กระแสคลั่ง AI กำลังทำลายการตัดสินใจทั่วโลก

• อัตราความสำเร็จของโครงการ AI ที่ Hermit Tech มีส่วนร่วมหรือสังเกตทางอ้อมตลอด 1 ปีครึ่งอยู่ที่ 0% และองค์กรต่าง ๆ กำลังตั้งเป้าหมายเชิงกลยุทธ์ไว้ที่การนำ AI มาใช้ มากกว่าผลลัพธ์ที่จับต้องได้
• แชตบอตภายในแทบไม่ถูกใช้งานเพราะเอกสารคุณภาพต่ำ ส่วนแชตบอตสำหรับลูกค้าก็วัดได้ไม่ชัดเจนด้วยซ้ำว่าแก้ปัญหาได้หรือไม่ แต่เพราะผู้บริหาร พนักงาน และผู้ขาย ต่างก็ไม่มีแรงจูงใจจะเปิดเผยความล้มเหลว จึงยังมีการประกาศเรื่องผลิตภาพที่ดีขึ้นต่อเนื่อง
• ในองค์กรที่มีพนักงานเกิน 500 คน หากสงสัยประโยชน์ของ AI ก็อาจเสี่ยงต่อการเลื่อนตำแหน่งและการจ้างงาน พนักงานจึงแต่งงานที่ไม่ได้ใช้ AI ให้เป็นผลงานจาก AI หรือเพิ่มปริมาณการใช้โทเค็นแบบเทียมเพื่อให้ตรงกับตัวชี้วัดการประเมิน
• ฝั่งผู้บริหารเองก็เงียบเช่นกัน เพราะหากโต้แย้งคำกล่าวอ้างของลูกค้า บอร์ด หรือเพื่อนร่วมงาน ก็อาจเสียสัญญาหรือตำแหน่ง ทำให้ปัญหาการประสานงานลักษณะนี้เสริมแรงกันระหว่างผลงานที่ถูกโอ้อวดกับการลงทุนที่ไม่จำเป็น
• เมื่อทุกโครงการ การจ้างงาน และคำของบประมาณต้องมีองค์ประกอบ AI การจัดซื้อและการสื่อสารตามปกติย่อมติดขัด ดังนั้นผู้ปฏิบัติงานควรตรวจสอบข้อเท็จจริงผ่านการพูดคุยส่วนตัวและแบบสำรวจนิรนาม และถ้าสถานการณ์เริ่มฝังแน่นก็ควรเตรียมย้ายงานหรือเปลี่ยนเป็นงานสัญญาจ้าง

---

ความล้มเหลวของการลงทุน AI ที่สังเกตพบ

• ตลอด 1 ปีที่ผ่านมา Hermit Tech รับผิดชอบด้านการขายของบริษัทและพูดคุยกับผู้เชี่ยวชาญราว 300 คนทั่วโลก จึงได้เห็นสถานการณ์การนำ AI มาใช้ในทั้งองค์กรเอกชนและภาครัฐ
• ทีมประเมินว่าทุกโครงการ AIที่มีส่วนร่วมในช่วง 1 ปีครึ่งหรือเห็นทางอ้อมจากงานอื่นล้วนล้มเหลว และถึงจะมีกรณีสำเร็จอยู่บ้าง ก็น่าจะเป็นข้อยกเว้นมากกว่าผลลัพธ์ทั่วไป
  • ทีมปฏิเสธงานติดตั้งใช้งาน AI ทั้งหมด และลดการพึ่งพาให้มากที่สุดเพื่อให้สัญญาปัจจุบันไม่ได้รับผลกระทบโดยตรงแม้ OpenAI จะหายไป
• แม้เครื่องมือ AI จะช่วยให้งานบางอย่างทำได้เร็วขึ้น แต่ก็ยังมองว่าวิธีและขนาดของการลงทุนในปัจจุบันไม่สมเหตุสมผล
  • องค์กรจำนวนมากมีความสามารถในการทำโครงการซอฟต์แวร์ทั่วไปต่ำ จึงแบกปัจจัยความล้มเหลวเดิมมาครบ
  • โครงการ AI ยังมีโอกาสล้มเหลวเพิ่มจากความใหม่ของเทคโนโลยี
  • บริษัทที่สามารถออกซอฟต์แวร์ได้อย่างมั่นคงพร้อมรับความเสี่ยงเหล่านี้มีน้อยมาก

ผลประโยชน์ที่ช่วยซ่อนความล้มเหลว

• ทั้งบอร์ด ผู้บริหาร พนักงาน ผู้ขาย และที่ปรึกษา ต่างก็มีแรงจูงใจให้ความสำเร็จของโครงการ AI คลุมเครือ
  • ผู้บริหารที่ยอมรับความล้มเหลวอาจถูกเขี่ยพ้นตำแหน่ง
  • พนักงานที่พูดปัญหาตรง ๆ อาจถูกไล่ออกหรือกลายเป็นเป้าหมายของการลดคน
  • บางบริษัทจดทะเบียนแทบไม่ได้ทำอะไรนอกจากซื้อไลเซนส์ Copilot แต่ก็ยังประกาศว่าผลิตภาพจาก AI เพิ่มขึ้น
• แม้แต่คำถามพื้นฐานอย่างเป้าหมายโครงการ ผู้ใช้ หรือผลลัพธ์ ก็อาจถูกมองว่าเป็นการท้าทายสายบังคับบัญชา
  • เมื่อโครงการยังดำเนินอยู่ ความล้มเหลวยังไม่ปรากฏชัด จึงมักได้คำตอบว่าทุกอย่างไปได้ดี
  • Hermit Tech มองว่าแทรกแซงได้ยากก่อนที่วิกฤตจะเกิดขึ้นจริง และจะไม่หยิบโครงการ AI ที่กำลังดำเนินอยู่มาเป็นปัญหาก่อน เว้นแต่ลูกค้าจะร้องขอคำแนะนำด้านกลยุทธ์ข้อมูลโดยตรง
• แนวทางนี้ตั้งอยู่บนหลักของ Gerry Weinberg ว่า “การให้คำปรึกษาคือการทำให้เกิดผลต่อผู้คนเมื่อพวกเขาร้องขอ”

ข้อจำกัดของแชตบอตภายในและสำหรับลูกค้า

• โครงการ AI ที่พบบ่อยที่สุดในองค์กรคือแชตบอต LLMสำหรับพนักงานภายในหรือสำหรับลูกค้า
• แชตบอตภายในแทบไม่มีการใช้งานจริงแพร่หลาย
  • หากคุณภาพเอกสารของบริษัทต่ำ LLM ก็ไม่อาจดึงข้อมูลที่จำเป็นมาตอบได้
  • มันใช้ได้เฉพาะข้อมูลที่ถูกบันทึกหรือทำให้เข้าถึงได้เท่านั้น ดังนั้น AI จึงไม่อาจมาแก้ปัญหาเรื่องการทำเอกสารแทนได้
• แชตบอตสำหรับลูกค้าก็แทบไม่ค่อยมอบประสบการณ์ที่น่าพอใจ โดยมีข้อยกเว้นอย่างการถอดเสียงแบบเรียลไทม์ระหว่างการรักษาพยาบาล
• ผู้รับผิดชอบโครงการมักหลีกเลี่ยงตัวชี้วัดพื้นฐานอย่างการใช้งานจริงของเครื่องมือ หรือเลือกตัวชี้วัดที่บิดเบือนได้ง่าย

• กรณีบริการลูกค้าของ Mitsubishi

  • หลังรถเสียและติดต่อ Mitsubishi ระบบให้คำปรึกษาอัตโนมัติที่มีเสียงเป็นธรรมชาติและตอบสนองรวดเร็วรับเรื่องปัญหาไว้ พร้อมแจ้งว่าจะติดต่อกลับในไม่ช้า
  • แต่ผ่านไป 6 เดือนแล้วก็ไม่มีการติดต่อกลับ
  • ไม่อาจยืนยันได้ว่าคำขอถูกบันทึกผิดพลาด หรือถูกนับว่าแก้ไขแล้วโดยไม่มีมนุษย์เข้ามาเกี่ยวข้อง
  • ในตัวชี้วัดของระบบอาจนับเป็นความสำเร็จ แต่ผลลัพธ์จริงคือผู้เขียนตัดสินใจว่าจะไม่ซื้อรถ Mitsubishi อีก

กลยุทธ์องค์กรที่กลายเป็นคำประกาศศรัทธาต่อ AI

• ในองค์กรขนาด 500 คนขึ้นไปที่สังเกตพบ มีสถานการณ์มากขึ้นเรื่อย ๆ ที่หากต้องการเลื่อนตำแหน่งหรือรักษางานไว้ ก็ต้องแสดงความเชื่อซ้ำ ๆ ว่า AI จะเปลี่ยนทุกอย่างในธุรกิจนั้น
• สิ่งที่ถูกเรียกร้องไม่ใช่แนวคิดการใช้งานที่เป็นรูปธรรม แต่เป็นคำพูดที่ใกล้เคียงกับคำประกาศศรัทธา
  • คนสายงานที่ไม่ใช่เทคนิคมักพูดเช่นนี้มากกว่า แต่คนเทคนิคก็คล้อยตามเพื่อรักษาความโปรดปราน
  • มีกรณีที่พูดว่า “AI กำลังเปลี่ยนทุกอย่าง” แต่กลับยกตัวอย่างการใช้ LLM หรือการเปลี่ยนแปลงของงานในองค์กรไม่ได้สักอย่าง
  • ยังมีกรณีผู้บริหารที่เขียนกลยุทธ์เทคโนโลยีโดยยึด AI เป็นศูนย์กลางให้กับองค์กรที่มีรายได้ต่อปีเกิน 2 พันล้านดอลลาร์ แต่ยอมรับว่าไม่เคยใช้เครื่องมือ AI รวมถึง ChatGPT เลยแม้แต่ครั้งเดียว
• บางคนอาจจงใจพูดเกินจริงเพื่อให้ดูเป็นนักคิด แต่ผู้เขียนมองว่ากรณีที่คนไม่มีพื้นฐานเทคนิคเชื่อคำพูดของตัวเองจริง ๆ นั้นอันตรายกว่า
• มีองค์กรหนึ่งถึงขั้นไล่พนักงานผลงานสูงออก เพียงเพราะพวกเขาสร้างผลงานโดยไม่ใช้ LLM และการตัดสินใจนี้ไม่ได้มีเฉพาะเพื่อการประชาสัมพันธ์ภายนอก แต่สะท้อนถึงกลยุทธ์ภายในและเงินขององค์กรเองด้วย

การบังคับใช้ AI กับผู้เชี่ยวชาญด้านเทคนิค

• ทั้งฝั่งที่สงสัย AI และฝั่งที่สนับสนุน ต่างเห็นตรงกันว่าการที่ผู้บริหารบังคับให้ใช้ LLM เป็นกลยุทธ์ที่แย่
  • “Contra Ptacek’s Terrible Article On AI” ประเมินประโยชน์ของ LLM ต่างจาก “My AI Skeptic Friends Are All Nuts” ของ Thomas Ptacek
  • แต่ข้อสรุปเหมือนกันคือไม่เหมาะที่จะบังคับพนักงานผู้เชี่ยวชาญให้ทำงานด้วยวิธีหรือเครื่องมือเฉพาะ
• การที่ผู้บริหารที่ไม่ใช่สายเทคนิคกำหนดขั้นตอนและเครื่องมือเฉพาะโดยไม่มีความเห็นชอบจากผู้เชี่ยวชาญ ก็มีปัญหาไม่ต่างจาก CEO ของโรงพยาบาลหรือบริษัทโยธาที่ไปสั่งบุคลากรวิชาชีพโดยตรงเรื่องเทคนิคการแพทย์หรือก่อสร้าง

• การฟอกว่าใช้ AI และตารางจัดอันดับโทเค็น

  • แม้งานจะออกมาน่าพอใจ ผู้จัดการก็ยังไม่พอใจถ้าไม่ได้ใช้ AI ดังนั้นพนักงานจึงทำงานด้วยวิธีเดิมแล้วรายงานเท็จว่า Claude เป็นผู้ทำ
  • บางองค์กรใช้ตารางจัดอันดับที่ให้คะแนนสูงตามค่าใช้จ่าย AI หรือปริมาณการใช้โทเค็น
  • วิศวกรที่ดูแลการปรับแต่งระบบจึงทำให้ LLM วน prompt ซ้ำเองเพื่อเร่งการใช้โทเค็น
  • แม้จะเห็นว่าผลลัพธ์ไม่เหมาะกับการนำไปใช้งานจริง ก็ทิ้งผลลัพธ์นั้นแล้วไปทำงานอย่างอื่นต่อ โดยเก็บเพียงตัวเลขการใช้งานให้ครบ
  • วิศวกรคนหนึ่งบอกว่าเขาสั่ง AI ให้เขียนสำเนาทั้งหมดของรีโพซิทอรี Go ใหม่เป็น Zig แล้วก็ไม่สนผลลัพธ์
  • ผู้ที่ปั่นตัวชี้วัดแบบนี้ไม่ถูกจับได้ ขณะที่คนที่แสดงความสงสัยต่อกลยุทธ์อย่างชัดเจนกลับมีกรณีถูกไล่ออก
  • สุดท้ายพนักงานจึงเรียนรู้ว่าการชื่นชมกลยุทธ์ AI ของผู้บริหารคือหนทางที่ปลอดภัยที่สุด

วิธีที่เดโม AI ครอบงำการตัดสินใจซื้อ

• โครงสร้างพื้นฐานหลักอย่างหนึ่งที่ Hermit Tech นำไปใช้ให้ลูกค้าคือฐานข้อมูลวิเคราะห์ตามการใช้งานอย่างSnowflake
• Cortex ของ Snowflake คือชั้น AI ที่ใช้เมทาดาทา เช่น ความหมายของคอลัมน์ข้อมูล เพื่อให้ค้นฐานข้อมูลของบริษัทด้วยภาษาธรรมชาติ
  • มันตอบคำถามอย่าง “ยอดขายสัปดาห์ที่แล้วเท่าไร?” ได้
  • จากการนำเสนอของพนักงาน Snowflake ผู้เขียนจำได้ว่าแม้จะตั้งค่าอย่างเหมาะสมที่สุดแล้ว ความซับซ้อนของข้อมูลองค์กรขนาดใหญ่ก็ยังทำให้ความแม่นยำอยู่ที่ราว 92%
  • ตัวเลขที่ CFO เห็นอาจผิดได้ประมาณ 1 ใน 10 และยังมีปัญหาร้ายแรงด้านการควบคุมการปล่อยใช้งาน จึงมองว่าไม่เหมาะกับ production
• ถึงอย่างนั้น Cortex ก็เป็นเครื่องมือที่ทำเดโมให้น่าประทับใจได้ง่ายมาก

• การสาธิตที่ทำให้คำเตือนถูกเมิน

  • ลูกค้าที่เดิมยังลังเลกับข้อเสนอกลับอยากซื้อทันทีหลังเห็นเดโมค้นข้อมูลด้วยภาษาธรรมชาติ
  • แม้จะเตือนอย่างชัดเจนว่าไม่น่าจะให้ผลลัพธ์ตามที่ต้องการ ลูกค้าก็ยังพยายามเทงบไปที่แชตบอต แม้ต้องละทิ้งผลลัพธ์มูลค่าหลายล้านดอลลาร์ที่ทำได้ด้วยวิธีที่ไม่ใช่ AI
  • Hermit Tech มองว่าการใช้ประโยชน์จากช่องว่างด้านวิจารณญาณของลูกค้าเป็นเรื่องไร้ความรับผิดชอบ และยังเสี่ยงด้านชื่อเสียงกับกฎหมาย จึงหยุดการขายและถอด Cortex ออกจากรายการเดโมในเวลาต่อมา
  • เดโมนั้นสร้างขึ้นในราว 2 ชั่วโมง แค่กรอกคำอธิบายข้อมูลลงในเบราว์เซอร์ แต่กลับทำงานได้ดีกว่าสิ่งใด ๆ ที่ลูกค้าเป้าหมายรวมถึงบริษัทจดทะเบียนใน ASXซึ่งกำลังประชาสัมพันธ์การใช้ AI อยู่แล้ว เคยสร้างได้จากการลงทุนเดิม
  • หลังจากนั้น บริษัทก็หยุดทำธุรกิจกับลูกค้าเป้าหมายทั้งหมดที่แสดงอาการหมกมุ่นกับ AI เกินกว่าความสนใจชั่วคราว
  • ไม่ใช่แค่เพราะข้อปฏิเสธด้านศีลธรรม แต่ยังเป็นเพราะยากจะหลีกเลี่ยงความเสี่ยงด้านชื่อเสียงและกฎหมายในกระบวนการทำสัญญา
  • สภาพแวดล้อมการบริหารที่พวกเขาสร้างขึ้นก็เริ่มมีลักษณะคล้ายศาสนาและไร้ประสิทธิภาพ

ปัญหาการประสานงานที่มัดมือผู้บริหาร

• ผู้บริหารบางคนที่รับผิดชอบโครงการ AI ขนาดใหญ่หรือออกมาพูดเกินจริงในที่สาธารณะ ไม่ได้เชื่อในสิ่งที่ตัวเองพูดด้วยซ้ำ
  • หัวหน้า AIบางคนในบริษัทที่มีรายได้ประจำต่อปีเกิน 1 พันล้านดอลลาร์บอกว่ามองตำแหน่งนี้ว่าเป็นเรื่องแต่งขึ้น แต่รับงานเพราะมันเป็นเส้นทางเลื่อนตำแหน่งเดียวในองค์กร
  • CISO หลายคนก็สงสัยโครงการ AI อยู่เงียบ ๆ แต่กลัวที่จะคัดค้านอย่างเปิดเผย
• ผู้บริหารคนหนึ่งในบริษัท Fortune 500 กล่าวว่า ในเมื่อผู้บริหารฝั่งลูกค้าอ้างว่าผลิตภาพเพิ่มขึ้น 100 เท่า หากผู้ขายออกมาปฏิเสธ ก็อาจบั่นทอนความเชื่อมั่นของผู้บริหารลูกค้าและทำให้สัญญาธุรกิจถูกยกเลิกได้
• ผู้ขายเองก็เป็นลูกค้าของผู้ขายรายอื่นเช่นกัน ทำให้ผู้บริหารของแต่ละบริษัทกลัวว่าหากโต้แย้งการพูดเกินจริงของอีกฝ่าย ตัวเองอาจเป็นฝ่ายเสียหายก่อน
• สิ่งนี้สร้างปัญหาการประสานงานที่ทำให้พูดความจริงเรื่องผลลัพธ์ของ AI ได้ยาก
  • หากทุกคนคงจุดยืนเดิมไว้ ก็ยังรักษาตำแหน่งได้
  • แต่ถ้ามีใครคนหนึ่งปฏิเสธผลลัพธ์ที่ไม่จริง ก็อาจถูกมองว่าไปทำให้เพื่อนร่วมงานดูเป็นคนโกหก ขี้ขลาด หรือไร้ความสามารถ จนโดนไล่ออก
  • ตำแหน่งที่ว่างลงก็จะถูกแทนที่ด้วยคนที่พร้อมทำตามจุดยืนเดิม
  • หากทุกคนยอมรับพร้อมกัน สถานการณ์อาจเปลี่ยนได้ แต่ไม่มีเครื่องมือใดใช้ประสานให้เกิดขึ้นพร้อมกัน
• กรรมการในบอร์ดของบริษัท S&P 500 เองก็เผยความกังวลว่าต้องเรียกร้องการลงทุน AI เพื่อรักษาตำแหน่งไว้
  • กรรมการคนหนึ่งกล่าวว่า “การลงทุนเร็วขนาดนี้ดูเหมือนมี upside น้อย แต่มีแต่ความเสี่ยง”
  • ราว 2 ปีต่อมา บริษัทมูลค่าหลายพันล้านดอลลาร์แห่งนั้นก็รีแบรนด์ตัวเองว่าเป็นAI-native

การตรวจความบริสุทธิ์แบบ AI ที่ทุกโครงการต้องผ่าน

• โครงสร้างที่ไม่อาจตั้งคำถามต่อความเชื่อใน AI อย่างเปิดเผย กำลังทำให้การตัดสินใจตามปกติขององค์กรหยุดชะงัก
• พนักงานถูกประเมินจากตัวชี้วัดอย่างยอดใช้จ่าย AIที่บิดเบือนได้ง่าย และหากปฏิเสธการซื้อที่ไม่จำเป็น ก็อาจถูกสงสัยว่าไม่ภักดีต่อกลยุทธ์ AI
• ข้อเสนอทุกอย่างที่ได้รับอิทธิพลจากการเมืองภายในต้องมีองค์ประกอบ AI แม้คุณค่าจะไม่ชัดเจนก็ตาม
• โครงการ AI จำนวนมากจึงเป็นเพียงโครงการเดิมที่เติมขั้นตอน AI เข้าไปเพื่อให้ผ่านการตรวจความบริสุทธิ์ขององค์กร

• กรณีย้ายจาก Oracle ไป Snowflake

  • องค์กรหนึ่งย้ายฐานข้อมูล Oracle ไปยัง Snowflake โดยเพิ่มขั้นเตรียมการให้ LLM แปลง Oracle SQL เป็น Snowflake SQL อัตโนมัติ
  • เมื่อไม่สามารถขอสิทธิ์ที่จำเป็นได้ การทำอัตโนมัติก็ล้มเหลว และสุดท้ายผู้ขายต้องแปลง SQL ด้วยมือ
  • สาเหตุของความล้มเหลวไม่ใช่ความสามารถในการแปลงของ LLM แต่เป็นการขาดสิทธิ์สำหรับระบบอัตโนมัติ
  • แต่เพียงเพราะมีการคัดลอกบาง SQL ที่ไม่สำคัญซึ่ง AI แปลงไว้เข้ามาใช้งาน โครงการทั้งก้อนก็ถูกเรียกเก็บเป็นความสำเร็จแบบใช้ AI
  • สิ่งที่ลูกค้าตั้งใจซื้อจริงคือการย้ายฐานข้อมูลมาตรฐานเพื่อปลดระบบเดิมก่อนต่ออายุไลเซนส์
  • ส่วนที่รายงานขึ้นไปข้างบนกลับเป็นว่า “ได้จัดสรรงบประมาณส่วนสำคัญให้กับ AI และบรรลุเป้าหมายแล้ว”

ชะตากรรมของโครงการที่แทบเรียกว่า AI ไม่ได้ด้วยซ้ำ

• โครงการ AI แท้จริงที่ LLM เป็นกลไกหลักเพียงหนึ่งเดียว และสามารถตัดสินความสำเร็จหรือความล้มเหลวได้ชัดจากการบรรลุเป้าหมายเชิงตัวเลขที่เฉพาะเจาะจงนั้นมีน้อยมาก
• โครงการประเภทนี้พบได้หลัก ๆ ในสตาร์ตอัป แต่บางแห่งถึงขั้นทำการตลาดว่าเสร็จแล้ว ก่อนจะมาขอให้ Hermit Tech สร้างให้แทนในช่วงท้ายของการคุยขาย
• หากโครงการใดไม่สามารถติดองค์ประกอบ AI ได้ หรือผู้เสนอไม่ยอมแต่งเรื่อง ก็จะไม่ได้งบ หรือไม่ก็ต้องเขียนเอกสารทั้งหมดใหม่ให้“ดูเป็น AI มากพอ”
• ยังมีบริษัทมากขึ้นที่บังคับให้พิสูจน์ก่อนขอคนเพิ่มว่าได้ลองแก้ด้วย AI แล้ว
  • หากบอกว่าใช้ AI แล้วแต่ยังต้องการคนเพิ่ม ก็อาจถูกจัดว่าเป็น “คนที่ใช้ AI ไม่เป็น” และเสี่ยงถูกลดคน
• ยกเว้นไม่กี่บริษัทที่ AI แก้ปัญหาลำดับความสำคัญสูงสุดได้จริง องค์กรขนาดใหญ่ส่วนมากจึงเริ่มมีปัญหาในการโฟกัสกับการซื้อซอฟต์แวร์อย่างมีเหตุผล การจ้างคน การรายงานสถานะโครงการ และการทำธุรกิจสำคัญให้สำเร็จ

เมื่อต้องแก้โครงการใดโครงการหนึ่งให้ถูกทาง

• หากเป้าหมายคือทำโครงการเฉพาะหรือเป้าหมายอื่นให้สำเร็จ มากกว่าจะเปลี่ยนความเชื่อเรื่อง AI ทั้งองค์กร ก็ไม่ควรปะทะอย่างเปิดเผย

• การคุยตัวต่อตัวและการปกปิดตัวตน

  • ควรหลีกเลี่ยงการยกปัญหาของโครงการ AI ขึ้นมาในที่ประชุมกลุ่ม
  • เพราะผู้เข้าร่วมแต่ละคนกลัวว่าจะถูกมองเป็นคนสงสัย AI ต่อหน้าเพื่อนร่วมงาน
  • ควรจัดการพูดคุยแบบตัวต่อตัว แจ้งว่ายอมรับความเห็นที่ว่าองค์กรอาจกำลังร้อนแรงกับ AI เกินไป และจะปกป้องตัวตนของผู้พูด
  • ต้องตัดรายละเอียดที่อาจทำให้ระบุตัวผู้พูดได้ เช่น การยกคำพูดตรง
  • หากมีเพียงประมาณ 1 ใน 6 คนที่ยอมพูดปัญหา อาจคุ้มกว่าที่จะย้ายไปองค์กรหรือโครงการอื่นที่มีโอกาสแก้ไขได้มากกว่า

• ใช้การประเมินนิรนามเพื่อหาความแตกแยกที่ซ่อนอยู่

  • แบบสำรวจนิรนามให้ให้คะแนนความเป็นไปได้ที่โครงการกำลังดำเนินอยู่จะสำเร็จจาก 1–10 อาจได้ผลดี
  • รูปแบบที่พบโดยทั่วไปคือการกระจายแบบสองยอด ครึ่งหนึ่งให้ 3 คะแนน อีกครึ่งหนึ่งให้ราว 8 คะแนน
  • แม้แต่โครงการที่ล่าช้ามาแล้ว 3 ปีก็ยังเห็นความแตกแยกเช่นนี้
  • หากนำผลนี้ให้ CEO ดู ก็อาจยืนยันได้ว่ามีข้อมูลเกี่ยวกับสถานะโครงการถูกปิดบังอยู่

• เหตุผลที่ต้องสำรวจผู้ใช้จริง

  • แหล่งข้อมูลเดียวที่ใช้ตัดสินผลตอบแทนจากการลงทุนได้คือคนหน้างานที่ใช้เครื่องมือนั้นในชีวิตประจำวัน
  • ต้องทำให้พวกเขาพูดได้ในสภาพแวดล้อมที่ได้รับความเคารพ และองค์กรขนาดใหญ่อาจมีคนที่ไม่มองผู้ใต้บังคับบัญชาเป็นมนุษย์ที่เท่าเทียมกัน
  • ในลูกค้ารายหนึ่ง พบว่าพนักงานไม่รู้ด้วยซ้ำว่าได้รับไลเซนส์เครื่องมือ AI ทำให้ฐานของคำอ้างเรื่องผลิตภาพเดิมสั่นคลอน

• อย่าปะทะตรงกับความเชื่อวงกว้าง

  • หากเป้าหมายคือแก้ปัญหาเฉพาะเรื่อง ก็ควรปล่อยคำพูดกว้าง ๆ อย่าง “AI จะเปลี่ยนทุกอย่าง” ผ่านไปก่อน
  • ต้องสร้างความไว้วางใจกับคนที่มีตำแหน่งสูงสุดก่อน จึงค่อยท้าทายการรับรู้ความจริงขององค์กรได้
  • ความไว้วางใจเกิดขึ้นได้ดีกว่าในมื้ออาหารส่วนตัวที่ช่วยลดความกังวล มากกว่าการทำให้อีกฝ่ายลำบากใจในที่สาธารณะ
  • ก่อนเข้าประชุม คุณแทบไม่มีทางรู้ว่าใครเคยให้คำมั่นสาธารณะอะไรไว้บ้าง
  • คนที่เคยพูดไปแล้วว่า “ผลิตภาพสูงขึ้น 100 เท่าจากปีก่อน” อาจอยากถอนคำพูด แต่ทำไม่ได้เพราะเสียหน้า
  • แม้แต่คำพูดสามัญสำนึกอย่าง “ไม่ควรให้ LLM ปล่อยโค้ดโดยไม่มีมนุษย์ตรวจ” ก็อาจทำให้ความสัมพันธ์ช่วงต้นพังได้
  • หากเป้าหมายเพื่อสาธารณประโยชน์สำคัญมาก วิธีเอาตัวรอดที่สมจริงอาจเป็นการติดแชตบอต AI ราคา 10,000 ดอลลาร์เข้ากับโครงการหลัก แล้วในที่ประชุมก็เน้นพูดเฉพาะส่วนนั้น

เมื่อต้องอยู่ให้รอดในองค์กร

• ต้องยอมรับว่าการต่อต้านสถานการณ์นี้อย่างเป็นรูปธรรมทำได้ยาก และปัญหาไม่ได้อยู่ที่ AI เองเท่านั้น แต่คือวัฒนธรรมองค์กรที่บกพร่อง
• การเปลี่ยนจากพนักงานประจำเป็นผู้รับจ้างตามสัญญาอาจช่วยให้รายได้สูงขึ้นและห่างจากการเมืองภายในมากขึ้น อีกทั้งยังมีวันสิ้นสุดสัญญาชัดเจนแม้สถานการณ์จะทนยาก
• ควรจำกัดการเสพข่าว AI ให้พอแค่ลดความเหนื่อยล้าทางจิตใจ
  • หลีกเลี่ยงที่อย่าง Hacker News และ Reddit ซึ่งมีข่าวลักษณะนี้ไหลมาไม่หยุด
  • อ่านเท่าที่จำเป็นต่อการรักษาความรู้สึกเชื่อมโยงกับความเป็นจริง แล้วหยุด
  • แม้แต่ตอนระบายกับเพื่อน ก็ควรบอกจุดประสงค์ล่วงหน้า
• หากใครใช้ AI ในทางที่ไม่เหมาะ แต่ไม่ได้เสี่ยงอันตรายต่อร่างกายทันที ก็มักดีกว่าที่จะคล้อยตามไปก่อน
• หากถูกถามความเห็นเรื่อง AI ในฐานะโปรแกรมเมอร์ ผู้เขียนแนะนำว่า ถ้าอีกฝ่ายไม่ใช่คนที่จะมีผลต่อการตัดสินใจสำคัญ ก็ให้ตอบสั้น ๆ ว่า “มันมีส่วนที่ถูกพูดเกินจริง” แล้วเปลี่ยนเรื่อง

• เมื่อโค้ด AI ปริมาณมหาศาลเริ่มกลืนงานประจำ

  • หากต้องคอยรีวิว PR จาก AI คุณภาพต่ำยาว 2,000 บรรทัดอยู่เรื่อย ๆ ควรเริ่มหางานทันทีโดยตั้งสมมติฐานว่าองค์กรสุดท้ายจะทำให้คนรีวิวหมดไฟแล้วค่อยปลดออก
  • ยากจะโน้มน้าวให้ผู้สร้างเปลี่ยนวิธีทำงาน และควรเตรียมย้ายงานตอนที่ยังมีแรง
  • แม้การหางานจะทำให้ทำงานช้าลง แต่ถ้าไม่ทำ สุดท้ายความหมดไฟและซึมเศร้าก็จะทำให้เกิดปัญหาเดียวกันในภายหลัง

• เมื่อผู้จัดการคุยด้วยประโยคที่สร้างโดย AI

  • หากผู้จัดการตอบกลับด้วยข้อความที่ชัดเจนว่า AI สร้าง ก็ควรตอบกลับแบบเดียวกันเพื่อลดภาระทางใจ พร้อมกับหางานใหม่
  • ผู้จัดการแบบนี้อาจไม่มองว่าการที่พนักงานตอบด้วย AI เป็นการเสียมารยาท แต่กลับมองบวกกับการใช้ AI เอง
  • หากถึงขั้นถูกสั่งให้ปั่นปริมาณการใช้โทเค็นให้เต็ม ก็ถึงเวลาต้องเตรียมออกจากองค์กรปัจจุบัน
  • บริษัทที่มีปัญหาแบบนี้น้อยกว่ายังมีอยู่ แต่หลายแห่งเป็นบริษัทเล็กที่ไม่ค่อยปรากฏบนแพลตฟอร์มหางาน จึงอาจต้องใช้เวลาหลายเดือนกว่าจะหาเจอ และยิ่งต้องเริ่มเร็ว

ปัญหาที่จะคงอยู่ในระยะยาว

• แม้ฟองสบู่ AI ปัจจุบันจะจบลงในวันหนึ่ง คุณลักษณะไร้เหตุผลที่ฝังตัวอยู่ในชนชั้นนำก็อาจถูกปลุกขึ้นอีกจากกระแสนิยมอื่นในอนาคต
• บางองค์กรอาจคงสภาพถูกยึดครองทางอุดมการณ์ไว้จนกว่าจะล่มสลายทั้งหมด เหมือนบางกรณีที่ไม่เคยหลุดจากกระแสคลั่งบล็อกเชน
• ในระยะนี้ ควรรวบรวมข้อมูลที่ไม่เปิดเผยและเสียงจากหน้างานให้มากที่สุดเท่าที่พอจะช่วยกู้การตัดสินใจที่เป็นปกติได้ และในองค์กรที่เปลี่ยนไม่ได้ ก็ควรให้ความสำคัญกับการรักษาสัมผัสต่อความเป็นจริงและโอกาสรอดของตัวเองก่อน