนไปปฏิบัติ
    • ผู้ประกอบการที่ทำผลงานดีสามารถดึงข้อเสนอที่เหมาะกับความต้องการของธุรกิจมากกว่า
  • AI อาจยกระดับคุณภาพผลงานรายบุคคล แต่ลดความหลากหลายของไอเดียในระดับกลุ่ม
    • ในงานเขียนเชิงสร้างสรรค์ คุณภาพเรื่องราวของผู้ที่มีทักษะต่ำดีขึ้น แต่เรื่องที่ใช้ AI มีความคล้ายกันเองมากกว่าเรื่องที่มนุษย์เขียนอย่างชัดเจน
    • นักวิทยาศาสตร์ที่นำเครื่องมือ AI มาใช้ตีพิมพ์บทความได้มากขึ้น แต่จำนวนหัวข้อวิจัยโดยรวมและการแลกเปลี่ยนระหว่างนักวิทยาศาสตร์ลดลง

ทำไมการปรับปรุงงานรายชิ้นจึงยังไม่กลายเป็นผลิตภาพของทั้งเศรษฐกิจ

  • สัดส่วนของงานที่ AI สามารถย่นเวลาได้อย่างคุ้มทุนอาจยังเล็กเมื่อเทียบกับเศรษฐกิจทั้งหมด
  • คอขวด ในกระบวนการที่ AI ยังช่วยไม่ได้ อาจจำกัดการเพิ่มขึ้นของผลิตภาพโดยรวม
  • เมื่อนำเทคโนโลยีใหม่มาใช้ บริษัทต้องปรับโครงสร้างฟังก์ชันงานและลงทุนส่วนเสริม จึงอาจทำให้ผลิตภาพที่วัดได้ลดลงในระยะแรกเสียด้วยซ้ำ
  • ผลที่ยืนยันจากการทดลองส่วนใหญ่ครอบคลุมงานเฉพาะและช่วงเวลาสั้น จึงไม่เท่ากับผลผลิตภาพระยะยาวของเศรษฐกิจโดยรวม
  • AI อาจเพิ่มผลิตภาพได้ในที่สุด แต่ด้วยความเร็วในการนำไปใช้ในองค์กรตอนนี้ ผลดังกล่าวอาจยังไม่ปรากฏในสถิติผลิตภาพรวม

การนำไปใช้ในองค์กรที่เร็วแต่ไม่สม่ำเสมอ

  • การเปลี่ยนผ่านสู่ AI จะกินเวลา 3 ปีหรือ 20 ปี เป็นประเด็นที่เปลี่ยนคำถามเชิงนโยบายอย่างมาก
    • การเปลี่ยนผ่านอย่างรวดเร็วอาจผลักแรงงานจำนวนมากออกพร้อมกัน
    • การเปลี่ยนผ่านอย่างช้าทำให้แรงงานและผู้กำหนดนโยบายมีเวลาปรับตัว
  • ทุกการสำรวจองค์กรต่างเห็นตรงกันว่าการใช้ AI เพิ่มขึ้นอย่างรวดเร็ว แต่ ค่าประมาณอัตราการนำไปใช้ แตกต่างกันมาก
    • การสำรวจระดับประเทศแบบเป็นตัวแทนของสำนักสำรวจประชากรสหรัฐฯ BTOS ประเมินว่าราว 20% ของบริษัทใช้ AI
    • ในการสำรวจผู้บริหารบริษัทสหรัฐฯ มีพนักงานมากกว่า 80% ใช้ AI ในการทำงาน
    • ในกลุ่มลูกค้าของ Ramp มากกว่า 50% มีค่าใช้จ่ายกับเครื่องมือหรือผู้ให้บริการ AI
    • ในการสำรวจครัวเรือนระดับประเทศ ผู้ตอบแบบสอบถามที่มีงานทำมากกว่า 40% ระบุว่าใช้ AI ในที่ทำงาน
  • ความต่างของตัวเลขมาจากวิธีสำรวจและองค์ประกอบของกลุ่มตัวอย่าง
    • บริษัทขนาดใหญ่มีอัตราการนำ AI ไปใช้สูงกว่า ดังนั้นสัดส่วนที่ถ่วงน้ำหนักตามขนาดการจ้างงานจะสูงกว่าการนับตามจำนวนบริษัทอย่างเดียว
    • กลุ่มตัวอย่างของ Ramp ไม่ได้เป็นตัวแทนของบริษัททั้งหมด และเอนเอียงไปทางบริษัทเทคโนโลยีที่มีอัตราการใช้ AI สูง
    • งานวิจัยของธนาคารกลางสหรัฐฯ มองว่ามีเหตุผลให้เชื่อค่าประมาณที่ต่ำกว่าจากสำนักสำรวจประชากรซึ่งใช้ตัวอย่างระดับประเทศ และหากถ่วงน้ำหนักตามการจ้างงาน ความต่างระหว่างการสำรวจก็ลดลงมาก
  • การนำ AI ไปใช้กระจุกตัวในบริษัทเทคโนโลยีและอุตสาหกรรมที่ใช้ข้อมูลเข้มข้น เช่น การเงิน
    • พื้นที่ใช้งานที่พบบ่อยที่สุดคือ การขายและการตลาด, IT, กลยุทธ์, การเงิน และบัญชี
    • แม้แต่บริษัทที่นำไปใช้แล้ว ก็มักจำกัดอยู่ที่ฟังก์ชันงานหนึ่งหรือสองอย่าง หรือใช้หลายงานแต่ด้วยความถี่ต่ำ
    • การผสาน AI อย่างครอบคลุมยังเป็นข้อยกเว้น โดยการสำรวจของ McKinsey ระบุว่าส่วนใหญ่ยังอยู่ในขั้นทดลองหรือโครงการนำร่อง และมีเพียงบริษัทขนาดใหญ่ส่วนน้อยที่เป็นผู้นำการขยายใช้จริง
  • ปัจจุบัน ผลของการนำ AI ไปใช้ในองค์กรต่อการจ้างงานยังมีขนาดเล็ก
    • ในข้อมูลของสำนักสำรวจประชากร บริษัทที่ตอบว่ามีผลต่อการจ้างงานมีเพียง 5% และจำนวนคำตอบว่าจ้างงานเพิ่มหรือลดมีเท่ากัน
    • ผู้บริหาร 80% ในการสำรวจของ Atlanta Fed ตอบว่าการลงทุนใน AI ยังไม่เปลี่ยนจำนวนพนักงานหรือผลิตภาพ
    • งานวิจัยจากเดนมาร์กพบว่า AI ปรับโครงสร้างงานและการจัดสรรเวลาของแรงงาน แต่ยังไม่ส่งผลต่อการจ้างงาน ชั่วโมงทำงาน หรือรายได้
    • ยังมีผลวิจัยว่าการจ้างงานของบริษัทที่นำ AI ไปใช้เพิ่มขึ้น 10% ในช่วง 2 ปีถัดมา

หลักฐานระยะแรกไม่ได้เป็นตัวตัดสินอนาคตระยะยาว

  • นวัตกรรมเทคโนโลยีในอดีตใช้เวลาหลายปีถึงหลายสิบปีในการเปลี่ยนแปลงบริษัทและตลาดแรงงาน
  • Robert Solow เคยกล่าวในปี 1987 ว่า “ยุคคอมพิวเตอร์มองเห็นได้ทุกที่ ยกเว้นในสถิติผลิตภาพ”
    • ในทศวรรษ 1980 บริษัทต่าง ๆ ลงทุนมหาศาลใน PC แต่การจะได้ผลลัพธ์ต้องมีซอฟต์แวร์องค์กร การฝึกทักษะแรงงานใหม่ และการปรับโครงสร้างองค์กรเพิ่มเติม
    • เพราะแรงเสียดทานในการนำไปใช้นี้ ผลทางเศรษฐกิจที่วัดได้ของการปฏิวัติคอมพิวเตอร์จึงปรากฏชัดจริง ๆ ก็ในช่วงปลายทศวรรษ 1990
  • มุมมองต่อ AI แตกออกเป็นสองขั้วใหญ่
    • ฝ่ายที่มองว่าเป็น เทคโนโลยีปกติ (normal technology) เห็นว่า AI จะเปลี่ยนโลกได้เหมือนเทคโนโลยีในอดีต แต่จะค่อย ๆ แพร่กระจาย
    • อีกฝ่ายคาดว่าผลกระทบระดับเปลี่ยนโลกอาจเกิดขึ้นเร็วถึงปี 2027
  • หลักฐานสำคัญที่หนุนมุมมองเทคโนโลยีปกติคือประวัติศาสตร์ที่การปฏิวัติเทคโนโลยีในอดีตลบล้างหรือลดอุปสงค์แรงงานในบางอาชีพ พร้อมกับสร้างงานและอุตสาหกรรมใหม่ขึ้นมา
    • ลักษณะของงานและเศรษฐกิจเปลี่ยนไป แต่การจ้างงานรวมเพิ่มขึ้น
  • ฝ่ายที่มองว่า AI ต่างจากอดีต ใช้เหตุผลเรื่องความเร็วในการนำไปใช้ ผลกระทบที่ไม่สมดุลต่อแรงงานเชิงความคิด และการครอบคลุมกว้างในงานออฟฟิศจำนวนมาก ไม่ได้จำกัดอยู่แค่อาชีพเดียว
  • ไม่ว่ามุมมองใดจะถูกต้อง การปฏิวัติทางเทคโนโลยีก็อาจสร้างแรงกระแทกอย่างมากต่อปัจเจกบุคคล จึงควรติดตามการเปลี่ยนแปลงของตลาดแรงงานอย่างใกล้ชิด และเตรียม การตอบสนองเชิงนโยบาย ที่เป็นไปได้

บทความที่เกี่ยวข้อง

1 ความคิดเห็น

 
GN⁺ 4 시간 전
ความคิดเห็นบน Hacker News

  • พอเปิดประเด็นถกเถียง คอมเมนต์บนสุดสองอันก็ตรงข้ามกันโดยสิ้นเชิง อันหนึ่งบอกว่า AI ทำให้ผลิตภาพของคนที่ผลงานสูงอยู่แล้วสูงขึ้นอีก จนเปลี่ยน 80:20 เป็น 99:1 ส่วนอีกอันบอกว่า LLM ช่วยดึงคนต่ำกว่าค่าเฉลี่ยขึ้นมา แต่กลับรบกวนคนมีทักษะ ทำให้ทุกอย่าง ลู่เข้าหาค่าเฉลี่ย

    • ผมมองว่าความรู้สึกของฝั่งตรงข้ามก็จริงใจ แต่เพราะต้นทุนส่วนเพิ่มของซอฟต์แวร์แทบเป็นศูนย์ การบริโภคในตลาดที่มีประสิทธิภาพจะไปกระจุกอยู่กับผลิตภัณฑ์ชั้นยอดที่ senior ที่ใช้ AI สร้างขึ้น แม้ปริมาณการผลิตจะถูกครอบงำโดย junior ที่ใช้ AI แต่ถ้าไม่ได้ถูกใช้งานจริง ก็สงสัยได้ว่านั่นคือผลิตภาพที่แท้จริงหรือไม่ ผมเองก็เลิกจ้าง junior 3 คน แล้วกลายเป็นต้องทำงานคนเดียว และเห็นกรณีคล้ายกันมากมาย
      เมื่องานง่ายหมดไป ก็เหลือแต่งานยาก และ junior อาจไปต่อไม่ได้ บริษัทที่เป็นระบบราชการมักผลิตงานง่าย ๆ ออกมาเป็นจำนวนมาก ดังนั้นถ้าวัดผลิตภาพจากจำนวน Jira ticket ที่ปิดได้ การเพิ่มผลิตภาพด้วย AI ของ junior จะดูมากกว่ามาก
    • ก่อนเริ่มใช้ Codex กับการพัฒนาฟีเจอร์จริงเมื่อไม่กี่สัปดาห์ก่อน ผมใช้ ChatGPT ทำแต่งานเล็ก ๆ น้อย ๆ และคิดว่า Codex คงไม่เหมาะกับการแก้ปัญหาเชิงลึก แต่ผมคิดผิด ผมไม่รู้เลยว่าเครื่องมือเหล่านี้ฉลาดขนาดไหน
      ตอนนี้ผมมองว่าโปรเจกต์ขนาดใหญ่ที่เดิมประกอบด้วยผม นักพัฒนา frontend 2 คน นักพัฒนาที่เกือบเป็น full-stack, tester, product owner 2 คน และ PM สามารถทำได้ อย่างมีประสิทธิภาพกว่าเดิมด้วยแค่ผมกับ tester แม้กลับมาเขียน SQL อีกครั้งหลังผ่านไป 20 ปี ก็ไม่ได้ช้าลง และทำ CSS, ฟีเจอร์, การทดสอบ ได้อย่างรวดเร็วคนเดียว
      เดิมทีองค์กรเล็กของเรามีนักพัฒนา 1–2 คนต่อโปรเจกต์ การรันโปรเจกต์ใหญ่จึงเละเทะ และเสียแรง 80% ไปกับการสื่อสาร ช่วงแรกทีม product มีประโยชน์กับการกำหนดขอบเขตและแพตเทิร์น UI/UX แต่หลังจากนั้นแค่ให้รับผิดชอบคำขอดีไซน์ที่เฉพาะเจาะจง และมี tester ที่ละเอียดคอยจับ edge case แปลก ๆ ก็เพียงพอ
      ไม่ได้หมายความว่าผมเป็นอัจฉริยะ แค่พอมีความสามารถในหลายด้านเท่านั้นเอง แต่ถ้า นักพัฒนา full-stack ที่มีประสบการณ์ มีเซนส์ด้าน UX และทักษะจัดการผู้มีส่วนได้ส่วนเสีย แล้วใช้เครื่องมือนี้ สิ่งที่เป็นไปได้ก็น่ากลัวทีเดียว
    • ถ้าลอกออกมาดูหลาย ๆ ชั้น ก็ไม่จำเป็นต้องขัดแย้งกันเสมอไป การเพิ่มขึ้น 50% ของ junior อาจมีปริมาณสัมบูรณ์น้อยกว่าการเพิ่มขึ้น 10% ของ senior จึงอยู่ร่วมกับการรับรู้ผลตอบแทนแบบพาเรโตได้
      ผลที่บอกว่าการพัฒนาไปกระจุกที่ junior ก็อาจเป็นเพราะความต่างของงานที่ได้รับมอบหมาย หาก senior ไปทำงานของ junior อาจเร็วขึ้น 1,000% แต่ในความเป็นจริง งานยากจะถูกรวมไปที่ senior และตอนนี้สิ่งที่ Claude จัดการได้ไม่ง่าย เองก็ถูกจัดเป็นงานยาก
    • ผลลัพธ์ขึ้นกับงาน ภาษา และประสบการณ์อย่างมาก คนผลงานต่ำเริ่มทำงานได้เร็วในระดับนักพัฒนาทั่วไป แต่สร้างผลลัพธ์หยาบ ๆ ที่ส่วนใหญ่ต้องทำใหม่ อย่างไรก็ตาม ความเร็วในการวนซ้ำเพิ่มขึ้น ทำให้ดูเหมือนเรียนรู้ได้เร็วขึ้นด้วย ดังนั้นระยะยาวอาจกลายเป็นคนที่มีผลิตภาพได้
      คนผลงานสูงทำงานเสร็จเร็วมาก และหันไปโฟกัสกับคุณภาพและกระบวนการ จนสร้างซอฟต์แวร์ที่ขัดเกลาดี แต่พอ PM เริ่มสังเกตเห็นและเติมงานเข้า sprint ต่อเนื่อง สถานการณ์ก็เริ่มแย่ลง
      สิ่งที่น่าประหลาดใจกว่านั้นคือ ไม่จำเป็นต้องเป็น ผู้เชี่ยวชาญเฉพาะด้าน (SME) อีกต่อไป ทีมเล็ก ๆ ที่ไม่มีประสบการณ์ Android เลย เปิดตัวฟีเจอร์ผลิตภัณฑ์ที่พอร์ตได้ยากภายในไม่กี่เดือน โดยแทบไม่มีบั๊ก ถ้าไม่มี AI คงใช้เวลาอย่างน้อยเกินครึ่งปี ระดับที่วันก่อนยังพูดว่า “ไม่เข้าใจด้วยซ้ำว่าหมายความว่าอะไร” แต่วันถัดมาก็ทำเสร็จแล้ว
    • สิ่งที่ไร้สาระที่สุดคือทัศนคติที่เชื่อว่า ตัวสร้างโค้ด ที่เร็วกว่า—ผมจะไม่บอกว่าดีกว่า—จะแก้ปัญหาของมนุษยชาติได้

  • ความยากของงานวิจัยแบบนี้คือ coding agent อย่าง Claude Code และ OpenAI Codex เพิ่งเริ่มทำงานได้จริง ๆ ตอนปลายเดือนพฤศจิกายน และเพราะวันหยุดเดือนธันวาคม คนจำนวนมากจึงได้ใช้จริงช่วงต้นเดือนมกราคม ส่วน agent อเนกประสงค์อย่าง OpenClaw, Anthropic Copilot, ChatGPT “Work” ยิ่งมาทีหลัง
    ผลกระทบต่องานอาจใหญ่กว่าระบบแบบสนทนาในช่วงปี 2022–2025 มาก ดังนั้นงานวิจัยที่ครอบคลุมแค่ถึงปลายปี 2025 อาจพลาดการก้าวกระโดดด้านสมรรถนะที่มีนัยสำคัญ

    • ปลายเดือนมกราคม ทีมทั้งทีมในบริษัทเทคโนโลยีขนาดใหญ่ถูกเลิกจ้าง เหตุผลตามชื่อคือ AI แต่ผมมองว่าจริง ๆ แล้วเป็นเพราะ การจ้างคนเกินในปี 2022 ผมหางานใหม่ได้ในเดือนเมษายนโดยไม่ต้องพยายามมาก และบริษัทที่รับสมัครก็ยังจ้างนักพัฒนาอยู่ พร้อมบอกว่าใช้เวลานานกว่าจะหาคนที่ตรงกับคุณสมบัติของผมได้
      ผมใช้ Claude แต่แทบไม่เห็นพวกคลั่ง AI จากที่อื่น และนี่ก็เป็นตัวกรองสำคัญในการหางานด้วย เรื่องเล่าว่างานลดลงถูกพูดเกินจริงมาก และผมมองว่าใกล้เคียงกับ การตลาดวันสิ้นโลก ของ Anthropic กับ OpenAI และโฆษกของพวกเขา
    • ไม่รู้ว่าปีที่ “เพิ่งเริ่มทำงานได้ดีจริง ๆ” คือ 2026, 2025, 2024 หรือ 2023 กันแน่ และเป็นเรื่องที่ได้ยินมาบ่อยเกินไปแล้ว
    • เมื่อเทียบกับช่วงเดียวกันของปีก่อน recruiter ติดต่อมามากขึ้นอย่างเห็นได้ชัด แต่ดูเกี่ยวข้องกับ วงจร hype มากกว่าตัวเทคโนโลยีเอง ผู้ก่อตั้งพยายามโน้มน้าว VC ว่าถ้าเปลี่ยนอุตสาหกรรมหรือผลิตภัณฑ์ขนาดใหญ่ให้เป็นสิ่งทดแทนแบบ agent-first จะทำเงินก้อนใหญ่ได้ และใช้เงินทุนนั้นจ้างคนเพิ่มเพื่อจัดการ รัน และปรับแต่ง coding agent
      ปีที่แล้วบรรยากาศคือ “ทำซอฟต์แวร์แบบเดิมด้วยคนจำนวนน้อยลง” แต่ตอนนี้บริษัทระยะเริ่มต้นกำลังเติบโตภายใต้ความคาดหวังว่า “จะสร้างซอฟต์แวร์คนละชนิดหรือด้วยวิธีที่ต่างออกไป” อย่างไรก็ตาม ขนาดทีมในอนาคตหรือความสำเร็จยังไม่มีอะไรรับประกัน
      ในบริษัทที่ไม่ใช่ startup ยังมีภัยคุกคามเรื่องเลิกจ้างและแรงกดดันให้ใช้เครื่องมือ AI อยู่ และยังมีความเห็นแตกต่างกันว่า agent ที่รันเป็นเวลานานจะทำงานกับ legacy code ได้อย่างมีประสิทธิภาพโดยไม่พัง แม้ไม่มีการกำกับดูแลอย่างระมัดระวังหรือไม่
    • บริษัทต่าง ๆ ใช้ AI เป็นข้ออ้างในการเลิกจ้างมาตั้งนานก่อนเดือนมกราคม 2026 แล้ว จึงสอดคล้องกับข้อสรุปของงานวิจัยด้วย (แหล่งที่มา) ตั้งแต่ปี 2026 มีแนวโน้มเพิ่มขึ้น แต่ก็อาจเป็นการเลิกจ้างที่เกิดจาก AI จริง ๆ หรือ AI กลายเป็น ข้ออ้างในการเลิกจ้างที่ดีกว่าเดิม ก็ได้
    • ผลกระทบส่วนใหญ่กระจุกอยู่ที่การพัฒนาซอฟต์แวร์ และยังไม่เห็นการทำงานอัตโนมัติและการเลิกจ้างในวงกว้างในด้านกฎหมาย การเงิน ฯลฯ ยังมีอุปสรรคในโลกจริงเรื่องความจำ ความน่าเชื่อถือ และการวางแผนระยะยาวของ LLM ดังนั้นจะค่อย ๆ เป็นค่อย ๆ ไป
      แม้การพัฒนาซอฟต์แวร์จะเปลี่ยนไปโดยสิ้นเชิง ก็ดูเหมือนยังมีคนไม่มากที่เชื่อว่าในปี 2027 จะไม่ต้องใช้นักพัฒนาอีกต่อไป หรือจำนวนจะ ลดลง 50%

  • ผลิตภาพเป็นไปตามการแจกแจงแบบพาเรโต และ AI เป็นเครื่องมือที่เฉียบคมซึ่งทำให้คนที่มีผลิตภาพอยู่แล้วมีผลิตภาพมากขึ้นตามสัดส่วน เมื่อความฉลาดของ AI สูงขึ้น 80:20 อาจเปลี่ยนเป็น 90:10, 95:5, 99:1 ได้
    ระบบราชการในองค์กรเปลี่ยนช้า แต่หากผู้มีผลงานสูงสุดออกมาตั้งคู่แข่งที่เล็กกว่า การเปลี่ยนแปลงที่บริษัทขนาดกลางและใหญ่ถูกแทนที่ด้วยบริษัทขนาดเล็กจะเกิดขึ้นอย่างรวดเร็ว การแข่งขันระหว่างบริษัทที่มีประสิทธิภาพจะเพิ่มส่วนเกินของผู้บริโภค ขณะเดียวกันก็อาจก่อให้เกิดการหลุดออกจากระบบเศรษฐกิจครั้งใหญ่และการพังทลายของฐานภาษี
    AI เพิ่งดีขึ้นถึงระดับนี้เมื่อไม่นานมานี้ และการตั้งบริษัทคู่แข่งก็ต้องใช้เวลา ดังนั้นจึงยังไม่น่าปรากฏในตัวชี้วัดตามหลัง ผมเองก็กำลังทำ การทำให้เป็นสินค้าโภคภัณฑ์ โดยนำเสนอผลิตภัณฑ์ที่ดีกว่าซอฟต์แวร์ระดับสูงสุดในอุตสาหกรรมเฉพาะทางแทบจะฟรี พร้อมกับทำเงินก้อนใหญ่ และไม่มีเหตุผลต้องบอกเรื่องนี้ให้คู่แข่งรู้ หากเรื่องเดียวกันเกิดขึ้นในหลายอุตสาหกรรม โลกอาจเปลี่ยนไปอย่างสิ้นเชิง

    • กฎระเบียบจำนวนมากและระบบสนับสนุนพนักงานที่บริษัทขนาดกลางและใหญ่ต้องปฏิบัติตาม เป็นเรื่องยากที่เจ้าของหรือพนักงานสตาร์ทอัพจะรับไหว ทันทีที่ย้ายไปทำงานแบบนั้น ตามนิยามก็ไม่ใช่สตาร์ทอัพอีกต่อไป
      จำเป็นต้องมีหุ่นยนต์ที่ฉลาดมากในการจัดการระบบราชการ ตั้งแต่การดีพลอยแบบหลายคลาวด์·หลายภูมิภาค ไปจนถึงกฎระเบียบท้องถิ่น บัญชี ภาษี และกฎหมาย และตอนนี้บริษัทอย่าง SAP ทำหน้าที่นี้อยู่ หากการทำงานอัตโนมัติแบบนั้นเป็นไปได้ ก็เข้าใกล้สภาวะที่ ไม่จำเป็นต้องมีตัวบริษัทเอง ในรูปแบบที่เรารู้จัก

  • น่าสงสัยว่าทำไมกราฟอัตราว่างงานจึงค่อย ๆ เพิ่มขึ้นนานกว่าหนึ่งปีก่อนเกิดโควิด ข้อมูลของ BLS พุ่งขึ้นกะทันหันในเดือนมีนาคม 2020 (ข้อมูล)
    อีกทั้งยังไม่ชัดเจนว่า “การเปิดรับ AI” ในปี 2015 หมายถึงอะไร ตอนนั้นยังไม่มี LLM และการแบ่งควินไทล์ในงานวิจัยที่อ้างถึง แท้จริงแล้วใกล้เคียงกับ ปริมาณการใช้คอมพิวเตอร์ มากกว่า AI ต้องแยก AI ที่เล่นหมากรุกออกจาก LLM ที่ทำงานจริง ซึ่งอย่างหลังน่าจะเพิ่งเกิดขึ้นได้ราวหนึ่งปีเท่านั้น

    • ดูเหมือนจะตัดยอดสูงสุด 16% ออก แล้วใช้ การทำให้เรียบแบบหน่วงเวลา ข้อมูลจุดเองใกล้เคียงกับ BLS มากกว่า

  • ช่วงนี้ผมลองตรวจสอบคุณสมบัติของตัวเองในตลาดงาน และคิดว่าตลอด 18 เดือนที่ผ่านมาในฐานะนักพัฒนาเดี่ยวภายในองค์กร ผมตามเทรนด์ล่าสุดได้ดีพอ แต่ผลลัพธ์โหดร้ายมาก บริษัทต่าง ๆ กำลังต้องการ ประสบการณ์ AI แบบเอเจนต์ 4 ปี
    สุดท้ายทุกคนก็กุเรื่องขึ้นมา และเชื่อกระแสเกินจริงโดยไม่เข้าใจหลักการพื้นฐาน จึงตั้งเกณฑ์ที่ไม่มีใครผ่านได้ ต่อให้สร้างความสามารถแบบ AI-native ก็ยังไม่ผ่านคุณสมบัติงาน AI-native

    • ถ้าเคยลองเล่น Auto-GPT ในปี 2023 ปีหน้าก็จะมีประสบการณ์เอเจนต์ครบ 4 ปีได้ แน่นอนว่าวิธีการในตอนนั้นกับตอนนี้แทบไม่มีส่วนทับซ้อนกัน และแม้เทียบปีที่แล้วกับปีนี้ก็ให้ความรู้สึกคล้ายกัน Anthropic ถึงกับลบ system prompt ส่วนใหญ่ออก เพราะบอกว่าโมเดลมีสามัญสำนึกแล้ว
      ถึงอย่างนั้น การลองใช้โมเดลเก่า ๆ หรือโมเดลขนาดเล็กรุ่นใหม่ที่มีข้อจำกัดคล้ายกันก็ยังมีคุณค่า นิสัยอย่าง การจัดการบริบทอย่างละเอียด และตัวอย่างที่ออกแบบดี ยังใช้ได้กับโมเดลล่าสุด ช่วยเพิ่มประสิทธิภาพและลดต้นทุนได้ หากเป็นไปได้ควรแสดงให้เห็นมากกว่าอธิบายด้วยคำพูด
      น่าเสียดายที่โมเดลพื้นฐาน·แบบข้อความ ซึ่งน่าสนใจและสนุกมาก หายไปแล้ว
    • ขอแค่ผ่านด่านฝ่ายสรรหา·จัดหาบุคลากรที่ผู้สมัครคนอื่นถูกคัดออกอัตโนมัติได้ ดังนั้นควรใช้ เกณฑ์หละหลวมให้เป็นประโยชน์ เสียด้วยซ้ำ
    • กระแสเกินจริงตอนนี้ก็เป็นปัญหา แต่ทำให้นึกถึงบริษัทในปี 1999 ที่ต้องการ ประสบการณ์ Java 5 ปี ดูเหมือนพวกเขาคงตั้งใจจะจ้างแค่ Gosling กับเพื่อนร่วมงานของเขา
    • ข้อกำหนดในประกาศรับสมัครงานใกล้เคียงกับ wish list มากกว่าเงื่อนไขบังคับจริง ๆ ต่อให้ระบุว่าต้องมีประสบการณ์เทคโนโลยี Y เป็นเวลา X ปี ก็ไม่จำเป็นต้องเลิกสมัครเพียงเพราะมี X-1 ปี และบริษัทเองก็อาจไม่ได้คาดหวังว่าจะมีคนที่ตรงทุกเงื่อนไข หรือไม่ได้ให้ความสำคัญกับแต่ละข้ออย่างมาก
      “ประสบการณ์ X ปี” ก็เป็น ตัวแทนวัดระดับความชำนาญ มากกว่าระยะเวลาตามตัวอักษร หากทำสิ่งนั้นได้ดีเท่าคนทั่วไปที่ทำมา X ปี และพิสูจน์ได้ ก็เพียงพอแล้ว
    • HR มักขยายจำนวนปีประสบการณ์ที่ต้องการเกินจริงเสมอ แม้ตอน Java 1.0 เพิ่งเปิดตัว ก็ยังมีการเรียกร้องประสบการณ์ 4–5 ปี ดังนั้น ปัญหาที่คนไม่รู้เนื้องานเป็นคนเขียนประกาศรับสมัคร จึงดำเนินมาต่อเนื่องหลายสิบปีแล้ว

  • มีประเด็นสำคัญสองข้อที่ต้องชี้ให้เห็น ข้อแรก งานวิจัยด้านผลิตภาพส่วนใหญ่ในแผนภูมิที่ 3 เป็นข้อมูลจากปี 2023–2024 จึงทำให้ Copilot ได้ตัวเลขสูง และในตอนนั้นมันยังอยู่ในระดับ autocomplete ที่ทรงพลัง ก่อนที่ coding agent จะแพร่หลายแบบระเบิด
    ข้อสอง ชาวอเมริกันมากกว่า 50% รายงานด้วยตนเองว่าใช้ AI ทุกสัปดาห์ แต่การใช้งานจริงมีเพียง 6% ของเวลาทำงาน จึงเข้าข่าย “การใช้งานกว้างแต่ตื้น” ตามที่งานวิจัยของ Google อธิบาย
    ในแบบสำรวจเดียวกัน เวลาที่ประหยัดได้คิดเป็น 2% ของเวลาทำงาน แปลว่าผลิตภาพเพิ่มขึ้นต่อชั่วโมงที่ใช้ AI มากกว่า 30% และสอดคล้องกับผลการศึกษาหลายอุตสาหกรรมและงานวิจัยแบบควบคุม นักเศรษฐศาสตร์บางคนมองว่าแม้อัตราการนำไปใช้จะต่ำเพียงเท่านี้ ก็ทำให้เห็นผลในสถิติผลิตภาพแรงงานระดับประเทศแล้ว
    6% เป็นตัวเลขที่ต่ำมาก ดังนั้นผลกระทบต่อการจ้างงานอาจเพิ่งเริ่มต้น เมื่อทั้งการรายงานด้วยตนเองและตัวเลขระดับจุลภาค·มหภาคยืนยันว่าเป็นประโยชน์ ทั้งจำนวนผู้ใช้และขอบเขตงานย่อมจะเพิ่มขึ้น และสิ่งที่น่ากลัวคือผลกระทบอาจค่อย ๆ ดำเนินไปแล้ว ระเบิดขึ้นอย่างกะทันหัน
    ตัวติดตามการนำไปใช้, งานวิจัยของ Google (การอภิปราย), ข้อมูลของ St. Louis Fed, การวิเคราะห์ผลิตภาพ

  • มีเบาะแสสำคัญว่าการเพิ่มผลิตภาพกระจุกตัวอยู่กับวิศวกรประสบการณ์น้อยเป็นหลัก และหายไปหรือกลายเป็นผลลบในกลุ่มผู้มีประสบการณ์สูง สอดคล้องกับความรู้สึกว่า LLM ย้ายเส้นฐานไปอยู่ที่ค่าเฉลี่ย จึงช่วยคนที่ต่ำกว่าค่าเฉลี่ย แต่เป็นอุปสรรคสำหรับคนที่สูงกว่าค่าเฉลี่ย
    อีกทั้งงานที่ทำด้วย LLM จะ จดจำได้น้อยกว่า งานที่ทำเองโดยตรง ถ้าเป็นเช่นนั้น วิศวกรประสบการณ์น้อยก็เท่ากับไม่ได้สะสมประสบการณ์จริง CEO ของบริษัทเทคโนโลยีอาจต้องการแรงงานทักษะต่ำที่จ่ายค่าจ้างน้อยลงได้

    • ผมบริหารบริษัทเล็ก ๆ อยู่ แต่มองตรงกันข้าม คนทักษะต่ำมองไม่เห็นข้อบกพร่องของผลลัพธ์จาก LLM และเอาแต่คัดลอกไปวางโดยไม่คิด ใครก็ทำแทนได้ ตอนนี้ไม่สนใจจ้างจูเนียร์แล้ว และ คุณค่าของวิศวกรซีเนียร์ สูงขึ้นที่สุด
    • การแบ่งองค์กรและตำแหน่งงานด้านพัฒนาซอฟต์แวร์ออกเป็นสองกลุ่มมีประโยชน์ ในบริษัทที่ซอฟต์แวร์เป็นทั้งผลิตภัณฑ์และแหล่งรายได้/ความแตกต่าง นักพัฒนาที่ดีจะนำไปสู่ผลิตภัณฑ์ที่ดีและกำไรสูง จึงจ้างคนมีทักษะในราคาตลาด และควรเลือกงานประเภทนี้
      ในทางกลับกัน ในบริษัทที่ซอฟต์แวร์เป็นเพียงชิ้นส่วนที่ไม่ใช่แกนหลักหรือเป็นแค่ระบบ IT ภายใน บริษัทจะมองนักพัฒนาเป็นต้นทุนที่ต้องลดให้น้อยที่สุด ไม่ใช่สินทรัพย์สร้างรายได้ พวกเขาจะมองหาคนที่ถูกที่สุดและประสบการณ์น้อยที่สุด และพยายามหลีกเลี่ยงการจ้างนักพัฒนาชั้นยอดด้วยการเอาต์ซอร์สหรือใช้ LLM
      แม้งานจริงจะยากและต้องใช้คนมีทักษะ แต่ตราบใดที่บริษัทมองว่าเป็นต้นทุน ก็จะพยายามจัดการด้วยแรงงานที่ถูกที่สุด หากเป็นไปได้ ควรหลีกเลี่ยงงานเกี่ยวกับผลิตภัณฑ์หรือระบบ IT ที่ผู้บริหารมองไม่เห็นอย่างชัดเจนถึง ความเชื่อมโยงระหว่างคุณภาพซอฟต์แวร์กับความสามารถในการทำกำไร
    • สงสัยว่าเหตุผลที่จดจำได้น้อยลงเป็นเพราะมีส่วนร่วมโดยตรงกับงานน้อยลง หรือเพราะปริมาณงานและสิ่งที่ต้องจำเพิ่มขึ้น ทำให้ปริมาณที่จำได้แบบสัมบูรณ์ใกล้เคียงเดิมแต่สัดส่วนลดลง อาจเป็นทั้งสองอย่างหรือมีเหตุผลอื่นก็ได้
    • ปัญหาการคงอยู่ของความทรงจำ ถูกมองข้ามมากเกินไป มันทำให้คล้ายผู้จัดการที่รู้ภาพรวมแต่ไม่รู้รายละเอียด และการรีวิวอย่างเดียวไม่ได้พาให้ลงลึกในงานเท่ากับการทำเองโดยตรง
    • ถ้าอย่างนั้นก็เป็นไปตามที่ CEO ต้องการแล้ว หากเลี่ยงสภาพแวดล้อมเป็นพิษที่การเขียนโค้ดแบบเอเจนต์ทำให้การประเมินทุกอย่างพังและเต็มไปด้วย vibe coding ได้ ก็ยอม รับการลดเงินเดือน

  • ผลกระทบใหญ่ที่สุดของ AI ในที่ทำงานคือเครื่องมือสร้างโค้ดด้วย LLM สำหรับนักพัฒนา แต่ยังเป็นเพียงการแตะผิวเผินของสิ่งที่องค์กรทำได้ บริษัทของเราไม่มีทิศทาง ความตั้งใจ และความสามารถทางเทคนิคที่จะใช้พลังที่แท้จริงของ AI เพื่อเป้าหมายทางธุรกิจ จึงได้แต่ซื้อโซลูชันแพ็กเกจจากภายนอก และไม่สามารถ ผสานชั้นสติปัญญา เข้าไปในสภาพแวดล้อมได้
    บริษัทแบบนี้คงไม่ใช่ของหายาก แชตบอตมีประโยชน์ก็จริง แต่ AI จะเปลี่ยนงานได้ต้องใช้เวลาหลายปี หรืออาจเป็นหลายสิบปี และชีวิตประจำวันอาจนานกว่านั้น เทคโนโลยีที่ลึกซึ้งเพียงใดก็ต้องแพร่กระจายโดยเผชิญแรงเสียดทานในโลกจริง

    • หลังยุคฟองสบู่ดอตคอม ยังมีบริษัทจำนวนมากที่ดำเนินงานได้ดีโดยไม่มีตัวตนออนไลน์มานานกว่า 10 ปี ถ้าเป็นบริการระบบทำความร้อน/ระบายอากาศ/ปรับอากาศที่ทำงานตามสัญญาเดิม แม้ไม่มีเว็บไซต์ก็ไม่เป็นไร
      แต่ AI กำลังแทรกซึมกว้างกว่าเว็บไซต์มาก และทุกคนก็ใช้โทรศัพท์มือถืออยู่แล้ว แรงเสียดทานจึงต่ำกว่าที่คิด หาก MS Copilot ดีพอ ผู้ใช้ที่ไม่ใช่สายเทคนิคก็จะสั่งให้ AI ทำงานให้
      เจ้าของบริษัทระบบทำความร้อน/ระบายอากาศ/ปรับอากาศอาจสั่งว่า “มีเหตุฉุกเฉินใหญ่ที่ Bob’s Burgers ใน Brentwood ส่งพนักงานสองคนไปให้เร็วที่สุด และถ้าจำเป็นให้เลื่อนตารางเข้าพบอื่น ๆ” งานแบบนี้ไม่ต้องใช้โทเคนมหาศาล จึงจะถูกลง และ คำสั่งสำนักงานทั่วไป อย่าง “จัดตารางเวลา” หรือ “ติดต่อ X เรื่อง Y” น่าจะใช้งานได้จริงมากภายใน 3–5 ปี คอขวดหลักคือการทำให้เอเจนต์เข้าถึงข้อมูลที่เหมาะสมได้

  • รอบตัวเริ่มเห็นคนตกงานจริง ๆ แต่โชคดีที่ยังไม่ได้รับผลกระทบโดยตรง การนำ SaaS, iPaaS และ serverless มาใช้เป็นเทคโนโลยีหลักทำให้งานเอเจนซีใช้ทีมเล็กกว่าสิบปีก่อนอยู่แล้ว
    AI ทำให้ทำงานได้มากขึ้นด้วยคนน้อยลง แต่ ความต้องการโปรเจกต์มีไม่มากพอ ที่จะทำให้ทุกคนมีงานยุ่ง

  • Dario Amodei CEO ของ Anthropic คาดการณ์ว่า AI อาจทำให้งานออฟฟิศหายไปครึ่งหนึ่งและดันอัตราว่างงานขึ้นเป็น 20% ขณะเดียวกันก็บอกว่าโมเดลบางตัว อันตรายเกินกว่าจะปล่อยออกมา

    • Anthropic คงอยากให้ความเชื่อแพร่กระจายว่าในไม่ช้าพวกเขาจะกลายเป็นผู้ให้บริการ “เทคโนโลยี” เพียงรายเดียวของโลก และธุรกรรมทั้งหมดจะเกิดขึ้นภายในการสมัครสมาชิกของบริษัท เรื่องเล่าที่ผู้คนขายคอนเทนต์ที่ AI สร้างขึ้นและเอเจนต์ของคนอื่นซื้อ โดย Anthropic กลายเป็นเศรษฐกิจโลกทั้งหมด จะช่วยให้ในการ IPO ในอนาคตได้รับ มูลค่าบริษัทที่เกือบไร้ขีดจำกัด