สรุปจากคลิป ดูคลิปต้นฉบับ

Image Generation กำลังเข้าสู่ Renaissance และธุรกิจควรเริ่มตรงไหน

ตัวเลขเดียวที่สะท้อนภาพรวมได้ชัดมากคือ ตอนนี้มีการสร้างภาพมากกว่า 1.5 พันล้านภาพต่อสัปดาห์ บน ChatGPT นี่ไม่ใช่แค่เรื่องของภาพสวยขึ้น แต่คือสัญญาณว่าการสร้างภาพด้วย AI กำลังขยับจากของเล่น ไปสู่เครื่องมือทำงานจริงในระดับ mass แล้ว

ในตอนหนึ่งของ OpenAI Podcast ช่อง OpenAI ชวนคุยเรื่อง Images 2.0 กับ Adele Li ฝั่ง product และ Kenji Hata ฝั่ง research ประเด็นที่น่าสนใจไม่ใช่แค่ว่า model ใหม่เก่งขึ้นตรงไหน แต่คือ มันเริ่มตอบโจทย์งานของคนทำธุรกิจ ตั้งแต่งานสื่อสาร งานขาย งานการตลาด ไปจนถึงการเรียนรู้และออกแบบ workflow ใหม่ทั้งชุด

สิ่งที่น่าคิดคือ การมาของ image generation รอบนี้ไม่ได้ชนะกันที่ “ภาพสวย” อย่างเดียว แต่ชนะกันที่ ความเข้าใจโลก ความเข้าใจคำสั่ง และความนำไปใช้ได้จริง ซึ่งเป็นจุดที่หลายธุรกิจไทยควรเริ่มมองให้เป็นมากกว่าแค่ทำโพสต์ลงโซเชียล

สารบัญ

• จาก DALL·E ถึง Images 2.0: จุดต่างที่ธุรกิจควรสนใจ
• ทำไม text rendering ถึงสำคัญกว่าที่หลายคนคิด
• ภาพสวยขึ้นไม่พอ แต่ต้อง “เข้าใจงาน” มากขึ้น
• ยุคใหม่ของ image generation คือ productivity ไม่ใช่แค่ความสนุก
• หนึ่งในความสามารถที่ประเมินค่าต่ำเกินไป: aspect ratio และ 360 images
• ความไวรัลที่น่าสนใจ: คนไม่ได้อยากได้แค่ภาพสวย แต่ต้องการความจริงและความไม่เนี้ยบ
• Creative control ยังสำคัญ และคนที่มี taste จะยิ่งได้เปรียบ
• การศึกษา งานองค์กร และ personalized learning คือ use case ที่แรงกว่าที่คิด
• เมื่อ Images ทำงานคู่กับ Codex: จุดเริ่มของ creative agent
• Actionable Insights
• Troubleshooting
• การต่อยอด
• สรุป Checklist ทั้งหมด

จาก DALL·E ถึง Images 2.0: จุดต่างที่ธุรกิจควรสนใจ

OpenAI ใช้คำเปรียบเทียบค่อนข้างแรงว่า ถ้า DALL·E คือยุคหิน Images 2.0 คือยุค Renaissance ฟังเผินๆ อาจดูเป็นคำโปรโมต แต่เมื่อไล่ดูความสามารถที่ถูกยกขึ้นมา จะเห็นว่ามีเหตุผลรองรับอยู่พอสมควร

แกนหลักของการพัฒนารอบนี้มีอยู่ 4 เรื่อง

• Text rendering ดีขึ้นมาก เขียนตัวอักษรได้ถูกกว่าเดิม อ่านออกจริง ใช้งานเป็นหน้าเอกสาร อินโฟกราฟิก หรือสไลด์ได้
• รองรับหลายภาษา ทำให้การใช้งานไม่จำกัดอยู่แค่ภาษาอังกฤษ
• Photorealism สูงขึ้น ภาพคนและวัตถุดูเหมือนภาพถ่ายมากขึ้น บิดรูปหน้าหรือลำตัวน้อยลง
• World knowledge ดีขึ้น model เข้าใจสิ่งต่างๆ ในโลกมากขึ้น เลยสื่อสารกลับออกมาเป็นภาพที่สมเหตุสมผลกว่าเดิม

ถ้ามองจากฝั่งเจ้าของธุรกิจ นี่คือความต่างระหว่าง “ได้ภาพไว้เล่น” กับ “ได้ภาพไว้ใช้ทำงาน” เพราะปัญหาของ image AI รุ่นก่อนๆ ไม่ได้มีแค่วาดตัวหนังสือเพี้ยน แต่คือมันยังไม่ค่อยเข้าใจสิ่งที่เราต้องการในระดับงานจริง เช่น เลย์เอาต์เอกสาร ความสัมพันธ์ของวัตถุ หรือความสอดคล้องของภาพหลายใบในชุดเดียวกัน

ทำไม text rendering ถึงสำคัญกว่าที่หลายคนคิด

จุดที่ Kenji กับ Adele เน้นหลายครั้งคือเรื่องตัวหนังสือในภาพ ซึ่งดูเป็นรายละเอียดเล็กๆ แต่จริงๆ แล้วนี่อาจเป็นเส้นแบ่งสำคัญของการใช้งานเชิงธุรกิจ

เมื่อก่อน AI สร้างโปสเตอร์ได้แต่ตัวหนังสือเละ ทำให้สุดท้ายทีมยังต้องไปแก้ใน Canva, PowerPoint หรือ Photoshop อยู่ดี แต่เมื่อ model เริ่มวางข้อความได้ดีขึ้น เราจะได้ use case ใหม่จำนวนมากทันที เช่น

• อินโฟกราฟิกสรุปสินค้า
• สไลด์ประชุมภายใน
• สื่อการสอน
• โปสเตอร์โปรโมชันหลายเวอร์ชัน
• ภาพปกคอนเทนต์ที่มีข้อความซ้อนบนภาพ

OpenAI เล่าว่าในพรีเซนเทชันภายใน ตอนนี้มากกว่า 50% ของสไลด์ถูกสร้างด้วย ImageGen แล้ว จุดนี้สะท้อนชัดว่าเครื่องมือนี้เริ่มแทรกเข้าไปในงานสื่อสารประจำวัน ไม่ได้จำกัดอยู่แค่ทีมครีเอทีฟ

สำหรับธุรกิจไทย ผลกระทบจะชัดใน 3 งาน

1. งานขาย เช่น one-page สรุปแพ็กเกจ บริการ หรือข้อเสนอราคาให้ดูง่ายขึ้น
2. งานการตลาด เช่นโพสต์โปรโมชันที่ต้องทำหลายภาษา หลายขนาด หลายช่องทาง
3. งานอบรม เช่นคู่มือ ภาพสรุป workflow หรือสื่อการเรียนภายในองค์กร

มุมที่ควรเห็นต่างกับความตื่นเต้นคือ ถึง text rendering จะดีขึ้นมาก แต่ยังไม่ควรปล่อยไปใช้งานสำคัญแบบไม่ตรวจ โดยเฉพาะงานที่มีราคา ตัวเลข เงื่อนไขทางกฎหมาย หรือข้อมูลสุขภาพ เพราะความผิดเล็กน้อยในภาพ มักหลุดสายตาง่ายกว่าข้อความธรรมดา

ภาพสวยขึ้นไม่พอ แต่ต้อง “เข้าใจงาน” มากขึ้น

ประเด็นที่น่าสนใจอีกข้อคือทีมไม่ได้มองแค่ raw capability ว่า model วาดได้ละเอียดแค่ไหน แต่สนใจเรื่อง taste หรือรสนิยมของ output ด้วย ว่าแบบไหนคนใช้แล้วรู้สึกว่า “ใช่”

นี่เป็นประเด็นสำคัญมาก เพราะคนทำธุรกิจไม่ได้ต้องการภาพที่แค่ technically ถูก แต่ต้องการภาพที่สื่อสารได้ ถูกกาลเทศะ และเหมาะกับงาน เช่น ภาพสำหรับเด็ก 5 ขวบ กับภาพใน consulting deck ไม่ควรใช้ตรรกะภาพแบบเดียวกัน

ตรงนี้ทำให้ Images 2.0 ดูมีแนวโน้มจะเป็นมากกว่าเครื่องสร้างภาพ แต่เป็นเครื่องมือช่วยตีความความต้องการที่กำกวม เช่น

• “ทำให้ดูดีขึ้น”
• “ทำให้น่ารักขึ้น”
• “ขอเวอร์ชันที่ดูมืออาชีพกว่าเดิม”

คำสั่งแบบนี้เป็นภาษาคนทำงานจริง ไม่ใช่ภาษาของ prompt engineer และถ้า model ตีความเจตนาได้ดี ธุรกิจก็จะลดเวลาวนแก้งานลงมาก

ยุคใหม่ของ image generation คือ productivity ไม่ใช่แค่ความสนุก

Kenji พูดชัดว่า image generation เคยถูกมองเป็นเรื่องสนุกหรือเรื่องเล่นๆ แต่ตอนนี้เริ่มขยับไปสู่ productivity use cases แล้ว ซึ่งตรงกับภาพที่เราเห็นในตลาดจริง

ตัวอย่าง use case ที่ถูกยกขึ้นมามีตั้งแต่

• อินโฟกราฟิกและภาพประกอบความรู้
• งานการศึกษาและตำรา
• พรีเซนเทชัน
• คอนเทนต์โซเชียล
• ภาพสำหรับอสังหาริมทรัพย์
• งานออกแบบเว็บและแอป
• งานเกม เช่น sprite sheets และ character sheets

ถ้าแปลให้เข้ากับธุรกิจไทย เราจะเห็น 4 กลุ่มที่น่าจะใช้ได้ก่อนใคร

1) ธุรกิจที่ขายด้วยภาพ

ร้านค้าออนไลน์ อสังหาฯ ท่องเที่ยว อาหาร แฟชั่น และความงาม จะได้ประโยชน์มากที่สุด เพราะสามารถสร้างภาพ mockup, ภาพโปรโมต, ภาพ staging หรือภาพอธิบายสินค้าได้เร็วขึ้น

2) ธุรกิจที่ต้องสื่อสารเรื่องยากให้เข้าใจง่าย

เช่น โรงพยาบาล คลินิก การเงิน ประกัน การศึกษา หรือ B2B ที่ขายของซับซ้อน อินโฟกราฟิกและภาพสรุปกระบวนการจะช่วยได้มาก

3) ทีมที่ต้องผลิตคอนเทนต์จำนวนมาก

เอเจนซี ทีมการตลาด in-house และ creator economy จะใช้ประโยชน์จากความเร็วในการทำหลายเวอร์ชัน หลายอัตราส่วน และหลายสไตล์

4) ทีมที่ต้องทำงานข้ามหน้าที่

ฝ่าย HR, sales, training, operations ที่เมื่อก่อนต้องรอทีมดีไซน์ ตอนนี้สามารถทำภาพต้นแบบหรือ draft ไปก่อน แล้วให้ทีมดีไซน์ช่วยเกลาในขั้นสุดท้าย

หนึ่งในความสามารถที่ประเมินค่าต่ำเกินไป: aspect ratio และ 360 images

ฟีเจอร์ที่ฟังดูเล็กแต่มีความหมายเชิงใช้งานสูงคือ การสร้างภาพได้หลายอัตราส่วนอย่างยืดหยุ่น ทีม OpenAI เล่าว่าผู้ใช้เริ่มสร้างภาพแบบพาโนรามายาวมาก ไปจนถึงภาพสไตล์ 360 องศา

หลายคนอาจมองว่าเป็นลูกเล่น แต่ในเชิงธุรกิจมันแปลว่า AI เริ่มเข้าใกล้งาน production มากขึ้น เพราะการใช้งานจริงไม่ได้มีแค่ภาพสี่เหลี่ยมจัตุรัส เราต้องการภาพแนวนอนสำหรับ header, ภาพแนวตั้งสำหรับ Story, ภาพ banner สำหรับหน้าเว็บ หรือภาพปกแพลตฟอร์มต่างๆ

Andrew Mayne ยกตัวอย่างว่าเขาใช้สร้าง social media header สำหรับหนังสือของตัวเองได้ตั้งแต่ครั้งแรก ตรงนี้สะท้อนสิ่งที่สำคัญกว่า “วาดรูปเก่ง” คือ เข้าใจ output format ที่งานจริงต้องใช้

ความไวรัลที่น่าสนใจ: คนไม่ได้อยากได้แค่ภาพสวย แต่ต้องการความจริงและความไม่เนี้ยบ

จุดที่น่าสนใจมากในบทสนทนาคือ เทรนด์ไวรัลบางอย่างกลับเป็นการใช้ model ที่เก่งมาก ไปสร้างภาพที่ตั้งใจให้ดูง่อย ดูเหมือน MS Paint หรือดูเหมือนวาดด้วยสีเทียน

นี่เป็นสัญญาณสำคัญของตลาดผู้ใช้ AI เพราะมันบอกว่า คนไม่ได้ต้องการความเพอร์เฟกต์เสมอไป แต่ต้องการ อารมณ์ ความจริงใจ และเอกลักษณ์ ด้วย

สำหรับแบรนด์ นี่คือบทเรียนสำคัญ ถ้าเราใช้ AI แล้วทุกชิ้นงานออกมาดู “ลื่นเกิน เรียบเกิน สวยเกิน” บางครั้งอาจกลายเป็นดูห่างเหิน ไม่เป็นมนุษย์ และไม่น่าจดจำ

ธุรกิจไทยหยิบแนวคิดนี้ไปใช้ได้หลายแบบ เช่น

• ทำโพสต์โซเชียลที่ตั้งใจให้ดู sketch หรือ hand-drawn เพื่อให้รู้สึกเข้าถึงง่าย
• ใช้สไตล์เด็กวาดสำหรับสื่อสารเรื่องครอบครัว การศึกษา หรือกิจกรรมชุมชน
• ทำคอนเทนต์เบื้องหลังที่ไม่ได้ polished จนเกินไป

สรุปคือ AI ที่เก่งขึ้น ไม่ได้แปลว่าเราควรทำทุกอย่างให้เนี้ยบที่สุด แต่ควรเลือก “บุคลิกของภาพ” ให้เหมาะกับงานมากกว่า

Creative control ยังสำคัญ และคนที่มี taste จะยิ่งได้เปรียบ

อีกประเด็นที่น่าชอบคือทีมพูดตรงกันว่า แม้ model จะเก่งขึ้นจนคนทั่วไปใช้ได้ง่ายขึ้น แต่คนที่มี creative direction ชัด มี taste หรือมี judgment ที่ดี จะยังได้ผลลัพธ์ที่เหนือกว่า

นี่คือสิ่งที่คนทำธุรกิจควรเข้าใจให้ถูก AI ไม่ได้ทำให้รสนิยมหมดความสำคัญ แต่มันทำให้ รสนิยมถูกแปลงเป็น output ได้เร็วขึ้น

OpenAI ยังบอกว่าการอัปโหลดภาพอ้างอิงหรือ context เข้าไปช่วยได้มาก เพราะ model สามารถจับ “จิตวิญญาณ” ของภาพต้นทางแล้วแปลออกมาเป็นงานใหม่ได้ดีขึ้น

ภาษาง่ายๆ คือ ถ้าเรายังบอกไม่ชัดว่าชอบแบบไหน AI ก็ช่วยได้แค่ระดับหนึ่ง แต่ถ้าเรามี reference ที่ดี เราจะคุมงานได้มากขึ้นทันที

สำหรับคนทำธุรกิจ นี่แปลเป็น workflow ได้ว่า

1. เก็บ reference library ของแบรนด์ไว้ให้ชัด
2. กำหนด mood and tone ของภาพแต่ละประเภท
3. ใช้ AI สร้าง draft หลายเวอร์ชัน
4. ให้คนตัดสินใจเลือกทิศทาง ไม่ปล่อยให้ AI ตัดสินใจแทนทั้งหมด

การศึกษา งานองค์กร และ personalized learning คือ use case ที่แรงกว่าที่คิด

Adele ยกตัวอย่างที่น่าสนใจมากว่า มีอาจารย์ด้านชีววิทยาใช้ model สร้างภาพระดับตำราบัณฑิตศึกษา และพบว่ามันถูกต้องมาก นี่ไม่ใช่แค่เรื่อง wow แต่สะท้อนว่า image generation เริ่มมีบทบาทในการอธิบายความรู้ซับซ้อน

ในองค์กรไทย เราน่าจะเห็นผลชัดในงาน 3 แบบ

• การอบรมพนักงานใหม่ ใช้ภาพสรุป process, policy, safety หรือ customer journey
• คู่มือภายใน เปลี่ยนเอกสารยาวๆ ให้เป็น visual guide
• การสอนลูกค้า เช่นคู่มือใช้งานสินค้า วิธีสมัครบริการ หรือขั้นตอนเคลม

จุดแข็งจริงๆ ไม่ใช่แค่ความสวยของภาพ แต่คือการแปลงเรื่องยากให้เข้าใจเร็วขึ้น และถ้าทำได้หลายภาษา หรือปรับระดับความซับซ้อนให้เหมาะกับแต่ละกลุ่มได้ ก็ยิ่งมีมูลค่ามาก

เมื่อ Images ทำงานคู่กับ Codex: จุดเริ่มของ creative agent

ช่วงท้ายของบทสนทนาพาไปไกลกว่าเรื่องสร้างภาพ เพราะเริ่มพูดถึงระยะถัดไปที่ image generation จะไม่ใช่แค่เครื่องมือเดี่ยวๆ แต่เป็นส่วนหนึ่งของ creative agent ที่ทำงานร่วมกับ model อื่นได้

ตัวอย่างที่ถูกเล่าคือการใช้ภาพสร้างแนวคิดหน้าเว็บหลายแบบ แล้วให้ Codex ไปเขียนของจริงต่อ หรือใช้สร้าง assets สำหรับเกม เช่น sprite sheets และ character consistency ข้ามหลายภาพ

ถ้ามองจากมุมธุรกิจ นี่คือภาพระยะถัดไปที่น่าจับตา

• เริ่มจากบอกไอเดียแบบกว้างๆ
• AI สร้างภาพแนวคิดให้หลายแบบ
• เราเลือกทิศทาง
• อีก model นำไปทำเป็นหน้าเว็บ แอป โฆษณา หรือสื่อใช้งานจริงต่อ

พูดอีกแบบคือ งานที่เคยต้องผ่านหลายทีมหลายเครื่องมือ อาจยุบเหลือ workflow ที่สั้นลงมาก ธุรกิจขนาดเล็กจะได้ประโยชน์สูง เพราะสามารถทำต้นแบบและทดลองไอเดียได้โดยไม่ต้องมีทีมใหญ่ตั้งแต่วันแรก

แต่ก็ต้องพูดตรงๆ ว่า “agent” ในความหมายนี้ยังไม่สมบูรณ์ ทุกอย่างยังต้องมีคนคุมคุณภาพ ตีโจทย์ และตัดสินใจ โดยเฉพาะงานที่เกี่ยวกับแบรนด์และความถูกต้องของข้อมูล

Actionable Insights

• เริ่มจากงานที่ใช้ภาพซ้ำบ่อย เช่นโพสต์โปรโมชัน ปกบทความ แบนเนอร์ และสไลด์ขาย เพื่อให้เห็นผลเรื่องเวลาเร็วที่สุด
• ทำ reference pack ของแบรนด์ รวมโทนสี ตัวอย่างงาน สไตล์ภาพ และคำอธิบายสั้นๆ เพื่อให้ prompt สม่ำเสมอขึ้น
• ใช้ AI ทำ draft ไม่ใช่ final ทุกชิ้น โดยเฉพาะงานที่มีข้อความสำคัญ ราคา หรือข้อกฎหมาย
• ทดลองหลายระดับความเนี้ยบ บางแบรนด์เหมาะกับภาพ polished บางแบรนด์เหมาะกับความดิบหรือความขำ
• เชื่อมภาพกับ workflow เดิมของทีม เช่น Canva, PowerPoint, Google Slides หรือระบบคอนเทนต์ที่ใช้อยู่แล้ว

Troubleshooting

• ปัญหา: ได้ภาพสวย แต่ใช้จริงไม่ได้

สาเหตุ: prompt เน้นสไตล์ แต่ไม่ได้ระบุขนาดงาน เป้าหมาย หรือช่องทางใช้งาน

วิธีแก้: ระบุเสมอว่าเป็นภาพสำหรับอะไร เช่น banner เว็บ, หน้าปก Facebook, สไลด์ประชุม หรือโปสเตอร์หน้าร้าน

• ปัญหา: ตัวหนังสือในภาพยังผิดบางจุด

สาเหตุ: งาน text-heavy ยังต้องมีการตรวจซ้ำ โดยเฉพาะคำเฉพาะ ตัวเลข และภาษาไทย

วิธีแก้: ใช้ AI สร้างเลย์เอาต์และองค์ประกอบก่อน แล้วตรวจข้อความทุกจุด หรือเติมข้อความสำคัญในเครื่องมือออกแบบภายหลัง

• ปัญหา: ภาพออกมาสวยแต่ไม่ตรงแบรนด์

สาเหตุ: ไม่มี reference หรือไม่ได้กำหนด visual language ไว้ล่วงหน้า

วิธีแก้: สร้างชุดภาพอ้างอิงของแบรนด์ และระบุคำที่สะท้อนบุคลิกให้ชัด เช่น อบอุ่น มินิมอล พรีเมียม สนุก

• ปัญหา: ใช้แล้วรู้สึกว่า output ซ้ำๆ กัน

สาเหตุ: ใช้ prompt เดิมซ้ำโดยไม่เพิ่ม context ใหม่

วิธีแก้: ลองใส่ reference ภาพใหม่ เปลี่ยนมุมมอง เพิ่มตัวอย่างงาน หรือขอหลายคอนเซปต์ก่อนเลือก

• ปัญหา: ทีมไม่กล้าใช้ เพราะคิดว่าต้อง prompt เก่งมาก

สาเหตุ: ยังติดภาพว่า AI ต้องสั่งละเอียดแบบเทคนิคสูง

วิธีแก้: เริ่มจากภาษาธรรมชาติที่ใกล้งานจริง เช่น “ทำภาพสรุปบริการให้ลูกค้าเข้าใจใน 10 วินาที” แล้วค่อยปรับทีละรอบ

การต่อยอด

• สร้าง AI visual workflow ภายในทีม ตั้งแต่ brief, draft, review ไปจนถึง export ให้แต่ละแผนกใช้ร่วมกันได้
• ทดลอง personalized content เช่น สื่อการขายหลายเวอร์ชันตามกลุ่มลูกค้า ภาษา หรือพื้นที่
• เชื่อม image generation กับการทำเว็บหรือแคมเปญ ใช้ภาพสร้างต้นแบบก่อน แล้วค่อยต่อไปยังเครื่องมือเขียนโค้ดหรือ no-code platform

สรุป Checklist ทั้งหมด

• ☐ เข้าใจว่า Images 2.0 ไม่ได้เก่งแค่ภาพสวย แต่เก่งเรื่องข้อความ ความสมจริง และความเข้าใจโจทย์
• ☐ เลือก use case ที่ใกล้งานธุรกิจจริง เช่น สไลด์ อินโฟกราฟิก แบนเนอร์ หรือสื่อการขาย
• ☐ ระบุ output ให้ชัดทุกครั้ง ทั้งขนาด สัดส่วน และช่องทางใช้งาน
• ☐ เตรียม reference ของแบรนด์ก่อนเริ่มใช้จริง
• ☐ ตรวจข้อความ ตัวเลข และข้อมูลสำคัญทุกครั้งก่อนเผยแพร่
• ☐ ทดลองสไตล์ที่ไม่จำเป็นต้องเนี้ยบเสมอไป หากแบรนด์ต้องการความจริงใจหรือความเป็นกันเอง
• ☐ ใช้ AI เป็น draft engine ก่อน แล้วให้คนเป็นคนตัดสินใจขั้นสุดท้าย
• ☐ มอง image generation เป็นส่วนหนึ่งของ workflow ไม่ใช่เครื่องมือเดี่ยว
• ☐ จับตาการทำงานร่วมกันระหว่าง image model กับ coding tools เพราะนี่คือทิศทางของ creative agent

ภาพรวมของ OpenAI Podcast ตอนนี้ทำให้เห็นชัดว่า image generation กำลังเดินออกจากยุคทดลอง ไปสู่ยุคที่เริ่มมีผลกับงานจริงของธุรกิจแล้ว จุดสำคัญไม่ใช่ว่า model ใหม่ทำภาพได้สวยกว่าเดิมกี่เปอร์เซ็นต์ แต่คือมันเริ่มช่วยเรา คิด สื่อสาร และผลิตงาน ได้เร็วขึ้นในระดับที่จับต้องได้

สำหรับเจ้าของธุรกิจและคนทำงาน สิ่งที่ควรทำไม่ใช่รอให้เทคโนโลยีนิ่งก่อน แต่คือเลือกงานเล็กๆ ที่ใช้ภาพเยอะและวัดผลได้ แล้วเริ่มสร้าง workflow ใหม่จากตรงนั้น เพราะเมื่อ image generation เข้าสู่ช่วง Renaissance จริง คนที่ได้เปรียบที่สุดไม่ใช่คนที่รอดู แต่คือคนที่เริ่มใช้ก่อนและรู้ว่าจะเอาไปผูกกับงานตัวเองยังไง

OpenAI กำลังวางทิศทางให้ image generation เป็นมากกว่าเครื่องมือสร้างภาพ ส่วนคนทำธุรกิจก็ควรถามต่อว่า ในทีมของเรา มีงานไหนที่ยังเสียเวลาอยู่เพราะ “อธิบายด้วยข้อความอย่างเดียวไม่พอ” ถ้าตอบคำถามนี้ได้ เรามักจะเจอ use case แรกของ AI images เร็วกว่าที่คิด