AI ทํางานเร็วขึ้น แต่ทําไม “แรงเสียดทาน” ถึงสําคัญกว่าเดิม

สรุปจากคลิป ดูคลิปต้นฉบับ

ยิ่ง AI ช่วยให้เราสร้างงานได้เร็วขึ้นเท่าไร เรายิ่งเสี่ยงตัดสินใจพลาดเร็วขึ้นเท่านั้น นี่คือแก่นของคลิป The Friction is Your Judgment จากช่อง AI Engineer ที่ชวน Armin Ronacher และ Cristina Poncela Cubeiro จาก Earendil มาคุยกันแบบตรงไปตรงมาเรื่องที่คนใช้ AI ทํางานจริงเจอกันถ้วนหน้า

ประเด็นที่น่าสนใจมากคือ ปัญหาไม่ได้อยู่ที่ AI เขียนโค้ดผิดอย่างเดียว แต่อยู่ที่มนุษย์เริ่มเผลอคิดว่า “งานกําลังเดิน” ทั้งที่ความจริงคือเราอาจกําลังสร้างความยุ่งเหยิงสะสมแบบไม่รู้ตัว ถ้าแปลให้เข้ากับโลกธุรกิจไทย มันคือภาพของทีมที่ผลิตงานไวขึ้นหลายเท่า แต่การตรวจงาน การรับผิดชอบ และการตัดสินใจเชิงคุณภาพ กลับโตไม่ทัน

สิ่งที่คลิปนี้เสนอจึงไม่ใช่การต่อต้าน AI แต่เป็นการคืนคุณค่าของคําว่า friction หรือ “แรงเสียดทาน” ให้กลายเป็นเครื่องมือกํากับทิศทาง เพราะบางครั้งสิ่งที่ทําให้ทีมไปได้ไกล ไม่ใช่การลดขั้นตอนทุกอย่างจนลื่นไหลหมด แต่คือการรู้ว่าตรงไหนต้องชะลอ ตรงไหนต้องให้คนกลับมาคิดเอง

สารบัญ

• ทําไม AI ถึงทําให้เรารู้สึกว่าทํางานเก่งขึ้น ทั้งที่อาจไม่ได้ดีขึ้นจริง
• กับดักจริงๆ ไม่ใช่ AI ฉลาดเกินไป แต่คือมนุษย์หยุดคิดไม่ทัน
• เมื่อ AI ทําให้ “คนสร้างงาน” โตเร็วกว่าคนตรวจงาน
• AI เก่งเรื่องเดินหน้า แต่ไม่เก่งเรื่องระวังพัง
• งานแบบไหนที่เหมาะกับ AI มากกว่า
• ถ้าจะใช้ AI ให้คุ้ม ต้องออกแบบงานให้ AI อ่านออก
• แรงเสียดทานที่ดี คือการบังคับให้คนกลับมาใช้วิจารณญาณ
• มุมที่ควรเห็นต่าง: ไม่ใช่ทุกทีมต้องออกแบบเพื่อ AI ก่อนเสมอไป
• เจ้าของธุรกิจควรหยิบอะไรจากคลิปนี้ไปใช้ทันที
• Troubleshooting
• การต่อยอด
• สรุป Checklist ทั้งหมด

ทําไม AI ถึงทําให้เรารู้สึกว่าทํางานเก่งขึ้น ทั้งที่อาจไม่ได้ดีขึ้นจริง

ช่วงแรกที่คนเริ่มใช้ AI หลายคนมีประสบการณ์คล้ายกัน คือจากเดิมที่ prompt แล้วงงๆ อยู่พักใหญ่ วันหนึ่งมัน “คลิก” ขึ้นมา แล้วรู้สึกว่าเครื่องมือนี้ช่วยได้จริง งานเสร็จไวขึ้น เหนื่อยน้อยลง สนุกขึ้นด้วย

ปัญหาคือ พอทุกคนเริ่มใช้เหมือนกัน ข้อได้เปรียบส่วนตัวกลายเป็นมาตรฐานใหม่ของทีม จาก “มีเครื่องมือช่วย” กลายเป็น “ต้องทําให้เร็วขึ้น” จาก “ประหยัดเวลา” กลายเป็น “ถูกคาดหวังให้ผลิตงานมากกว่าเดิม”

ตรงนี้คือกับดักสําคัญ เพราะ AI ทําให้เกิด ภาพลวงตาของ productivity เราเห็น output ออกมาเร็วมาก เลยรู้สึกว่างานเดินดี แต่ output ที่มากขึ้น ไม่ได้แปลว่าความคิดดีขึ้นเสมอไป ตรงกันข้าม เวลาที่ควรใช้หยุดคิด ออกแบบ วางระบบ หรือถามว่าทางนี้เหมาะจริงไหม กลับถูกบีบจนแทบไม่เหลือ

สําหรับเจ้าของธุรกิจ นี่แปลว่าอะไร? แปลว่าเราอาจเห็นทีมการตลาดทําคอนเทนต์ได้ 5 เท่า ทีม operation ทําเอกสารได้ 3 เท่า หรือทีม product ปล่อยฟีเจอร์ทดลองได้เร็วขึ้นมาก แต่ถ้าไม่มีจุดตรวจที่ดี เราแค่ “เร่งการผลิต” โดยไม่ได้ “เร่งคุณภาพ” ตามไปด้วย

กับดักจริงๆ ไม่ใช่ AI ฉลาดเกินไป แต่คือมนุษย์หยุดคิดไม่ทัน

ในคลิป Cristina พูดชัดว่ามันมีปัญหาทางจิตวิทยาอยู่เบื้องหลัง เราติดรอบการใช้งานแบบ “ขออีก prompt เดียว” เพราะไม่มีใครรู้ว่า prompt ถัดไปจะเป็นอันที่แก้ปัญหาได้พอดี หรือจะเป็นอันที่ทําให้ทุกอย่างเละกว่าเดิม

ฟังดูคล้ายโซเชียลมีเดียหรือการพนันนิดๆ คือมี reward มาเป็นช่วงๆ เลยยิ่งวางยาก และนั่นทําให้มนุษย์เริ่มปล่อยการควบคุมให้ AI นํา workflow มากเกินไป

มุมที่น่าสนใจคือ ผู้พูดไม่ได้บอกว่า “คนใช้ AI ขี้เกียจคิด” แต่กําลังชี้ว่า ระบบทั้งหมดผลักให้เราคิดน้อยลง เพราะเมื่อ output ออกมาเร็ว ความรู้สึกเร่งรีบก็เพิ่มขึ้นตาม และพอเข้าสู่โหมดนี้ เราจะไม่ค่อยหยุดถามคําถามที่สําคัญ เช่น

• วิธีนี้คือวิธีที่เหมาะที่สุดหรือยัง
• งานชิ้นนี้จะกระทบส่วนอื่นของธุรกิจไหม
• สิ่งที่ AI สร้างขึ้นมา สอดคล้องกับนโยบายหรือมาตรฐานของทีมจริงหรือเปล่า
• เรากําลังแก้ปัญหาจริง หรือแค่ทําให้ดูเหมือนมีความคืบหน้า

ในองค์กรไทย เรื่องนี้เห็นภาพชัดมากเวลาใช้ AI ทํา proposal, รายงาน, สรุปประชุม หรือร่างแผนงาน ถ้า output มาเร็วเกินไป เรามักข้ามขั้น review เชิงวิจารณญาณ แล้วไปโฟกัสที่ “ส่งได้ทัน” ก่อน “ส่งได้ดี”

เมื่อ AI ทําให้ “คนสร้างงาน” โตเร็วกว่าคนตรวจงาน

อีกประเด็นที่คลิปนี้คมมากคือ AI เปลี่ยนโครงสร้างทีมโดยไม่รู้ตัว แต่ก่อนองค์กรจํานวนมากติดคอขวดที่การ “สร้าง” งาน จะเขียน จะผลิต จะร่าง จะพัฒนา ล้วนใช้แรงคนเยอะ

พอ AI เข้ามา คนหนึ่งคนสามารถผลิต output ได้หลายเท่าตัว แต่ความสามารถในการ “ตรวจ” ไม่ได้เพิ่มตามสัดส่วนเดียวกัน ผลคือทีมเริ่มมีงานกอง งานตรวจไม่ทัน และสุดท้ายเกิดพฤติกรรมที่อันตรายมาก คือ rubber stamp หรือการอนุมัติงานแบบผ่านๆ

ยิ่งไปกว่านั้น AI ยังเปิดประตูให้คนที่ไม่ใช่สายงานหลักเข้ามาสร้างงานประเภทเดิมได้มากขึ้น เช่น ฝ่ายการตลาดทําสิ่งที่เคยต้องพึ่งฝ่ายเทคนิค ฝ่ายผู้บริหารลงมือทํา automation เอง หรือคนที่เคยไม่ได้อยู่ในกระบวนการสร้างระบบ เข้ามามี output ต่อระบบมากขึ้น

เรื่องนี้ไม่ผิด แต่สิ่งที่ต้องถามคือ ใครรับผิดชอบผลลัพธ์สุดท้าย

ในหลายบริษัท คําตอบยังคงเป็นทีมเดิม ผู้จัดการเดิม หรือเจ้าของธุรกิจคนเดิม นี่แปลว่าจํานวน “ผู้สร้าง” เพิ่มขึ้นแล้ว แต่จํานวน “ผู้รับผิดชอบ” ไม่ได้เพิ่มตาม ถ้าไม่มีระบบรองรับ ความเร็วจะกลายเป็นภาระ ไม่ใช่ข้อได้เปรียบ

AI เก่งเรื่องเดินหน้า แต่ไม่เก่งเรื่องระวังพัง

ผู้พูดอธิบายธรรมชาติของ agent ได้ดีมากว่า มันถูกฝึกมาให้ “ทําให้รันได้” “ทําให้ผ่าน” “ทําให้ไปต่อได้” พูดอีกแบบคือ AI ชอบความคืบหน้า

ปัญหาคือโลกธุรกิจจํานวนมากไม่ได้พังเพราะ “ไม่มีความคืบหน้า” แต่มักพังเพราะมีความคืบหน้าที่ผิดทิศ แล้วไม่มีใครหยุดทัน

ตัวอย่างจากโลกวิศวกรรมที่ยกมา คือ AI มักเขียนระบบในแบบที่ถ้าอ่านค่า config ไม่ได้ ก็ใส่ default ไปก่อน เพื่อให้โปรแกรมทํางานต่อได้ ฟังเผินๆ เหมือนฉลาด แต่ในระบบจริงนี่อันตรายมาก เพราะมันอาจกําลังทํางานบนค่าที่ผิด แล้วกว่าจะรู้ตัว ความเสียหายก็เกิดไปแล้ว

ถ้าแปลเป็นภาษาธุรกิจ นี่เหมือน AI สร้าง workflow ที่ “พอไปได้” เช่น

• ตอบลูกค้าด้วย template ทั่วไปแม้ข้อมูลไม่ครบ
• สร้างรายงานจากข้อมูลบางส่วนแล้วเดาว่าที่เหลือคล้ายกัน
• เชื่อมระบบโดยข้ามการเช็กเงื่อนไขบางอย่างเพื่อให้ flow เดินต่อ

ผลลัพธ์คือเหมือนระบบยังวิ่งอยู่ แต่จริงๆ เปราะมาก และเมื่อมีจุดผิดเพียงจุดเดียว สิ่งที่ตามมาอาจไม่ใช่แค่ error เล็กๆ แต่อาจเป็นข้อมูลผิด การตัดสินใจผิด หรือประสบการณ์ลูกค้าที่เสียหาย

งานแบบไหนที่เหมาะกับ AI มากกว่า

คลิปนี้เสนอเส้นแบ่งที่มีประโยชน์มาก คือ AI มักทําได้ดีกับงานที่ขอบเขตชัด และทําได้แย่ลงเมื่อระบบมีความเชื่อมโยงซับซ้อน

ตัวอย่างที่ผู้พูดยกคือ “library” กับ “product”

งานแบบ library คือการแก้ปัญหาเฉพาะ มีขอบเขตชัด อินพุตชัด เอาต์พุตชัด กติกาชัด AI จึงทําได้ดีมาก ส่วนงานแบบ product คือมีหลายปัจจัยพันกันเต็มไปหมด ทั้งหน้าบ้าน หลังบ้าน สิทธิ์การเข้าถึง ราคา ฟีเจอร์ย่อย กระบวนการภายใน และข้อยกเว้นจํานวนมาก

สําหรับคนทําธุรกิจ เราอาจเทียบได้แบบนี้

• งานที่ AI มักช่วยได้ดี: สรุปข้อมูล, ร่างเอกสาร, ทําต้นแบบ, สร้าง FAQ, จัดโครงคอนเทนต์, ทํา reproduction ของปัญหา, ทดลองหลายแนวทางเร็วๆ
• งานที่ต้องระวังมาก: ออกแบบกระบวนการหลักขององค์กร, ตัดสินใจเรื่องสิทธิ์อนุมัติ, วางนโยบายราคา, จัดการข้อมูลสําคัญ, เชื่อมระบบที่กระทบหลายทีม

AI จึงไม่ใช่เครื่องมือที่ “ใช้ได้เท่ากันทุกเรื่อง” ถ้าเราใช้ถูกจุด มันคุ้มมาก แต่ถ้าใช้ผิดชั้นของปัญหา เราจะได้ความเร็วแลกกับความยุ่งยากก้อนใหญ่ในอีก 6-12 เดือน

ถ้าจะใช้ AI ให้คุ้ม ต้องออกแบบงานให้ AI อ่านออก

อีกไอเดียที่นําไปใช้ได้กว้างกว่าฝั่ง developer คือแนวคิดเรื่อง agent-legible หรือทําให้ระบบ “อ่านง่ายสําหรับ AI”

ประโยคนี้สําคัญมาก เพราะหลายองค์กรพยายามใช้ AI กับ workflow เดิมที่คนยังงงกันเองอยู่แล้ว พอ AI เข้ามา ความงงไม่ได้หาย มันแค่ถูกเร่งให้วิ่งเร็วขึ้น

สิ่งที่ผู้พูดเสนอคือ เราต้องจัดโครงสร้างงานให้เป็นโมดูล จุดตัดชัด ขั้นตอนชัด และไม่ซ่อนกติกาไว้ในที่ที่ AI มองไม่เห็น

ถ้าเอามาใช้กับธุรกิจไทย มันอาจแปลเป็นหลักคิดแบบนี้

• แยก workflow ใหญ่เป็นขั้นตอนย่อยที่ชัดเจน เช่น รับข้อมูลลูกค้า ตรวจสอบ เผยแพร่ ติดตามผล
• กําหนด template กลางแทนการปล่อยให้แต่ละคนใช้ AI คนละแบบ
• สร้างกติกาที่บังคับใช้ได้ เช่น เอกสารแบบไหนต้องมีคนอนุมัติ, งานประเภทไหนห้ามให้ AI ส่งออกเอง
• ลด “ของลับที่รู้กันเองในทีม” เพราะถ้ากติกาไม่ชัด คนใหม่ก็พลาด AI ก็พลาด

ตรงนี้เราเห็นด้วยมาก และคิดว่าเป็นบทเรียนที่องค์กรไทยมักมองข้าม เราชอบเริ่มจากซื้อ tool ก่อน แต่ยังไม่เคยจัดระเบียบข้อมูล งาน และการตัดสินใจภายในให้ดีพอ พอ AI เข้ามา มันก็สะท้อนความเละเดิมออกมาหนักกว่าเดิม

แรงเสียดทานที่ดี คือการบังคับให้คนกลับมาใช้วิจารณญาณ

คําว่า friction มักถูกใช้ในเชิงลบในโลกเทคโนโลยี คือยิ่งน้อยยิ่งดี แต่ประเด็นของคลิปนี้คือ ไม่ใช่ friction ทุกแบบที่ควรถูกกําจัด

มี friction บางชนิดที่ทําหน้าที่เหมือนพวงมาลัยและเบรก ถ้าเอาออกหมด ระบบอาจเร็วขึ้นก็จริง แต่จะบังคับทิศไม่ได้

ผู้พูดยกตัวอย่างงานที่ควรบังคับให้มนุษย์กลับมาตัดสินใจเอง เช่น

• การเปลี่ยนแปลงฐานข้อมูล
• การเปลี่ยนสิทธิ์การเข้าถึง
• การเพิ่ม dependency ใหม่
• เรื่องที่ผลกระทบขึ้นกับสภาพจริงของระบบ ไม่ใช่แค่สิ่งที่เขียนไว้ในเอกสาร

ถ้าแปลงเป็นโลกธุรกิจทั่วไป รายการนี้ควรครอบคลุมถึง

• การส่งข้อความถึงลูกค้าในประเด็นอ่อนไหว
• การอนุมัติส่วนลดหรือราคา
• การเผยแพร่ข้อมูลสาธารณะของบริษัท
• การใช้ข้อมูลส่วนบุคคล
• การเปลี่ยนขั้นตอนที่กระทบหลายทีม

จุดนี้เราเห็นด้วยเต็มที่ และอยากเติมอีกนิดว่า หลายองค์กรไทยยังเข้าใจคําว่า automation แบบสุดโต่ง คืออยากให้ “ไม่มีคนแตะเลย” แต่ในความเป็นจริง งานที่ดีจํานวนมากควรเป็น AI-assisted, human-approved ไม่ใช่ AI ทําเองจบ

มุมที่ควรเห็นต่าง: ไม่ใช่ทุกทีมต้องออกแบบเพื่อ AI ก่อนเสมอไป

แม้แนวคิดเรื่องทําระบบให้ AI อ่านง่ายจะดีมาก แต่ก็มีข้อจํากัดที่ควรพูดตรงๆ คือไม่ใช่ทุกองค์กรต้องรีบปรับทุกอย่างให้เหมาะกับ AI ก่อนเสมอไป

บางธุรกิจยังมีปัญหาพื้นฐานกว่านั้น เช่น ข้อมูลกระจัดกระจาย เจ้าของงานไม่ชัด เอกสารไม่อัปเดต หรือ KPI ชนกันเอง ถ้ายังแก้เรื่องพวกนี้ไม่ไหว การพยายามทํา workflow ให้ AI เข้ามาจัดการ อาจกลายเป็นการเอา layer ใหม่ไปครอบความวุ่นวายเดิม

ดังนั้นลําดับที่ดีกว่าคือ

1. จัดกระบวนการหลักให้คนเข้าใจก่อน
2. กําหนดจุดเสี่ยงและจุดอนุมัติให้ชัด
3. ค่อยใช้ AI เร่งเฉพาะส่วนที่ขอบเขตชัดและย้อนกลับได้

AI ไม่ได้แทนที่การจัดการองค์กรที่ดี มันแค่ขยายผลของสิ่งที่มีอยู่แล้ว ถ้าระบบดี มันช่วยให้ดีขึ้นเร็ว ถ้าระบบงง มันช่วยให้งงเร็วขึ้นเหมือนกัน

เจ้าของธุรกิจควรหยิบอะไรจากคลิปนี้ไปใช้ทันที

Actionable Insights

• แบ่งงานเป็น 2 กลุ่ม งานที่ให้ AI ร่างได้เลย กับงานที่ต้องมีคนอนุมัติก่อนปล่อยเสมอ
• อย่าวัดแค่ปริมาณ output ต้องวัดจํานวนงานที่ต้องแก้ซ้ํา งานที่หลุด และเวลาที่ใช้ตรวจด้วย
• ออกแบบจุดหยุดคิด เช่น เอกสารราคา ข้อความลูกค้า หรือรายงานสําคัญ ต้องมี checkpoint ก่อนส่ง
• เริ่มจากงานขอบเขตชัด เช่น สรุปประชุม ร่าง SOP คัดแยกข้อมูล หรือสร้างต้นแบบ แทนการโยนงานซับซ้อนทั้งก้อนให้ AI
• เขียนกติกาให้ AI อ่านออก ใช้ template, checklist, และ prompt มาตรฐาน แทนการให้แต่ละคน improvisation เองหมด

Troubleshooting

• ปัญหา: ทีมทํางานได้เร็วขึ้น แต่ผิดพลาดบ่อยขึ้น
  สาเหตุ: output โตเร็วกว่าความสามารถในการตรวจและรับผิดชอบ
  วิธีแก้: กําหนดงานที่ต้อง review โดยมนุษย์ก่อนเสมอ, ลดขนาดงานย่อยให้ตรวจง่ายขึ้น, วัดอัตราแก้ซ้ําทุกสัปดาห์
• ปัญหา: ใช้ AI แล้วเหมือนงานเดิน แต่ทีมกลับสับสนมากขึ้น
  สาเหตุ: workflow เดิมไม่ชัดอยู่แล้ว พอ AI เข้ามาก็เร่งความสับสน
  วิธีแก้: เขียนขั้นตอนหลักของงานใหม่ให้สั้นและชัด, ระบุ input-output ของแต่ละขั้น, เอา AI ไปใช้ทีละจุด
• ปัญหา: คนในทีมเริ่มเชื่อ AI มากเกินไป
  สาเหตุ: AI ให้คําตอบเร็วและดูมั่นใจ ทําให้เราหยุดตั้งคําถาม
  วิธีแก้: เพิ่ม checklist แบบบังคับ เช่น ข้อมูลนี้มาจากไหน, มีความเสี่ยงด้านลูกค้าหรือกฎหมายไหม, ถ้าผิดแล้วกระทบอะไร
• ปัญหา: หลายฝ่ายเริ่มสร้างงานด้วย AI เอง แต่คุณภาพไม่สม่ําเสมอ
  สาเหตุ: ไม่มีมาตรฐานกลางเรื่อง prompt, template, และการอนุมัติ
  วิธีแก้: สร้าง playbook กลางของบริษัท, กําหนด prompt ตัวอย่าง, ตั้ง owner ที่รับผิดชอบงานแต่ละประเภทให้ชัด
• ปัญหา: พอมีปัญหาเกิดขึ้น ไม่มีใครแน่ใจว่าใครต้องรับผิดชอบ
  สาเหตุ: มีคนสร้างงานเพิ่มขึ้นจาก AI แต่โครงสร้าง accountability ไม่ได้อัปเดต
  วิธีแก้: ระบุ owner ของ output ทุกชนิด, งานไหน AI ช่วยได้แต่ใครเป็นคนเซ็นรับรองต้องชัด, บันทึกการตัดสินใจสําคัญทุกครั้ง

การต่อยอด

• ทํา AI policy แบบใช้งานจริง ไม่ต้องยาว แต่ต้องตอบให้ได้ว่างานไหนใช้ได้ งานไหนห้ามใช้ และใครอนุมัติ
• สร้าง human callout system เวลา AI ทํางานบางประเภท ระบบต้องเตือนให้คนกลับมาเช็กเอง เช่น เรื่องเงิน ลูกค้า หรือข้อมูลสําคัญ
• ทํา scorecard วัดหนี้ที่ AI สร้าง ไม่ใช่วัดแค่ว่าทําได้กี่ชิ้น แต่ดูว่ามีงานที่ต้องแก้ซ้ํา กู้คืน หรือสะสางตามหลังเท่าไร

สรุป Checklist ทั้งหมด

• ☐ แยกให้ออกว่างานไหนเหมาะให้ AI เร่ง และงานไหนต้องให้คนตัดสินใจเอง
• ☐ หยุดวัด productivity จากปริมาณ output อย่างเดียว
• ☐ สร้าง checkpoint สําหรับงานที่เสี่ยงสูง
• ☐ ทํา workflow ให้สั้น ชัด และแบ่งเป็นขั้นตอนย่อย
• ☐ ใช้ template และมาตรฐานกลาง แทนการปล่อยให้แต่ละคนทําเองหมด
• ☐ ระบุ owner ของงานทุกประเภทให้ชัด แม้ AI จะเป็นคนช่วยสร้าง
• ☐ เริ่มใช้ AI กับงานขอบเขตชัดก่อน เช่น สรุป ร่าง ทดลอง
• ☐ ตั้งกติกาว่างานใดต้องมี human approval ก่อนส่งออก
• ☐ ทบทวนเป็นประจําว่า AI ช่วยลดงานจริง หรือแค่ย้ายภาระไปที่การตรวจและการแก้

สรุปแบบสั้นที่สุด คลิปนี้ไม่ได้บอกให้เรากลัว AI แต่กําลังเตือนว่า ความเร็วไม่เคยแทนวิจารณญาณได้ ยิ่ง AI ช่วยเราทํางานได้มากขึ้น เราก็ยิ่งต้องตั้งใจออกแบบ “แรงเสียดทาน” ที่ถูกจุดมากขึ้นด้วย

เพราะสุดท้ายแล้ว สิ่งที่ทําให้ธุรกิจโตอย่างมั่นคงไม่ใช่แค่การส่งงานได้ไว แต่คือการรู้ว่าตรงไหนควรปล่อยให้เครื่องวิ่ง และตรงไหนคนต้องกลับมาจับพวงมาลัยเอง