มองความต้องการคุณค่าและโอกาสของสังคมช่วงถัดไปผ่านแบบจำลองธุรกิจ AI-native

ช่วงนี้ระหว่างจัดความสัมพันธ์ของคลังสมอง SOP สี่ด้าน และ AI Skill ผมคิดต่อไปอีกขั้นหนึ่งว่า ถ้า AI เข้ามามีส่วนในงานขององค์กรได้มากขึ้นเรื่อย ๆ แบบจำลองธุรกิจขององค์กรจะเปลี่ยนไปอย่างไร

การปฏิบัติหนึ่งอย่างสามารถจัดเป็น Skill การปฏิบัติหลายอย่างประกอบกันเป็นผลงานของตำแหน่ง ผลงานจากหลายตำแหน่งเชื่อมผ่านความร่วมมือทางธุรกิจ เพื่อตอบองค์ประกอบสำคัญที่จำเป็นต่อการสร้างผลการดำเนินงาน เมื่อนำองค์ประกอบสำคัญเหล่านี้มาจัดเข้าด้วยกัน จึงเกิดเป็นผลการดำเนินงานขององค์กรในท้ายที่สุด

เมื่อมองตามกระบวนการนี้ โอกาสจาก AI จะขยายจากการใช้เครื่องมือหนึ่งชิ้น ไปสู่เรื่องที่องค์กรจะจัดงาน ส่งมอบคุณค่า และสร้างรายได้อย่างไร

ถ้าขยายมุมมองออกไปอีก หากความสามารถของ AI เพิ่มขึ้นต่อเนื่องและทำงานร่วมกับหุ่นยนต์ คุณค่าของคนจะอยู่ตรงไหน ตัว AI เองต้องใช้ทรัพยากรอะไร และกระบวนการเปลี่ยนผ่านสู่การทำงานร่วมกันของคนกับ AI จะสร้างความต้องการใหม่แบบใด

คำถามเหล่านี้ชี้ไปยังเรื่องที่ผมอยากศึกษามากขึ้น คือความต้องการคุณค่าในเศรษฐกิจและสังคมช่วงถัดไปจะเปลี่ยนอย่างไร และเราจะมีส่วนร่วมจากจุดใดได้บ้าง ต่อไปนี้คือการจัดความคิดในปัจจุบัน โดยดูทั้งเรื่องที่ตรวจสอบได้ในวันนี้ และเปิดพื้นที่ไว้สำหรับการอภิปรายฉากทัศน์ในอนาคต

บางส่วนเป็นผลิตภัณฑ์และบริการแบบ AI-native บางส่วนเป็นโครงสร้างพื้นฐานที่รองรับ AI และบางส่วนเป็นบริการเปลี่ยนผ่านที่เกิดจากการนำเทคโนโลยีมาใช้ ทั้งหมดอยู่คนละตำแหน่งในห่วงโซ่คุณค่าเดียวกัน จึงไม่ควรรวมเป็นแบบจำลองธุรกิจประเภทเดียวทั้งหมด

1. เริ่มจากอธิบายให้ชัดว่า AI-native เปลี่ยนอะไร

AI-native ในความเข้าใจของผม คือการคำนึงถึงงานที่ AI สามารถรับผิดชอบได้ตั้งแต่ออกแบบผลิตภัณฑ์ บริการ และวิธีดำเนินธุรกิจ แล้วจัดคน กระบวนการ ทรัพยากร และความรับผิดชอบใหม่ตามนั้น

เช่น บริการวิจัยเหมือนกัน วิธีหนึ่งคือใช้ AI ช่วยเขียนรายงาน อีกวิธีหนึ่งคือเริ่มจากปัญหาที่ลูกค้าสนใจ แล้วรวบรวมข้อมูลอย่างต่อเนื่อง มองหาความเปลี่ยนแปลง ตรวจหลักฐาน เสนอเรื่องที่ควรติดตาม จากนั้นให้ผู้เชี่ยวชาญตรวจทานและวินิจฉัย จนเกิดเป็นบริการวิจัยต่อเนื่อง

ทั้งสองวิธีอาจมีคุณค่า วิธีหลังเปลี่ยนวิธีจัดบริการชัดเจนกว่า และทำให้งานที่เดิมต้องใช้คนจำนวนมากจึงจะทำต่อเนื่องได้ มีโอกาสส่งมอบด้วยต้นทุนและความถี่ที่ต่างออกไป

สำหรับผม หากจะพิจารณาว่าแบบจำลองหนึ่งควรศึกษาไหม อาจเริ่มจากคำถามสี่ข้อ

1. ลูกค้าต้องการแก้ปัญหาอะไร และเพราะอะไรจึงยอมจ่าย
2. เมื่อ AI เข้ามามีส่วน วิธีทำงาน ความเร็วในการส่งมอบ และโครงสร้างต้นทุนเปลี่ยนอย่างไร
3. จะตรวจรับผลอย่างไร และใครรับผิดชอบเมื่อเกิดปัญหา
4. หลังส่งมอบแต่ละครั้ง มีความรู้ที่เหลือไว้ใช้ต่อและปรับปรุงได้หรือไม่

ถ้ายังตอบคำถามเหล่านี้ไม่ชัด แม้จะนำเครื่องมือ AI มารวมกันมากมาย ก็ยังยากที่จะตัดสินว่าแบบจำลองธุรกิจนั้นใช้ได้จริงหรือไม่

2. โอกาสแปดประเภทที่ผมมองเห็น

แปดประเภทต่อไปนี้เป็นการจัดตามวิธีส่งมอบคุณค่า และอาจทับซ้อนกันได้ บริษัทหนึ่งก็อาจใช้หลายวิธีพร้อมกัน

1. ผลิตภัณฑ์ AI ที่ทำงานอย่างต่อเนื่อง

ความต้องการบางอย่างไม่ได้จบหลังทำครั้งเดียว องค์กรต้องติดตามความเปลี่ยนแปลงในการแข่งขันอย่างต่อเนื่อง ผู้บริหารต้องติดตามโครงการ และลูกค้าก็มีคำถามใหม่เข้ามาเรื่อย ๆ

หาก AI จัดการงานเหล่านี้ได้อย่างต่อเนื่องภายในขอบเขตที่ชัดเจน สิ่งที่ผลิตภัณฑ์ส่งมอบก็รวมถึงความสามารถที่ทำงานอยู่ตลอด เช่น สรุปความเปลี่ยนแปลงในอุตสาหกรรมเป็นระยะ ค้นข้อมูลที่ควรสนใจ เก็บแหล่งที่มา และแจ้งผู้รับผิดชอบที่เกี่ยวข้อง

ผลิตภัณฑ์ประเภทนี้อาจคิดค่าบริการตามการสมัครสมาชิก ปริมาณการใช้ หรือจำนวนภารกิจ การที่ลูกค้าจะต่ออายุหรือไม่ ท้ายที่สุดขึ้นอยู่กับว่ามันช่วยให้งานของลูกค้าสำเร็จได้อย่างสม่ำเสมอหรือไม่ มากกว่าความน่าประทับใจในการสาธิตครั้งแรก

2. บริการ AI ที่ส่งมอบผลงานเป็นรูปธรรม

บริการวิชาชีพจำนวนมากสามารถจัดรูปแบบการทำงานใหม่ได้

ยกตัวอย่างการทบทวนการดำเนินธุรกิจขององค์กร เริ่มจากได้รับอนุญาตจากลูกค้า แล้วใช้ข้อมูลวิเคราะห์ตรรกะการสร้างคุณค่าและรายได้ จัดกระบวนการธุรกิจ หน้าที่ของตำแหน่ง และปัญหาในการทำงาน AI รับส่วนการจัดข้อมูลและวิเคราะห์ที่เหมาะจะทำให้เป็นมาตรฐาน ผู้เชี่ยวชาญรับผิดชอบการยืนยันข้อเท็จจริง การวินิจฉัย และกรณียกเว้น สุดท้ายจึงเป็นผลงานที่ลูกค้านำไปใช้ได้

รายได้อาจมาจากค่าจ้างรายโครงการ หรือค่าบริการพื้นฐานบวกค่าภารกิจที่ผ่านการตรวจรับ โดยต้องบอกขอบเขตการส่งมอบให้ชัดก่อนว่า เป็นการส่งรายงานวินิจฉัยและข้อเสนอแนะที่ได้มาตรฐาน หรือร่วมทำกับลูกค้าจนดำเนินการเสร็จ ทั้งสองแบบมีความรับผิดชอบและต้นทุนต่างกัน

หากเริ่มด้วยการแบ่งรายได้ตามกำไรที่เพิ่มขึ้นของลูกค้า ก็ต้องพิจารณาค่าฐาน การระบุสาเหตุที่ทำให้ผลเกิดขึ้น ช่วงเวลาที่ติดตาม และผลจากการลงมือทำของลูกค้าเองให้มากขึ้น การคิดค่าบริการตามผลลัพธ์น่าสนใจ แต่ไม่ควรเขียนผลที่ควบคุมได้ยากให้กลายเป็นคำมั่นอย่างง่าย ๆ

3. หน้าที่งานดิจิทัลที่ส่งมอบผลงานต่อเนื่อง

ถ้า Skill หลายอย่างทำงานร่วมกันได้อย่างมั่นคง บริการก็มีโอกาสพัฒนาจากการปฏิบัติอย่างเดียว ไปสู่หน้าที่ของตำแหน่งงาน

ผู้ช่วยวิจัยอาจรวมการเก็บข้อมูล ตรวจแหล่งที่มา เรียบเรียงมุมมอง และแจ้งข้อมูลอัปเดต งานประสานโครงการอาจรวมการแยกภารกิจ ติดตามจุดสำคัญ สรุปปัญหา และเตรียมประชุม ส่วนบริการลูกค้าอาจรวมการระบุความต้องการ ค้นความรู้ เตรียมคำตอบ และส่งต่อให้คน

ความสามารถประเภทนี้อาจให้บริการรายเดือน และคิดค่าบริการตามปริมาณงาน ขอบเขตบริการ และปริมาณการสนับสนุนจากคน

ตรงนี้ต้องระวังความรับผิดชอบต่อผลลัพธ์ของตำแหน่ง การทำการปฏิบัติจำนวนมากเสร็จไม่ได้แปลว่าทำหน้าที่ของตำแหน่งได้ครบแล้ว แม้ AI จะลงมือทำ ก็ยังต้องระบุอำนาจ การตรวจรับ และสถานการณ์ที่ต้องให้คนตัดสินใจ

4. ความรู้วิชาชีพและความสามารถผู้เชี่ยวชาญที่เรียกใช้ได้

ประสบการณ์มีค่าจำนวนมากกระจายอยู่ในความคิด เอกสาร และโครงการของผู้เชี่ยวชาญ เมื่อได้รับอนุญาตและจัดระเบียบแล้ว ก็อาจค่อย ๆ ก่อเป็นแนวคิด แบบจำลอง วิธีการ กรณีศึกษา เครื่องมือ และ Skill

ลูกค้าจึงอาจเลือกได้ทั้งปรึกษาผู้เชี่ยวชาญโดยตรง หรือเรียกใช้ความสามารถบางส่วนที่จัดไว้ชัดเจนแล้ว เช่น ใช้วิธีหนึ่งตรวจว่าแผนธุรกิจขาดหลักฐานอะไร แล้วค่อยให้ผู้เชี่ยวชาญตรวจทานประเด็นสำคัญ

รายได้อาจมาจากการให้สิทธิใช้ความรู้ บริการเรียกใช้ การตรวจทานโดยผู้เชี่ยวชาญ หรือการส่งมอบแบบผสม ในกระบวนการนี้ยังอาจกำหนดได้ด้วยว่าจะให้เครดิตและผลตอบแทนแก่ผู้มีส่วนร่วมอย่างไร

ต้องพิจารณาขอบเขตสิทธิในความรู้พร้อมกันด้วย การอ่านได้ไม่เท่ากับเปิดเผยต่อสาธารณะได้ และการใช้ในภารกิจปัจจุบันได้ก็ไม่เท่ากับใช้ฝึกข้ามลูกค้าหรือให้สิทธิต่อได้ เมื่อความสัมพันธ์เหล่านี้ชัด ความรู้จึงมีเงื่อนไขให้สะสมและหมุนเวียนระยะยาว

5. เครือข่ายความร่วมมือที่จัดตามความต้องการ

ความต้องการหนึ่งของลูกค้ามักต้องใช้ความสามารถทางวิชาชีพหลายด้านร่วมกัน

เช่น องค์กรขยายไปต่างประเทศ อาจเกี่ยวข้องกับวิจัยตลาด แบรนด์ ผลิตภัณฑ์ การชำระเงิน กฎหมาย และการดำเนินงาน AI ช่วยทำความต้องการให้ชัด แยกภารกิจ จับคู่ทรัพยากร และติดตามการส่งมอบได้ แต่การวินิจฉัยทางวิชาชีพและการปฏิบัติตามข้อตกลงจริงยังต้องมีผู้เข้าร่วมที่รับผิดชอบ

รายได้ของแพลตฟอร์มอาจมาจากการจัดโครงการ การจับคู่ หรือบริการบริหารการส่งมอบ

สิ่งที่ต้องสร้างจริง ๆ คือกลไกความร่วมมือ ความต้องการเป็นจริงหรือไม่ ทรัพยากรมีความสามารถตรงตามที่ต้องใช้หรือไม่ ส่งต่องานอย่างไร ใครตรวจรับ และมีข้อพิพาทแล้วจัดการอย่างไร การใช้โครงการจริงทดสอบให้ความสัมพันธ์เหล่านี้ทำงานได้ก่อน แล้วค่อยสะสมส่วนที่เกิดซ้ำเป็นความสามารถของแพลตฟอร์ม จะมีฐานอ้างอิงมากกว่า

6. การศึกษาและฝึกฝนที่ยึดงานจริง

AI อาจเปลี่ยนวิธีส่งมอบผลิตภัณฑ์ด้านการศึกษาด้วย

เช่น การเรียน SOP สี่ด้าน นอกจากอ่านแบบจำลองและกรณีศึกษา ยังให้ผู้เรียนนำปัญหาในองค์กรของตัวเองมา ค่อย ๆ ทบทวนผลการดำเนินงาน ธุรกิจ หน้าที่ และการปฏิบัติ จนเป็นผลงานที่นำมาอภิปราย ตรวจ และแก้ไขได้

AI ช่วยอธิบาย ฝึก และให้ผลตอบกลับ ส่วนผู้สอนช่วยจัดการจุดยากและประเด็นที่ต้องใช้การวินิจฉัย หลักสูตร ค่ายฝึก บริการการเรียนรู้สำหรับองค์กร และการสนับสนุนจากผู้สอน ล้วนมีโอกาสเป็นรายได้

วิธีนี้ต้องตรวจผลจากสิ่งที่ผู้เรียนเข้าใจและนำไปใช้จริง การสร้างงานส่งขึ้นมาหนึ่งชิ้นไม่ได้พิสูจน์โดยตรงว่าผู้เรียนเข้าใจแล้ว และยิ่งไม่ใช่หลักฐานโดยตรงว่าการดำเนินธุรกิจดีขึ้นแล้ว

7. การประเมิน กำกับดูแล และตรวจสอบความสามารถ AI อย่างต่อเนื่อง

เมื่อองค์กรเริ่มพึ่ง AI ทำงาน คำถามใหม่ก็จะตามมา ข้อมูลเชื่อถือได้ไหม Skill ใช้ได้ภายใต้เงื่อนไขใด เวอร์ชันไหนผ่านการทดสอบ การปฏิบัติใดต้องได้รับอนุมัติ และเมื่อผิดพลาดจะตรวจย้อนกลับอย่างไร

คำถามเหล่านี้อาจนำไปสู่มาตรฐานประเมิน ตัวอย่างทดสอบ การออกแบบสิทธิ การตรวจทาน และบริการติดตามต่อเนื่อง

อาจคิดค่าบริการรายโครงการ รายปี หรือสมัครใช้เครื่องมือ คุณค่าอยู่ที่ช่วยให้องค์กรรู้ชัดขึ้นว่าความสามารถและความเสี่ยงอยู่ตรงไหน และตรวจต่อเนื่องได้ มากกว่าการให้คำรับรองว่าจะไม่มีวันผิดพลาด

8. บริการวิจัย วิจัยการลงทุน และสนับสนุนหลังลงทุนที่ต่อเนื่องขึ้น

AI มีส่วนช่วยจัดข้อมูลสาธารณะ เปรียบเทียบโครงการ ติดตามข้อมูลธุรกิจ และแจ้งความผิดปกติได้ ทำให้งานวิจัยต่อเนื่องขึ้น และเปิดโอกาสให้ผู้เชี่ยวชาญมุ่งกับคำถามสำคัญมากขึ้น

ความสามารถนี้อาจจัดเป็นบริการวิจัยแบบสมาชิก บริการองค์กร หรือบริการสนับสนุนหลังลงทุน

เมื่อเกี่ยวข้องกับคำแนะนำลงทุน การระดมทุน และธุรกรรม ยังต้องตรวจคุณสมบัติและข้อกำกับดูแลตามพื้นที่และประเภทธุรกิจ AI เพิ่มความสามารถประมวลข้อมูลได้ แต่ไม่ได้แทนความรับผิดชอบทางวิชาชีพ และไม่ควรนำผลวิเคราะห์มาเป็นการรับรองผลตอบแทน

3. หน่วยคิดค่าบริการกำลังเปลี่ยน แต่ต้องอธิบายผลงานให้ชัด

ในตลาดเริ่มเห็นวิธีคิดค่าบริการใหม่บางแบบแล้ว เช่น Intercom Fin คิดตาม outcome ของบริการลูกค้าที่กำหนดไว้ ส่วน Salesforce Agentforce มีทางเลือกทั้งตามบทสนทนา ปริมาณการใช้แอ็กชัน หรือสิทธิใช้งานของผู้ใช้ สิ่งเหล่านี้เป็นกลไกผลิตภัณฑ์ที่สังเกตได้ ไม่ได้หมายความว่าบริษัทที่เกี่ยวข้องทั้งองค์กรเป็นบริษัท AI-native ข้อมูลอย่างเป็นทางการของ Intercom｜ข้อมูลอย่างเป็นทางการของ Agentforce

ความเปลี่ยนแปลงเหล่านี้ทำให้ผมสนใจว่า หน่วยที่ลูกค้าซื้ออาจขยายจากสิทธิใช้ซอฟต์แวร์ ไปสู่งานที่ถูกทำเสร็จ

แต่ “การปฏิบัติหนึ่งอย่าง” “บทสนทนาหนึ่งครั้ง” และ “ผลลัพธ์หนึ่งอย่างที่แพลตฟอร์มกำหนด” ไม่ใช่ความหมายระดับเดียวกับผลการดำเนินงานที่องค์กรได้รับในท้ายที่สุด เช่น outcome ของ Fin รวมกรณีที่เวิร์กโฟลว์บางอย่างเสร็จสิ้น รายละเอียดจึงยังต้องดูนิยามการคิดค่าบริการของผลิตภัณฑ์

เรื่องนี้เชื่อมกับ SOP สี่ด้านโดยตรง การปฏิบัติเสร็จต้องดูว่าเกิดผลงานของตำแหน่งได้หรือไม่ ผลงานของตำแหน่งต้องดูว่าตอบการส่งมอบทางธุรกิจได้หรือไม่ และเมื่อส่งมอบทางธุรกิจแล้ว ยังต้องตรวจว่าสนับสนุนการสร้างผลการดำเนินงานหรือไม่

ดังนั้น เวลาออกแบบแบบจำลองธุรกิจ AI ผมคิดว่าควรเริ่มจากบอกให้ชัดว่าขายอะไร สิทธิใช้เครื่องมือ หน้าที่งานต่อเนื่อง สิ่งส่งมอบเป็นรูปธรรม หรือผลงานที่ผ่านการตรวจรับตามเกณฑ์ที่ตกลงกัน หน่วยส่งมอบต่างกันก็ต้องคิดต้นทุนและจัดความรับผิดชอบต่างกัน

4. แม้ AI เก่งขึ้น ความต้องการใดยังอาจต้องใช้คน

เมื่อคิดต่อก็ย่อมเจอคำถามว่า ถ้าวันหน้ามีปัญญาประดิษฐ์ที่เก่งกว่านี้ และทำงานร่วมกับหุ่นยนต์ ตำแหน่งใดจะไม่มีทางถูกแทนที่ไม่ว่าอย่างไร

คำถามนี้ควรศึกษา แต่ตอนนี้ยังให้ “รายชื่ออาชีพที่ปลอดภัยตลอดไป” ไม่ได้ เทคโนโลยีอนาคตจะทำอะไรได้ สังคมจะอนุญาตอะไร และคนจะยอมรับอะไร ยังไม่แน่นอน อีกทั้งตำแหน่งหนึ่งประกอบด้วยหลายภารกิจ บางส่วนอาจอัตโนมัติได้ ขณะที่อีกส่วนยังอาจต้องให้คนรับผิดชอบ

ผมอยากวิเคราะห์จากความต้องการเองมากกว่า ลูกค้าต้องการคุณค่าอะไรจากคนกันแน่ และเพราะอะไรจึงยอมจ่ายเพื่อคุณค่านั้น

1. เป้าหมาย ทางเลือก และความรับผิดชอบ

AI เสนอแผนงานได้มากมาย แต่สุดท้ายองค์กรจะมุ่งอะไร ยอมรับความเสี่ยงใด และเลือกอย่างไรระหว่างผู้มีส่วนได้ส่วนเสียต่างกลุ่ม ต้องมีผู้รับผิดชอบที่ได้รับอำนาจเป็นคนตัดสินใจ

บทบาทอย่างเจ้าของธุรกิจ กรรมการ และผู้บริหารที่ได้รับมอบหมาย อาจใช้ AI ช่วยวิเคราะห์ข้อมูลในงานได้มาก แต่ต้องจัดอำนาจ ความรับผิดชอบ และความสัมพันธ์ในการเป็นตัวแทนผลประโยชน์ให้ชัด ในองค์กรและระบบส่วนใหญ่ปัจจุบัน ความรับผิดชอบเหล่านี้ยังอยู่กับบุคคลธรรมดาหรือองค์กร ระบบในอนาคตอาจเปลี่ยน จึงไม่ควรถือข้อกำหนดวันนี้เป็นกฎถาวร

โอกาสตรงนี้รวมถึงการสนับสนุนการตัดสินใจ แจ้งความเสี่ยง จัดการหลักฐาน และบริการกำกับดูแล คุณค่าอยู่ที่ช่วยให้ผู้รับผิดชอบตัดสินใจบนฐานที่ดีขึ้น ไม่อาจย้ายความรับผิดชอบไปได้เพียงแค่ตั้งชื่อตำแหน่งให้ AI

2. ความสัมพันธ์ระหว่างคน

บางความต้องการมีองค์ประกอบสำคัญคืออยากให้คนจริงเข้ามามีส่วนร่วม

เช่น การที่ครอบครัวมาอยู่เป็นเพื่อนด้วยตัวเอง ความไว้วางใจระหว่างคน ความเข้าใจจากประสบการณ์ร่วม และความสนใจของคนต่อผู้สร้างสรรค์อีกคนที่มีตัวตนจริง แม้เครื่องจักรให้ประสบการณ์บางส่วนที่คล้ายกันได้ ก็ไม่ได้แปลว่าทุกคนจะเลือกเหมือนกัน

บริการดูแลผู้สูงอายุ การศึกษา การสนับสนุนด้านจิตใจ วัฒนธรรม และประสบการณ์ อาจเกิดการแบ่งงานระหว่างคนกับเครื่อง AI ช่วยเตรียม บันทึก และจัดการงานซ้ำ ๆ ส่วนคนใช้เวลากับส่วนที่ต้องการความสัมพันธ์และการอยู่ตรงนั้นจริง ๆ แต่ไม่อาจสรุปว่าทุกตำแหน่งในอุตสาหกรรมเหล่านี้จะยังอยู่ และไม่ควรมองการอยู่เป็นเพื่อนของคนเป็นสินค้าที่ไม่ต้องมีมาตรฐานวิชาชีพอย่างง่าย ๆ

3. ความชอบธรรม ความเป็นตัวแทน และการยอมรับทางสังคม

การตัดสินใจบางอย่างต้องได้รับการยอมรับจากคนที่เกี่ยวข้อง ตัวแทนที่องค์กรเลือก ผู้ประสานที่คู่ขัดแย้งทั้งสองฝ่ายไว้วางใจ และผู้ตรวจทานที่ได้รับอำนาจ มีคุณค่ารวมอยู่ในคำถามว่า “ทำไมคุณจึงเป็นผู้ตัดสินเรื่องนี้”

เรื่องนี้เกี่ยวทั้งกับความสามารถคำนวณและให้เหตุผล และกับกติกา การให้อำนาจ ตัวตน และความไว้วางใจ AI ช่วยสนับสนุนได้ แต่จะยอมให้ AI รับบทบาทนั้นโดยตรงหรือไม่ ต้องขึ้นกับระบบเฉพาะและผู้เข้าร่วม

ดังนั้น การยืนยันตัวตน บันทึกการให้อำนาจ กลไกปรึกษาหารือ การตรวจสอบอิสระ และการจัดการข้อพิพาท อาจยังมีความต้องการต่อไป ความได้เปรียบที่เกิดขึ้นตรงนี้ต้องอยู่บนความรับผิดชอบจริงและกติกาที่เชื่อถือได้

4. แหล่งที่มาจริงและประสบการณ์ที่หาได้ยาก

เมื่อสร้างเนื้อหาได้ง่ายขึ้นเรื่อย ๆ แหล่งที่มาจริงอาจยิ่งสำคัญ ประสบการณ์ตรงของคนคนหนึ่ง กระบวนการสร้างผลงานหนึ่งชิ้น และบันทึกการตรวจสอบผลสำเร็จหนึ่งอย่าง ล้วนอาจมีผลต่อความเต็มใจที่จะเชื่อและจ่ายเงิน

ในศิลปะ กิจกรรมสด งานทำมือ และประสบการณ์ท้องถิ่น อาจมีความชอบว่า “ใครเป็นคนทำ และเกิดขึ้นที่ไหน” ความชอบนี้จะสร้างตลาดใหญ่พอหรือไม่ ต้องดูกลุ่มคนเฉพาะ ไม่อาจสมมติว่าทุกคนจะยอมจ่ายแพงขึ้นเพื่อ “คนจริง”

5. ความสามารถจัดการโลกจริงที่ซับซ้อน

ในหน้างานที่สภาพแวดล้อมเปลี่ยนตลอด มีข้อจำกัดต้นทุนชัด และต้องประสานอย่างยืดหยุ่น งานของคนยังอาจได้เปรียบในบางระยะ เช่น การบำรุงรักษาอุปกรณ์ บริการในสถานการณ์ไม่เป็นมาตรฐาน และการจัดการเหตุผิดปกติ เมื่อหุ่นยนต์พัฒนาความเชื่อถือได้และความคุ้มค่า ขอบเขตนี้ก็จะเปลี่ยนอีก

ดังนั้น โอกาสประเภทนี้ต้องดูตามสถานการณ์ ไม่ควรใช้เพียงเหตุผลว่า “เครื่องจักรยังทำไม่ได้ตอนนี้” เป็นข้อสรุประยะยาว สิ่งที่ควรสะสมมากกว่าคือความรู้หน้างาน ความสามารถแก้ปัญหา และเครือข่ายบริการ เพื่อให้ตัวเองเข้าร่วมความร่วมมือระหว่างคนกับเครื่องในระยะต่อไปได้ด้วย

การวิเคราะห์เหล่านี้ทำให้ผมเปลี่ยนจุดสนใจจากชื่อตำแหน่ง ไปสู่ความต้องการเบื้องหลังตำแหน่ง ความชอบของมนุษย์ การจัดความรับผิดชอบ ความไว้วางใจ และข้อจำกัดจริง อาจทำให้หน้าที่บางอย่างของคนมีคุณค่าในระยะยาว แต่จำนวนคน ค่าตอบแทน และวิธีจัดองค์กรยังเปลี่ยนได้ ต้องติดตามต่อเนื่อง ไม่ใช้คำว่า “แทนที่ไม่ได้” มาแทนการวิเคราะห์

5. ตัว AI เองก็จะก่อให้เกิดห่วงโซ่ความต้องการคุณค่า

เรามักสนใจว่า AI ให้ผลผลิตอะไร แต่ละเลยว่ามันต้องใช้อะไรเพื่อทำงานต่อเนื่อง

การใช้ AI ต้องมีคนหรือองค์กรจ่ายต้นทุนพลังงาน ฮาร์ดแวร์ ข้อมูล และการดูแลระบบ “ความต้องการของ AI” ในที่นี้ แท้จริงมีบริษัทโมเดล แพลตฟอร์มคลาวด์ องค์กรผู้ใช้ และผู้ให้บริการหุ่นยนต์เป็นผู้ตัดสินใจซื้อและจ่าย การหาผู้ซื้อที่แท้จริงสำคัญกว่าการไล่รายชื่ออุตสาหกรรมที่เกี่ยวข้อง

1. ไฟฟ้าและการจ่ายพลังงานที่มั่นคง

การฝึกและเดินระบบ AI ต้องใช้ไฟฟ้า ความต้องการไม่ได้มีแค่ว่าผลิตไฟฟ้าเท่าไร แต่รวมถึงเชื่อมไฟเข้าระบบได้ไหม จ่ายเมื่อใด เสถียรหรือไม่ ราคาไหวหรือไม่ และจัดไฟสำรองกับระบบกักเก็บพลังงานอย่างไร

รายงาน Energy and AI ของทบวงการพลังงานระหว่างประเทศแยกการใช้ไฟฟ้าของศูนย์ข้อมูลและการจัดหาพลังงานที่เกี่ยวข้องเป็นประเด็นเฉพาะ แสดงว่าพลังงานเป็นเงื่อนไขจริงที่ต้องคำนึงถึงเมื่อใช้งาน AI ตรงนี้มีปัญหาจริงให้แก้แล้ว โดยไม่ต้องตั้งสมมติฐานก่อนว่า AI ระดับสูงจะเกิดเมื่อใด รายงานของทบวงการพลังงานระหว่างประเทศ

วิธีเข้าร่วมที่เป็นไปได้รวมถึงบริการเพิ่มประสิทธิภาพพลังงาน โครงสร้างพื้นฐานการจ่ายและกระจายไฟฟ้า ระบบกักเก็บและไฟสำรอง การวางแผนการใช้พลังงาน และโครงการพลังงานเมื่อมีเงื่อนไขพร้อม แต่ละวิธีมีเกณฑ์เงินทุน เทคโนโลยี และใบอนุญาตต่างกันมาก ความต้องการเพิ่มไม่ได้หมายความว่าโครงการพลังงานใด ๆ ก็จะได้ผลตอบแทนดี

2. กำลังประมวลผล หน่วยความจำ และอุปทานฮาร์ดแวร์

AI ต้องใช้ชิป เซิร์ฟเวอร์ หน่วยความจำ การบรรจุชิป บอร์ด และอุปกรณ์ประกอบ ภารกิจต่างกันก็ต้องการกำลังประมวลผลและหน่วยความจำต่างกัน การฝึกโมเดลขนาดใหญ่ การติดตั้งโมเดลเฉพาะทาง และการอนุมานครั้งหนึ่งทั่วไป ไม่ควรเข้าใจด้วยชุดสเปกเดียวกัน

นอกจากผลิตฮาร์ดแวร์ ยังอาจมีโอกาสด้านการรวมอุปกรณ์ ปรับประสิทธิภาพ จัดสรรงาน ซ่อม และบริหารวงจรชีวิต จะเข้าร่วมได้หรือไม่ขึ้นกับความสามารถจัดหา ช่องทางลูกค้า เทคโนโลยีที่สะสม และเงินทุน

โดยเฉพาะต้องระวังการเห็นแต่ความต้องการอุปกรณ์ โดยไม่ดูอัตราใช้งานและความเร็วในการเปลี่ยนรุ่น ซื้อกำลังประมวลผลมาได้ไม่ได้แปลว่าจะขายได้ อุปกรณ์ว่าง ลูกค้าหาย และการเสื่อมมูลค่าจากเทคโนโลยี ล้วนอาจเปลี่ยนผลตอบแทน

3. การจัดเก็บ ข้อมูล และเครือข่าย

ระบบต้องเก็บโมเดล ข้อมูลธุรกิจ บันทึกการทำงาน และข้อมูลสำรอง อีกทั้งต้องรับส่งข้อมูลระหว่างอุปกรณ์ประมวลผล ศูนย์ข้อมูล และผู้ใช้

หน่วยความจำรองรับการเข้าถึงข้อมูลระหว่างทำงาน ส่วนที่เก็บข้อมูลระยะยาวรับผิดชอบการบันทึกและจัดการ ทั้งสองไม่ใช่ความต้องการเดียวกันที่ใช้แทนกันได้ การเชื่อมต่อคลัสเตอร์ความเร็วสูง เครือข่ายศูนย์ข้อมูล และเครือข่ายเข้าถึงผู้ใช้ก็มีข้อกำหนดต่างกัน

โอกาสที่เกี่ยวข้องรวมถึงการบริหารที่เก็บข้อมูล สำรองและกู้คืน จัดข้อมูล การเชื่อมต่อความหน่วงต่ำ การรับส่งอย่างปลอดภัย และการติดตั้งที่เอดจ์ ต้องวินิจฉัยก่อนว่าปัญหาจริงของลูกค้าอยู่ที่ความจุ ความเร็ว ความเชื่อถือได้ ต้นทุน หรือสิทธิ แล้วค่อยกำหนดผลิตภัณฑ์

4. การระบายความร้อน พื้นที่ และการดูแลระบบต่อเนื่อง

อุปกรณ์ที่คำนวณหนาแน่นต้องระบายความร้อน และอาศัยห้องเครื่อง ระบบจ่ายไฟ การเฝ้าติดตาม และการดูแลระบบ ทางเลือกระบายความร้อนยังขึ้นกับทำเล ทรัพยากรน้ำ ภูมิอากาศ และสภาพสิ่งอำนวยความสะดวก

ตรงนี้ศึกษาได้ทั้งอุปกรณ์ระบายความร้อน การปรับปรุงสถานที่ การเฝ้าติดตามอุปกรณ์ ซ่อม และบริการประหยัดพลังงาน บางองค์กรไม่จำเป็นต้องเป็นผู้ลงทุนศูนย์ข้อมูลทั้งหมด ก็อาจสร้างคุณค่าในส่วนเฉพาะทางได้

อย่างไรก็ตาม ความต้องการสถานที่และสิ่งอำนวยความสะดวกขึ้นกับตำแหน่งติดตั้ง ความหนาแน่นอุปกรณ์ และแนวทางเทคโนโลยี จึงไม่ควรมองวิธีระบายความร้อนหนึ่งแบบหรือที่ดินประเภทหนึ่งเป็นสินทรัพย์ที่จะได้ประโยชน์แน่นอน

5. ข้อมูล ความรู้ และการตรวจสอบที่ใช้ได้

กำลังประมวลผลทำให้ระบบเดินได้ ส่วนข้อมูลและความรู้มีผลต่อว่าจะทำงานเฉพาะให้สำเร็จได้หรือไม่

องค์กรไม่ได้ต้องการแค่เอกสารมากขึ้น แต่ต้องมีข้อมูลที่ใช้ได้โดยชอบด้วยกฎหมาย แหล่งที่มาถูกต้อง โครงสร้างชัด การอัปเดตต่อเนื่อง และตัวอย่างกับมาตรฐานสำหรับตรวจผล การจัดข้อมูล การให้สิทธิใช้ความรู้ การประเมินโดยผู้เชี่ยวชาญ และการดูแล SOP กับ Skill ล้วนมีโอกาสเป็นบริการ

เรื่องนี้เชื่อมโดยตรงกับทิศทางของคลังสมอง การจัดประสบการณ์ให้เป็นความรู้ที่เข้าใจ ใช้ และตรวจสอบได้ เป็นงานต่อเนื่อง ไม่ใช่ส่งไฟล์เก่าทั้งหมดให้โมเดลแล้วจบ

6. เมื่อ AI เข้าสู่หุ่นยนต์ ความต้องการจะขยายเข้าโลกกายภาพมากขึ้น

หุ่นยนต์ยังต้องใช้เซนเซอร์ ชิ้นส่วนขับเคลื่อน ระบบควบคุม แบตเตอรี่หรือแหล่งจ่ายไฟ โครงสร้างกล รวมถึงบริการชาร์จ ซ่อม อะไหล่ และนำกลับมาใช้ประโยชน์หรือรีไซเคิล

เมื่อนำไปใช้ที่สถานที่ลูกค้า ยังเกี่ยวกับการออกแบบภารกิจ ปรับสถานที่ รวมระบบ ตรวจความปลอดภัย และเดินระบบต่อเนื่อง หุ่นยนต์ทำภารกิจสำเร็จได้หรือไม่ กับทำภารกิจในสถานที่จริงได้อย่างมั่นคงและคุ้มค่าในระยะยาวหรือไม่ เป็นสองคำถามที่ต้องตรวจแยกกัน

ดังนั้น โอกาสไม่ได้อยู่แค่การผลิตหุ่นยนต์ทั้งตัว แต่อาจอยู่ที่การติดตั้ง ดูแล และดำเนินงานในสถานการณ์ประเภทหนึ่ง เช่น เริ่มจากกำหนดภารกิจ เกณฑ์ตรวจรับ และความร่วมมือกับคนในสถานที่เฉพาะ แล้วค่อยพิจารณาว่าควรคิดค่าบริการตามอุปกรณ์ การเช่า หรือภารกิจที่ทำเสร็จ

เมื่อมองจากห่วงโซ่ความต้องการนี้ ยิ่ง AI เข้ามาทำงานมาก ก็อาจยิ่งต้องการทรัพยากรจริงที่มั่นคงและบริการวิชาชีพ แต่ความต้องการเติบโตไม่ได้แปลงเป็นกำไรของผู้เข้าร่วมทุกคนโดยอัตโนมัติ ยังต้องดูว่าใครควบคุมทรัพยากรสำคัญ ใครรับภาระลงทุน ใครได้คำสั่งซื้อ และการแข่งขันจะกดราคาลงหรือไม่

6. จากคนสู่ AI แล้วสู่ปัญญาที่เก่งขึ้นและหุ่นยนต์ การเปลี่ยนผ่านเองมีคุณค่าอะไร

ผมพิจารณา “คน AI ปัญญาประดิษฐ์ที่เก่งขึ้น และหุ่นยนต์” ร่วมกัน เพื่อดูการเปลี่ยนแปลงของความสามารถและวิธีร่วมงาน

ทั้งหมดไม่จำเป็นต้องเกิดตามลำดับในเส้นเวลาเดียวกัน หุ่นยนต์เฉพาะทางทำงานในบางสถานการณ์ได้แล้ว โดยอาจไม่ต้องรอปัญญาประดิษฐ์ทั่วไป ส่วนปัญญาในซอฟต์แวร์ที่เก่งขึ้นก็ไม่ได้แปลว่างานจริงทั้งหมดจะอัตโนมัติพร้อมกัน แต่ละพื้นที่และอุตสาหกรรมอาจอยู่คนละระยะเป็นเวลานาน

ดังนั้น คุณค่าที่ต้องใช้ระหว่างการเปลี่ยนผ่านจึงควรศึกษาแยกออกมา

1. อธิบายงานของคนให้ชัดก่อน

หลายองค์กรยังอธิบายไม่ชัดว่าผลงานหนึ่งเกิดอย่างไร ใครรับผิดชอบ ข้อมูลนำเข้าคืออะไร และถึงระดับใดจึงผ่านเกณฑ์

ในเงื่อนไขแบบนี้ การนำ AI เข้ามามักนำความคลุมเครือเดิมเข้าไปในระบบด้วย การทบทวนงาน จัดความรู้ ทำกระบวนการให้เป็นมาตรฐาน และออกแบบการตรวจรับ มีคุณค่าในตัวเอง และส่งมอบเป็นบริการวิจัย ที่ปรึกษา และฝึกอบรมได้

ในระยะนี้ SOP สี่ด้านช่วยให้องค์กรมองลงมาจากข้อกำหนดผลการดำเนินงาน แล้วตรวจกลับขึ้นมาจากการปฏิบัติจริง เพื่อไม่ให้เป็นเพียงทำการปฏิบัติบางส่วนให้เป็นอัตโนมัติ แต่ไม่ได้ช่วยให้ผลลัพธ์ทางธุรกิจดีขึ้น

2. จัดการส่งต่องานให้ดีเมื่อคนกับ AI ทำงานร่วมกัน

ภารกิจไหนให้ AI งานไหนต้องให้คนอนุมัติ สถานการณ์ไหนต้องหยุด และล้มเหลวแล้วกู้กลับอย่างไร ล้วนต้องจัดให้ชัด

องค์กรอาจยังต้องเชื่อมซอฟต์แวร์เดิม จัดสิทธิ ฝึกคน ติดตามคุณภาพ และคุมต้นทุน การรวมระบบ กระบวนการร่วมงานของคนกับ AI การดูแลต่อเนื่อง และการสนับสนุนคนในการเปลี่ยนผ่าน ล้วนอาจเป็นความต้องการในระยะนี้

ถ้าบริการหนึ่งช่วยลดงานแก้ซ้ำ ลดเวลารอ และอธิบายต้นทุนกับความรับผิดชอบได้ ลูกค้าก็จะเข้าใจคุณค่าได้ง่ายขึ้น

3. เมื่อ AI หลายตัวร่วมงาน การจัดองค์กรและกำกับดูแลจะสำคัญ

เมื่อความสามารถ AI หลายส่วนแยกกันทำวิจัย ปฏิบัติ และตรวจ ยังต้องมีผู้กำหนดเป้าหมาย การแบ่งภารกิจ ขอบเขตข้อมูล งบประมาณ การตรวจรับ และการส่งต่อเหตุผิดปกติให้ผู้มีอำนาจสูงขึ้น

สิ่งนี้จะสร้างความต้องการด้านบัญชีความสามารถ การจัดสรรภารกิจ การยืนยันตัวตนและสิทธิ การทดสอบ และตรวจสอบ ยิ่งระบบ AI เป็นอิสระ ก็ยิ่งต้องชัดว่ามันทำอะไรแทนใครได้ และใครมีสิทธิหยุดหรือแก้ไข

เนื้อหาเหล่านี้อาจเป็นซอฟต์แวร์หรือบริการ แต่ไม่ควรอนุมานว่าเพียงกระบวนการทำงานอัตโนมัติได้ ก็มีอำนาจเผยแพร่ จ่ายเงิน หรือตัดสินใจสำคัญแทนลูกค้าได้ ความน่าเชื่อถือและการจัดการความเสี่ยงในกระบวนการออกแบบและประเมิน ก็เป็นเรื่องที่กรอบงานที่มีอยู่ให้ความสนใจอย่างต่อเนื่อง กรอบการจัดการความเสี่ยง AI ของ NIST

4. เมื่อหุ่นยนต์เข้าหน้างาน เชื่อมกระบวนการดิจิทัลกับการปฏิบัติจริง

ภารกิจในระบบดิจิทัล เมื่อมาถึงโลกจริง จะมีข้อจำกัดด้านอุปกรณ์ สภาพแวดล้อม คน และความปลอดภัยเพิ่มขึ้น

การประเมินสถานการณ์ ปรับสถานที่ ติดตั้ง สนับสนุนระยะไกล ซ่อม อะไหล่ และบริหารการดำเนินงาน ล้วนอาจเป็นบริการที่ลูกค้าต้องซื้อ ตรงนี้ต้องคิดต้นทุนการทำงานโดยรวม ไม่ใช่เปรียบเทียบเพียงราคาหุ่นยนต์กับค่าจ้างคนคนหนึ่ง

หากต้องให้คนเข้าควบคุมบ่อย หรือการหยุดเครื่องกระทบการผลิต การดูแลและกู้คืนอาจมีคุณค่าสูง ในทางกลับกัน เมื่อหุ่นยนต์พัฒนาขึ้น งานรวมระบบครั้งเดียวบางส่วนก็อาจลดลง ดังนั้น บริการต้องพัฒนาจาก “ช่วยติดตั้ง” ไปสู่ “ช่วยให้ทำงานต่อเนื่องและรับผิดชอบผล” อยู่เสมอ

5. เมื่อความสามารถเพิ่มต่อไป ให้จับตาข้อจำกัดใหม่

หากวันหน้ามีระบบที่ทำภารกิจด้านการคิดและโลกจริงได้กว้างขึ้น บริการที่ปัจจุบันพึ่งทักษะหายากบางอย่างอาจถูกกำหนดราคาใหม่

ในฉากทัศน์นี้ สิ่งที่อาจควรสังเกตมากกว่าคือ ความต้องการจริงมาจากไหน ใครมีสิทธิใช้ทรัพยากรโดยชอบด้วยกฎหมาย ประสบการณ์ใดยังมีค่าสำหรับคน จะรับผิดชอบอย่างไร และสังคมจะจัดการการจ้างงาน รายได้ และการแบ่งผลตอบแทนอย่างไร

นี่เป็นฉากทัศน์อนาคตที่ต้องศึกษาต่อเนื่อง ไม่ควรเขียนเป็นกำหนดเวลาที่แน่นอน และไม่ควรใช้สรุปว่าโครงการใดในวันนี้จะสำเร็จแน่

7. ความต้องการคุณค่าของทั้งสังคมอาจเปลี่ยนอย่างไร

เมื่อนำแนวทางทั้งหมดมารวมกัน ผมคิดว่ายังต้องสังเกตความเปลี่ยนแปลงหลายแบบพร้อมกัน

ข้อแรก ต้นทุนการผลิตและบริการบางส่วนอาจลดลง ความต้องการที่เดิมยังไม่ได้รับการตอบสนองเพราะต้นทุนสูงเกินไปอาจมีโอกาสถูกตอบสนอง เช่น งานวิจัยที่เฉพาะกลุ่มขึ้น การสนับสนุนการเรียนเฉพาะบุคคลขึ้น และบริการดำเนินงานที่ต่อเนื่องขึ้น

ข้อสอง งานบางอย่างที่เดิมคิดราคาสูงอาจถูกกดราคา เมื่อการสร้างเนื้อหา การวิเคราะห์พื้นฐาน หรือการปฏิบัติทั่วไปง่ายขึ้น คุณค่าทางธุรกิจอาจย้ายไปสู่การเข้าใจความต้องการ ตรวจคุณภาพ ส่งมอบงานซับซ้อน และรับผิดชอบมากขึ้น จะย้ายไปตรงไหนต้องดูอุปสงค์และอุปทานจริง

ข้อสาม ความสามารถใหม่จะเพิ่มความต้องการรองรับ พลังงาน กำลังประมวลผล เครือข่าย สิ่งอำนวยความสะดวก การดูแลระบบ และการกำกับดูแล เป็นความต้องการที่เกิดพร้อมกับการขยาย AI แต่ส่วนเหล่านี้ก็ได้รับผลจากประสิทธิภาพที่ดีขึ้น กำลังผลิตที่เพิ่ม และเทคโนโลยีที่เปลี่ยนด้วย

ข้อสี่ ต้องแยกความสามารถในการจัดหาออกจากกำลังซื้อ แม้สังคมผลิตสินค้าและบริการได้มากขึ้น แต่ถ้ารายได้ของคนบางส่วนลดลงและเปลี่ยนผ่านได้ยาก ความต้องการก็อาจยังไม่กลายเป็นคำสั่งซื้อทันที การเปลี่ยนงาน การเรียนทักษะ และการแบ่งผลประโยชน์ จะมีผลว่าโอกาสนั้นสร้างตลาดได้ในท้ายที่สุดหรือไม่

ข้อห้า คนอาจให้ความสำคัญกับเวลา ทางเลือกอิสระ ความสัมพันธ์ สุขภาพ ประสบการณ์จริง และแหล่งข้อมูลที่เชื่อถือได้มากขึ้น ตรงนี้มีทั้งโอกาสธุรกิจ และประเด็นบริการสาธารณะกับการจัดระบบ ไม่สามารถใช้แบบคิดค่าบริการเดียวแก้ทั้งหมด

ดังนั้น เมื่อดูพัฒนาการเศรษฐกิจและสังคมช่วงถัดไป ผมอยากถามต่อเนื่องว่า อะไรง่ายขึ้น อะไรยังหายาก มีปัญหาใหม่อะไรตามมา และใครเต็มใจพร้อมทั้งมีกำลังจ่ายเพื่อแก้ปัญหานั้น

8. เมื่อวางใน WISERUNION จะเข้าใจโอกาสเหล่านี้อย่างไร

คลังสมอง WISERUNION, SOP สี่ด้าน, Skill และระบบนิเวศผู้มีส่วนได้ส่วนเสียที่ผมกำลังคิด สามารถเชื่อมกันได้ตรงนี้

คลังสมองจัดปัญหาและความรู้ให้เป็นแนวคิด แบบจำลอง วิธีการ แผนงาน เครื่องมือ และการฝึกอบรม ส่วน SOP สี่ด้านเชื่อมความรู้เหล่านี้เข้ากับงานองค์กรต่อไป ผลการดำเนินงานต้องมีองค์ประกอบสำคัญใด งานธุรกิจไหนให้ผลเหล่านั้น ตำแหน่งใดรับหน้าที่ที่เกี่ยวข้อง และทำสำเร็จด้วยการปฏิบัติใด

ส่วนที่เหมาะกับการใช้ซ้ำและลงมือทำ สามารถค่อย ๆ สะสมเป็น Skill แล้วใช้ระบบนิเวศทรัพยากร ระบบนิเวศทุน ระบบนิเวศการดำเนินงานและบริหารจัดการ และระบบนิเวศลูกค้า จัดความต้องการจริง ความสามารถวิชาชีพ และความร่วมมือเข้าด้วยกัน

ตรงนี้ต้องคิดทั้ง “การสร้างคุณค่า” และ “การจัดสรรคุณค่า” พร้อมกัน

บางคนเสนอแนวคิด บางคนจัดวิธีการ บางคนให้เครื่องมือ บางคนร่วมตรวจทาน บางคนจัดการส่งมอบ และบางคนให้ทุนหรือสถานการณ์ใช้งานจริง จะบันทึกและประเมินส่วนร่วมแต่ละแบบอย่างไร และให้เกิดผลประโยชน์กับสิทธิที่สอดคล้องตามข้อตกลงอย่างไร เป็นคำถามสำคัญต่อการพัฒนาระบบนี้อย่างต่อเนื่อง

ดังนั้น โอกาสที่ผมเห็นคือใช้ AI เชื่อมความรู้ งาน และความร่วมมือให้ชัดขึ้น ให้ความสามารถวิชาชีพเข้าไปในธุรกิจจริงได้มากขึ้น และเปิดโอกาสให้ส่วนร่วมของผู้เข้าร่วมถูกมองเห็นและได้รับการปฏิบัติอย่างสมเหตุสมผล

เรื่องนี้ยังต้องตรวจสอบผ่านการปฏิบัติ คลังสมองมีเนื้อหาไม่ได้แปลว่าทุกชิ้นพร้อมให้ปฏิบัติตาม มี Skill ก็ไม่ได้แปลว่าใช้ได้กับหลายองค์กรแล้ว แต่ละขั้นต้องบันทึกเงื่อนไขการใช้ ผลจริง และสิ่งที่ควรแก้ไข

9. หากจะเลือกจุดเริ่มต้น ผมจะพิจารณาสามทิศทางก่อน

ทิศทางแรก การจัด SOP สี่ด้านขององค์กร เริ่มจากองค์กรจริงแห่งหนึ่ง อธิบายความเป็นไปได้และองค์ประกอบสำคัญของการสร้างผลการดำเนินงาน แล้วจัดธุรกิจ หน้าที่ และการปฏิบัติ ให้เป็นผลงานที่อภิปรายและปรับปรุงต่อได้

ทิศทางที่สอง การวิจัยและสนับสนุนการลงมือทำขององค์กร ยึดอุตสาหกรรมหรือปัญหาธุรกิจเฉพาะ จัดข้อมูลที่มีแหล่งที่มาอย่างต่อเนื่อง สร้างรายการปัญหา ฐานการวินิจฉัย และข้อเสนอเพื่อปฏิบัติ แล้วตรวจว่าลูกค้าเต็มใจใช้ต่อเนื่องหรือไม่

ทิศทางที่สาม ภารกิจร่วมสร้างของบริษัทหมายเลข 0 เลือกภารกิจจริงที่ขอบเขตชัดและคุมความเสี่ยงได้ ให้บทบาทต่าง ๆ กับ AI ร่วมกัน บันทึกข้อมูลนำเข้า การปฏิบัติ ผลงาน การตรวจรับ และส่วนร่วม แล้วดูว่ากติกาความร่วมมือมีประโยชน์จริงหรือไม่

สามทิศทางนี้ช่วยให้ผมเข้าใจคนละเรื่อง ลูกค้าจ่ายเพราะอะไร ความรู้ส่งมอบอย่างมั่นคงได้อย่างไร และความร่วมมือหลายฝ่ายทำให้เกิดผลอย่างไร

ในระยะนี้ การเลือกสถานการณ์เหมาะสมมาทดลองตรวจสอบก่อน น่าจะพบปัญหาจริงได้ง่ายกว่าการสร้างแพลตฟอร์มเต็มรูปแบบตั้งแต่ต้น ข้อมูลที่เกิดระหว่างตรวจสอบก็กลับเข้าคลังสมองได้ต่อ เป็นฐานสำหรับปรับกรณีศึกษา วิธีการ และเครื่องมือ

พลังงาน กำลังประมวลผล และหุ่นยนต์ ก็เข้าไปในขอบเขตการศึกษาต่อเนื่องและเชื่อมทรัพยากรได้ แต่วิธีร่วมต้องสอดคล้องกับความสามารถของตัวเอง การทำวิจัย เชื่อมทรัพยากร หรือบริการวิชาชีพได้ ไม่ได้แปลว่าพร้อมสร้างสิ่งอำนวยความสะดวกที่ใช้สินทรัพย์ลงทุนสูงหรือผลิตหุ่นยนต์ทั้งตัวทันที โครงการเหล่านี้ต้องตรวจความต้องการ แนวทางเทคโนโลยี เงินทุน ใบอนุญาต และความเสี่ยงผลตอบแทนแยกต่างหาก

10. สุดท้ายยังต้องกลับมาที่ความต้องการและแบบจำลองธุรกิจเอง

AI ทำเรื่องหนึ่งสำเร็จได้ กับเรื่องนั้นสร้างแบบจำลองธุรกิจที่ต่อเนื่องได้ ยังมีระยะห่างกันอยู่

ผมจะดูต่อว่าลูกค้ามีความต้องการจริงไหม ใครถืออำนาจงบประมาณ ยอมจ่ายซ้ำหรือไม่ ผลงานตรวจรับได้ไหม และหลังหักต้นทุนโมเดล เครื่องมือ ข้อมูล คนตรวจทาน และงานแก้ซ้ำแล้ว การส่งมอบยังสมเหตุสมผลหรือไม่

ยังถามต่อได้อีกว่า ถ้าโมเดลรุ่นถัดไปเก่งขึ้นอย่างชัดเจน คุณค่าบริการนี้จะเพิ่มขึ้นหรือหายไปตามกัน คำตอบจะช่วยแยกโอกาสเฉพาะช่วงออกจากความสามารถที่ควรสะสมระยะยาวกว่า

ยังต้องดูว่าความรู้และประสบการณ์สะสมไว้โดยชอบด้วยกฎหมายได้หรือไม่ ครั้งหน้าทำให้ดีขึ้นได้ง่ายหรือไม่ และความสามารถเดียวกันใช้ซ้ำในสถานการณ์ใกล้เคียงได้หรือไม่

เมื่อมองแบบนี้ การวิจัยแบบจำลองธุรกิจ AI-native เดินตามเส้นทางที่ค่อนข้างชัดได้ เริ่มจากผลลัพธ์ที่ลูกค้าต้องการ จัดคน AI และทรัพยากรให้ทำงานเสร็จ แล้วใช้การตรวจรับและผลตอบกลับปรับวิธี กระบวนการ และกติกาความร่วมมือ

สำหรับ WISERUNION เรื่องนี้ทำให้ผมเข้าใจคุณค่าคลังสมองชัดขึ้นด้วย ความรู้ที่จัดแล้วช่วยให้คนเข้าใจปัญหา เมื่อเข้าไปใน SOP และ Skill ก็สนับสนุนงานต่อได้ และเมื่อใช้กับธุรกิจจริงซ้ำ ๆ พร้อมตรวจสอบ ก็ผลักดันความรู้ให้พัฒนาต่อ

ผมอยากรวมคำถามเหล่านี้ในแผนภาพความต้องการเดียวกันเพื่อศึกษาต่อเนื่อง คนยังต้องการอะไร AI ต้องใช้อะไรเพื่อทำงาน การเปลี่ยนผ่านสู่ความร่วมมือคนกับ AI ต้องการอะไร และความสามารถผลิตใหม่จะเปลี่ยนรายได้ การบริโภค และการจัดสรรทรัพยากรอย่างไร

เริ่มจากตรงนี้ แล้วกลับไปที่องค์กร ธุรกิจ และภารกิจเฉพาะ เพื่อวินิจฉัยว่าความต้องการไหนควรตอบสนอง ใครให้คุณค่า จะสร้างรายได้อย่างไร และผู้เข้าร่วมจะเติบโตไปด้วยกันภายใต้กติกาชัดเจนอย่างไร นี่คือทิศทางที่ผมเข้าใจโอกาสธุรกิจ AI-native ในตอนนี้

หมายเหตุ

กรณีบริษัทในบทความใช้เพื่ออธิบายกลไกคิดค่าบริการที่เปิดเผยเท่านั้น ไม่ใช่คำแนะนำผลิตภัณฑ์หรือหลักฐานยืนยันผลธุรกิจ ตรวจหน้าอย่างเป็นทางการเมื่อวันที่ 5 พฤศจิกายน 2026 และอาจมีการเปลี่ยนภายหลัง

การวิเคราะห์ปัญญาประดิษฐ์ที่เก่งขึ้นและหุ่นยนต์เป็นการอภิปรายฉากทัศน์ ไม่ใช่การคาดการณ์ที่แน่นอนเรื่องเวลาที่จะเกิด การคงอยู่ของตำแหน่งงาน หรือผลตอบแทนทางธุรกิจ