สรุปจากคลิป ดูคลิปต้นฉบับ

วิธีใช้ Grill Me Skill ดึงความรู้ในหัวใส่ AI ให้ใช้งานได้จริง

ปัญหาของการใช้ AI ในงานจริง ไม่ได้อยู่ที่เราเขียน prompt ไม่เก่งเสมอไป แต่อยู่ที่ AI ไม่รู้วิธีคิดของเรา ไม่รู้เกณฑ์ตัดสินใจ ไม่รู้ข้อยกเว้นที่ทีมใช้ทุกวัน และไม่รู้ความละเอียดที่อยู่ในหัวเจ้าของงานจริงๆ ต่างหาก นี่คือประเด็นสำคัญจากคลิป The Skill That 10x’d My Claude Code Projects ของช่อง Nate Herk | AI Automation

สิ่งที่น่าสนใจคือคลิปนี้ไม่ได้เสนอ automation ซับซ้อน แต่เสนอวิธีคิดที่ตรงมาก คือถ้าทุกคนใช้ model ตัวเดียวกัน ผลลัพธ์ก็จะคล้ายกัน ความต่างจึงไม่ได้มาจาก model เพียงอย่างเดียว แต่มาจาก context ที่เราใส่เข้าไปให้ AI เข้าใจวิธีทำงานของธุรกิจเรา

สำหรับเจ้าของธุรกิจและคนทำงานไทย ประเด็นนี้สำคัญมาก เพราะหลายทีมเริ่มใช้ AI แล้ว แต่ยังติดตรงที่ “ทำไมคำตอบมันดูโอเค แต่เอาไปใช้จริงไม่ได้” คำตอบก็คือ AI ยังไม่ได้รับการถ่ายทอดความรู้ที่ลึกพอ บทความนี้จะสรุปแนวคิดนั้นให้อยู่ในรูปแบบทำตามได้ พร้อมวิเคราะห์ว่าถ้าเอาไปใช้กับธุรกิจไทย เราควรเริ่มตรงไหน

สารบัญ

• Step 1: เข้าใจก่อนว่าปัญหาจริงไม่ใช่ prompt แต่คือการดึงความรู้จากหัวเรา
• Step 2: ใช้แนวคิด Grill Me เพื่อบังคับให้ AI ถามจนเจอความรู้ที่ซ่อนอยู่
• Step 3: เพิ่ม checkpoint ทุกคำตอบ เพื่อไม่ให้ context หายระหว่างทาง
• Step 4: สร้าง Brainstorm Files ให้ทุกกระบวนการกลายเป็นเอกสารใช้งานต่อได้
• Step 5: ใช้การถามซ้ำเพื่อหา blind spot และคนที่ต้องไปถามต่อ
• Step 6: ยอมเสียเวลาต้นทาง เพื่อให้ iteration แรกดีขึ้นมาก
• Step 7: เริ่มใช้งานแบบง่ายที่สุดก่อน ด้วยหัวข้อเดียวที่กระทบงานจริง
• Step 8: Actionable Insights ที่เอาไปใช้กับธุรกิจได้ทันที
• Step 9: Troubleshooting ปัญหาที่มักเจอเมื่อเริ่มทำตามแนวคิดนี้
• Step 10: การต่อยอดหลังจากทำได้หนึ่ง workflow แล้ว
• Step 11: สรุป Checklist ทั้งหมด

Step 1: เข้าใจก่อนว่าปัญหาจริงไม่ใช่ prompt แต่คือการดึงความรู้จากหัวเรา

หลายคนเริ่มใช้ AI ด้วยการนั่งเขียน prompt ยาวๆ หวังให้มันตอบตรงใจ แต่สิ่งที่ Nate ชี้ไว้คมมาก คือถ้าทุกคนเข้าถึง model ใกล้เคียงกัน ความได้เปรียบจะไม่ได้อยู่ที่ว่าใครพิมพ์เก่งกว่าเล็กน้อย แต่อยู่ที่ว่า ใครส่ง context เข้าไปได้ดีกว่า

context ในที่นี้ไม่ใช่แค่ข้อมูลพื้นฐาน เช่น ชื่อแบรนด์หรือโทนเสียง แต่รวมถึงวิธีตัดสินใจ วิธีเลือกทางออก เหตุผลที่บางอย่าง “ควร” หรือ “ไม่ควร” ทำ และข้อยกเว้นที่ไม่มีเขียนอยู่ในคู่มือ แต่ทีมใช้กันอยู่ทุกวัน

ถ้ามองในมุมธุรกิจไทย เรื่องนี้ตรงกับความจริงมาก เช่น

• ร้านค้ามีวิธีตอบแชทลูกค้าที่ต่างกันตามประเภทสินค้า
• เอเจนซีมีหลักประเมิน scope งานที่อิงทั้งงบ เวลา และความเสี่ยง
• ทีมขายมีสัญชาตญาณรู้ว่าลูกค้าแบบไหนควร follow up ทันที
• เจ้าของกิจการรู้เองว่าขั้นตอนไหนในธุรกิจแตะไม่ได้ถ้ายังไม่ตรวจคนจริง

ความรู้แบบนี้มักไม่เคยถูกเก็บเป็นระบบ พอให้ AI ช่วย มันเลยได้เพียงคำตอบระดับทั่วไป ใช้ได้ประมาณหนึ่ง แต่ไม่ถึงขั้นที่ทีมกล้าวางใจ

มุมที่เห็นด้วยกับคลิปมากคือ การ “เทความคิดออกมารวดเดียว” หรือ brain dump สั้นๆ มักไม่พอ เพราะความรู้ในการทำงานจริงไม่ได้อยู่เป็นก้อนเดียว มันกระจายเป็นกฎย่อย เงื่อนไขแฝง และความสัมพันธ์ระหว่างการตัดสินใจหลายชั้น ถ้าไม่ขุดให้ถึง AI ก็จะตอบได้แค่ระดับผิว

Step 2: ใช้แนวคิด Grill Me เพื่อบังคับให้ AI ถามจนเจอความรู้ที่ซ่อนอยู่

Grill Me คือ skill ที่ตั้งต้นจาก prompt เรียบง่ายมาก แนวคิดคือให้ AI สัมภาษณ์เราแบบไล่ถามทีละประเด็น จนทั้งสองฝั่งมีความเข้าใจร่วมกันเกี่ยวกับกระบวนการนั้น

หัวใจของวิธีนี้มี 3 ส่วน

1. AI ถามทีละข้อ ไม่โยนหลายคำถามพร้อมกัน
2. AI ไล่แตกแขนงการตัดสินใจไปเรื่อยๆ จนไม่เหลือช่องว่างสำคัญ
3. AI ไม่แค่ถาม แต่เสนอคำตอบที่น่าจะเหมาะ แล้วให้เรายืนยันหรือแก้ไข

จุดนี้สำคัญมากสำหรับคนทำงาน เพราะเราอาจคิดว่า “เรารู้อยู่แล้ว” แต่พอถูกถามจริงๆ จะเริ่มเห็นว่าความรู้ในหัวมีส่วนที่ยังไม่เป็นระบบ เช่น เรารู้ว่าแพ็กเกจบริการแบบไหนควรขาย แต่ยังอธิบายไม่ได้ชัดว่าตัดสินจากอะไรบ้าง

ในทางปฏิบัติ วิธีนี้คล้ายการมีผู้ช่วยมานั่งทำ discovery ให้เราเอง และทำแบบไม่เหนื่อย ไม่ลืมถาม และไม่ปล่อยประเด็นตกหล่นง่ายๆ

ถ้าเอาไปใช้กับธุรกิจไทย เราอาจเริ่มจากเรื่องที่ทีมทำซ้ำบ่อยและพึ่ง “ดุลยพินิจ” สูง เช่น

• เกณฑ์คัด lead ที่น่าคุยต่อ
• วิธีประเมินใบเสนอราคา
• แนวทางตอบคอมเมนต์และแชทในสถานการณ์ยาก
• ขั้นตอนอนุมัติคอนเทนต์ก่อนโพสต์
• วิธีจัดลำดับความสำคัญของงานในทีมเล็ก

สิ่งที่ชอบในวิธีนี้คือ มันทำให้เราเลิกหลอกตัวเองว่าระบบพร้อมแล้ว ทั้งที่จริงแค่มี prompt สวยๆ แต่ยังไม่มี knowledge ที่ใช้งานได้

Step 3: เพิ่ม checkpoint ทุกคำตอบ เพื่อไม่ให้ context หายระหว่างทาง

อีกไอเดียที่น่าสนใจมากในคลิปคือ Nate ไม่ได้หยุดแค่ prompt เดิม แต่เพิ่มระบบ checkpoint หลังทุกคำตอบที่ให้กับ AI

เหตุผลตรงไปตรงมา ถ้าการสัมภาษณ์กินเวลานาน context window จะเริ่มเต็ม และ AI อาจจำคำตอบช่วงต้นคลาดเคลื่อนได้ ต่อให้ model เก่งแค่ไหน ปัญหานี้ก็ยังเป็นข้อจำกัดเชิงเทคนิคของการคุยยาวๆ อยู่ดี

ทางแก้คือให้ AI เขียนสิ่งที่คุยกันกลับลงเอกสารระหว่างทางทุกครั้ง กลายเป็นการบันทึกความรู้แบบสดๆ แทนที่จะปล่อยให้ทุกอย่างค้างอยู่ในบทสนทนาอย่างเดียว

นี่เป็นจุดที่หลายทีมมองข้ามมาก เวลาบอกว่า “เราใช้ AI แล้ว” แต่จริงๆ สิ่งที่ได้ยังไม่ใช่ asset ของบริษัท เพราะมันอยู่ใน chat หนึ่งหน้าต่าง พอปิดก็หาย พอคนเปลี่ยนก็หาย พอจะเอากลับมาใช้ก็หาไม่เจอ

ถ้าเราจะใช้ AI ในธุรกิจจริง ควรคิดแบบนี้เสมอ

• คำตอบที่ดีครั้งเดียว ไม่พอ
• เราต้องการ knowledge ที่เก็บต่อได้
• ต้องย้อนกลับมาแก้ เพิ่ม และใช้อ้างอิงได้

ในมุมของธุรกิจไทย นี่แปลว่าเราควรเปลี่ยนจากการใช้ AI แบบ ad hoc ไปสู่การสร้างคลังความรู้ที่ค่อยๆ โตขึ้น เช่น markdown, docs, knowledge base ภายใน หรือแม้แต่ Google Docs ที่จัดระเบียบดีพอ ถ้าจุดประสงค์คือเก็บ logic การทำงาน ไม่ใช่เก็บแค่คำตอบสวยๆ

Step 4: สร้าง Brainstorm Files ให้ทุกกระบวนการกลายเป็นเอกสารใช้งานต่อได้

เวอร์ชันที่ Nate ใช้จะสร้างโฟลเดอร์สำหรับเก็บ brainstorm ของแต่ละหัวข้อไว้ที่ root ของโปรเจกต์ จากนั้นทุก session ที่คุยจะถูกสรุปเป็นไฟล์แยกออกมา

สิ่งที่ไฟล์เหล่านี้เก็บ ไม่ได้มีแค่บทสรุปสวยหรู แต่รวมถึง

• การตัดสินใจหลัก
• บันทึกถามตอบแบบเป็นลำดับ
• ประเด็นสำคัญที่ค้นพบ
• ช่องว่างหรือธงเตือนที่ยังต้องไปหาข้อมูลเพิ่ม

นี่คือความต่างระหว่าง “คุยกับ AI” กับ “ใช้ AI ช่วยสร้างระบบความรู้” อย่างชัดเจน

ตัวอย่างในคลิปมีทั้งการเก็บความรู้เรื่องการแพ็กเกจงาน และการอธิบายวิธีทำงานของธุรกิจตั้งแต่ต้นจนจบ เมื่อ AI เข้าใจมากขึ้น skill และเอกสารเดิมก็ถูกอัปเดตให้ดีขึ้นตามไปด้วย

สำหรับเรา จุดนี้แปลว่าถ้าอยากให้ AI ช่วยงานธุรกิจได้จริง ต้องไม่คิดว่าเอกสารเป็นงานเอกสาร แต่ต้องมองว่าเอกสารคือ หน่วยความจำของบริษัท

ตัวอย่างการประยุกต์ใช้ในไทยที่เห็นภาพได้ทันที เช่น

• ธุรกิจบริการ เก็บ logic การประเมินราคาและขอบเขตงาน
• คลินิกหรือธุรกิจสุขภาพ เก็บ flow การตอบคำถามเบื้องต้นที่ปลอดภัยและต้องส่งต่อเมื่อไร
• ร้านค้าออนไลน์ เก็บวิธีรับมือคำถามก่อนปิดการขายและหลังการขาย
• ทีมคอนเทนต์ เก็บเกณฑ์ว่าโพสต์แบบไหนถือว่าเป็นเสียงของแบรนด์จริง

ข้อจำกัดที่ควรพูดตรงๆ คือ ถ้า input ตั้งต้นมาจากคนที่ไม่รู้ process จริง เอกสารที่ออกมาก็จะสวยแต่ไม่แม่น ดังนั้น Grill Me ไม่ได้แทนคนรู้จริง มันแค่ช่วยดึงความรู้จากคนรู้จริงให้ออกมาเป็นระบบ

Step 5: ใช้การถามซ้ำเพื่อหา blind spot และคนที่ต้องไปถามต่อ

อีกจุดที่ชอบคือ AI ไม่ได้พยายามเดาไปหมด แต่สามารถชี้ธงได้ว่าเรื่องไหนเจ้าของข้อมูลจริงอาจไม่ใช่เรา และควรไปเก็บข้อมูลเพิ่มจาก stakeholder หรือ operator ที่ทำงานส่วนนั้นโดยตรง

นี่เป็นพฤติกรรมที่มีประโยชน์มาก เพราะปัญหาของการทำ AI workflow ในองค์กร ไม่ใช่ขาดเครื่องมือ แต่คือคนที่ออกแบบ workflow มักรู้ไม่ครบทุกขั้นตอน

ถ้า AI ช่วยบอกว่า “ตรงนี้ยังไม่ชัด ต้องไปถามคนทำจริง” เราจะลดความมั่นใจผิดๆ ลงได้เยอะ และทำให้ระบบที่สร้างไม่พังตอนเอาไปใช้หน้างาน

สำหรับธุรกิจไทยที่มีทีมไม่ใหญ่ วิธีนี้ดีมาก เพราะหลายครั้งเจ้าของกิจการคิดว่าตัวเองรู้ทุกอย่าง แต่ความจริงความรู้ปฏิบัติอยู่กับแอดมิน ฝ่ายขาย ฝ่ายจัดซื้อ หรือคนประสานงานหน้างาน การให้ AI ช่วยไล่หาช่องโหว่ จะทำให้เราเห็นว่าควรสัมภาษณ์ใครเพิ่ม

Step 6: ยอมเสียเวลาต้นทาง เพื่อให้ iteration แรกดีขึ้นมาก

ช่วงที่อธิบายภาพกราฟในคลิปถือว่าเป็นแกนของเรื่องทั้งหมด แนวคิดคือวิธีเดิมมักเริ่มจากความแม่นยำระดับกลางๆ แล้วค่อยปรับทีละนิดผ่าน iteration จำนวนมาก กว่าจะใช้งานได้จริงอาจต้องปรับ 10 รอบ หรือ 30 รอบ

แต่ถ้าใช้เวลา upfront มากขึ้นกับการ grill ความรู้ให้ครบ ตั้งแต่รอบแรกเรามีโอกาสขยับไปใกล้จุดใช้งานจริงได้ทันที จากเดิมอาจเริ่มที่ 70 เปอร์เซ็นต์ ขึ้นเป็น 90 เปอร์เซ็นต์ตั้งแต่ต้น

มุมนี้สำคัญมากสำหรับเจ้าของธุรกิจ เพราะเวลาของทีมแพงกว่าที่คิด การ iterate จากระบบที่ยังไม่รู้เรื่องเลย กับ iterate จากระบบที่เข้าใจงานดีแล้ว ต้นทุนต่างกันมาก ทั้งเวลา ความเชื่อมั่นของทีม และความเสี่ยงต่อความผิดพลาด

อย่างไรก็ตาม มีจุดที่ควรระวังคือ อย่าตีความว่าต้องรอให้ knowledge สมบูรณ์ก่อนค่อยเริ่มใช้จริง เพราะโลกธุรกิจเปลี่ยนตลอด ระบบไม่มีวันครบ 100 เปอร์เซ็นต์อยู่แล้ว แนวทางที่สมดุลกว่าคือ เก็บความรู้ให้ลึกพอจนเริ่มใช้ได้ แล้วค่อยอัปเดตต่ออย่างต่อเนื่อง

Step 7: เริ่มใช้งานแบบง่ายที่สุดก่อน ด้วยหัวข้อเดียวที่กระทบงานจริง

ในคลิป ตัวอย่างการเริ่มต้นตรงมาก แค่สั่งให้ AI มาช่วย grill เรื่องหนึ่ง เช่น วิธีคิดในการเอา AI มาใช้ในธุรกิจแบบปลอดภัย ไม่ทำให้ธุรกิจเสียหาย จากนั้นระบบจะเริ่มสร้างไฟล์ สรุปคำตอบ บันทึกการถามตอบ และธงประเด็นค้าง

สำหรับคนที่ไม่ใช่สาย developer วิธีเริ่มที่เหมาะที่สุดคืออย่าพยายามยกทั้งองค์กรขึ้นมา model พร้อมกัน ให้เลือกหัวข้อเดียวก่อน โดยใช้เกณฑ์นี้

1. เป็นงานที่ทำซ้ำบ่อย
2. มีคนในทีมตัดสินใจจากกฎที่อยู่ในหัว
3. ถ้าถ่ายทอดได้ จะช่วยลดเวลาได้ชัด
4. ความเสี่ยงไม่สูงเกินไปในรอบแรก

หัวข้อเริ่มต้นที่เหมาะ เช่น

• เกณฑ์ตอบ lead ใหม่
• วิธีเขียนข้อเสนองานตามประเภทลูกค้า
• แนวทางรีไรต์คอนเทนต์ให้เป็นโทนแบรนด์
• วิธีคัดงานด่วนกับงานสำคัญ

หากต้องการอ่านต่อเรื่องการจัดการความรู้และการออกแบบระบบให้ AI ใช้ข้อมูลได้ดีขึ้น เอกสารของ Anthropic และแนวทางเรื่อง prompt engineering ของ OpenAI ก็ช่วยเติมภาพได้ดี แม้กรอบคิดในคลิปนี้จะเน้นการดึงความรู้มากกว่าการแต่ง prompt

Step 8: Actionable Insights ที่เอาไปใช้กับธุรกิจได้ทันที

• เลือก 1 process ที่ทีมทำซ้ำทุกสัปดาห์ แล้วให้ AI ไล่ถามจนแตกเป็นกฎการตัดสินใจ
• บันทึกทุก session เป็นเอกสาร อย่าปล่อยให้ความรู้ค้างอยู่ใน chat
• ให้คนทำงานจริงเป็นคนตอบ ไม่ใช่ให้คนกลางเดาแทนทั้ง process
• เก็บ open flags แยกไว้ เพื่อรู้ว่าจุดไหนต้องไปถามทีมอื่นต่อ
• กลับมา grill ซ้ำเมื่อ process เปลี่ยน เพราะ knowledge ของธุรกิจไม่มีวันนิ่ง

Step 9: Troubleshooting ปัญหาที่มักเจอเมื่อเริ่มทำตามแนวคิดนี้

ปัญหา: AI ถามวนไปวนมา จนรู้สึกเสียเวลา

สาเหตุ: หัวข้อที่ตั้งกว้างเกินไป หรือยังไม่กำหนดขอบเขต process ชัด

วิธีแก้: เริ่มจากงานย่อยงานเดียว เช่น “วิธีคัด lead” แทน “วิธีทำการตลาดทั้งหมด”

ปัญหา: เอกสารที่ได้ยาวมาก แต่หยิบใช้ไม่เป็น

สาเหตุ: บันทึกทุกอย่างแต่ไม่สรุป key decisions

วิธีแก้: แยกเอกสารเป็น 4 ส่วน ได้แก่ สรุป, กฎตัดสินใจ, Q&A log, ประเด็นค้าง

ปัญหา: AI ตอบมั่นใจ แต่ผิดจากการทำงานจริง

สาเหตุ: คนที่ตอบคำถามไม่ใช่เจ้าของงานตัวจริง หรือให้ข้อมูลไม่ครบ

วิธีแก้: ดึง operator หรือ stakeholder ตัวจริงมาร่วมตอบในหัวข้อที่เกี่ยวข้อง

ปัญหา: ใช้แล้วดีครั้งแรก แต่พออีกเดือนกลับไม่ตรงแล้ว

สาเหตุ: process ธุรกิจเปลี่ยน แต่ knowledge doc ไม่ได้อัปเดต

วิธีแก้: ตั้งรอบรีวิว เช่น เดือนละครั้ง หรือทุกครั้งหลังมีการเปลี่ยน policy สำคัญ

ปัญหา: ทีมไม่อยากตอบคำถามยาวๆ ให้ AI

สาเหตุ: รู้สึกเหมือนเป็นงานเพิ่ม ไม่เห็นผลเร็ว

วิธีแก้: เริ่มจากหัวข้อที่แก้ pain point ชัด เช่น ลดเวลาตอบแชท หรือทำใบเสนอราคาเร็วขึ้น เพื่อให้ทีมเห็นผลก่อน

Step 10: การต่อยอดหลังจากทำได้หนึ่ง workflow แล้ว

• สร้าง brand voice system ให้ AI เขียนคอนเทนต์ตามมาตรฐานเดียวกับทีม
• ทำ sales playbook แบบถามตอบ เพื่อให้ทีมขายใหม่เรียนรู้จากเคสจริงได้เร็วขึ้น
• เชื่อม knowledge doc เข้ากับ AI assistant ภายใน สำหรับตอบคำถามทีมงานเรื่อง process และ policy

Step 11: สรุป Checklist ทั้งหมด

• ☐ ระบุ process ที่อยากให้ AI เข้าใจจริงๆ 1 เรื่อง
• ☐ จำกัดขอบเขตให้แคบพอจะถามตอบจนจบได้
• ☐ สั่งให้ AI ถามทีละข้อ และไล่แตกแขนงการตัดสินใจ
• ☐ ให้ AI สรุปและ checkpoint ทุกคำตอบลงเอกสาร
• ☐ เก็บ key decisions, Q&A log และ open flags แยกชัด
• ☐ เช็กว่ามีจุดไหนต้องไปถามคนทำงานตัวจริงเพิ่ม
• ☐ นำเอกสารที่ได้ไปอัปเดต skill, prompt หรือ workflow เดิม
• ☐ ทดลองใช้งานจริงกับงานเสี่ยงต่ำก่อน
• ☐ เก็บ feedback จากการใช้งาน แล้ว grill ซ้ำเมื่อมีข้อมูลใหม่
• ☐ เปลี่ยนจากการใช้ AI แบบถามครั้งเดียว ให้เป็นระบบความรู้ที่โตต่อได้

ถ้าสรุปให้สั้นที่สุด คลิปนี้ไม่ได้สอนแค่ skill ตัวหนึ่ง แต่สอนวิธีคิดที่สำคัญกว่า คือ AI จะช่วยธุรกิจได้มากแค่ไหน ขึ้นอยู่กับว่าเราถ่ายทอดวิธีคิดของธุรกิจลงไปได้ดีแค่ไหน สำหรับเจ้าของธุรกิจและคนทำงานที่อยากเอา AI ไปใช้จริง นี่น่าจะเป็นบทเรียนที่คุ้มที่สุด เพราะมันพาเราออกจากการไล่หาสูตร prompt ใหม่ๆ แล้วกลับมาทำสิ่งที่มีผลกว่า นั่นคือการเปลี่ยนความรู้ในหัว ให้กลายเป็นระบบที่ทีมใช้ต่อได้จริง