AI ทำได้แทบทุกอย่าง แต่ทำไมงานยังติดอยู่ที่คำถาม "แล้วจะทำอะไรดี?"

1. จ้างอัจฉริยะมา 100 คน แต่ทุกคนนั่งเล่นอยู่ห้องพัก เพราะยังไม่มีใครสั่งงาน

AI ยุคนี้เก่งจริงๆ เขียนโค้ดได้ เขียนบทความได้ หาข้อมูลได้ แปลภาษาได้ แถมยังเข้าถึงความรู้กองมหึมาได้อีก

ฟังแบบนี้แล้ว เหมือนพรุ่งนี้ทุกคนจะเปิดบริษัทคนเดียวได้สัก 10 บริษัท

แต่ในชีวิตจริง หลายคนไปสะดุดตรงจุดนี้

"แล้วจะทำอะไรดีล่ะ?"

ใช่ คำถามนี้แหละ

ต่อให้ AI เก่งแค่ไหน ถ้าไม่มีใครบอกว่าจะเริ่มจากตรงไหน ก็ไม่มีอะไรเกิดขึ้น จะจอด Ferrari เรียงกัน 100 คันก็ได้ แต่ถ้าไม่มีใครใส่จุดหมายในจีพีเอส ก็ได้แค่ลานจอดรถหรูๆ

ในยุค AI สิ่งที่ขาดแคลนไม่ได้เป็นความเก่งของโมเดลเสมอไป

แต่มักเป็น คนที่ส่งงานชิ้นแรกให้กับความสามารถทั้งหมดนั้น

2. จุดแข็งไม่ใช่สิ่งประดิษฐ์ยิ่งใหญ่ที่เสร็จสมบูรณ์ แต่คือการจุดประกายแรก

พอพูดถึง "คนหัวไอเดีย" เรามักนึกถึงคนที่จู่ๆ ก็คิดสิ่งประดิษฐ์ปฏิวัติโลกที่ไม่มีใครเคยคิด

แต่ในความจริง มีความสามารถที่ดูธรรมดากว่า และทรงพลังกว่านั้นอีก

• ตรงนี้ยุ่งยากชะมัด
• เอาสองอย่างนี้มาเชื่อมกันได้ไหม
• ฟีเจอร์ที่มีอยู่แล้ว เอาไปใช้อย่างอื่นได้ไหม
• จริงๆ แล้วทำไมต้องมีขั้นตอนนี้
• ถ้าลองทำเวอร์ชันเล็กสุดก่อน จะเห็นอะไร

นี่คือความสามารถในการสร้าง จุดตั้งต้น

ไอเดียแรกไม่ต้องเสร็จสมบูรณ์ สิ่งสำคัญคือวางอะไรสักอย่างไว้ ให้ความคิดถัดไปมีที่เหยียบ

โต๊ะที่ว่างเปล่าทำให้คุยกันยาก แต่พอมีต้นแบบหยาบๆ วางอยู่สักชิ้น ทุกคนจะพูดขึ้นมาพร้อมกันว่า "ตรงนี้แปลกๆ" "อันนี้ใช้ได้" "งั้นต่อไปทำแบบนี้"

ก้าวแรกไม่ใช่คำตอบ

แต่เป็น เครื่องที่ทำให้คำตอบถัดไปพรั่งพรูออกมา

3. "ความเป็นคนหัวไอเดีย" ไม่ใช่ทักษะเดียว

ถ้าแยกชิ้นส่วนดู อย่างน้อยจะมีส่วนประกอบเหล่านี้

ทักษะ	ทำอะไร
คิดแตกแขนง	คิดความเป็นไปได้หลายทางจากปัญหาเดียว
เปรียบเทียบข้ามเรื่อง	ยืมวิธีการทำงานจากสาขาอื่นมาใช้
ผสมใหม่	เอาของที่มีอยู่ A+B มาสร้างเป็น C
มองเห็นปัญหา	เจอความยุ่งยากที่อยู่ก่อนโจทย์ที่ได้รับมา
ตั้งโจทย์ใหม่	ตั้งคำถามใหม่ว่าจริงๆ ควรแก้อะไร
คัดเลือก	เลือกว่าไอเดียไหนจะลงมือทำจริง
แตกงาน	ซอยเป้าหมายเป็นงานย่อยที่ AI ทำได้
ลงมือ	ทำของจริงชิ้นแรกออกมาก่อน
คิดต่อยอด	ดูของที่ใช้งานได้แล้ว คิดก้าวถัดไป

สิ่งที่จิตวิทยาเรียกว่า "การคิดแบบแตกแขนง" เป็นส่วนสำคัญส่วนหนึ่งในนี้ APA อธิบายว่าการคิดแบบแตกแขนงคือการคิดเชิงสร้างสรรค์ที่ใช้วิธีแก้ปัญหาหรือตัดสินใจแบบที่ออกนอกวิธีทั่วไปหรือวิธีที่เคยเรียนมา^[1]

แต่ก็มีข้อสังเกตว่า คะแนนจากแบบทดสอบการคิดแบบแตกแขนงอย่างเดียว วัดความคิดสร้างสรรค์ในชีวิตจริงได้ไม่ครบ^[2]

พูดง่ายๆ คือ "คิดไอเดียได้เยอะ" อย่างเดียวยังไม่พอ

ของจริงต้องไปให้ถึง ตั้งโจทย์ใหม่ เลือก ทำให้เป็นรูปเป็นร่าง แล้วคิดอีกรอบ

4. การสร้างสรรค์คือการวนไปมา: คิดออกมา → สำรวจ → คิดใหม่อีกรอบ

ในงานวิจัยเรื่องการคิดสร้างสรรค์ มีแนวคิดว่าไอเดียไม่ได้เสร็จในครั้งเดียว แต่เราจะคิดตัวเลือกออกมาก่อน แล้วสำรวจและประเมิน ถ้าจำเป็นก็กลับไปคิดใหม่อีกรอบ เรียกกันว่าโมเดล Geneplore^[3]

ถ้าเอามาเทียบกับการพัฒนางานด้วย AI จะเห็นภาพชัดมาก

1. นึกอะไรขึ้นมาได้
2. คุยโยนไอเดียกับ AI
3. ร่างสเปกคร่าวๆ
4. ลงมือสร้าง
5. ลองรัน
6. รู้สึกว่า "ไม่ใช่แฮะ"
7. นึกมุมใหม่ออก
8. สร้างใหม่อีกรอบ

แปลว่าไอเดียไม่จำเป็นต้องเสร็จสมบูรณ์ก่อนลงมือ

การลงมือสร้างเองก็เป็นส่วนหนึ่งของการคิด

นี่คือความต่างครั้งใหญ่จากสมัยก่อน

ถ้าการทำต้นแบบใช้เวลา 3 เดือน เราก็อยากคิดในหัวให้รอบคอบก่อนเริ่ม

แต่ถ้าออกมาเป็นรูปร่างได้ใน 30 นาที ต้นแบบนั้นเองก็ใช้เป็นโน้ตจดความคิดได้

ความเป็นคนหัวไอเดียกับความสามารถในการลงมือทำ จึงไม่ได้แยกเป็นคนละแผนกอีกต่อไป

5. "ทำหลายอย่างพร้อมกันไม่ไหว" ถูกต้อง ถ้าคุณต้องทำเองทุกอย่าง

"ทำหลายอย่างพร้อมกันขนาดนั้นไม่ไหวหรอก"

ก็จริง

ถ้าคนคนเดียวต้องแบกสเปก โค้ด การหาข้อมูล การตรวจ และการแก้ไขของ 10 โปรเจกต์ไว้ในหัวพร้อมกัน แท็บในเบราว์เซอร์ของสมองคงขาวโพลนหมดทุกแท็บ

แต่เราเปลี่ยนสมมติฐานได้

มนุษย์ไม่ต้องทำหลายอย่างพร้อมกัน ให้ระบบทำงานคู่ขนานแทน

สิ่งที่มนุษย์ต้องถือไว้มีแค่

• อยากทำอะไร
• อะไรสำคัญ
• ยอมรับได้แค่ไหน
• จะเลือกใช้ผลลัพธ์ไหน

เท่านั้นพอ

หลังจากนั้น

• หาข้อมูล
• เขียนสเปก
• พัฒนา
• ทดสอบ
• แปล
• ตรวจทาน

ก็แบ่งเท่าที่แยกกันทำได้ แล้วส่งต่อให้ AI

ไม่ใช่ว่า "ฉันทำหลายอย่างพร้อมกันไม่เก่ง เลยใช้ AI ไม่ได้"

กลับกัน ถ้าคุณไม่ถนัดทำหลายอย่างพร้อมกัน การออกแบบให้งานออกไปจากหัว แล้วกลายเป็นงานที่มีเจ้าของชัดเจน ยิ่งมีค่ามากขึ้น

6. คลังความรู้มหาศาลคือโกดังวัสดุ ไม่ใช่แบบบ้าน

ต่อให้ AI และข้อมูลเบื้องหลังจะใหญ่แค่ไหน ก็ไม่ได้รับประกันว่า "ควรสร้างอะไร"

ลองนึกถึงห้างวัสดุก่อสร้างขนาดยักษ์ ที่มีทั้งไม้ เหล็ก กระจก เครื่องมือ ไปจนถึงเครื่องจักรหนัก

สุดยอด

แต่ถ้าลูกค้าไม่ตัดสินใจว่า "จะสร้างอะไร" ห้างวัสดุก็ยังเป็นแค่ห้างวัสดุ

AI ก็คล้ายกัน

หาข้อมูลได้ เปรียบเทียบได้ เขียนโค้ดได้ เสนอไอเดียได้

แต่ทันทีที่มี ทิศทาง อย่าง

"อยากให้ความยุ่งยากนี้หายไป" "ถ้าเชื่อมสองอย่างนี้เข้าด้วยกันน่าจะสนุก" "อยากยกประสบการณ์นี้ขึ้นไปอีกขั้น"

ความสามารถก็จะกลายเป็นงาน

คนที่ดึงศักยภาพของ AI ออกมาได้ ไม่จำเป็นต้องรู้มากกว่า AI

แต่ต้องบอก AI ได้ว่า "ขุดตรงนี้"

7. ก่อนจะแก้ปัญหา คนที่ตั้งโจทย์ใหม่ได้คือคนที่ได้เปรียบ

ในงานวิจัยด้านการออกแบบ การ "วางกรอบ" ให้ปัญหาที่ซับซ้อนและไม่มีคำตอบตายตัว ถูกพูดถึงในฐานะสิ่งสำคัญที่ต้องทำ Dorst ให้ความสนใจกับการวางกรอบใหม่ คือเวลาที่องค์กรเจอสถานการณ์ยากๆ ก็เปลี่ยนมุมมองต่อตัวปัญหาเสียใหม่^[4]

เรื่องนี้ยิ่งสำคัญขึ้นในยุค AI

ถ้าบอก AI ว่า "ทำอันนี้ให้หน่อย" มันอาจแก้โจทย์ที่สั่งไปได้เร็วสุดๆ

นั่นแหละที่น่ากลัว

ถ้าตั้งโจทย์ผิด มันก็ผลิตคำตอบที่ดูเหมือนถูกออกมาเป็นกองๆ ด้วยความเร็วสูง

คำถามที่ทรงพลังจริงๆ ไม่ได้มีแค่

"จะทำงานนี้ให้เร็วขึ้นได้ยังไง?"

แต่ต้องย้อนกลับไปถึง

"งานนี้จำเป็นต้องมีจริงไหม?" "ผู้ใช้อยากให้งานเร็วขึ้น หรืออยากให้งานนี้หายไปเลย?" "แก้จากทางอื่นได้ไหม?"

ยิ่ง AI ตอบเก่งขึ้นเท่าไร การตั้งโจทย์ของมนุษย์ก็ยิ่งมีผลมากขึ้นเท่านั้น

8. พอสร้างได้เร็ว ไอเดียก็มากขึ้น เรื่องนี้ดูเงียบๆ แต่ใหญ่มาก

มีผลการทดลองที่แสดงว่า AI ช่วยลดเวลาและเพิ่มคุณภาพในงานใช้ความรู้บางประเภท ในการทดลองของ Noy และ Zhang กับงานเขียนเชิงอาชีพที่นำมาศึกษา เวลาเฉลี่ยลดลง 40% และคุณภาพที่ถูกประเมินเพิ่มขึ้น 18%^[5]

แน่นอนว่าไม่ได้แปลว่างานทุกอย่างจะเร็วขึ้น 40%

ประเด็นสำคัญคืออีกเรื่อง

พอการลองมีต้นทุนต่ำลง เราก็ลองได้บ่อยขึ้น

และยิ่งลองบ่อย ก็ยิ่งได้ข้อมูลจากของจริงมากขึ้น

• ใช้งานได้จริงไหม
• ดูเชยกว่าที่คิดไหม
• เอาไปใช้อย่างอื่นจะเวิร์กกว่าไหม
• เชื่อมกับฟีเจอร์ข้างๆ ได้ไหม
• ผู้ใช้งงตรงไหน

ข้อมูลแบบนี้ ถ้านั่งคิดในหัวอย่างเดียวมักไม่ค่อยโผล่ออกมา

เพราะฉะนั้น ยิ่งวงจร

คิด → สร้าง → สังเกต → คิดใหม่

สั้นลงเท่าไร ไอเดียก็ไม่ได้เกิดแค่ครั้งเดียว แต่ต่อกันเป็นลูกโซ่

ความเร็วในการสร้างจึงไม่ใช่แค่เรื่องผลผลิต

แต่ยังเป็น รอบหมุนของเครื่องผลิตไอเดีย ด้วย

9. แต่ถ้าให้ AI คิดไอเดียแทนทั้งหมด ทุกคนอาจปีนภูเขาลูกเดียวกัน

AI ช่วยคิดไอเดียได้ด้วย

แต่ในการทดลองของ Doshi และ Hauser เรื่องสั้นของแต่ละคนที่ได้ไอเดียช่วยจาก AI ได้คะแนนเฉลี่ยสูงขึ้น ทว่างานที่ใช้ AI ช่วยกลับคล้ายกันมากขึ้น ทำให้ความหลากหลายโดยรวมลดลง^[6]

ตรงนี้สำคัญ

ถ้าแค่ถาม AI ทุกครั้งว่า "ขอไอเดียเจ๋งๆ 10 ข้อ" ทุกคนอาจขึ้นรถทัวร์คันเดียวกันหมด

คุณค่าของมนุษย์จึงไม่หายไป

• เรื่องที่คุณรู้สึกว่ายุ่งยากจริงๆ
• ความแปลกๆ ที่เจอหน้างาน
• นิสัยเฉพาะตัวของระบบที่มีอยู่
• การเปรียบเทียบที่ยืมมาจากสาขาอื่น
• การจับคู่แปลกๆ
• การแย้งว่า "ปกติก็ทำแบบนี้กัน แต่จริงเหรอ?"

ข้อมูลเฉพาะตัว พวกนี้แหละ ที่ใส่ทิศทางและเอกลักษณ์ให้คลังความรู้มหาศาลของ AI

ไม่ใช่ให้ AI คิดแทนทั้งหมด

แต่เป็นมนุษย์โยนก้อนหินแปลกๆ ลงน้ำหนึ่งก้อน แล้วให้ AI ขยายระลอกคลื่น

แบบนี้สนุกกว่าเยอะ

10. วงจรที่เวิร์กที่สุด: คิดออก → สรุปเป็นประโยคเดียว → แบ่ง → ส่งต่อ → ดูผล → คิดออกอีก

ในการทำงานจริง ง่ายแค่นี้ก็พอ

① จุดเริ่ม "ถ้าตรงนี้เป็นแบบนี้ได้ จะสะดวกขึ้นไหม?"

② ประโยคเดียว สรุปเป็นประโยคเดียวว่าอยากเปลี่ยนอะไร ให้ใคร และเปลี่ยนยังไง

③ แบ่งงาน แยกเป็นงานที่ทำแยกกันได้ เช่น หาข้อมูล ออกแบบ สร้าง ตรวจสอบ

④ ส่งต่อ มอบงานแต่ละส่วนให้ AI มนุษย์ไม่ต้องแบกทุกอย่างพร้อมกัน

⑤ ของจริง ข้อความ หน้าจอ โค้ด ผลลัพธ์ อะไรก็ได้ที่มองเห็น

⑥ ตรวจกลับ อ่าน ลองกด และเช็กว่าได้ผลตามที่ตั้งใจจริงไหม

⑦ คิดต่อยอด เกิดความคิดว่า "ถ้าทำอันนี้ได้ งั้นอันโน้นก็ทำได้สิ"

เพราะมีข้อ ⑦ นี่แหละ วงจรถึงไม่จบ

ของชิ้นหนึ่งที่ทำเสร็จ กลายเป็นวัตถุดิบของไอเดียถัดไป

ฟีเจอร์ A เสร็จ พอมี A ก็นึกถึง B ออก พอ B เสร็จ A+B ก็กลายเป็น C พอ C เสร็จ ก็เกิดคำถามว่า "หรือจริงๆ เราจะนิยามบริการทั้งหมดใหม่เป็น D ได้?"

เริ่มจากประกายไฟเล็กๆ รู้ตัวอีกที โรงไฟฟ้าก็ตั้งขึ้นมาแล้ว

11. กับดักคือ "ความเร็วในการคิด" แซง "ความเร็วในการจัดระเบียบ"

วิธีนี้มีผลข้างเคียงที่ชัดเจน

พอไอเดียมาเรื่อยๆ และสร้างได้เร็ว ระบบก็ถูกต่อเติมซ้ำแล้วซ้ำเล่า

แล้ววันหนึ่ง คุณเปิดสายไฟดู

"ใครทำไว้เนี่ย?"

ตัวคุณเองเมื่อวานไง

ทางแก้ไม่ใช่หยุดคิด

• อย่ามีแหล่งข้อมูลหลักหลายที่เกินไป
• อย่าสร้างกลไกสองชุดที่ทำหน้าที่เดียวกัน
• ถ้ารวมเข้ากับของที่มีอยู่ได้ ให้รวม
• ทำคู่ขนานเฉพาะงานที่แยกกันได้จริง
• สร้างเสร็จแล้วต้องตรวจกลับเสมอ
• การเปลี่ยนแปลงสำคัญต้องมีด่านตรวจคุณภาพ
• แยก "ทำได้" ออกจาก "ควรทำตอนนี้"

คิดเร็ว ก็ต้องจัดระเบียบเร็วด้วย

แทนที่จะผ่อนคันเร่ง ให้เสริมพวงมาลัยกับเบรกให้แข็งแรงขึ้น

12. สรุป: จุดแข็งในยุค AI ไม่ใช่แค่ "ใช้ AI เป็น" แต่คือ "สร้างงานให้ AI ได้"

AI จะเก่งขึ้นเรื่อยๆ

รู้มากขึ้น เขียนโค้ดและข้อความได้เร็วขึ้น ใช้ AI หลายตัวพร้อมกันก็ง่ายขึ้น

ความสามารถที่หายากของฝั่งมนุษย์จึงค่อยๆ ย้ายที่

จาก "ทำเองได้ทุกอย่าง" ไปเป็น

มองหาว่าควรสร้างอะไร
จุดประกายแรก
ตั้งโจทย์ใหม่
แบ่งงาน
ส่งให้ AI
ดูของจริง
แล้วคิดก้าวต่อไปจากตรงนั้น

AI คือความสามารถมหาศาล

แต่ความสามารถก็ได้แต่รอ จนกว่าจะมีใครให้งานมันทำ

คนที่ได้เปรียบจึงไม่ได้มีแค่คนที่เขียนโค้ดได้เร็วกว่า AI

แต่คือ คนที่กล้าพูดประโยคแรกว่า "เฮ้ย อันนี้น่าจะทำได้นะ"

ในบริษัทที่จ้าง AI อัจฉริยะมา 100 ตัว สิ่งที่ต้องการเป็นอย่างแรกไม่ใช่อัจฉริยะตัวที่ 101

แต่คือคนที่เขียนบรรทัดแรกลงในใบสั่งงาน

---

เอกสารอ้างอิง (6 รายการ)

1. APA Dictionary of Psychology, “divergent thinking. dictionary.apa.org
2. American Psychological Association, “The science behind creativity” — notes that divergent-thinking measures are useful but do not map cleanly onto real-world creativity as a whole apa.org
3. Ward, T. B., Smith, S. M., & Finke, R. A., “Creative Cognition,” in Handbook of Creativity; see also Geneplore descriptions of iterative generative and exploratory processes cambridge.org
4. Dorst, K. (2011). “The core of ‘design thinking’ and its application.” Design Studies, 32(6), 521–532 doi.org
5. Noy, S., & Zhang, W. (2023). “Experimental evidence on the productivity effects of generative artificial intelligence.” Science, 381(6654), 187–192 doi.org
6. Doshi, A. R., & Hauser, O. P. (2024). “Generative AI enhances individual creativity but reduces the collective diversity of novel content.” Science Advances, 10(28), eadn5290 doi.org