ที่มา: คลิป Helena Liu และบทความ VideoToBlog วันที่ 2026-07-06 (วันที่แสดงในบทความต้นทาง ไม่ใช่วันที่อัปโหลดวิดีโอที่ตรวจยืนยันแล้ว) เงินเดือน 85,000 ดอลลาร์ต่อปี สวัสดิการ คุณสมบัติผู้สมัคร คอร์ส ขั้นตอนคัดเลือก และความร่วมมือ Anthropic/CodePath/Social Finance เป็นรายละเอียดที่ต้นทางรายงานในเวลานั้น ยังไม่ได้ตรวจประกาศรับสมัครทางการหรือยืนยันว่าเปิดรับอยู่ ไม่ใช่ข้อเสนองานหรือการรับรองสิทธิสมัครจากบทความนี้ ผู้สนใจต้องตรวจนายจ้าง ระยะเวลา สถานที่ เงื่อนไขสิทธิทำงาน และข้อกำหนดการใช้ AI ในใบสมัครจากโครงการโดยตรง ตัวอย่างเรื่องเล่าและผลงานต้องเป็นความจริง ไม่ควรส่งข้อมูลส่วนตัวของผู้อื่นเข้า AI โดยไม่ได้รับอนุญาต ส่วนบทเรียนธุรกิจไทยคงจากต้นฉบับ · วิดีโอต้นทาง
ตลาดงาน AI กำลังส่งสัญญาณชัดขึ้นเรื่อยๆ ว่า สิ่งที่มีค่าที่สุดอาจไม่ใช่คนเขียนโค้ดเก่งที่สุด แต่คือคนที่มองเห็นปัญหาหน้างาน แล้วแปลงมันเป็น workflow ที่ AI ช่วยได้จริง
คลิปของ Helena Liu พูดถึงโครงการของ Anthropic ที่เปิดรับคนไปทำงานด้าน AI implementation ในองค์กรไม่แสวงกำไร พร้อมเงินเดือน 85,000 ดอลลาร์ต่อปี ไม่มีเงื่อนไขว่าต้องมีปริญญาหรือประสบการณ์เขียนโค้ด เรื่องนี้น่าสนใจมาก ไม่ใช่แค่เพราะเป็นโอกาสงาน แต่เพราะมันสะท้อนว่าบริษัท AI ระดับโลกกำลังมองหาทักษะแบบไหน
สำหรับเจ้าของธุรกิจและคนทำงานในไทย ประเด็นสำคัญไม่ใช่แค่ว่า “สมัครอย่างไร” แต่คือ “โลกงานใหม่ต้องการคนแบบไหน” และ “ถ้าเราอยากเอา AI ไปใช้จริงในองค์กร เราควรคิดแบบไหน” บทความนี้จึงไม่ได้สรุปแค่รายละเอียดโครงการ แต่จะวิเคราะห์ให้เห็นว่าแนวคิดนี้แปลเป็นการลงมือทำในธุรกิจไทยได้อย่างไร
สารบัญ
- Step 1: ทำความเข้าใจก่อนว่าโครงการนี้กำลังจ้างคนแบบไหน
- Step 2: มองให้ขาดว่าคุณสมบัติที่เขาหาคือ critical thinking ไม่ใช่ใบปริญญา
- Step 3: เช็กเงื่อนไขให้ชัด แล้วแยกเรื่องโอกาสออกจากความเป็นจริง
- Step 4: เขียนใบสมัครแบบคนแก้ปัญหา ไม่ใช่คนให้ AI เขียนแทน
- Step 5: ใช้ prompt แบบ interview เพื่อดึงเรื่องจริงออกมา
- Step 6: ทำคอร์สพื้นฐานให้ครบ เพราะมันสะท้อนวินัยมากกว่าความเก่ง
- Step 7: เพิ่มโอกาสด้วยโปรเจกต์เล็กที่จับต้องได้
- Step 8: เตรียมสัมภาษณ์แบบคนทำ implementation จริง
- Step 9: ตอบคำถามสัมภาษณ์ให้เห็นทั้งทักษะคนและทักษะคิด
- Step 10: อ่านภาพใหญ่ให้ออกว่าโลกงานกำลังเปลี่ยน
- Step 11: แปลงบทเรียนจากคลิปเป็น Actionable Insights
- Step 12: Troubleshooting ปัญหาที่มักเจอเวลาเอา AI ไปใช้จริง
- Step 13: การต่อยอดที่ธุรกิจไทยเอาไปทำต่อได้
- Step 14: สรุป Checklist ทั้งหมด
Step 1: ทำความเข้าใจก่อนว่าโครงการนี้กำลังจ้างคนแบบไหน
โครงการนี้เป็นความร่วมมือระหว่าง Anthropic, CodePath และ Social Finance โดยบทบาทหลักคือส่งคนเข้าไปช่วยองค์กรไม่แสวงกำไรปรับกระบวนการทำงานด้วย AI เช่น food bank, งานสาธารณสุข, ที่อยู่อาศัย หรือหน่วยงานบริการสังคมที่มีภาระงานซ้ำๆ เยอะ แต่ไม่มีงบหรือทีมเชี่ยวชาญพอจะเริ่มเอง
จุดสำคัญคือ Anthropic ไม่ได้มองหานักพัฒนา software แบบดั้งเดิม แต่กำลังมองหาคนที่เข้าใจ “งาน” เข้าใจ “คน” และพอจะออกแบบวิธีใช้ AI ให้เหมาะกับปัญหาเฉพาะหน้าได้
นี่เป็นมุมที่ธุรกิจไทยควรหยิบไปคิดต่อทันที เพราะหลายองค์กรยังเริ่มจากคำถามผิด เช่น จะซื้อ tool อะไรดี หรือจะใช้ model ไหนแรงสุด แต่คำถามที่ควรเริ่มจริงๆ คือ
- งานไหนใช้เวลาคนมากเกินไป
- ขั้นตอนไหนซ้ำๆ และวัดผลได้
- ทีมงานกลัว AI เพราะอะไร
- ถ้าเริ่มเล็กที่สุด จะเริ่มตรงไหนแล้วเห็นผลเร็ว
ตำแหน่งแบบนี้จึงเป็นตัวอย่างชัดมากว่า AI implementation ไม่ได้แปลว่าเก่งเทคนิคอย่างเดียว แต่ต้องเป็นคนแปลปัญหาธุรกิจให้กลายเป็นระบบช่วยงานได้
Step 2: มองให้ขาดว่าคุณสมบัติที่เขาหาคือ critical thinking ไม่ใช่ใบปริญญา
ข้อเสนอของโครงการนี้ค่อนข้างแรง เงินเดือน 85,000 ดอลลาร์ต่อปี พร้อมสวัสดิการ และในแบบฟอร์มที่ปรากฏในคลิปมีคำถามว่าผู้สมัครมีประสบการณ์ทำงานเต็มเวลารวมต่ำกว่า 2 ปีหรือไม่ ที่สำคัญคือไม่บังคับว่าต้องมีปริญญาหรือพื้นฐาน coding
ฟังเผินๆ เหมือนเป็นข่าวงานที่ใครก็สมัครได้ แต่ถ้ามองให้ลึก สิ่งที่ Anthropic กำลังส่งสัญญาณคือ บริษัทเริ่มเชื่อว่าความสามารถในการคิดแก้ปัญหามีค่ากว่าข้อมูลบนเรซูเม่
มุมนี้น่าสนใจมากสำหรับธุรกิจไทยที่ยังรับคนโดยดูจากชื่อมหาวิทยาลัย ตำแหน่งเดิม หรือจำนวนปีประสบการณ์เป็นหลัก เพราะเมื่อ AI เข้ามาช่วยทำงานเชิงผลิตซ้ำได้เร็วขึ้น สิ่งที่แยกคนเก่งออกจากคนทั่วไปไม่ใช่แค่ความรู้ แต่คือการตั้งโจทย์ การตรวจคำตอบ และการจัดการคนในระบบ
ถ้าเอาแนวคิดนี้มาใช้กับองค์กรไทย เราอาจต้องเปลี่ยนวิธีหาคนใหม่ เช่น แทนที่จะถามว่าเคยใช้ AI ไหม อาจถามว่า
- เคยลดเวลางานเอกสารจาก 3 ชั่วโมงเหลือ 30 นาทีได้อย่างไร
- เคยออกแบบ flow การตอบลูกค้าให้ทีมทำงานง่ายขึ้นไหม
- ถ้า AI ตอบผิด จะตรวจยังไงก่อนส่งถึงลูกค้า
คำถามพวกนี้บอกศักยภาพได้มากกว่าชื่อ tool ที่คนเคยใช้
Step 3: เช็กเงื่อนไขให้ชัด แล้วแยกเรื่องโอกาสออกจากความเป็นจริง
แบบฟอร์มในคลิปถามว่าผู้สมัครมีอายุอย่างน้อย 18 ปี ณ วันที่ 19 ตุลาคม 2026 หรือไม่ และต้องมีสิทธิทำงานในสหรัฐอเมริกา ไม่ว่าจะเป็นพลเมืองสหรัฐหรือผู้ถือ green card อีกทั้งเป็นงาน onsite ต้องย้ายที่อยู่และทำงานกับองค์กร host แบบเต็มเวลา
ตรงนี้สำคัญเพราะหลายคนอาจตื่นเต้นกับพาดหัวข่าวจนลืมดูข้อจำกัดจริง โอกาสมีอยู่ แต่ไม่ใช่โอกาสที่เปิดทั่วโลก
สำหรับเราในไทย ประเด็นที่ควรเก็บไม่ใช่เรื่อง eligibility แต่คือรูปแบบงานที่ต้องลงพื้นที่จริง เพราะการทำ AI adoption ให้สำเร็จแทบไม่ใช่งาน remote ทางความคิดอย่างเดียว คนทำต้องเห็นกระบวนการจริง คุยกับทีมจริง และเข้าใจ pain point ที่เจ้าตัวอาจอธิบายไม่ครบ
นี่คือเหตุผลที่หลายโปรเจกต์ AI ในองค์กรล้มเหลว เพราะเริ่มจากผู้บริหารสั่งซื้อ platform ก่อนเข้าใจงานหน้างาน
Step 4: เขียนใบสมัครแบบคนแก้ปัญหา ไม่ใช่คนให้ AI เขียนแทน
ส่วนที่คมที่สุดในคลิปคือการอธิบายใบสมัคร มีคำถามสั้นๆ สองข้อ แต่เป็นข้อที่ใช้แยกคนได้ดีมาก
- เล่าเรื่องที่เคยทำแล้วสร้างผลกระทบต่อชุมชนจริง
- เล่าเหตุการณ์ที่ผิดพลาดหรือแผนที่พัง แล้วอะไรเปลี่ยนไปหลังจากนั้น
ทั้งสองข้อมีพื้นที่จำกัด จึงไม่ใช่สนามของคำตอบสวย แต่เป็นสนามของความจริงที่เล่าได้เฉพาะเจาะจง
Helena Liu แนะนำว่าไม่ควรใช้ AI สร้างคำตอบสำเร็จรูปแล้วส่งทันที เพราะคำตอบทั่วไปอาจไม่แสดงประสบการณ์จริงของผู้สมัคร ทั้งนี้ไม่ได้หมายความว่าผู้อ่านสามารถตรวจได้แน่นอนว่าข้อความใดเขียนโดย AI และผู้สมัครควรทำตามข้อกำหนดของโครงการ
มุมมองของเราคือ ปัญหาไม่ได้อยู่ที่การใช้ AI ช่วยเขียน แต่อยู่ที่ใช้ผิดบทบาท AI ควรเป็นคู่คิด ไม่ใช่ ghostwriter ถ้าใช้ให้ถูก มันควรช่วยเราขุดเรื่องจริง ช่วยท้าทายว่าเรื่องไหนยังไม่ชัด และช่วยลดความฟุ้ง
หลักคิดนี้ใช้กับงานธุรกิจไทยได้เหมือนกัน เวลาให้ทีมทำ proposal, case study หรือสรุปผลงาน อย่าให้ AI เขียนแทนทั้งหมด ให้ใช้ AI ช่วยถามกลับ เช่น
- ผลลัพธ์ที่วัดได้จริงมีอะไรบ้าง
- มีตัวเลขหรือหลักฐานไหม
- ใครได้ประโยชน์จากงานนี้
- บทเรียนหลังความผิดพลาดคืออะไร
Step 5: ใช้ prompt แบบ interview เพื่อดึงเรื่องจริงออกมา
ในคลิปมีการเสนอ 3 prompt ที่น่าสนใจมาก เพราะไม่ได้ใช้ AI เพื่อ “ตอบแทน” แต่ใช้เพื่อ “สัมภาษณ์เรา”
Prompt ชุดแรกใช้ขุดเรื่องราวด้านชุมชน โดยให้ AI ถามทีละข้อเกี่ยวกับครอบครัว โรงเรียน งาน อาสาสมัคร งานอดิเรก หรือช่วงเวลาที่เราเข้าไปช่วยโดยไม่มีใครสั่ง จุดประสงค์คือหาสตอรี่ที่วัดผลได้ และเป็นตัวตนจริง
Prompt ชุดที่สองใช้ขุดเหตุการณ์ล้มเหลว โดยบังคับให้หาเคสที่เรา “มีส่วนผิดจริง” และต้องตอบให้ได้ว่าหลังจากนั้นเราเปลี่ยนนิสัย ระบบ หรือวิธีทำงานอะไร ไม่ใช่จบที่คำว่าได้บทเรียนเยอะเลย
Prompt ชุดที่สามคือให้ AI ทำหน้าที่ editor ที่โหดพอจะให้คะแนนงานเขียนตามเกณฑ์ เช่น มีโครงปัญหา การลงมือทำ ผลลัพธ์ แรงจูงใจ มีตัวเลขจริงไหม และฟังดูเป็นมนุษย์หรือไม่
นี่คือ framework ที่เจ้าของธุรกิจเอาไปใช้ได้ทันที เช่น ใช้กับการให้ทีมขายสรุปเคสลูกค้า ใช้กับทีม HR เขียน self review หรือใช้กับทีมการตลาดสกัด customer story เพราะสิ่งที่องค์กรต้องการไม่ใช่ข้อความเยอะ แต่คือเรื่องที่ชัดและตรวจสอบได้
ถ้าอยากอ่านเรื่องการเขียน prompt ให้ดีขึ้น Anthropic เองก็มีแนวทางสาธารณะในหน้า prompting guide ซึ่งเอาไปประยุกต์กับงานเอกสารในองค์กรได้เยอะ
Step 6: ทำคอร์สพื้นฐานให้ครบ เพราะมันสะท้อนวินัยมากกว่าความเก่ง
อีกข้อที่ผู้สมัครต้องทำคือเรียน 2 คอร์สฟรีของ Anthropic ให้จบ ได้แก่ AI Fluency: Framework & Foundations และ Claude 101
คอร์สพวกนี้ไม่ใช่ด่านยาก แต่เป็นด่านคัดกรองที่ดีมาก คนที่ไม่ยอมทำของฟรีที่ใช้เวลาไม่นาน มักไม่ใช่คนที่พร้อมลงมือจริง
อันนี้สะท้อนกับธุรกิจไทยเต็มๆ เวลาจะเริ่มใช้ AI ในทีม ถ้ายังไม่มีใครผ่านพื้นฐานร่วมกัน การคุยจะลอยทันที บางคนคิดว่า AI คือ chatbot บางคนคิดว่า automation บางคนคิดว่า agent สุดท้ายคุยกันคนละเรื่อง
ก่อนลงทุนกับ tool แพงๆ องค์กรควรทำสิ่งพื้นฐานให้ตรงกันก่อน เช่น
- ให้ทุกคนเข้าใจข้อจำกัดเรื่อง hallucination
- ให้รู้จักการเขียน prompt แบบมีข้อมูลครบ
- ให้เข้าใจว่าเมื่อไรควรให้คนตรวจ
- ให้เห็น use case ของงานตัวเอง ไม่ใช่แค่ตัวอย่างทั่วไป
Step 7: เพิ่มโอกาสด้วยโปรเจกต์เล็กที่จับต้องได้
อีกคำแนะนำที่คมมากคือ ถ้าอยากเด่นกว่าคนอื่น ควรแนบลิงก์ผลงานที่สร้างขึ้นจริงไปด้วย ไม่ต้องเป็นโปรเจกต์ใหญ่ แค่เป็นของที่แสดงให้เห็นว่าเราคิดเป็นและทำเป็น
ตัวอย่างในคลิปคือสร้างแบบฟอร์มรับบริจาคสำหรับ food bank บน Google Forms แล้วเชื่อมต่อผ่าน Zapier ให้ระบบส่งข้อความตอบกลับแบบเฉพาะบุคคลโดยใช้ Claude
ความน่าสนใจของตัวอย่างนี้อยู่ที่มันเรียบง่ายมาก ใช้เวลาไม่กี่ชั่วโมง แต่สื่อได้ครบว่าเจ้าของผลงานมองเห็น flow งานตั้งแต่รับข้อมูล ตีความ และตอบสนองโดยอัตโนมัติ
ถ้าเอาแนวคิดนี้มาใช้กับธุรกิจไทย เราไม่จำเป็นต้องเริ่มจากระบบซับซ้อน เราอาจเริ่มจาก
- ฟอร์มเก็บ lead แล้วให้ AI ช่วยจัดหมวดหมู่ความสนใจ
- ฟอร์มรับสมัครงานแล้วสรุปคุณสมบัติเบื้องต้น
- ฟอร์ม feedback ลูกค้าแล้วให้ AI สกัดปัญหาซ้ำๆ
- ฟอร์มขอใบเสนอราคาแล้วให้ AI ร่างข้อความตอบกลับ
เครื่องมืออย่าง Zapier หรือ Make ช่วยให้การต่อ workflow แบบนี้เกิดขึ้นได้โดยไม่ต้องเริ่มจากการเขียนระบบเอง
สิ่งที่นายจ้างหรือผู้บริหารอยากเห็นไม่ใช่ demo หรู แต่คือสัญญาณว่าเราเข้าใจปัญหาและลงมือแก้เป็น
Step 8: เตรียมสัมภาษณ์แบบคนทำ implementation จริง
หลังจากผ่านใบสมัคร จะมีหลายรอบ ตั้งแต่ take-home project ไปจนถึงการสัมภาษณ์เชิงพฤติกรรมและการจับคู่กับองค์กร host
รอบแรกที่น่าจับตาคือ take-home project ผู้สมัครจะได้โจทย์ปัญหาจากองค์กรไม่แสวงกำไร แล้วต้องอธิบายว่าจะเข้าหาโจทย์อย่างไร จะ prompt แบบไหน จะใช้เครื่องมืออะไร และวางขั้นตอนการแก้อย่างไร
จุดนี้สำคัญมาก เพราะเขาไม่ได้ดูแค่ output แต่ดูวิธีคิดระหว่างทาง นี่แหละคือหัวใจของ AI implementation
มุมของเราคือ ธุรกิจไทยควรใช้วิธีประเมินคนแบบนี้มากขึ้นแทนการถามความจำ เช่น ถ้าจะหาคนมาดู AI ในองค์กร อย่าถามว่าเคยใช้ ChatGPT ไหม แต่ให้โจทย์จริงว่า ถ้าทีมบริการลูกค้ามีคำถามซ้ำวันละ 200 เคส จะออกแบบระบบช่วยยังไง พร้อมระบุจุดเสี่ยงและวิธีตรวจคุณภาพ
Step 9: ตอบคำถามสัมภาษณ์ให้เห็นทั้งทักษะคนและทักษะคิด
คำถามสัมภาษณ์ในคลิปสะท้อนสิ่งที่องค์กรต้องการชัดมาก เช่น ใช้ AI ในชีวิตประจำวันยังไง เคยสอนตัวเองเรื่องอะไรล่าสุด และทำอย่างไรถึงเรียนรู้ได้
คำถามพวกนี้ไม่ได้ถามเอาคำตอบสวย แต่กำลังดูว่าเราเป็นคนเรียนรู้เองได้ไหม และใช้ AI เป็นเครื่องมือทำงานจริงหรือยัง
รอบลึกขึ้นจะถามเรื่องยากกว่าเดิม เช่น ถ้ามีผู้บริหารกังวลว่า AI จะมาแทนทีมและไม่ยอมร่วมมือ จะทำอย่างไร
หรือถ้า Claude ให้คำตอบที่ดูเหมือนถูก แต่เราไม่มั่นใจ จะตรวจยังไงต่อ
หรือถ้าเข้าองค์กรไปแล้วไม่มีใคร technical และผู้สนับสนุนงานก็ยุ่งมาก 30 วันแรกจะทำอะไร
รวมถึงคำถามที่ดูง่ายแต่จริงๆ ลึกมาก เช่น อธิบายโปรเจกต์ที่สร้างให้กรรมการอายุ 70 ปีฟังให้เข้าใจ
คำถามเหล่านี้บอกชัดว่า AI adoption ไม่ใช่เรื่อง tool อย่างเดียว แต่มันคือ change management, communication และ judgment
หลายองค์กรในไทยพลาดตรงนี้ ชอบหาคนที่รู้ tool เยอะ แต่ไม่ถามว่าคนคนนั้นทำให้ทีมยอมใช้ได้หรือเปล่า อธิบายให้ผู้บริหารเข้าใจได้ไหม หรือรู้จักหยุด AI เมื่อมันตอบผิดหรือไม่
Step 10: อ่านภาพใหญ่ให้ออกว่าโลกงานกำลังเปลี่ยน
ช่วงท้ายของคลิปมีประเด็นที่ควรฟังให้ดีมาก คือเรซูเม่กำลังมีพลังน้อยลง เพราะใครก็ให้ AI ช่วยแต่งได้ในเวลาไม่กี่นาที สิ่งที่มีน้ำหนักมากขึ้นคือผลงานจริง วิธีคิด และหลักฐานว่าเคยใช้ AI แก้ปัญหาจริงมาแล้ว
เราค่อนข้างเห็นด้วยกับประเด็นนี้ แต่ก็มีข้อควรระวังเล็กน้อย คือไม่ใช่ว่า degree ไม่มีความหมายเลย เพียงแต่ในงานบางแบบ โดยเฉพาะงานที่ต้องขับเคลื่อนการเปลี่ยนแปลงในองค์กร ทักษะหน้างานอาจบอกศักยภาพได้ชัดกว่าใบรับรอง
สำหรับเจ้าของธุรกิจไทย นี่หมายความว่า ถ้าเรากำลังสร้างทีม AI ภายในองค์กร เราอาจไม่ต้องเริ่มจากการหาคนเก่งที่สุดในเชิงเทคนิคเสมอไป แต่อาจเริ่มจากคนที่มี 4 อย่างนี้
- เข้าใจกระบวนการธุรกิจ
- ถามคำถามเก่ง
- ทดสอบและตรวจคำตอบเป็น
- คุยกับคนหลายระดับแล้วพาให้เกิดการใช้งานจริงได้
Step 11: แปลงบทเรียนจากคลิปเป็น Actionable Insights
- เริ่มจากงาน ไม่ใช่เริ่มจาก tool เลือก 1 กระบวนการที่ซ้ำและกินเวลาคนมากที่สุดก่อน
- ใช้ AI เป็นคู่คิด ให้มันช่วยถาม ช่วย challenge ช่วยตรวจ ไม่ใช่เขียนแทนทั้งหมด
- ทำ prototype เล็กให้ไว ฟอร์มหนึ่งอัน workflow หนึ่งเส้น ก็พอพิสูจน์แนวคิดได้แล้ว
- วัดผลด้วยตัวเลข เช่น ลดเวลาตอบลูกค้าได้กี่นาที ลดงานคัดแยกเอกสารได้กี่เปอร์เซ็นต์
- ฝึกทีมให้ตรวจคำตอบ AI เพราะ output ที่ดูดี ไม่ได้แปลว่าถูกเสมอ
Step 12: Troubleshooting ปัญหาที่มักเจอเวลาเอา AI ไปใช้จริง
ปัญหา: ทีมงานบอกว่า AI จะมาแทนงาน เลยไม่ร่วมมือ
สาเหตุ: สื่อสารเป้าหมายผิด เน้นลดคนแทนที่จะเน้นลดงานซ้ำ
วิธีแก้: เริ่มจาก use case ที่ช่วยงานน่าเบื่อก่อน เช่น สรุปเอกสาร จัดหมวดคำถาม และให้ทีมมีส่วนร่วมออกแบบ flow
ปัญหา: AI ตอบดูดีมาก แต่ข้อมูลผิด
สาเหตุ: เชื่อ output เร็วเกินไป ไม่มีขั้นตรวจสอบ
วิธีแก้: กำหนด checklist ตรวจทุกครั้ง เช่น แหล่งข้อมูล ตัวเลขสำคัญ และจุดที่ต้องมีคนอนุมัติก่อนใช้จริง
ปัญหา: ทำ prompt แล้วได้คำตอบกว้างๆ ใช้งานต่อไม่ได้
สาเหตุ: ป้อนโจทย์ไม่พอ ไม่มีข้อมูลจริงของงาน
วิธีแก้: ใส่เป้าหมาย กลุ่มเป้าหมาย รูปแบบ output ตัวอย่างข้อมูล และข้อห้ามให้ครบ
ปัญหา: ทดลองใช้ AI หลายรอบแต่ไม่เห็นผลธุรกิจ
สาเหตุ: เลือกโจทย์ที่ใหญ่เกิน หรือวัดผลไม่เป็น
วิธีแก้: แตกโปรเจกต์เป็นงานย่อย เริ่มจากสิ่งที่วัดเวลา คุณภาพ หรือจำนวนเคสได้ชัด
ปัญหา: ผู้บริหารสนใจ AI แต่ทีมปฏิบัติไม่ขยับ
สาเหตุ: ไม่มีเจ้าภาพดูแล implementation จริง
วิธีแก้: ตั้งคนรับผิดชอบ 1 คนต่อ 1 workflow และทำรอบทดลอง 2 ถึง 4 สัปดาห์พร้อมสรุปผล
Step 13: การต่อยอดที่ธุรกิจไทยเอาไปทำต่อได้
- สร้างตำแหน่งภายในแบบ AI implementation lead ที่ไม่จำเป็นต้องเป็น developer แต่ต้องเก่ง process และ communication
- ทำคลัง use case ภายในบริษัท แยกตามทีมขาย การตลาด HR บัญชี และบริการลูกค้า เพื่อให้การเริ่มใช้ AI ไม่เริ่มจากศูนย์ทุกครั้ง
- ออกแบบแบบทดสอบรับคนทำงานใหม่จากโจทย์จริง แทนการดูเรซูเม่อย่างเดียว
Step 14: สรุป Checklist ทั้งหมด
- ☐ เข้าใจว่าบทบาท AI implementation คือการแก้ปัญหางาน ไม่ใช่แค่ใช้ tool เป็น
- ☐ ประเมินทักษะ critical thinking ให้มากกว่าปริญญาและเรซูเม่
- ☐ มองข้อจำกัดจริงของโครงการ แยกจากความตื่นเต้นของพาดหัวข่าว
- ☐ เขียนใบสมัครหรือเอกสารงานจากเรื่องจริงที่วัดผลได้
- ☐ ใช้ AI ช่วย interview และ refine ไม่ใช่เขียนแทนทั้งหมด
- ☐ เรียนพื้นฐาน AI ให้ทีมมีภาษากลางร่วมกันก่อน
- ☐ สร้างโปรเจกต์เล็กที่จับต้องได้เพื่อพิสูจน์แนวคิด
- ☐ ฝึกตอบโจทย์แบบ take-home จากปัญหาธุรกิจจริง
- ☐ เตรียมรับมือคำถามเรื่องการจัดการคน ความกลัว และการตรวจคำตอบ AI
- ☐ ปรับวิธีหาคนและวิธีวัดผลงานให้เน้นของจริงมากกว่าคำสวย
สรุปแล้ว ข่าวที่ว่า Anthropic จ่าย 85,000 ดอลลาร์เพื่อให้คนไปทำงานด้าน AI ไม่ได้มีค่าน่าสนใจแค่เรื่องเงินเดือน แต่มันเป็นหลักฐานชิ้นใหญ่ของตลาดงานว่า คนที่มีค่าในยุค AI คือคนที่เชื่อม “ความเข้าใจธุรกิจ” เข้ากับ “ความสามารถใช้ AI” ได้จริง
ถ้าเราเป็นเจ้าของธุรกิจหรือคนทำงานในไทย บทเรียนสำคัญจึงไม่ใช่ว่าจะสมัครโครงการนี้ได้ไหม แต่คือจะสร้างตัวเองและทีมให้เป็นคนแบบนั้นได้หรือยัง เพราะสุดท้าย คนที่ได้เปรียบไม่ใช่คนที่ใช้ AI เยอะที่สุด แต่คือคนที่ใช้มันแก้ปัญหาได้ตรงจุดที่สุด
