AI Development: สมองที่พอเหมาะ กับราคาที่ต้องจ่าย

ในเล่มก่อนผมเคยบอกว่า “AI เก่งรู้ทุกอย่าง ยกเว้นรู้จริง” ครับ งาน Trip Planner ทำให้ผมรู้สึกว่าได้เจอประเด็นนั้นอีกครั้ง ทั้งที่เปลี่ยน Model มาแล้ว

ผมเปลี่ยนจาก DeepSeek V4.1 Flash มาเป็น Muse Spark 1.3 เพราะตอนนั้นต้นทุนการเรียกใช้เท่ากัน และช่วงท้ายๆ ของ Pantry-demo ผมรู้สึกว่า Muse ทำงานได้ดีกว่า ผมเลยเลือก Model ที่คิดว่าความสามารถกับต้นทุนพอเหมาะกับงาน ไม่ได้ตั้งเป้าว่าต้องใช้รุ่นใหม่ที่สุดเพียงเพราะเป็นรุ่นใหม่

ใน Trip Planner ผมรู้สึกว่า Muse อ่าน Context ได้ดีครับ แต่พอทำงานต่อเนื่องไปเรื่อยๆ กลับไม่ค่อยรักษาภาพรวมของสิ่งที่กำลังทำไว้ได้ ช่วงแรกที่ทำหน้าจอใช้จริง การแก้หลายจุดค่อยๆ กลายเป็นการปะผุ ยิ่งปรับบางส่วน ภาพรวมก็ยิ่งไม่ลงตัว สุดท้ายผมต้องเป็นคนสั่งให้หยุดแก้เฉพาะจุด แล้วกลับไป Redesign โดยรวมใหม่

หลังจากได้ Prototype ชุดใหม่ AI ก็ช่วยทำแอปต่อ ปรับตามที่ผมลองและทัก แล้วเดินงานไปจนถึงการทดสอบกับการรับงานได้ครับ แต่ผลที่ออกมายังทำให้ผมไม่แน่ใจว่า Muse ดีกว่า DeepSeek มากแค่ไหน ผมจำได้ว่าปัญหาการเสียภาพรวมและแก้แบบปะผุเกิดน้อยกว่าใน Pantry-demo แต่ความทรงจำนี้ยังไม่พอให้ฟันธง และผมไม่ได้จะกลับไปทำการทดลองเปรียบเทียบซ้ำ

ความต่างนี้อาจเกี่ยวกับตัว Model หรือ “Brain” ที่ผมใช้เรียกมันก็ได้ครับ ผมคิดว่า Brain ที่เก่งขึ้นอาจช่วยลดเวลาที่เสียไปกับการทบทวนภาพรวมและแก้ปัญหาซ้ำ แต่จากงานครั้งนี้ยังแยกไม่ได้ว่าความติดขัดมาจาก Brain, วิธีทำงาน, บริบทที่สะสมระหว่างงาน หรือหลายอย่างประกอบกัน

แม้ทางจะไม่ราบรื่นทั้งหมด สุดท้ายงานก็ผ่านการทดสอบและมาถึงจุดที่ผมตรวจรับได้ครับ แต่ผมก็ยังไม่ได้วัดว่า ระหว่างทางต้องเสียเวลาไปกับการกำกับและดึงภาพรวมกลับมามากแค่ไหน

ผมไม่ได้เลือก AI เพราะคิดว่ามันจะทำทุกอย่างได้ดีที่สุดครับ ผมเลือกเพราะคิดว่ามันดีพอสำหรับงานและต้นทุนที่รับได้ ส่วนที่เหลือเป็นหน้าที่ของผมที่จะต้องรู้ว่าเมื่อไรควรปล่อยให้มันทำงาน และเมื่อไรควรเข้าไปช่วยดึงภาพรวมกลับมา

รอบนี้อาจจะไม่ได้เดินสวยงามนัก แต่ก็ทำให้ผมเห็นว่า การใช้ AI ให้คุ้มค่าไม่ได้วัดกันแค่ความเก่งของ Model หรือค่าใช้จ่ายในการเรียกใช้เท่านั้น ยังมีเวลาที่เราต้องใช้กำกับและแก้งานด้วย ซึ่งผมยังไม่ได้วัดต้นทุนส่วนนั้นอย่างจริงจังครับ