ข้ามไปบทความ

AI Agents ทำงานแทนเราได้แค่ไหนในธุรกิจจริง

Andrew Wilkinson เล่าวิธีใช้ agents กับงานซัพพอร์ต ฐานความรู้ และ family office บทเรียนอยู่ที่การแบ่งงานและให้คนตรวจ มากกว่าภาพธุรกิจอัตโนมัติเต็มรูปแบบ

โดย Insiderly
video thumbnail for 'AI Agents Do My Job'
ภาพจาก วิดีโอต้นทาง
เผยแพร่:

เรียบเรียงจากบทสนทนา Greg Isenberg กับ Andrew Wilkinson และบทความ VideoToBlog วันที่ 4 พฤษภาคม 2026 ตัวเลขค่า Claude ราว 40,000 ดอลลาร์ต่อเดือน ผลลัพธ์ Deep Personality การแทน Addepar และการแก้ปัญหา P0 เป็นคำบอกเล่าในต้นทาง ไม่ใช่ผลตรวจสอบอิสระหรือคำรับประกัน การรายงานบุคลิกและการวิเคราะห์ข้อมูล Apple Watch ไม่ใช่การวินิจฉัยหรือการประเมินทางคลินิก และไม่ทดแทนผู้เชี่ยวชาญ งานการเงิน การเข้าถึงข้อมูลสำคัญ และการเปลี่ยนโค้ดที่มีผลสูงต้องมีผู้รับผิดชอบตรวจและอนุมัติ ภาพรายงานพอร์ตเป็นส่วนหนึ่งของเดโม ไม่ใช่การยืนยันมูลค่าหรือสถานะบริษัท การใส่เอกสารใน vector database ในบริบทนี้คือการจัดทำดัชนีและค้นคืนข้อมูล ไม่ใช่การฝึกโมเดลใหม่ ต้องตรวจสิทธิ์และความยินยอมก่อนเชื่อมข้อมูลส่วนบุคคลหรือข้อมูลธุรกิจ · วิดีโอต้นทาง · คำอธิบาย vector database และการค้นคืนข้อมูลจาก Pinecone ·

ประเด็นที่น่าสนใจที่สุดเกี่ยวกับ AI ตอนนี้ไม่ใช่แค่ “มันฉลาดขึ้นแค่ไหน” แต่คือ “เราจะเอามันไปแทนงานจริงตรงไหนได้บ้าง” โดยเฉพาะในธุรกิจที่มีงานซ้ำ งานจุกจิก งานประสานงาน และงานที่กินเวลาผู้บริหารแบบไม่รู้ตัว

จากคลิปของ Greg Isenberg ที่คุยกับ Andrew Wilkinson ภาพที่เห็นชัดมากคือ AI ไม่ได้อยู่ในหมวดของของเล่นอีกแล้ว แต่มันเริ่มกลายเป็น “ระบบปฏิบัติการส่วนตัว” สำหรับทั้งงาน ชีวิต สุขภาพ และการตัดสินใจทางธุรกิจ บทความนี้จะสรุปสิ่งที่ Andrew ทำจริง วิเคราะห์ว่ามีอะไรใช้ได้ มีอะไรยังเว่อร์ไป และถ้าเอามาแปลเป็นบริบทธุรกิจไทย เราควรเริ่มตรงไหนก่อน

สารบัญ

Step 1: เข้าใจก่อนว่า AI agents ที่เขาพูดถึง ไม่ใช่แชตบอตธรรมดา

หลายคนยังนึกภาพ AI เป็นแค่หน้าช่องแชตที่เราพิมพ์ถามแล้วมันตอบกลับ แต่สิ่งที่ Andrew ใช้อยู่ไปไกลกว่านั้น เขาใช้เครื่องมืออย่าง Claude Code, OpenClaw และ Harbor เพื่อให้ AI “ลงมือทำงาน” แทน ไม่ใช่แค่ “ช่วยคิด”

ความต่างสำคัญคือ AI agent มีหน้าที่ชัด มีเครื่องมือให้ใช้ และเชื่อมกับระบบอื่นได้ เช่น อีเมล โฆษณา analytics ฐานข้อมูล หรือเอกสารภายในบริษัท เมื่อมีสิ่งเหล่านี้ AI จึงไม่ใช่แค่ผู้ช่วยตอบคำถาม แต่เป็นแรงงานดิจิทัลที่รับงานบางส่วนไปทำต่อได้เอง

Andrew อธิบายภาพนี้ได้ชัดมาก เขาบอกว่าทุกวันนี้ agent ยังไม่ใช่ “CEO อัตโนมัติ” แต่เป็นเหมือน “เด็กฝึกงานอัจฉริยะ” ที่ต้องสอนละเอียดทีละขั้น ว่าต้องเช็กอะไร ตอบแบบไหน คิดอย่างไร และทำงานต่อเมื่อไร

นี่คือจุดที่เจ้าของธุรกิจต้องเข้าใจให้ตรง ถ้าเราคาดหวังว่า AI จะมาแทนคนทั้งทีมทันที เราจะผิดหวังเร็วมาก แต่ถ้าเรามองว่า AI คือระบบที่เอามารับงานซ้ำ งานเอกสาร งานคัดกรอง งานสรุป และงานติดตาม มันเริ่มมีประโยชน์ทันที

หน้า Harbour Jobs แสดงรายการงานตามกำหนดของ agent สำหรับการตลาด การพัฒนา และ support
ภาพจาก วิดีโอต้นทาง

Step 2: เริ่มจากงานที่ “น่าเบื่อแต่จำเป็น” ก่อน ไม่ใช่งานกลยุทธ์

หนึ่งในไอเดียที่คมที่สุดจากคลิปนี้คือ งานที่ถูก AI กินก่อน มักไม่ใช่งานที่คนชอบทำ แต่มันคืองานที่ธุรกิจต้องมี เช่น support, accounting, email triage, การอัปเดตข้อมูล, การติดตามงาน หรือการสรุปรายงาน

Andrew ทดลองแนวคิดนี้ด้วยการสร้าง SaaS ชื่อ Deep Personality แล้วพยายามให้ agent ช่วยรันธุรกิจแทบทั้งหมด ตั้งแต่ development, support ไปจนถึง marketing

สิ่งที่น่าสนใจคือ support agent ของเขาสามารถ:

ในมุมธุรกิจไทย จุดนี้ใช้ได้ทันทีมากกว่าที่คิด เช่น

มุมที่เราควรเห็นต่างกับกระแส hype คือ AI ยังไม่พร้อมแทน “การตัดสินใจปลายเปิด” แบบผู้บริหาร แต่พร้อมมากกับ “งานปิดกรอบ” ที่มีเงื่อนไขชัด

Step 3: ใช้ AI สร้างสินค้าใหม่ได้ แต่ปัญหาจริงคือความน่าเชื่อถือ

Deep Personality เป็นตัวอย่างที่ดีของการใช้ AI สร้าง product เร็วมาก จุดเริ่มต้นของมันไม่ได้มาจากการทำ market research แบบคลาสสิก แต่มาจากเรื่องส่วนตัว Andrew กับแฟนลองทำแบบทดสอบบุคลิกหลายชุด แล้วให้ AI วิเคราะห์ความสัมพันธ์ ผลคือแม่นจนตกใจ เขาเลยต่อยอดเป็นแอป

ตัว product ทำงานแบบนี้:

หน้ารายงาน Deep Personality ของ Deep Personality แสดง archetype “The Blazing Architect” พร้อม superpowers และ kryptonite
ภาพจาก วิดีโอต้นทาง

นี่คือพลังของ AI สำหรับการทำ MVP หรือทดสอบ product idea แบบเร็วมาก แต่ Greg ชี้จุดสำคัญไว้ดีว่า ต่อให้เนื้อหาดูดีแค่ไหน ถ้าไม่มี “credibility layer” คนก็อาจไม่กล้าเชื่อ โดยเฉพาะ product ที่แตะเรื่องจิตวิทยา สุขภาพ การเงิน หรือกฎหมาย

นี่เป็นบทเรียนสำคัญมากสำหรับธุรกิจไทยเช่นกัน หลายทีมทำของออกมาไวด้วย AI แต่ลืมสร้างความน่าเชื่อถือ เช่น

ถ้าเราจะใช้ AI ทำ product ใหม่ โดยเฉพาะที่แตะเรื่องละเอียดอ่อน เราต้องคิดเรื่องความน่าเชื่อถือพอๆ กับความเร็วในการสร้าง

Step 4: ทำให้ AI เก่งขึ้นด้วยการรวมข้อมูลให้อยู่ที่เดียว

หลายองค์กรเริ่มใช้ AI แล้วบ่นว่า “ตอบไม่ตรง” หรือ “ช่วยอะไรไม่ได้มาก” สาเหตุหลักมักไม่ใช่ model ไม่เก่ง แต่เป็นเพราะข้อมูลกระจัดกระจาย

สิ่งที่ Andrew ทำคือรวม data pipeline จากหลายแหล่งเข้าที่เดียว เขาเอา meeting transcript จาก Fireflies, อีเมล, เอกสาร, note และข้อมูลธุรกิจต่างๆ เข้าไปอยู่ในระบบความรู้กลาง แล้วให้ AI ใช้ข้อมูลนี้ในการตอบและตัดสินใจ

เขาใช้เครื่องมือชื่อ G-Brain เป็น personal knowledge base แบบ vector database ซึ่งแนวคิดสำคัญคือ ไม่ต้องให้ AI จำทุกอย่างแบบตรงตัว แต่ให้มันค้นข้อมูลที่เกี่ยวข้องกลับมาใช้ได้อย่างแม่นขึ้น

สำหรับเจ้าของธุรกิจไทย นี่คือโจทย์ที่ใช้ได้จริงมาก:

เมื่อข้อมูลพวกนี้เชื่อมกัน AI จะเริ่มตอบคำถามที่เคยต้องไปถามหลายคน เช่น

หน้าจอรายงานพอร์ตลงทุนสรุปจำนวนและสถานะ Bucket เช่น IN THE MONEY และ BANKRUPT พร้อมตัวเลขมูลค่า
ภาพรายงานจากเดโมในต้นทาง ตัวเลขและการจัดกลุ่มสถานะบริษัทไม่ได้รับการตรวจสอบโดยอิสระ ไม่ใช่ข้อมูลอ้างอิงสำหรับตัดสินใจลงทุน · ภาพจาก วิดีโอต้นทาง

Step 5: ใช้ vector database เพื่อคุยกับธุรกิจเหมือนคุยกับที่ปรึกษา

ส่วนที่ทรงพลังมากในคลิปคือการที่ Andrew เอาข้อมูล family office และบริษัทในเครืออย่าง Tiny ไปฝึกไว้ใน vector database แล้วถามเป็นภาษาคนได้เลย เช่น เขาลงทุน venture ไปกี่ดีล มูลค่าปัจจุบันเท่าไร ดีลไหนเจ๊ง ดีลไหนยังมีมูลค่า

หรือในระดับบริษัท เขาใช้มันมองภาพรวมของหลายธุรกิจพร้อมกัน เพื่อหาว่า:

เขาเปรียบมันเหมือน “ดวงตาที่มองเห็นทั้งอาณาจักร” ซึ่งสะท้อนภาพได้ดี เพราะผู้บริหารส่วนใหญ่ไม่ได้ขาดข้อมูล แต่ขาดวิธีดึง insight จากข้อมูลกองโตให้ทันเวลา

สิ่งนี้มีประโยชน์มากกับธุรกิจไทยที่มีหลายสาขา หลายแบรนด์ หรือหลายทีมย่อย เช่น กลุ่มร้านอาหาร โรงเรียนเอกชน คลินิก ธุรกิจอสังหาฯ หรือ holding company ขนาดกลาง

ข้อจำกัดก็มีชัด เขายอมรับว่า AI ยังตอบผิดเรื่องตัวเลขหรือชื่อคนได้บ้าง ดังนั้นมันยังไม่ใช่แหล่งอ้างอิงสุดท้าย แต่เหมาะมากกับการเป็น “ระบบเตือนภัยและตั้งคำถาม” ก่อนที่คนจะลงไปตรวจลึก

Step 6: เปลี่ยนค่าแรงบางส่วนเป็นค่า AI แต่ต้องรู้ว่ากำลังจ่ายเพื่ออะไร

ช่วงหนึ่งที่น่าคิดมากคือ family office ของ Andrew ไม่ได้เพิ่มคนตามปริมาณงาน แต่เพิ่มค่า Claude bill แทน ตอนนี้เขาพูดถึงค่าใช้งานประมาณ 40,000 ดอลลาร์ต่อเดือน

ถ้าฟังผ่านๆ อาจรู้สึกว่านี่คือของเล่นคนรวย แต่แก่นจริงไม่ใช่ตัวเลข มันคือวิธีคิดใหม่เรื่องต้นทุน

แต่ก่อนเวลาองค์กรโต เรามักเพิ่ม:

ตอนนี้มีอีกทางคือเพิ่มงบ AI เพื่อให้คนเดิมทำงานได้มากขึ้น หรือเลี่ยงการจ้างเพิ่มในบางตำแหน่ง

ตัวอย่างชัดคือ CFO ของเขา ซึ่งไม่ได้มีพื้นฐาน coding มาก่อน แต่สามารถใช้ AI สร้างระบบทดแทน Addepar ซึ่งเป็นซอฟต์แวร์ติดตามพอร์ตการลงทุนราคาแพงได้ภายในไม่กี่สัปดาห์

Portfolio Dashboard แสดงแผนภูมิ Allocation by Asset Class และ Debt Utilization พร้อมการทำงานกับ AI assistant
ภาพ dashboard จากเดโมต้นทาง มีการเบลอตัวเลขบางส่วนไว้แล้ว ไม่ใช่รายงานการลงทุนที่ผ่านการตรวจสอบ · ภาพจาก วิดีโอต้นทาง

บทเรียนสำหรับธุรกิจไทยคือ เราไม่จำเป็นต้องใช้งบระดับนั้น แต่ควรถามใหม่ว่า ทุกครั้งที่คิดจะซื้อ software เพิ่มหรือจ้างคนเพิ่ม มีส่วนไหนสร้างเองได้เร็วขึ้นด้วย AI หรือไม่

คำตอบไม่ใช่ “สร้างทุกอย่างเอง” เพราะนั่นอาจกลายเป็นงานงอก แต่เป็นการประเมินว่า ถ้าของเดิมแพง ใช้ยาก หรือไม่ตรง workflow เรา AI อาจช่วยทำ internal tool ที่พอดีกับงานเรากว่า

Step 7: อย่าหลงคำว่า autonomous company จนลืมความจริง

ในคลิปมีการคุยตรงๆ เรื่องบริษัทที่ขายฝันว่า “ธุรกิจอัตโนมัติเต็มรูปแบบ” แล้วทั้งสองคนก็เห็นคล้ายกันว่า ตอนนี้ยังเร็วเกินไปมากที่จะเชื่อแบบนั้น

Andrew มองว่า AI agents ตอนนี้ใกล้เคียงกับ Zapier ที่ฉลาดขึ้น มันทำงานตาม flow ได้ดีขึ้น ตัดสินใจเล็กๆ ได้บ้าง แต่ยังต้องกำกับอย่างละเอียด

มุมนี้สำคัญมาก เพราะในตลาดไทยก็เริ่มมีการขายฝันคล้ายกัน เช่น ลงระบบครั้งเดียวแล้วทีมไม่ต้องทำอะไร หรือให้ AI ปิดการขายเองทั้งหมด ซึ่งส่วนมากยังเกินจริง

วิธีคิดที่ปลอดภัยกว่าคือแบ่งงานออกเป็น 3 ชั้น:

  1. งานอัตโนมัติได้เลย เช่น จัดหมวดอีเมล สรุปรายงาน ตอบ FAQ

  2. งานที่ AI ช่วยได้ แต่คนต้องอนุมัติ เช่น ร่างข้อเสนอ วางแผนโฆษณา วิเคราะห์ performance

  3. งานที่คนยังต้องนำ เช่น กลยุทธ์ product การจ้างคน การเจรจาดีลสำคัญ

ถ้าเราแยกแบบนี้ เราจะไม่ผิดหวัง และจะลงทุนถูกจุดมากกว่า

Step 8: มองให้ออกว่า software กำลังถูกกดราคา และสิ่งที่มี moat กำลังย้ายตำแหน่ง

อีกประเด็นที่ค่อนข้างแรงคือ Andrew มองว่า software เป็นธุรกิจที่ยากขึ้นเรื่อยๆ เพราะต้นทุนการสร้างลดลงมาก ใครๆ ก็ทำของคล้ายกันได้เร็วขึ้น

นี่ไม่ได้แปลว่า software ตาย แต่แปลว่า moat แบบเดิมอ่อนลง ถ้าเมื่อก่อนข้อได้เปรียบคือมีทีม dev เก่ง มีเงิน มีเวลาพัฒนา ตอนนี้ข้อได้เปรียบนั้นไม่หนาพอแล้ว

สิ่งที่ยังสำคัญจึงกลายเป็น:

จุดนี้โยงกับแนวคิด “services is the new software” ได้ดี เพราะเมื่อ software ถูกลง สิ่งที่ขายได้อาจไม่ใช่ตัวระบบล้วนๆ แต่เป็นการติดตั้ง ปรับให้เข้ากับงานจริง ดูแลต่อ และช่วยตีความผลลัพธ์

ถ้าเอามาใช้กับไทย เราจะเห็นโอกาสในธุรกิจที่มีความเฉพาะทางสูง เช่น software + service สำหรับคลินิกเฉพาะทาง สำนักงานกฎหมาย โรงงานเฉพาะประเภท หรือธุรกิจครอบครัวที่ workflow ไม่เหมือนใคร

Step 9: สร้าง AI เป็นผู้ช่วยส่วนตัวในงานและชีวิต ก่อนค่อยขยายไปทั้งองค์กร

ช่วงท้ายคลิปสนุกมาก เพราะ Andrew เล่าให้เห็นว่า AI ไม่ได้ช่วยแค่งานบริษัท แต่มันเริ่มช่วยบริหารชีวิตประจำวันด้วย

ตัวอย่างที่เขาทำไว้มีหลายอย่าง:

หน้าต่างแชตชื่อ Ava Cole พร้อมช่องข้อความ Message Ava Cole on Telegram โดยเนื้อหาการสนทนาถูกเบลอในต้นทาง
ภาพจาก วิดีโอต้นทาง

ตรงนี้ให้บทเรียนสำคัญว่า การเริ่มใช้ AI ให้คุ้ม ไม่จำเป็นต้องเริ่มจากโปรเจกต์ใหญ่ขององค์กรเสมอไป บางทีเริ่มจาก workflow ส่วนตัวของผู้บริหารก่อนจะเห็นผลเร็วกว่า เช่น

เมื่อผู้บริหารเห็นผลกับตัวเองก่อน การขยายไปสู่ทีมจะง่ายขึ้นมาก

Step 10: ใช้ prompt แบบ “ให้ AI สัมภาษณ์เรา” แทนการสั่งทีเดียว

เทคนิคที่ practical ที่สุดจากคลิปคือเรื่อง prompt Andrew บอกว่าทุกครั้งที่อยากให้ AI ช่วยเรื่องสำคัญ เขาจะไม่ได้เริ่มด้วยคำสั่งยาวๆ แต่จะบอกเป้าหมาย แล้วให้ AI สัมภาษณ์กลับเพื่อเก็บข้อมูลให้พอ

ตัวอย่างเช่น ถ้ากำลังคิดจะซื้ออาคาร เขาจะพิมพ์ประมาณว่า:

นี่คือเป้าหมายของเรา ช่วยสัมภาษณ์เราแบบละเอียด ถามให้เยอะ เพื่อสร้าง prompt ที่ดีที่สุดก่อนค่อยวิเคราะห์

เหตุผลที่วิธีนี้ดีมาก เพราะคนส่วนใหญ่มักให้ข้อมูลไม่พอ แล้วโทษว่า AI ตอบไม่ดี ทั้งที่จริงโจทย์ยังไม่ชัด

สำหรับคนทำงาน วิธีนี้ใช้ได้แทบทุกเคส เช่น

อีกเคล็ดลับของเขาคือให้ AI ใช้ “ทีมย่อย” หลาย agent มาช่วยคิดคนละมุม แล้วค่อยรวมคำตอบ ซึ่งช่วยให้ผลลัพธ์รอบด้านขึ้น

Actionable Insights

Troubleshooting

ปัญหา: AI ตอบเก่งแต่เอาไปใช้จริงไม่ได้
สาเหตุ: โจทย์กว้างเกิน ไม่มีขั้นตอนงานชัด
วิธีแก้: เลือกงานย่อยงานเดียวก่อน ระบุ input, output, คนอนุมัติ และเงื่อนไขให้ชัด

ปัญหา: ทีมรู้สึกว่า AI ทำให้ข้อมูลมั่ว
สาเหตุ: ข้อมูลต้นทางกระจัดกระจาย หรือมีหลายเวอร์ชัน
วิธีแก้: สร้างแหล่งข้อมูลกลางก่อน เช่น โฟลเดอร์เอกสารมาตรฐาน FAQ กลาง และ report ที่ใช้เป็นตัวจริง

ปัญหา: ใช้ AI แล้วงานงอก เพราะต้องคอยแก้ตลอด
สาเหตุ: เริ่มจาก use case ที่ซับซ้อนเกินไป
วิธีแก้: ถอยกลับมาที่งานซ้ำและเสี่ยงต่ำก่อน เช่น สรุปอีเมล คัดแยก ticket หรือเตรียม draft

ปัญหา: ทำ product ใหม่ด้วย AI ได้เร็ว แต่ไม่มีคนเชื่อถือ
สาเหตุ: ขาด credibility layer
วิธีแก้: หา partner ผู้เชี่ยวชาญ แสดงที่มาของ framework และวางขอบเขตการใช้งานให้ชัด

ปัญหา: ผู้บริหารรู้สึกว่า AI ยังไม่คุ้มงบ
สาเหตุ: วัดผลแบบกว้างเกิน เช่น “ช่วยงานได้ไหม”
วิธีแก้: วัดเป็นตัวเลขเฉพาะ เช่น ชั่วโมงที่ลดลง งานที่ไม่ต้องจ้างเพิ่ม หรือรายได้ที่เพิ่มจากการตอบลูกค้าเร็วขึ้น

การต่อยอด

สรุป Checklist ทั้งหมด

สรุปแล้ว คลิปนี้ไม่ได้บอกว่า AI agents จะมายึดธุรกิจทั้งหมดในพรุ่งนี้ แต่กำลังบอกเราว่า ผู้บริหารที่เริ่มออกแบบ workflow ใหม่รอบ AI ตั้งแต่วันนี้ จะได้เปรียบกว่าคนที่ยังมอง AI เป็นแค่เครื่องมือเขียนโพสต์หรือสรุปข้อความ

คำถามที่ควรถามจึงไม่ใช่ “AI จะมาแทนงานเราไหม” แต่คือ “มีงานอะไรบ้างที่เราไม่ควรให้คนทำต่อแล้ว” และถ้าเริ่มตอบคำถามนี้ได้ ธุรกิจจะขยับเร็วขึ้นแบบเห็นภาพมากกว่าการไล่ลอง tool ไปวันๆ

Harbor บน GitHub

คำอธิบายเรื่อง vector database จาก Pinecone

Anthropic

Tiny

Deep Personality

Insiderly

บทความจากกองบรรณาธิการ Insiderly

อ่านบทความทั้งหมด

More in ธุรกิจและการแข่งขัน

See all
ภาพปกวิดีโอต้นทางของ Nate Herk เรื่อง Karpathy และ Anthropic

Karpathy ร่วม Anthropic: ข่าวที่ยืนยันแล้วและคำคาดการณ์เรื่อง context

โดย Insiderly
/
Developer workspace window showing project list, changelog and code area

Rakuten แก้ปัญหาได้เร็วขึ้นสองเท่าด้วย Codex

โดย Insiderly
/
video thumbnail for 'NEW NVIDIA + Adobe AI Update is INSANE! 🔥'

NEW NVIDIA + Adobe AI Update: ระบบเอเจนต์ที่อาจ “แทนทั้งทีมการตลาด” ได้ในไม่กี่ปี

โดย Insiderly
/
ภาพคณะผู้ร่วมอภิปรายในสตูดิโอพูดคุยเรื่อง superintelligence

Sam Altman on Building the Future of AI: ทำไม “ซูเปอร์อินเทลลิเจนซ์” ถึงต้องเริ่มคุยตั้งแต่วันนี้ พร้อมกรอบคิดเรื่องความปลอดภัย ความยืดหยุ่น และการแบ่งปันผลประโยชน์

โดย Insiderly
/

บทความอื่นจาก Insiderly

See all
ภาพปกบทสัมภาษณ์ Will Koh จาก Ramp เรื่อง GPT-5.5

GPT-5.5 กับงานจริง: บทเรียนจาก Will Koh และ Ramp

โดย Insiderly
/
ภาพปกคลิป ChatGPT Images 2.0 พร้อมตัวอย่างภาพจรวด

ChatGPT Images 2.0: ย้อนดูแนวคิดภาพสำหรับงานธุรกิจ

โดย Insiderly
/
ภาพปก The End of Apps ของ Kitze บนเวที AI Engineer Europe

AI Agents กับจุดจบของแอป: บทเรียนจาก Kitze

โดย Insiderly
/
ภาพปกการสนทนา Human Judgment in Agentic Engineering จาก AI Engineer Europe

AI เร่งงานได้ แต่แรงเสียดทานช่วยให้เราตัดสินใจดีขึ้น

โดย Insiderly
/