สรุปจากคลิป ดูคลิปต้นฉบับ

AI Engineering คือ New Application Layer ที่ธุรกิจควรรีบเข้าใจ

คำถามที่หลายธุรกิจยังถามกันอยู่คือ AI จะมาแทนคนหรือไม่ แต่คำถามที่สำคัญกว่าคือ ถ้า AI กลายเป็นทั้ง “ผู้สร้างซอฟต์แวร์” และ “ผู้ใช้ซอฟต์แวร์” พร้อมกัน ธุรกิจควรออกแบบงาน ระบบ และการตัดสินใจใหม่อย่างไร

ประเด็นนี้ถูกอธิบายไว้อย่างคมมากในคลิป The New Application Layer - Malte Ubl, CTO Vercel จากช่อง AI Engineer โดย Malte Ubl เสนอภาพใหญ่ที่น่าสนใจว่า AI engineering กำลังเดินตามรอย web development ในฐานะงานกระแสหลักของทศวรรษถัดไป และคนที่สร้างมูลค่าจริงอาจไม่ใช่แล็บที่ฝึก model แต่เป็นคนที่สร้าง “ชั้นแอปพลิเคชัน” บน model เหล่านั้น

มุมที่น่าสนใจคือแนวคิดนี้ไม่ได้สำคัญแค่กับ developer แต่สำคัญกับเจ้าของธุรกิจโดยตรง เพราะถ้าโลกกำลังขยับจากการ “ซื้อซอฟต์แวร์สำเร็จรูป” ไปสู่การ “สร้าง workflow เฉพาะของตัวเองด้วย AI” เกมการแข่งขันจะไม่เหมือนเดิมอีกต่อไป

สารบัญ

• Step 1: เริ่มจากความเข้าใจใหม่ว่า AI engineering ไม่ใช่กระแส แต่เป็นงานหลักของยุคถัดไป
• Step 2: มองให้เห็นว่าทำไมระยะถัดไปจะมีซอฟต์แวร์มากขึ้น ไม่ได้น้อยลง
• Step 3: เลือก use case ที่ง่ายและได้ผลก่อน แทนที่จะฝันถึง agent ที่ฉลาดเกินจริง
• Step 4: ปรับมุมคิดใหม่ว่า agent จะไม่ได้แค่สร้างซอฟต์แวร์ แต่จะเป็น “ผู้ใช้ซอฟต์แวร์” ด้วย
• Step 5: อย่ามองข้ามเรื่องโครงสร้างพื้นฐานและความปลอดภัย
• Step 6: เข้าใจว่า value ระยะยาวจะอยู่ที่ application layer มากกว่า model
• Step 7: แปลแนวคิดนี้ให้เป็นแผนสำหรับธุรกิจไทย
• Step 8: Actionable Insights สำหรับเจ้าของธุรกิจและคนทำงาน
• Step 9: Troubleshooting ปัญหาที่มักเจอเมื่อลองเอา AI ไปใช้จริง
• Step 10: การต่อยอดที่น่าลองต่อจากแนวคิดในคลิป
• Step 11: สรุป Checklist ทั้งหมด

Step 1: เริ่มจากความเข้าใจใหม่ว่า AI engineering ไม่ใช่กระแส แต่เป็นงานหลักของยุคถัดไป

Malte มองว่า AI engineering คือผู้สืบทอดโดยตรงของ web development นี่ไม่ใช่คำพูดเพื่อสร้างความตื่นเต้น แต่เป็นการชี้ว่า ตอนนี้เรากำลังเจอแรงสั่นสะเทือน 2 ชั้นพร้อมกัน คือ

• วิธีสร้างซอฟต์แวร์เปลี่ยนไป เพราะเราใช้ AI มาช่วยสร้าง
• สิ่งที่เราสร้างก็เปลี่ยนไป เพราะตัวซอฟต์แวร์เองกลายเป็น AI agent

ถ้ามองจากมุมธุรกิจ นี่แปลว่าเราไม่ได้แค่ซื้อเครื่องมือใหม่ แต่กำลังเปลี่ยนวิธีทำงานทั้งองค์กร ตั้งแต่ support, sales, operations ไปจนถึง internal workflow

จุดนี้น่าสนใจมากสำหรับธุรกิจไทย เพราะหลายองค์กรยังคิดว่า AI เท่ากับ chatbot หรือเท่ากับช่วยเขียนคอนเทนต์ แต่แก่นที่ใหญ่กว่านั้นคือ AI ทำให้ “งานที่เคยไม่คุ้มจะทำเป็นระบบ” เริ่มคุ้มขึ้นมา

Step 2: มองให้เห็นว่าทำไมระยะถัดไปจะมีซอฟต์แวร์มากขึ้น ไม่ได้น้อยลง

หนึ่งในไอเดียที่ดีที่สุดของคลิปนี้คือการอธิบายว่า ที่ผ่านมาโลกมี “ซอฟต์แวร์ที่ควรมีอยู่” มากกว่าที่เราสร้างได้จริง เพราะการทำระบบแบบเดิมแพงเกินไป ต้องนิยามเงื่อนไข ต้องเขียนกฎ ต้องแปลงความรู้ธุรกิจเป็นโค้ดทีละส่วน

AI agent เข้ามาทำให้พื้นที่นั้นเริ่มคุ้มทุนขึ้น งานจำนวนมากที่เคยคิดว่า “เอาไว้ก่อน” หรือ “ใช้คนทำไปก่อน” เริ่มกลายเป็นสิ่งที่ทำได้จริงในต้นทุนที่ต่ำลง

นี่สำคัญกับธุรกิจมากกว่าที่คิด เพราะมันทำให้คำถามเดิมระหว่าง ซื้อ SaaS กับ สร้างเอง เปลี่ยนไป หลายบริษัทเริ่มตอบว่า “สร้างเอง” มากขึ้น ไม่ได้แปลว่าซอฟต์แวร์สำเร็จรูปจะหายไป แต่แปลว่าบริษัทจะอยากมีระบบที่เข้ากับวิธีทำงานของตัวเองมากขึ้น

สำหรับธุรกิจไทย ภาพนี้เห็นได้ชัดในงานอย่าง:

• ระบบคัดแยกลูกค้าใหม่จากหลายช่องทาง
• ระบบสรุปเคสบริการลูกค้าจาก LINE, อีเมล, โทรศัพท์
• ระบบช่วยตรวจเอกสารก่อนส่งให้คนอนุมัติ
• ระบบรวมข้อมูลการขายกระจัดกระจายให้ผู้บริหารเห็นภาพเดียวกัน

สิ่งเหล่านี้เคยทำได้ แต่ไม่คุ้มจะทำแบบเดิม ตอนนี้เริ่มคุ้มขึ้นแล้ว

Step 3: เลือก use case ที่ง่ายและได้ผลก่อน แทนที่จะฝันถึง agent ที่ฉลาดเกินจริง

อีกจุดที่ควรหยิบมาคิดต่อคือ คนจำนวนมากมักตื่นเต้นกับ coding agent แล้วเผลอคิดว่า agent จะทำได้ทุกอย่างแบบเดียวกันทันที แต่ในโลกธุรกิจ งานที่ให้ผลตอบแทนเร็วไม่จำเป็นต้องเป็นงานที่ล้ำที่สุด

Malte เสนอ archetype ของ agent ที่ใช้งานได้จริงในองค์กรวันนี้ ซึ่งมีประโยชน์มากสำหรับคนตัดสินใจ เพราะช่วยให้เราไม่เริ่มจากของยากเกินไป

3.1 Agent ที่ทำงานแทนคนได้ตลอด 24 ชั่วโมง

ตัวอย่างชัดสุดคือ support agent หรือ agent หน้างานที่ต้องตอบสนองนอกเวลาทำการ หากธุรกิจมีงานที่ “รอไม่ได้” แต่คนต้องพัก Agent จะเติมช่องว่างนี้ได้ดี

แต่ประเด็นสำคัญไม่ใช่แค่ตอบแทนคนให้เร็วขึ้น แต่คือการทำให้ธุรกิจมีเวลาทำการที่ยาวขึ้นโดยไม่ต้องเพิ่มทีมตามสัดส่วนเดิม

สำหรับธุรกิจไทย use case นี้เข้ากับธุรกิจบริการ, โรงแรม, คลินิก, e-commerce และธุรกิจที่มีลูกค้าทักผ่านแชตจำนวนมาก

3.2 Agent แบบ “ทำการค้นคว้าให้ก่อน แล้วให้คนตัดสินใจ”

นี่อาจเป็นรูปแบบที่นำไปใช้ได้กว้างที่สุด Malte เรียกว่าเป็นงานลักษณะ business event → research → human decision

กล่าวง่ายๆ คือมีเหตุการณ์บางอย่างเกิดขึ้น แล้วคนต้องไปหาข้อมูลเพิ่ม ก่อนจะตัดสินใจทำอะไรบางอย่าง ถ้าเราให้ agent ทำส่วนค้นคว้าแทนได้ workflow เดิมแทบไม่ต้องเปลี่ยน แต่เวลาที่ใช้ลดลงมาก

ตัวอย่างที่ Vercel ใช้จริงคือเมื่อมีคนกดติดต่อฝ่ายขาย ระบบจะมี agent ช่วยแยกก่อนว่านี่คือเคส support หรือ sales ถ้าเป็น lead จริงก็ไปหาข้อมูลบริษัท ดูขนาดองค์กร และส่งต่อให้คนที่เหมาะสม

อีกตัวอย่างคือการรับ abuse report ซึ่งยังต้องให้ผู้เชี่ยวชาญตัดสินใจ แต่ agent ช่วยรวบรวมข้อมูลให้ก่อน

นี่คือ use case ที่ธุรกิจไทยควรสนใจมาก เพราะมันไม่ต้องรื้อระบบทั้งหมด แค่ลดงานซ้ำที่กินเวลา เช่น

• ฝ่ายขายรับ lead แล้ว agent ดึงข้อมูลบริษัทมาให้ก่อน
• ฝ่ายจัดซื้อรับคำขอซื้อแล้ว agent เช็กราคาและประวัติผู้ขายเบื้องต้น
• ฝ่ายบุคคลรับใบสมัครแล้ว agent สรุปจุดเด่นและความเสี่ยงเบื้องต้น
• ทีมการเงินรับคำขอเบิกแล้ว agent ตรวจความครบถ้วนก่อนส่งอนุมัติ

มุมนี้เราเห็นด้วยมาก เพราะลดเวลาได้จริงโดยไม่เพิ่มความเสี่ยงมากนัก เนื่องจากคนยังเป็นผู้ตัดสินใจขั้นสุดท้าย

3.3 Agent ที่เอาข้อมูลที่มีอยู่แล้วออกมาใช้ให้ได้

หลายบริษัทไม่ได้ขาดข้อมูล แต่ขาดความสามารถในการ “หยิบข้อมูลนั้นมาใช้ตอนที่ต้องใช้” ข้อมูลอาจกระจายอยู่ใน Slack, เอกสารประชุม, issue tracker, อีเมล หรือบันทึกการโทร

Malte ชี้ว่าความมหัศจรรย์ของ agent ในบริษัทจำนวนมากคือการเอาข้อมูลที่มีอยู่แล้วมาจัดระเบียบและสรุปให้พร้อมใช้งาน เช่น ทำอัปเดตงานอัตโนมัติ ทำสรุปสิ่งที่ทีมคุยกัน หรือเชื่อมสิ่งที่พูดกับสิ่งที่ควรถูกบันทึกในระบบ

สำหรับองค์กรไทย ปัญหานี้พบหนักมาก โดยเฉพาะบริษัทที่ข้อมูลอยู่ใน LINE กลุ่ม ห้องแชต เอกสาร และหัวคนพร้อมกัน ถ้า AI ช่วยดึงความรู้ที่กระจัดกระจายให้กลับมาใช้งานได้ มูลค่าจะเกิดทันทีแม้ยังไม่ได้สร้างระบบใหม่อะไรเลย

3.4 Agent ที่กำจัดงานน่าเบื่อออกจากงานคน

Malte เสนอคำถามง่ายมากในการหา use case คือ “คนในองค์กรเกลียดอะไรมากที่สุดในงานตัวเอง”

ที่ Vercel ทีม support มี in-house agent ที่ช่วย deflect หรือรับมือเคสได้เองถึงราว 90% ของบางประเภท ผลที่เกิดขึ้นไม่ใช่แค่ลดต้นทุน แต่ทำให้ความพอใจในงานของทีม support สูงขึ้น เพราะคนไม่ต้องจมอยู่กับงานซ้ำๆ อย่างเรื่องบัตรเครดิตถูกปฏิเสธหรือคำถามพื้นฐานเดิมๆ

ตรงนี้เป็นบทเรียนที่ธุรกิจมักมองข้าม เราชอบถามว่า AI จะลด headcount ได้ไหม แต่บางครั้งคำถามที่ดีกว่าคือ AI จะทำให้คนเก่งของเราหมดเวลาไปกับเรื่องจุกจิกน้อยลงได้ไหม

ถ้าองค์กรเริ่มจากการเอางานน่าเบื่อออกก่อน โอกาสที่ทีมจะยอมรับ AI มักสูงกว่าการเริ่มจากการแทนที่คนโดยตรง

Step 4: ปรับมุมคิดใหม่ว่า agent จะไม่ได้แค่สร้างซอฟต์แวร์ แต่จะเป็น “ผู้ใช้ซอฟต์แวร์” ด้วย

นี่คือส่วนที่หลายคนยังไม่ค่อยคิดตามทัน Malte บอกว่าบน web properties ของ Vercel ตอนนี้กว่า 60% ของ page views มาจาก AI agents ไม่ใช่มนุษย์ นี่คือสัญญาณว่าซอฟต์แวร์ในอีก 6-12 เดือนไม่ได้ถูกใช้งานโดยคนอย่างเดียวอีกแล้ว

ผลกระทบคืออะไร

• ระบบต้องใช้งานผ่าน API และ CLI ได้ดี ไม่ใช่มีแต่หน้าจอ
• feature ใหม่ควรถามต่อทันทีว่า agent จะเรียกใช้อย่างไร
• workflow ภายในต้องพร้อมให้ระบบอัตโนมัติเข้ามาทำงานต่อเนื่อง

สำหรับธุรกิจที่ไม่ใช่สายเทคนิค ประเด็นนี้แปลเป็นภาษาง่ายๆ ได้ว่า ถ้าเราจะใช้ AI จริง เราต้องเลิกคิดว่าทุกอย่างต้องจบที่การคลิกบนหน้าจอ ระบบที่ดีในอีก 6-12 เดือนต้องเปิดทางให้เครื่องมืออีกตัวหนึ่งเข้ามาทำงานแทนเราได้

ถ้าธุรกิจไทยกำลังซื้อ platform ใหม่ ลองใช้คำถามนี้เช็กทันที:

• มี API หรือไม่
• ส่งข้อมูลเข้าออกได้ง่ายหรือไม่
• รองรับ automation หรือไม่
• เชื่อมกับ workflow เดิมได้แค่ไหน

ถ้าตอบไม่ได้เลย ระบบนั้นอาจอยู่ยากในโลกที่ agent เป็นผู้ใช้หลักมากขึ้น

Step 5: อย่ามองข้ามเรื่องโครงสร้างพื้นฐานและความปลอดภัย

คลิปนี้ไม่ได้ขายฝันอย่างเดียว ยังเตือนชัดว่าพอเราให้ agent เขียนโค้ด ใช้เครื่องมือ และเข้าถึงระบบต่างๆ เรากำลังวิ่งเข้าสู่ปัญหาความปลอดภัยก้อนใหม่

Malte เปรียบว่าบรรยากาศคล้ายยุค 1999 ที่ทุกอย่างเหมือนโดนแฮ็กได้ เพราะอุตสาหกรรมยังไม่รู้รูปแบบที่ปลอดภัยพอ

หนึ่งในข้อสังเกตที่น่าสนใจคือ architecture ของ agent หลายตัวในตลาดยังวางผิด โดยเอาส่วนที่ควบคุม agent กับส่วนที่รันโค้ดที่ agent สร้างขึ้นมาอยู่รวมกัน ซึ่งเสี่ยงเกินไป ควรแยก environment ควบคุมออกจาก environment ที่รันงานจริง

จุดนี้มีประโยชน์กับเจ้าของธุรกิจมาก เพราะเตือนว่า AI adoption ไม่ควรเป็นแค่การสมัครเครื่องมือแล้วปล่อยให้พนักงานต่อเข้าระบบจริงทันที เราต้องถามเรื่องสิทธิ์เข้าถึง, sandbox, audit trail และการอนุมัติด้วย

ถ้าองค์กรไทยจะเริ่มใช้ agent กับงานสำคัญ ควรเริ่มแบบนี้:

• ให้ agent อ่านข้อมูลก่อน ไม่ใช่สั่งงานเต็มรูปแบบทันที
• ให้คนอนุมัติก่อน action สำคัญ เช่น ปิดบัญชีลูกค้า ลบข้อมูล หรืออนุมัติการเงิน
• แยก environment ทดลองกับของจริงออกจากกัน
• เก็บ log ว่า agent ทำอะไรไปบ้าง

Step 6: เข้าใจว่า value ระยะยาวจะอยู่ที่ application layer มากกว่า model

ตอนท้าย Malte เสนอภาพระยะถัดไป 2 แบบ แบบแรกคือ model labs ชนะทุกอย่าง AI ยังแพง และมูลค่าหลักไหลไปหาบริษัทที่ถือ model ส่วนคนทำงานกลายเป็นแค่ผู้เอาเทคโนโลยีของเขาไปติดตั้ง

อีกแบบคือ model กลายเป็นของที่ใกล้เคียงกันมากขึ้น ราคาถูกลง และแข่งขันกันหนักขึ้น ถ้าโลกเดินไปทางนี้ มูลค่าจะย้ายขึ้นมาสู่ชั้นแอปพลิเคชัน หรือก็คือคนที่รู้ว่าจะเอา model ไปใช้แก้ปัญหาธุรกิจจริงอย่างไร

Malte เชื่อว่าภาพหลังมีโอกาสเกิดมากกว่า และนี่เป็นมุมที่เราเห็นด้วย เพราะต่อให้ model ไหนเก่งกว่าในบางช่วง สิ่งที่ธุรกิจซื้อจริงไม่ใช่ model แต่คือผลลัพธ์ เช่น ปิดการขายเร็วขึ้น ลดเวลางานหลังบ้านลง หรือช่วยให้ลูกค้าได้คำตอบเร็วขึ้น

ดังนั้นธุรกิจไม่ควรถามแค่ว่า “จะใช้ model ไหน” แต่ควรถามว่า

• workflow ไหนควรเอา AI เข้าไปช่วยก่อน
• ข้อมูลของเราอยู่ตรงไหน
• จุดตัดสินใจไหนยังต้องมีคนกำกับ
• ชั้นแอปพลิเคชันของเราจะต่างจากคู่แข่งอย่างไร

นี่คือเหตุผลว่าทำไมประเทศหรือบริษัทที่ไม่ได้สร้าง foundation model เองก็ยังมีโอกาสสร้างนวัตกรรม AI ได้สูงมาก

Step 7: แปลแนวคิดนี้ให้เป็นแผนสำหรับธุรกิจไทย

ถ้าสรุปให้ชัดที่สุด แนวคิด New Application Layer ไม่ได้บอกว่าเราต้องกลายเป็นบริษัทเทคเต็มตัว แต่บอกว่าเราควรเริ่มสร้าง “ระบบงานเฉพาะของตัวเอง” บน AI แทนการหวังพึ่งเครื่องมือสำเร็จรูปทั้งหมด

สำหรับธุรกิจไทย วิธีคิดที่ใช้ได้จริงคือเริ่มจาก 3 ชั้นนี้

1. ชั้นข้อมูล รู้ก่อนว่าข้อมูลลูกค้า งานขาย งานบริการ และงานภายในอยู่ที่ไหน
2. ชั้น workflow หา step ที่ซ้ำ น่าเบื่อ หรือใช้เวลาค้นคว้าสูง
3. ชั้นการตัดสินใจ แยกให้ออกว่าส่วนไหนให้ AI ช่วยได้ และส่วนไหนคนยังต้องรับผิดชอบ

ถ้าทำ 3 ชั้นนี้ได้ เราจะไม่ได้แค่ “ใช้ AI” แต่เริ่มมี application layer ของตัวเอง ซึ่งเป็นสินทรัพย์ที่เลียนแบบยากกว่าการสมัครเครื่องมือเดียวกัน

Step 8: Actionable Insights สำหรับเจ้าของธุรกิจและคนทำงาน

• เริ่มจากงานค้นคว้าก่อนการตัดสินใจ เพราะเสี่ยงต่ำและเห็นผลเร็ว เช่น คัดแยก lead, สรุปเคส, ตรวจเอกสารเบื้องต้น
• ถามทีมตรงๆ ว่าเกลียดงานส่วนไหนที่สุด งานซ้ำและงานน่าเบื่อมักเป็นจุดเริ่มที่ดีของ AI
• อย่าซื้อเครื่องมือโดยดูแค่หน้าจอ ต้องถามเรื่อง API, automation และการต่อกับระบบเดิม
• วัดผลจากเวลาที่ประหยัดได้และคุณภาพงานที่ดีขึ้น ไม่ใช่วัดแค่จำนวน prompt ที่ใช้
• ออกแบบให้คนยังอยู่ใน loop โดยเฉพาะงานที่เกี่ยวกับเงิน ลูกค้า หรือความเสี่ยงทางกฎหมาย

Step 9: Troubleshooting ปัญหาที่มักเจอเมื่อลองเอา AI ไปใช้จริง

ปัญหา: ใช้ AI แล้วได้คำตอบสวย แต่เอาไปทำงานต่อไม่ได้

สาเหตุ: เริ่มจาก chatbot กว้างๆ โดยไม่ได้ผูกกับ workflow จริง

วิธีแก้: เลือกงานหนึ่งงานที่มี input และ output ชัด เช่น คัดแยก lead หรือสรุปเคส แล้ววัดผลเป็นเวลาและคุณภาพ

ปัญหา: ทีมไม่ค่อยใช้ AI ต่อเนื่องหลังลองช่วงแรก

สาเหตุ: เครื่องมือไม่ได้ช่วยลดงานที่คนรำคาญจริง

วิธีแก้: สำรวจงานซ้ำ งานกรอกข้อมูล งานสรุปงาน แล้วเริ่มจากจุดที่ทีมบ่นมากที่สุด

ปัญหา: AI ตอบผิดเพราะข้อมูลในบริษัทกระจัดกระจาย

สาเหตุ: ข้อมูลอยู่หลายที่และไม่มีแหล่งอ้างอิงที่เชื่อถือได้

วิธีแก้: รวบแหล่งข้อมูลหลักก่อน กำหนดว่าอะไรคือ source of truth แล้วค่อยต่อ AI เข้ามา

ปัญหา: ผู้บริหารกังวลเรื่องความปลอดภัยจนไม่กล้าเริ่ม

สาเหตุ: กลัว AI เข้าถึงข้อมูลหรือสั่งงานผิดพลาด

วิธีแก้: เริ่มจากงานอ่านและสรุปก่อน จำกัดสิทธิ์ แยก sandbox ออกจากระบบจริง และตั้งจุดอนุมัติก่อน action สำคัญ

ปัญหา: ลงทุนกับ AI แล้วไม่เห็น ROI ชัด

สาเหตุ: เลือก use case ใหญ่เกินไปหรือวัดผลไม่เป็น

วิธีแก้: เริ่มจากงานที่มีปริมาณสูง ทำซ้ำบ่อย และมีเวลามาตรฐาน เช่น งานที่ใช้ 15 นาทีต่อเคส ถ้าลดเหลือ 5 นาทีจะเห็นผลทันที

Step 10: การต่อยอดที่น่าลองต่อจากแนวคิดในคลิป

• สร้าง AI layer สำหรับทีมขาย ให้ช่วยคัดแยก lead, สรุปข้อมูลลูกค้า และเตรียม next step ให้เซลส์
• สร้าง AI layer สำหรับงานภายใน เช่น สรุปประชุม อัปเดตสถานะงานอัตโนมัติ และตอบคำถามจากเอกสารบริษัท
• ออกแบบระบบให้ agent ใช้งานได้ตั้งแต่ต้น ทุกครั้งที่ซื้อหรือพัฒนาระบบใหม่ ให้คิดเรื่อง API และ automation ไปพร้อมกัน

Step 11: สรุป Checklist ทั้งหมด

• ☐ เข้าใจให้ชัดว่า AI engineering คือชั้นแอปพลิเคชันใหม่ของธุรกิจ
• ☐ มองหางานที่เคยไม่คุ้มจะทำเป็นระบบ แต่ตอนนี้เริ่มคุ้มด้วย AI
• ☐ เลือก use case ที่ง่ายก่อน เช่น research ก่อน human decision
• ☐ หา workflow ที่ข้อมูลมีอยู่แล้วแต่ยังหยิบมาใช้ไม่สะดวก
• ☐ ถามทีมว่างานส่วนไหนน่าเบื่อและกินเวลามากที่สุด
• ☐ ออกแบบระบบให้ agent ใช้งานผ่าน API หรือ automation ได้
• ☐ วางมาตรการความปลอดภัย แยก sandbox และกำหนดสิทธิ์ให้ชัด
• ☐ ให้คนยังเป็นผู้อนุมัติในงานที่มีความเสี่ยงสูง
• ☐ วัดผลจากเวลาที่ลดลง คุณภาพงาน และความพอใจของทีม
• ☐ คิดระยะยาวว่า value ของธุรกิจจะอยู่ที่ workflow และ application layer ของเราเอง

ถ้าจะสรุปประเด็นทั้งหมดของ The New Application Layer ให้เหลือประโยคเดียว ก็คือ AI ไม่ได้มีมูลค่าเพราะ model ฉลาดขึ้นอย่างเดียว แต่มูลค่าจะเกิดเมื่อเรารู้ว่าจะเอา AI ไปวางตรงไหนของธุรกิจให้เกิดงานที่เร็วขึ้น ฉลาดขึ้น และน่าใช้ขึ้น

สำหรับเจ้าของธุรกิจและคนทำงาน สิ่งที่ควรทำไม่ใช่การเถียงว่า AI จะมาแทนใคร แต่คือการหาให้เจอว่า application layer ขององค์กรเราคืออะไร ใครทำงานอะไรซ้ำๆ ข้อมูลอยู่ตรงไหน และจุดไหนที่ agent ควรเข้ามาช่วยก่อน ถ้าเริ่มถูกจุด เราจะไม่ได้แค่ตามเทรนด์ AI แต่จะเริ่มสร้างความได้เปรียบที่จับต้องได้จากมัน