องค์ที่ 4 · ตอนที่ 20

คน กับ AI — เราจะไปอยู่ตรงไหนในห่วงโซ่นี้?

คน กับ AI — เราจะไปอยู่ตรงไหนในห่วงโซ่นี้?

ตลอดการเดินทางเกือบ 20 ตอนที่ผ่านมา เราได้ร่วมกัน “งัดฝากระโปรง” ดูเครื่องยนต์กลไกของโลก AI กันอย่างทะลุปรุโปร่ง

ตั้งแต่ภาพลวงตาหน้าจอแชต (WebChat), การแปลงคำเป็นตัวเลข (Token), สมองกลที่ไม่เคยจำบทสนทนา (Stateless), เครื่องจักรพยุงชีพหลังม่าน (Harness), การต่อมือเท้าด้วยปลั๊กมาตรฐาน (MCP & Tools), วงจรคิด-ทำ-ตรวจ (Agent Loop), ไปจนถึงความจริงของการรันในบ้าน (Local AI) และศิลปะการทำงานแบบลูกผสม (Hybrid Prompt–Context)

แต่ในขณะที่เทคโนโลยีเหล่านี้กำลังพัฒนาไปข้างหน้าอย่างรวดเร็วและน่าตื่นตาตื่นใจ... มีคำถามหนึ่งที่มักจะผุดขึ้นมาในใจของคนทำงาน พ่อแม่ผู้ปกครอง และคนทั่วไปอยู่เงียบ ๆ เสมอ:

“ถ้า AI มันเก่งขนาดนี้ มันทำอะไรแทนเราได้เกือบหมด...
แล้วในอนาคตอันใกล้ ‘มนุษย์’ อย่างพวกเรา จะไปยืนอยู่ตรงไหนในโลกใบนี้กันแน่?”

บางคนกลัวว่าจะตกงาน บางคนคิดว่าเราต้องผันตัวไปเป็นโปรแกรมเมอร์ทุกคน หรือบางคนถึงขั้นคิดว่าบริษัทของเราต้องกระโจนไป “เทรนโมเดล AI ของตัวเอง” เพื่อความอยู่รอด

ในตอนนี้ ผมอยากชวนทุกคนมาปลดล็อกความกังวลนี้ ด้วยการกาง “บันได 5 ขั้นของมนุษย์กับ AI” เพื่อค้นหาตำแหน่งแห่งที่ที่มั่นคง คุ้มค่า และทรงพลังที่สุดสำหรับคนทำงานยุคนี้กันครับ!

1. สลายภาพลวงตา: “ใครจะบ้าไปลงทุนเทรนโมเดลชนเจ้าตลาด!”

เวลามีการสัมมนาหรือพูดคุยเรื่อง AI ในองค์กร ประโยคยอดฮิตที่ผมมักได้ยินผู้บริหารหรือคนทั่วไปพูดกันบ่อยมากคือ:

“บริษัทเราต้องมี AI เป็นของตัวเอง! เราต้องหาข้อมูลภายในมาเทรนโมเดลของเราขึ้นมาใหม่!”

บอกตามตรงเลยครับว่า ทุกครั้งที่ได้ยินคำพูดทำนองนี้ ผมทั้งรู้สึกเป็นห่วงและอยากสะกิดเตือนสติเบา ๆ ว่า: “ใจเย็น ๆ ครับ... ใครจะบ้าไปลงทุนเทรนโมเดลแข่งกับบิ๊กเทคระดับโลกให้สิ้นเปลืองงบประมาณ!”

เพื่อเข้าใจว่าทำไมผมถึงพูดแบบนั้น เราต้องแยกแยะ 2 คำนี้ออกจากกันให้ชัดเจนก่อนครับ:

แผนภาพประกอบ chapter 20 diagram 01
แผนภาพประกอบเรื่อง
  1. Pre-training (การฝึกสอนโมเดลแต่แรกเกิด): คือการนำคลังข้อมูลขนาดใหญ่มาป้อนให้คอมพิวเตอร์เรียนรู้รูปแบบภาษาตั้งแต่ศูนย์ ซึ่งหากเป็น การสร้างโมเดลแนวหน้าขนาดใหญ่เพื่อแข่งกับเจ้าตลาด จะต้องใช้ชิปการ์ดจอนับหมื่นใบ ใช้พลังงานไฟฟ้าระดับโรงไฟฟ้าขนาดย่อม และใช้เงินทุนเป็นหลักพันถึงหมื่นล้านบาท ซึ่งเป็นสมรภูมิของยักษ์ใหญ่ระดับโลกอย่าง Google, Microsoft, OpenAI หรือ Meta เท่านั้น องค์กรหรือคนทำงานทั่วไปจึงไม่มีความจำเป็นใด ๆ ที่จะต้องกระโดดลงไปในสนามนี้เลย
  2. Fine-tuning (การปรับแต่งพฤติกรรมเฉพาะด้าน): คือการนำโมเดลที่ผ่านการเรียนรู้ภาษามาแล้ว มาป้อนตัวอย่างเพิ่มเติมเพื่อ ปรับพฤติกรรมและความสามารถสำหรับงานเฉพาะ ซึ่งแม้จะใช้ทรัพยากรน้อยกว่าการสร้างโมเดลใหม่ทั้งหมด แต่ก็ยังต้องอาศัยความเชี่ยวชาญในการจัดเตรียมข้อมูลที่เหมาะสมกับงานและการทดสอบดูแลโมเดลอย่างต่อเนื่อง
  3. การใช้ RAG + Context Engineering (แนวทางเริ่มต้นที่จับต้องได้ที่สุด): สำหรับงานเอกสารและระบบส่วนใหญ่ที่ผมทำ ผมมักจะเริ่มจากโมเดลสำเร็จรูปที่มีอยู่แล้ว แล้วนำมาจัดบริบทและเอกสารอ้างอิงให้พร้อม (ตามแนวทางในตอนที่ 08 และ 19) จากนั้นจึงทดสอบและวัดผลจริง หากระบบเดิมยังตอบโจทย์ได้ไม่ดีพอ ค่อยพิจารณาการปรับแต่งหรือฝึกเพิ่มเป็นลำดับถัดไป วิธีนี้ช่วยประหยัดทั้งเวลาและงบประมาณ และทำให้เราเห็นปัญหาจริงได้เร็วกว่าการกระโจนไปฝึกโมเดลตั้งแต่ต้นครับ

2. บันได 5 ขั้นของมนุษย์กับ AI (The Spectrum of Roles)

เมื่อเราไม่ต้องไปเสียเวลาเทรนโมเดลแข่งกับใคร คำถามคือ: แล้วในห่วงโซ่คุณค่า (Value Chain) ทั้งหมดของ AI มนุษย์อย่างเราอยู่ตรงไหนได้บ้าง?

ผมขอสรุปออกมาเป็น “บันได 5 ขั้นของมนุษย์ในยุค AI” ดังนี้ครับ:

แผนภาพประกอบ chapter 20 diagram 02
แผนภาพประกอบเรื่อง

ขั้นที่ 1: ผู้สร้างโมเดล (Model Builders)

คือกลุ่มนักวิทยาศาสตร์และบริษัทเทคระดับโลกที่สร้าง Foundation Models ขึ้นมา คนกลุ่มนี้เปรียบเหมือน "โรงงานผลิตเครื่องยนต์เจ็ต" ที่มีผู้เล่นตัวจริงเพียงไม่กี่รายในโลก

ขั้นที่ 2: คนฝึกสอนและปรับแต่ง (Trainers & Fine-tuners)

คือผู้เชี่ยวชาญเฉพาะทางที่คอยทดสอบ ฝึกฝน และจูนสำนวนโมเดลสำหรับงานเฉพาะทาง เช่น วงการแพทย์ วงการวิจัย หรือการเงินขั้นสูง

ขั้นที่ 3: คนประกอบร่าง (System Integrators) — ตำแหน่งทองคำที่ 1

นี่คือกลุ่มคนที่น่าจับตามองที่สุดในยุคนี้ครับ! คนกลุ่มนี้ ไม่จำเป็นต้องเขียนโมเดลขึ้นมาเอง แต่เป็นคนที่เข้าใจภาพรวมของระบบ (สถาปัตยกรรม) รู้ว่าชิ้นไหนคืออะไร:

  • รู้จักเลือกโมเดลที่คุ้มค่า (Model Selection & Cost)
  • รู้วิธีสร้างตัวถังควบคุม (Harness)
  • รู้วิธีเชื่อมต่อเครื่องมือผ่าน MCP และ Tools
  • รู้วิธีจัดเตรียมแฟ้มข้อมูล (Context Engineering & RAG)

คนกลุ่มนี้คือผู้ที่นำชิ้นส่วนมาตรฐานราคาถูก มาประกอบเข้าด้วยกันจนกลายเป็น "ระบบที่แก้ปัญหาจริงให้แก่ธุรกิจ" ซึ่งสร้างมูลค่ามหาศาลในโลกการทำงานปัจจุบันครับ

ขั้นที่ 4: ผู้กำกับการทำงาน (Supervisors / Orchestrators) — ตำแหน่งทองคำที่ 2

คนกลุ่มนี้คือผู้เชี่ยวชาญในสายงานของตนเอง (โดเมนของงาน) เช่น นักบัญชี, ทนายความ, ผู้จัดการโครงการ, วิศวกร หรือนักการตลาด คนกลุ่มนี้ไม่ต้องเขียนโค้ดเลยแม้แต่บรรทัดเดียว แต่ทำหน้าที่เป็น “ผู้จัดการทีม AI”:

  • ออกแบบเป้าหมายและข้อจำกัดของงาน (Goal & Constraints)
  • กำหนด Workflow และกติกาที่ระบบต้องเดิน
  • และที่สำคัญที่สุด: ทำหน้าที่เป็น Human-in-the-Loop (มนุษย์ที่คอยตรวจรับงาน) ถือพวงมาลัยตรวจเช็กความถูกต้องก่อนปล่อยงานออกสู่โลกจริง

ขั้นที่ 5: ผู้ใช้งานปลายทาง (End Users)

คือคนที่ใช้งาน AI ในชีวิตประจำวันผ่านหน้าต่างแชตทั่วไป เป็นผู้บริโภคความสะดวกสบายของเทคโนโลยี

3. ทำไมขั้นที่ 3 และ 4 จึงเป็น "ตำแหน่งทองคำ" ของพวกเรา?

สังเกตไหมครับว่า ทำไมผมถึงยกให้ ขั้นที่ 3 (คนประกอบร่าง) และ ขั้นที่ 4 (ผู้กำกับการทำงาน) เป็นตำแหน่งทองคำของคนทำงานยุคนี้?

เหตุผลมีอยู่ 3 ข้อสั้น ๆ ครับ:

  1. ไม่ต้องแข่งในจุดที่เครื่องจักรทำได้ดีกว่า: ถ้าเราพยายามแข่งกับ AI ในเรื่องความเร็วการค้นข้อมูล การสังเคราะห์ข้อความปริมาณมาก หรือการเขียนโค้ดร่างแรก เครื่องจักรย่อมทำได้ไวกว่าเรามาก แต่สิ่งที่เครื่องจักรยังแทนไม่ได้คือ “การเข้าใจเจตนาที่แท้จริงของผู้คน บริบทความสัมพันธ์ และเป้าหมายที่แท้จริงของงาน” คนที่อยู่ขั้น 3 และ 4 คือคนที่นำความเข้าใจลึกซึ้งในเนื้องาน มาจัดระบบและกำหนดทิศทางให้ AI ทำงานได้ถูกจุด
  2. ขยายกำลังการทำงาน (Leverage): เมื่อคุณทำหน้าที่กำกับและจัดระบบ (Supervisor) แทนที่จะต้องลงมือพิมพ์เอกสารหรือคัดลอกข้อมูลซ้ำ ๆ ด้วยตัวเองทั้งหมด คุณสามารถมอบหมายให้ AI ช่วยสรุป ตรวจสอบความสอดคล้อง และจัดเตรียมโครงร่างเบื้องต้น ทำให้คุณมีเวลาไปโฟกัสกับการตัดสินใจเชิงกลยุทธ์และการสร้างคุณค่าหลักของงานได้มากขึ้น
  3. เป็นเกราะป้องกันความปลอดภัยที่ระบบขาดไม่ได้: ไม่ว่า AI จะพัฒนาไปไกลแค่ไหน ความรับผิดชอบทางกฎหมาย จริยธรรม และผลกระทบต่อชีวิตจริง ยังคงเป็นของมนุษย์ 100% เสมอ องค์กรไม่สามารถฟ้องร้องโมเดล AI ได้หากงานเกิดความเสียหาย ดังนั้น โลกจึงต้องการมนุษย์ที่ฉลาด รู้จริง และกล้าถือพวงมาลัยตรวจรับงานอยู่เสมอครับ

4. Human-in-the-Loop (HITL): กฎเหล็กของการอยู่ร่วมกับ AI

คำศัพท์เชิงวิศวกรรมที่สำคัญที่สุดคำหนึ่งในระบบ AI สมัยใหม่ คือคำว่า Human-in-the-Loop (HITL) หรือการมีมนุษย์ร่วมอยู่ในวงจรการทำงาน

ในวงการซอฟต์แวร์ เราตระหนักดีว่า:

  • เรายอมให้ AI เป็น "คนช่วยคิด ช่วยทำ และช่วยค้นหา" ได้
  • แต่ในขั้นตอนที่มีผลกระทบจริง (Critical Action) เช่น การโอนเงิน, การเซ็นสัญญา, การกดส่งอีเมลหาลูกค้าภายนอก, หรือการตัดสินใจทางการแพทย์
  • ระบบที่ดีจะต้องออกแบบให้มี "ด่านตรวจรับโดยมนุษย์" (Human Gate / Approval Step) คั่นไว้เสมอ!
แผนภาพประกอบ chapter 20 diagram 03
แผนภาพประกอบเรื่อง

การมีมนุษย์อยู่ในวงจร ไม่ใช่ความล้าหลังหรือการถ่วงเวลา แต่คือ "การออกแบบระบบอย่างมีวุฒิภาวะและความรับผิดชอบ" ที่ทำให้เราสามารถใช้ประโยชน์จากความเร็วของ AI ได้อย่างเต็มที่ โดยไม่นำพาองค์กรไปชนหน้าผาครับ

บทสรุปและสิ่งที่จะคุยกันต่อ

เมื่อเราเข้าใจชัดเจนแล้วว่าเราควรไปยืนอยู่ตรงไหนในห่วงโซ่คุณค่านี้...

ตอนนี้ ทุกชิ้นส่วนที่เราค่อย ๆ แกะดูทีละชิ้นมาตั้งแต่ต้นเล่ม ได้ถูกวางเรียงรายอยู่บนโต๊ะทำงานของเราครบถ้วนสมบูรณ์แล้วครับ!

และนี่คือเวลาที่เราจะมาทำการทดสอบครั้งสุดท้าย — บททดสอบแห่งความเข้าใจ (The Acceptance Test) เพื่อพิสูจน์ว่า เราสามารถ "มองทะลุ" และถอดรหัสประโยคทองคำที่คนในวงการชอบพูดกันได้อย่างกระจ่างแจ้งหรือไม่...

ในตอนต่อไป — ตอนที่ 21 (บทส่งท้าย): ถอดรหัสประโยคทองคำ และการเป็นผู้ใช้ AI ที่ฉลาด เราจะมาประกอบชิ้นส่วนทั้งหมดเข้าด้วยกันเป็นภาพสุดท้าย เพื่อปิดเล่มอย่างตาสว่าง มั่นใจ และพร้อมก้าวไปข้างหน้าในโลกยุคใหม่อย่างแท้จริงครับ!

ศัพท์เทคนิค → คำแปลภาษาคนทำงาน — แตะเพื่อย่อ/ขยาย
  • Pre-training: การฝึกสอนโมเดลภาษาตั้งแต่ศูนย์ด้วยคลังข้อมูลขนาดใหญ่ ซึ่งหากเป็นการสร้างโมเดลแนวหน้าขนาดใหญ่เพื่อแข่งกับเจ้าตลาด จะต้องใช้เงินทุนและทรัพยากรระดับมหาศาล
  • Fine-tuning: การปรับแต่งน้ำหนักของโมเดลเดิมด้วยชุดข้อมูลเฉพาะ เพื่อปรับพฤติกรรมและความสามารถสำหรับงานเฉพาะด้าน
  • Human-in-the-Loop (HITL): สถาปัตยกรรมระบบที่กำหนดให้มนุษย์เป็นผู้มีอำนาจตรวจสอบและอนุมัติในขั้นตอนสำคัญ เพื่อความปลอดภัยและถูกต้องของผลงาน
หลักคิดเชิงสถาปัตยกรรม — แตะเพื่อย่อ/ขยาย
  • Don't Train, Assemble: อย่าเสียเวลาไปแข่งขันกับการสร้างโมเดล ให้โฟกัสที่การเป็น "คนประกอบร่าง (System Integrator)" นำโมเดลสำเร็จรูปมาผสานกับ Harness, Context และ Tools เพื่อแก้ปัญหาจริง
  • Always Hold the Steering Wheel: มนุษย์ไม่ได้ถูกลดคุณค่า แต่ถูกเลื่อนตำแหน่งขึ้นมาเป็น "ผู้กำกับการทำงาน (Supervisor)" ที่มีหน้าที่กำหนดทิศทาง ตรวจรับงาน และรับผิดชอบผลลัพธ์ขั้นสุดท้ายเสมอครับ