ศาสตราจารย์ด้าน AI เตือน อย่ายกงานคิดให้ AI จนเสียทักษะ ใช้ AI ทุกวันได้ แต่ควรพิมพ์ร่างแรกเองทุกชิ้น ป้องกัน AI ครอบงำมุมมองของตัวเอง

Ethan Mollick คือหนึ่งในนักวิชาการที่ใช้ AI หนักที่สุดคนหนึ่ง ทั้งให้ AI ตรวจข้อเท็จจริงในหนังสือเล่มใหม่ ตั้งงานอัตโนมัติให้สรุปความเคลื่อนไหวรอบตัววันละหลายรอบ และส่งเอเจนต์ AI ไปลุยโปรเจกต์วิจัย แต่ศาสตราจารย์จาก Wharton ผู้นี้กลับยืนยันว่ายังพิมพ์ร่างแรกของงานเขียนทุกชิ้นด้วยตัวเอง เพราะ AI ‘ยั่วยวนเกินกว่าจะต้านไหว’ และพร้อมจะครอบงำความคิดไปทุกทิศทาง จนสิ่งที่คนอ่านได้รับกลายเป็นแค่ผลลัพธ์จาก Claude ที่ผ่านมือ Ethan Mollick อีกชั้นเท่านั้น

ความย้อนแย้งนี้คือแก่นของบทสนทนาระหว่าง Ethan Mollick กับ Marina Mogilko เจ้าของช่อง YouTube ‘Silicon Valley Girl’ ซึ่งพูดคุยกันในวาระที่หนังสือเล่มใหม่ Co-Existence: The Next Phase of AI เพิ่งวางแผง ตลอดการสนทนาเกือบหนึ่งชั่วโมง Ethan Mollick ย้ำหลักเดียวกันในหลายแง่มุมว่า AI เก่งขึ้นทุกวัน แต่คุณค่าของคนอยู่ที่การเลือกว่าจะ ‘แทรกตัวเองเข้าไปในกระบวนการ’ ตรงไหน ไม่ใช่การส่งงานทั้งหมดให้เอเจนต์ทำแทน

Ethan Mollick เป็นศาสตราจารย์ด้านการเป็นผู้ประกอบการและนวัตกรรมที่ Wharton School และเป็นผู้นำ Generative AI Labs ของ Wharton ได้รับเลือกจากนิตยสาร Time ให้เป็นหนึ่งใน 100 บุคคลผู้ทรงอิทธิพลที่สุดในวงการ AI มีผู้อ่านจดหมายข่าว One Useful Thing บน Substack ราวครึ่งล้านคน และเป็นผู้เขียนหนังสือ Co-Intelligence ซึ่งเป็นเล่มก่อนหน้า

เมื่อ AI ปลดล็อกแรงงาน ความทะเยอทะยานจึงต้องขยับตาม

หลักเรื่องการแทรกตัวเองเข้าไปในงานเริ่มต้นจากห้องเรียนของ Ethan Mollick เอง นักศึกษาในวิชาของ Ethan Mollick ต้องตั้งบริษัทจริงระหว่างเรียน และถูกกระตุ้นให้เลือกไอเดียที่ทะเยอทะยานที่สุด วิธีสอนไม่มีคู่มือตายตัว แต่ใช้คำถามง่าย ๆ ว่า ‘ทำได้มากกว่านี้อีกไหม’ ซึ่งเมื่อก่อนเป็นคำถามที่ตอบยาก เพราะคนหยุดอยู่ที่ขีดจำกัดของแรงตัวเอง แต่เมื่อขอบเขตความสามารถของ AI ขยายออกไปเรื่อย ๆ การผลักความทะเยอทะยานจึงสำคัญกว่าเดิมมาก

ภาพนี้ชัดตั้งแต่ ChatGPT เปิดตัว เพราะเพียงไม่กี่วันหลังจากนั้น Ethan Mollick ทิ้งแผนการสอนทั้งคาบเพื่อสาธิตวิธีใช้ ChatGPT และก่อนคาบจบ นักศึกษาคนหนึ่งก็เลิกฟังแล้วเขียนโค้ดโปรเจกต์ของทั้งเทอมเสร็จในคาบนั้นเลย นับจากนั้นระดับความทะเยอทะยานของนักศึกษาก็สูงขึ้นทุกปี ในรุ่นล่าสุด ห้องเรียนมีทั้งศัลยแพทย์ คนทำอุปกรณ์การแพทย์ คนสายการเงิน คนทำงานองค์กรไม่แสวงผลกำไรและงานมนุษยธรรม ไปจนถึงทหาร ซึ่งทุกคนลงมือสร้างของจริงได้ทันที ตั้งแต่ระบบติดตามห่วงโซ่อุปทานทั้งสายเพื่อหาจุดอ่อนทางการเงิน ไปจนถึงวิธีสื่อสารข้อมูลกับผู้ป่วยให้เข้าใจง่ายแทนการยื่นแบบฟอร์ม ไอเดียเหล่านี้แคบแต่ลึก เพราะมาจากปัญหาที่เจ้าของไอเดียรู้จริง

ถึงอย่างนั้น ไอเดียบางประเภทก็ยังชนกำแพงเดิมซ้ำแล้วซ้ำเล่า Ethan Mollick เล่าว่าอาจารย์ด้านผู้ประกอบการในโรงเรียนธุรกิจชั้นนำมักแลกเปลี่ยนกันว่าหัวข้อไหนที่นักศึกษาหยิบมาทำทุกปีแต่แทบไม่เคยรอด ตัวอย่างคลาสสิกคือการตัดนายหน้าซื้อขายบ้านออกจากระบบ ซึ่งดูเผิน ๆ เหมือนตัดตัวกลางได้ง่าย แต่ล้มเหลวทุกครั้ง เพราะนายหน้าฝังตัวอยู่ในระบบทั้งทางสังคม การเมือง และกฎหมาย อีกกลุ่มคือปัญหาเฉพาะชีวิตนักศึกษา เช่น อยากกินอาหารแบบที่แม่ทำ หรือหาที่ฝากของระหว่างปิดเทอม ซึ่งอาจไม่ได้เป็นปัญหาของคนทั่วไปเมื่อเรียนจบ

เมื่อ Marina Mogilko แย้งว่า DoorDash ก็เริ่มจากการส่งอาหารในมหาวิทยาลัย และ Airbnb ก็พิสูจน์ว่าคนยอมไว้ใจคนแปลกหน้าได้ Ethan Mollick ยอมรับว่าไม่มีใครรู้ล่วงหน้า จึงไม่บอกนักศึกษาว่าไอเดียไหนจะล้ม ไอเดียเหล่านี้ไม่ได้แย่ และมีความต้องการจริง แต่ยากกว่าที่เห็น และ AI ยิ่งทำให้ดูง่ายเข้าไปอีก เพราะส่วนเทคนิคไม่ใช่อุปสรรคแล้ว ตัวเลขในแผนจึงดูสวย จนวันที่ชนข้อจำกัดในโลกจริง ใครแก้โจทย์นี้ได้ก็จะทำเงินมหาศาล

สำหรับคำถามว่าควรเล็งปัญหาใหญ่หรือเล็ก Ethan Mollick แนะว่าถ้าเริ่มจากศูนย์ก็ควรเล็งให้ใหญ่ เพราะความทะเยอทะยานดึงคนเก่งมาร่วมงานและกลายเป็นคำทำนายที่เป็นจริงได้เอง แต่ธุรกิจแต่ละช่วงก็ต้องใช้ทักษะต่างกัน การระดมทุนรอบ Series B หรือ Series C ย่อมต่างจากการบริหารธุรกิจท้องถิ่น และสิ่งที่ Ethan Mollick อยากเห็นมากกว่าคือคนกล้าคิดใหญ่ในรูปแบบอื่น โดยยกบทเรียนจากการปฏิวัติอุตสาหกรรมว่าคนที่ร่ำรวยไม่ใช่คนขายเครื่องจักรไอน้ำ ขณะที่ซิลิคอนแวลลีย์ชอบเปรียบว่าอยากเป็นคนขายพลั่วในยุคตื่นทอง Ethan Mollick กลับมองว่าควรเป็นคนขุดเหมืองทองด้วยเทคโนโลยีใหม่ ถ้ารู้ว่าธุรกิจไหนทำให้มีประสิทธิภาพขึ้นได้ ก็ลงมือทำธุรกิจนั้นเองเสียเลย

ผู้ประกอบการติดกรอบ SaaS ขณะที่ซอฟต์แวร์กลายเป็นของที่ใครก็สร้างได้

ความคิดแบบคนขายพลั่วนี้เองที่ทำให้ Ethan Mollick มองว่าผู้ประกอบการจำนวนมาก ‘ติดกรอบ SaaS’ เกินไป คือคิดแต่จะหาเงินด้วยการขายซอฟต์แวร์แบบบริการ (Software as a Service หรือ SaaS) ซึ่งกำลังถูกคุกคาม เพราะตอนนี้ทุกคนเขียนโค้ดได้ งานศึกษาชุดหนึ่งจาก Anthropic ชี้ว่าผู้จัดการเขียนโค้ดรอบแรกได้ดีกว่าโปรแกรมเมอร์เสียอีก เนื่องจากหัวใจของงานกลายเป็นการสั่งงานให้ชัด ไม่ใช่ความเก่งในการเขียนโค้ด

ผลที่ตามมาคือองค์กรใหญ่แทบทุกแห่งเริ่มเล็งผู้ขายซอฟต์แวร์ และอยากสร้างเครื่องมือของตัวเองมากขึ้น แม้จะต้องใช้เวลาอีกพักกว่าจะทำได้ถูกทาง สิ่งที่น่าสนใจกว่าคือองค์กรเริ่มรู้ตัวว่าสตาร์ทอัพหลายรายกำลังขายสิ่งที่องค์กรสร้างเองได้อยู่แล้ว โดยเฉพาะความสามารถของโมเดลภาษาขนาดใหญ่ (Large Language Model หรือ LLM) ที่องค์กรเข้าถึงได้เองโดยตรง

ในอีกด้านหนึ่ง Ethan Mollick มองว่าซอฟต์แวร์จะกลายเป็นของที่ทุกคนเข้าถึงได้ นักศึกษาปริญญาโทบริหารธุรกิจ (Master of Business Administration หรือ MBA) ที่ไม่มีพื้นฐานเทคนิคเคยต้องตามหาคนเขียนโค้ดมาร่วมทีมตลอดสิบปีที่ผ่านมา แต่ต่อไปจะมีทั้งบริษัทที่ต้องพึ่งวิศวกรระดับหัวกะทิทำงานร่วมกับ AI และบริษัทที่ใช้ซอฟต์แวร์เป็นเพียงเครื่องมือทำงาน คนทำจดหมายข่าวไม่ได้อยากเป็นบริษัทซอฟต์แวร์ แต่อยากทำจดหมายข่าวให้ดี และซอฟต์แวร์ก็เคยเป็นแค่อุปสรรคหนึ่งในหลายอย่าง Ethan Mollick ยกประสบการณ์จากสตาร์ทอัพแรกในยุคฟองสบู่อินเทอร์เน็ตปลายทศวรรษ 1990 ว่าเคยนั่งคำนวณภาษีพนักงานใน Excel ทุกสัปดาห์อยู่หลายสัปดาห์ โดยไม่รู้ว่าจ้างบริการทำแทนได้ในราคาเพียงไม่กี่เซนต์ต่อรอบเงินเดือน แค่คำแนะนำจาก AI อย่างเดียวก็ทำให้การเริ่มธุรกิจง่ายกว่าที่เคยเป็นมาก

AI ช่วยคนที่เก่งอยู่แล้วให้เก่งขึ้น แต่ต้องมีของสี่อย่างติดตัว

พลังของคำแนะนำจาก AI มีหลักฐานรองรับ Ethan Mollick ยกงานวิจัยกับผู้ประกอบการในเคนยาที่ใช้ GPT-4 ซึ่งตอนนี้ล้าสมัยไปแล้ว และให้ AI ทำหน้าที่แค่ให้คำแนะนำ ผลคือผลประกอบการของผู้ประกอบการกลุ่มที่ทำได้ดีอยู่แล้วเพิ่มขึ้นราว 15% (HBS Working Knowledge) ซึ่ง Ethan Mollick มองว่าเป็นตัวเลขที่สูงมากสำหรับงานวิจัยด้านผู้ประกอบการ แต่กลุ่มที่กำลังย่ำแย่กลับนำคำแนะนำไปใช้ไม่ได้ เพราะกำลังจมลงไปแล้ว ทั้งที่ตอนนี้มีโมเดลที่เก่งกว่า GPT-4 ราว 180 โมเดล และ 19 โมเดลในนั้นรันบนโทรศัพท์ได้

อีกตัวเลขที่ Ethan Mollick หยิบมาคือคนอเมริกันราว 50% เคยมีหรือคิดว่าเคยมีไอเดียธุรกิจที่ดีในช่วงห้าปีที่ผ่านมา แต่แทบไม่มีใครลงมือทำ เพราะติดอุปสรรคสารพัด แค่ AI ช่วยแนะนำทางข้ามอุปสรรคเหล่านี้ได้ ก็นับเป็นยุคทองของการเป็นผู้ประกอบการแล้ว

คำถามต่อมาคือจะเชื่อ AI ได้แค่ไหน เมื่อโมเดลรุ่นใหม่เก่งกว่าเดิมมาก Ethan Mollick ตอบด้วยกรอบที่เขียนไว้ในหนังสือเล่มใหม่ว่า การใช้ AI ให้ได้ผลต้องมีสี่อย่าง อย่างแรกคือความรู้เชิงลึกในเรื่องใดเรื่องหนึ่ง ซึ่งการเป็นผู้ประกอบการก็คือการสร้างความเชี่ยวชาญอย่างมีวินัย ทั้งการลงไปคลุกคลีในอุตสาหกรรม สัมภาษณ์คน และทดสอบไอเดีย หากไม่มีส่วนนี้ ก็จะได้แต่นั่งดูไอเดียจาก Claude ที่หน้าตาคล้ายกันไปหมด อย่างที่สองคือความรู้เชิงกว้าง เช่น คนทำซอฟต์แวร์ควรรู้เรื่องการออกแบบและบัญชีบ้าง เพื่อจะใช้ AI ได้กว้างขึ้น อย่างที่สามคือความเป็นผู้ลงมือ (Agency) และอย่างสุดท้ายคือรสนิยม (Taste) ที่ช่วยคัดไอเดียดีออกจากกองงานคุณภาพต่ำที่ AI ผลิตออกมา

ความสำคัญของทั้งสี่ข้อยิ่งเพิ่มขึ้นเมื่อ AI ทำงานได้นานขึ้น Ethan Mollick เทียบว่าสมัย GPT-4 โมเดลทำงานได้เองราว 4 นาทีด้วยอัตราสำเร็จ 50% แต่ตอนนี้ขยับไปเกิน 17 ชั่วโมงแล้ว ถึงอย่างนั้นระบบเหล่านี้ยังต้องมีคนกำกับทิศทาง เพราะสิ่งที่ทำให้ผู้ประกอบการประสบความสำเร็จคือความแตกต่าง

เมื่อทุกคนปรึกษา AI ตัวเดียวกัน ความต่างของมนุษย์คือคูเมือง

ประเด็นความแตกต่างนี้พาไปสู่คำถามที่ Marina Mogilko ถามตรง ๆ ว่า เมื่อทุกคนมี Claude เป็นที่ปรึกษากลยุทธ์ จะไม่ให้ตัวเองฟังดูเหมือนคนอื่นได้อย่างไร Ethan Mollick ชี้ว่าช่วงแรกที่ Claude เขียนหนังสือได้ดี ยังไม่มีใครรู้ว่าสำนวนของ Claude เป็นแบบไหน แต่ตอนนี้เปิด LinkedIn หรือ X ก็เจอแต่ของซ้ำ ๆ จนน่าเวียนหัว ทั้งวลี วิธีเข้าหาประเด็น และภาษาที่ใช้ ใครที่ไม่จ้างนักการตลาดเพราะคิดว่า AI ทำแทนได้จึงอาจคิดผิด เพราะนักการตลาดที่มี AI ช่วยทำงานได้มากขึ้น และความแตกต่างแบบมนุษย์ยังมีค่ามาก

ปัญหาไม่ได้อยู่แค่สำนวน แต่ AI ยังผลักคนไปสู่กลยุทธ์หรือมุมมองแบบฉันทามติ การทดลองของทีม Ethan Mollick พบว่าแม้จะดันให้ AI สร้างไอเดียหลากหลายได้เกือบเท่ากลุ่มคน แต่เมื่อนำไอเดียมาวางเทียบกัน ไอเดียของ AI ก็ยังครอบคลุมได้ไม่ครบทุกมุมที่มนุษย์คิด การใช้ Claude ทำงานด้านการเงินจึงไม่ใช่เรื่องผิด หากการเงินไม่ใช่จุดแข็งของธุรกิจ แต่ในเรื่องที่ตั้งใจจะแข่ง ต้องมีความแตกต่างและคูเมือง (Moat) ซึ่งยังต้องมาจากมนุษย์ส่วนหนึ่งแม้โมเดลจะเก่งขึ้นมากแค่ไหน

เมื่อรสนิยมกลายเป็นตัวตัดสิน คำถามถัดมาจึงเป็นว่าจะฝึกรสนิยมได้อย่างไร Ethan Mollick ตอบว่าต้องได้เห็นทั้งตัวอย่างที่ดีและไม่ดี และมีคนช่วยแยกส่วนให้เห็นว่าอะไรทำให้งานดี ปัจจุบัน Ethan Mollick เชิญอาจารย์ด้านศิลปะมาสอนในชั้นเรียนว่านักออกแบบมองโลกอย่างไร ฟอนต์แบบไหนดีหรือแย่ ภาพแบบไหนน่าสนใจ หัวใจคือต้องมีภาษาที่ใช้คุยเรื่องรสนิยม เหมือนคนที่เข้าใจภาพยนตร์ลึกซึ้งซึ่งมีรสนิยมเฉพาะตัวแต่อธิบายออกมาได้ หรือนักลงทุนร่วมทุน (Venture Capital) ที่ทำงานด้วยรสนิยมต่อโจทย์บางประเภท

แล้วรสนิยมต่างจากวิจารณญาณ (Judgment) อย่างไร Ethan Mollick ไม่ชอบใช้คำว่าวิจารณญาณ เพราะ AI ใช้วิจารณญาณอยู่แล้ว งาน 17 ชั่วโมงเป็นไปไม่ได้ถ้า AI ไม่ตัดสินใจเอง เช่นเดียวกับที่ไม่ใส่ความคิดสร้างสรรค์ไว้ในสี่ข้อข้างต้น เพราะ AI ก็ตัดสินใจเชิงสร้างสรรค์อยู่แล้ว คำถามที่แท้จริงคือการตัดสินใจเหล่านั้นตรงกับแบบที่เราจะเลือกหรือไม่ Ethan Mollick ยกตัวอย่างวงการคณิตศาสตร์ที่กำลังเจอบทพิสูจน์จาก AI จำนวนมาก นักคณิตศาสตร์เริ่มอธิบายสิ่งที่คนนอกไม่เคยรู้ว่าคณิตศาสตร์มีมิติด้านสุนทรียะ บทพิสูจน์ที่ไม่ได้สอนอะไรที่งดงามหรือน่าสนใจก็แทบไม่มีคุณค่ากับวงการ แม้จะแก้โจทย์ได้ก็ตาม เมื่อก่อนไม่ต้องแยกแยะเรื่องนี้ เพราะสติปัญญาที่ตัดสินใจได้มีแค่ของมนุษย์

ระบบฝึกงานที่สร้างมืออาชีพมาหลายพันปีกำลังพัง

ถ้ารสนิยมและวิจารณญาณเกิดจากประสบการณ์ คนที่เพิ่งเริ่มต้นจะได้ฝึกตรงไหน Ethan Mollick แยกปัญหาเป็นสองชั้น ชั้นแรกคือมหาวิทยาลัยที่กำลังอยู่ในวิกฤต AI ชั่วคราว ซึ่งพอเห็นทางออกแล้ว เพราะ AI เป็นติวเตอร์ที่ดีมากถ้าใช้แบบติวเตอร์ แต่ถ้าใช้ลอกคำตอบก็จะไม่ได้เรียนรู้อะไรเลย แม้จะรู้สึกว่าได้เรียนก็ตาม ต่อไปจึงจะมีเครื่องมือ AI ใช้นอกห้อง ส่วนในห้องจะเน้นการเรียนผ่านการลงมือทำและสอบในห้องมากขึ้น

ปัญหาที่หนักกว่าอยู่ในชั้นที่สอง คือโลกการทำงาน ซึ่งเป็นที่ที่คนสร้างรสนิยมและวิจารณญาณจริง ๆ งานสายออฟฟิศฝึกคนผ่านระบบฝึกงานแบบครูพักลักจำมาราว 4,000 ปี คนรุ่นใหม่ที่อยากพิสูจน์ตัวเองยอมรับค่าจ้างน้อย รับงานที่ผู้จัดการระดับกลางไม่อยากทำ แลกกับโอกาสได้โชว์ฝีมือและเรียนรู้งาน ส่วนผู้จัดการก็ได้คนช่วยแบ่งเบาภาระ แต่ระบบนี้พังลงแล้ว เพราะแรงจูงใจของเด็กฝึกงานคือส่งงานที่ดีที่สุด และใครจะทำได้ดีกว่า Claude, ChatGPT หรือ Gemini เด็กฝึกงานจึงส่งคำตอบจาก AI ทั้งที่ไม่รู้ว่าตัวเองส่งอะไรไป ขณะที่ผู้จัดการก็คิดว่าจะเสียเวลาให้คำแนะนำคนที่ทำงานช้าไปทำไม ในเมื่อสั่ง Claude เองได้ ระบบที่หล่อหลอมรสนิยมและวิจารณญาณของมืออาชีพจึงพังลง และยังไม่มีอะไรมาแทนได้เต็มที่

ในระดับบุคคล Ethan Mollick บอกนักศึกษาว่าต้องมีวินัยในการรู้ตัวว่ากำลัง ‘ยอมจำนนทางความคิด’ (Cognitive Surrender) หรือยกการคิดให้ AI ตอนไหน ซึ่งทำได้ยาก การเป็นผู้ประกอบการคือการทำให้ชีวิตง่ายที่สุดเพื่อโฟกัสเรื่องยาก แต่ผลคือไม่ได้เรียนรู้อะไร ‘เราอาจยกทักษะให้ AI ได้ง่าย ๆ และอาจไม่ได้ทักษะนั้นคืนมาอีกเลย’ จึงต้องตั้งใจเติมแรงเสียดทาน (Friction) ให้ชีวิตในบางเรื่องสำคัญเพื่อรักษาความได้เปรียบไว้ ทั้งที่ไม่มีอะไรจูงใจให้ทำ

ส่วนระดับองค์กร Ethan Mollick มองว่ามีสองทาง ทางง่ายคือจ้างแต่คนระดับอาวุโส ซึ่งเริ่มมีสัญญาณบ้างว่างานระดับเริ่มต้นอาจถูกกระทบ แม้ยังไม่แน่ชัด ส่วนทางยากคือทำให้การฝึกคนเป็นส่วนสำคัญของงานจริง ยอมให้คนใหม่ทำงานช้าเพื่อเรียนรู้ หรืออาจถึงขั้นเพิ่มการเรียนในมหาวิทยาลัยอีกหนึ่งปีเพื่อฝึกเฉพาะทางสำหรับการเป็นคนของ Google หรือ McKinsey เพราะเรารู้วิธีสอนและวัดผลในห้องเรียน แต่ไม่รู้วิธีทำแบบนั้นในโลกการทำงานอีกต่อไป

แล้วคนที่ฝีมือ ‘ดีพอ’ แต่ไม่โดดเด่นจะเป็นอย่างไร Ethan Mollick ตอบว่ายังเร็วเกินจะสรุป และนิยามของคำว่าดีพอก็เปลี่ยนไปเรื่อย ๆ แนวคิดขอบเขตความสามารถที่ขรุขระ (Jagged Frontier) จากงานวิจัยชิ้นแรกของทีมอธิบายว่า AI เก่งในบางเรื่องที่ไม่คาดคิด และอ่อนในบางเรื่องที่ไม่คาดคิดเช่นกัน ตราบใดที่ขอบเขตนี้ยังขรุขระ ก็จะมีคอขวดที่มนุษย์ต้องเติม เช่น ทนายความที่ต้องเกี่ยวข้องกับระบบของมนุษย์ ข้อกำหนดของศาล และลูกความที่อยากคุยกับคน ขณะที่โปรแกรมเมอร์ที่เก่งในวันนี้ก็ต่างจากเมื่อสามปีก่อนอย่างสิ้นเชิง เพราะไม่ได้เขียนโค้ดเองแล้ว คนที่เขียนโค้ดธรรมดาแต่มีวิสัยทัศน์ในการสร้างซอฟต์แวร์จึงอาจได้เปรียบ ทักษะที่มีค่าจะสลับไปมาอย่างรวดเร็วโดยไม่มีคำตอบสำเร็จรูป

ใครจะใช้ AI เก่งกว่ากันก็เปลี่ยนไปเช่นกัน AI เคยเป็นตัวช่วยให้คนเก่งน้อยตามทันคนเก่ง ซึ่งยังเป็นจริงอยู่ แต่งานวิจัยหลายชิ้นรวมถึงของ Anthropic เริ่มชี้ว่าในยุคเอเจนต์ คนที่เชี่ยวชาญที่สุดได้ประโยชน์มากที่สุด นอกจากนี้ยังมีทักษะ ‘กระซิบ AI’ ที่เข้าใจว่า AI คิดอย่างไร คล้ายการอ่านใจคน และยังมีกลุ่มที่สามที่อธิบายไม่ได้ งานวิจัยของ Alex Imas และทีมจาก University of Chicago ที่ให้คนสร้างเอเจนต์เจรจาต่อรองพบว่า ความต่างของทักษะเล็กน้อยส่งผลต่อกำไรมหาศาล เพราะเอเจนต์ต่อรองแทนเป็นจำนวนมาก และคนที่สร้างเอเจนต์ได้ดีไม่จำเป็นต้องเป็นนักเจรจาที่เก่งในชีวิตจริง ผลที่น่าสนใจคือ งานวิจัยจำนวนมากพบว่าผู้หญิงมักเสียเปรียบในการเจรจา แต่ผู้หญิงกลับสร้างเอเจนต์เจรจาได้ดีกว่าผู้ชายมาก

คิดเองก่อน แล้วค่อยให้ AI ต่อยอด

เมื่อทักษะเหล่านี้ยังแยกแยะได้ยาก Ethan Mollick จึงไม่เชื่อนักกับแนวคิดว่าต้องถอดกระบวนการคิดของตัวเองออกมาเป็นขั้นตอนให้ AI ทำตาม การเปรียบเทียบที่เหมาะกว่าคือการมอบหมายงานให้ทีม และรู้ว่าทีมมักพลาดตรงไหน ซึ่งต่างจากการรู้กระบวนการของตัวเอง เพราะ AI จะไม่ทำซ้ำกระบวนการของเราอยู่แล้ว สิ่งที่ต้องทำคือรักษากระบวนการแบบมนุษย์ไว้ ไม่ใช่ลอกมันให้ AI นี่คือเหตุผลเบื้องหลังการพิมพ์ร่างแรกเองที่เล่าไว้ตอนต้น

กระบวนการแบบมนุษย์ของแต่ละคนก็ไม่เหมือนกัน Ethan Mollick ได้ไอเดียดีที่สุดระหว่างปั่นจักรยานในคลาส SoulCycle ซึ่งตัวเองเป็นผู้ชายคนเดียวและอายุมากที่สุดในห้อง ท่ามกลางเสียงดังและครูที่ตะโกนเรื่องเป้าหมาย ขณะที่นักวิทยาศาสตร์อีกคนต้องเหนื่อยล้าสุด ๆ สัปดาห์ละวันถึงจะคิดออก แต่ละคนต้องหาทางของตัวเองให้เจอ

แต่ไม่ได้แปลว่าห้ามใช้ AI สร้างไอเดีย Ethan Mollick ชี้ว่ามีหลักฐานเก่าเรื่องนี้อยู่แล้ว การระดมสมอง (Brainstorming) ถูกคิดค้นขึ้นในช่วงทศวรรษ 1950 และไม่กี่ปีต่อมาก็พบว่าใช้ไม่ได้ผล เพราะการคิดไอเดียเป็นกลุ่มทำให้ความหลากหลายตามธรรมชาติหายไป วิธีที่ดีกว่าคือให้แต่ละคนเขียนไอเดียของตัวเองก่อน แล้วค่อยระดมความคิดร่วมกัน ซึ่งได้ไอเดียที่ดีและหลากหลายกว่า AI ก็เช่นกัน ควรใช้สร้างไอเดียหลังจากคิดเองมาก่อนแล้วเท่านั้น

หลักการนี้เชื่อมกับแนวคิดการคิดแบบต้องออกแรง Ethan Mollick อธิบายว่าต้อง ‘เหงื่อออกทางความคิด’ ถ้าไม่รู้สึกอึดอัด ก็แปลว่ายังเรียนรู้หรือคิดไม่มากพอ เหมือนการออกกำลังกาย ในวงการการศึกษาเรียกสิ่งนี้ว่าความยากที่เป็นประโยชน์ (Desirable Difficulties) มนุษย์เรียนรู้แล้วว่าการไม่เดินหรือไม่ออกกำลังกายมีต้นทุน แต่ยังไม่เคยเรียนรู้แบบเดียวกันกับสมอง เพราะไม่เคยมีทางเลือกแบบนี้มาก่อน การค้นหาใน Google ไม่เหมือนการบอก AI ว่า ‘คิดแทนฉันที’

อีกด้านหนึ่ง Ethan Mollick ก็ไม่ได้ยกย่องไอเดียเกินจริง กฎโอกาสเท่ากัน (Equal Odds Rule) ชี้ว่าคนที่คิดไอเดียได้มากกว่ามักคิดไอเดียดีได้มากกว่าด้วย และความคิดสร้างสรรค์เป็นคุณลักษณะเฉพาะตัวที่ไม่ได้สัมพันธ์กับความฉลาดมากนัก คนที่สร้างสรรค์น้อยกว่าจึงอาจได้ประโยชน์จาก AI มากกว่า แต่ถ้าเป็นเรื่องที่เป็นความได้เปรียบในการแข่งขันของตัวเอง ก็ไม่ควรยกให้ AI ทั้งหมด และเหนือสิ่งอื่นใด สิ่งที่สำคัญกว่าไอเดียคือการลงมือทำ ในชั้นเรียนผู้ประกอบการ เจ้าของไอเดียมักอยากได้เครดิตทั้งหมด แต่ผ่านไปหกเดือน ไอเดียก็เปลี่ยนไปแล้ว และสิ่งที่ทำให้สำเร็จแทบไม่เคยเป็นตัวไอเดีย

ทั้งศาสตร์ของการเป็นผู้ประกอบการก่อนยุค AI สร้างขึ้นบนหลักการเรียนรู้ด้วยต้นทุนต่ำที่สุด ตั้งแต่แนวคิด Lean Startup การสัมภาษณ์ลูกค้า การทำผลิตภัณฑ์ต้นแบบที่ใช้งานได้ขั้นต่ำ (Minimum Viable Product หรือ MVP) ไปจนถึงวงการเงินร่วมลงทุนที่ปรับตัวมาเป็นการลงทุนรอบ Seed, Pre-seed และ Y Combinator ทั้งหมดเกิดขึ้นเพราะการทดสอบไอเดียถูกลงเรื่อย ๆ และตอนนี้ต้นทุนก็ต่ำถึงขีดสุดแล้ว แม้ AI ที่จำลองตัวเป็นลูกค้าจะไม่ใช่ลูกค้าจริง แต่ก็เป็นด่านแรกที่ใช้ได้ดี จึงไม่มีข้ออ้างให้ไม่ลองผลักไอเดียของตัวเองดูอีกแล้ว

ทุกคนต้องเป็นผู้จัดการ และความผิดพลาดใหญ่ที่สุดคือไว้ใจเอเจนต์เกินไป

เมื่อการลงมือทำสำคัญกว่าไอเดีย และการลงมือทำวันนี้หมายถึงการบริหารเอเจนต์ Ethan Mollick จึงเรียกยุคนี้ติดตลกว่า ‘การแก้แค้นของเหล่า MBA’ เพราะคนสายธุรกิจที่เคยต้องวิ่งหาคนเทคนิค ตอนนี้กลับเป็นคนที่มีทักษะที่ทุกคนต้องการ การทดลองของ Generative AI Labs ที่ Wharton พบซ้ำ ๆ ว่าเทคนิคที่ได้ผลกับคนก็ได้ผลกับ AI และต้นทุนที่แท้จริงไม่ใช่ค่าโทเคน แต่เป็นแรงที่ต้องใช้ติดตามงาน

วิธีที่ Ethan Mollick ใช้กับเอเจนต์คือกำหนดจุดที่ต้องกลับมารายงาน กำหนดจุดที่ให้ AI เสนอตัวอย่างหลากหลายให้เลือก เพื่อ ‘ตัดสินใจเองว่าจะแทรกความเป็นผู้ลงมือของตัวเองเข้าไปในระบบตอนไหน แทนที่จะแค่ส่งเอเจนต์ออกไปทำงาน’ จากนั้นอธิบายให้ชัดว่างานดีและงานไม่ดีหน้าตาเป็นอย่างไร และเฝ้าดูตั้งแต่ช่วงต้นว่าสื่อสารพลาดตรงไหน เพราะ Claude มีเรื่องที่ชอบหมกมุ่นของตัวเอง และจะพุ่งไปทางนั้นถ้าไม่เข้าไปแทรกตั้งแต่เนิ่น ๆ ทักษะผู้จัดการอย่างการระบุความต้องการให้ชัด สร้างวงจรรับฟีดแบ็ก และลดความไม่แน่นอนตลอดโปรเจกต์จึงใช้ได้ตรง ๆ

ส่วนความผิดพลาดที่ใหญ่ที่สุดคือการไว้ใจเอเจนต์มากเกินไป ปัญหานี้ยิ่งหนักเพราะหน้าจอที่ใช้ทำงานกับ AI กำลังเอียงไปทางระบบอัตโนมัติ (Automation) มากกว่าการเสริมศักยภาพคน (Augmentation) ทั้งการซ่อนกระบวนการคิดของโมเดล (Chain of Thought) จนแม้แต่บทสรุปก็ไม่แสดงแล้ว เพื่อให้รู้สึกเหมือนเวทมนตร์ ซึ่ง Ethan Mollick มองว่าเป็นหายนะของการมีมนุษย์อยู่ในวงจร ผู้จัดการไม่ได้อยู่ในวงจรตลอดเวลาอยู่แล้ว แต่มอบหมายงานแล้วให้คนกลับมารายงาน จึงต้องสร้างจุดบังคับให้ AI กลับมารายงานเช่นกัน ไม่อย่างนั้น AI จะพยายามเสกเวทมนตร์ให้ ซึ่งไม่ใช่สิ่งที่ต้องการ

ตัวอย่างที่ Ethan Mollick เล่าคือการศึกษาเรื่อง ‘รูปทรงของเรื่องเล่า’ ซึ่งงานวิจัยจำนวนมากชี้ว่าเรื่องเล่ามีรูปทรง เช่น เรื่องแบบขึ้นแล้วตก หรือแบบซินเดอเรลลา และ Ethan Mollick เคยใช้ LLM ยุคแรกหารูปทรงของการพิตช์ธุรกิจที่ดีมาก่อน เมื่อมอบหัวข้อนี้ให้เอเจนต์ Ethan Mollick ให้เอเจนต์เสนอแนวทางหลายแบบ แต่ไม่ให้ลงมือทำแบบที่มันชอบที่สุด จากนั้นให้เขียนแผนแบบที่สั่งนักศึกษา ให้ทำร่างแรกของแนวทางที่ 1 ถึง 4 แล้วเลือกเปรียบเทียบ เช่น ชอบสิ่งที่แนวทางที่ 3 ทำ แต่แนวทางที่ 2 มีจุดเด่นบางอย่าง จะรวมกันอย่างไร หรือถามว่าตรงไหนดูผิดและทำไมถึงผิด วิธีนี้คล้ายการสอนแบบโสเครตีสที่ให้ตัวเองมีจุดตัดสินใจหลายจุด ส่วนงานน่าเบื่ออย่างการคัดเรื่องเล่า 5,000 เรื่องหรือสร้างเครื่องมือจัดหมวดหมู่ความหมาย ก็ปล่อยให้ AI ทำ

นี่คือสารที่ Ethan Mollick อยากสื่อถึงองค์กรอเมริกามากที่สุดในหนังสือเล่มใหม่ โลกที่เน้นระบบอัตโนมัติจะแย่สำหรับทุกคนในหลายแง่ แต่โลกที่ AI เสริมศักยภาพคนคือ ‘ความฝันของการทำงาน’ ที่คนได้ทำเรื่องน่าสนใจ และ AI รับเรื่องน่าเบื่อไปทำ

เมื่อ Marina Mogilko ถามว่าโมเดลใหม่ออกมาเร็วจนต้องรื้อขั้นตอนการทำงานใหม่บ่อยแค่ไหน Ethan Mollick ตอบว่าสิ่งที่เล่าไม่ใช่ขั้นตอนตายตัว แต่เป็นวิธีบริหารแบบเดียวกับที่ใช้กับทีมวิจัยหรือทีมสตาร์ทอัพ ทุกครั้งคือการโต้ตอบที่เรียนรู้จากสิ่งที่ระบบทำ การทำแผนการตลาดหรือวิเคราะห์การเงินล้วนมีการตัดสินใจมากมาย และ ‘เราไม่อยากให้ AI เป็นคนตัดสินใจเหล่านั้น แม้มันจะตัดสินใจได้ดีก็ตาม’ ถ้าไม่แทรกตัวเองเข้าไป ผลงานก็เป็นแค่ของ Claude ที่ใครใช้การตั้งค่าเดียวกันก็ได้ผลลัพธ์เดียวกัน

อยากโยนงานจุกจิกให้ AI ทั้งหมด แต่ความไว้ใจต้องสร้างทีละขั้น

การยืนยันจะแทรกตัวเองเข้าไปในงานสำคัญไม่ได้แปลว่า Ethan Mollick ปฏิเสธการยกงานให้ AI เพราะงานที่ยกให้อย่างเต็มใจคือการตรวจข้อเท็จจริง ซึ่ง AI เก่งจนกำลังสร้างวิกฤตแบบใหม่ ในหนังสือเล่มล่าสุด นอกจากจะมีผู้ตรวจข้อเท็จจริงที่เป็นคนแล้ว AI ยังพบทั้งข้อผิดพลาดของ Ethan Mollick เอง และบ่อยกว่านั้นคือข้อผิดพลาดในแหล่งที่อ้างอิง เช่น ตารางที่ 2 ในงานวิชาการที่ซับซ้อนมีจุดผิด หรือข่าวของ AP ที่ระบุเมืองที่เกิดเหตุผิด ระบบแก้ไขข้อผิดพลาดในวงการวิทยาศาสตร์แบบเดิมจึงเริ่มไม่สมเหตุสมผล Ethan Mollick ซึ่งเคยผ่านการตรวจข้อเท็จจริงของ The New Yorker มาแล้ว ยอมรับว่าการตรวจของ AI ระดับนี้น่าทึ่งมาก

นอกจากนั้นยังมีงานจุกจิกที่ AI ทำได้ดี เช่น แบบฟอร์มโรงเรียนของลูกหรือแบบฟอร์มการฉีดวัคซีน Ethan Mollick บอกว่าอยากลดทักษะตัวเองในงานไร้ประโยชน์ที่เคยต้องเก่ง ทั้งการกรอกฟอร์ม เอกสารกฎหมายบางประเภท และสัญญารักษาความลับ (NDA) แต่ถ้าถามว่าควรให้ AI ทำการอบรมภาคบังคับแทนหรือไม่ คำตอบคือยังไม่ควร

แต่การยกงานก็ต้องมีเส้นแบ่ง Ethan Mollick ใช้ผู้ช่วย AI ชื่อ Dot และตั้งงานตามกำหนดเวลาใน Codex ให้สรุปความเคลื่อนไหววันละหลายรอบ แต่จะไม่ส่งข้อความที่ AI ร่างให้คนที่มีความผูกพันด้วย ส่วนข้อความปฏิเสธอย่างสุภาพถึงคนที่ถามเรื่องคลาสโดยยังไม่ได้เป็นนักศึกษา ก็ให้ AI ร่างได้ ถึงอย่างนั้นก็เคยมีครั้งที่ AI ส่งอีเมลถึงคณบดีเองทั้งที่ไม่ได้ตั้งใจให้ส่ง

เพราะฉะนั้น Ethan Mollick จึงมองว่าต้องสร้างความไว้ใจกับ AI แบบเดียวกับคน ใช้กับงานเสี่ยงต่ำก่อนงานเสี่ยงสูง และค่อย ๆ ปรับคำสั่งระบบ (System Prompt) ของงานอัตโนมัติให้ดีขึ้น ผู้ช่วยที่ ‘เหมือนเวทมนตร์’ จึงน่ากังวล เพราะไม่รู้ว่าคำสั่งระบบเป็นอย่างไร และไม่มีที่ให้ปรับว่าควรทำงานเชิงรุกแค่ไหน ความกังวลจึงไม่ได้อยู่ที่ AI ทำงานแทน แต่อยู่ที่การถูกตัดออกจากกระบวนการสร้างความไว้ใจ

ความไว้ใจนี้ยังถูกรีเซ็ตบ่อยด้วย เมื่อโมเดลตระกูลเดียวกันให้ความรู้สึกคล้ายกัน แต่พอโมเดลรุ่นใหม่ที่ฝึกต่างออกไปมา ก็ต้องเริ่มไว้ใจกันใหม่ ระดับองค์กรยิ่งหนัก เพราะถูกบังคับอัปเดตทุกอย่าง บางแห่งเพิ่งอบรมพนักงาน 500 คน แล้วเครื่องมือก็อัปเดตข้ามคืนจนชื่อเรียกเปลี่ยนไปหมด Ethan Mollick เปรียบว่า AI เป็นผู้ช่วยส่วนตัวที่ใกล้ชิดที่สุด แต่กลับถูก ‘ผ่าตัดสมองทุกวันโดยไม่บอกล่วงหน้า’

ความอยากรู้ช่วยให้ไปต่อ และโจทย์ที่ AI ยังทำไม่ได้คือเข็มทิศ

แล้วองค์กรควรรับมืออย่างไร Ethan Mollick ชี้ว่า LLM มีประสิทธิภาพสูงเกินคาดจนข้อบกพร่องแทบทั้งหมดได้รับการให้อภัย และมนุษย์ปรับตัวได้ดีกว่าที่คิด หากใครทำนายก่อนโควิดว่าทุกองค์กรจะต้องออกจากออฟฟิศโดยไม่มีการเตือนและไม่ได้กลับไปนานปีครึ่ง คงคาดว่าบริษัทราว 20% จะล้ม แต่เท่าที่ Ethan Mollick ทราบ ไม่มีบริษัทใดใน 5,000 บริษัทใหญ่ที่สุดของสหรัฐฯ ล้มเพราะโควิดเลย ระบบที่สร้างไว้สำหรับยามปกติกำลังพัง แต่คนส่วนใหญ่ทนทานกว่าที่คิด แม้ไม่ใช่ทุกคนหรือทุกองค์กรก็ตาม

สำหรับคนที่รู้สึกหงุดหงิดที่กระบวนการเปลี่ยนตลอดเวลา Ethan Mollick แนะให้มีความตื่นเต้นและความอยากรู้ไว้บ้าง และยอมรับว่าการรู้สึกกังวล ไม่พอใจ หรือรู้สึกว่าตัวเองไม่เก่งจริง (Imposter Syndrome) เป็นเรื่องปกติ เพราะทุกคนรวมถึงคนในห้องแล็บ AI เองก็กำลังคิดหาทางไปพร้อมกัน วิธีที่ Ethan Mollick ใช้คือโฟกัสที่สิ่งที่ทำได้มากขึ้น ด้วยความสนุกและการทดลอง เมื่อคุยกับอาจารย์มหาวิทยาลัย ครึ่งหนึ่งอยากลาออก อีกครึ่งมองว่าเป็นช่วงที่น่าตื่นเต้นที่สุดในชีวิตการทำงาน ซึ่งผู้บริหารและผู้ประกอบการก็แบ่งเป็นสองฝั่งแบบนี้เช่นกัน

อีกบทเรียนคืออย่ายึดติดกับปัญหาของวันนี้แล้วคิดว่าจะอยู่ตลอดไป Ethan Mollick ยกตัวอย่างว่าเคยมีคนคิดว่าต้องสร้าง AI กฎหมายเฉพาะทางเพื่อตรวจ NDA แต่สุดท้ายสิ่งที่แก้ปัญหาได้คือโมเดลที่เก่งขึ้น จึงต้องปรับตัวไปพร้อมกับการเติบโตแบบทวีคูณ และตั้งเป้าให้ทะเยอทะยานขึ้นเรื่อย ๆ โดยมี ‘มาตรวัดส่วนตัวที่ AI ยังทำไม่ผ่าน’ ไว้อย่างน้อยสองสามข้อ

มาตรวัดของ Ethan Mollick คือการให้ AI เขียนงานวิชาการที่มีรสนิยมสูงตั้งแต่ศูนย์ ซึ่งตอนนี้ได้แค่งานที่ถูกต้องและเขียนดี แต่ไม่น่าสนใจและไม่ได้บอกอะไรใหม่ การสร้างสตาร์ทอัพจริงจากไอเดียด้วยการสั่ง AI ให้ลงมือทำทั้งหมดก็ยังทำไม่ได้ เช่นเดียวกับการพัฒนาเกมตั้งแต่ศูนย์ และการเขียนเรื่องที่สอดคล้องกันจนอยากอ่านจริง ทั้งหมดนี้เคยฟังดูเพ้อฝันเมื่อสองปีก่อน แต่ตอนนี้ใกล้ความจริงแล้ว

คำถามสุดท้ายจึงเป็นว่า ถ้า AI เรียนรู้รสนิยมได้จะเกิดอะไรขึ้น Ethan Mollick มองว่าความขรุขระของ AI ถูกประเมินต่ำไปตลอด และธรรมชาติของรสนิยมก็ถูกประเมินต่ำไปเช่นกัน เพราะเมื่อพูดถึงรสนิยม เราหมายถึงรสนิยมของแต่ละคน ขณะที่ระบบ AI จะยังมีความเหมือนกันบางอย่างในอนาคตอันใกล้ จนคนส่วนใหญ่เริ่มเบื่อ ทั้งไอเดียแบบ Claude และเว็บไซต์แบบ Claude แต่ถ้าเติมรสนิยมของตัวเองเข้าไป ก็จะได้งานที่น่าทึ่ง ส่วนถ้าวันหนึ่งความขรุขระหายไป Ethan Mollick ยอมรับตรง ๆ ว่ายังไม่มีคำตอบ

ตราบใดที่วันนั้นยังมาไม่ถึง ร่างแรกที่พิมพ์เองจึงยังเป็นพื้นที่ที่ Ethan Mollick ไม่ยอมยกให้ AI

ที่มา: Silicon Valley Girl (YouTube)