ผู้เขียน：TT3LABS, แพลตฟอร์มรับสมัครงานแบบระยะไกลด้าน Web3/AI/SaaS
วันที่ 26 กุมภาพันธ์ 2026 บริษัทเทคโนโลยีการเงินชั้นนำ Block ประกาศเลิกจ้างพนักงานมากกว่า 4,000 คน ขนาดทีมลดลงจากกว่า 10,000 คน เหลือไม่ถึง 6,000 คน ซีอีโอ Jack Dorsey กล่าวในจดหมายถึงผู้ถือหุ้นว่า:
Smart tools have changed what it means to create and run a company... A significantly smaller team, using the tools we're building, can do more and do it better.
ดอร์ซีย์ยังให้การคาดการณ์ที่เยือกเย็นอย่างยิ่ง:
ฉันคิดว่าบริษัทส่วนใหญ่ล่าช้าไปแล้ว ในอีกหนึ่งปีข้างหน้า บริษัทส่วนใหญ่จะสรุปผลเช่นเดียวกันและดำเนินการปรับโครงสร้างที่คล้ายกัน
หลังตลาดปิดในวันนั้น หุ้นของ Block พุ่งขึ้นกว่า 20% นี่คือการตอบสนองของตลาดทุนด้วยเงินจริง: การจ่ายเงินเพื่อสนับสนุนอัตราการใช้ AI และประสิทธิภาพของบริษัท
บุคคลทั่วไปที่ไม่มีความรู้ด้านการเขียนโปรแกรมเลย สามารถใช้โมเดลขนาดใหญ่เพื่อพัฒนาแอปพลิเคชันที่ทำงานได้ครบถ้วนภายในหนึ่งคืนได้แล้ว ดังนั้นตลาดทุนจะต้องตั้งคำถามที่แหลมคมว่า: บริษัทเทคโนโลยีขนาดใหญ่ที่จ้างโปรแกรมเมอร์นับหมื่นคนเพื่อดำเนินงานแอปพลิเคชันระดับซูเปอร์ให้ทำงานปกติ ค่าใช้จ่ายด้านแรงงานอันมหาศาลนี้ยังมีคุณค่าอยู่อีกเท่าใด?
แนวโน้มที่จะใช้ AI แทนแรงงานมนุษย์ จะทำให้บริษัทขนาดใหญ่จำนวนมากตามมา ความวิตกกังวลเป็นเรื่องปกติ แต่การแค่วิตกกังวลก็ไม่มีประโยชน์ เราต้องเริ่มจากความเปลี่ยนแปลงของสภาพแวดล้อมโดยรวม แล้วค่อยๆ ลงมาสู่กลยุทธ์การอยู่รอดของแต่ละบุคคล
ปัญญาประดิษฐ์ไม่ใช่เพียงเครื่องมือเท่านั้น แต่กำลังกลายเป็นปัจจัยการผลิต
มีผู้คนบางส่วนในตลาดเริ่มใช้คำว่า "Web4" เพื่อกำหนดระยะปัจจุบัน เพื่อให้เข้าใจภาพรวมอย่างชัดเจน เรามาทบทวนขั้นตอนการพัฒนาของอินเทอร์เน็ตกันก่อน:
Web2
แก่นหลักคือการมีปฏิสัมพันธ์ระหว่างซอฟต์แวร์กับผู้ใช้ แพลตฟอร์มต่างๆ ใช้อัลกอริทึมเพื่อดึงดูดความสนใจของผู้ใช้ ซึ่งโดยพื้นฐานแล้วเป็นการแข่งขันเพื่อแย่งชิงปริมาณการเข้าถึง
Web3
พยายามแก้ไขปัญหาการกำหนดสิทธิ์และกระจายมูลค่าของสินทรัพย์ดิจิทัล หลายคนมองว่ามันเทียบเท่ากับสกุลเงินดิจิทัล แต่ในเชิงพื้นฐานแล้ว มันยังคงอยู่ในบริบทของการแข่งขันทางกฎเกณฑ์ของการกระจายความมั่งคั่ง และยังไม่ได้แตะต้องความสัมพันธ์ในการ “ผลิต” สินค้าดิจิทัล
ก่อนวันเปิดตัว Web4
ปัญญาประดิษฐ์ครั้งแรกที่สัมผัสกับการเปลี่ยนแปลงความสัมพันธ์ในการผลิตเอง มันไม่ใช่เพียงเครื่องมือที่ช่วยเพิ่มประสิทธิภาพอีกต่อไป แต่กำลังกลายเป็นปัจจัยการผลิตรูปแบบใหม่ ผู้ที่ใช้มันได้ดีกว่า จะสามารถเพิ่มขีดจำกัดการผลิตขึ้นเป็นระดับที่สูงขึ้นอย่างมาก
ในทีมงานแบบดั้งเดิมมีต้นทุนเชิงนัยจำนวนมาก: ความสามารถในการตัดสินใจและสัญชาตญาณทางอุตสาหกรรมของผู้นำที่ดีนั้นยากที่จะถ่ายทอดให้กับลูกทีม การตีความผิดพลาดและการทำงานซ้ำในกระบวนการที่มีหลายฝ่ายดำเนินการเป็นเรื่องหลีกเลี่ยงไม่ได้ เหล่านี้คือ "ภาษีแฝง" ของการดำเนินงานขององค์กร ซึ่งก่อนหน้านี้ไม่มีวิธีแก้ไขที่ชัดเจน AI ได้ลดภาษีแฝงนี้ลงอย่างมาก เพราะไม่มีเส้นทางการเรียนรู้ แค่ให้คำสั่งที่ชัดเจนก็สามารถดำเนินการได้อย่างมีคุณภาพสูง และยังสามารถประมวลผลหลายเส้นทางงานพร้อมกันได้ ความสามารถในการตัดสินใจเชิงกลยุทธ์ของบุคคลหนึ่งคน ร่วมกับแรงเหวี่ยงในการดำเนินการของ AI สามารถผลักดันผลลัพธ์ที่เทียบเท่ากับทีมทั้งชุดในอดีต
แน่นอน ปัจจุบัน AI ยังคงมีโอกาส "พูดเรื่องไม่จริงอย่างจริงจัง" ซึ่งทำให้การตรวจสอบและการตัดสินใจของมนุษย์ยังคงมีความสำคัญอย่างยิ่ง แต่ความน่าเชื่อถือของโมเดลกำลังเพิ่มขึ้นทุกเดือน ช่วงเวลาที่เหลือสำหรับตำแหน่งที่ต้องทำตามคำสั่งอย่างบริสุทธิ์นั้นสั้นกว่าที่คนส่วนใหญ่คิด
ความเท่าเทียมด้านประสิทธิภาพและวิกฤตที่ลึกซึ้ง: เมื่ออุปสรรคการเข้าสู่ตลาดถูกลบออก
ในระยะสั้น บุคคลทั่วไปที่ใช้เครื่องมือ AI สามารถได้รับผลประโยชน์ด้านประสิทธิภาพ แต่หากพิจารณาไปข้างหน้า เมื่อ AI ลบความแตกต่างด้านประสิทธิภาพพื้นฐานและลดอุปสรรคในการเข้าสู่สายอาชีพอย่างมาก บริษัทจะพบว่า: เมื่อประสิทธิภาพการผลิตต่อคนเพิ่มขึ้นอย่างมาก หากขนาดธุรกิจโดยรวมไม่ขยายตัวในสัดส่วนเดียวกัน การรักษาจำนวนพนักงานไว้เท่าเดิมจะกลายเป็นสินทรัพย์ที่เป็นภาระ
ดูจากความแตกต่างของค่าจ้างในปัจจุบันก็ได้รู้ ตามข้อมูลการติดตามตำแหน่งงานของ TT3LABS ตั้งแต่ปี 2025 เป็นต้นมา ตลาดงานด้าน AI ได้เกิดกรณีที่แพ็กเกจค่าตอบแทนสูงกว่า "หลายล้านดอลลาร์สหรัฐ" ซ้ำแล้วซ้ำเล่า และผู้สมัครเหล่านี้เป็นวิศวกร AI วัยหนุ่มสาว ไม่มีทักษะการจัดการทีมที่หลากหลายนัก Meta ได้จ้างนักวิจัยหลักจาก OpenAI โดยมีเงินโบนัสในการเซ็นสัญญาเกิน 1 พันล้านดอลลาร์สหรัฐ และค่าตอบแทนหุ้นเฉลี่ยของพนักงาน OpenAI อยู่ที่ 1.5 ล้านดอลลาร์สหรัฐ ในขณะที่ค่าจ้างพื้นฐานรายปีสูงสุดของวิศวกรวิจัยระดับสูงของ Anthropic สูงถึง 690,000 ดอลลาร์สหรัฐ (ไม่รวมหุ้น)
เงินทุนที่ใช้จ่ายไปในสิ่งนี้คือความสามารถที่หายาก: การทำให้ AI เองแข็งแกร่งขึ้น คนที่สามารถผลักดันให้โมเดลพื้นฐานพัฒนาต่อไปจะมีคุณค่าที่สามารถขยายตัวแบบเรขาคณิตภายในเครือข่ายธุรกิจทั้งหมด ในขณะที่ผู้อื่นที่งานของพวกเขาสามารถถูก AI แทนที่ด้วยต้นทุนต่ำกว่า อาจมีมูลค่าลดลง
สิ่งนี้ยังก่อให้เกิดวิกฤตที่ลึกซึ้งยิ่งขึ้น ขณะนี้ ยิ่งผู้คนจำนวนมากขึ้นเมื่อเจอปัญหา พวกเขาก็ตอบสนองด้วยการให้ AI ตอบให้ ขั้นตอนการคิดวิเคราะห์ ตรวจสอบ และทดลองด้วยตัวเองถูกข้ามไป นานวันเข้า ความสามารถในการคิดของคุณจะค่อยๆ หายไป ปัญหาคือ ช่วง “งานหนัก” นี้เองที่หล่อหลอมความไวต่อปัญหาของคุณ หากคุณพึ่งพา AI อย่างต่อเนื่องเพื่อทำหน้าที่นี้แทนคุณ บทบาทของคุณในที่ทำงานจะลดลงเหลือเพียง “ผู้แปลความต้องการ”: แปลความต้องการของผู้อื่นเป็นคำสั่งสำหรับ AI แล้วส่งผลลัพธ์จาก AI กลับไปให้ผู้อื่น แต่ขั้นตอนการเป็นตัวกลางนี้เอง ที่ AI รุ่นถัดไปจะสามารถข้ามไปได้อย่างง่ายดายที่สุด
Impact Map: คุณอยู่ตำแหน่งไหน?
ความกลัวถ้าไม่มีพิกัด ก็แค่ความวิตกกังวล ก่อนที่จะพูดถึงกลยุทธ์รับมือ เราจำเป็นต้องวาดแผนที่ "ผลกระทบ" ก่อน ไม่ใช่เพื่อสร้างความตื่นตระหนก แต่เพื่อให้ทุกคนสามารถระบุตำแหน่งของตนเองได้
ตำแหน่งที่งานที่มีความเสี่ยงสูงสามารถระบุรายละเอียดได้อย่างชัดเจน
งานเขียนโค้ดระดับพื้นฐาน การวิเคราะห์ข้อมูลเบื้องต้น การสร้างรายงานแบบมาตรฐาน การออกแบบตามเทมเพลต การแก้ไขและตรวจสอบการแปลทั่วไป งานเหล่านี้มีลักษณะร่วมกันคือสามารถแยกแยะออกเป็น “อินพุต → ประมวลผล → เอาท์พุต” ได้อย่างชัดเจน ผู้ที่ถูกเลิกจ้างกว่า 4,000 คนของ Block ส่วนใหญ่อยู่ในกลุ่มนี้ ความสามารถทางวิชาชีพของพวกเขาไม่ได้แย่ แต่สิ่งที่พวกเขาทำนั้นพอดีกับสิ่งที่โมเดลขนาดใหญ่สามารถทำได้
เกณฑ์ที่ควรถามตัวเอง: หากงานทั้งหมดของคุณสามารถเขียนเป็นคำสั่ง AI ได้หนึ่งข้อความ นั่นหมายความว่าเครื่องจักรได้พร้อมที่จะแทนที่คุณแล้ว สิ่งที่เหลืออยู่คือบริษัทจะตัดสินใจเมื่อใด
การเคลื่อนไหวแบบผันผวนกำลังถูกบีบอัดโดยผู้เล่นระดับกลางที่มีประสบการณ์
ผู้จัดการโครงการ หัวหน้าปฏิบัติการ และวิศวกรระดับกลาง งานของพวกเขาเกี่ยวข้องกับการตัดสินใจและการประสานงาน ซึ่ง AI ยังไม่สามารถแทนที่ได้ในระยะสั้น แต่กำลังถูก “บีบอัด” 以前一条业务链需要五个中层各管一段、互相对齐，现在 AI 接管了上下游的执行，一两个人就能把整条链路跑通。
กลุ่มนี้เผชิญกับสถานการณ์ที่ว่า “จำนวนตำแหน่งลดลง” ความสามารถของคุณไม่ได้ลดลง แต่ความต้องการของตลาดสำหรับบทบาทของคุณกำลังลดลงอย่างฉับพลัน ทางออกของกลุ่มนี้คือใช้ AI เพื่อขยายความสามารถในการดำเนินการในระดับล่าง และคว้าสิทธิ์ในการนิยามปัญหาในระดับบน
ผู้เชี่ยวชาญในการจัดการความไม่แน่นอนของมูลค่า
มีงานประเภทหนึ่งที่แก่นแท้ไม่ใช่การ “ทำถูกต้อง” แต่คือการ “ตัดสินใจในสภาวะที่ข้อมูลไม่สมบูรณ์เสมอ และรับผิดชอบต่อผลลัพธ์” เช่น การเจรจาทางธุรกิจที่ซับซ้อน การจัดการวิกฤตด้านสาธารณสัมพันธ์ การบริหารองค์กรข้ามวัฒนธรรม และการตัดสินใจด้านการลงทุนที่มีความเสี่ยงสูง AI สามารถให้การวิเคราะห์และคำแนะนำได้ แต่ไม่สามารถลงนามแทนคุณ ไม่สามารถรับผิดชอบแทนคุณ และไม่สามารถอ่านความต้องการทางผลประโยชน์ที่ซ่อนอยู่เบื้องหลังสีหน้าของคู่เจรจาในระหว่างมื้ออาหารได้
บทบาทเหล่านี้ไม่เพียงแต่ไม่ลดค่า แต่ยังเพิ่มมูลค่าขึ้นเนื่องจากต้นทุนการดำเนินการพื้นฐานถูก AI ลดลงอย่างมาก งบประมาณเดียวกันสามารถขับเคลื่อนโครงการที่ใหญ่ขึ้นได้ และเลเวอเรจที่ผู้ตัดสินใจถืออยู่ยาวขึ้น
ในชีวิตจริง งานของผู้คนจำนวนมากข้ามขอบเขตของหลายระดับ วิธีทดสอบตนเองอย่างง่าย: คิดถึงเนื้อหางานของคุณแต่ละวัน ว่ามีส่วนใดบ้างที่สามารถอธิบายได้ชัดเจนด้วยคำสั่งเดียว และมีส่วนใดบ้างที่ต้องคุณเป็นผู้ตัดสินใจเองในสิ่งที่ไม่ชัดเจน สัดส่วนของส่วนแรกยิ่งสูง คุณยิ่งควรเปลี่ยนแปลงโดยเร็ว
หยุดความวิตกกังวลเกี่ยวกับเครื่องมือ และแปลงพลังการคำนวณสาธารณะให้เป็นอุปสรรคส่วนตัว
ปลายเดือนมกราคม OpenClaw ("กุ้งมังกร") ปรากฏตัวขึ้นอย่างกะทันหัน และภายในไม่กี่วัน จำนวนดาวบน GitHub ก็เกิน 170,000 ดวง ผู้ผลิตโมเดลต่างๆ จึงรีบตามมาอย่างเร่งด่วน โดย Alibaba Cloud เปิดตัวการปรับใช้แบบคลิกเดียว Tencent เปิดตัว CoPaw เพื่อแข่งขัน และ MiniMax, Kimi ก็เปิดตัวโซลูชันที่เข้ากันได้ของตนเอง
จากนั้นคุณจะพบปรากฏการณ์ที่น่าสนใจ: หลายคนในเดือนนี้ใช้เวลาในการศึกษาวิธีการติดตั้งกุ้งมังกร และเปรียบเทียบแพ็กเกจไหนคุ้มค่ากว่า อาจมากกว่าเวลาที่พวกเขาใช้จริงๆ ในการสร้างผลลัพธ์ทางธุรกิจด้วย AI ทุกคนกำลังตามหาเครื่องมือ แต่หลังจากตามหาเสร็จแล้ว การตั้งค่าที่คุณติดตั้ง ผู้อื่นสามารถคัดลอกได้เหมือนกันภายในสองชั่วโมง
ทุกโมเดลภาษาขนาดใหญ่—OpenAI, Anthropic, Meta, Google, xAI—ถูกฝึกด้วยข้อมูลอินเทอร์เน็ตสาธารณะเดียวกัน ดังนั้นจึงมีพื้นฐานเหมือนกัน และนี่คือเหตุผลที่พวกมันกำลังถูกแปลงเป็นสินค้าโภคภัณฑ์อย่างรวดเร็ว
— ลารี เอลริสัน การประชุมโทรศัพท์รายงานผลการดำเนินงานไตรมาสที่ 2 ปีงบประมาณ 2026 ของ Oracle
ในทางกลับกัน นั่นหมายความว่า หากงานของคุณขึ้นอยู่กับความสามารถสาธารณะของโมเดลขนาดใหญ่ทั่วไป ผลลัพธ์ของคุณจะเป็นแบบเดียวกัน แม้ว่าคำสั่งของคุณจะเขียนได้ซับซ้อนเพียงใด ก็ไม่มีแนวป้องกัน
The real barrier lies in moving from public to private.
ตอนนี้มีแนวโน้มที่ชัดเจนมากขึ้น: ตั้งแต่บริษัทขนาดใหญ่จนถึงทีมสตาร์ทอัพ องค์กรต่างๆ 越来越多 กำลังปรับใช้โมเดลส่วนตัวแบบติดตั้งในท้องถิ่น สาเหตุโดยตรงคือความปลอดภัยของข้อมูล ไม่มีใครอยากส่งข้อมูลธุรกิจหลักให้กับ API ของบุคคลที่สาม แต่แนวโน้มนี้มีผลกระทบเชื่อมโยงที่ถูกมองข้าม: เมื่อผู้เล่นหลักในอุตสาหกรรมทั้งหมดกักขังข้อมูลและความรู้ไว้ภายในระบบติดตั้งส่วนตัว ข้อมูลอุตสาหกรรมที่โมเดลทั่วไปสามารถเรียนรู้ได้จากเครือข่ายสาธารณะจะน้อยลงและล้าหลังมากขึ้น ดูเหมือนว่า AI ได้ลดอุปสรรคทางความรู้สำหรับทุกคน แต่ความรู้อุตสาหกรรมที่มีค่าจริงกำลังหายไปจากเครือข่ายสาธารณะอย่างรวดเร็ว และจมลงสู่คลังความรู้ส่วนตัวของแต่ละองค์กร
ดังนั้น ความรู้ลับที่คุณสะสมมาตลอดหลายปีในอุตสาหกรรมนี้ ไม่ได้ลดค่าลง แต่กลับเพิ่มค่าขึ้น เงื่อนไขคือคุณต้องนำมันไปใช้งาน
จัดระเบียบและทำให้เป็นโครงสร้างซึ่งประสบการณ์ทางธุรกิจที่ไม่เป็นมาตรฐานซึ่งกระจัดกระจายอยู่ในหัวของคุณ บันทึกการสนทนา และอีเมลในอดีต ให้กลายเป็น "บริบท" ที่โมเดลส่วนตัวของคุณสามารถประมวลผลได้ ข้อมูลจากแพลตฟอร์ม TT3LABS แสดงให้เห็นว่า อัตราการผ่านการคัดกรองเบื้องต้นของผู้สมัครที่มีประสบการณ์มากกว่าสองปีในอุตสาหกรรม Web3 สูงกว่ามากเมื่อเทียบกับบุคลากรทางเทคนิคจากบริษัทขนาดใหญ่ที่ไม่มีพื้นฐานในอุตสาหกรรมนี้ เหตุผลหลักคือ ความรู้เฉพาะทางของอุตสาหกรรมมีน้ำหนักมากกว่าความสามารถทางเทคนิคทั่วไป ผู้ที่มีประสบการณ์ด้านการดำเนินงาน CEX เป็นเวลาสามปี จะเข้าใจตรรกะด้านการปฏิบัติตามกฎหมายและกฎเกณฑ์แฝงในการขึ้นเหรียญ ผู้ที่ผ่านกระบวนการบริหารจัดการ DAO มาสองรอบ จะสามารถตัดสินใจเกี่ยวกับการออกแบบข้อเสนอและจุดเปลี่ยนของอารมณ์ชุมชน ผู้ที่เชี่ยวชาญในเนื้อหาเฉพาะทางจะมีสัญชาตญาณเกี่ยวกับจิตวิทยาของผู้รับสารและจังหวะการเล่าเรื่อง สิ่งเหล่านี้ไม่มีอยู่ในชุดข้อมูลการฝึกอบรมใดๆ ที่เปิดเผยต่อสาธารณะ
เมื่อคุณจัดโครงสร้างประสบการณ์ส่วนตัวเหล่านี้แล้วเชื่อมต่อกับโมเดล ปัญญาประดิษฐ์ของคุณจะไม่ใช่เพียงencyclopedia ทั่วไปอีกต่อไป แต่จะกลายเป็นคู่หูเฉพาะตัวที่ทำงานเพื่อคุณเท่านั้นและเข้าใจเส้นทางนี้ของคุณเพียงอย่างเดียว ผลลัพธ์ที่ได้ในระดับลึกนี้ เป็นสิ่งที่ผู้อื่นไม่สามารถตามทันได้ แม้จะใช้โมเดลทั่วไปเดียวกัน
ตรรกะหลักมีเพียงข้อเดียว: AI สามารถจัดการกับความรู้สาธารณะได้เหนือกว่าทุกคน แต่ในการจัดการกับประสบการณ์ส่วนตัวนั้น ขึ้นอยู่กับการป้อนข้อมูลจากคุณอย่างสมบูรณ์ ผู้ที่สามารถผสานความเชี่ยวชาญเชิงลึกของอุตสาหกรรมกับ AI จะเป็นทรัพยากรหลักในรูปแบบการแบ่งงานใหม่
คลังประสบการณ์ของคุณคือ "โมเดล" ที่แท้จริง
แบบจำลอง AI กำลังพัฒนาอย่างรวดเร็ว วันนี้ GPT, Claude, Gemini อาจถูกแทนที่ด้วยรุ่นที่แข็งแกร่งกว่าภายในหกเดือน แต่สำหรับคุณ การเปลี่ยนไปใช้แบบจำลองที่แข็งแกร่งกว่าก็แค่การเปลี่ยน API เท่านั้น สิ่งที่จะไม่ถูกแทนที่หรือล้าสมัยคือข้อมูลส่วนตัวและคลังประสบการณ์ที่คุณป้อนให้มัน
แบบจำลองเป็นโครงสร้างพื้นฐานทั่วไป ทุกคนสามารถใช้งานได้ แต่ความรู้ในอุตสาหกรรม การตัดสินใจทางธุรกิจ และประสบการณ์ที่เคยผิดพลาดที่คุณป้อนเข้าไป เป็น “ข้อมูลการฝึกอบรม” ที่เป็นของคุณเท่านั้น ยิ่ง AI แข็งแกร่งเท่าใด ความสามารถในการประมวลผลข้อมูลชุดนี้ของมันก็ยิ่งมากขึ้น ทำให้ข้อได้เปรียบเฉพาะตัวของคุณสูงขึ้น ดังนั้น อย่ากังวลว่า “การสร้างฐานความรู้ตอนนี้จะล้าสมัยเร็วไหม” ฐานความรู้ของคุณคือทรัพย์สินเดียวที่ไม่ลดค่าลงแม้แบบจำลองจะมีการอัปเดต แบบจำลองเปลี่ยนไป แต่กำแพงข้อมูลของคุณจะเพิ่มมูลค่าขึ้นตามความสามารถของ AI ที่ดีขึ้น
ในขณะเดียวกัน ตรรกะการแข่งขันในที่ทำงานแบบดั้งเดิมก็กำลังถูกเขียนใหม่ 以前员工可以靠熬夜加班展现态度，但机器 7×24 小时输出，所有靠"我比别人更能熬"来竞争的策略在 AI 面前归零。
หลายคนพูดว่า: “ฉันยังให้คุณค่าทางอารมณ์กับทีมอยู่” ใช่ นี่คือความสามารถที่มนุษย์เท่านั้นที่มี แต่ค่าตอบแทนของมันขึ้นอยู่กับระดับที่คุณอยู่ เมื่อทีมระดับล่างลดจากสิบคนเหลือแค่สองคนบวกกับตัวแทน AI หนึ่งชุด “ตัวหล่อลื่นของทีม” ก็สูญเสียบริบทไป ในระดับการตัดสินใจ การแข่งขันทางธุรกิจที่ซับซ้อน การสร้างความไว้วางใจในความเสี่ยงสูง และการแก้ไขข้อขัดแย้งระหว่างฝ่ายที่มีผลประโยชน์ต่างกัน การเชื่อมโยงเชิงลึกระหว่างมนุษย์กลับมีคุณค่ามากขึ้นเพราะต้นทุนพื้นฐานลดลง คุณค่าทางอารมณ์ไม่ได้หายไป แต่กำลังย้ายขึ้นไปสู่ระดับบน
ในที่สุดแล้ว สิ่งที่บุคคลควรลงทุนในยุค AI ไม่ใช่การเรียนรู้วิธีใช้เครื่องมือใดเครื่องมือหนึ่ง แต่คือการดูแลรักษา AI ส่วนตัวที่มีเฉพาะตัวคุณเท่านั้น เครื่องมือจะมีการอัปเดต แต่ฐานข้อมูลประสบการณ์จะไม่เปลี่ยน
สามขั้นตอน สามารถเริ่มได้ตอนนี้
กลับมาที่กรณีของ Block บางคนถูกเลิกจ้าง แต่ก็ยังมีบางคนอยู่ต่อ ความแตกต่างอยู่ที่หลังจาก AI กลายเป็นเครื่องมือการผลิตมาตรฐาน ใครยังคงเป็นสิ่งที่ไม่สามารถลดขนาดได้ อย่ารอให้บริษัทจัดอบรม AI ให้คุณ ตั้งแต่วันนี้ เราสามารถลองทำสิ่งเหล่านี้ได้:
01、เปลี่ยนจากทำเองทั้งหมด เป็นการสร้างกระบวนการทำงาน
กับผู้ที่ทำงานประจำ หลุมพรางที่พวกเขาติดอยู่บ่อยที่สุดคือการใช้ AI เพื่อ“ขี้เกียจ”ตัวเอง (เช่น ใช้ AI เขียนรายงานประจำสัปดาห์ หรือปรับปรุงอีเมล) ซึ่งยังคงเป็นแนวคิดระดับการปฏิบัติงานเท่านั้น สิ่งที่คุณควรทำจริงๆ คือการมองตัวเองเป็น “หัวหน้าช่างก่อสร้าง” และรีโครงสร้างผลลัพธ์ที่สำคัญที่สุดในตำแหน่งปัจจุบันของคุณให้กลายเป็นสายการผลิตอัตโนมัติที่ขับเคลื่อนด้วย AI
อย่าลองใช้โมเดลใหม่ๆ พร้อมกันหลายสิบตัว ให้เลือกเครื่องมือที่สุกงอมที่สุดในขณะนี้ (เช่น ChatGPT Plus หรือ Claude) และบังคับให้มันเข้ามาช่วยในขั้นตอนที่ใช้เวลานานที่สุดและต้องใช้ประสบการณ์มากที่สุดในงานของคุณ เปลี่ยนกระบวนการแบบเส้นเดียวเดิมของคุณที่ว่า “รวบรวมข้อมูลด้วยมือ → วิเคราะห์เปรียบเทียบ → สรุปผล” ให้กลายเป็น “ตั้งค่าการดึงข้อมูลอัตโนมัติ → ส่งให้กรอบงานของ AI วิเคราะห์ → แทรกแซงด้วยมนุษย์เพื่อปรับแต่งเล็กน้อย” เมื่อคุณสามารถใช้กระบวนการทำงานนี้ลดเวลาจากหนึ่งสัปดาห์เหลือเพียงหนึ่งวัน โดยคุณภาพยังคงมีความเสถียรสูง คุณจะไม่ใช่แค่โหนดประมวลผลเดี่ยวอีกต่อไป คุณเองก็กลายเป็น “บริษัทขนาดเล็ก” ที่มีแรงเหวี่ยงสูง
02、ถ่ายทอดประสบการณ์ที่ซ่อนอยู่ให้กลายเป็นดิจิทัลแอนด์ของคุณเอง
แบบจำลองขนาดใหญ่เรียนรู้จากข้อมูลสาธารณะ มันเข้าใจทฤษฎีทั้งหมด แต่มันไม่เข้าใจเลยว่าลูกค้ารายใหญ่ที่ยากต่อการจัดการของบริษัทคุณมีนิสัยแอบซ่อนอะไร หรือจุดที่ต้องหลีกเลี่ยงเมื่อคุณติดต่อประสานงานกับฝ่ายการเงิน ความรู้ลับที่คุณได้มาจากการผิดพลาดมากมายเหล่านี้ คือทรัพย์สินที่สำคัญที่สุดของคุณ
แต่สินทรัพย์เหล่านี้หากยังคงอยู่แค่ในหัวของคุณ ก็ไม่สามารถสร้างผลตอบแทนทบต้นได้ งานของคุณในตอนนี้คือใช้ฟีเจอร์การปรับแต่งที่โมเดลขนาดใหญ่เปิดให้ใช้งาน (เช่น Custom GPTs หรือ Claude Projects) เพื่อแปลงประสบการณ์ของคุณให้เป็น "คำสั่งเริ่มต้นของระบบ" ของมัน ป้อนกรณีศึกษาที่อยู่บนขอบเขต รายงานวิเคราะห์ความล้มเหลว และกฎที่ไม่ได้เขียนไว้แต่ทุกคนในอุตสาหกรรมรู้จักทั้งหมดให้มัน เป้าหมายของคุณไม่ใช่การสร้างสมุดบันทึกความรู้แบบคงที่ แต่คือการ "ฝึกฝน" เพื่อให้ได้ผู้ช่วยส่วนตัว 24 ชั่วโมงที่มีสไตล์ทางธุรกิจเฉพาะตัวของคุณและทำงานให้คุณเท่านั้น เมื่อ "ดิจิทัลดูพลิเคชัน" ของคุณเสร็จสมบูรณ์ คนอื่นๆ ที่ใช้ AI แบบทั่วไป จะไม่มีทางตามทันคุณได้
03、เสริมสร้างสิทธิ์ในการกำหนดปัญหาและความรับผิดชอบของตนเอง
ในทีม ให้เริ่มฝึกฝนอย่างตั้งใจโดยมอบงาน “การหาคำตอบ” ให้กับเครื่องจักร และเก็บอำนาจในการ “ตั้งคำถาม” และ “ตัดสินใจ” ไว้กับตัวคุณเอง AI เป็นเครื่องจักรตอบคำถามที่สมบูรณ์แบบ แต่มันไม่สามารถรับรู้ถึงแรงจูงใจทางธุรกิจที่แท้จริงเบื้องหลังความต้องการใดๆ ได้ หัวหน้าพูดว่า “ฉันต้องการสร้างกลยุทธ์การรักษาผู้ใช้ใหม่” AI จะตอบทันทีด้วยโมเดลแนวคิดการเติบโตแบบแฮกเกอร์ 10 แบบ แต่คุณเท่านั้นที่สามารถเชื่อมโยงงบประมาณและทรัพยากรการพัฒนาในปัจจุบัน เพื่อชี้ว่า “แนวทาง B แม้จะสมบูรณ์แบบ แต่ยังไม่สามารถดำเนินการได้ในตอนนี้ แนวทาง C ตัดฟีเจอร์ครึ่งหนึ่งออกจะเหมาะกับจังหวะของเราในขณะนี้ที่สุด”
ในขณะเดียวกัน คุณต้องเข้าใจจุดหนึ่ง: AI ไม่เคยต้องเข้าคุก หรือรับผิดชอบใดๆ บริษัทจ่ายเงินเดือนสูงให้คุณส่วนใหญ่คือการซื้อความรับผิดชอบของคุณต่อผลลัพธ์ทางธุรกิจ เมื่อคุณส่งโค้ดหรือแนวทางที่สร้างโดย AI ไปแล้ว คุณต้องมีความมั่นใจที่จะพูดว่า: “ฉันได้ตรวจสอบผลลัพธ์จาก AI ด้วยประสบการณ์ทางวิชาชีพของฉันเอง และฉันรับผิดชอบต่อผลลัพธ์สุดท้ายที่เกิดขึ้น” ความกล้าตัดสินใจในพื้นที่ที่ไม่ชัดเจน และกล้ารับผิดชอบต่อผลลัพธ์ทางธุรกิจสุดท้าย—ค่าตอบแทนแห่งความรับผิดชอบนี้—เป็นสิ่งที่เครื่องจักรไม่มีวันแทนที่ได้ในทุกยุคสมัย
ดอร์ซีย์กล่าวว่า “บริษัทส่วนใหญ่ล่าช้าไปแล้ว” แต่สำหรับบุคคลทั่วไป ข้อความนี้ก็เป็นจริงในทางกลับกัน: ผู้คนส่วนใหญ่ยังไม่เริ่มเตรียมตัว และไม่ตระหนักถึงแนวโน้มนี้
ไม่จำเป็นต้องเป็นผู้เชี่ยวชาญด้าน AI ทุกคน แต่ทุกคนควรคิดให้ชัดเจนเกี่ยวกับคำถามนี้: ในงานของคุณ ส่วนไหนที่เครื่องจักรจะสามารถทำได้ในที่สุด และส่วนไหนที่เป็นของคุณเท่านั้น แล้วจึงถ่ายโอนเวลาและพลังงานของคุณจากส่วนแรกไปยังส่วนหลัง
หากวันหนึ่ง AI สามารถก้าวข้ามมนุษย์ในทุกด้าน อาจเป็นปี 2027 หรืออาจเป็นปี 2030 แต่นี่ไม่ใช่การเปลี่ยนแปลงที่คุณสามารถนั่งดูอยู่ห่างๆ ได้
มันไม่ได้รอให้คุณพร้อม