พอเรียนจนใช้ Claude แชต AI ของ Anthropic ได้คล่องมือ ถามงานอะไรก็ได้คำตอบที่เอาไปใช้ได้จริง คำถามต่อมาคือควรไปทางไหน คนส่วนใหญ่จะเรียนเครื่องมือตัวใหม่ต่อไปเรื่อยๆ แต่ข้อสังเกตที่น่าคิดกว่านั้นคือ ความสามารถในการแก้ปัญหาต่างหากที่ทำเงินได้ ไม่ใช่ตัวเครื่องมือเอง เพราะเครื่องมือเปลี่ยนหน้าใหม่แทบทุกปี แต่ความสามารถในการมองหาปัญหาจริงและแก้จนเห็นผลนั้นอยู่กับเราไปตลอด

แนวคิดนี้สรุปมาจากคลิปของ Nate Herk คนที่เริ่มต้นจากงานสาย marketing ที่ Goldman Sachs โดยไม่มีพื้นฐานด้านวิศวกรรมมาก่อน ก่อนจะสร้าง AI agency ของตัวเองจนทำรายได้ทะลุเดือนละแสนดอลลาร์ภายในปีเดียว แล้วขายกิจการทิ้ง ประเด็นที่เขาเสนอคือ หลังใช้ AI เป็นแล้ว ก้าวที่คุ้มที่สุดไม่ใช่การสะสมเครื่องมือเพิ่ม แต่คือการขยับตัวเองไปเป็น AI consultant และไม่ได้แปลว่าต้องลาออก ไม่ต้องสร้างช่องออนไลน์ให้ดัง ไม่ต้องเขียนโค้ดเก่งระดับเทพ ขอแค่มีหลักฐานว่าทำให้เกิดผลจริงได้

เครื่องมือเปลี่ยนทุกปี ทักษะแก้ปัญหาไม่เปลี่ยน

วงการ AI เปลี่ยนเฟสอยู่ตลอด จากแชตบอตธรรมดา ไปสู่การต่อระบบอัตโนมัติ ต่อด้วยการสร้าง AI agent และตอนนี้กำลังเข้าสู่ยุค agentic AI ที่ตัว AI ลงมือทำงานเป็นขั้นเป็นตอนได้เอง ถ้าเรายึดตัวเองไว้กับเครื่องมือตัวใดตัวหนึ่ง พอเฟสเปลี่ยนทีก็ต้องเริ่มนับหนึ่งใหม่ทุกครั้ง

แต่สิ่งที่ไม่เปลี่ยนคือความสามารถในการฟังจนเจอว่าปัญหาจริงของธุรกิจอยู่ตรงไหน แล้วลงมือแก้จนวัดผลได้ ทักษะนี้ทำให้คนทำงานมีค่า ไม่ว่าปีหน้าเครื่องมือยอดนิยมจะเปลี่ยนชื่อเป็นอะไรก็ตาม

เป็นหมอ ไม่ใช่เภสัชกร

ลองนึกถึงความต่างระหว่างเภสัชกรกับหมอ เภสัชกรจ่ายยาตามใบสั่งที่คนไข้ถือมา ส่วนหมอจะวินิจฉัยหาสาเหตุก่อน แล้วค่อยบอกว่าต้องรักษายังไง

คนที่เพิ่งเรียน AI เสร็จส่วนใหญ่ทำตัวเป็นเภสัชกร ลูกค้าสั่งให้สร้างอะไรก็สร้างตามนั้น แต่ความจริงคือลูกค้าเองก็ไม่รู้หรอกว่าตัวเองต้องการอะไร เขารู้แค่ว่ามีปัญหาบางอย่างอยู่ คนที่มีค่าจริงจึงเป็นเหมือนหมอ คือคนที่ฟังอาการแล้วชี้ได้ว่าปัญหาที่แท้จริงคืออะไรก่อนจะลงมือสร้าง นี่แหละคือสิ่งที่ AI consultant ทำ และเป็นเหตุผลที่งานแบบนี้ถูกแทนที่ด้วยเครื่องมือสำเร็จรูปได้ยาก

constraint ก่อน · KPI ที่สอง · ค่อยลงมือสร้าง

หลักการของงานแบบหมอคือเรียงลำดับให้ถูก หา constraint ก่อน ตั้ง KPI เป็นอันดับสอง แล้วค่อยลงมือสร้างเป็นอันดับสาม

คำว่า constraint หมายถึงคอขวดจริงๆ ของธุรกิจ สิ่งที่กำลังทำให้ทีมช้าลง สิ่งที่ขวางไม่ให้รายได้ไหลเข้า หรือสิ่งที่ทำให้เสียเงินจริง ไม่ใช่แค่งานที่ทำซ้ำๆ จนน่าเบื่อ เพราะถ้าเราเอา AI ไปลดเวลางานที่ไม่ใช่คอขวด ประหยัดไปได้ 20 นาทีในงานที่ไม่มีใครรออยู่ สุดท้ายก็ไม่มีใครสนใจ

พอเจอ constraint แล้วถึงผูก KPI ที่ชัดเจนเข้าไป เช่น ลดเวลาตอบลูกค้าจากสองวันเหลือสองชั่วโมง หรือลดงานคีย์ข้อมูลซ้ำลงครึ่งหนึ่ง มีตัวเลขกำกับตั้งแต่ต้นทำให้ผลงานพิสูจน์ตัวเองได้ เมื่อถึงเวลาต้องเอาไปให้คนอื่นดู

สี่ก้าว เริ่มจากในที่ทำงานของตัวเอง

ข้อดีของเส้นทางนี้คือเริ่มได้จากงานที่คุณทำอยู่ทุกวัน โดยไม่ต้องรอใครมาจ้าง ลองทำตามสี่ก้าวนี้

1. หา constraint ในงานของตัวเอง เขียนงานที่คุณทำในแต่ละสัปดาห์ออกมา แล้ววงไว้ว่าอันไหนกำลังทำให้ทีมช้า ขวางรายได้ หรือทำให้เสียเงินจริง จากนั้นเขียน KPI กำกับแต่ละอันให้ชัด เช่น "งานสรุปรายงานทุกเช้ากินเวลา 2 ชั่วโมงต่อวัน ตั้งเป้าลดเหลือ 15 นาที"

2. สร้างโปรเจกต์เล็กๆ เลือกมาหนึ่งเรื่องที่กระทบที่สุด ทำทางแก้ขึ้นมาแล้วทดลองใช้ในวงเล็กๆ ของบริษัทก่อน ไม่ต้องรอให้สมบูรณ์แบบ จากนั้นเก็บผลลัพธ์ที่ได้ไว้เป็นผลงานตัวอย่างชิ้นแรกของคุณ

3. ขยับจากคนสร้างไปเป็นคนวินิจฉัย พอทำหลายๆ โปรเจกต์ คุณจะเริ่มเห็นว่าบริษัทมักติดปัญหากลุ่มเดิมๆ ซ้ำกันไปมา ตรงนี้แหละที่คุณเลิกเป็นแค่คนรับสร้าง แล้วกลายเป็นคนที่วินิจฉัยได้ว่าปัญหาจริงอยู่ตรงไหน ซึ่งก็คือก้าวจากเภสัชกรไปเป็นหมอ

4. ทำให้บทบาทนี้เป็นเรื่องเป็นราว เมื่อมีหลักฐานมากพอ เอาผลงานที่วัดได้ไปคุยกับผู้บริหาร เพื่อผลักดันให้เกิดบทบาทนี้ในองค์กรของตัวเอง

เลือกได้สองทาง อิสระ หรืออยู่ในองค์กร

เส้นทางของ AI consultant แตกเป็นสองแบบ และเลือกตามจริตได้

• แบบอิสระ เข้าไปช่วยหาและแก้ปัญหาให้หลายบริษัท วางตัวเป็นพาร์ตเนอร์ระยะยาว ไม่ใช่แค่ทีมที่รับสร้างระบบอัตโนมัติแล้วจบ เหมาะกับคนที่อยากทำงานกับลูกค้าหลากหลายและมีธุรกิจของตัวเอง
• แบบในองค์กร เป็นคนที่ทุกคนในบริษัทเดียวกันวิ่งมาหาเรื่อง AI ซึ่งอาจเป็นบริษัทที่คุณทำอยู่ตอนนี้ก็ได้ บริษัทใหญ่เริ่มเปิดตำแหน่งอย่าง Chief AI Officer และ Director of AI กันแล้ว เหมาะกับคนที่อยากมีงานประจำที่มั่นคงและเติบโตจากข้างใน

เลือกยังไงดี ถ้าชอบความหลากหลายและอยากคุมเกมเอง ให้ไปทางอิสระ แต่ถ้าอยากมั่นคงและสร้างผลงานจากองค์กรที่อยู่ ก็ไปทางในองค์กร

ทำไมต้องเป็นตอนนี้

ฝั่งความต้องการกำลังพุ่งแรง Gartner คาดว่าการใช้จ่ายกับ agentic AI ในปี 2026 ปีเดียวจะอยู่ที่ราว 202,000 ล้านดอลลาร์ ส่วนตลาด AI consulting คาดว่าจะโตทะลุ 64,000 ล้านดอลลาร์ภายในปี 2028 และ World Economic Forum คาดว่า AI จะสร้างงานใหม่ราว 170 ล้านตำแหน่งภายในปี 2030 เมื่อหักลบกับงานที่หายไปแล้ว ยังเหลือเพิ่มสุทธิราว 80 ล้านตำแหน่ง

ฝั่งค่าตอบแทนก็ขยับตาม PwC วิเคราะห์ประกาศรับสมัครงานเกือบพันล้านรายการ พบว่าส่วนต่างค่าตอบแทนของคนที่มีทักษะ AI เพิ่มจาก 21.5% เป็น 56% ภายในปีเดียว และประกาศงานสายเทคในสหรัฐฯ ราวครึ่งหนึ่งระบุว่าต้องการทักษะ AI ซึ่งเป็นตัวเลขที่เพิ่มขึ้นเท่าตัวในปีเดียวเช่นกัน

แต่ภาพอีกด้านสำคัญไม่แพ้กัน McKinsey พบว่า 88% ขององค์กรใช้ AI อยู่แล้ว ทว่ามีเพียงราวหนึ่งในสามที่ต่อยอดเป็นโปรเจกต์จริงได้ ราว 30% ของโปรเจกต์ AI ถูกยกเลิกกลางทาง และในบรรดาบริษัทที่ใช้ AI มีเพียง 6% ที่ทำได้ดีจริงๆ ช่องว่างตรงนี้ฟังดูเหมือนข่าวร้าย แต่จริงๆ แล้วคือโอกาสของคนที่พิสูจน์ผลได้ เพราะบริษัทไม่ได้ขาด AI พวกเขาขาดคนที่ทำให้ AI เห็นผลจริง

อีกตัวเลขที่น่าสนใจคือ ราว 76% ขององค์กรมีตำแหน่ง Chief AI Officer แล้วในปี 2026 เทียบกับ 26% เมื่อสองปีก่อน แต่ต้องอ่านอย่างมีสติ เพราะผลสำรวจของ IBM ชุดนี้เก็บข้อมูลจากบริษัทขนาดใหญ่มาก โดยค่ากลางของรายได้อยู่ที่ราว 5,800 ล้านดอลลาร์ ตัวเลขนี้จึงไม่ได้สะท้อนภาพของธุรกิจขนาดเล็กและกลางทั่วไป

จากนักพัฒนาอีเมล 15 ปี สู่หัวหน้าทีม AI

มีตัวอย่างจริงที่เห็นภาพชัด ชายคนหนึ่งทำงานเป็นนักพัฒนาอีเมลมา 15 ปี แล้วทั้งทีมถูกเลิกจ้าง เขาเริ่มเรียน AI และ Claude Code ซึ่งเป็นผู้ช่วยเขียนโค้ดด้วย AI ตั้งแต่ศูนย์ แล้วลงมือสร้างสิ่งที่ทำให้คนอื่นเห็นผลงานได้ โดยทยอยลงผลงานบนสองช่องทางคือ YouTube และ LinkedIn ให้ดูแบบสดๆ เขาไม่ได้มีผู้ติดตามเป็นหมื่น แต่มีสิ่งที่สำคัญกว่านั้นคือหลักฐานว่าทำอะไรได้จริงบ้าง

พอเขาไปสมัครตำแหน่งหัวหน้าทีม AI ที่บริษัทเล็กขนาด 15 คน ผู้คัดเลือกถามคำถามเดียวว่าเคยสร้างอะไรมาบ้าง เขาส่งลิงก์ผลงานกลับไป และลิงก์นั้นไปถึง CEO โดยไม่ต้องผ่านขั้นตอนฝ่ายบุคคล จนได้งานในที่สุด ทั้งหมดนี้ใช้เวลาราวหนึ่งปี จากคนที่ไม่มีพื้นฐาน AI มาก่อนเลย บทเรียนของเขาเรียบง่ายมาก สิ่งที่เปิดประตูให้ไม่ใช่ใบปริญญาหรือยอดผู้ติดตาม แต่คือหลักฐานที่จับต้องได้ว่าแก้ปัญหาเป็น

ป้ายชื่อที่สักวันจะหายไปเอง

คำว่า AI consultant เป็นเพียงป้ายชื่อชั่วคราว สักวันเมื่อทุกอาชีพต้องใช้ AI เป็นเรื่องปกติ คำนี้ก็จะฟังดูแปลกพอๆ กับการเรียกตัวเองว่า "นักบัญชีที่ใช้ Excel เป็น" เพราะ AI จะกลายเป็นพื้นฐานที่ทุกคนต้องมีอยู่แล้ว คำถามจึงไม่ใช่ว่าจะเริ่มดีไหม แต่คือจะเริ่มตอนที่ทักษะนี้ยังเป็นความได้เปรียบ หรือจะรอจนมันกลายเป็นเรื่องธรรมดาของทุกคน

---

ที่มา: คลิป So You Learned Claude, Now What? จากช่อง Nate Herk