AI เก่งมาก แต่โรงงานมักหยุดตรงคำถามว่า “แล้วจะสร้างอะไร?” — คนที่จุดประกายไอเดียแรกได้ จะเปลี่ยนความสามารถให้กลายเป็นกำลังการผลิต

1. จ้างอัจฉริยะมา 100 คน แต่ทุกคนนั่งอยู่ห้องพัก เพราะไม่มีใบงาน

AI เชิงกำเนิดเขียนโค้ด เขียนข้อความ วิจัย แปล เปรียบเทียบทางเลือก และใช้คลังความรู้ขนาดมหาศาลได้

ฟังดูเหมือนพรุ่งนี้ทุกคนควรบริหารบริษัทคนเดียวสิบแห่งได้แล้ว

แต่ในความจริง หลายคนหยุดที่คำถามเดียว

“แล้วจะสร้างอะไร?”

AI ที่ทรงพลังมากแต่ไม่มีงาน ก็ยังเป็นเพียงกำลังที่ว่างอยู่ รถ Ferrari 100 คันที่ไม่มีจุดหมาย ก็เป็นแค่ลานจอดรถราคาแพงมาก

ในยุค AI สิ่งที่ขาดแคลนไม่จำเป็นต้องเป็นความเก่งของโมเดล

อาจเป็น คนที่มอบงานชิ้นแรกให้กับความสามารถนั้น

2. จุดแข็งไม่จำเป็นต้องเป็นสิ่งประดิษฐ์ระดับโลก แต่อาจเป็นการสร้างประกายแรก

เมื่อพูดถึงความสามารถด้านไอเดีย เรามักนึกถึงแรงบันดาลใจครั้งใหญ่

แต่ในงานจริง คำถามเล็กๆ มักทรงพลังมากกว่า

• ตรงนี้ยุ่งยากเกินไป
• สองอย่างนี้เชื่อมกันได้ไหม
• ฟังก์ชันเดิมใช้กับงานอื่นได้ไหม
• ขั้นตอนนี้จำเป็นจริงหรือ
• ถ้าทำรุ่นเล็กสุดก่อน จะเรียนรู้อะไร

นี่คือจุดติดไฟ

ไอเดียแรกไม่ต้องสมบูรณ์ หน้าที่ของมันคือสร้างสิ่งที่ทำให้คิดต่อได้

โต๊ะว่างวิจารณ์ยาก แต่พอมีต้นแบบหยาบๆ เราจะเห็นทันทีว่าอะไรผิด อะไรใช้ได้ อะไรขาด และควรทำอะไรต่อ

ก้าวแรกไม่ใช่คำตอบ

มันคือ เครื่องจักรที่ผลิตคำตอบถัดไป

3. “ความสามารถด้านไอเดีย” ไม่ใช่ทักษะเดียว

ความสามารถ	หน้าที่
การคิดแบบแตกแขนง	สร้างหลายความเป็นไปได้จากปัญหาเดียว
การอุปมา	นำโครงสร้างจากสาขาอื่นมาใช้
การผสมใหม่	เปลี่ยน A+B ให้เป็น C ใหม่
การค้นหาปัญหา	เห็นความติดขัดก่อนโจทย์ที่ได้รับ
การจัดกรอบใหม่	นิยามใหม่ว่าจริงๆ ควรแก้อะไร
การคิดแบบบรรจบ	เลือกไอเดียที่ควรนำไปสร้าง
การแยกงาน	แบ่งเป้าหมายเป็นงานที่ AI จัดการได้
การเริ่มต้น	ทำชิ้นงานแรกที่มองเห็นได้
การคิดต่อ	ใช้ชิ้นงานเพื่อสร้างไอเดียถัดไป

APA อธิบายการคิดแบบแตกแขนงว่าเป็นการคิดสร้างสรรค์ที่ออกจากวิธีทั่วไปหรือวิธีที่เคยเรียนมา.^[1]

แต่คะแนนการคิดแบบแตกแขนงไม่เท่ากับความสร้างสรรค์ทั้งหมดในโลกจริง.^[2]

การคิดได้หลายไอเดียจึงยังไม่พอ

ต้อง จัดกรอบใหม่ เลือก สร้าง สังเกต แล้วคิดอีกครั้ง

4. ความสร้างสรรค์คล้ายวงจร “สร้าง→สำรวจ→สร้างอีกครั้ง”

โมเดล Geneplore ในงานวิจัยด้านการรับรู้เชิงสร้างสรรค์ แยกกระบวนการสร้างแนวคิดออกจากกระบวนการสำรวจและประเมิน แล้วมองว่าทั้งสองหมุนเวียนกัน.^[3]

ในงาน AI วงจรนี้เห็นชัดมาก

1. คิดบางอย่างขึ้นมา
2. คุยกับ AI
3. ทำเป็นข้อกำหนดคร่าวๆ
4. สร้าง
5. ทดลองใช้
6. รู้สึกว่ายังไม่ใช่
7. เจอมุมใหม่
8. สร้างอีกครั้ง

ไอเดียไม่จำเป็นต้องเสร็จก่อนลงมือ

การสร้างเองกลายเป็นส่วนหนึ่งของการคิด

5. “ฉันทำหลายอย่างพร้อมกันไม่ได้” ถูกต้อง ถ้าคาดหวังให้มนุษย์ทำทุกอย่างเอง

สมองมนุษย์ไม่ควรต้องถือสิบโครงการ สิบข้อกำหนด สิบเส้นทางโค้ด และสิบสถานะตรวจสอบพร้อมกัน

ปัญหาไม่ใช่มนุษย์

แต่เป็นสถาปัตยกรรมที่ผิด

มนุษย์ไม่ต้องทำหลายงานพร้อมกัน ระบบต่างหากที่ทำงานขนานได้

มนุษย์ถือทิศทาง ลำดับความสำคัญ ขอบเขต และการตัดสินใจสุดท้าย

งานวิจัย การทำข้อกำหนด การพัฒนา การทดสอบ การแปล และการตรวจสอบ สามารถแยกตามการพึ่งพาแล้วมอบให้ AI ได้

ยิ่งเราไม่เก่งมัลติทาสก์ การย้ายงานออกจากหัวให้เป็นความรับผิดชอบที่ชัดยิ่งมีค่า

6. คลังข้อมูลขนาดใหญ่คือโกดังวัสดุ ไม่ใช่แบบก่อสร้าง

ฐานความรู้ AI ขนาดมหาศาลเหมือนร้านวัสดุที่มีไม้ เหล็ก กระจก เครื่องมือ และเครื่องจักรครบทุกอย่าง

น่าทึ่ง

แต่ถ้าไม่มีใครตัดสินใจว่าจะสร้างอะไร ร้านก็ยังเป็นร้านวัสดุ

ความสามารถจะกลายเป็นงานเมื่อมีคนพูดว่า

“อยากเอาความยุ่งยากนี้ออก” “สองระบบนี้อาจรวมกันได้” “ประสบการณ์นี้น่าจะดีขึ้นอีกระดับ”

เราไม่ต้องรู้มากกว่า AI

เราต้องบอกมันได้ว่า ควรขุดตรงไหน

7. คนที่สร้างโจทย์ใหม่ได้อาจได้เปรียบกว่าคนที่แก้โจทย์อย่างเดียว

งานวิจัยด้านการออกแบบมองการจัดกรอบและการจัดกรอบใหม่ว่าเป็นแนวปฏิบัติสำคัญสำหรับปัญหาเปิดและซับซ้อน Dorst เน้นการสร้างกรอบใหม่เพื่อทำให้สถานการณ์ที่ยุ่งยากจัดการได้ดีขึ้น.^[4]

ยิ่ง AI ตอบเร็ว เรื่องนี้ยิ่งสำคัญ

ถามผิด ก็อาจได้คำตอบที่ดูดีมากสำหรับปัญหาผิดๆ ด้วยความเร็วสูง

อย่าถามแค่

“ทำงานนี้ให้เร็วขึ้นได้อย่างไร?”

แต่ถามด้วยว่า

“งานนี้จำเป็นต้องมีไหม?” “ผู้ใช้ต้องการทำให้เร็วขึ้น หรือไม่ต้องทำเลย?” “มีทางเข้าปัญหาอีกทางไหม?”

8. เมื่อการสร้างเร็วขึ้น ไอเดียก็เพิ่มขึ้น ไม่ใช่แค่ผลผลิต

ในการทดลองที่ลงทะเบียนล่วงหน้าของ Noy และ Zhang เกี่ยวกับงานเขียนเชิงวิชาชีพ การใช้ ChatGPT ลดเวลาเฉลี่ยลง 40% และเพิ่มคุณภาพที่ประเมิน 18% ในงานที่ศึกษา.^[5]

ไม่ได้แปลว่างานทุกชนิดจะเร็วขึ้น 40%

ประเด็นสำคัญคือ

เมื่อค่าลองผิดลองถูกต่ำลง เราลองได้มากขึ้น

ชิ้นงานจริงบอกข้อมูลใหม่ว่าใช้ได้จริงไหม แย่กว่าที่คิดไหม มีการใช้อื่นที่ดีกว่าไหม เชื่อมกับฟังก์ชันอื่นได้ไหม และผู้ใช้ติดตรงไหน

ดังนั้นวงจร

ไอเดีย→สร้าง→สังเกต→ไอเดียใหม่

ยิ่งสั้น ไอเดียยิ่งเกิดเป็นลูกโซ่

9. แต่ถ้าให้ AI คิดทุกไอเดีย ทุกคนอาจขึ้นภูเขาลูกเดียวกัน

Doshi และ Hauser พบว่าไอเดียเรื่องจาก AI ช่วยเพิ่มการประเมินผลงานรายบุคคลโดยเฉลี่ย แต่ผลงานที่ใช้ AI มีความคล้ายกันมากขึ้น ทำให้ความหลากหลายรวมลดลง.^[6]

ถ้าทุกคนถามโมเดลเดียวกันว่า “ขอไอเดียสร้างสรรค์ 10 ข้อ” ทุกคนอาจขึ้นรถทัวร์คันเดียวกัน

ดังนั้นข้อมูลแปลกๆ จากมนุษย์ยังสำคัญ

• ความยุ่งยากที่เจอจริง
• รายละเอียดแปลกในหน้างาน
• ข้อจำกัดเฉพาะของระบบเดิม
• อุปมาจากสาขาอื่น
• การผสมที่ไม่ธรรมดา
• คำถามว่า “ทุกคนทำแบบนี้ แล้วทำไม?”

มนุษย์โยนก้อนหินแปลกๆ ลงน้ำหนึ่งก้อน

AI ขยายคลื่นให้ใหญ่ขึ้น

10. วงจรใช้งานจริงง่ายมาก: ประกาย→หนึ่งประโยค→แยก→มอบหมาย→ตรวจ→ประกายใหม่

1. ประกาย — “ถ้าตรงนี้ทำแบบนั้นได้ จะสะดวกไหม?”
2. หนึ่งประโยค — ใครควรเปลี่ยนจากสถานะใดไปสู่สถานะใด
3. แยกงาน — วิจัย ออกแบบ พัฒนา ตรวจสอบ
4. มอบหมาย — อย่าเก็บทุกอย่างไว้ในหัว ส่งต่อให้ AI
5. ชิ้นงาน — ข้อความ หน้าจอ โค้ด หรือข้อมูลที่มองเห็นได้
6. อ่านกลับ — ตรวจว่าเป้าหมายเกิดขึ้นจริง
7. คิดต่อ — เมื่อสิ่งนี้มีแล้ว อะไรจึงเป็นไปได้อีก

A ทำให้เห็น B A+B สร้าง C C ทำให้เรานิยามบริการทั้งระบบใหม่เป็น D ได้

เริ่มจากประกายเล็กๆ และจบที่โรงไฟฟ้าได้

11. กับดักคือความเร็วของไอเดียแซงความเร็วของการจัดระเบียบ

ไอเดียเร็ว บวกการสร้างเร็ว ทำให้ระบบต่อเติมไม่หยุด

วันหนึ่งเปิดสายไฟแล้วถามว่า

“ใครทำแบบนี้?”

ตัวเราเมื่อวาน

คำตอบไม่ใช่หยุดไอเดีย

แต่ต้องทำโครงสร้างให้แข็งแรงขึ้น

• อย่าสร้างแหล่งความจริงหลายชุดโดยไม่จำเป็น
• อย่าทำระบบที่สองสำหรับความรับผิดชอบเดียวกัน
• ถ้ารวมกับระบบเดิมได้ ให้รวม
• ทำขนานเฉพาะงานที่เป็นอิสระจริง
• หลังสร้างต้องอ่านกลับและตรวจสอบ
• การเปลี่ยนแปลงสำคัญต้องมีด่านคุณภาพ
• แยก “ทำได้” ออกจาก “ควรทำตอนนี้”

ไม่ต้องลดคันเร่ง

เพิ่มคุณภาพพวงมาลัยและเบรก

12. สรุป: ความได้เปรียบในยุค AI ย้ายจาก “ใช้ AI เป็น” ไปสู่ “สร้างงานให้ AI ได้”

โมเดลจะเก่งขึ้นเรื่อยๆ

ความรู้มากขึ้น โค้ดเร็วขึ้น การเขียนเร็วขึ้น และการใช้หลายเอเจนต์ง่ายขึ้น

บทบาทมนุษย์จึงขยับขึ้นไป

มองเห็นว่าสิ่งใดควรมี
สร้างประกายแรก
จัดกรอบปัญหาใหม่
แบ่งงาน
มอบให้ AI
ดูผลลัพธ์จริง
แล้วสร้างไอเดียถัดไปจากความจริง

AI คือความสามารถมหาศาล

แต่ความสามารถรอให้งานมาถึง

ในบริษัทที่มี AI อัจฉริยะ 100 ตัว คนที่ขาดคนแรกอาจไม่ใช่อัจฉริยะตัวที่ 101

แต่อาจเป็นคนที่เขียนบรรทัดแรกบนใบงาน

---

แหล่งข้อมูล

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