สรุป Keynote จาก Andrew Ng: 'Execution Speed' คือหัวใจสำคัญ พาสตาร์ทอัพ AI สู่ความสำเร็จในยุคที่ทุกอย่างเปลี่ยนเร็ว

ในงาน Startup School, Andrew Ng ผู้ร่วมก่อตั้ง Coursera และเป็นหนึ่งในผู้ทรงอิทธิพลที่สุดในวงการ AI ได้มาแชร์บทเรียนจากการสร้างสตาร์ทอัพที่ AI Fund ซึ่งเป็น Venture Studio ที่สร้างสตาร์ทอัพเฉลี่ยเดือนละหนึ่งบริษัท เขาเน้นย้ำว่าในยุคที่เทคโนโลยี AI เปลี่ยนแปลงทุก 2-3 เดือน "ความเร็วในการลงมือทำ (Execution Speed)" คือตัวแปรที่สำคัญที่สุดที่จะชี้วัดโอกาสความสำเร็จของสตาร์ทอัพ

โอกาสที่ยิ่งใหญ่ที่สุดของ AI อยู่ที่ไหน?

หลายคนมักตื่นเต้นกับเทคโนโลยีในระดับโครงสร้างพื้นฐาน แต่ Andrew ชี้ให้เห็นภาพของ AI Stack เพื่อบอกว่าโอกาสทางธุรกิจที่ใหญ่ที่สุดซ่อนอยู่ที่ไหน:

1. Semiconductors: บริษัทผู้ผลิตชิป
2. Cloud / Hyperscalers: ผู้ให้บริการคลาวด์
3. Foundation Models: บริษัทผู้สร้างโมเดลภาษาขนาดใหญ่ (LLMs)
4. Application Layer: แอปพลิเคชันที่นำ AI ไปใช้งานจริง

Andrew ยืนยันว่า "โอกาสที่ใหญ่ที่สุดโดยนิยามแล้วต้องอยู่ที่ Application Layer" เพราะเลเยอร์นี้คือส่วนที่สร้างรายได้เพื่อนำไปจ่ายให้กับเลเยอร์อื่นๆ ที่อยู่ข้างใต้ทั้งหมด แม้สื่อจะไม่ค่อยพูดถึง แต่สำหรับผู้ที่อยากสร้างสตาร์ทอัพ นี่คือสมรภูมิที่ใหญ่และมีมูลค่าสูงสุด

เทรนด์ที่สำคัญที่สุด: Agentic AI

Andrew ฟันธงว่าเทรนด์เทคโนโลยี AI ที่สำคัญที่สุดในรอบปีที่ผ่านมาคือ Agentic AI ซึ่งเปลี่ยนวิธีการทำงานของ AI ไปอย่างสิ้นเชิง

• แบบเดิม: เรา Prompt แล้ว AI ก็สร้างผลลัพธ์ออกมาในครั้งเดียว เหมือนการเขียนเรียงความตั้งแต่คำแรกถึงคำสุดท้ายโดยไม่กด Backspace เลย
• แบบ Agentic AI: เราสั่งให้ AI ทำงานเป็นขั้นตอนและวนลูปได้ เช่น:
  • เขียนโครงร่าง (Outline)
  • ค้นคว้าข้อมูลจากเว็บ (Web Research)
  • เขียนร่างแรก (First Draft)
  • อ่านและวิจารณ์ร่างของตัวเอง (Critique)
  • แก้ไขและปรับปรุง (Revise)

กระบวนการนี้แม้จะช้ากว่า แต่ผลลัพธ์ที่ได้มีคุณภาพสูงกว่าอย่างมหาศาล และนี่คือสิ่งที่ทำให้โปรเจกต์ยากๆ ตั้งแต่การวิเคราะห์เอกสารกฎหมายไปจนถึงการวินิจฉัยทางการแพทย์ "เวิร์ค" แทนที่จะ "ไม่เวิร์ค" การมาของ Agentic AI ได้สร้างเลเยอร์ใหม่ขึ้นมาใน Stack ที่เรียกว่า Agentic Orchestration Layer ซึ่งช่วยให้นักพัฒนาสร้างแอปพลิเคชันได้ง่ายขึ้นไปอีก

4 แนวทางปฏิบัติสู่ความเร็วสูงสุด (Best Practices for Speed)

เพื่อเพิ่มความเร็วและโอกาสสำเร็จ Andrew ได้แชร์ 4 แนวทางปฏิบัติที่ AI Fund ใช้เป็นประจำ

1. เริ่มต้นด้วย 'ไอเดียที่จับต้องได้' (Concrete Ideas)

ความเร็วเริ่มต้นที่ไอเดียที่ชัดเจนพอที่ทีมวิศวกรจะลงมือสร้างได้ทันที

• ไอเดียที่คลุมเครือ (Vague Idea): "มาใช้ AI เพิ่มประสิทธิภาพสินทรัพย์ในโรงพยาบาลกันเถอะ" -> ไอเดียแบบนี้ใครๆ ก็บอกว่าดี แต่ไม่มีใครรู้ว่าต้องสร้างอะไร ทำให้เสียเวลา
• ไอเดียที่จับต้องได้ (Concrete Idea): "มาสร้างซอฟต์แวร์ให้โรงพยาบาลเปิดให้คนไข้จองคิวเครื่อง MRI ออนไลน์เพื่อเพิ่มอัตราการใช้งานกันเถอะ" -> ไอเดียนี้ชัดเจน สร้างได้ทันที ถ้าดีก็รู้เร็ว ถ้าไม่ดีก็รู้เร็วเช่นกัน

Andrew ย้ำว่า "ความชัดเจนซื้อความเร็ว (Concreteness buys you speed)" และไอเดียที่ดีมักมาจาก Subject Matter Expert ที่คลุกคลีกับปัญหานั้นมานาน จนเกิดเป็น "สัญชาตญาณ (Gut feeling)" ที่ช่วยให้ตัดสินใจได้อย่างรวดเร็วและแม่นยำ ซึ่งบ่อยครั้งเร็วกว่าการรอเก็บข้อมูลเสียอีก

สตาร์ทอัพควรโฟกัสที่ สมมติฐานที่ชัดเจนเพียงหนึ่งเดียว ในแต่ละช่วงเวลา ทุ่มเทกับมันให้เต็มที่ ถ้าข้อมูลบอกว่ามันผิด ก็แค่ Pivot ไปยังไอเดียใหม่ที่จับต้องได้ แล้วทุ่มเทกับมันให้เท่าเดิม

2. เร่งสปีด Engineering ด้วย AI Coding Assistants

วงจรการพัฒนาผลิตภัณฑ์คือ สร้าง (Build) -> รับฟีดแบ็ก (Feedback) -> กลับไปสร้างใหม่ วนไปเรื่อยๆ จนกว่าจะเจอ Product-Market Fit และตอนนี้ AI Coding Assistants ได้เข้ามาเปลี่ยนเกมโดยสิ้นเชิง

• สำหรับ Production Code: AI ช่วยให้เขียนโค้ดเร็วขึ้น 30-50%
• สำหรับ Quick Prototype: AI ช่วยให้สร้างเร็วขึ้น 10 เท่า หรือมากกว่านั้น!

เหตุผลเพราะการสร้าง Prototype ไม่ต้องกังวลเรื่อง Integration, Scalability หรือแม้กระทั่ง Security ในช่วงแรก Andrew ถึงกับบอกทีมว่า "เขียนโค้ดที่ไม่ต้องปลอดภัยไปก่อนเลยก็ได้" ตราบใดที่มันยังรันอยู่บนแล็ปท็อปของคุณเอง (แต่ต้องทำให้ปลอดภัยก่อนส่งให้คนอื่นใช้)

ด้วยความเร็วระดับนี้ ทำให้การตัดสินใจเรื่องสถาปัตยกรรมซอฟต์แวร์ที่เคยเป็น "ประตูเที่ยวเดียว (One-way door)"กลายเป็น "ประตูสองทาง (Two-way door)" มากขึ้น การรื้อโค้ดทั้งหมดแล้วสร้างใหม่ในหนึ่งเดือนไม่ใช่เรื่องแปลกอีกต่อไป และที่สำคัญ เขาเชื่อว่า "ทุกคนควรเรียนเขียนโค้ด" ไม่ใช่เพื่อให้เขียนเองทั้งหมด แต่เพื่อให้สามารถสั่งและควบคุม AI ให้สร้างสิ่งที่ต้องการได้อย่างแม่นยำ เหมือนกับคนที่รู้ประวัติศาสตร์ศิลปะสามารถ Prompt Midjourney สร้างภาพได้ดีกว่าคนที่ไม่รู้นั่นเอง

3. เมื่อ Product Management กลายเป็นคอขวด

เมื่อวิศวกรทำงานเร็วขึ้นมหาศาล คอขวดใหม่จึงเกิดขึ้นที่ Product Management ซึ่งก็คือกระบวนการหาฟีดแบ็กจากผู้ใช้และตัดสินใจว่าจะสร้างฟีเจอร์อะไรต่อไป

• อัตราส่วน Product Management Engineer กำลังเปลี่ยนไป: ในอดีตอาจจะเป็น 1 Product Management ต่อ 4-7 Engineers แต่ล่าสุดมีทีมหนึ่งเสนอ Andrew ว่าขออัตราส่วน 1 PM ต่อ 0.5 Engineer (ใช้ PM มากกว่า Engineer ถึง 2 เท่า!) ซึ่งเป็นสัญญาณที่น่าสนใจมาก
• Product Management ที่เขียนโค้ดได้ หรือ Engineer ที่มีสัญชาตญาณด้านผลิตภัณฑ์ จะเป็นที่ต้องการอย่างสูง

Andrew ได้แชร์กลยุทธ์การหาฟีดแบ็กเรียงตามความเร็ว:

1. เร็วที่สุด: ดูโปรดักต์ด้วยตัวเองแล้วใช้สัญชาตญาณ (ถ้าคุณคือผู้เชี่ยวชาญ)
2. เร็วขึ้นมาหน่อย: ถามเพื่อนหรือเพื่อนร่วมทีม 3 คน
3. ช้าลงนิดหน่อย: เดินไปคุยกับคนแปลกหน้า 3-10 คนในร้านกาแฟหรือล็อบบี้โรงแรม (Andrew บอกว่านี่เป็นทักษะที่สำคัญมากของผู้ประกอบการ)
4. ช้ากว่า: ส่ง Prototype ให้ผู้ทดสอบ 100 คน
5. ช้าที่สุด: ทำ A/B Testing

4. ความเข้าใจใน AI คือความได้เปรียบด้านความเร็ว

ความรู้เรื่อง AI ยังไม่แพร่หลายเหมือนความรู้เรื่องแอปมือถือ ดังนั้นทีมที่เข้าใจ AI อย่างลึกซึ้งจึงมีความได้เปรียบอย่างมาก การตัดสินใจทางเทคนิคที่ถูกต้อง เช่น จะใช้ Prompting หรือ Fine-tuning, จะใช้ Agentic Workflow หรือไม่ สามารถประหยัดเวลาจาก 3 เดือนให้เหลือแค่ไม่กี่วันได้

Andrew เปรียบเทียบเครื่องมือและเทคนิคต่างๆ ของ AI เหมือน "ตัวต่อเลโก้ (LEGO Bricks)" ยิ่งคุณรู้จักและมีตัวต่อหลากหลายรูปแบบ (Prompting, RAG, Fine-tuning, Guardrails, etc.) คุณก็จะสามารถผสมผสานและสร้างสรรค์แอปพลิเคชันที่ซับซ้อนและไม่เคยมีใครทำได้มาก่อน ออกมาได้แบบทวีคูณ

Q&A: สรุปประเด็นน่าสนใจท้าย Session

• Hype ที่ต้องระวัง: Andrew มองว่าเรื่องเล่าอย่าง "AI จะทำให้มนุษย์สูญพันธุ์" หรือ "AI ต้องการพลังงานนิวเคลียร์เท่านั้น" เป็นเรื่องที่ถูกปั่นกระแสเกินจริงเพื่อผลประโยชน์ของบางบริษัท
• Moat หรือ Product ที่คนรัก?: สำหรับสตาร์ทอัพในระยะเริ่มต้น สิ่งที่สำคัญที่สุดคือ "การสร้างโปรดักต์ที่ผู้ใช้รัก"ส่วนเรื่อง Moat (ความได้เปรียบในการแข่งขัน) ค่อยคิดทีหลังได้
• ความรับผิดชอบของคนสร้าง AI: เขาแนะนำให้ "Move fast and be responsible" (ไปให้เร็วและรับผิดชอบ) และให้ถามใจตัวเองว่าสิ่งที่คุณสร้างจะทำให้ชีวิตคนดีขึ้นจริงหรือไม่ ถ้าไม่ ก็อย่าทำ แม้ว่ามันจะทำเงินได้ก็ตาม
• ภัยคุกคามที่น่ากลัวที่สุด: ไม่ใช่ตัว AI เอง แต่คือ "ความพยายามออกกฎระเบียบที่เข้มงวดเกินไปเพื่อกีดกัน Open Source" จากบริษัทใหญ่ที่ต้องการเป็นผู้คุมประตู (Gatekeeper) ซึ่งจะทำลายนวัตกรรมและทำให้ความรู้ไม่ถูกกระจายออกไป การต่อสู้เพื่อปกป้อง Open Source จึงเป็นเรื่องสำคัญอย่างยิ่ง

Andrew Ng มองว่ายุคนี้คือยุคแห่งโอกาสมหาศาลสำหรับผู้ที่เข้าใจและเคลื่อนไหวได้เร็ว สตาร์ทอัพที่สามารถนำแนวคิดเรื่อง Speed, Concrete Ideas, และ Agentic AI ไปปรับใช้ จะมีความพร้อมที่สุดในการคว้าชัยชนะในโลกที่ขับเคลื่อนด้วยปัญญาประดิษฐ์

ฟัง Session ได้ที่: Andrew Ng: Building Faster with AI