ผมอายุจะ 33 แล้ว แต่ยัง Reply Story ใน IG ไม่ค่อยเป็นเลย
ผมอายุจะ 33 แล้วครับ
ยัง Reply Story ใน Instagram ไม่ค่อยเป็นเลย
เวลาไปเที่ยวกับเพื่อน บางครั้งยังต้องถามว่า
“Reply ยังไงวะ”
หลายคนชอบแซวผมว่า
“มึงทำ Digital Agency นะ ทำไมเรื่องพวกนี้ไม่รู้”
ผมก็ได้แต่คิดในใจว่า
การเล่นกับการทำงานมันคนละเรื่องกันจริง ๆ โหวยยยย
ผมทำงานด้าน Digital Marketing มานาน ต้องติดตามแพลตฟอร์มใหม่ ๆ ต้องเข้าใจพฤติกรรมผู้บริโภค และต้องคิดอยู่ตลอดว่าจะใช้เทคโนโลยีช่วยให้ธุรกิจของลูกค้าดีขึ้นได้อย่างไร
แต่การที่ผมเข้าใจ Social Media ในเชิงธุรกิจ ไม่ได้หมายความว่าผมจะสนุกกับการเล่นทุกแพลตฟอร์ม หรือรู้วิธีใช้ทุกฟีเจอร์เหมือนคนที่โตมากับมัน
ผมเพิ่งเริ่มเข้าใจความแตกต่างนี้ชัดขึ้นในช่วงที่ AI เข้ามามีบทบาทกับการทำงานของผมมากขึ้นเรื่อย ๆ
ช่วงที่ผ่านมา ผมตื่นเต้นกับ AI มากครับ
AI สร้างเว็บไซต์ได้ เขียนโค้ดได้ ทำภาพได้ สร้างวิดีโอได้ เขียนคอนเทนต์ได้ และช่วยให้คนคนเดียวทำงานบางอย่างที่เมื่อก่อนต้องอาศัยคนหลายคนได้
สำหรับคนที่ทำธุรกิจและทำงานด้านดิจิทัลอย่างผม สิ่งเหล่านี้เปลี่ยนวิธีทำงานได้จริง
แต่พอผมลองคุยกับญาติ ๆ และหลาน ๆ กลับพบว่าพวกเขาไม่ได้ตื่นเต้นกับความสามารถเหล่านี้เหมือนผมเสมอไป
บางคนบอกว่าคอนเทนต์ที่สร้างด้วย AI อ่านรู้เรื่อง เรียบเรียงดี แต่หลายชิ้นกลับให้ความรู้สึกคล้ายกันไปหมด
ผมไม่ได้อยากสรุปว่าคน Gen Z หรือ Gen Alpha ไม่ชอบ AI เพราะประสบการณ์จากคนรอบตัวไม่สามารถใช้แทนข้อมูลของคนทั้งรุ่นได้
แต่ผมเริ่มสงสัยว่า หรือจริง ๆ แล้วผมกำลังตื่นเต้นกับสิ่งที่คนรุ่นใหม่มองว่าเป็นเรื่องธรรมดาไปแล้ว
และถ้าเป็นอย่างนั้นจริง คำถามที่สำคัญกว่าการเรียนรู้เครื่องมือใหม่อีกตัว คือเราจะปรับวิธีคิดของตัวเองอย่างไรให้ทันโลกที่กำลังเปลี่ยนไป
เมื่อคนสองรุ่นมองเทคโนโลยีคนละแบบ
ผมนึกถึงตอนที่ Internet เข้ามามีบทบาทในชีวิตคนไทยมากขึ้น
คนที่เติบโตมาก่อนยุค Internet ต้องเรียนรู้ว่าจะใช้มันทำอะไรได้บ้าง ตั้งแต่การส่งอีเมล ค้นหาข้อมูล ไปจนถึงการซื้อขายสินค้าออนไลน์
แต่สำหรับคนที่เติบโตมากับ Internet สิ่งเหล่านี้เป็นส่วนหนึ่งของชีวิตอยู่แล้ว
เราไม่จำเป็นต้องตื่นเต้นทุกครั้งที่มีเว็บไซต์ใหม่ หรือมีระบบที่ค้นหาข้อมูลได้เร็วขึ้น เพราะเราคุ้นเคยกับการมีสิ่งเหล่านี้เป็นพื้นฐาน
ผมคิดว่า AI กำลังทำให้เราเห็นความแตกต่างในลักษณะคล้ายกัน แม้จะยังเร็วเกินไปที่จะสรุปว่าคนทุกวัยมีความสัมพันธ์กับ AI แบบเดียวกันตามรุ่นอายุ
สิ่งที่น่าสนใจคือ เราอาจไม่ได้แตกต่างกันเพียงแค่ว่าใครใช้ AI ได้เก่งกว่าใคร แต่แตกต่างกันตรงจุดเริ่มต้นของความคิดด้วย
คนที่เพิ่งค้นพบความสามารถใหม่อาจถามว่า
“AI ทำอะไรได้อีกบ้าง”
แต่คนที่มองความสามารถนั้นเป็นเรื่องปกติแล้วอาจเริ่มจากคำถามว่า
“ถ้าทำสิ่งนี้ได้ง่ายขนาดนั้น เราจะเอามันไปทำอะไร”
นี่คือความแตกต่างระหว่างการตื่นเต้นกับ Capability กับการคิดถึง Outcome
Capability คือสิ่งที่เครื่องมือทำได้ ส่วน Outcome คือผลลัพธ์ที่เราต้องการให้เกิดขึ้นจริง
สองอย่างนี้ไม่เหมือนกัน และการแยกให้ออกอาจเป็นจุดเริ่มต้นของการปรับตัวในยุค AI
อย่างไรก็ตาม ผมไม่คิดว่าคน Gen Y ทุกคนจะมอง AI เป็นเครื่องมือใหม่ หรือคน Gen Z ทุกคนจะมอง AI เป็นของธรรมดา อายุไม่ใช่ตัวกำหนดวิธีคิดเพียงอย่างเดียว ประสบการณ์ อาชีพ โอกาสในการเข้าถึง และความถี่ในการใช้งานก็มีส่วนสำคัญ
สิ่งที่ผมอยากชวนคิดจึงไม่ใช่เรื่องว่าใครเกิดปีไหน แต่คือเราใช้ AI ด้วย Mental Model แบบไหน
เรากำลังตื่นเต้นกับสิ่งที่ทำได้ มากกว่าสิ่งที่ต้องการทำหรือเปล่า
ผมเริ่มมองว่าปัญหาหนึ่งของการเรียนรู้ AI คือ เราอาจให้ความสำคัญกับความสามารถของเครื่องมือมากเกินไป
เวลาเห็น AI ทำเว็บไซต์ได้ เราตื่นเต้น
เวลาเห็น AI สร้างวิดีโอได้ เราตื่นเต้น
เวลาเห็น AI เขียนโค้ดได้ เราก็ตื่นเต้นอีก
ความตื่นเต้นเหล่านี้ไม่ใช่เรื่องผิด เพราะเทคโนโลยีใหม่เปิดโอกาสที่ไม่เคยมีมาก่อน และคนที่ทดลองใช้ก่อนก็สามารถเรียนรู้ข้อจำกัดของมันก่อนคนอื่นได้
แต่มีคำถามหนึ่งที่ผมคิดว่าเราควรถามตัวเองเพิ่ม
เรากำลังตื่นเต้นเพราะเครื่องมือทำสิ่งใหม่ได้ หรือเพราะเรามองเห็นปัญหาใหม่ที่สามารถแก้ได้ด้วยเครื่องมือนั้น?
สองอย่างนี้ให้ผลต่างกัน
สมมติว่าเมื่อก่อนการทำ Landing Page หนึ่งหน้า ต้องใช้ทั้งเวลา คน และงบประมาณพอสมควร เราจึงต้องคิดให้รอบคอบก่อนตัดสินใจว่าจะทำหน้าไหน
เมื่อ AI ทำให้การสร้างหน้าเว็บง่ายขึ้น เราอาจใช้มันเพื่อทำหน้าเดิมให้เสร็จเร็วกว่าเดิม
นั่นคือการเพิ่มประสิทธิภาพของกระบวนการเดิม
แต่เราอาจใช้โอกาสเดียวกันนี้เพื่อทดลองแนวทางการสื่อสารหลายแบบ ทดสอบสมมติฐานเกี่ยวกับลูกค้า หรือปรับข้อเสนอให้เหมาะกับแต่ละกลุ่มมากขึ้น โดยยังต้องตรวจสอบคุณภาพและวัดผลจริง
นั่นคือการใช้ความสามารถใหม่เพื่อออกแบบวิธีทำงานใหม่
ความแตกต่างไม่ได้อยู่ที่ใครมีเครื่องมือที่ดีกว่า แต่อยู่ที่ใครมองเห็นความเป็นไปได้ใหม่จากเครื่องมือเดียวกัน
ผมคิดว่าคนทำงานที่เป็น Early Adopter มีโอกาสได้เปรียบตรงนี้ เพราะเราไม่ได้กลัวการทดลองของใหม่อยู่แล้ว แต่เราต้องระวังไม่ให้ความตื่นเต้นกับเครื่องมือกลายเป็นเป้าหมายในตัวมันเอง
เราอาจใช้ AI ได้มากขึ้นทุกเดือน แต่ถ้ายังทำงานด้วยวิธีคิดเดิมทุกอย่าง สิ่งที่เปลี่ยนอาจมีเพียงความเร็วในการผลิต
ขณะที่โอกาสที่แท้จริงอาจอยู่ที่การเปลี่ยนคำถาม วิธีตัดสินใจ และผลลัพธ์ที่เราสามารถสร้างได้
AI New Normal คืออะไร
ผมอยากเรียกช่วงเปลี่ยนผ่านนี้ว่า AI New Normal
เป็นการหยิบแนวคิด New Normal ที่หลายคนคุ้นเคยจากช่วง COVID-19 มาใช้เป็นกรอบอธิบายความเปลี่ยนแปลงอีกแบบหนึ่ง
ในช่วง COVID-19 หลายองค์กรต้องปรับตัวเข้าสู่การทำงานทางไกล การประชุมออนไลน์ และการให้บริการผ่านช่องทางดิจิทัล สิ่งที่เคยเป็นทางเลือกกลายเป็นวิธีทำงานที่จำเป็นสำหรับหลายธุรกิจ
เมื่อเวลาผ่านไป เครื่องมือประชุมออนไลน์ไม่ได้เป็นนวัตกรรมที่ต้องอธิบายให้ทุกคนเข้าใจทุกครั้งอีกต่อไป แต่มันกลายเป็นส่วนหนึ่งของสภาพแวดล้อมการทำงาน
ผมมองว่า AI กำลังมีโอกาสเดินไปในทิศทางเดียวกัน
วันนี้เราอาจยังตื่นเต้นกับการสร้างภาพ การเขียนโค้ด หรือการวิเคราะห์ข้อมูลด้วย AI แต่เมื่อความสามารถเหล่านี้เข้าถึงได้ง่ายขึ้นเรื่อย ๆ การมีเครื่องมือเพียงอย่างเดียวอาจไม่เพียงพอที่จะสร้างความแตกต่าง
นี่ไม่ได้หมายความว่า AI จะไม่มีความได้เปรียบทางการแข่งขันอีกเลย เพราะคุณภาพของโมเดล ต้นทุน ความปลอดภัย ข้อมูลเฉพาะ และความสามารถในการเชื่อมต่อเข้ากับระบบงานยังสร้างความแตกต่างได้
แต่สำหรับคนทำงานทั่วไปที่สามารถเข้าถึงเครื่องมือพื้นฐานได้ คำถามเรื่องการใช้งานอาจสำคัญน้อยลงเมื่อเทียบกับคำถามเรื่องการนำไปใช้สร้างผลลัพธ์
ข้อมูลจาก OECD ระบุว่าในปี 2025 มีประชาชนมากกว่าหนึ่งในสามในประเทศสมาชิกที่ใช้เครื่องมือ Generative AI และอัตราการใช้งานแตกต่างกันอย่างชัดเจนระหว่างกลุ่มประชากร โดยนักเรียนและคนวัยทำงานเป็นกลุ่มที่มีการใช้งานสูงกว่ากลุ่มผู้เกษียณ
ข้อมูลนี้ไม่ได้พิสูจน์ว่าทุกคนมอง AI เป็นเรื่องธรรมดาแล้ว แต่สะท้อนว่า AI กำลังแพร่เข้าสู่การใช้งานในชีวิตประจำวันมากขึ้น
ผมจึงมอง AI New Normal เป็นแนวคิดสำหรับการปรับตัว ไม่ใช่คำประกาศว่าเทคโนโลยีได้เข้าสู่จุดอิ่มตัวแล้ว
ถ้า AI กำลังกลายเป็นพื้นฐานของการทำงาน เราก็ต้องเริ่มคิดถึงสิ่งที่อยู่เหนือพื้นฐานนั้น
เหมือนกับที่การมี Internet ไม่ได้ทำให้ทุกบริษัทประสบความสำเร็จเท่ากัน บริษัทต้องยังมีสินค้า บริการ กลยุทธ์ และความเข้าใจลูกค้าที่ดี
AI ก็เช่นกัน
ถ้า AI ทำงานได้มากขึ้น ทำไมเราไม่ควรแค่ผลิตให้มากขึ้น
นี่เป็นคำถามที่ผมคิดว่าสำคัญมากสำหรับคนทำธุรกิจและผู้บริหาร
ถ้า AI ช่วยลดเวลาในการผลิตคอนเทนต์ ลดเวลาสร้าง Prototype หรือช่วยเขียนโค้ดได้ เราควรใช้เวลาที่ประหยัดได้ไปทำอะไร
คำตอบแรกที่เกิดขึ้นได้ง่ายที่สุดคือ ผลิตงานให้มากขึ้น
เมื่อก่อนทำคอนเทนต์ได้เดือนละ 10 ชิ้น ตอนนี้อาจทำได้ 30 ชิ้น
เมื่อก่อนทำ Prototype ได้หนึ่งแบบ ตอนนี้อาจทำได้หลายแบบ
เมื่อก่อนทีมต้องใช้เวลาหลายวันรวบรวมข้อมูล ตอนนี้อาจได้ร่างแรกภายในเวลาไม่นาน
สิ่งเหล่านี้มีประโยชน์ แต่ไม่ได้รับประกันว่าผลลัพธ์ทางธุรกิจจะดีขึ้นตามสัดส่วนของงานที่ผลิตได้
ถ้าคอนเทนต์เพิ่มขึ้นแต่ไม่ได้ตอบโจทย์ลูกค้า เราก็แค่มีคอนเทนต์ที่ไม่ตอบโจทย์มากขึ้น
ถ้า Prototype เพิ่มขึ้นแต่ไม่มีสมมติฐานที่ดี เราก็อาจเสียเวลาไปกับการทดสอบสิ่งที่ไม่สำคัญ
ถ้าทีมเขียนโค้ดเร็วขึ้นแต่ไม่ได้ออกแบบระบบที่ดูแลต่อได้ ต้นทุนในช่วงใช้งานจริงก็อาจยังสูงเหมือนเดิม
ผมคิดว่าตรงนี้คือความแตกต่างระหว่างการเพิ่ม Productivity กับการสร้าง Business Value
Productivity คือการทำงานให้มีประสิทธิภาพขึ้น ส่วน Business Value คือคุณค่าที่เกิดขึ้นกับลูกค้าและธุรกิจจริง ๆ
ทั้งสองอย่างสัมพันธ์กันได้ แต่ไม่ใช่สิ่งเดียวกัน
รายงาน AI Index 2026 ของ Stanford Institute for Human-Centered Artificial Intelligence สรุปว่า การนำ AI มาใช้ในองค์กรยังขยายตัวต่อเนื่อง โดยรายงานการใช้ AI ในอย่างน้อยหนึ่งฟังก์ชันธุรกิจเพิ่มจาก 78% ในปี 2024 เป็น 88% ในปี 2025 ในกลุ่มผู้ตอบแบบสำรวจที่รายงานใช้
ตัวเลขนี้สะท้อนการแพร่หลายของ AI ในองค์กร แต่ไม่ได้หมายความว่าทุกองค์กรที่ใช้ AI จะสร้างผลตอบแทนได้ดีเท่ากัน
ในมุมของผม ผู้บริหารจึงไม่ควรถามแค่ว่าเราจะนำ AI มาใช้กับงานอะไรได้บ้าง แต่ควรถามต่อว่า
- งานที่นำ AI มาใช้กำลังแก้ปัญหาที่สำคัญจริงหรือไม่
- เรากำลังลดต้นทุนที่ไม่จำเป็น หรือแค่ย้ายต้นทุนไปอยู่ในขั้นตอนตรวจสอบและแก้ไข
- ทีมมีเวลามากขึ้นแล้วนำเวลาไปทำงานที่มีมูลค่าสูงขึ้นหรือยัง
- ลูกค้าได้รับประสบการณ์ที่ดีขึ้นหรือไม่
- เรามีวิธีวัดผลที่เชื่อมกับเป้าหมายทางธุรกิจหรือยัง
นี่คือจุดที่ AI เปลี่ยนจากเครื่องมือเพิ่มความเร็วไปเป็นโจทย์เรื่องการออกแบบองค์กร
และผมคิดว่าคนที่เข้าใจเรื่องนี้จะสร้างความแตกต่างได้มากกว่าคนที่เพียงแค่รู้จักเครื่องมือใหม่ก่อนคนอื่น
เมื่อการผลิตง่ายขึ้น ความคิดและความน่าเชื่อถือยิ่งสำคัญ
ผมอยากกลับมาที่ประเด็นคอนเทนต์ที่สร้างด้วย AI เพราะมันเป็นจุดเริ่มต้นที่ทำให้ผมตั้งคำถามกับตัวเอง
ทำไมบางคอนเทนต์ที่สร้างอย่างรวดเร็วและเรียบเรียงได้ดี กลับให้ความรู้สึกว่าไม่มีอะไรใหม่
ผมคิดว่าคำตอบส่วนหนึ่งอาจอยู่ที่วิธีที่ AI สร้างผลลัพธ์
AI สามารถช่วยเรียบเรียงข้อมูล สรุปประเด็น และสร้างทางเลือกจำนวนมากได้ แต่ถ้าเราเริ่มจากโจทย์เดิม ใช้ข้อมูลคล้ายกัน และไม่ได้ใส่ประสบการณ์หรือมุมมองเฉพาะเข้าไป ผลลัพธ์ก็มีโอกาสออกมาใกล้เคียงกัน
นี่เป็นการตีความกลไก ไม่ใช่ข้อสรุปว่าคอนเทนต์ AI ทุกชิ้นจะซ้ำกัน หรือคอนเทนต์ที่มนุษย์เขียนจะมีคุณภาพดีกว่าเสมอ
บทวิเคราะห์ของ McKinsey จาก Cannes Lions 2026 กล่าวถึงความเสี่ยงของการผลิตครีเอทีฟที่มีความธรรมดาซ้ำ ๆ ในปริมาณมาก และชี้ว่าความคิดริเริ่ม ความเป็นต้นฉบับ รสนิยม การเล่าเรื่อง และความเข้าใจวัฒนธรรมยังเป็นสิ่งที่นักการตลาดต้องให้ความสำคัญ
สิ่งที่ผมสนใจไม่ใช่ข้อสรุปว่า AI ทำคอนเทนต์ไม่ดี แต่คือเมื่อความสามารถในการผลิตกระจายตัวมากขึ้น เราต้องให้ความสำคัญกับการเลือกว่าจะผลิตอะไร
ลองนึกถึงคนสองคนที่ใช้ AI ตัวเดียวกัน
คนแรกให้ AI เขียนบทความเรื่องการทำการตลาด โดยใช้โจทย์กว้าง ๆ แล้วนำผลลัพธ์ไปเผยแพร่
อีกคนเริ่มจากประสบการณ์ที่เคยเจอในห้องประชุมลูกค้า มีข้อมูลที่รวบรวมเอง มีความเห็นต่อสิ่งที่เกิดขึ้น และมีคำถามที่ต้องการพิสูจน์ เขาใช้ AI ช่วยจัดโครงสร้าง ค้านข้อสรุป และค้นหามุมที่อาจตกหล่น ก่อนจะตัดสินใจด้วยตัวเองว่าจะเขียนอะไร
ทั้งคู่ใช้ AI แต่สิ่งที่ป้อนเข้าไปและวิธีตัดสินใจต่างกัน
ผมคิดว่าความได้เปรียบของคนที่สองไม่ได้เกิดจากการใช้ Prompt ที่ซับซ้อนกว่าเสมอไป แต่เกิดจากการมีโจทย์และวัตถุดิบทางความคิดที่ดีกว่า
อย่างไรก็ตาม เราต้องไม่ตีความเกินหลักฐานว่า Judgment หรือ Taste จะกลายเป็นข้อได้เปรียบที่ AI ไม่มีวันเลียนแบบได้ เพราะความสามารถของ AI ยังพัฒนาอย่างต่อเนื่อง และการประเมินคุณภาพของมนุษย์เองก็ผิดพลาดได้
สิ่งที่เราพูดได้อย่างมีเหตุผลกว่าคือ เมื่อเครื่องมือผลิตงานได้มากขึ้น การตั้งโจทย์ การตรวจสอบ การเลือก และความรับผิดชอบต่อผลลัพธ์ยังเป็นส่วนสำคัญของกระบวนการทำงาน
AI อาจช่วยสร้างทางเลือก แต่เราไม่ควรยกเลิกความรับผิดชอบต่อสิ่งที่เลือกไปใช้
แล้วคน Gen Y จะฝึกคิดให้ใกล้เคียง AI Native ได้อย่างไร
ผมคิดว่าคำถามนี้สำคัญกว่าการพยายามเป็นคนที่ใช้ AI ได้เก่งที่สุด
เราไม่สามารถย้อนกลับไปเกิดใหม่ในยุคที่ AI เป็นเรื่องธรรมดาตั้งแต่เด็กได้ แต่เราสามารถเปลี่ยนวิธีเรียนรู้และวิธีทำงานของตัวเองได้
ผมลองสรุปเป็นหลักคิด 3 ข้อที่ผมกำลังใช้ทบทวนตัวเอง
1. เปลี่ยนจากการถามว่า AI ทำอะไรได้ เป็นการถามว่าเราควรทำอะไรใหม่
เมื่อเห็นเครื่องมือใหม่ เรามักเริ่มจากการทดลองความสามารถของมัน ซึ่งเป็นจุดเริ่มต้นที่ดี
แต่หลังจากทดลองแล้ว เราควรไปต่อให้ได้
แทนที่จะถามว่า AI สร้างเว็บไซต์ได้ไหม ให้ถามว่าถ้าการสร้างเว็บไซต์มีต้นทุนต่ำลง เราจะทดสอบสมมติฐานทางธุรกิจได้อย่างไร
แทนที่จะถามว่า AI เขียนคอนเทนต์ได้ไหม ให้ถามว่าเราจะเข้าใจปัญหาของลูกค้าได้ดีขึ้นอย่างไร และจะใช้ AI ช่วยให้เราทดลองแนวทางการสื่อสารได้มากขึ้นโดยไม่ลดคุณภาพได้หรือไม่
การเปลี่ยนคำถามทำให้เราไม่ได้ติดอยู่ที่ Feature ของเครื่องมือ แต่เริ่มมองเห็น Workflow และโอกาสใหม่
2. ใช้ AI ตั้งแต่เริ่มคิด ไม่ใช่รอให้งานเกือบเสร็จ
เมื่อก่อนผมมักคิดงานเองก่อน แล้วค่อยนำสิ่งที่ได้ไปให้ AI ช่วยเรียบเรียงหรือขัดเกลา
แต่ช่วงหลังผมพยายามเปลี่ยนวิธีทำงาน
ผมเริ่มคุยกับ AI ตั้งแต่ยังไม่มีคำตอบ ให้ช่วยแตกโจทย์ ช่วยมองข้อโต้แย้ง ช่วยเสนอทางเลือก และช่วยตรวจว่ามีสมมติฐานอะไรที่ผมอาจมองข้าม
จากนั้นผมจึงใช้ประสบการณ์และข้อมูลที่มีตัดสินใจว่าจะเดินต่อทางไหน
สำหรับผม นี่คือการใช้ AI เป็น Thinking Partner ไม่ใช่เพียง Writer
แน่นอนว่า AI ไม่ได้คิดถูกเสมอไป และไม่ได้มีประสบการณ์จริงเหมือนคนที่อยู่ในเหตุการณ์ การใช้ AI ตั้งแต่ต้นจึงไม่ได้หมายความว่าเราต้องเชื่อมันตั้งแต่ต้น แต่หมายถึงการเปิดโอกาสให้มีอีกมุมมองเข้ามาในกระบวนการคิด
3. เอาเวลาที่ประหยัดได้ไปสร้างสิ่งที่มีมูลค่าสูงขึ้น
ถ้า AI ช่วยให้เราทำงานเดิมเร็วขึ้น เราควรถามต่อว่าเวลาที่ได้คืนมาจะนำไปใช้อย่างไร
เราจะใช้เวลาไปคุยกับลูกค้ามากขึ้นหรือไม่
เราจะลงไปทำความเข้าใจปัญหาของทีมให้ดีขึ้นหรือไม่
เราจะทดลองสมมติฐานที่ก่อนหน้านี้ไม่มีเวลาทดลองหรือไม่
เราจะอ่านข้อมูลต้นทาง ตรวจสอบข้อเท็จจริง และพัฒนาความเชี่ยวชาญของตัวเองมากขึ้นหรือไม่
ถ้าเราประหยัดเวลาได้แล้วนำไปผลิตงานที่ไม่มีใครต้องการเพิ่มขึ้นเรื่อย ๆ เราอาจกำลังใช้เทคโนโลยีเพื่อเร่งกระบวนการเดิม โดยไม่ได้สร้างคุณค่าใหม่
ผมจึงคิดว่าการใช้ AI ให้เกิดประโยชน์ไม่ได้จบที่ความเร็ว แต่ต้องไปถึงการตัดสินใจว่าเราควรใช้เวลาและทรัพยากรไปกับอะไร
นำ AI New Normal ไปใช้กับตัวเองและทีมอย่างไร
ผมคิดว่าหลักคิดข้างต้นจะมีความหมายก็ต่อเมื่อเราเอาไปใช้กับการทำงานจริงได้
สำหรับคนทำงาน ผมอยากเสนอให้เริ่มจากงานหนึ่งงานที่ทำเป็นประจำ ไม่จำเป็นต้องเปลี่ยนทุกอย่างพร้อมกัน
ลองเลือกงานที่มีขั้นตอนชัดเจน เช่น การรวบรวมข้อมูล การเตรียม Brief การคิดทางเลือก หรือการสรุปผลการประชุม แล้วสำรวจว่าปัจจุบันเราใช้เวลาไปกับอะไรบ้าง
จากนั้นลองออกแบบกระบวนการใหม่โดยให้ AI เข้ามาช่วยตั้งแต่ต้น
ตัวอย่างเช่น หากต้องเตรียม Marketing Brief เราอาจเริ่มจากการรวบรวมข้อมูลลูกค้าและเป้าหมายธุรกิจ แล้วใช้ AI ช่วยตั้งคำถามเพื่อค้นหาข้อมูลที่ยังขาด ช่วยสร้างสมมติฐานหลายแนวทาง และช่วยตรวจความสอดคล้องของแผน ก่อนที่คนรับผิดชอบจะตัดสินใจเลือกแนวทางสุดท้าย
สิ่งที่ควรวัดไม่ใช่แค่ใช้เวลาน้อยลงกี่นาที แต่รวมถึงคุณภาพของ Brief จำนวนประเด็นสำคัญที่ไม่ตกหล่น เวลาที่ทีมต้องใช้แก้ไข และผลลัพธ์ของงานหลังนำไปใช้จริง
สำหรับผู้บริหาร ผมคิดว่าควรขยับจากการทดลองรายบุคคลไปสู่การทบทวน Workflow ของทีม
แทนที่จะประกาศให้ทุกคนใช้ AI แล้ววัดจำนวนงานที่ผลิตได้ ลองพิจารณาว่างานส่วนไหนควรถูกทำใหม่ทั้งหมด งานส่วนไหนต้องมีมนุษย์ตรวจสอบ และการตัดสินใจแบบไหนที่ยังต้องอาศัยความรับผิดชอบของผู้เชี่ยวชาญ
สิ่งสำคัญคืออย่าคิดว่า AI จะช่วยลดต้นทุนโดยอัตโนมัติ เพราะบางกระบวนการอาจมีต้นทุนเพิ่มจากการตรวจสอบ การแก้ไข การเชื่อมต่อระบบ หรือการจัดการข้อมูล
การทดลองจึงควรเริ่มจากโจทย์ทางธุรกิจที่ชัดเจน มีตัวชี้วัดก่อนและหลัง และมีคนรับผิดชอบผลลัพธ์
ส่วนคนทำงานด้าน Marketing ผมคิดว่า AI ควรช่วยเพิ่มความสามารถในการสำรวจตลาดและทดลองความคิด แต่ไม่ควรแทนที่การทำความเข้าใจลูกค้า
เราอาจใช้ AI ช่วยจัดกลุ่ม Insight จากข้อมูลสัมภาษณ์ ช่วยตรวจความครบถ้วนของแผนคอนเทนต์ หรือช่วยสร้างทางเลือกในการสื่อสาร แต่เรายังต้องตรวจสอบว่าข้อมูลนั้นสะท้อนพฤติกรรมจริงหรือไม่ และข้อเสนอที่สร้างขึ้นมีความเหมาะสมกับแบรนด์หรือเปล่า
นี่คือเหตุผลที่ผมไม่อยากให้คนรุ่นเราใช้เวลาไปกับการเรียนรู้เครื่องมืออย่างเดียว แต่ควรใช้ AI เป็นตัวช่วยเพิ่มคุณภาพของกระบวนการคิดและการตัดสินใจด้วย
ถ้าทีมของคุณกำลังทบทวนว่าจะนำ AI เข้าไปอยู่ใน Workflow การตลาดตรงไหน ทีม Spark Factor รับวางกลยุทธ์การตลาดและ Content ให้แบรนด์ โดยเริ่มจากโจทย์ทางธุรกิจ ไม่ใช่จากเครื่องมือ
เราอาจเกิดไม่ทัน AI Native แต่เราเลือกเปลี่ยนวิธีคิดได้
ผมคิดว่าคนรุ่นเราอาจไม่มีวันเป็น AI Native ในแง่ของอายุ
เราไม่ได้เติบโตมากับ AI แบบเดียวกับเด็กที่เริ่มใช้เครื่องมือเหล่านี้ตั้งแต่อายุยังน้อย
แต่ผมไม่คิดว่านั่นเป็นข้อเสียที่แก้ไขไม่ได้
คนที่ทำงานมานานมีประสบการณ์ มีความเข้าใจลูกค้า มีความรู้เฉพาะทาง และเคยผ่านการตัดสินใจที่ซับซ้อน สิ่งเหล่านี้เป็นวัตถุดิบที่สามารถนำมาใช้ร่วมกับ AI ได้
ในทางกลับกัน คนที่โตมากับ AI ก็ไม่ได้มีข้อได้เปรียบทุกด้านโดยอัตโนมัติ เพราะการเข้าถึงเทคโนโลยีไม่ได้รับประกันว่าจะมีวิจารณญาณ มีความเข้าใจธุรกิจ หรือสามารถแยกแยะข้อมูลที่ถูกต้องได้เสมอไป
ผมจึงไม่อยากให้เรามองการปรับตัวเป็นการแข่งขันว่าใครใช้ AI ได้เร็วกว่าใคร
แต่เป็นการเรียนรู้ว่าจะทำงานและสร้างคุณค่าอย่างไรในโลกที่ความสามารถในการผลิตกำลังเข้าถึงได้ง่ายขึ้น
ถ้าผมต้องเตือนตัวเองในวันนี้ ผมจะเริ่มจากคำถามง่าย ๆ สามข้อ
ผมกำลังใช้ AI เพื่อช่วยคิด หรือแค่ช่วยพิมพ์?
ผมกำลังทำงานให้เร็วขึ้น หรือกำลังออกแบบวิธีทำงานให้ดีขึ้น?
และเมื่อ AI ช่วยประหยัดเวลาให้ผมได้แล้ว ผมนำเวลานั้นไปสร้างคุณค่าอะไรเพิ่มขึ้น?
ผมคิดว่านี่คือจุดเริ่มต้นของการปรับตัวที่สำคัญกว่าการพยายามรู้จักเครื่องมือทุกตัวในตลาด
เพราะเมื่อ AI กลายเป็น New Normal สิ่งที่เราควรตื่นเต้นอาจไม่ใช่ความสามารถใหม่ของมันเพียงอย่างเดียว
แต่คือสิ่งที่เราสามารถสร้างขึ้นได้ เมื่อเราเรียนรู้ที่จะใช้ความสามารถนั้นอย่างมีความหมาย
เราอาจไม่มีวันย้อนกลับไปเป็นคนที่เติบโตมากับ AI ได้ แต่เราเลือกเป็นคนที่คิดและทำงานได้ดีขึ้นในโลกที่มี AI เป็นพื้นฐานได้
และผมคิดว่านั่นเป็นโจทย์ที่คุ้มค่ากับการเรียนรู้ไปอีกนาน
References
- OECD. Generative AI — adoption and use by individuals. https://www.oecd.org/en/topics/generative-ai.html
- Stanford Institute for Human-Centered Artificial Intelligence. The 2026 AI Index Report — Economy. https://hai.stanford.edu/ai-index/2026-ai-index-report/economy
- McKinsey & Company. The real signals from Cannes Lions 2026. https://www.mckinsey.com/capabilities/growth-marketing-and-sales/our-insights/next-in-growth/the-real-signals-from-cannes-lions-2026
- Stanford Institute for Human-Centered Artificial Intelligence. The 2025 AI Index Report. https://hai.stanford.edu/ai-index/2025-ai-index-report
- OECD. AI use by individuals surges across the OECD as adoption by firms continues to expand. https://www.oecd.org/en/about/news/announcements/2026/01/ai-use-by-individuals-surges-across-the-oecd-as-adoption-by-firms-continues-to-expand.html
