สรุปจากคลิป ดูคลิปต้นฉบับ

Claude Fable 5 มาแล้ว แต่ Mythos ยังไม่เปิดจริงสำหรับทุกคน

สิ่งที่น่าสนใจเกี่ยวกับการเปิดตัว Claude Fable 5 ครั้งนี้ ไม่ใช่แค่ว่า Anthropic ออก model ใหม่ แต่คือวิธีที่บริษัทค่อยๆ ปล่อยความสามารถระดับสูงออกสู่ตลาดแบบมีชั้นเชิงมากกว่าเดิม คลิปของ Nate Herk | AI Automation จับประเด็นนี้ได้คมมากว่า สิ่งที่หลายคนรอในชื่อ Mythos อาจไม่ได้มาในรูปแบบที่คิด แต่ความสามารถบางส่วนได้ถูกส่งต่อมาผ่าน Fable 5 แล้ว

มุมที่น่าวิเคราะห์สำหรับเจ้าของธุรกิจและคนทำงานคือ เราไม่จำเป็นต้องรอ model ที่แรงที่สุดเสมอไป สิ่งสำคัญกว่าคือ model ไหนเข้าถึงได้ ใช้งานได้จริง คุมต้นทุนได้ และพอจะปรับงานที่กินเวลาเยอะ เช่น งานวิเคราะห์ งานเขียน งานภาพ และงาน workflow ที่ต้องต่อเนื่องหลายขั้น Claude Fable 5 กำลังถูกวางตำแหน่งแบบนั้นพอดี

สารบัญ

• Step 1: แยกให้ออกก่อนว่า Fable 5 กับ Mythos 5 ต่างกันอย่างไร
• Step 2: เข้าใจราคาและช่วงใช้ฟรีให้ชัดก่อนเริ่มลอง
• Step 3: มองให้ออกว่า Mythos-class คือการอัปเกรดเหนือ Opus
• Step 4: อ่าน benchmark ให้เป็น และอย่าเชื่อทั้งหมด
• Step 5: โฟกัส use case ที่คุ้มกับเจ้าของธุรกิจไทย
• Step 6: ระวังเรื่อง agentic loops เพราะแรงขึ้นไม่ได้แปลว่าควรปล่อยยาวตลอด
• Step 7: ใช้ effort levels ให้เหมาะ ไม่ใช่เปิดสุดตลอดเวลา
• Step 8: ประเมินข้อจำกัดด้านความปลอดภัยให้ตรงกับงานของเรา
• Step 9: วางแผนทดลองใช้งาน Fable 5 แบบคนทำธุรกิจ ไม่ใช่แบบนักสะสม model
• Actionable Insights
• Troubleshooting
• การต่อยอด
• สรุป Checklist ทั้งหมด

Step 1: แยกให้ออกก่อนว่า Fable 5 กับ Mythos 5 ต่างกันอย่างไร

หัวใจของข่าวนี้คือมี 2 model ที่ถูกพูดถึงพร้อมกัน ได้แก่ Claude Fable 5 และ Claude Mythos 5 ซึ่งอยู่ในกลุ่มที่เรียกว่า Mythos-class หรือชั้นความสามารถที่สูงกว่า Opus

แต่ประเด็นสำคัญคือ ทั้งสองตัวไม่ได้เปิดให้ใช้เท่ากัน

• Fable 5 เปิดให้ใช้งานวงกว้างกว่า
• Mythos 5 ยังจำกัดเฉพาะพาร์ตเนอร์ในโครงการ Glasswing
• ทั้งคู่มีฐานความสามารถใกล้กัน แต่เวอร์ชัน Mythos มีการปลดข้อจำกัดด้าน cybersecurity สำหรับกลุ่มที่ได้รับสิทธิ์

นี่ทำให้เห็นภาพชัดว่า Anthropic ไม่ได้กดปุ่มปล่อยของเต็มมือให้ตลาดทั่วไปในทันที แต่เลือกปล่อยเวอร์ชันที่ผ่านการคุมความเสี่ยงมาก่อน ซึ่งก็สมเหตุสมผล เพราะ model ที่เก่งด้าน code และ reasoning มากขึ้น มักมีความสามารถด้าน cyber ที่แรงขึ้นตามไปด้วย

ถ้ามองในภาษาธุรกิจ Fable 5 คือสินค้าที่พร้อมขายในตลาดกว้าง ส่วน Mythos 5 คือเวอร์ชันที่ยังอยู่ในโหมดควบคุมการเข้าถึงสำหรับงานที่อ่อนไหว

Step 2: เข้าใจราคาและช่วงใช้ฟรีให้ชัดก่อนเริ่มลอง

Fable 5 และ Mythos 5 ถูกตั้งราคาไว้ที่ 10 ดอลลาร์ต่อ 1 ล้าน input tokens และ 50 ดอลลาร์ต่อ 1 ล้าน output tokens ซึ่งแพงกว่า Opus ราว 2 เท่า

ถ้าฟังแค่ตัวเลข หลายคนอาจรู้สึกว่าแรงเกินไป แต่ประเด็นที่ Nate ชี้ไว้น่าสนใจมาก คือถ้าความสามารถดีขึ้นจริงในงานที่กินเวลาคนเป็นชั่วโมงหรือเป็นวัน ต้นทุน token อาจยังถูกกว่าค่าแรงและเวลาเสียโอกาสอยู่ดี

อย่างไรก็ตาม มีเงื่อนไขหนึ่งที่สำคัญมากคือ Fable 5 ถูกรวมอยู่ในบางแพ็กเกจแบบไม่มีค่าใช้จ่ายเพิ่มแค่ชั่วคราวจนถึงวันที่ 22 มิถุนายน หลังจากนั้นมีแนวโน้มว่าจะกลับไปคิดตามการใช้งานจริงด้วยเครดิตแบบ token based จนกว่าจะมี capacity มากพอให้เอากลับมาใส่ใน subscription ได้อีกครั้ง

สำหรับธุรกิจไทย นี่แปลว่า ถ้ากำลังคิดจะทดลองใช้ ควรใช้ช่วงหน้าต่างเวลานี้เก็บข้อมูลให้ครบที่สุด เช่น

• งานแบบไหนที่ Fable 5 ทำได้ดีกว่า model เดิม
• โจทย์ไหนคุ้มค่า token
• งานไหนไม่ควรใช้ model แพง
• ทีมงานคนไหนใช้แล้วได้ผลจริง

การทดลองแบบมีกรอบจะมีค่ากว่าการลองเล่นไปเรื่อยๆ เพราะพอถึงวันที่ต้องจ่ายจริง เราจะตัดสินใจได้จากข้อมูล ไม่ใช่ความรู้สึก

Step 3: มองให้ออกว่า Mythos-class คือการอัปเกรดเหนือ Opus

คำว่า Mythos-class เป็นคำสำคัญ เพราะมันบอกตำแหน่งของ model ชัดเจนว่าอยู่เหนือ Opus ในด้านความสามารถ โดยเฉพาะงาน reasoning ที่ยาว ซับซ้อน และต้องทำงานต่อเนื่อง

ความน่าสนใจคือ Nate เคยคาดไว้ก่อนหน้านี้ว่า ไม่น่าจะมีปุ่ม Mythos โผล่มาให้คนทั่วไปใช้ตรงๆ เร็วขนาดนั้น แต่สิ่งที่จะเกิดขึ้นคือความสามารถบางส่วนของ Mythos จะถูกพับเข้ามาใน model ที่เข้าถึงง่ายกว่า และสิ่งที่เกิดขึ้นกับ Fable 5 ก็แทบตรงตามนั้น

มุมนี้สำคัญมากสำหรับคนทำธุรกิจ เพราะตลาด AI ตอนนี้เต็มไปด้วยการยึดติดกับชื่อ model มากเกินไป ทั้งที่คำถามที่ควรถามคือ

• งานของเราต้องใช้ความสามารถระดับไหน
• ข้อจำกัดด้านความปลอดภัยมีผลไหม
• ทีมงานเข้าถึง model นี้ได้จริงหรือเปล่า
• ต้นทุนต่อผลลัพธ์คุ้มไหม

บางครั้งสิ่งที่ธุรกิจต้องการไม่ใช่ model ที่แรงสุด แต่คือ model ที่แรงพอและพร้อมใช้งานทันทีใน workflow ปัจจุบัน

Step 4: อ่าน benchmark ให้เป็น และอย่าเชื่อทั้งหมด

คลิปนี้มีจุดที่ชอบมากอยู่ข้อหนึ่ง คือแม้จะตื่นเต้นกับ benchmark แต่ก็ไม่ได้เชื่อแบบไม่ตั้งคำถาม Nate มองว่า benchmark มีประโยชน์ แต่ต้องดูแบบเผื่อใจ เพราะหลายชุดทดสอบไม่ได้สะท้อนงานจริงทุกแบบ

จากข้อมูลที่ถูกพูดถึง Fable 5 และ Mythos 5 ทำคะแนนดีขึ้นในหลายด้าน เช่น

• software engineering
• knowledge work
• vision
• scientific reasoning
• cybersecurity

ถ้าแปลเป็นภาษาธุรกิจ งานที่น่าจับตาจะไม่ใช่แค่งานเขียน code แต่รวมถึงงานอย่าง

• สรุปรายงานหลายเอกสารแล้วให้ข้อเสนอแนะ
• วิเคราะห์คู่แข่งจากข้อมูลหลายแหล่ง
• อ่านสัญญาและดึงประเด็นเสี่ยงเบื้องต้น
• อ่านภาพ สไลด์ แผนผัง หรือหน้าเว็บเพื่อช่วยตรวจงาน
• ทำงานเป็นขั้นตอนยาวขึ้นโดยไม่หลุดโจทย์ง่าย

นี่คือจุดที่เจ้าของธุรกิจไทยควรสนใจ เพราะงานจำนวนมากในองค์กรไม่ใช่งานเขียนโปรแกรม แต่เป็นงานใช้ความรู้ งานประสานข้อมูล และงานตรวจความถูกต้อง ซึ่ง model ที่ reasoning ดีขึ้นและอ่านภาพดีขึ้นมักช่วยได้มากกว่าที่คิด

Step 5: โฟกัส use case ที่คุ้มกับเจ้าของธุรกิจไทย

Nate บอกชัดว่าเขาตื่นเต้นกับการเอา Fable 5 ไปใช้กับงาน knowledge work, vision, การทำเว็บ, การทำสไลด์ และการตรวจผลลัพธ์ใน loop ต่างๆ ซึ่งถ้าแปลงมุมนี้มาสำหรับธุรกิจไทย จะเห็น use case ที่จับต้องได้หลายแบบ

งานวิเคราะห์และตัดสินใจ

เช่น การให้ AI อ่านเอกสารเสนอราคา รายงานขาย บทสรุปประชุม และข้อมูลลูกค้า จากนั้นช่วยจัดหมวดหมู่ ปักธงความเสี่ยง และเสนอคำถามที่ควรถามต่อ งานแบบนี้กินเวลาคนเก่งในทีมเยอะมาก

งานภาพและการตรวจความถูกต้อง

เมื่อ vision ดีขึ้น เราสามารถใช้ตรวจหน้า landing page, ตรวจความสอดคล้องของสไลด์, ตรวจองค์ประกอบภาพสินค้า หรือเทียบ before-after ของงานออกแบบได้ดีขึ้น

งานสร้าง workflow แบบหลายขั้น

ตัวอย่างเช่น รับ brief จากฝ่ายขาย แล้วให้ AI แปลงเป็นโครงข้อเสนอ สรุป pain point ของลูกค้า สร้างอีเมลติดตามผล และร่างคำถามสำหรับรอบประชุมถัดไป ทั้งหมดนี้ไม่จำเป็นต้องเป็น developer ก็ใช้ได้ ถ้าออกแบบ flow ให้ชัด

งานช่วยทีมที่ไม่ได้เชี่ยวชาญเทคนิค

ทีม HR, การตลาด, operation, ฝ่ายจัดซื้อ หรือผู้ช่วยผู้บริหาร ล้วนเป็นกลุ่มที่ได้ประโยชน์จาก model แบบนี้ ถ้าองค์กรเริ่มจากโจทย์งานจริงแทนที่จะเริ่มจากของเล่น AI

ถ้าจะลองในธุรกิจไทย แนะนำให้เริ่มจาก 1 แผนก 1 งาน 1 ตัวชี้วัด เช่น ลดเวลาทำรายงานจาก 3 ชั่วโมงเหลือ 45 นาที หรือทำให้ draft แรกของข้อเสนอพร้อมใช้ได้ในรอบเดียวมากขึ้น

Step 6: ระวังเรื่อง agentic loops เพราะแรงขึ้นไม่ได้แปลว่าควรปล่อยยาวตลอด

อีกประเด็นที่คลิปนี้แตะไว้น่าสนใจมากคือเรื่อง agentic loops หรือการให้ agent ทำงานเป็นวงรอบต่อเนื่องและเรียกใช้กันเองหลายชั้น แนวคิดนี้กำลังได้รับความนิยม แต่ Nate ก็เตือนชัดว่า ไม่ใช่ทุกงานต้องใช้

เหตุผลคือยิ่งปล่อย loop ยาว ยิ่งกิน token และยิ่งเสี่ยงชน session limit โดยเฉพาะงาน knowledge work ทั่วไปที่จริงๆ แค่ prompt ดีและกำหนดขั้นตอนชัดก็พอแล้ว

นี่เป็นข้อเตือนที่เจ้าของธุรกิจควรจำมาก เพราะหลายทีมพอได้ model ใหม่ที่เก่งขึ้น จะรีบสร้าง automation ซับซ้อนเกินจำเป็น สุดท้ายเกิด 3 ปัญหา

• ค่าใช้จ่ายพุ่ง
• ผลลัพธ์หลุดโจทย์
• ทีมไม่เข้าใจว่า AI ทำอะไรไปบ้าง

หลักคิดที่ใช้ได้จริงคือ

1. เริ่มจาก prompt เดี่ยวที่ชัดก่อน
2. ค่อยเพิ่มขั้นตอนเป็น sequence
3. ถ้ายังไม่พอ ค่อยใช้ loop
4. ทุกครั้งต้องมีจุดตรวจและเงื่อนไขหยุด

สำหรับคนทำงานทั่วไป AI ที่ดีไม่ใช่ AI ที่ทำงานไม่หยุด แต่คือ AI ที่หยุดถูกจุดและส่งไม้ต่อให้คนตัดสินใจเมื่อจำเป็น

Step 7: ใช้ effort levels ให้เหมาะ ไม่ใช่เปิดสุดตลอดเวลา

คลิปยังพูดถึงอีกเรื่องที่มักถูกมองข้าม คือ ระดับ effort ของ model ซึ่งส่งผลทั้งคุณภาพ เวลา และต้นทุน โดยมีข้อสังเกตว่าในบางกรณี ระดับ reasoning ที่สูงมากอาจไม่ได้ต่างจากระดับรองลงมาชัดเจน

นี่เป็นบทเรียนที่ตรงกับการใช้งานในองค์กรอย่างมาก เพราะถ้าใช้ระดับสูงสุดกับทุกงาน เราจะเผา budget ไปกับงานที่ไม่จำเป็น เช่น

• สรุปอีเมลทั่วไป
• ร่างโพสต์สั้น
• จัดหมวดหมู่ข้อมูลเบื้องต้น
• ตอบคำถามซ้ำๆ ภายในทีม

สิ่งที่ควรทำคือแบ่งงานเป็น 3 ระดับ

• งานเบา ใช้ effort ต่ำ
• งานวิเคราะห์หลายแหล่ง ใช้ effort กลาง
• งานสำคัญที่มีผลต่อการตัดสินใจ ใช้ effort สูง

วิธีคิดนี้จะช่วยให้ AI ไม่กลายเป็นต้นทุนบานปลาย และทำให้ทีมมองเห็นว่าควรใช้ model แบบไหนกับงานประเภทใด

Step 8: ประเมินข้อจำกัดด้านความปลอดภัยให้ตรงกับงานของเรา

การที่ Mythos 5 ยังจำกัดสิทธิ์ไม่ใช่แค่เรื่องการตลาด แต่สะท้อนว่าความสามารถระดับนี้มีความเสี่ยงจริง โดยเฉพาะด้าน cyber Nate มีมุมมองที่น่าสนใจว่า model เองมีความเป็นกลาง แต่สิ่งที่ทำให้เกิดผลดีหรือผลเสียคือเจตนาและการใช้งานของมนุษย์

มุมนี้ฟังดูเรียบง่าย แต่ในองค์กรจริงต้องแปลให้เป็นนโยบาย เช่น

• ข้อมูลอะไรห้ามส่งเข้า model
• งานประเภทไหนต้องให้คนตรวจเสมอ
• ใครมีสิทธิ์ใช้ model ขั้นสูง
• คำตอบจาก AI ใช้อ้างอิงได้ระดับไหน

ถ้าธุรกิจไทยเริ่มใช้ AI แบบจริงจัง ควรมีคู่มือสั้นๆ สำหรับทีม ไม่จำเป็นต้องยาวหรือซับซ้อน แต่ต้องตอบคำถามพื้นฐานเรื่องความเสี่ยงให้ครบ

สำหรับแนวทางทั่วไปเรื่องการใช้งาน AI อย่างรับผิดชอบ สามารถดูกรอบคิดเพิ่มเติมจาก NIST AI Risk Management Framework และข้อมูลภาพรวมจาก Anthropic ได้

Step 9: วางแผนทดลองใช้งาน Fable 5 แบบคนทำธุรกิจ ไม่ใช่แบบนักสะสม model

ถ้าจะสรุปสารหลักจากคลิปนี้เป็นภาษาง่ายๆ ก็คือ ตอนนี้ไม่ต้องเสียเวลาเถียงว่า Mythos มาแล้วหรือยังในความหมายเต็มรูปแบบ แต่ควรถามว่า Fable 5 เอาไปช่วยงานอะไรได้ทันที

แนวทางที่แนะนำคือทำ pilot สั้นๆ ภายใน 2 สัปดาห์ โดยมีขั้นตอนแบบนี้

1. เลือก 3 งานที่ใช้เวลาคนเยอะและมีรูปแบบซ้ำ
2. ตั้ง baseline เวลาทำงานเดิม
3. ทดลองใช้ Fable 5 กับ prompt ที่ชัดเจน
4. วัดเวลา คุณภาพ และจำนวนรอบแก้
5. สรุปว่างานไหนควรใช้ต่อแม้ต้องจ่ายเพิ่ม

ถ้าต้องการอ่านเพิ่มเติมเรื่องการประเมิน AI ในมุมธุรกิจและการใช้งานจริงกับ knowledge work แหล่งข้อมูลอย่าง Harvard Business Review และ McKinsey AI Insights มีกรอบคิดที่ช่วยต่อยอดได้ดี

Actionable Insights

• เลือกทดลอง Fable 5 กับงานที่ใช้เวลาคนมากกว่า 1 ชั่วโมงก่อน งานเล็กเกินไปจะไม่เห็นความคุ้ม
• แบ่งงานตามระดับ effort เพื่อคุมต้นทุน ไม่ใช้โหมดหนักกับทุกอย่าง
• อย่าทำ agent loop ยาวถ้ายังไม่มีจุดวัดผลและเงื่อนไขหยุด
• ใช้ช่วงก่อนคิดค่าบริการตาม usage เก็บข้อมูลให้มากที่สุด
• เริ่มจากทีมที่ทำ knowledge work หนัก เช่น การตลาด ฝ่ายขาย operation และผู้บริหาร

Troubleshooting

ปัญหา: ใช้แล้วรู้สึกไม่ต่างจาก model เดิมมาก

สาเหตุ: เอาไปใช้กับงานง่ายเกินไป หรือ prompt ยังไม่ชัดพอ

วิธีแก้: เลือกงานที่ซับซ้อนขึ้น เช่น สรุปหลายเอกสาร เปรียบเทียบข้อมูล หรือวิเคราะห์ภาพร่วมกับข้อความ แล้วกำหนด output ที่ต้องการให้ชัด

ปัญหา: token หมดเร็ว ค่าใช้จ่ายพุ่ง

สาเหตุ: ใช้ effort สูงเกินจำเป็น หรือปล่อย agent loop ยาว

วิธีแก้: ลด effort ในงานทั่วไป ตั้งจำนวนรอบสูงสุดของ loop และให้ AI สรุปก่อนลงมือทำหลายขั้น

ปัญหา: คำตอบดูดีแต่ใช้จริงไม่ได้

สาเหตุ: ไม่มีเกณฑ์ตรวจงาน และให้ AI ตอบกว้างเกินไป

วิธีแก้: เพิ่ม checklist, ตัวอย่าง output, ข้อห้าม และให้ AI อ้างอิงจากข้อมูลที่ป้อนเข้าไปเท่านั้น

ปัญหา: ทีมงานไม่กล้าใช้หรือใช้ไม่ต่อเนื่อง

สาเหตุ: ไม่เห็นว่าช่วยงานประจำตรงไหน

วิธีแก้: เริ่มจาก use case เดียวที่เจ็บจริง วัดผลให้ชัด แล้วแชร์ผลลัพธ์เป็นตัวเลขกับทั้งทีม

การต่อยอด

• สร้าง workflow สำหรับสรุปประชุม บันทึก action items และร่างอีเมลติดตามโดยอัตโนมัติ
• ใช้ Fable 5 ช่วยตรวจ landing page หรือสไลด์ขายจากภาพและข้อความพร้อมกัน
• ทำคลัง prompt มาตรฐานขององค์กร แยกตามแผนกและระดับ effort ที่เหมาะสม

สรุป Checklist ทั้งหมด

• ☐ แยกให้ชัดว่า Fable 5 กับ Mythos 5 ไม่ได้เปิดให้ใช้เท่ากัน
• ☐ เช็กราคา token และช่วงใช้ฟรีก่อน 22 มิถุนายน
• ☐ เข้าใจว่า Mythos-class คือชั้นความสามารถเหนือ Opus
• ☐ อ่าน benchmark แบบมีสติ ไม่เชื่อคะแนนอย่างเดียว
• ☐ เลือก use case ธุรกิจที่คุ้ม เช่น knowledge work และ vision
• ☐ อย่าใช้ agentic loops เกินจำเป็น
• ☐ แบ่งระดับ effort ตามประเภทงาน
• ☐ ตั้งกติกาด้านความปลอดภัยก่อนใช้ในทีม
• ☐ ทำ pilot แบบวัดเวลา คุณภาพ และต้นทุนจริง
• ☐ สรุปว่างานไหนควรใช้ต่อเมื่อเข้าสู่การคิดค่าบริการตาม usage

สรุปแล้ว Claude Fable 5 คือสัญญาณชัดว่า model ระดับสูงกำลังค่อยๆ ถูกส่งลงมาสู่ตลาดวงกว้างมากขึ้น แม้ Claude Mythos แบบเต็มอาจยังไม่ใช่ของสำหรับทุกคน แต่สิ่งที่ธุรกิจควรสนใจไม่ใช่ชื่อเรียกของ model หากเป็นความสามารถที่เอาไปลดเวลางาน เพิ่มคุณภาพงาน และช่วยให้ทีมตัดสินใจได้ดีขึ้น หากมองแบบนี้ Fable 5 ไม่ใช่แค่ข่าวเปิดตัว แต่เป็นโอกาสให้เราออกแบบการใช้ AI ให้คุ้มตั้งแต่ตอนนี้