แล้วใกล้แค่ไหน — ตอบตรงๆ ว่า “ไม่มีใครรู้แน่”#

อันนี้ขอพูดตรงๆ เลยครับ คำตอบที่ซื่อสัตย์ที่สุดคือ “ไม่มีใครรู้แน่” ใครก็ตามที่ฟันธงว่า “อีกกี่ปีเป๊ะๆ” ก็ให้ฟังหูไว้หูเอาไว้ก่อน

เรื่องนี้ในวงการเองก็เถียงกันหนักมาก คนกลุ่มหนึ่งบอกว่าใกล้มากแล้ว ดูจากที่ AI เก่งขึ้นเร็วเหลือเชื่อในช่วงไม่กี่ปีที่ผ่านมา ส่วนอีกกลุ่มบอกว่ายังอีกไกล เพราะสิ่งที่ AI ทำได้เก่งทุกวันนี้มันคือ “เก่งเรื่องเดา” ไม่ใช่ “เข้าใจจริงๆ” ซึ่งเป็นคนละเรื่องกัน

ขอเล่าด้วยอุปมาที่ผมชอบนะครับ มันเหมือนการปีนภูเขาที่เราเห็นยอดอยู่ลิบๆ ช่วงหลังเราเดินเร็วขึ้นมาก แล้วก็รู้สึกว่า “เออ ยอดมันใกล้แล้วนะ” แต่คนที่เคยปีนเขาจะรู้ดีว่า ยอดที่เราเห็นน่ะ บางทีมันไม่ใช่ยอดจริง มันเป็นแค่ “สันเขาหลอกตา” พอปีนถึงตรงนั้นปุ๊บ อ้าว ยังมียอดที่สูงกว่าซ่อนอยู่ข้างหลังอีก เรื่อง AGI ก็คล้ายกันครับ เราเดินมาไกลมากแล้ว แต่จะถึงยอดจริงเมื่อไหร่ยังตอบยาก

มุมที่ผมว่าเจ้าของกิจการควรคิดจริงๆ#

ผมอยากเตือนตัวเองและเพื่อนๆ ว่า อย่าให้ข่าว AGI มากระทบการตัดสินใจในธุรกิจวันนี้มากเกินไปครับ เพราะมันมีสองกับดักที่เจอบ่อย

กับดักที่หนึ่ง — กลัวเกินเหตุจนแช่แข็งตัวเอง บางคนได้ยินว่า “อีกไม่กี่ปี AI จะแทนคนหมด” ก็เลยไม่กล้าจ้างคน ไม่กล้าลงทุน รอดูท่าทีไปเรื่อย สุดท้ายคู่แข่งที่ลงมือทำไปแล้ววันนี้ก็ทิ้งห่างไป

กับดักที่สอง — เชื่อคำขายว่า “เดี๋ยว AI จะทำได้ทุกอย่าง” จนซื้อของเกินจำเป็น บาง vendor ขายฝันว่าอีกหน่อยระบบจะฉลาดเท่าคน เลยให้จ่ายแพงๆ ไว้ก่อน ทั้งที่งานจริงวันนี้ใช้ของเรียบง่ายกว่านั้นเยอะก็จบแล้ว

💡 มุมเจ้าของกิจการ: AGI เป็นเรื่องที่น่าตามข่าวไว้ครับ แต่อย่าเอามาเป็นฐานตัดสินใจของวันนี้ จำหลักง่ายๆ ว่า “ตัดสินใจจากของที่ AI ทำได้จริงตอนนี้ ไม่ใช่จากของที่เขาบอกว่ามันจะทำได้ในอนาคต” เพราะของที่ทำได้จริงตอนนี้ก็มีประโยชน์กับธุรกิจเรามากพออยู่แล้ว ไม่ต้องรอ AGI ก็คุ้มค่าได้ทันที

ช่วงที่หนึ่ง — ตอน “สอน” AI (กินไฟหนักสุด)#

ช่วงที่กินไฟมหาศาลที่สุดคือตอน ฝึก/สอน AI ครับ จำได้ไหมครับว่าผมเคยเล่าในตอนก่อนๆ ว่า AI เรียนรู้จากการดูตัวอย่างเยอะๆ เยอะแบบมหาศาลจริงๆ การจะสอนโมเดลใหญ่ๆ สักตัว ต้องเอาเครื่องแรงๆ มาทำงานพร้อมกันต่อเนื่องเป็นเวลานานมาก เครื่องพวกนี้ทำงานหนักก็ร้อน พอร้อนก็ต้องมีระบบทำความเย็นมาคอยระบายความร้อน ซึ่งระบบทำความเย็นเองก็กินไฟอีกต่อหนึ่ง

ลองนึกภาพง่ายๆ ครับ เหมือนเราเปิดเตาอบทั้งครัวพร้อมกันเป็นร้อยเตา อบต่อเนื่องหลายสัปดาห์ไม่ปิดเลย แล้วก็ต้องเปิดแอร์ทั้งตึกเพื่อสู้กับความร้อนนั้นไปด้วย ไฟมันก็พุ่งเป็นธรรมดาครับ

ช่วงที่สอง — ตอน “ใช้งาน” AI (กินไฟน้อยกว่า แต่คูณด้วยคนทั้งโลก)#

ตอนเราพิมพ์ถามมันแต่ละครั้ง วงการเขาเรียกว่าการ inference แปลแบบบ้านๆ ก็คือ “ตอนเอา AI ที่สอนเสร็จแล้วมาใช้งานจริง” อันนี้กินไฟต่อครั้งน้อยกว่าตอนสอนเยอะครับ แต่ปัญหาคือ มันถูก “คูณ” ด้วยจำนวนคนที่ใช้พร้อมกันทั้งโลก คนเป็นล้านพิมพ์ถามพร้อมกันทุกวินาที พอเอามารวมกันมันก็เลยกลายเป็นตัวเลขที่ใหญ่

ขออธิบายด้วยอุปมานี้ครับ หลอดไฟดวงเดียวเปิดทิ้งไว้ ไม่เปลืองอะไรหรอก แต่ถ้าทั้งเมืองเปิดหลอดไฟพร้อมกันตลอดเวลา รวมแล้วมันคือโรงไฟฟ้าทั้งโรง AI ตอนใช้งานก็คล้ายๆ กันครับ ทีละครั้งไม่เท่าไหร่ แต่พอทั้งโลกใช้พร้อมกันมันเลยกลายเป็นเรื่องใหญ่

เรื่องนี้เกี่ยวอะไรกับเจ้าของกิจการตัวเล็กๆ อย่างเรา#

ตรงนี้สำคัญครับ เราที่เป็นแค่ “ผู้ใช้” AI ไม่ใช่คนสร้างมันเอง เราไม่ได้แบกค่าไฟตอนสอนโมเดลหรอก นั่นเป็นเรื่องของบริษัทใหญ่ๆ ที่สร้างโมเดล แต่ที่เกี่ยวกับเราคือ ค่าไฟพวกนี้มันถูกบวกเข้าไปในค่าบริการที่เราจ่ายอยู่แล้วทางอ้อม

นี่คือเหตุผลหนึ่งที่ทำไมของที่เป็น AI “ตัวจริง” ถึงมักจะแพงกว่า automation ธรรมดา (เรื่องที่เราคุยกันไปตั้งแต่ตอนต้นซีรีส์) เพราะเบื้องหลังมันมีต้นทุนพลังงานก้อนใหญ่ซ่อนอยู่ ไม่ใช่ว่า vendor โขกราคาเฉยๆ

💡 มุมเจ้าของกิจการ: พอเข้าใจว่า AI มีต้นทุนพลังงานจริงเบื้องหลัง เราจะใช้มันอย่าง “รู้คุณค่า” มากขึ้นครับ — งานที่ของถูกกว่าทำได้ (เช่น automation ธรรมดา หรือเครื่องมือเล็กๆ) ก็ไม่ต้องลากเอาโมเดลใหญ่ตัวแพงมาทำให้เปลือง เหมือนเราไม่เปิดแอร์ทั้งบ้านเพื่อทำให้ห้องเดียวเย็น เลือกขนาดเครื่องมือให้พอดีกับงาน คุ้มกว่าทั้งกระเป๋าเราและทั้งโลกด้วยครับ

แล้วร้านเล็กๆ ควรเลือกแบบไหน#

คำตอบตรงๆ จากมุมผมนะครับ ธุรกิจส่วนใหญ่ โดยเฉพาะรายเล็กและรายกลาง เริ่มจาก closed model ก่อนนั่นแหละเหมาะที่สุด เพราะมันคือ “ไปกินร้าน” สมัครปุ๊บใช้ได้ปั๊บ ไม่ต้องมีทีมไอที ไม่ต้องลงทุนเครื่องแรงๆ ไม่ต้องปวดหัวเรื่องดูแลระบบ เอาเวลาไปโฟกัสกับธุรกิจดีกว่า

ส่วน open model จะเริ่มน่าสนใจตอนที่ธุรกิจเราโตขึ้น แล้วเจอเหตุผลที่ชัดเจนอย่างใดอย่างหนึ่ง เช่น

• มีข้อมูลที่อ่อนไหวจริงๆ ที่ไม่อยากส่งออกไปข้างนอกเลย อยากเก็บไว้ในบ้านตัวเอง
• ใช้หนักมากจนค่าบริการรายเดือนเริ่มแพงกว่าการลงทุนทำเอง
• ต้องการดัดแปลงลึกๆ ให้เข้ากับงานเฉพาะทางของเราที่ของสำเร็จรูปทำไม่ได้

ถ้ายังไม่เจอเหตุผลพวกนี้ชัดๆ ผมว่าอย่าเพิ่งกระโจนไป open เลยครับ มันเหมือนยังขายของได้ไม่กี่จาน แต่ดันไปลงทุนสร้างครัวกลางขนาดใหญ่ ลงแรงเกินงานไปหน่อย

💡 มุมเจ้าของกิจการ: อย่าเพิ่งหลงประเด็นว่า “ของฟรี (open) ต้องคุ้มกว่าของที่ต้องจ่าย (closed) แน่ๆ” นะครับ เพราะ open ที่ว่าฟรีน่ะ มัน “ฟรีแค่ตัวโมเดล” — แต่ค่าเครื่อง ค่าคนดูแล ค่าเวลาที่ต้องลงไป มันไม่ฟรีครับ บางทีรวมแล้วแพงกว่าจ่ายค่าบริการ closed ด้วยซ้ำ คิดต้นทุน “ทั้งก้อน” ก่อนตัดสินใจเสมอ

Myth 1 — “AI มันคิดเองได้ มันเข้าใจสิ่งที่มันพูดจริงๆ”#

อันนี้เป็นความเข้าใจผิดที่ใหญ่ที่สุดครับ AI ที่ตอบเก่งๆ น่ะ จริงๆ มันไม่ได้ “เข้าใจ” แบบที่คนเข้าใจนะครับ มันทำงานด้วยการ เดาว่าคำต่อไปน่าจะเป็นอะไร จากรูปแบบที่มันเคยเห็นมาเยอะมากๆ (เรื่องนี้เราคุยกันลึกไปแล้วในตอนที่ว่าด้วย ChatGPT ข้างในมันคิดยังไง)

มันเหมือนนักเรียนที่ท่องตำรามาเยอะจนตอบข้อสอบได้คล่องปรื๋อ แต่ถ้าถามว่า “เข้าใจจริงๆ ไหม” บางทีก็ไม่นะ มันแค่จับรูปแบบเก่งมาก ที่ผมย้ำเรื่องนี้เพราะมันเป็นรากของเรื่องที่เราต้องระวัง คือ มันถึงได้ “มั่วอย่างมั่นใจ” ไงครับ ในเมื่อมันไม่ได้เข้าใจจริง มันก็เลยไม่รู้ตัวว่าตอบผิด

Myth 2 — “AI ไม่มีอคติ มันเป็นกลาง เพราะมันเป็นเครื่อง”#

อันนี้อันตรายมากครับ หลายคนคิดว่าเครื่องจักรมันต้องเป็นกลางสิ ไม่ลำเอียงเหมือนคน แต่ความจริงตรงข้ามเลยครับ AI เรียนจากข้อมูลที่คนสร้างไว้ ถ้าข้อมูลในอดีตมันมีอคติซ่อนอยู่ AI ก็ซึมซับอคตินั้นมาด้วย แบบเงียบๆ ที่เรามองไม่เห็น (เรื่องนี้เราคุยกันยาวในตอนเรื่องจริยธรรม AI) อย่าเผลอคิดว่า “มันเป็นเครื่อง มันต้องแฟร์” เด็ดขาดเลยครับ

Myth 3 — “ซื้อ AI มาแล้วจบ เสียบใช้ได้เลย ไม่ต้องทำอะไรต่อ”#

อันนี้เจ้าของกิจการพลาดกันเยอะครับ คิดว่า AI เหมือนซื้อเครื่องใช้ไฟฟ้า เสียบปลั๊กแล้วใช้ได้เลย จริงๆ ไม่ใช่นะครับ AI ที่ได้ผลดีต้องมี “ข้อมูลของเรา” ป้อนให้มันเข้าใจบริบทธุรกิจเรา ต้องมีคนคอยดู คอยปรับ คอยแก้ตอนมันเพี้ยน (เรื่องที่เราคุยกันในตอน “ข้อมูลคือเชื้อเพลิง” กับตอนเรื่องวัดผล) มันเหมือนจ้างพนักงานเก่งๆ มาคนหนึ่งมากกว่าครับ เก่งจริงแหละ แต่ก็ต้องสอนงาน ต้องบอกบริบท ต้องคอยดูแล ถึงจะได้ของดี

Myth 4 — “AI จะมาแทนคนหมด อีกหน่อยไม่ต้องจ้างใครแล้ว”#

อันนี้เราคุยกันยาวไปแล้วในหลายตอนครับ สรุปสั้นๆ คือ ภาพที่เห็นจริงในวันนี้ AI เก่งเรื่อง “ช่วยให้คนทำงานได้มากขึ้นและเร็วขึ้น” มากกว่า “แทนคนทั้งกระบวนการ” งานจำนวนมากมันเปลี่ยนรูปแบบไป มากกว่าจะหายไปเฉยๆ คนที่ใช้ AI เป็นจะได้เปรียบคนที่ใช้ไม่เป็น มากกว่าที่คนจะถูกแทนด้วยเครื่องล้วนๆ

Myth 5 — “ของยี่ห้อดัง/แพงที่สุด ต้องดีที่สุดสำหรับเราแน่ๆ”#

อันสุดท้ายนี้คนพลาดเยอะมากครับ คือเห็นยี่ห้อไหนเป็นข่าว ดูล้ำ ดูแพง ก็คิดว่าต้องดีที่สุดสำหรับร้านเราแน่ๆ ซึ่งไม่จริงเสมอไปครับ “ดีที่สุดในโลก” กับ “ดีที่สุดสำหรับงานของเรา” มันคนละเรื่องกัน บางทีของที่เรียบง่ายกว่า ถูกกว่า แต่ตรงงานเรา มันคุ้มกว่าเยอะ (เรื่องเลือกเครื่องมือให้ตรงงาน เราคุยกันไปแล้วในตอนวิธีเลือกเครื่องมือ AI) เลือกจาก “งานเราต้องการอะไร” ไม่ใช่จาก “ใครดังที่สุด”

ขอสรุปความเชื่อผิดๆ ทั้งห้าเป็นตารางสั้นๆ ให้จำง่ายนะครับ