บทความย้อนหลังจากคลิป Nate Herk | AI Automation วันที่ 19 พฤษภาคม 2026 แยกข่าวที่ตรวจสอบได้ออกจากการตีความและคำคาดการณ์ ณ เวลานั้น ไม่ใช่ประกาศ roadmap ปัจจุบันของ Anthropic
Karpathy ประกาศเข้าร่วม Anthropic และกลับไปทำ R&D ด้วยตนเองในวันเดียวกัน พร้อมระบุว่ายังสนใจการศึกษา ส่วน marketplace ของ context และชั้นการสอนในบทความเป็นความคาดหวังของ Nate ตัวอย่างธุรกิจเป็นแนวทางสมมติ ไม่ใช่ผลทดสอบหรือคำรับประกัน
ก่อนใช้เอกสารองค์กรเป็น context ต้องตรวจสิทธิ์เข้าถึงและการส่งข้อมูลไปยังผู้ให้บริการ ใช้ข้อมูลที่ได้รับอนุญาตและลดข้อมูลส่วนบุคคล กำหนดขอบเขตเครื่องมือ งบประมาณ และจุดให้คนอนุมัติ การวนทำงานของเอเจนต์ไม่รับประกันความถูกต้องหรือความสำเร็จ
สรุปจากคลิป ดูคลิปต้นฉบับ
ข่าวที่ Andrej Karpathy เข้าร่วม Anthropic ฟังเผินๆ อาจดูเหมือนแค่ “คนดังในวงการ AI ย้ายค่าย” Nate Herk ใช้ข่าวนี้เป็นจุดตั้งต้นในการตีความความเชื่อมโยงระหว่างงานของ Karpathy กับระบบรอบโมเดลของ Claude ความเชื่อมโยงดังกล่าวเป็นบทวิเคราะห์ของผู้เล่า ไม่ใช่เหตุผลการจ้างงานหรือแผนผลิตภัณฑ์ที่ Anthropic ยืนยัน
คลิปของ Nate Herk | AI Automation ชี้ประเด็นนี้ได้คมมาก เขาไม่ได้สนใจแค่ชื่อคนหรือแรงกระเพื่อมในตลาด แต่ชวนคิดต่อว่า หลัง Karpathy ประกาศเข้าร่วม Anthropic สิ่งที่เราควรจับตาไม่ใช่ model รุ่นถัดไปอย่างเดียว แต่คือ “wrapper รอบ model” หรือระบบที่ทำให้ AI ใช้งานได้จริงในงานประจำวัน โดยเฉพาะสำหรับธุรกิจที่ไม่ได้ต้องการแค่ chatbot แต่ต้องการผู้ช่วยที่รู้เรื่องงานของเรา รู้ข้อมูลของเรา และทำงานต่อเนื่องได้
สำหรับเจ้าของธุรกิจและคนทำงาน ประเด็นนี้สำคัญมาก เพราะมันบอกว่าระยะถัดไปของ AI อาจไม่ได้ตัดสินกันที่ว่า model ไหนฉลาดกว่าเพียงนิดเดียว แต่ตัดสินกันที่ว่า AI ตัวไหนเข้าใจ workflow ของเรามากกว่า และช่วยให้ทีมทำงานเร็วขึ้น ผิดพลาดน้อยลง และเก็บความรู้ขององค์กรไว้ใช้ต่อได้
สารบัญ
- Step 1: ทำความเข้าใจก่อนว่า Karpathy คือใคร และทำไมการย้ายครั้งนี้ถึงสำคัญ
- Step 2: มองให้ขาดว่า Anthropic ไม่ได้โตเพราะ model อย่างเดียว
- Step 3: เข้าใจคำว่า “wrapper คือ product” ให้ชัด
- Step 4: เห็นภาพ “ข้อมูลของเรา” ว่ากลายเป็นสินทรัพย์หลักได้อย่างไร
- Step 5: มอง /goal และ autonomous loop ว่าเป็นจุดเริ่มต้นของ AI แบบ “ทำงานต่อได้เอง”
- Step 6: อ่าน “เงื่อนงำด้านการศึกษา” ให้ออก ว่านี่อาจสำคัญพอๆ กับตัวเทคโนโลยี
- Step 7: ประเมิน 3 ทิศทางที่ Claude อาจเดินต่อ
- Step 8: แปลงแนวคิดนี้ให้เป็นภาพใช้งานจริงในธุรกิจไทย
- Actionable Insights
- Troubleshooting
- การต่อยอด
- สรุป Checklist ทั้งหมด
Step 1: ทำความเข้าใจก่อนว่า Karpathy คือใคร และทำไมการย้ายครั้งนี้ถึงสำคัญ
Andrej Karpathy ไม่ใช่แค่คนดังในสาย AI แต่เป็นคนที่มีอิทธิพลต่อวิธีคิดของวงการนี้มาหลายรอบ เขาเคยเป็นหนึ่งในทีมก่อตั้ง OpenAI เคยดูแลงาน AI ที่ Tesla อยู่หลายปี กลับไป OpenAI อีกครั้ง แล้วออกมาทำ Eureka Labs ซึ่งเน้นการสอนให้คนเข้าใจ AI จากข้างในจริงๆ
จุดเด่นของ Karpathy ไม่ได้มีแค่ความเก่งเชิงเทคนิค แต่คือความสามารถในการอธิบายเรื่องยากให้คนทั่วไปที่ไม่ได้เป็นนักวิจัยเข้าใจได้ เขายังเป็นคนที่ผลักแนวคิดอย่าง vibe coding ให้แพร่หลายขึ้น นั่นคือการสั่งงานเป็นภาษาคน แล้วให้ AI เขียนโค้ดหรือช่วยทำงาน โดยมีมนุษย์คอยกำกับ ปรับ และตัดสินใจ
Nate ตีความว่าประสบการณ์ด้านการสอนของ Karpathy อาจมีประโยชน์ต่อการทำให้ AI เข้าถึงง่ายขึ้น แต่ประกาศส่วนตัวระบุการกลับไปทำ R&D ไม่ได้ยืนยันว่า Anthropic จ้างเขามาสร้างประสบการณ์ใช้งานหรือผลิตภัณฑ์การศึกษา
ในมุมของธุรกิจไทย ประเด็นนี้แปลได้ง่ายๆ ว่า AI ที่จะชนะในองค์กร ไม่ใช่ AI ที่ตอบเก่งที่สุดบน benchmark แต่คือ AI ที่พนักงานบัญชี ฝ่ายขาย ฝ่ายบริการลูกค้า หรือผู้บริหาร ใช้แล้วรู้สึกว่า “มันรู้เรื่องงานเรา” ต่างหาก
Step 2: มองให้ขาดว่า Anthropic ไม่ได้โตเพราะ model อย่างเดียว
อีกจุดที่ Nate หยิบมาน่าสนใจคือ momentum ของ Anthropic ในตลาดธุรกิจ เขายกข้อมูล Ramp AI Index ซึ่งรายงานวันที่ 13 พฤษภาคม 2026 ว่าสัดส่วนธุรกิจในชุดข้อมูลของ Ramp ที่จ่ายเงินใช้ Anthropic ในเดือนเมษายนสูงกว่า OpenAI การวัดนี้ใช้ข้อมูลการจ่ายผ่านบัตรธุรกิจและใบแจ้งหนี้ของ Ramp ไม่ใช่จำนวนผู้ใช้ฟรีหรือส่วนแบ่งทั้งตลาด และเป็นภาพในช่วงเวลานั้น
ประเด็นที่ Nate เสนอให้พิจารณาเหนือกว่าอันดับ คือการมอง Anthropic จาก “ผู้ให้ model” ไปสู่ “ผู้ให้ระบบพร้อมใช้งาน” มีทั้งตัว product surface, partner network และบริการช่วยให้องค์กรนำ AI ไปใช้จริง
นี่คือจุดที่หลายคนยังมองข้าม เวลาพูดถึง AI เรามักถามว่า Claude, GPT หรือ Gemini ตัวไหนฉลาดกว่า แต่ในโลกธุรกิจ คำถามที่ควรถามคือ
- ตัวไหนเชื่อมกับข้อมูลของเราได้ดีกว่า
- ตัวไหนใส่ memory และกฎการทำงานของทีมเข้าไปได้ง่ายกว่า
- ตัวไหนทำให้คนในองค์กรใช้ต่อเนื่องได้จริง
ถ้าเอามาเทียบกับธุรกิจไทย ก็เหมือนระบบ POS หรือ CRM นั่นแหละ เราไม่ได้เลือกระบบเพราะฟีเจอร์สวยที่สุดอย่างเดียว แต่เลือกเพราะมันเข้ากับงานหน้าร้าน ทีมขาย และการออกรายงานที่เราใช้อยู่จริง
ในกรณีของ AI ก็เช่นกัน ถ้า platform ไหนฝังตัวเข้าไปอยู่ใน workflow ประจำวันได้ก่อน platform นั้นจะได้เปรียบมาก
สำหรับคนทำงานที่ไม่ได้เขียนโค้ดเอง ประเด็นนี้ยิ่งชัด เราไม่ได้ต้องการ model ระดับเทพถ้ามันยังต้องอธิบายซ้ำทุกครั้งว่าองค์กรเราทำงานอย่างไร แต่ถ้า AI รู้ template งาน รู้ภาษาที่แบรนด์ใช้ รู้ขั้นตอนอนุมัติ และรู้ว่า “งานดี” ของเราหน้าตาแบบไหน มูลค่าที่ได้จะมากกว่ามาก
Step 3: เข้าใจคำว่า “wrapper คือ product” ให้ชัด
แกนกลางของคลิปนี้อยู่ตรงนี้เลย คือ model ไม่ใช่ product ทั้งหมด สิ่งที่ทำให้ผลลัพธ์ต่างกันมากๆ มักไม่ใช่ตัว model เพียงอย่างเดียว แต่เป็นสิ่งที่ห่อหุ้ม model เอาไว้ หรือที่ Nate เรียกว่า wrapper
wrapper ในที่นี้หมายถึงทุกอย่างที่ช่วยให้ AI ทำงานได้ตรงเรื่องขึ้น เช่น
- memory
- ไฟล์อ้างอิง
- คู่มือการทำงาน
- ตัวอย่างงานที่ดี
- ระบบ plugin หรือ connector
- workflow อัตโนมัติ
- คำสั่งเฉพาะอย่าง /goal หรือ skill เฉพาะทาง
นี่สอดคล้องกับแนวคิดของ Karpathy ที่ขยับจากคำว่า prompt engineering ไปสู่ context engineering แทน ความหมายคือ เราไม่ควรหมกมุ่นกับการเขียน prompt ให้เป๊ะที่สุดอย่างเดียว แต่ต้องออกแบบ environment รอบ AI ให้ดีด้วย
พูดให้เข้าใจง่าย ถ้าเราเปิดแชตใหม่แล้วถาม AI ว่า “ช่วยเขียนแผนการตลาดให้หน่อย” มันก็พอช่วยได้ แต่ยังเป็นการเดาอยู่เยอะ เพราะมันไม่รู้ว่าแบรนด์เราเป็นใคร ลูกค้าเราแบบไหน สไตล์การสื่อสารของเราคืออะไร และข้อจำกัดในธุรกิจเรามีอะไรบ้าง
แต่ถ้า AI มีสิ่งเหล่านี้อยู่แล้ว
- Brand guideline
- ข้อมูลลูกค้าเดิม
- ตัวอย่างโพสต์ที่เคยทำแล้วผลดี
- SOP การทำแคมเปญ
- เป้าหมายและ KPI ของทีม
ผลลัพธ์จะคนละเรื่องทันที ทั้งที่อาจใช้ model ตัวเดิมด้วยซ้ำ
นี่คือเหตุผลที่ข่าว Karpathy ร่วม Anthropic น่าสนใจ เขาเป็นคนที่คิดเรื่อง “จะทำให้ AI ใช้งานได้ดีขึ้นผ่าน context ยังไง” มาตลอด ส่วน Anthropic ก็กำลังสร้าง product ที่เน้นเรื่องนี้อยู่แล้ว Nate จึงมองว่าความสนใจเหล่านี้สอดคล้องกัน แต่ยังใช้ยืนยันหน้าที่หรือ roadmap ของ Karpathy ที่ Anthropic ไม่ได้
Step 4: เห็นภาพ “ข้อมูลของเรา” ว่ากลายเป็นสินทรัพย์หลักได้อย่างไร
Karpathy เคยปล่อยแนวคิดที่เรียกว่า LLM Wiki ซึ่ง Nate มองว่าเป็นเบาะแสสำคัญของทิศทางนี้ แนวคิดหลักคือเอาไฟล์ดิบหลายๆ แบบมาจัดเป็นระบบความรู้ที่ AI อ่าน เข้าใจความสัมพันธ์ และเอาไปใช้ต่อได้ ไม่ใช่แค่ค้นหาแบบโยนเอกสารกองโตให้ model
ประเด็นนี้สำคัญมากสำหรับธุรกิจ เพราะคำว่า “data moat” ไม่จำเป็นต้องหมายถึงฐานข้อมูลระดับ enterprise เสมอไป สำหรับหลายองค์กร สินทรัพย์ที่มีค่าที่สุดอาจเป็นแค่
- บันทึกการประชุม
- คู่มือการทำงานในทีม
- สคริปต์การขาย
- บทสนทนากับลูกค้า
- ชื่อเรียกสินค้าและกระบวนการภายในที่คนข้างนอกไม่รู้
ข้อมูลเหล่านี้ดูธรรมดา แต่คือสิ่งที่ทำให้งานของเรา “ไม่เหมือนใคร” และถ้า AI เอามาใช้เป็น context ได้ต่อเนื่อง มันจะฉลาดขึ้นเฉพาะกับธุรกิจของเราเรื่อยๆ
ในมุมของธุรกิจไทย ลองนึกภาพร้านคลินิกความงามที่มี FAQ ทั่วไปซึ่งไม่มีข้อมูลระบุตัวผู้ป่วย และแนวทางสื่อสารที่ผู้เชี่ยวชาญตรวจแล้ว ถ้าข้อมูลเหล่านี้ถูกจัดเป็น knowledge base ที่ AI ใช้งานได้ ทีมแอดมินอาจใช้ช่วยร่างคำตอบให้สม่ำเสมอขึ้น โดยให้คนตรวจและส่งคำถามเฉพาะผู้ป่วยให้ผู้เชี่ยวชาญ ไม่ใช้แทนการตัดสินใจหรือคำแนะนำทางการแพทย์
ในกรอบการวิเคราะห์ของ Nate งานเหล่านี้จึงเป็นเหตุผลให้ติดตามทิศทางผลิตภัณฑ์ต่อไป แต่การย้ายงานเพียงอย่างเดียวไม่ได้พิสูจน์ว่าจะเกิดการเปลี่ยนแปลงผลิตภัณฑ์ตามนั้น
อย่างไรก็ตาม มีข้อที่ต้องระวังเหมือนกัน ข้อมูลที่เยอะไม่ได้แปลว่าดี ถ้าข้อมูลรก ซ้ำ ขัดกัน หรือไม่อัปเดต AI ก็จะสับสนได้เหมือนพนักงานใหม่ที่ได้คู่มือคนละเวอร์ชันสามชุด
Step 5: มอง /goal และ autonomous loop ว่าเป็นจุดเริ่มต้นของ AI แบบ “ทำงานต่อได้เอง”
Nate ยังเชื่อมแนวคิดอีกชิ้นของ Karpathy คือโปรเจกต์ Auto Research เข้ากับฟีเจอร์อย่าง /goal ที่เริ่มโผล่ในหลายเครื่องมือ แนวคิดพื้นฐานคือเปลี่ยนจากการสั่งแบบ “หนึ่ง prompt หนึ่งคำตอบ” ไปสู่ “กำหนดเป้าหมาย แล้วให้ AI ทำต่อจนกว่าจะถึงเงื่อนไขที่ต้องการ”
นี่อาจฟังดูเป็นเรื่องของ developer เพราะต้นทางถูกใช้กับการทดลองและปรับปรุงงานเชิงเทคนิค แต่ในความหมายกว้าง มันสำคัญกับคนทำธุรกิจมาก
เพราะสิ่งที่เราอยากได้จาก AI ไม่ใช่แค่คำตอบสวยๆ หนึ่งครั้ง แต่คือระบบที่รับโจทย์แล้วเดินงานต่อให้ เช่น
- ค้นข้อมูลคู่แข่งแล้วสรุปประเด็นสำคัญ
- อ่านรีวิวลูกค้าแล้วจัดกลุ่ม pain point
- ร่าง SOP จากบันทึกการทำงานที่กระจัดกระจาย
- ตรวจเอกสารตาม checklist จนกว่าจะครบ
ถ้าระบบมีทั้ง context ที่ดีและ loop ที่วิ่งต่อได้เอง AI จะเริ่มมีหน้าตาเหมือน “พนักงานช่วยงาน” มากกว่า chatbot
ตรงนี้มีทั้งโอกาสและข้อจำกัด โอกาสคือธุรกิจขนาดเล็กจะมีเครื่องมือช่วยงานที่เมื่อก่อนต้องจ้างคนเพิ่ม ข้อจำกัดคือถ้าเป้าหมายไม่ชัด หรือเกณฑ์วัดผลไม่ดี AI ก็อาจทำงานผิดทิศไปไกลกว่าเดิม ดังนั้นการตั้ง objective ให้ชัดจึงสำคัญมาก
Step 6: อ่าน “เงื่อนงำด้านการศึกษา” ให้ออก ว่านี่อาจสำคัญพอๆ กับตัวเทคโนโลยี
อีกประโยคที่ Nate จับได้จากประกาศของ Karpathy คือเขายังสนใจเรื่องการศึกษาอย่างมาก จุดนี้ฟังดูเล็ก แต่จริงๆ น่าคิดมาก
ปัญหาใหญ่ของ AI ในองค์กรไม่ใช่แค่เครื่องมือยังไม่เก่งพอ แต่คือคนในองค์กรยังไม่รู้ว่าจะใช้ยังไงให้เข้ากับงานตัวเอง หลายบริษัทสมัครหลาย tool ไว้ครบ แต่สุดท้ายใช้จริงอยู่ไม่กี่คน หรือใช้แค่ทำงานพื้นๆ ที่ยังไม่แตะคุณค่าจริง
ถ้า Anthropic มีคนที่เก่งทั้งเทคนิคและการสอน มันอาจหมายถึงการลงทุนกับ “ชั้นการเรียนรู้” ของ product มากขึ้น ไม่ใช่โยนของดีให้แล้วปล่อยให้ลูกค้าไปงมกันเอง
ในโลกธุรกิจไทย เรื่องนี้สำคัญกว่าที่คิด เพราะหลายองค์กรไม่ได้ขาดงบ แต่ขาดคนแปลเทคโนโลยีเป็น workflow ที่ใช้งานจริง ถ้า platform ไหนช่วยให้ทีมบัญชี ทีม HR ทีมขาย หรือทีมการตลาด เอาความรู้ในหัวออกมาจัดเป็นระบบให้ AI ใช้ได้ง่าย platform นั้นมีโอกาสครองใจองค์กรสูงมาก
Step 7: ประเมิน 3 ทิศทางที่ Claude อาจเดินต่อ
Nate เสนอ 3 การคาดการณ์ที่น่าสนใจ ซึ่งแม้ยังเป็นการคาดเดา แต่ก็มีเหตุผลรองรับจากสิ่งที่ Anthropic ปล่อยออกมาแล้ว
1) Claude อาจพัฒนาไปสู่ marketplace ของ context
ไม่ใช่แค่ marketplace ของ prompt แต่เป็นพื้นที่ให้คนเอา workflow, memory, skill, connector, evaluation loop หรือ knowledge package มาแบ่งปันและนำไปใช้ต่อ
ถ้าเกิดขึ้นจริง มันจะทำให้คนที่ไม่ใช่ developer ได้ประโยชน์มาก เพราะความรู้เฉพาะทางจากนักบัญชี นายหน้าอสังหา ทีมจัดซื้อ หรือที่ปรึกษาการตลาด สามารถถูกแพ็กเป็น “ของพร้อมใช้” ให้ธุรกิจอื่นเอาไปต่อยอดได้
2) คำสั่งแบบ /goal จะมีหลายรูปแบบขึ้น
แทนที่จะมีแค่สั่งเป้าหมายกว้างๆ เราอาจเห็น loop ที่ออกแบบมาสำหรับงานเฉพาะ เช่น research loop, debug loop, review loop หรือ compliance loop
สำหรับธุรกิจ นี่แปลว่า AI จะเริ่มมีโหมดทำงานตามหน้าที่ชัดขึ้น ไม่ใช่แชตกล่องเดียวที่ต้องอธิบายทุกอย่างใหม่หมด
3) Anthropic อาจสร้างชั้นการสอนเพื่อให้คนแพ็ก workflow ของตัวเองได้
อันนี้คือมุมที่น่าสนใจที่สุด ถ้าอยากให้ marketplace โตจริง ต้องทำให้คนทั่วไปสร้างและแบ่งปัน workflow ได้ ไม่ใช่จำกัดอยู่แค่นักพัฒนา
ลองนึกภาพเจ้าของธุรกิจที่เก่งเรื่องปิดการขาย เก่งเรื่องสคริปต์ไลฟ์ หรือเก่งเรื่องจัดการสต๊อก สามารถเอาวิธีคิดนั้นมาสร้างเป็น AI assistant ที่คนอื่นสมัครใช้ได้ แบบนี้ความรู้ในหัวคนจะถูกแปลงเป็นสินทรัพย์ดิจิทัลได้ทันที
มุมที่เห็นต่างเล็กน้อยคือ marketplace ลักษณะนี้จะเกิดได้จริงก็ต่อเมื่อมีระบบคัดกรองคุณภาพที่ดีมาก ไม่อย่างนั้นจะเต็มไปด้วย workflow ที่ดูดีแต่ใช้จริงไม่ได้ เหมือนคอร์สออนไลน์จำนวนมากที่ขายไอเดียมากกว่าผลลัพธ์
Step 8: แปลงแนวคิดนี้ให้เป็นภาพใช้งานจริงในธุรกิจไทย
หากสรุปมุมมองของ Nate เขาใช้ข่าวนี้ชวนคิดถึง AI ที่ขยับจาก “เครื่องมือถามตอบ” ไปเป็น “ระบบงานที่จดจำและทำงานต่อได้” นี่เป็นแนวคิดสำหรับประเมินการใช้งาน ไม่ใช่คำยืนยันว่า Claude จะพัฒนาไปตามการคาดการณ์ทั้งหมด
สำหรับเจ้าของธุรกิจไทย สิ่งที่ควรคิดต่อไม่ใช่จะสมัคร AI เจ้าไหนก่อน แต่คือเรามีความรู้ในองค์กรอะไรบ้างที่ยังไม่ถูกจัดระบบ ถ้าเอามาแปลงเป็น context ให้ AI ได้ งานส่วนไหนจะเบาลงทันที
ตัวอย่างที่เห็นภาพได้ เช่น
- บริษัทบริการ ใช้ AI สรุปเคสลูกค้าและแนะนำขั้นตอนถัดไปจากคู่มือภายใน
- ทีมขาย ใช้ AI ช่วยร่าง follow-up จากโน้ตการคุยลูกค้าและตัวอย่างดีลที่ปิดได้
- ฝ่าย HR ใช้ AI ดึง knowledge จากคู่มือพนักงาน คำถามที่ถามซ้ำ และ policy ภายใน
- ผู้บริหาร ใช้ AI สรุปข้อมูลกระจัดกระจายจากประชุม รายงาน และข้อความในทีมให้เป็นภาพรวมตัดสินใจ
นี่ไม่ใช่เรื่องไกลตัวเลย สิ่งที่ขาดมักไม่ใช่เทคโนโลยี แต่คือการจัดข้อมูลและกำหนด workflow ให้พร้อมสำหรับ AI
Actionable Insights
- เริ่มเก็บ knowledge ที่กระจัดกระจาย รวบรวม SOP, FAQ, โน้ตประชุม และตัวอย่างงานที่ดีไว้ในที่เดียวก่อน
- เลิกโฟกัสแค่ prompt เดี่ยวๆ หันมาคิดว่า AI ต้องรู้อะไรบ้างจึงจะช่วยงานเราได้ต่อเนื่อง
- เลือกงานที่มีรูปแบบซ้ำก่อน เช่น ตอบลูกค้า สรุปประชุม ร่างเอกสาร หรือคัดกรองข้อมูล
- กำหนดคำว่า “งานดี” ให้ชัด เอาตัวอย่าง output ที่ต้องการให้ AI ดู จะได้ไม่ต้องเดา
- ทดลองทำ mini workflow ก่อนลงทุนใหญ่ ลองทำ use case เล็กๆ หนึ่งงานแล้วดูว่าทีมใช้จริงหรือไม่
Troubleshooting
- ปัญหา: AI ตอบไม่ตรงงานขององค์กร
สาเหตุ: ไม่มี context เฉพาะของทีมให้มันใช้
วิธีแก้: รวบรวมเอกสารหลัก 5-10 ชิ้น เช่น SOP, ตัวอย่างงาน, FAQ แล้วให้ AI อ้างอิงจากชุดนี้ก่อน
- ปัญหา: ได้คำตอบดีบ้างแย่บ้างไม่สม่ำเสมอ
สาเหตุ: ยังไม่มีมาตรฐานว่า output แบบไหนถือว่าผ่าน
วิธีแก้: สร้างตัวอย่างคำตอบที่ดี 3-5 ชุด พร้อม checklist สั้นๆ ให้ AI ยึดตาม
- ปัญหา: ทีมลองใช้ครั้งเดียวแล้วเลิก
สาเหตุ: เครื่องมือไม่ได้ผูกกับ workflow จริงของงานประจำ
วิธีแก้: เริ่มจากงานที่ทำทุกวันและวัดผลได้ เช่น สรุปประชุมหรือร่างอีเมลตอบลูกค้า
- ปัญหา: AI ทำงานต่อเนื่องเองแล้วหลุดเป้า
สาเหตุ: เป้าหมายกว้างเกินไป หรือไม่มีเงื่อนไขจบที่ชัด
วิธีแก้: แตกงานเป็นเป้าหมายย่อย กำหนดเกณฑ์ผ่าน และให้มีจุดที่คนเข้ามาตรวจระหว่างทาง
- ปัญหา: ข้อมูลเยอะขึ้นแต่ AI ยังไม่ฉลาดขึ้น
สาเหตุ: เอกสารซ้ำซ้อนและไม่เป็นระบบ
วิธีแก้: จัดหมวดหมู่ข้อมูล แยกเก็บเวอร์ชันเก่าโดยรักษาประวัติ และทำหน้า index หรือ wiki ให้ AI เข้าถึงง่ายขึ้น
การต่อยอด
- ลองสร้าง AI knowledge hub ภายในองค์กรจากเอกสารที่มีอยู่ก่อน ไม่ต้องรอระบบใหญ่
- ทดลองทำ workflow template สำหรับงานซ้ำ เช่น onboarding ลูกค้าใหม่ หรือสรุปรายงานประจำสัปดาห์
- มองหาความรู้เฉพาะทางในทีมที่แพ็กเป็นสินทรัพย์ได้ เช่น playbook การขาย การเทรนพนักงาน หรือมาตรฐานบริการลูกค้า
สรุป Checklist ทั้งหมด
- ☐ แยกข่าวการย้ายงานที่ยืนยันแล้วออกจากการคาดการณ์ทิศทางผลิตภัณฑ์ของ Nate
- ☐ มอง AI ให้เกินกว่าการแข่งกันของ model และ benchmark
- ☐ เข้าใจคำว่า wrapper หรือระบบรอบ model ว่าคือสิ่งที่สร้างความต่างในการใช้งานจริง
- ☐ เปลี่ยนโฟกัสจาก prompt engineering ไปสู่ context engineering
- ☐ รวบรวมข้อมูลสำคัญขององค์กร เช่น SOP, FAQ, โน้ตประชุม และตัวอย่างงานที่ดี
- ☐ จัดข้อมูลให้เป็นระบบแบบ wiki หรือ knowledge base ที่ค้นและอ้างอิงได้
- ☐ เลือกงานซ้ำๆ หนึ่งงานมาทดลองทำ AI workflow ก่อน
- ☐ ตั้งเกณฑ์วัดผลให้ชัดว่า output แบบไหนถือว่าใช้งานได้
- ☐ ทดลองใช้แนวคิดแบบ /goal หรือการให้ AI เดินงานต่อจนกว่าจะถึงเงื่อนไขที่กำหนด
- ☐ วางแผนให้คนในทีมเรียนรู้การแพ็กความรู้ของตัวเองเป็น workflow ที่ AI ใช้ต่อได้
หากสรุปบทวิเคราะห์ของ Nate ให้เหลือประโยคเดียว เขาคาดหวังว่าระยะถัดไปของ Claude อาจให้ความสำคัญกับข้อมูลและ workflow รอบโมเดลมากขึ้น ข่าวการเข้าร่วมงานยืนยันได้ แต่ผลลัพธ์ผลิตภัณฑ์เหล่านี้ยังเป็นการคาดการณ์ ณ วันที่คลิปเผยแพร่
สำหรับธุรกิจที่อยากใช้ AI ให้คุ้ม จุดเริ่มไม่ใช่การไล่ตาม model ใหม่ทุกสัปดาห์ แต่คือการสร้าง context ที่ดีให้กับงานของเราเอง เพราะสุดท้ายแล้ว สิ่งที่ทำให้ AI มีค่ามากที่สุด อาจไม่ใช่ตัว AI แต่คือความรู้ขององค์กรที่เราเอาไปใส่ไว้ในนั้น
Nate มองว่าผลิตภัณฑ์ของ Anthropic และแนวคิดของ Andrej Karpathy มีจุดเชื่อมโยงที่ควรติดตาม ส่วนคำถามที่สำคัญกว่าคือ เราจะเริ่มจัดความรู้ของเราให้พร้อมสำหรับ AI ตั้งแต่เมื่อไร
