การปฏิวัติอุตสาหกรรมด้วยปัญญาประดิษฐ์: เรายังใช้กระบวนการทำงานแบบเก่าอยู่หรือไม่?

เขียนโดย: Will อาหวง

ในปีที่ผ่านมา ฉันได้เข้าร่วมการประชุมอุตสาหกรรมที่มีธีมเกี่ยวกับ AI ผู้พูดบนเวทีแสดงความสามารถต่างๆ ของ AI อย่างต่อเนื่อง ขณะที่ผู้ฟังด้านล่างถือโทรศัพท์ถ่ายหน้าจอ แล้วโพสต์ลงเพจเฟซบุ๊กส่วนตัวก่อนจะกลับมาเลื่อนโทรศัพท์ต่อ แต่เมื่อกลับไปที่สำนักงาน ทุกอย่างก็ยังเหมือนเดิม: การประชุมรายสัปดาห์เดิม การอนุมัติเดิม และรายงานรายสัปดาห์เดิม บริษัทขนาดใหญ่ได้รวมปริมาณการใช้ Token เข้าไปใน KPI แล้ว มีบางคนกลายเป็นแบบอย่างในการทำงานเพราะใช้สคริปต์สร้างปริมาณขึ้นมา กลุ่มคนในเพจเฟซบุ๊กส่วนตัวเหล่านั้น วันนี้พูดถึงการปฏิวัติของ Claude พรุ่งนี้พูดถึงความยอดเยี่ยมของ Codex วันถัดไปพูดถึงความยิ่งใหญ่ของ Gemini—นี่คือการต้อนรับการปฏิวัติ หรือแค่เร่งรีบไปตามงานต่างๆ?

These are noise, not the answer I want.

ปัญหาที่แท้จริงไม่ใช่ว่า AI แข็งแรงพอหรือไม่—เครื่องจักรไอน้ำได้ถูกสร้างขึ้นแล้ว ปัญหาคือใครจะเป็นคนถอดถอนโรงงานเก่าก่อน

วันที่ปฏิวัติอุตสาหกรรมเริ่มต้นขึ้นจริง ไม่ใช่วันที่วัตต์ปรับปรุงเครื่องจักรไอน้ำ แต่เป็นวันที่เจ้าของโรงงานในแลงคาเชียร์ตัดสินใจละทิ้งแม่น้ำ และสร้างห้องผลิตใหม่รอบๆ เครื่องจักรไอน้ำ เช่นเดียวกัน ช่วงเวลาที่สำคัญที่สุดของ AI ไม่ใช่วันที่โมเดลขนาดใหญ่ถูกคิดค้น แต่เป็นวันที่องค์กรแรกตัดสินใจถอดระบบเดิมออก และสร้างวิธีการผลิตใหม่รอบๆ AI วันนั้นยังไม่มา แต่มันกำลังอยู่บนเส้นทางนี้

สองคนเห็นเรื่องนี้ตั้งแต่เนิ่นนานแล้ว ซีอีโอของ Notion โจ อีวาน เขียนบทความเรื่อง “Steam, Steel, and Infinite Minds” ในปลายปี 2025 โดยประเมินว่ามันยังคงเย็นชา: เรายังคงอยู่ในขั้นตอน “การแทนที่กังหันน้ำ” — เพิ่มแชทบอท AI เข้าไปบนเครื่องมือที่มีอยู่ แต่ยังไม่มีใครออกแบบโรงงานใหม่ทั้งหมด ส่วนเลโอพอลด์ อัชเชนเบรเนอร์ อดีตพนักงานของ OpenAI เลือกทางที่ต่างออกไป: เขียนหนังสือ “Situational Awareness” ยาว 165 หน้า แล้วจัดตั้งกองทุน โดยเพิ่มทุนจาก 225 ล้านดอลลาร์สหรัฐเป็น 13.68 พันล้านดอลลาร์สหรัฐ โดยลงทุนทั้งหมดในโครงสร้างพื้นฐานด้าน AI หนึ่งคนมองเข้าไปข้างใน อีกคนเดิมพันไปข้างนอก

บทความนี้ไม่ได้พูดถึงพวกเขา แต่พูดถึงเรา—ตอนนี้เราอยู่ตรงไหน และเรากำลังทำซ้ำประวัติศาสตร์ช่วงใด

การทอผ้าด้วยเครื่องทอพลังงาน การแกะสลักโดย J. Tingle จากภาพของ Thomas Allom, ค.ศ. 1835 / Wikimedia Commons

วันของคนส่วนใหญ่เป็นแบบนี้: ตอนเช้าใช้ AI เขียนอีเมลหนึ่งฉบับ ประหยัดเวลาสิบนาที; แล้วใช้เวลาสองชั่วโมงเข้าประชุมสัปดาห์ที่แท้จริงแล้วไม่จำเป็นต้องจัด; บ่ายใช้เวลาคัดลอกและวางข้อมูลชุดเดียวกันระหว่างเครื่องมือสามตัว; ตอนเย็นโพสต์สถานะบนเพจว่า “AI ใช้ดีจริงๆ” เวลาที่ประหยัดได้สิบนาที ถูกกินกลับไปโดยกระบวนการเดิมอย่างสมบูรณ์

ในขณะเดียวกัน เมื่อเครื่องจักรไอน้ำปรากฏขึ้น เจ้าของโรงงานในตอนแรกก็แค่เปลี่ยนกังหันน้ำเป็นเครื่องจักรไอน้ำ แต่สิ่งอื่นๆ ยังคงเหมือนเดิม—โรงงานยังสร้างริมแม่น้ำ ยังเป็นอาคารหลายชั้น และยังใช้เพลาขับกลางเพื่อขับเคลื่อนสายการผลิตทั้งหมด เราติดตั้ง ChatGPT ลงใน Slack เพิ่ม Copilot ลงใน Office และฝังหน้าต่างแชท AI เข้าไปในกระบวนการทำงาน—เราทำสิ่งเดียวกันนี้ เครื่องมือได้รับการอัปเกรด แต่โรงงานยังไม่เปลี่ยน

แต่การเปลี่ยนเครื่องใหม่ไม่ได้หมายความว่าเปลี่ยนโรงงาน แม็กคลูฮันกล่าวไว้อย่างดีว่า:

เราขับรถไปสู่อนาคตผ่านกระจกมองข้างหลัง การใช้กระบวนการเก่าเพื่อรองรับเครื่องมือใหม่ คล้ายกับภาพยนตร์ยุคแรกที่แค่บันทึกการแสดงบนเวที การปฏิวัติที่แท้จริงจะเกิดขึ้นเมื่อมีใครบางคนปลดปล่อยเครื่องจักรไอน้ำออกจากแม่น้ำ และออกแบบวิธีการผลิตทั้งหมดใหม่รอบพลังงานใหม่นี้

เมื่อเปรียบเทียบเส้นเวลาของปฏิวัติอุตสาหกรรมกับ AI คุณจะสามารถระบุได้ว่าเราอยู่ที่ไหนบนแผนที่นี้:

เส้นเวลาในปัจจุบันถูกบีบอัดอย่างรุนแรง การปฏิวัติอุตสาหกรรมใช้เวลา 60 ปีในการพัฒนาจากเครื่องจักรไอน้ำสู่ความบ้าคลั่งของรถไฟ ขณะที่ AI ใช้เวลาเพียง 7 ปีในการพัฒนาจาก Transformer สู่ยุคการก่อสร้างศูนย์ข้อมูล

ความเร็วไม่ใช่ปัญหา ปัญหาคือเราติดอยู่ที่จุดไหน — ห้าบรรทัดแรกยังคงอยู่ในขั้นตอนการติดตั้งเครื่องจักรใหม่ในโรงงานเก่า เครื่องจักรไอน้ำถูกติดตั้งแล้ว ทางรถไฟก็กำลังสร้างอยู่ แต่วิธีการผลิตยังคงเหมือนเดิม บรรทัดที่หกจึงเป็นจุดเปลี่ยนที่แท้จริง เราส่วนใหญ่น่าจะติดอยู่ระหว่างสองขั้นตอนนี้

เครื่องไอน้ำอยู่ในมือแล้ว แต่โรงงานยังเก่าอยู่

โครงสร้างพื้นฐานมักถูกสร้างเกินความจำเป็น สุดท้ายแล้วผู้ลงทุนคือผู้ล้มละลาย ไม่ใช่โครงสร้างพื้นฐาน

ในปี 1846 รัฐสภาอังกฤษผ่านกฎหมายรถไฟ 263 ฉบับ อนุมัติการก่อสร้างรถไฟใหม่ 9,500 ไมล์ การลงทุนในรถไฟสูงสุดคิดเป็น 13% ของ GDP อังกฤษ หุ้นรถไฟสามารถซื้อได้ด้วยเงินดาวน์เพียง 10% ทำให้ชนชั้นกลางพากันเข้าซื้อ ฟองสบู่แตกในปี 1847 หนึ่งในสามของเส้นทางที่ได้รับการอนุมัติไม่เคยถูกสร้างขึ้น และนักลงทุนจำนวนมากสูญเสียเงินทุนทั้งหมด ดาร์วินขาดทุน 60% จากหุ้นรถไฟ แต่เขามีโชคดีกว่าคนส่วนใหญ่มาก

แต่ทางรถไฟยังคงอยู่

โครงสร้างพื้นฐาน AI ของวันนี้เดินบนเส้นทางเดียวกัน Goldman Sachs ประมาณการล่าสุดว่า ค่าใช้จ่ายด้านทุนสำหรับโครงสร้างพื้นฐาน AI ทั่วโลกจะแตะ 765 พันล้านดอลลาร์สหรัฐในปี 2026 และคาดว่าจะเพิ่มเป็น 1.6 ล้านล้านดอลลาร์สหรัฐต่อปีในปี 2031 สัดส่วนค่าใช้จ่ายด้านทุนของผู้ให้บริการคลาวด์ขนาดใหญ่ต่อกระแสเงินสดจากการดำเนินงาน เพิ่มขึ้นจากประมาณ 40% ในปี 2023 เป็นใกล้ 70% ในปี 2025 การลงทุนที่เกี่ยวข้องกับ AI ได้คิดเป็นประมาณหนึ่งในสี่ของการลงทุนทั้งหมดในสหรัฐอเมริกา Aschenbrenner ได้เดิมพัน 13.68 พันล้านดอลลาร์สหรัฐบนชั้นนี้—เขาไม่ได้เดิมพันว่าแอปพลิเคชันใดจะชนะ แต่เดิมพันบนพลังการประมวลผลพื้นฐานเอง

วงจรทุนนี้มีโครงสร้างเดียวกับการพัฒนาอสังหาริมทรัพย์ การสร้างศูนย์ข้อมูลก็เหมือนการก่อสร้างตึก: ที่ดินคือพลังงานไฟฟ้า วัสดุก่อสร้างคือ GPU และการจัดเก็บข้อมูล ผู้รับเหมาคือผู้สร้างศูนย์ข้อมูล ผู้พัฒนาคือผู้ให้บริการคลาวด์ ผู้เช่าคือบริษัทแอปพลิเคชัน AI และค่าเช่าคือรายได้จาก API รูปแบบธุรกิจของผู้ให้บริการคลาวด์คือการใช้รายได้จาก API ครอบคลุมค่าใช้จ่ายด้านทุนของศูนย์ข้อมูล แล้วรอการเติบโตอย่างระเบิดของแอปพลิเคชัน AI ที่จะผลักดันมูลค่าบริษัทให้พุ่งสูง

พลังการขุดอสังหาริมทรัพย์: แต่ละรุ่นล้วนมีโครงสร้างพื้นฐานของตัวเอง

ความเสี่ยงหลักก็เช่นกัน: อัตราการลดลงของราคา API ถูกชดเชยด้วยอัตราการเติบโตของการใช้งานหรือไม่? หากค่าเช่าลดต่ำกว่าเส้นชำระหนี้—นี่คือความฝันร้ายที่นักพัฒนาอสังหาริมทรัพย์คุ้นเคยที่สุด บทเรียนจากปี 2008 ไม่ใช่การสร้างบ้านมากเกินไป แต่คือการสร้างบ้านที่ไม่สอดคล้องกับความต้องการที่แท้จริง ความเสี่ยงที่เทียบเท่ากับ AI คือ: กำลังประมวลผลทั่วไปล้นเกิน แต่ความสามารถเฉพาะทางที่สามารถจัดการกับสถานการณ์คุณค่าสูง เช่น การปฏิบัติตามกฎระเบียบทางการเงินและการวินิจฉัยทางการแพทย์ ยังคงขาดแคลน

รถไฟ อสังหาริมทรัพย์ AI — การลงทุนในโครงสร้างพื้นฐานของสามยุค ล้วนแบ่งปันกฎเดียวกัน: การก่อสร้างเกินความจำเป็นเป็นเรื่องปกติ ผู้ผลิตวัสดุก่อสร้างมักสูญเสียอำนาจในการกำหนดราคา และผลตอบแทนระยะยาวมักตกเป็นของเจ้าของอสังหาริมทรัพย์ที่อยู่ในทำเลสำคัญ ดูจากพอร์ตการถือครองของกองทุนในวอลล์สตรีทไตรมาสที่ 1 ก็จะรู้ว่า ความเป็นไปได้สูงถึง 80% ถูกจัดสรรไปยังชั้นโครงสร้างพื้นฐานนี้: NVIDIA ศูนย์ข้อมูล และโครงสร้างพื้นฐานบนคลาวด์ แต่ความตื่นเต้นเรื่องรถไฟสอนเราว่า: นี่ไม่ใช่ภาพรวมทั้งหมดของปฏิวัติ AI และไม่ใช่ชั้นที่ให้ผลตอบแทนสูงสุด

แก่นหลักของ AI คือข้อมูลอุตสาหกรรมที่เป็นเอกลักษณ์ และกระบวนการทำงานที่ผสานลึกซึ้ง ในมุมมองของบุคคล แก่นหลักที่แท้จริงไม่ใช่หุ้นที่ถือครอง แต่คือความสามารถในการตัดสินใจและความรู้อุตสาหกรรมที่ไม่สามารถแทนที่ได้ — โดยมีเงื่อนไขว่าคุณได้สร้างวิธีการใช้งานเหล่านี้ใหม่รอบๆ AI แล้ว

ผลตอบแทนที่แท้จริงอยู่ในระดับถัดไป แต่ระหว่างโครงสร้างพื้นฐานกับการสร้างมูลค่า ไม่ได้เชื่อมต่อกันอย่างราบรื่น มีช่องว่างอยู่ระหว่างกลาง—ในประวัติศาสตร์ ช่องว่างนี้ได้กลืนกินเวลาหลายทศวรรษ

คนที่จัดการการแยกสายการผลิต และคนที่ใช้ AI เพื่อเพิ่มประสิทธิภาพ ไม่ได้ทำสิ่งเดียวกัน

ซิมอน ผู้ร่วมก่อตั้งของเจ้า อีวาน เคยเป็น “โปรแกรมเมอร์ที่ทำงานเร็วสิบเท่า” แต่ตอนนี้เขาเขียนโค้ดด้วยตัวเองน้อยมาก—เขาควบคุมเอเจนต์เขียนโค้ด AI สามถึงสี่ตัวพร้อมกัน ทำให้ประสิทธิภาพสูงขึ้น 30 ถึง 40 เท่า Notion ตอนนี้มีพนักงาน 1,000 คนและเอเจนต์ AI มากกว่า 700 ตัว ช่องว่างไม่ได้อยู่ที่เครื่องมือ แต่อยู่ที่ซิมอนได้ถอดถอนโรงงานเก่าของเขาออกไป ในขณะที่คนส่วนใหญ่แค่เปลี่ยนเป็นกังหันน้ำตัวใหม่

ผู้ใช้จีน 600 ล้านคนเคยใช้เครื่องมือ AI แบบสร้างเนื้อหา เพิ่มขึ้น 142% เมื่อเทียบปีก่อน — นี่คือตลาดความต้องการ AI ที่ใหญ่ที่สุดในโลก แต่แทบไม่มีบริษัทจีนใดที่ได้สร้างกระบวนการหลักของงานขึ้นใหม่รอบ AI ความต้องการด้านผู้ใช้ที่ใหญ่ที่สุดในโลก คู่กับการเปลี่ยนแปลงองค์กรด้านอุปทานที่แทบไม่เคลื่อนไหว ความขัดแย้งนี้เองคือสัญญาณ: ไม่ใช่ว่าเครื่องมือไม่เพียงพอ แต่คือองค์กรตามไม่ทัน บริบทของงานความรู้กระจายอยู่ในเครื่องมือหลายสิบตัวและในหัวของคนหลายสิบคน ผลลัพธ์ไม่สามารถตรวจสอบได้ และไม่มีใครรู้ว่าจะประเมินว่าเอกสารกลยุทธ์ฉบับหนึ่งมีประสิทธิภาพหรือไม่อย่างไร

ผลกระทบของปัญญาประดิษฐ์ต่อตลาดแรงงาน: มาตรการใหม่และหลักฐานเบื้องต้น

Anthropic ได้เริ่มดำเนินการในระดับที่ใหญ่ขึ้นแล้ว พวกเขาเปิดตัว Economic Index ซึ่งใช้ข้อมูลการใช้งานจริงเพื่อแสดงว่า AI จะแทนที่งานและอุตสาหกรรมใดก่อน และจากแผนภาพนี้ พวกเขาจึงดำเนินการดังนี้: ร่วมทุนกับ Goldman Sachs, Blackstone และ Hellman & Friedman เพื่อก่อตั้งบริษัทบริการที่เป็น AI-native; สร้างพันธมิตรระดับโลกกับ KPMG โดยพนักงาน 276,000 คนสามารถเข้าถึง Claude; Accenture จัดตั้งกลุ่มธุรกิจ โดยฝึกอบรมพนักงาน 30,000 คน โดยเน้นที่ภาคการเงิน วิทยาศาสตร์ชีวภาพ และการแพทย์

บทบาทของบริษัทที่ปรึกษาเหล่านี้ไม่ใช่ผู้ใช้งาน AI แต่เป็นวิศวกรรถไฟของ AI—พวกเขาไม่ได้สร้างเครื่องจักรไอน้ำหรือวางรางรถไฟ แต่ช่วยองค์กรรื้อถอนโรงงานเก่าและสร้างสายการผลิตใหม่รอบพลังงานใหม่ ถ้าไม่มีบทบาทนี้ ผู้ประกอบการส่วนใหญ่จะไม่รู้ว่าควรเริ่มต้นจากตรงไหน

สัญญาณได้เริ่มกระพริบแล้ว สัญญาณที่ชัดเจนที่สุดมาจากราคาตลาดแรงงาน

ผู้ที่อายุ 22-25 ปีที่เข้าสู่อาชีพที่มีการสัมผัสกับ AI สูง มีโอกาสหางานได้น้อยกว่าเพื่อนรุ่นเดียวกันที่เข้าสู่อาชีพที่มีการสัมผัสกับ AI ต่ำถึง 14% ตำแหน่งระดับเริ่มต้นกำลังถูกบีบอัดอยู่แล้ว

ถ้าฉันเป็นผู้สำเร็จการศึกษาใหม่ ตัวเลขนี้มีผลโดยตรงต่อการหางานของฉัน หากฉันเป็นผู้จัดการ ตำแหน่งระดับเริ่มต้นที่ฉันจ้างในรุ่นถัดไป อาจไม่ใช่คนอีกต่อไป

องค์กรกำลังถูกแยกออก แล้วคุณล่ะ? วุฒิการศึกษาของฉัน ประวัติการทำงานของฉัน ประสบการณ์อุตสาหกรรมที่ฉันสะสมมาตลอดหลายปีเหล่านี้ — นี่คือล้อสูบน้ำของฉัน พวกมันเคยขับเคลื่อนสายการผลิตทั้งหมดของฉัน แต่เครื่องจักรไอน้ำก็มาถึงแล้ว 985 และ 211 ไม่ใช่คูน้ำป้องกันอีกต่อไป มันแค่พิสูจน์ว่าฉันเคยสร้างโรงงานที่ดีริมแม่น้ำ

ปัญหาตอนนี้คือ เรามีความสามารถที่จะออกจากแม่น้ำเส้นนั้นไหม

ข้อมูลจาก Anthropic แสดงว่าผู้ใช้ที่ใช้เครื่องมือ AI มากกว่า 6 เดือน มีอัตราความสำเร็จในการทำงานสูงกว่าผู้ใช้ใหม่ 10% ผู้ที่เริ่มก่อนไปก่อนหกเดือนได้เปรียบอยู่แล้ว 10% ช่องว่างนี้จะเพิ่มขึ้นแบบทบต้นตามเวลา

แต่ขณะนี้ยังไม่มีบริษัทใดล้มละลายเพราะไม่ใช้ AI อย่างน้อยสำนักงานกฎหมายของฉันยังคงก้าวหน้าอย่างแข็งแกร่งรอบๆ AI ผู้ชนะยังไม่ได้รับการเลือกโดยตลาด เส้นโค้งการเรียนรู้เป็นเรื่องจริง—ผู้ที่เริ่มก่อนกำลังสะสมข้อได้เปรียบ แต่ส่วนใหญ่ยังอยู่ที่จุดเริ่มต้น

หัวหน้าอาชีพของฉันตอนนี้จะยังมีอยู่อีกไหมในอีกสิบปีข้างหน้า? รายการเครื่องมือที่ฉันใช้ทุกวันเมื่อห้าปีก่อน ตอนนี้เหลืออยู่กี่อัน? คำตอบอาจเป็นไปในทางลบทั้งคู่ แต่ฉันไม่รู้ว่าสิ่งที่มาแทนที่พวกมันเรียกว่าอะไร — เพราะสิ่งเหล่านั้นยังไม่มีอยู่ในตอนนี้

ทุกครั้งในประวัติศาสตร์ล้วนเป็นเช่นนี้ สิ่งใหม่ไม่ได้ถูกวางแผนขึ้นมา แต่เกิดขึ้นเองเมื่อข้อจำกัดเดิมๆ หายไป

ก่อนที่จะมีการสร้างทางรถไฟ อังกฤษเป็นเศรษฐกิจท้องถิ่นที่แยกจากกัน ราคาผ้าฝ้ายในแมนเชสเตอร์อาจต่างจากลอนดอนถึง 30% แต่ละเมืองมีมาตรฐานเวลาของตนเอง และไม่มีใครรู้สึกว่ามีปัญหาใดๆ ในช่วงสองทศวรรษหลังจากการสร้างทางรถไฟ ทุกอย่างเปลี่ยนไป ตลาดแห่งชาติที่เป็นเอกภาพปรากฏขึ้นครั้งแรก ความแตกต่างของราคาถูกลบล้าง; เวลามาตรฐานถูกบังคับให้เกิดขึ้นโดยทางรถไฟ ไม่ใช่ถูกคิดค้นขึ้น; งานอย่างหัวหน้าสถานี ผู้ส่งโทรเลข และตัวแทนการเดินทาง—งานเหล่านี้ไม่มีอยู่เลยก่อนหน้าการมีทางรถไฟ

ไม่มีใครที่สร้างทางรถไฟคาดการณ์ถึงร้านขายของชำ ไม่มีใครที่สร้างเครื่องจักรไอน้ำคาดการณ์ถึงเวลามาตรฐาน

(ไอน้ำ เหล็กกล้า และ AI ปัญญาประดิษฐ์ไม่สิ้นสุด)

เมืองต่างๆ เล่าเรื่องเดียวกันมาตลอดประวัติศาสตร์ เมืองในสมัยก่อนมีขนาดที่มนุษย์สามารถเดินได้—ใช้เวลาสี่สิบนาทีในการเดินข้ามฟลอเรนซ์ โครงสร้างเหล็กทำให้อาคารสูงระฟ้าเป็นไปได้ รถไฟเชื่อมเมืองเข้ากับพื้นที่ hinterland ตามมาด้วยลิฟต์ รถไฟใต้ดิน และทางด่วน โตเกียว ฉงชิ่ง ดาลัส—เหล่านี้ไม่ใช่ฟลอเรนซ์ที่ใหญ่ขึ้น แต่เป็นรูปแบบชีวิตใหม่ทั้งหมด

งานความรู้ในปัจจุบันก็ยังอยู่ในขนาดของมนุษย์ทีมขนาดสิบถึงยี่สิบคน ประชุมและอีเมลกำหนดจังหวะการทำงาน แต่ถ้าเกินร้อยคนก็จะรับไม่ไหว เราใช้หินและไม้สร้างฟลอเรนซ์ AI ทำให้ “โตเกียว” เป็นไปได้—องค์กรที่ประกอบด้วยตัวแทน AI นับพันๆ ตัวและบุคลากร กระบวนการทำงานทำงานต่อเนื่องข้ามเขตเวลา การประชุมรายสัปดาห์ การวางแผนรายไตรมาส และการทบทวนรายปี อาจไม่มีความหมายอีกต่อไป

ไซมอนไม่ได้เขียนโค้ดอีกต่อไป—งานของเขาเปลี่ยนเป็น “การจัดการ AI Agent” เมื่อสองปีก่อน ตำแหน่งนี้ยังไม่มีอยู่จริง ตำแหน่งงานถัดไปของฉันอาจยังไม่มีชื่อเรียกในตอนนี้ แต่มีบางคนกำลังสร้างอนาคตที่เรายังไม่สามารถเรียกชื่อได้แล้ว

หลังจากถอดถอนโรงงานเก่าแล้ว จะสร้างอะไร? คำตอบของ YC คือ: ให้บริษัทปรับปรุงตัวเอง

ระบบภายในของพวกเขาตอนนี้สามารถเปลี่ยนโค้ดของตัวเองเองในเวลากลางคืนได้ พนักงานคนหนึ่งได้ส่งคำสั่งค้นหาในตอนกลางวัน แต่ล้มเหลว ตัวแทนตรวจสอบอ่านผลลัพธ์ที่ล้มเหลวนั้น วิเคราะห์สาเหตุ แล้วเขียนโค้ดแก้ไขเอง ส่งเพื่อตรวจสอบ และปรับใช้งาน วันถัดไป คำสั่งค้นหาเดียวกันนั้นทำงานได้สำเร็จ ทั้งหมดนี้เกิดขึ้นขณะทุกคนกำลังหลับ

นี่ไม่ใช่ AI ช่วยให้คนผลิตได้มากขึ้น 30% นี่คือระบบทำงานครบวงจรด้วยตัวเอง และค้นพบวิธีปรับปรุงตัวเอง

พันธมิตรของ YC โทมัส บลอมฟีลด์ ได้เรียกรูปแบบบริษัทชนิดนี้ในงานสัมมนาภายในว่า “วัฏจักร AI ที่ปรับปรุงตัวเองแบบเรียกซ้ำ” การวิเคราะห์ของเขาตรงไปตรงมา: บริษัทส่วนใหญ่ยังคงเป็นกองทัพโรมัน—ส่งต่อข้อมูลจากชั้นบนสู่ชั้นล่าง และรายงานกลับขึ้นมาอย่างเป็นลำดับชั้น โดยมนุษย์ทำหน้าที่เป็นท่อส่งข้อมูล AI ไม่ได้แค่เพิ่มประสิทธิภาพในแต่ละขั้นตอน แต่ทำลายเงื่อนไขพื้นฐานที่ทำให้โครงสร้างชั้นบรรดาการบริหารนี้มีอยู่

ตรรกะใหม่ที่เขาเสนอคือ: เผาโทเค็น อย่าเผาหัวคน ข้อจำกัดกำลังเปลี่ยนจากแรงงานเป็นพลังการคำนวณ ข้อมูลที่ YC มองเห็นคือ บริษัทที่เข้าร่วม Demo Day มีรายได้ต่อคนสูงขึ้นประมาณห้าเท่าเมื่อเทียบกับ 18 เดือนก่อนหน้า บทบาทของผู้จัดการระดับกลางถูก AI เข้ามาแทนที่ — การ “ร่วมมือ” ไม่จำเป็นต้องใช้คนอีกต่อไป ทุกคนควรเป็น IC, builder, operator และทุกงานต้องมีผู้รับผิดชอบที่ระบุชื่อชัดเจน ไม่ใช่คณะกรรมการ

ยังมีเงื่อนไขอีกข้อหนึ่ง: บริษัทต้องทำให้ AI สามารถอ่านได้ สิ่งที่ไม่ได้ถูกบันทึกไว้ สำหรับ AI ก็เหมือนไม่เคยเกิดขึ้น YC ตอนนี้ได้เก็บอีเมลของหุ้นส่วนทั้งหมดลงในฐานข้อมูล บันทึกข้อความทั้งหมดบน Slack และบันทึกเสียงชั่วโมงสำนักงาน หุ้นส่วนคนหนึ่งใช้เวลาสามเดือนในการสะสมบันทึกเสียง 2,000 ชั่วโมง ทำให้ AI สร้างคู่มือภายในใหม่ที่มีความยาว 150 หน้า—ดีกว่าเวอร์ชันเดิมมาก คู่มือนี้อัปเดตอัตโนมัติทุกเดือน และกลายเป็น “สมองที่มีชีวิต” ที่สดใหม่อยู่เสมอ

ทอมได้ตั้งคำถามไว้:

ถ้าคุณเริ่มต้นสร้างบริษัทของคุณจากศูนย์วันนี้ คุณจะออกแบบมันในรูปแบบนี้ไหม? หากบริษัทของคุณได้สร้างโครงสร้างแบบชั้นบรรดาลแล้ว คุณต้องตอบคำถามที่ยากกว่านั้น—ความเจ็บปวดในการสร้างใหม่ทั้งหมด จะน้อยกว่าค่าใช้จ่ายในการดำเนินงานต่อไปในรูปแบบกองทัพโรมันไหม?

คนไม่อยู่ตรงกลางโรงงาน แต่อยู่รอบนอก—รับผิดชอบสิ่งที่ AI ยังเข้าถึงไม่ได้: การตัดสินใจแบบออฟไลน์ สถานการณ์ใหม่ๆ และช่วงเวลาที่มีความเสี่ยงสูงและอารมณ์เข้มข้น สมองของบริษัทคือสิ่งที่ประกอบขึ้นจากข้อมูล บันทึก และความรู้ในอุตสาหกรรม ซอฟต์แวร์ที่ทำงานบนนั้นเป็นสิ่งใช้แล้วหมด สร้างได้ก็สามารถสร้างใหม่ได้ สิ่งที่มีค่าอยู่ในหัวของคน—ว่าธุรกิจทำงานอย่างไร และขั้นตอนใดบ้างที่เกี่ยวข้องกับการตัดสินใจ ความเข้าใจเหล่านี้ต่างหากคือทรัพย์สินที่แท้จริง

เจ้าอี้วันอธิบายในหนังสือ “Steam, Steel, and Infinite Minds” ถึงอีกด้านหนึ่งของทิศทางนี้—องค์กรที่มีพนักงาน 1,000 คนร่วมงานกับตัวแทน AI มากกว่า 700 ตัว โดยมนุษย์รับผิดชอบการตัดสินใจ และตัวแทน AI รับผิดชอบการดำเนินการ อัชเชนบรินเนอร์เดิมพันบนโครงสร้างพื้นฐานด้านกำลังการประมวลผล ในขณะที่เจ้าอี้วันเดิมพันบนการปรับโครงสร้างองค์กร ทั้งสองเส้นทางนี้นำไปสู่จุดหมายเดียวกัน: วิธีการผลิตแบบใหม่ที่สร้างขึ้นรอบๆ AI

ระหว่างทศวรรษที่ 1840 และ 1850 — ทางรถไฟได้ถูกสร้างเสร็จแล้ว แต่โรงงานยังไม่ได้รับการสร้างใหม่

เราอยู่ที่ไหน? ซิมอนไม่ได้เขียนโค้ดอีกแล้ว น้ำตกของเขาเป็นของที่เขาถอดเอง

ปัญหาไม่ได้อยู่ที่เครื่องจักรไอน้ำดีพอหรือไม่ ปัญหาคือใครเป็นคนแรกที่ถอดถอนโรงงานเก่าออก

ฉันไม่ได้ตั้งใจจะทำนายอนาคตของห้างสรรพสินค้า ฉันแค่ตั้งใจจะทำหน้าที่ของตัวเองให้ดีที่สุด—แค่แน่ใจว่าตัวเองอยู่ริมทางรถไฟ ไม่ใช่ยืนเฝ้าแม่น้ำที่กำลังแห้ง涸

ล่ะคุณล่ะ?