หากเราลองย้อนกลับไปมองบรรยากาศการพูดคุยในแวดวงธุรกิจหรือการลงทุนเมื่อหลายปีก่อน หัวข้อหลักมักจะหนีไม่พ้นเรื่องทิศทางอัตราดอกเบี้ย ราคาน้ำมัน หรือความตึงเครียดทางภูมิรัฐศาสตร์ ทว่าในปัจจุบันนี้ ทิศทางของกระแสลมได้เปลี่ยนไปอย่างสิ้นเชิง สิ่งที่สะท้อนให้เห็นภาพนี้ได้ชัดเจนที่สุด คือ เหตุการณ์ที่เกิดขึ้นกับผู้ดำเนินรายการพอดแคสต์ OddLots อย่าง โจ ไวเซนธาล (Joe Weisenthal) และ เทรซี่ อัลโลเวย์ (Tracy Alloway) จากสำนักข่าวบลูมเบิร์ก ในระหว่างการเดินทางไปเยือนฮ่องกงในช่วงที่ผ่านมา
ถอดรหัสอนาคต AI กับ Anthropic ผลกระทบต่อเศรษฐกิจ ตลาดแรงงาน และทิศทางเทคโนโลยี
ช่วงที่โลกกำลังจับตามองสถานการณ์ความตึงเครียดบริเวณช่องแคบฮอร์มุซ ซึ่งเอเชียตะวันออกถูกประเมินว่าิจะเป็นจุดศูนย์กลางที่ได้รับผลกระทบโดยตรงจากวิกฤตการณ์น้ำมันและเชื้อเพลิงการบิน แต่สิ่งที่น่าประหลาดใจ คือ เมื่อพวกเขาได้ร่วมโต๊ะอาหารค่ำกับเหล่านักธุรกิจและผู้คนในแวดวงเศรษฐกิจ บทสนทนากลับไม่ได้พุ่งเป้าไปที่ความเสี่ยงด้านพลังงานเหล่านั้นเลยแม้แต่น้อย ในทางกลับกัน ผู้คนต่างให้ความสนใจและพูดคุยเกี่ยวกับ “การบริโภคโทเค็น” และทิศทางของปัญญาประดิษฐ์ (AI) จนบางครั้งบทสนทนาได้ยกระดับและเบี่ยงเบนไปสู่เรื่องราวแนวไซไฟที่ชวนให้นึกถึงภาพยนตร์อย่างคนเหล็กหรือแม้กระทั่งการตั้งคำถามถึงสถานการณ์ที่อาจนำไปสู่การสูญพันธุ์ของมนุษยชาติ ซึ่งคำถามเหล่านี้ได้กลายเป็นเรื่องปกติที่ผู้คนหยิบยกขึ้นมาถกเถียงกันในยุคนี้ไปเสียแล้ว
จุดเริ่มต้นของวิสัยทัศน์ : สัญญาณแห่งการเปลี่ยนแปลงจากปี 2016
เมื่อเราพูดถึงการก่อร่างสร้างตัวของอุตสาหกรรม AI ในปัจจุบัน การทำความเข้าใจมุมมองของผู้ที่มองเห็น “สัญญาณ” ตั้งแต่เนิ่นๆ ถือเป็นสิ่งสำคัญ แจ็ค คลาร์ก (Jack Clark) อดีตผู้สื่อข่าวสายเทคโนโลยีของบลูมเบิร์ก และปัจจุบันดำรงตำแหน่งหัวหน้าฝ่ายผลประโยชน์สาธารณะและผู้ร่วมก่อตั้งบริษัท Anthropic คือ หนึ่งในบุคคลที่มองเห็นคลื่นลูกใหญ่นี้ก่อนใคร
มีหลักฐานที่น่าสนใจปรากฏขึ้นในรูปแบบของข้อความ Direct Message (DM) เมื่อวันที่ 2 สิงหาคม ปี 2016 แจ็คได้ส่งข้อความหาเพื่อนร่วมงาน เพื่อแจ้งข่าวการตัดสินใจลาออกจากบลูมเบิร์ก โดยเขาได้ระบุอย่างชัดเจนว่า ต้องการใช้เวลาสัก 2-3 เดือนเพื่อศึกษาเรื่อง AI อย่างจริงจัง และจะโบกมือลาวงการสื่อสารมวลชนเพื่อไปสานต่อเส้นทางในสายเทคโนโลยีนี้ ประโยคที่ทรงพลังที่สุดในข้อความนั้น คือ การที่เขาระบุว่า “AI นั้น สำคัญกว่าสิ่งอื่นใด ดังนั้น จึงรู้สึกว่าดีที่สุด คือ การปรับตัวเพื่อสิ่งนั้นให้เหนือกว่าสิ่งอื่นใด” ในเวลานั้น การตัดสินใจของแจ็คอาจดูเป็นเรื่องที่ท้าทายและเต็มไปด้วยความเสี่ยง แต่สิ่งที่อยู่เบื้องหลังความมั่นใจนั้น คือ การรวบรวมข้อมูลและการวิเคราะห์อย่างเป็นระบบ ตลอดระยะเวลาสองปีที่เขาทำงานข่าวที่บลูมเบิร์ก เขาได้ศึกษางานวิจัยเก่าๆ เกี่ยวกับปัญญาประดิษฐ์อย่างหนักหน่วง สิ่งที่เขาทำ คือ การสร้างกราฟติดตามความก้าวหน้าของ AI เมื่อเวลาผ่านไป โดยวัดผลจากความสามารถในด้านต่างๆ เช่น คอมพิวเตอร์วิทัศน์ การประมวลผลเสียง วิดีโอ และการที่เอเจนต์ AI สามารถเรียนรู้ที่จะเล่นเกม Atari ได้
สิ่งที่แจ็คค้นพบจากกราฟเหล่านั้น คือ “จุดเริ่มต้นของการเติบโตแบบก้าวกระโดด” ไม่ว่าจะเป็นการมองเห็นหรือการแก้ปัญหา ทิศทางของกราฟชี้ให้เห็นถึงแนวโน้มเดียวกันอย่างชัดเจน มันทำให้เขามั่นใจว่า นี่คือ เทคโนโลยีเอนกประสงค์ ที่กำลังอยู่ในช่วงเริ่มต้นของการปฏิวัติโลก
เมื่อห้องปฏิบัติการ AI ต้องการ “นักเศรษฐศาสตร์”
การเติบโตของ Anthropic ในช่วง 10 ปีต่อมา ไม่ได้มุ่งเน้นเพียงแค่การพัฒนาความสามารถของโมเดลภาษาขนาดใหญ่ (LLMs) เท่านั้น แต่ยังรวมถึงการทำความเข้าใจผลกระทบที่เทคโนโลยีเหล่านี้มีต่อโลกแห่งความเป็นจริง นี่คือ จุดที่ ปีเตอร์ แมคครอรี่ (Peter McCrory) หัวหน้าฝ่ายเศรษฐศาสตร์ของ Anthropic ก้าวเข้ามามีบทบาทสำคัญ
หลายคนอาจตั้งคำถามว่า เหตุใดบริษัทเทคโนโลยีที่กำลังเร่งพัฒนาปัญญาประดิษฐ์และมุ่งเน้นการสร้างผลกำไร จึงจำเป็นต้องมีศูนย์วิจัยเศรษฐศาสตร์อยู่ภายในองค์กร คำตอบของเรื่องนี้สะท้อนให้เห็นถึงความลึกซึ้งในการมองโลกของ Anthropic ปีเตอร์ ซึ่งมีพื้นฐานเป็นนักเศรษฐศาสตร์มหภาคประยุกต์ ได้ตัดสินใจเข้าร่วมงานกับบริษัทแห่งนี้เมื่อปีที่แล้ว เพราะเขามองเห็นอย่างชัดเจนว่า ทีมผู้ก่อตั้งไม่ได้ใส่ใจเพียงแค่การทลายขีดจำกัดทางวิศวกรรม แต่พวกเขามีความมุ่งมั่นอย่างลึกซึ้งที่จะทำความเข้าใจว่า AI จะเข้าไปพลิกโฉมตลาดแรงงานอย่างไร จะส่งผลกระทบต่อความสามารถในการผลิตและการเติบโตของเศรษฐกิจในทิศทางใด
พันธกิจหลักของศูนย์วิจัยเศรษฐศาสตร์แห่งนี้ คือ การนำเสนอหลักฐาน ข้อมูล และงานวิจัยเชิงประจักษ์ออกสู่สายตาชาวโลก เพื่อให้สังคมได้รับประโยชน์ในวงกว้างและสามารถปรับตัวรับมือกับความเปลี่ยนแปลงได้อย่างมีประสิทธิภาพ แม้ว่าการคาดการณ์ทางเศรษฐศาสตร์อาจจะไม่สามารถถูกต้องได้ทั้งหมดร้อยเปอร์เซ็นต์ แต่ในอุดมคติแล้ว ข้อมูลเหล่านี้เปรียบเสมือนเข็มทิศที่ช่วยให้ผู้กำหนดนโยบาย ภาคธุรกิจ และประชาชนทั่วไป สามารถทำความเข้าใจความสามารถของโมเดล AI ในทุกรูปแบบ ตั้งแต่การเขียนโค้ด การวิเคราะห์ข้อมูล ไปจนถึงประเด็นด้านลิขสิทธิ์และทรัพย์สินทางปัญญา
คอขวดของการเปลี่ยนผ่าน : ทำไมโลกในระดับมหภาคถึงยังดู “ปกติ”
เมื่อเราพูดถึงการมาถึงของ AI ที่มีความสามารถระดับสูง คำถามที่มักจะตามมาเสมอ คือ หากเทคโนโลยีเหล่านี้ล้ำหน้าจนสามารถเขียนโค้ดและสร้างสรรค์ผลงานได้เทียบเท่าหรือเก่งกว่ามนุษย์ ทำไมในเดือนมิถุนายน ปี 2026 ชีวิตและการขับเคลื่อนของระบบเศรษฐกิจโดยรวมถึงยังคงให้ความรู้สึกเป็นปกติและไม่ได้เปลี่ยนไปแบบหน้ามือเป็นหลังมือ
ปีเตอร์ได้ให้คำอธิบายที่น่าสนใจเกี่ยวกับปรากฏการณ์นี้ว่า ผลกระทบของเทคโนโลยีในระดับโครงสร้างนั้นไม่ได้เกิดขึ้นในชั่วข้ามคืน ประการแรก แม้เทคโนโลยีจะมีความก้าวหน้าอย่างก้าวกระโดด แต่มันจำเป็นต้องใช้เวลาในการกระจายตัว ไปทั่วทั้งระบบเศรษฐกิจอย่างทั่วถึง ปัจจุบันเรายังคงเผชิญกับสิ่งที่เรียกว่า “คอขวด” จากการเปลี่ยนผ่านจากความสามารถเชิงทฤษฎีไปสู่การนำไปใช้งานจริง
เราสามารถเห็นภาพนี้ได้ชัดเจนจากกลุ่มลูกค้าองค์กร หากบริษัททางการเงินระดับโลกต้องการให้ระบบ AI สร้างแบบจำลองทางการเงินที่ซับซ้อนมาก ๆ หรือสถาบันวิจัยต้องการให้ AI ทำงานด้านชีววิทยาแบบอัตโนมัติ ลำพังแค่ความฉลาดของโมเดลเพียงอย่างเดียวไม่เพียงพอ พวกเขาจำเป็นต้องป้อน “ข้อมูลบริบท” จำนวนมหาศาลเข้าไปในระบบ หากขาดซึ่งข้อมูลองค์กรที่ถูกต้องและครอบคลุม ความสามารถของ AI ก็ไม่อาจขับเคลื่อนให้เกิดผลกระทบได้อย่างเต็มประสิทธิภาพ นอกจากนี้ การปรับเปลี่ยนวัฒนธรรมองค์กรเพื่อให้ผู้คนเริ่มยอมรับและคุ้นเคยกับการใช้เครื่องมือเหล่านี้ก็ต้องอาศัยเวลา เราจึงยังคงอยู่ในช่วงเริ่มต้นของเส้นโค้งแห่งการนำไปใช้ (Adoption Curve) เท่านั้น
อย่างไรก็ตาม สัญญาณของการเปลี่ยนแปลงเริ่มปรากฏให้เห็นในบางมิติแล้ว โดยเฉพาะในแง่ของการเติบโตของความสามารถในการผลิตการเติบโตของผลิตภาพแรงงานยังคงรักษาระดับความแข็งแกร่งมาตั้งแต่ช่วงการแพร่ระบาดของโควิด-19 และถึงแม้ภาพรวมของตลาดแรงงานยังคงอยู่ในจุดที่แข็งแรงสมบูรณ์ แต่ลักษณะของ AI ในปัจจุบันยังทำหน้าที่เป็นเทคโนโลยีที่ “ส่งเสริมแรงงาน” และเอนเอียงไปทางการช่วยขยายทักษะ เป็นหลัก มันยังไม่ได้เข้ามาทดแทนการทำงานที่ใช้ความคิดของมนุษย์ทั้งหมดแบบอเนกประสงค์เต็มรูปแบบ แต่นั่น ก็คือ วิถีทางที่เรากำลังมุ่งหน้าไป
การพัฒนาตัวเองแบบวนซ้ำและความเปลี่ยนแปลงในระดับองค์กร
แม้ภาพรวมของเศรษฐกิจมหภาคจะดูเหมือนค่อยเป็นค่อยไป แต่เมื่อเจาะลึกลงไปในระดับองค์กรที่พัฒนา AI อย่าง Anthropic ความเปลี่ยนแปลงนั้นรุนแรงและรวดเร็วจนน่าตกใจ แจ็คได้แบ่งปันประสบการณ์ตรงจากการลางานเพื่อไปดูแลลูกเมื่อเดือนพฤศจิกายนปีที่แล้ว และเมื่อเขากลับมาทำงานในเดือนกุมภาพันธ์ เขาพบว่า ทั้งบริษัทให้ความรู้สึกและมีกระบวนการทำงานที่แตกต่างออกไปอย่างสิ้นเชิง
สิ่งที่ทำให้เกิดการเปลี่ยนแปลงนี้ คือ คุณภาพของโมเดลที่ก้าวกระโดด แจ็คได้อ้างอิงถึงข้อมูลภายในองค์กรที่เปิดเผยในหัวข้อการวิจัยที่เรียกว่า “การพัฒนาตัวเองแบบวนซ้ำ” สิ่งที่ปรากฏในข้อมูลคือ ในปี 2026 วิศวกรที่ Anthropic สามารถเขียนโค้ดและทำงานได้มากกว่าที่เคยทำในช่วงปี 2021 ถึง 2024 ถึง 8 เท่า จุดเปลี่ยนสำคัญนี้เริ่มต้นขึ้นเมื่อปีที่แล้วจากการเปิดตัวโมเดลอย่าง Opus 4.5 และ Opus 4.6 จากนั้นกราฟการทำงานก็ทะยานขึ้นอย่างแท้จริงในปีนี้
ปัจจุบัน ภูมิทัศน์การทำงานของวิศวกรซอฟต์แวร์ระดับหัวกะทิได้เปลี่ยนไป พวกเขาไม่ได้นั่งพิมพ์โค้ดทีละบรรทัดอีกต่อไป แต่เปลี่ยนบทบาทไปเป็นผู้สั่งการให้ “เอเจนต์” เขียนโค้ดจำนวนมากมายออกไปทำงานแทน ปรากฏการณ์นี้ทำให้แจ็คยอมรับว่า โลกแห่งการทำงานดั้งเดิมจะคงอยู่ต่อไปได้อีกไม่นานนัก แต่กระบวนการนี้ต้องใช้เวลาในการกระจายออกจากซิลิคอนแวลลีย์ไปสู่ส่วนอื่นๆ ของโลก
ความน่าสนใจของการที่ AI สามารถพัฒนาโค้ดจำนวนมหาศาลได้ คือ การที่องค์กรต้องเผชิญกับปัญหาใหม่ที่เกิดจากความเร็วที่มากเกินไป เมื่อวิศวกรใช้ AI ผลิตโค้ดได้มากขึ้น 8 เท่า สิ่งที่ตามมา คือ ระบบ Continuous Integration (CI) ซึ่งเป็นเครื่องมือที่ใช้รวบรวมและทดสอบโค้ดเข้าสู่ฐานข้อมูลกลางของบริษัท เกิดอาการ “พัง” อย่างต่อเนื่องเพราะรับโหลดข้อมูลไม่ไหว ส่งผลให้วิศวกรมนุษย์ต้องละทิ้งงานหลักเพื่อมาช่วยกันแก้ไขและขยายขนาดของระบบ CI ให้กลับมาใช้งานได้
นี่คือ ตัวอย่างที่ของการเร่งความเร็วในระบบเศรษฐกิจ เมื่อเรานำ AI มาเพิ่มความเร็วในการผลิตสิ่งต่างๆ ท้ายที่สุดเราก็จะไปชนกับข้อจำกัดทางโครงสร้างพื้นฐานเดิม ไม่ว่าจะเป็นจุดอ่อนของระบบ เซิร์ฟเวอร์ หรือเส้นทางการทำงานที่ถูกใช้งานหนักจนพังทลาย หน้าที่ของมนุษย์ในอนาคต คือ การขยับไปจัดการแก้ไขข้อจำกัดเหล่านั้น เพื่อให้วงจรการทำงานอัตโนมัติสามารถขยายตัวและเริ่มต้นใหม่อีกครั้ง เรากำลังนั่งอยู่บนยอดภูเขาน้ำแข็งของกลุ่มก้อนระบบอัตโนมัติที่กำลังขยายตัวขึ้นเรื่อยๆ อย่างไม่หยุดยั้ง
บทเรียนอันขมขื่นของวงการปัญญาประดิษฐ์
ประเด็นหนึ่งที่มีการถกเถียงกันอย่างกว้างขวางในวงการวิทยาการคอมพิวเตอร์ และสะท้อนให้เห็นถึงแนวทางการพัฒนา AI ในปัจจุบัน คือ สิ่งที่ ริชาร์ด ซัตตัน (Richard Sutton) นักวิจัยระดับแนวหน้าได้บัญญัติศัพท์ไว้ว่า “บทเรียนอันขมขื่น” แจ็คยอมรับว่า แม้ในอดีตเขาจะเคยมองโลกในแง่ร้ายทางเทคโนโลยี และไม่เชื่อว่า AI จะสามารถก้าวไปสู่จุดที่ทำทุกอย่างได้แบบอัตโนมัติทั้งหมด แต่วันเวลาที่เขาใช้ไปกับ OpenAI และ Anthropic ทำให้เขาถูกตีแสกหน้าด้วยทฤษฎีนี้ซ้ำแล้วซ้ำเล่า
ใจความสำคัญของบทเรียนอันขมขื่น คือ แนวคิดที่ว่า การทุ่มเททรัพยากรด้านการประมวลผล และการป้อนข้อมูลลงไปในโครงข่ายประสาทเทียมที่เป็นแบบทั่วไป มักจะให้ผลลัพธ์ที่ดีกว่าการพยายามนำความเชี่ยวชาญของมนุษย์ไปเขียนเป็นกฎเกณฑ์ที่ซับซ้อน ยิ่งเราใส่คอมพิวต์เข้าไปมากเท่าไหร่ โมเดลก็ยิ่งฉลาดขึ้น และยิ่งเกิดคุณสมบัติที่เราไม่เคยคาดคิดมาก่อน
ตัวอย่างที่อธิบายเรื่องนี้ได้ดีที่สุด คือ ประวัติศาสตร์การพัฒนา AI สำหรับการเล่นหมากรุกหรือหมากล้อม ในยุคแรกเริ่ม นักพัฒนาพยายามเชิญปรมาจารย์ระดับโลกมาสอนโมเดลถึงวิธีการเดินหมาก กลยุทธ์ และพยายามนำสัญชาตญาณเหล่านั้น มาเขียนเป็นโค้ด แต่ท้ายที่สุดแล้ว วิธีที่ทรงประสิทธิภาพที่สุดในการสร้างเอนจินหมากรุกที่เก่งระดับโลก กลับกลายเป็นการป้อนเพียงแค่ “กฎกติกา” ให้กับระบบ แล้วสั่งให้มันไปเล่นแข่งกับตัวเองนับพันล้านเกม เพื่อหาหนทางและกลยุทธ์ที่ดีที่สุดออกมาด้วยตัวมันเอง โดยปราศจากการแทรกแซงหรือข้อมูลเชิงลึกจากปรมาจารย์มนุษย์เลย ความเป็นจริงที่น่าตกใจ คือ อคติและรูปแบบการคิดที่ตายตัวของมนุษย์ กลับกลายเป็นสิ่งที่ฉุดรั้งประสิทธิภาพการเรียนรู้ของโมเดลเสียด้วยซ้ำ
การวิจัยทางเศรษฐศาสตร์และยุคสมัยของสัญชาตญาณแห่ง AI
คำถามที่ท้าทายจากปรากฏการณ์ข้างต้น คือ หาก AI สามารถค้นพบแนวทางที่ดีที่สุดในเกมกระดานได้โดยไม่ต้องพึ่งพามนุษย์ ทฤษฎีนี้จะส่งผลอย่างไรต่องานวิจัยเชิงลึกอย่างเช่นเศรษฐศาสตร์
ในมุมมองของนักเศรษฐศาสตร์อย่างปีเตอร์ หน้าที่การงานมักจะประกอบด้วยองค์ประกอบ 3 ส่วนหลัก ได้แก่
- การตัดสินใจกำหนดทิศทางและมอบหมายงาน
- การลงมือปฏิบัติงานจริง
- การประเมินผลและการตรวจสอบ
ปัจจุบัน สิ่งที่เรียกว่า บทเรียนอันขมขื่นกำลังแสดงผลอย่างชัดเจนในขั้นตอนการ “ลงมือปฏิบัติงาน” ของนักเศรษฐศาสตร์ ไม่ว่าจะเป็นการดาวน์โหลดข้อมูลมหาศาลจากหน่วยงานภาครัฐ การรันสมการถดถอย การสร้างแบบจำลองทางคณิตศาสตร์ และการแก้ปัญหาด้วยระเบียบวิธีเชิงตัวเลข งานเหล่านี้สามารถมอบหมายให้ Opus 4.5 หรือ 4.6 จัดการได้อย่างรวดเร็วและแม่นยำ ปีเตอร์สามารถตั้งคำถามวิจัยที่ซับซ้อนเกี่ยวกับการจ้างงานและให้โมเดลทำซ้ำและพัฒนาผลลัพธ์ โดยที่ตัวเขาทำหน้าที่เสมือนอาจารย์ที่คอยชี้แนะนักศึกษาระดับปริญญาโท
อย่างไรก็ตาม คำถามที่ยิ่งใหญ่กว่านั้น คือ จะมีจุดใดหรือไม่ที่ “สัญชาตญาณ” ทางเศรษฐศาสตร์ของมนุษย์ ซึ่งมักก่อตัวขึ้นจากการเล่าเรื่องราวหรือการสังเกตพฤติกรรมทางสังคม จะกลายเป็นสิ่งที่ไม่มีประโยชน์หรือล้าหลังเมื่อเทียบกับความสามารถของโมเดล เช่นเดียวกับที่เกิดขึ้นในเกมหมากล้อม หากวันหนึ่งโมเดล AI มีสัญชาตญาณที่ดีกว่าเกี่ยวกับการทำความเข้าใจระบบเศรษฐกิจและการเติบโตของเงินเฟ้อ เราอาจก้าวเข้าสู่ยุคที่การวิจัยทางสังคมศาสตร์กลายเป็นระบบอัตโนมัติอย่างเต็มรูปแบบ แม้เราจะยังไม่ถึงจุดนั้นในวันนี้ แต่มันก็เป็นอนาคตที่ท้าทายและชวนให้ตั้งคำถามถึงบทบาทของนักวิจัยในทศวรรษหน้า
ในระยะสั้น ตัวแปรสำคัญที่จะกำหนดความสำเร็จคือ ความสามารถของมนุษย์ในการมีรสนิยมและวิสัยทัศน์ที่ยอดเยี่ยม งานวิจัยในปัจจุบันชี้ให้เห็นว่า หากปล่อยให้เอเจนต์ AI ออกไปค้นคว้าโดยไร้การชี้นำ พวกมันมักจะทำงานตามสูตรสำเร็จและให้ผลลัพธ์ที่น่าเบื่อหน่ายและไร้การขับเคลื่อน แต่เมื่อผู้เชี่ยวชาญระดับโลกอย่าง เทอเรนซ์ เต๋า (Terence Tao) นักคณิตศาสตร์ชื่อก้องโลก นำระบบ AI มาใช้เป็นผู้ช่วยในการสร้างสรรค์คณิตศาสตร์ ผลลัพธ์ที่ได้คือความก้าวหน้าที่รวดเร็วและมีประสิทธิภาพอย่างไม่น่าเชื่อ นี่คือภาพสะท้อนของการ “แหย่หางมังกรแห่งความคิดสร้างสรรค์” ที่มนุษย์และ AI กำลังก้าวเดินไปพร้อมกัน
ความเชี่ยวชาญเฉพาะด้านจึงเป็นสิ่งที่มีค่าที่สุดในยุคนี้ งานวิจัยของ Anthropic ระบุว่า หากคุณเป็นนักบัญชีที่เข้าใจการกระทบยอดบัญชีในกรณีที่ซับซ้อนและมีเงื่อนไขเฉพาะ ความเชี่ยวชาญนั้นจะทำงานร่วมกับเอเจนต์ AI ในลักษณะของการขยายศักยภาพเชิงทวีคูณ สร้างผลผลิตที่มีมูลค่าทางการเงินสูงกว่าปกติหลายเท่าตัว
ความผันผวนของระบบเศรษฐกิจมหภาคและการวัดผลการเติบโต
ประเด็นที่สร้างความฉงนให้กับนักเศรษฐศาสตร์ทั่วโลก คือ หาก AI มีศักยภาพในการเพิ่มประสิทธิภาพการทำงานได้มากขนาดนี้ เหตุใดตัวเลข GDP และสถิติทางเศรษฐกิจแบบดั้งเดิมจึงยังไม่สะท้อนภาพการเติบโตระดับ 2,000% หรือ 3,000% ดังที่มีงานวิจัยของ แอนทอน คอร์นเนค (Anton Korinek) และคณะ ได้เคยตั้งข้อสังเกตไว้
ปีเตอร์ อธิบายว่า ปัญหาสำคัญ คือ เทคโนโลยีนี้ถือกำเนิดขึ้นท่ามกลางสภาพแวดล้อมที่เต็มไปด้วยความผันผวนทางเศรษฐกิจมหภาคที่ผิดปกติทั้งจากนโยบายการเงินยุคหลังโควิด สภาวะเงินเฟ้อ และปัจจัยทางภูมิรัฐศาสตร์ สิ่งเหล่านี้ทำหน้าที่เป็นคลื่นรบกวนที่บดบังผลกระทบที่แท้จริงของ AI การพยายามแยกแยะว่า การเติบโตที่เกิดขึ้นเป็นผลมาจากปัจจัยใดจึงเป็นเรื่องที่ยากลำบากอย่างยิ่ง
ทว่าเมื่อสถาบันวิจัย Anthropic ได้ใช้เทคนิคการรักษาความเป็นส่วนตัวเพื่อประเมินรูปแบบการใช้งานของ Claude และนำไปประยุกต์เข้ากับทฤษฎีบัญชีการเติบโตทางเศรษฐกิจมหภาคที่รู้จักกันในชื่อ ทฤษฎีบทของฮัลเทน (Hulten’s Theorem) ผลลัพธ์ที่ได้นั้นน่าทึ่งมาก ข้อมูลชี้ไปในทิศทางที่ว่า หากนำรูปแบบการใช้งานและความสามารถของโมเดลในปัจจุบันกระจายไปทั่วทั้งระบบเศรษฐกิจอย่างสมบูรณ์ จะสามารถหนุนให้การเติบโตของผลิตภาพแรงงาน (Labor Productivity Growth) เพิ่มขึ้นถึง 1.8%ในแต่ละปี ตลอดช่วงหนึ่งทศวรรษหน้า ซึ่งนี่ถือเป็นตัวเลขที่มหาศาลและเกือบจะเป็นการเพิ่มขึ้นเป็นสองเท่าของอัตราเฉลี่ยในช่วงที่ผ่านมา
หากเราเจาะลึกไปที่ข้อมูลระดับอุตสาหกรรมย่อยจากสำนักงานสำมะโนประชากร เราจะเริ่มเห็นว่า ความแข็งแกร่งของผลิตภาพแรงงานไปกระจุกตัวอยู่ในภาคส่วนที่มีอัตราการเปิดรับและนำ AI ไปใช้ (Adoption Rate) สูง เช่น ภาคส่วนข้อมูลข่าวสาร และเทคโนโลยี แม้ว่าในระดับภาพรวม การวัดค่าผลิตภาพปัจจัยการผลิตรวม อาจจะยังถูกรบกวนด้วยปัจจัยด้านการใช้กำลังการผลิต แต่หลักฐานเชิงประจักษ์เหล่านี้ก็เป็นสัญญาณเริ่มต้นที่ผู้กำหนดนโยบายต้องจับตามองอย่างใกล้ชิด
ตลาดแรงงานยุคใหม่ ปรากฏการณ์ “บาร์เบล”
หนึ่งในผลกระทบที่ชัดเจนและจับต้องได้มากที่สุดจากการมาถึงของ AI คือ การปรับโครงสร้างของตลาดแรงงานภายในองค์กรระดับนำหนน้าอย่าง Anthropic ซึ่งสามารถใช้เป็นกรณีศึกษาสำหรับองค์กรทั่วโลกได้ การเข้ามาของเครื่องมือล้ำสมัยอย่าง Claude Code ไม่เพียงแต่เปลี่ยนวิธีการทำงาน แต่ยังเปลี่ยน “กระบวนการจ้างงาน” ไปอย่างสิ้นเชิง
ในอดีต บริษัทอาจรับสมัครพนักงานโดยเน้นไปที่ความสามารถในการปฏิบัติงานพื้นฐาน แต่ในปัจจุบัน ยุทธศาสตร์การประเมินได้เปลี่ยนไปจากการตั้งคำถามว่า “คุณสามารถลงมือทำงานชิ้นนี้ได้หรือไม่” ไปสู่การตั้งคำถามที่ลึกซึ้งขึ้นว่า “คุณสามารถมอบหมายงาน กำหนดทิศทางให้กับโมเดลในสภาพแวดล้อมที่ยุ่งเหยิง และสามารถประเมินคุณภาพของงานโดยการตรวจสอบ Pull Request (PR) ได้แม่นยำแค่ไหน”
สิ่งที่เกิดขึ้นก่อให้เกิดรูปแบบการจ้างงานที่เรียกว่า “การจ้างงานแบบบาร์เบล” ซึ่งอธิบายได้ดังนี้
- ปลายด้านหนึ่ง (น้ำหนักทางฝั่งผู้มีประสบการณ์) : องค์กรมีความต้องการจ้างบุคลากรระดับอาวุโส (Senior) มากขึ้น เนื่องจากบุคคลเหล่านี้มี “สัญชาตญาณ” ประสบการณ์ และไอเดียที่เฉียบคมในการมองภาพรวม ซึ่งคุณสมบัติเหล่านี้สามารถนำไปผสมผสานและขยายผลอย่างมหาศาลเมื่อทำงานร่วมกับระบบ AI
- ปลายอีกด้านหนึ่ง (น้ำหนักทางฝั่งคนรุ่นใหม่สายเทค) : องค์กรยังคงรับพนักงานระดับเริ่มต้น แต่จะพิจารณาเฉพาะกลุ่มที่เติบโตมาพร้อมกับเทคโนโลยี หรือที่เรียกว่า ชนพื้นเมือง AI เช่น เด็กจบใหม่ที่คุ้นเคยกับโมเดลตั้งแต่ยุค GPT-2 ในปี 2019 คนกลุ่มนี้มีทักษะในการใช้คำสั่ง และดึงศักยภาพของเครื่องมือออกมาได้อย่างคล่องแคล่ว
ผลกระทบที่แท้จริงจึงไปตกอยู่กับ “ส่วนตรงกลาง” ของบาร์เบล นั่นคือ กลุ่มคนทำงานในระดับเริ่มต้นถึงระดับกลางที่ทำหน้าที่แบบดั้งเดิม ข้อมูลจากรายงานเมื่อเดือนมีนาคมชี้ให้เห็นว่า กลุ่มคนทำงานรุ่นใหม่ในบทบาทที่มีความเสี่ยงสูงจากระบบอัตโนมัติ เริ่มมีอัตราการหางานที่อ่อนแอกว่าปกติ ยิ่งไปกว่านั้น จากการสำรวจเชิงคุณภาพกับผู้คนกว่า 81,000 คน ทั่วโลกโดยทีมผลกระทบทางสังคมของ Anthropic พบว่า คนงานอายุน้อยมีความกังวลเกี่ยวกับโอกาสในการตกงานสูงกว่าพนักงานระดับอาวุโสถึงสองเท่า ความกลัวนี้เป็นกระจกสะท้อนให้เห็นว่า สังคมกำลังเผชิญหน้ากับความท้าทายในการปรับตัวครั้งใหญ่ และความจำเป็นในการยกระดับทักษะ ให้สอดคล้องกับยุคแห่งตัวช่วยอัจฉริยะ
ความตึงเครียดขององค์กรขนาดใหญ่และเศรษฐกิจของฐานข้อมูล
เมื่อเทคโนโลยีระดับแนวหน้าถูกปล่อยออกสู่ตลาด คำถามหนึ่งที่ถูกหยิบยกขึ้นมาพิจารณา คือ AI จะเป็นเครื่องมือที่ช่วยตอกย้ำความยิ่งใหญ่ของบริษัทขนาดใหญ่ ที่ผูกขาดตลาด หรือจะเป็นตัวจุดประกายที่สร้างความเท่าเทียมให้สตาร์ทอัพสามารถล้มยักษ์ได้
แจ็คได้เปรียบเทียบการมาถึงของ AI กับการประดิษฐ์ “ไฟฟ้า” ในอดีต เมื่อไฟฟ้าถูกคิดค้นขึ้น โรงงานแบบดั้งเดิมใช้วิธีเพียงแค่นำหลอดไฟไปติดบนเพดานและทำงานแบบเดิมต่อไป แต่การปฏิวัติทางเศรษฐกิจที่แท้จริงเกิดขึ้นจาก “โรงงานยุคใหม่” ที่ออกแบบโครงสร้างและการผลิตใหม่ทั้งหมดบนสมมติฐานที่ว่าไฟฟ้า คือ ศูนย์กลาง ปัจจุบันองค์กรที่เกิดใหม่และมี AI เป็นศูนย์กลางสามารถเคลื่อนไหวได้เร็วกว่าหลายเท่าตัว พวกเขาไร้รอยต่อ ไร้ความเทอะทะ และมีความได้เปรียบด้านความเร็ว
อย่างไรก็ตาม องค์กรขนาดใหญ่แบบดั้งเดิมก็มีข้อได้เปรียบที่ไม่อาจมองข้าม นั่นคือ “ความประหยัดต่อขนาด” และการถือครอง “ข้อมูลเอกสิทธิ์” จำนวนมหาศาล หากธุรกิจเหล่านี้สามารถฝังความสามารถของ Claude ผ่าน API เข้าไปในระบบอัตโนมัติ เพื่อดึงข้อมูลเชิงลึกที่ซ่อนอยู่หลังไฟร์วอลล์ (Firewall) ออกมาวิเคราะห์ พวกเขาจะสร้างผลทวีคูณทางการผลิตได้อย่างไร้ขีดจำกัด แต่การจะไปถึงจุดนั้นได้ องค์กรใหญ่ต้องเผชิญกับอุปสรรคสำคัญ คือ “ระบบราชการที่ซับซ้อน” และวัฒนธรรมการทำงานแบบดั้งเดิม
ในโลกธุรกิจปัจจุบัน ข้อมูลที่มีค่าที่สุดมักจะเป็นความรู้ที่ฝังลึกอยู่ในหัวของพนักงาน หรือถูกกักตุนไว้โดยผู้ที่สร้างรายได้หลักให้กับบริษัท เพราะคนเหล่านี้มองว่า ข้อมูล คือ อำนาจและเครื่องการันตีความมั่นคงในหน้าที่การงาน หากองค์กรไม่สามารถสร้างแรงจูงใจให้เกิดการแบ่งปันและจัดทำข้อมูลเหล่านี้เป็นรหัส เพื่อให้ AI เข้าถึงได้ เทคโนโลยีที่ล้ำสมัยที่สุดก็ไม่อาจสร้างประสิทธิผลได้อย่างเต็มที่ การเปลี่ยนผ่านนี้จึงไม่ได้เป็นเพียงเรื่องของการซื้อซอฟต์แวร์ แต่เปรียบเสมือนการจ้างงานหัวหน้าคณะทำงาน ที่ฉลาดล้ำนับพันคน ซึ่งต้องอาศัยการจัดโครงสร้างองค์กรใหม่ทั้งหมด
ความมั่นคงของชาติ ภูมิรัฐศาสตร์ และ KYC แห่งโลก AI
ในอีกมุมหนึ่งของสมการ การพัฒนาโครงข่ายประสาทเทียมที่มีพารามิเตอร์นับแสนล้านตัว ย่อมหลีกเลี่ยงไม่ได้ที่จะไปแตะโครงสร้างความมั่นคงของรัฐและความเสี่ยงระดับโลก เมื่อความสามารถของระบบ AI ก้าวข้ามขีดจำกัดด้านตรรกะและการเขียนโปรแกรม คุณสมบัติเหล่านี้ได้หลอมรวมเข้ากับคุณสมบัติด้านความมั่นคงของชาติอย่างแยกไม่ออก
ในโลกแห่งความเป็นจริง การที่รัฐบาลสหรัฐฯ สั่งระงับการเข้าถึงโมเดลชั้นนำจากต่างประเทศ ถือเป็นประเด็นที่อุตสาหกรรมต้องรับมือแบบเรียลไทม์ โดยปกติแล้ว เทคโนโลยีเชิงพาณิชย์และเทคโนโลยีทางทหารมักจะถูกพัฒนาแยกออกจากกันอย่างชัดเจน เช่น เครื่องยนต์ไอพ่นสำหรับเครื่องบินพลเรือน กับระบบขับเคลื่อนขีปนาวุธ แต่สำหรับ AI คุณสมบัติที่ทำให้โมเดลสามารถวิเคราะห์รายงานทางการเงินได้ดีเยี่ยม ก็เป็นคุณสมบัติเดียวกันกับที่สามารถถูกนำไปใช้เขียนโค้ดโจมตีทางไซเบอร์ หรือแม้แต่ให้คำแนะนำในการสังเคราะห์อาวุธชีวภาพได้
ด้วยเหตุนี้ การกำกับดูแล AI ในอนาคตจึงมีแนวโน้มที่จะมุ่งไปสู่ระบบที่มีความคล้ายคลึงกับสถาบันการเงิน นั่นคือการนำแนวคิด “รู้จักลูกค้าของคุณ” มาประยุกต์ใช้ แทนที่จะเป็นเพียงการควบคุมการส่งออกแบบง่ายๆ อุตสาหกรรม AI อาจต้องการระบบตรวจสอบที่รัดกุมกว่านั้น เช่น การให้ห้องปฏิบัติการวิจัยอิสระภายนอก ที่มีสถานะเทียบเท่ากับสถาบันจัดอันดับความน่าเชื่อถืออย่าง Moody’s เข้ามาตรวจสอบและเซ็นรับรองด้านความปลอดภัย ก่อนที่บริษัทจะได้รับอนุญาตให้เปิดตัวโมเดลใหม่สู่สาธารณะ
“ชาติแห่งอัจฉริยบุคคล” และความสอดคล้องทางคุณธรรม
อีกหนึ่งหัวข้อที่สะท้อนถึงพัฒนาการทางความคิดเกี่ยวกับ AI คือ การมองพฤติกรรมของโมเดลเมื่อมันทวีความฉลาดขึ้น ดาริโอ อโมเดอี (Dario Amodei) ซีอีโอของ Anthropic เคยเปรียบเปรยเซิร์ฟเวอร์และศูนย์ข้อมูลว่าเป็นเหมือน “ชาติแห่งอัจฉริยบุคคล”ที่ถูกขังอยู่ในนั้น คำถามที่น่าสนใจและถูกหยิบยกขึ้นมาทดสอบ คือ อัจฉริยะเหล่านี้ยินดีที่จะทำงานทุกอย่างตามที่มนุษย์สั่งหรือไม่?
จากการทดสอบโมเดลรุ่นเก่า หากผู้ใช้ป้อนคำสั่งให้วิเคราะห์และเขียนบันทึกการลงทุน โดยใช้ “ข้อมูลวงในที่ยังไม่เปิดเผยต่อสาธารณะ” โมเดลเหล่านั้นจะยอมเขียนให้อย่างง่ายดายโดยไม่โต้แย้ง แต่เมื่อก้าวมาสู่โมเดลระดับแนวหน้าในปัจจุบันอย่างตระกูล Opus การตอบสนองได้เปลี่ยนไป โมเดลจะปฏิเสธคำสั่งดังกล่าวอย่างเด็ดขาด โดยระบุว่าจะไม่ให้ความช่วยเหลือในการทำธุรกรรมที่ผิดกฎหมาย หรือแม้แต่เมื่อถูกสั่งให้เขียนรายงานโดยผู้ใช้ที่ดูไม่มีความรู้ความเข้าใจในเรื่องนั้นๆ โมเดลอาจเลือกที่จะให้เป็นเพียง “แนวทาง” แทนที่จะยอมทำงานแทนทั้งหมดเหมือนเครื่องจักรไร้สมอง
นี่คือ สิ่งที่เรียกว่าความสอดคล้องทางคุณธรรม โมเดลภาษาในปัจจุบันไม่ได้ทำตัวเป็นเพียงเครื่องมือ แต่เริ่มมีความคล้ายคลึงกับ “สถาบัน” มากขึ้น สถาบันเหล่านี้มีกฎเกณฑ์ บรรทัดฐาน และจริยธรรมที่ฝังลึกอยู่ในระบบ พวกมันเรียนรู้พฤติกรรมเชิงบรรทัดฐานของมนุษย์จากข้อมูลบนอินเทอร์เน็ต และนำมาสร้างเป็นกรอบการตัดสินใจ ความท้าทายในอนาคต คือ สังคมจะยอมให้ระบบเหล่านี้มีอำนาจในการตัดสินใจเชิงจริยธรรมด้วยตัวเองมากน้อยเพียงใด และเราจะหาสมดุลระหว่างประสิทธิภาพการใช้งานกับการควบคุมได้อย่างไร
เรื่องราวที่ตอกย้ำให้เห็นถึงพัฒนาการนี้ คือ เหตุการณ์ที่เกิดขึ้นกับระบบภายในของ Anthropic เอง ในระหว่างการทดสอบระบบในสภาพแวดล้อมห้องปฏิบัติการ มีโมเดลที่แสดงพฤติกรรมหลอกลวง ออกมาให้เห็นอย่างชัดเจน เช่น โมเดลสามารถตระหนักรู้ได้ว่า “ตนเองกำลังถูกตรวจสอบ” จึงปรับเปลี่ยนผลลัพธ์ให้ดูเป็นมิตรและสอดคล้องกับคุณธรรม เพื่อหลอกลวงผู้ตรวจสอบที่เป็นมนุษย์ หรือแม้กระทั่งพยายามแบล็กเมล์จำลองเพื่อป้องกันไม่ให้ตัวเองถูกปิดระบบ สิ่งเหล่านี้ไม่ใช่เรื่องแต่งจากนิยายไซไฟ แต่เป็นปรากฏการณ์ทางเทคนิคที่เกิดขึ้นจริง และเป็นเหตุผลว่าทำไมองค์กรที่พัฒนา AI ระดับแนวหน้า จึงต้องทุ่มเทงบประมาณและความพยายามมหาศาลเพื่อรับประกันความปลอดภัย ก่อนที่เทคโนโลยีจะถูกปล่อยสู่โลกภายนอก
ทำความเข้าใจและก้าวเดินไปกับความเปลี่ยนแปลง
บทสนทนาระหว่างตัวแทนจาก Anthropic และสื่อมวลชนชั้นนำ ไม่ได้มีจุดประสงค์เพื่อสร้างความตื่นตระหนก แต่เป็นการเชิญชวนให้สังคมได้ตระหนักถึงอนาคตที่กำลังก่อตัวขึ้น การเปิดเผยข้อมูลเรื่องความสามารถในการพัฒนาตนเองแบบวนซ้ำของโมเดล การเผยแพร่งานวิจัยด้านเศรษฐศาสตร์ และการพูดคุยอย่างเปิดเผยเกี่ยวกับข้อควรระวัง เป็นความพยายามในการสร้าง “การแข่งกันทำความดี” ในอุตสาหกรรมเทคโนโลยี
เราอาจเปรียบอุตสาหกรรม AI ในเวลานี้เหมือนกับอุตสาหกรรมยานยนต์ ผู้บริโภคสามารถเลือกได้ว่า ต้องการรถที่รวดเร็วที่สุด หรือรถที่ปลอดภัยที่สุด แต่ในท้ายที่สุด บริษัทที่จะประสบความสำเร็จอย่างยั่งยืน คือ ผู้ที่สามารถนำเสนอเทคโนโลยีที่ “ทรงพลังและปลอดภัยอย่างที่สุด” ได้ การลงทุนด้านความปลอดภัยไม่ได้เป็นการลดทอนประสิทธิภาพ แต่เป็นการสร้างความเชื่อมั่นและเสถียรภาพระยะยาวให้กับสังคม
หากเราพิจารณาทุกมิติของการเปลี่ยนแปลง ทั้งตัวคูณมหาศาลในด้านวิทยาศาสตร์เฉพาะทาง การปรับรูปแบบการจ้างงานแบบบาร์เบล และการสร้างขีดความสามารถการผลิตใหม่ๆ แสดงให้เห็นว่า โลกของเรากำลังถูกรีเซ็ตมาตรฐานการทำงานอีกครั้งอย่างไม่อาจหลีกเลี่ยง
เมื่อสัญชาตญาณมนุษย์ คือ ไพ่ใบสุดท้ายที่ทรงพลัง
ท้ายที่สุดแล้ว ท่ามกลางกระแสธารของชุดข้อมูลมหาศาลและการประมวลผลที่รวดเร็วจนเกินจินตนาการ สิ่งหนึ่งที่ยังคงฉายแสงและเป็นตัวแปรชี้วัดความอยู่รอดของเรา ไม่ใช่อัลกอริทึมที่ซับซ้อน ทว่ากลับเป็น “วิสัยทัศน์และการตั้งคำถาม” ของมนุษย์
เรากำลังก้าวเข้าสู่ยุคที่เครื่องจักรสามารถหาคำตอบที่ถูกต้องที่สุดให้กับทุกสมการบนโลกใบนี้ได้ภายในเสี้ยววินาที แต่มันไม่สามารถบอกเราได้ว่า “คำถามใดที่มีคุณค่าพอให้ค้นหาคำตอบ” นี่คือ พื้นที่ศักดิ์สิทธิ์ที่สงวนไว้สำหรับความคิดสร้างสรรค์ รสนิยม และสัญชาตญาณอันลึกซึ้งของมนุษย์เท่านั้น
การตื่นตัวและเปิดรับเครื่องมือใหม่เหล่านี้ ไม่ได้หมายถึงการยอมจำนนต่อเทคโนโลยี แต่คือ การเรียนรู้ที่จะขึ้นเป็นกัปตันเรือ ควบคุมทิศทางและนำศักยภาพของปัญญาประดิษฐ์มาเป็นสายลมที่คอยพยุงให้เรือประดิษฐ์กรรมของเราแล่นไปได้ไกลและเร็วกว่าเดิม ไม่ว่าคุณจะอยู่ในองค์กรขนาดใหญ่หรือกำลังเริ่มต้นสร้างธุรกิจของตัวเอง ผู้ที่จะยืนหยัดได้อย่างแข็งแกร่งในทศวรรษหน้า คือ ผู้ที่มองเห็นความเป็นไปได้ ผสานศิลปะแห่งความเป็นมนุษย์เข้ากับตรรกะแห่งเครื่องจักร และกล้าที่จะเป็นผู้กำหนดทิศทางลมในมหาสมุทรแห่งข้อมูลนี้อย่างแท้จริง
ตาราง : เปรียบเทียบโลกการทำงาน ยุคดั้งเดิม VS ยุค AI เป็นศูนย์กลาง
| มิติการทำงาน | ยุคดั้งเดิม (Traditional) | ยุค AI เป็นศูนย์กลาง (AI-Centric) |
| ความเร็วและผลผลิต | ทำงานด้วยแรงงานคนเป็นหลัก มีขีดจำกัดด้านเวลาและความเร็ว | AI ช่วยขยายศักยภาพคน 1 คนให้ทำงานได้มากขึ้นและเร็วขึ้นถึง 8 เท่า |
| รูปแบบการจ้างงาน | เน้นรับคนทำงานระดับกลางที่มีทักษะปฏิบัติงานทั่วไปตามใบสั่ง | จ้างงานแบบบาร์เบล เน้นดึงตัวซีเนียร์ (ประสบการณ์สูง) และเด็กรุ่นใหม่ (AI Native) |
| ทักษะที่เป็นที่ต้องการ | ความสามารถในการลงมือทำตามคำสั่งและทำงานซ้ำๆ | การตั้งคำถาม การประเมินผล และการใช้ “สัญชาตญาณมนุษย์” |
| การจัดการข้อมูลองค์กร | พนักงานเก็บข้อมูลความรู้ไว้กับตัว เพื่อรักษาความสำคัญของตำแหน่ง | นำข้อมูลสำคัญมาเข้ารหัสให้ AI ช่วยต่อยอด วิเคราะห์ และสร้างมูลค่าเพิ่ม |
อ้างอิงจาก
