ที่มา: คลิปของ Nate Herk | AI Automation และบทความ VideoToBlog วันที่ 2026-07-09 (วันที่แสดงในบทความต้นทาง ไม่ใช่วันที่อัปโหลดวิดีโอที่ตรวจยืนยันแล้ว) ชื่อรุ่น ราคา เวลา จำนวน token คะแนน 24 ต่อ 3 และบทบาท manager/worker เป็นผลหรือความเห็นที่ต้นทางรายงานในชุดทดลองนี้ ยังไม่ได้ทดสอบซ้ำหรือตรวจสถานะล่าสุด ค่าใช้จ่ายเป็นต้นทุนงานตัวอย่าง ไม่ใช่ราคาที่รับรองสำหรับทุกบัญชี ภาพนิ่งไม่ยืนยันความลื่นของเกมหรือเวลาประมวลผล และการปฏิเสธคำตอบเพียงอย่างเดียวไม่ใช่หลักฐานว่าโมเดลผ่านข้อกำหนดด้านความปลอดภัยขององค์กร ตัวอย่างธุรกิจไทยคงจากต้นฉบับ · วิดีโอต้นทาง
ปัญหาของการเลือก AI model วันนี้ไม่ใช่แค่ว่าใครแรงกว่าใน benchmark แต่คือใครช่วยให้งานเดินเร็วขึ้นจริง และใครทำให้ต้นทุนไม่บานปลายโดยไม่รู้ตัว นี่คือประเด็นที่คลิปจาก Nate Herk | AI Automation หยิบมาทดสอบแบบตรงไปตรงมา ด้วยการเอา GPT 5.6 Sol มาเทียบกับ Fable 5 ในงานจริง ไม่ใช่แค่ดูคะแนนบนสไลด์
สิ่งที่น่าสนใจคือผลไม่ได้ออกมาว่า “ตัวไหนชนะทุกด้าน” แต่กลับชัดมากว่าแต่ละตัวเหมาะกับคนละบทบาท ถ้าเราเป็นเจ้าของธุรกิจหรือคนทำงานที่อยากเอา AI ไปใช้จริง ประเด็นสำคัญไม่ใช่การหา model ที่เก่งที่สุดเสมอไป แต่คือการหา model ที่เหมาะกับงาน และคุ้มกับเงินที่จ่ายในแต่ละ workflow
บทความนี้สรุปและวิเคราะห์สิ่งที่เกิดขึ้นจากการทดสอบทั้งงานสร้างเกม เว็บ interactive งานเปิดกว้างหลายแบบ ไปจนถึงการเรียกผ่าน API แบบรวดเร็ว พร้อมตีความต่อว่า ถ้าเอามาใช้กับธุรกิจไทย เราควรคิดอย่างไร
สารบัญ
- Step 1: เริ่มจากคำถามที่ถูกก่อน วัด AI จากงานจริง ไม่ใช่แค่ benchmark
- Step 2: ทดสอบงานสร้างเกมในเบราว์เซอร์ แล้วดูทั้งคุณภาพ เวลา และราคา
- Step 3: ทดสอบเว็บแบบ scroll-stopping เพื่อแยกคำว่าเร็ว ออกจากคำว่าน่าจดจำ
- Step 4: ทดสอบโจทย์ปลายเปิด เพื่อดูความหลากหลายของความคิด
- Step 5: ดูผล API one-off tasks แล้วแยกงานเร็วออกจากงานคิดลึก
- Step 6: เข้าใจข้อสรุปหลัก Fable คือผู้จัดการ ส่วน Sol คือคนลงมือทำ
- Step 7: จัดอันดับ model ให้ตรงความจริง ไม่หลงกับชื่อเวอร์ชัน
- Step 8: แปลงผลทดสอบให้เป็นแผนใช้งานในธุรกิจไทย
- Actionable Insights
- Troubleshooting
- การต่อยอด
- สรุป Checklist ทั้งหมด
Step 1: เริ่มจากคำถามที่ถูกก่อน วัด AI จากงานจริง ไม่ใช่แค่ benchmark
ช่วงต้นของคลิปมีการโชว์ตัวเลข benchmark ของ GPT 5.6 Sol ซึ่งออกมาน่าประทับใจมาก ทั้งเรื่องคะแนนและราคา แต่ผู้ทำคลิปเลือกไม่หยุดอยู่แค่นั้น เพราะในโลกการทำงานจริง คะแนนสูงไม่ได้แปลว่าผลลัพธ์จะดีที่สุดเสมอไป
นี่เป็นมุมที่เราเห็นด้วยมาก โดยเฉพาะในฝั่งธุรกิจ เพราะสิ่งที่เราซื้อจาก AI ไม่ใช่ความฉลาดในเชิงทฤษฎี แต่คือ งานที่ส่งมอบได้จริง เช่น
- ช่วยทำ landing page ได้เร็วขึ้นไหม
- ช่วยคิดงานคอนเทนต์ที่ใช้งานได้เลยหรือไม่
- ช่วยตรวจงาน ลดบั๊ก ลดเวลาทีมได้หรือเปล่า
- ค่าใช้จ่ายต่อชิ้นงานรับได้ไหม
ถ้าวัดในมุมนี้ การทดสอบแบบ side by side จึงมีค่ามากกว่า benchmark ล้วนๆ
Step 2: ทดสอบงานสร้างเกมในเบราว์เซอร์ แล้วดูทั้งคุณภาพ เวลา และราคา
การทดสอบแรกคือให้ทั้งสอง model สร้างเกมจักรยาน open world ที่เล่นได้ในเบราว์เซอร์ โดยเปิดอิสระด้านความคิดสร้างสรรค์พอสมควร ผลที่ได้สะท้อนความต่างของสอง model ชัดมาก
ชิ้นงานของ Sol ทำงานได้จริง ระบบพื้นฐานครบ มีการเก็บเหรียญ ควบคุมได้ กระโดดได้ แต่ประสบการณ์โดยรวมยังดูเป็นงานที่ “ใช้ได้” มากกว่า “น่าสนุก” กล้องมุมมองด้านบนทำให้ควบคุมยากอยู่บ้าง
ส่วน Fable ให้ผลลัพธ์ที่ดูมีความเป็นเกมมากกว่า บรรยากาศคล้ายเกม open world มากขึ้น มุมมองและความรู้สึกตอนเล่นดู immersive กว่าอย่างเห็นได้ชัด
แต่จุดสำคัญคือ พอเทียบเรื่องต้นทุน ภาพกลับเปลี่ยนทันที
- Fable ใช้เวลาประมาณ 21 นาทีครึ่ง และมีต้นทุนราว 14.22 ดอลลาร์
- Sol ใช้เวลาประมาณ 23 นาที และมีต้นทุนราว 4.5 ดอลลาร์
อีกจุดที่ผู้ทำคลิปสังเกตคือ Sol ใช้ output token น้อยกว่ามาก ซึ่งแปลว่า model นี้ประหยัด token กว่าอย่างต่อเนื่อง
มุมวิเคราะห์ที่น่าสนใจคือ ถ้าเราเป็นธุรกิจที่ต้องทำ prototype จำนวนมาก เช่น ทำเกม demo, หน้า microsite โปรโมชัน, หรือ interactive campaign หลายเวอร์ชัน Sol อาจคุ้มกว่ามาก เพราะต้นทุนต่อรอบต่ำกว่าเยอะ แม้คุณภาพรอบแรกจะยังไม่สุด
แต่ถ้างานนั้นเป็นชิ้น flagship ที่ต้องการความ wow ตั้งแต่ครั้งแรก เช่น หน้าเปิดตัวสินค้าใหม่ หรือ demo สำหรับ pitching ลูกค้า Fable น่าจะลดภาระแก้รอบหลังได้ดีกว่า
Step 3: ทดสอบเว็บแบบ scroll-stopping เพื่อแยกคำว่าเร็ว ออกจากคำว่าน่าจดจำ
การทดสอบถัดมาคือให้ model สร้างเว็บไซต์ interactive ที่ดึงสายตาเมื่อเลื่อนหน้าเว็บลงมา ทั้งสองฝั่งเลือกแนวทางคล้ายกันอย่างน่าสนใจ คือใช้ภาพแบบ 3D พร้อมเล่าเรื่องเป็นลำดับ
งานของ Fable ชัดเจนว่ามีแรงกระแทกมากกว่า เปิดด้วยธีมจักรวาลและเล่าการเดินทางยาวตั้งแต่จุดเริ่มต้นของเอกภพไปจนถึงคำว่า “YOU” ตอนจบ เอฟเฟกต์ภาพและเสียงช่วยสร้างประสบการณ์ที่มีน้ำหนัก
ฝั่ง Sol ทำได้ดีเช่นกัน งานดูมีสไตล์และมีเรื่องเล่า แต่ระดับความ immersive ยังเป็นรอง
เมื่อดูตัวเลขจะเห็นความต่างรุนแรงมาก
- Fable ใช้เวลาประมาณ 23 นาที ค่าใช้จ่ายราว 19.24 ดอลลาร์
- Sol ใช้เวลาประมาณ 7 นาที และค่าใช้จ่ายเพียงราว 1 ดอลลาร์กว่า
นี่คือจุดที่คนทำธุรกิจต้องคิดให้ชัดว่าเรากำลังซื้ออะไร ถ้าถามว่า Fable ดีกว่าไหม คำตอบคือใช่ในเชิงคุณภาพ แต่ถ้าถามว่าดีกว่าถึงระดับ 20 เท่าของราคาไหม คำตอบอาจไม่ใช่
สำหรับธุรกิจไทย ภาพนี้แปลได้ตรงมาก
- ถ้าเรากำลังทำหน้าแคมเปญสำหรับยิงแอดหลายชุด Sol น่าสนใจมาก
- ถ้าเรากำลังทำหน้าแบรนด์ระดับพรีเมียมที่ใช้เล่า story ของสินค้า Fable อาจคุ้มกว่า
- ถ้าต้องทำ A/B test หลายรอบ เราอาจเริ่มด้วย Sol แล้วค่อยใช้ Fable กับเวอร์ชันที่ชนะ
แนวคิดนี้คล้ายกับหลักการทำ conversion optimization ที่เน้นทดสอบเยอะในต้นทุนต่ำก่อน แล้วค่อยเทงบกับตัวที่พิสูจน์แล้ว ดูแนวทางเพิ่มเติมได้จาก CXL
Step 4: ทดสอบโจทย์ปลายเปิด เพื่อดูความหลากหลายของความคิด
การทดสอบที่สามน่าสนใจมาก เพราะโจทย์กำกวมกว่าเดิม ผู้ทำคลิปขอให้ทั้งสอง model ออกแบบ visual element ที่ต่างกันอย่างสิ้นเชิง 5 แบบ จะเป็นเกม เว็บไซต์ งานนำเสนอ หรือ simulation ก็ได้
Fable สร้างชุดผลงานที่มีทั้งโลกจำลอง เกมวงโคจร งานภาพ generative และเรื่องเล่าใต้น้ำ จุดเด่นคือความกล้าที่จะตีโจทย์ให้กว้าง และให้ประสบการณ์ที่หลากหลายพอสมควร
Sol ก็ให้ผลลัพธ์หลายแบบเช่นกัน มีทั้งงานภาพ แผนที่ เกมพิมพ์คำ สไลด์ และ simulation อย่าง Tidepool God ซึ่งดูเหมือนระบบจำลองสิ่งมีชีวิตเล็กๆ ในสระน้ำ
สิ่งที่น่าสังเกตคือทั้งสองฝั่งมีบั๊กพอสมควร บางชิ้นทำงานไม่ครบ บาง interaction แปลกๆ นี่เป็นคำเตือนสำคัญสำหรับคนที่คิดจะใช้ AI สร้างงานจริงแบบกดครั้งเดียวจบ เพราะแม้งานจะดูน่าทึ่ง แต่ความนิ่งของระบบยังต้องตรวจเอง
สุดท้ายผู้ทำคลิปให้คะแนนรอบนี้กับ Sol เล็กน้อย เพราะรู้สึกว่าความหลากหลายและแนวคิดโดยรวมดีกว่า แม้จะไม่ชนะขาด
ตัวเลขรอบนี้ก็น่าสนใจมาก
- Fable ใช้เวลาประมาณ 15 นาที ค่าใช้จ่ายราว 15 ดอลลาร์
- Sol ใช้เวลาประมาณ 7 นาที ค่าใช้จ่ายราว 1 ดอลลาร์
ถ้ามองแบบคนทำธุรกิจ นี่คือ use case ของงาน ideation ชัดๆ เช่น
- หาแนวคิดคอนเทนต์ 5 แบบสำหรับเปิดตัวสินค้า
- ร่างประสบการณ์ลูกค้า 5 แบบก่อนเลือกทำจริง
- ทดสอบ concept visual สำหรับบูธ งานอีเวนต์ หรือเว็บโปรโมชัน
ในเฟสที่ยังเป็นการ “หาไอเดีย” Sol ดูคุ้มมาก เพราะเราสามารถลองหลายรอบโดยไม่เจ็บงบ
Step 5: ดูผล API one-off tasks แล้วแยกงานเร็วออกจากงานคิดลึก
นอกจากงานแบบ agentic build ผู้ทำคลิปยังทดสอบการเรียก model ผ่าน API แบบ one-off คือถามสั้น ตอบสั้น ไม่ได้มี loop หลายขั้นตอน
ผลออกมาว่า Sol ชนะถึง 24 ครั้ง ขณะที่ Fable ชนะ 3 ครั้ง แต่ประเด็นสำคัญคือ Fable มีหลายครั้งที่ปฏิเสธไม่ตอบเลย เพราะ guardrail เข้มกว่า
ตรงนี้ตีความได้สองทาง
- ถ้ามองในแง่ productivity งานสั้นๆ Sol ดูน่าใช้กว่า เพราะตอบได้ไวและไม่เรื่องมาก
- ถ้ามองในแง่ความปลอดภัยหรือ compliance Fable อาจเหมาะกับบางองค์กรที่ต้องการกรอบชัด
ที่น่าสนใจคือเมื่อวัดเฉพาะเคสที่ Fable ตอบจริง คะแนนความสามารถใกล้เคียงกับ Sol มาก ดังนั้นชัยชนะของ Sol ในรอบนี้ไม่ได้เกิดจากฉลาดกว่ามาก แต่เกิดจาก ความพร้อมจะตอบ และ ต้นทุนที่ต่ำกว่า
นี่สำคัญมากสำหรับงานในบริษัท เช่น
- สรุปอีเมล
- แปลงโน้ตประชุมเป็น action items
- เขียนคำโปรยสินค้า 10 เวอร์ชัน
- ช่วยตอบคำถามซ้ำๆ ของทีมขาย
งานเหล่านี้ไม่ต้องใช้ model ระดับสูงสุดเสมอไป เพราะถ้างานมีความยากระดับ 5 เราไม่จำเป็นต้องจ่ายราคา model ระดับ 10
Step 6: เข้าใจข้อสรุปหลัก Fable คือผู้จัดการ ส่วน Sol คือคนลงมือทำ
นี่คือข้อสรุปที่ชัดที่สุดของคลิป และน่าจะเป็นประโยคที่จำง่ายที่สุดด้วย
- Fable เป็น manager
- Sol เป็น worker
Fable เด่นในเรื่องต่อไปนี้
- Creativity
- Advising
- Knowledge work
- งานวิดีโอ
- ไม่ over-engineer มากเกินไป
- ความสามารถโดยรวมสูงกว่า
Sol เด่นในเรื่องเหล่านี้
- ราคา
- Computer use
- เล่นบท devil's advocate ได้ดี
- หาบั๊กเก่ง
- Verification
- ความเร็ว
ภาษาง่ายๆ คือ Fable เหมือนคนที่ช่วยคิด ช่วยตัดสินใจ ช่วยวางทิศทาง ส่วน Sol เหมือนคนที่รับโจทย์แล้วไปทำให้เสร็จเร็วๆ
ถ้าเอามาแปลงเป็นภาพธุรกิจไทย เราอาจใช้แบบนี้
- ใช้ Fable ช่วยคิดแผนคอนเทนต์รายเดือน ช่วยตัดสินไอเดีย ช่วยร่าง strategy
- ใช้ Sol ช่วยแตกงานออกเป็นโพสต์ ช่วยเขียน draft หลายเวอร์ชัน ช่วยตรวจข้อผิดพลาด
- ใช้ Fable review งานของ Sol ก่อนเผยแพร่ในงานสำคัญ
จริงๆ โมเดลการทำงานแบบนี้คล้ายระบบ “หัวหน้าคิด ลูกทีมทำ” ซึ่งใช้ได้ดีกับ AI มากกว่าการหวังให้ model ตัวเดียวทำทุกอย่างครบในต้นทุนต่ำ
Step 7: จัดอันดับ model ให้ตรงความจริง ไม่หลงกับชื่อเวอร์ชัน
อีกมุมที่ผู้ทำคลิปตั้งข้อสังเกตได้คมคือ แม้ชื่อของ Sol จะเป็น GPT 5.6 แต่จากความรู้สึกในการใช้งานจริง มันยังไม่อยู่ระดับเดียวกับ Fable 5
เขามองว่า Sol น่าจะใกล้กับ Opus 4.8 มากกว่า และดีกว่า GPT 5.5 อย่างชัดเจน แต่ยังมีช่องว่างอยู่พอสมควรก่อนจะไปเทียบชั้น Fable ได้เต็มตัว
จุดนี้เตือนเราอีกเรื่องหนึ่ง คืออย่าตัดสิน model จากชื่อรุ่นหรือการตลาดอย่างเดียว ควรดูว่าในการใช้งานจริง มันอยู่ตรงไหนในสามแกนหลัก
- ความสามารถ
- ต้นทุน
- ความนิ่งในการใช้งาน
ถ้าต้องการเทียบ framework การประเมิน model เพิ่มเติม แนวคิดของ model evals ก็ช่วยให้เราวางระบบทดสอบภายในทีมได้ดี
Step 8: แปลงผลทดสอบให้เป็นแผนใช้งานในธุรกิจไทย
ถ้าต้องสรุปแบบใช้งานได้เลย สำหรับเจ้าของธุรกิจและคนทำงานในไทย เราแนะนำให้คิดเป็น 3 ชั้น
ชั้นที่ 1 งานคิด
ใช้ Fable เมื่อโจทย์ต้องอาศัย judgement สูง เช่น วางโครงคอร์ส วาง brand narrative ร่างข้อเสนอธุรกิจ วิเคราะห์คู่แข่ง หรือเขียนสคริปต์ที่ต้องมีน้ำหนัก
ชั้นที่ 2 งานผลิต
ใช้ Sol กับงานที่ต้องทำจำนวนมากและต้องไว เช่น แตกโพสต์จากบทความ 20 ชิ้น สรุปประชุม จัดหมวดหมู่อีเมล ตรวจจุดผิดพลาด หรือช่วยเตรียมข้อมูลให้ทีม
ชั้นที่ 3 งานตรวจ
ให้ Sol ช่วยไล่หาบั๊ก ข้อขัดแย้ง หรือมุมที่ตกหล่น แล้วให้ Fable ช่วยตัดสินรอบสุดท้ายในงานสำคัญ
ถ้าจะพูดแบบตรงๆ มุมที่หลายคนพลาดคือรีบใช้ model แพงกับทุกงาน ทั้งที่งานส่วนใหญ่ในองค์กรไม่ต้องใช้ความสามารถระดับสูงสุด นั่นทำให้ค่า AI สูงขึ้นโดยไม่จำเป็น
Actionable Insights
- แยก workflow ให้ชัดว่าอันไหนคือ “งานคิด” และอันไหนคือ “งานผลิต” ก่อนเลือก model
- เริ่มต้น ideation จำนวนมากด้วย Sol แล้วค่อยโยนตัวเลือกที่ดีที่สุดไปให้ Fable ขัดเกลา
- ถ้างานต้องออกสู่ลูกค้าระดับพรีเมียม ใช้ Fable กับรอบสุดท้ายเพื่อลดงานแก้ไข
- ถ้างานเป็นงานซ้ำๆ รายวัน เช่น สรุปข้อมูล ตอบคำถาม หรือแตกงานย่อย ให้ Sol เป็น default ก่อน
- วัดต้นทุนต่อชิ้นงาน ไม่ใช่ดูแค่ราคาต่อ token เพราะ token efficiency ต่างกันมาก
Troubleshooting
- ปัญหา: งานจาก AI ดูน่าตื่นเต้นแต่ใช้งานจริงไม่ได้
สาเหตุ: โฟกัสที่หน้าตา มากกว่าการตรวจ interaction และ logic
วิธีแก้: ให้มี checklist ทดสอบทุกชิ้น เช่น คลิกได้จริงไหม โหลดเร็วไหม มีบั๊กไหม - ปัญหา: ค่าใช้จ่าย AI สูงเกินคาด
สาเหตุ: ใช้ model ระดับสูงกับทุกงาน รวมถึงงานง่ายๆ
วิธีแก้: แบ่งงานตามความยาก แล้วกำหนด model ประจำแต่ละประเภท - ปัญหา: model ปฏิเสธไม่ตอบบ่อย
สาเหตุ: guardrail เข้ม หรือคำสั่งกำกวมเกินไป
วิธีแก้: ปรับ prompt ให้เฉพาะเจาะจงขึ้น และเตรียม model สำรองสำหรับงานเดียวกัน - ปัญหา: ได้ผลลัพธ์เร็วแต่คุณภาพไม่ถึง
สาเหตุ: ใช้ model ที่เน้น speed กับงานที่ต้องการ strategy
วิธีแก้: ให้ model ที่เร็วทำ draft ก่อน แล้วส่งต่อให้ model ที่คิดเก่ง review - ปัญหา: ทีมสับสนว่าเมื่อไรควรใช้ model ไหน
สาเหตุ: ไม่มีกติกาภายในทีม
วิธีแก้: ทำ playbook 1 หน้า ระบุ use case, model ที่ใช้, และเงื่อนไขการอนุมัติงาน
การต่อยอด
- ทำระบบสองชั้นในทีม คือ Sol สร้าง draft อัตโนมัติ แล้ว Fable ทำหน้าที่ reviewer สำหรับงานสำคัญ
- สร้างคลัง prompt แยกตามแผนก เช่น ฝ่ายขาย การตลาด HR และบริการลูกค้า เพื่อจับคู่ model ให้เหมาะกับแต่ละงาน
- ทำ internal eval ของบริษัทเอง โดยเอางานจริง 20 งานมาทดสอบซ้ำทุกเดือน เพื่อดูว่า model ไหนคุ้มสุดในเวลานั้น
สรุป Checklist ทั้งหมด
- ☐ เลิกดูแค่ benchmark แล้วหันมาวัดจากงานจริง
- ☐ แยกงานเป็นงานคิด งานผลิต และงานตรวจ
- ☐ ใช้ Fable กับงานที่ต้องการ creativity และ judgement สูง
- ☐ ใช้ Sol กับงานที่ต้องการความเร็ว ราคาเบา และทำซ้ำจำนวนมาก
- ☐ ตรวจต้นทุนต่อชิ้นงาน ไม่ใช่แค่ราคาหน้า pricing
- ☐ ยอมรับว่าทั้งสอง model ยังมีบั๊กและต้องมีคนตรวจงาน
- ☐ วาง workflow แบบ manager plus worker แทนการหวังพึ่ง model ตัวเดียว
- ☐ ทำ playbook การเลือก model ให้ทีมใช้งานตรงกัน
- ☐ ทดสอบกับ use case ของธุรกิจเราเองก่อนตัดสินใจใช้ยาว
สรุปสั้นที่สุดของศึก GPT 5.6 Sol vs Fable 5 คือ Fable เก่งกว่า แต่ Sol คุ้มกว่าในหลายงาน ถ้าเราต้องการ AI ที่ช่วยคิด วางมุม และยกระดับคุณภาพงาน Fable ยังเหนือกว่าอยู่พอสมควร แต่ถ้าเราต้องการ AI ที่ลงมือทำไว ต้นทุนไม่แรง และรับงานปริมาณมากได้ Sol คือทางเลือกที่น่าสนใจมาก
สำหรับคนทำธุรกิจ คำตอบจึงไม่ใช่ “เลือกตัวเดียว” แต่คือออกแบบระบบให้ทั้งสองตัวทำงานในจุดที่ตัวเองเก่งที่สุด นั่นต่างหากคือวิธีใช้ AI ให้คุ้มในงานจริง
