ยิ่งใช้ AI มากขึ้น ฉันก็ยิ่งรู้สึกแบบนี้ชัดขึ้นเรื่อยๆ
จุดศูนย์กลางของความฉลาดกำลังย้ายจาก "การรู้คำตอบ" ไปสู่ "การตัดสินใจได้ว่าควรถามอะไร"
สมัยก่อน คนที่มีความรู้เยอะจะได้เปรียบ คนค้นหาเก่ง คนจำได้แม่น คนที่หาคำตอบถูกได้เร็ว มักได้รับการยอมรับง่ายกว่า
แต่ตอนนี้ แค่ถาม AI อย่าง ChatGPT ก็ได้ความรู้ทั่วไปและคำตอบที่เรียบเรียงไว้อย่างเป็นระเบียบทันที แน่นอนว่าคำตอบของ AI ต้องตรวจสอบ แต่ถ้าแค่ "ให้คำตอบออกมาสักอย่าง" ก็ง่ายขึ้นมาก
แล้วมนุษย์เหลืออะไร
ฉันคิดว่าคือ "ความสามารถในการออกแบบคำถาม"
การออกแบบวาระ (agenda) ก็คือการกำหนดว่า "วันนี้เราจะตัดสินใจเรื่องอะไร"
คำว่า "วาระ" หรือ agenda มักใช้ในการประชุม
หัวข้อวันนี้คืออะไร จะคุยเรื่องอะไร สุดท้ายต้องได้ข้อสรุปอะไรถึงจะนับว่าสำเร็จ การกำหนดสิ่งเหล่านี้คือวาระ
และไม่ได้จำกัดอยู่แค่การประชุม
เรื่องงาน การเปลี่ยนงาน การถาม AI หรือแม้แต่ปัญหาชีวิต ก็เหมือนกันหมด
ตัวอย่างเช่น ถ้าถามแค่ว่า "ควรเปลี่ยนงานไหม" คำตอบที่ได้จะบางมาก
แต่ถ้าถามแบบนี้ ผลจะต่างไป
- ถ้าอยู่บริษัทเดิมต่อ ต้องมีอะไรดีขึ้นถึงจะคุ้มที่จะอยู่
- ถ้าย้ายแผนก ควรไปสร้างผลงานอะไรที่นั่น
- ถ้าลาออกไปที่ใหม่ จะให้ความสำคัญกับอะไรก่อน ระหว่างเงินเดือนต่อปี การทำงานทางไกล ความเหนื่อยล้าที่ต้องเสียไป หรือสายงาน
- ควรขยับตัวเดี๋ยวนี้เลย หรือใช้เวลาช่วงหนึ่งสร้างผลงานก่อน
พอแยกให้ละเอียดถึงขนาดนี้ AI ก็ไม่ใช่หมอดูอีกต่อไป แต่กลายเป็นเครื่องมือช่วยตัดสินใจ
พูดอีกอย่างคือ การใช้ AI ให้เก่งไม่ใช่การรู้พรอมต์วิเศษ
แต่คือการเขียนสถานการณ์ เป้าหมาย ข้อจำกัด และเกณฑ์การตัดสินใจของตัวเองออกมาเป็นคำพูด ให้อยู่ในรูปที่ AI ประมวลผลได้
ในงานวิจัยและงานจริง "การออกแบบคำถาม" ก็ถูกให้ความสำคัญ
นี่ไม่ใช่แค่ความรู้สึก
คู่มือการเขียนพรอมต์ของ OpenAI อธิบายว่า พรอมต์คือการเขียน "คำสั่งที่มีประสิทธิภาพ" เพื่อให้โมเดลให้ผลลัพธ์ที่ต้องการ พูดง่ายๆ คือผลลัพธ์ของ AI ขึ้นอยู่กับคำสั่งตอนเริ่มต้นอย่างมาก
คู่มือการนิยามปัญหาสำหรับแมชชีนเลิร์นนิงของ Google ก็เน้นให้นิยาม "ผลลัพธ์ในอุดมคติ" "เป้าหมายของโมเดล" "ผลลัพธ์ที่ต้องการ" และ "ตัวชี้วัดความสำเร็จ" ก่อน เรื่องนี้พูดถึงการพัฒนา AI แต่ใช้กับงานทั่วไปได้เลย
นอกจากนี้ ในงานวิจัยด้านการเรียนรู้และการแก้ปัญหา มีแนวคิดเรื่อง "อภิปัญญา" (metacognition) พูดง่ายๆ คือความสามารถในการมองสิ่งที่ตัวเองกำลังคิดจากอีกระดับหนึ่ง เอกสารการสอนของ MIT อธิบายอภิปัญญาว่า คือการใช้ความรู้เกี่ยวกับงาน วิธีเรียนรู้ และตัวเอง เพื่อวางแผน ตรวจสอบความคืบหน้า และประเมินผล
นั่นคือ คนเก่งไม่ได้แค่คิด
แต่ยังคอยดูว่า
"ตอนนี้เรากำลังพยายามแก้เรื่องอะไรอยู่" "เดินมาทางนี้ถูกไหม" "หรือจริงๆ แล้วคำถามเองคลาดเคลื่อนตั้งแต่แรก"
ความสามารถนี้จะสำคัญมากในยุค AI
คนที่ออกแบบคำถามได้ ใช้ AI เป็นเครื่องแปรรูป ไม่ใช่ช่องค้นหา
คนที่ใช้ AI แล้วได้แต่คำตอบตื้นๆ มักใช้ AI แทน Google
"แนะนำอะไรดี" "ทำยังไงดี" "คำตอบที่ถูกคืออะไร"
แน่นอนว่าแบบนี้ก็ได้คำตอบระดับหนึ่ง
แต่คุณค่าที่แท้จริงเกิดตอนที่ใส่บริบทลงไปในคำถาม
ตัวอย่างเช่น ถ้าอยากสร้างนิสัยรักการอ่าน แทนที่จะถามว่า
"จะสร้างนิสัยรักการอ่านได้ยังไง"
ลองถามว่า
"วันธรรมดาเหนื่อยจากงาน แล้วตอนกลางคืนก็เอาแต่เล่นมือถือ เป็นคนที่ทำอะไรไม่เกินสามวันก็เลิก ถ้าอยากอ่านหนังสือต่อเนื่องแค่ 10 นาทีก่อน ควรจัดสภาพแวดล้อมและตั้งกติกาแบบไหนถึงจะได้ผล"
คำตอบจะกลายเป็นสิ่งที่ใช้ได้จริงทันที
นี่ไม่ใช่ความต่างของสมรรถนะ AI แต่เป็นความต่างของคำถามฝั่งเรา
เขียนสถานการณ์ของตัวเองเป็นคำพูด บอกข้อจำกัด ตั้งเป้าหมาย และระบุแม้แต่รูปแบบผลลัพธ์ที่ต้องการ
แค่ถึงตรงนี้ การแก้ปัญหาก็เริ่มไปได้ราวครึ่งหนึ่งแล้ว
เหตุผลที่ฉันทำได้ น่าจะมาจากประสบการณ์ "เจ็บตัว" ในสภาพแวดล้อมที่คลุมเครือ
ในกรณีของฉัน ทำไมถึงออกแบบคำถามได้
น่าจะไม่ใช่เพราะนิสัยตั้งแต่เกิดอย่างเดียว
ฉันคิดว่าสิ่งสำคัญคือเคยเจ็บตัวมาจากสภาพแวดล้อมที่คลุมเครือ
เป้าหมายไม่ชัด ไม่รู้ว่าใครเป็นคนตัดสิน มองไม่เห็นเงื่อนไขว่าอะไรถึงเรียกว่าเสร็จ ทีหลังถูกบอกว่า "ไม่ได้หมายความอย่างนั้น" ขอบเขตความรับผิดชอบเลือนราง ถูกประเมินจากบรรยากาศและท่าที
ในสภาพแวดล้อมแบบนี้ ถ้าลุยงานทันที เราจะหมดไฟ
ฉันจึงเริ่มถามให้ชัดก่อนโดยธรรมชาติ
- เป้าหมายคืออะไร
- ใครเป็นคนตัดสิน
- ต้องใช้เมื่อไร
- อย่างน้อยต้องทำถึงแค่ไหน
- อะไรสำคัญก่อนหลัง
- อะไรที่ไม่ต้องทำ
- เงื่อนไขว่าเสร็จคืออะไร
นี่ไม่ใช่ทักษะธุรกิจสวยหรู แต่เป็นกลยุทธ์เอาตัวรอด
ถ้าไม่นิยามประเด็นก่อนลงมือ คนที่สึกหรอคือตัวเอง ดังนั้นการออกแบบวาระจึงถูกฝึกขึ้นมาเป็นท่าป้องกันตัว
คนที่ปล่อยผ่าน "ความรู้สึกแปลกๆ" ไม่ได้ จะสร้างคำถามได้ง่าย
อีกเรื่องที่สำคัญคือ ฉันปล่อยความรู้สึกแปลกๆ ทิ้งไว้เฉยๆ ไม่ได้
ไม่ได้จบแค่ "แปลกๆ นะ" แต่อยากแยกแยะต่อไปว่า
- อะไรที่แปลก
- สมมติฐานข้อไหนคลาดเคลื่อน
- ความรับผิดชอบของใครปนกันอยู่
- ต้องตัดสินใจอะไรถึงจะก้าวต่อได้
- นี่เป็นปัญหาด้านอารมณ์ หรือปัญหาด้านโครงสร้าง
นิสัยแบบนี้เหนื่อย
แต่เข้ากับ AI ได้ดีมาก
เพราะ AI ยิ่งได้รับบริบทและเงื่อนไขมาก ก็ยิ่งเก่งขึ้น
ไม่ใช่แค่ถามว่า "คิดยังไงกับเรื่องนี้"
แต่บอกได้ว่า
"ภายใต้สมมติฐานนี้" "ภายใต้ข้อจำกัดนี้" "ถ้าเป้าหมายคือสิ่งนี้" "แยกประเด็นให้ชัด" "ใช้องค์ประกอบขั้นต่ำสุด" "สำหรับใช้ในการสัมภาษณ์" "ในรูปแบบ Markdown" "เขียนเป็นคำสั่งสำหรับ Codex"
คนที่ส่งต่อแบบนี้ได้ จะใช้ AI ไม่ใช่แค่เครื่องตอบคำถาม แต่เป็นเครื่องแปรรูปความคิด
ผลข้างเคียงของคนที่สร้างคำถามได้: "คำถามเยอะเกินไป"
อย่างไรก็ตาม การสร้างคำถามได้ก็มีผลข้างเคียง
คนที่สร้างคำถามไม่ได้ จะหยุดนิ่งเพราะไม่รู้ว่าต้องคิดเรื่องอะไร
ในทางกลับกัน คนที่สร้างคำถามเก่งเกินไป จะหยุดนิ่งเพราะคำถามเพิ่มขึ้นจนล้น
ตัวอย่างเช่น ระหว่างคิดเรื่องกลุ้มใจในที่ทำงาน ก็ขยายออกไปทีเดียวถึง
- ควรอยู่บริษัทเดิมไหม
- ย้ายแผนกแล้วควรได้อะไร
- ถ้าเปลี่ยนงาน จะไปสายงานไหน
- ความเหนื่อยตอนนี้เป็นชั่วคราว หรือเป็นปัญหาเชิงโครงสร้าง
- จะให้ความสำคัญกับเงินเดือนหรืออิสระมากกว่ากัน
- เชื่อมโยงกับการสร้างทรัพย์สินในอนาคตอย่างไร
- แล้วจริงๆ ในชีวิตนี้เราอยากปกป้องอะไร
นี่เป็นความสามารถ
แต่พอเหนื่อยแล้วพยายามจัดการทั้งหมดพร้อมกัน สมองก็ดับ
ดังนั้น สิ่งที่คนสร้างคำถามเก่งต้องการ ไม่ใช่พลังในการถามให้มากขึ้นอีก
แต่คือพลังในการทิ้ง "คำถามที่ตอนนี้ยังไม่ต้องถาม"
สิ่งที่ต้องทำต่อไป คือแบ่งคำถามเป็น 4 ประเภท
คนที่คำถามผุดขึ้นมาเรื่อยๆ ไม่ควรปฏิบัติต่อทุกคำถามด้วยน้ำหนักเท่ากัน
สำหรับฉัน การแบ่งเป็น 4 ข้อนี้ช่วยให้จัดระเบียบได้ง่ายขึ้นมาก
1. คำถามที่ต้องตัดสินใจตอนนี้
คำถามที่เกี่ยวกับการกระทำของวันนี้
ตัวอย่าง: พรุ่งนี้ต้องส่งอะไร สัปดาห์นี้จะสมัครไหม วันนี้จะนอนหรือทำงาน
ข้อนี้ให้จัดการ
2. คำถามที่ไว้คิดทีหลัง
สำคัญ แต่ไม่ต้องสรุปเดี๋ยวนี้
ตัวอย่าง: เส้นทางอาชีพในอีกไม่กี่เดือน ทัศนคติเรื่องแต่งงาน ทิศทางใหญ่ของการสร้างทรัพย์สิน
ข้อนี้ให้เก็บไว้ในโน้ต
3. คำถามที่คิดไปก็ได้ประโยชน์น้อย
ความในใจของอีกฝ่าย ทางแยกในอดีต คำตอบที่ถูกต้องสมบูรณ์แบบ และอื่นๆ
คิดไปก็ได้เรียนรู้บ้างเล็กน้อย แต่ยากที่จะนำไปสู่การกระทำในตอนนี้
ข้อนี้ไม่ต้องจับไว้นาน
4. คำถามที่นอนหลับดีกว่า
คำถามหนักๆ ที่โผล่มาตอนกลางคืน
คำถามที่ถูกขยายด้วยความเหนื่อย ความหิว ความเหงา ความโกรธ หรือความกังวล พอเช้าวันรุ่งขึ้นมักเล็กลงมาก
ข้อนี้ไม่ต้องวิเคราะห์ ให้ส่งไปให้การนอนจัดการ
ความแข็งแกร่งในยุค AI ไม่ใช่ "พลังในการหาคำตอบ" แต่คือ "พลังในการจัดระเบียบปัญหา"
ในยุค AI ถ้ามนุษย์พยายามแข่งกับ AI ตรงๆ จะเหนื่อยมาก
ด้านปริมาณความรู้ ความเร็ว และความครอบคลุม ยากที่จะชนะ AI
แต่ถ้าอยู่ฝั่งคนใช้ AI เรื่องก็เปลี่ยน
สิ่งที่ต้องมีไม่ใช่การสั่งด้วยถ้อยคำสวยหรู
แต่คือการจัดระเบียบสถานการณ์ของตัวเอง วางเป้าหมาย บอกข้อจำกัด สร้างเกณฑ์การตัดสินใจ และระบุรูปแบบผลลัพธ์
นั่นคือพลังในการจัดระเบียบปัญหา
"คนที่ตัดสินใจได้ว่าควรถามอะไร" มากกว่า "คนที่ให้คำตอบ"
"คนที่พูดออกมาได้ว่า ณ ตอนนี้ตรงนี้ ต้องตัดสินใจอะไรถึงจะก้าวไปข้างหน้า" มากกว่า "คนที่ถือเฉลย"
พลังนี้มีค่ามากขึ้นเรื่อยๆ เมื่อ AI ฉลาดขึ้น
ถ้าคำถามแย่ คำตอบก็แย่
ถ้าคำถามเจาะจง AI ก็เป็นคู่หูที่แข็งแกร่งมาก
ดังนั้นสิ่งที่ควรฝึกต่อจากนี้ ไม่ใช่แค่เทคนิคเขียนพรอมต์
แต่คือพลังในการมองความจริงของตัวเอง ตั้งคำถาม และทิ้งคำถามเมื่อจำเป็น
คนที่สร้างวาระได้ ยังแข็งแกร่งพอสมควรแม้ในยุค AI
แต่สำหรับคนที่สร้างได้มากเกินไป ตอนท้ายควรถามตัวเองอีกครั้งว่า
"แล้วคำถามไหนที่ต้องตัดสินใจ ณ ตอนนี้"
ถ้ากลับมาที่คำถามข้อเดียวนั้นได้ ความคิดก็จะเดินหน้าต่อไปได้อย่างแท้จริง
แนวทางลิงก์ภายใน
- สาเหตุที่เหนื่อยกับงาน อยู่ที่ "เป้าหมายไม่ชัด" และ "การเปลี่ยนคำสั่งทีหลัง" มากกว่า "ปริมาณงาน"
- เมื่อลังเลว่าจะเปลี่ยนงานไหม ให้นิยาม "เงื่อนไขที่จะอยู่ต่อ" ก่อน
- คนที่ใช้ AI แล้วไม่ได้ผล ติดอยู่ที่การจัดระเบียบสมมติฐาน ไม่ใช่ที่พรอมต์
- เมื่อคิดวนไม่หยุด ให้แยกคำถามที่ควรคิดออกจากคำถามที่ควรนอน
- สิ่งที่ต้องมีในทางแยกชีวิตช่วงอายุ 30 ต้นๆ คือการสร้างเกณฑ์ตัดสินใจ มากกว่าการหาคำตอบที่ถูก
ข้อเสนอบทความที่เกี่ยวข้อง
- "สำหรับคนที่เหนื่อยเพราะคำถามเยอะเกินไป: แค่แบ่งความคิดเป็น 4 ประเภทก็เบาขึ้นมาก"
- "วิธีทำงานในยุค AI: 5 เรื่องที่ต้องตัดสินใจก่อนถาม ChatGPT"
- "บันทึกการนิยามความต้องการ เพื่อไม่ให้ถูกคำสั่งคลุมเครือกัดกร่อน"
- "อภิปัญญาคืออะไร: ความสามารถในการมองความคิดของตัวเองจากอีกระดับ"
- "การออกแบบวาระเมื่อลังเลระหว่างเปลี่ยนงาน ย้ายแผนก หรืออยู่ที่เดิม"
บันทึกอ้างอิงและแหล่งที่มา
- OpenAI API Docs, “Prompt engineering”
https://developers.openai.com/api/docs/guides/prompt-engineering - OpenAI Cookbook, “GPT-5 prompting guide”
https://developers.openai.com/cookbook/examples/gpt-5/gpt-5_prompting_guide - Google for Developers, “Framing an ML problem”
https://developers.google.com/machine-learning/problem-framing/ml-framing - MIT Teaching + Learning Lab, “Metacognition”
https://tll.mit.edu/teaching-resources/how-people-learn/metacognition/ - Harvard Business Review, “AI Prompt Engineering Isn’t the Future”
https://hbr.org/2023/06/ai-prompt-engineering-isnt-the-future - García et al. (2014), “The effects of question-generation training on metacognitive knowledge, self regulation and learning approaches in Science”
https://pubmed.ncbi.nlm.nih.gov/25069559/
บันทึกก่อนเผยแพร่
- ไม่มีชื่อเฉพาะของที่ทำงาน ชื่อบุคคล หรือเรื่องภายในองค์กรที่เจาะจง จึงเผยแพร่ได้ง่าย
- อย่างไรก็ตาม ส่วนที่เล่าว่า "เจ็บตัวมาจากสภาพแวดล้อมที่คลุมเครือ" ค่อนข้างเป็นเรื่องส่วนตัว ถ้าจะเผยแพร่ระหว่างหางาน อาจปรับให้เป็นภาพรวมมากขึ้นอีก
- ช่องทาง SEO: "ความฉลาดในยุค AI" "ความสามารถในการตั้งคำถาม" "คนที่ใช้ ChatGPT เก่งต่างกันอย่างไร" "การออกแบบวาระ"
- วันที่ร่าง: 2026-07-01
