เมื่อ AI ช่วยเขียนโค้ด ร่างเอกสาร และสร้างต้นแบบได้สะดวกขึ้น คำถามที่คนทำงานควรถามตัวเองคือ เรารู้ชัดแค่ไหนว่าสิ่งที่กำลังให้ AI สร้างนั้น จะแก้ปัญหาให้ใคร และจะรู้ได้อย่างไรว่ามันใช้ได้จริง?
การทำงานร่วมกับ AI เริ่มได้จากการสังเกต ทำความเข้าใจ และออกแบบวิธีแก้ปัญหา ผ่านกรอบทำงาน 5 ขั้นตอนแบบ Feedback Loop หรือวงรอบที่นำผลจริงกลับมาปรับการทำงาน
กรอบนี้ใช้ได้ทั้งกับการพัฒนาซอฟต์แวร์ งานเอกสาร งานวิเคราะห์ และการปรับกระบวนการ โดยให้คนกำหนดเป้าหมายและรับผิดชอบการตัดสินใจ ส่วน AI เข้ามาช่วยคิด ช่วยทำ และช่วยตรวจในแต่ละช่วง
ภาพรวม: การใช้ AI ที่เรียนรู้จากผลจริง
หัวใจของวงรอบนี้คือ เป้าหมายชัด ตรวจผลจริง และปรับอย่างต่อเนื่อง เมื่อทดลองแล้วพบว่าสิ่งที่ทำยังไม่ตอบโจทย์ เราควรใช้สิ่งที่พบช่วยตัดสินใจว่าจะปรับคำสั่ง กติกา วิธีแก้ หรือแม้กระทั่งความเข้าใจปัญหาตั้งต้น
1. เข้าใจคนและปัญหา: ใครกำลังติดขัดอะไร?
ก่อนเปิดแชตเพื่อขอให้ AI สร้างงาน ลองอธิบายสถานการณ์จริงให้ได้ก่อนว่า ใครเป็นผู้ใช้ เขากำลังพยายามทำอะไร และอะไรทำให้เขาทำสิ่งนั้นได้ยาก
สมมติทีมหนึ่งต้องการ “ระบบอนุมัติเอกสาร” หากเริ่มสร้างทันที เราอาจได้หน้าจอส่งคำขอ ปุ่มอนุมัติ และรายงานครบถ้วน แต่เมื่อคุยกับคนทำงาน อาจพบว่าปัญหาหลักคือผู้อนุมัติไม่รู้ว่ามีงานรอ และผู้ส่งไม่รู้ว่าเอกสารติดอยู่ที่ใคร
ความเข้าใจนี้ทำให้เราเริ่มจากการมองเห็นสถานะและการแจ้งเตือนได้ โดยยังไม่ต้องสร้างทุกฟังก์ชันพร้อมกัน
คำถามเริ่มต้นที่ช่วยให้โจทย์ชัดขึ้นมีดังนี้
- ใครได้รับผลกระทบ และกระทบในขั้นตอนไหน?
- ปัจจุบันเขาแก้ขัดอย่างไร และต้องเสียอะไรไปบ้าง?
- มีตัวอย่างเหตุการณ์จริงหรือเอกสารให้ตรวจหรือไม่?
- ถ้าปัญหาลดลง เราจะสังเกตเห็นอะไรเปลี่ยนไป?
สิ่งที่ควรได้จากขั้นนี้: ประโยคปัญหาที่ผูกกับคนและสถานการณ์ เช่น “ผู้ขอไม่ทราบว่าเอกสารอยู่กับใคร จึงต้องตามงานผ่านแชตซ้ำ ๆ”
2. ออกแบบวิธีแก้: เปลี่ยนความเข้าใจให้เป็นกติกา
เมื่อรู้ว่าจะแก้ปัญหาอะไร ขั้นต่อไปคืออธิบายวิธีทำงานให้ชัดพอที่ทั้งคนและ AI จะตรวจร่วมกันได้
ในบทความนี้ เราใช้คำว่า การออกแบบ computation หมายถึงการคิดว่าระบบรับข้อมูลอะไร ใช้กติกาใด เปลี่ยนสถานะอย่างไร และให้ผลลัพธ์อะไร รวมถึงจะรับมือกับกรณีผิดปกติอย่างไร
สำหรับระบบอนุมัติเอกสาร เราอาจเริ่มด้วยกติกาต่อไปนี้
- ข้อมูลเข้า: ผู้ขอ ประเภทเอกสาร จำนวนเงิน และเอกสารแนบ
- การตัดสินใจ: วงเงินแต่ละระดับต้องผ่านผู้อนุมัติคนใด
- สถานะ: ร่าง รออนุมัติ ส่งกลับ และอนุมัติแล้ว
- กรณียกเว้น: ผู้อนุมัติลา ผู้ขอส่งซ้ำ หรือจำนวนเงินถูกแก้หลังส่ง
- ผลลัพธ์ที่ต้องตรวจ: ผู้ขอเห็นผู้รับผิดชอบปัจจุบัน และตรวจประวัติการตัดสินใจได้
ยังไม่จำเป็นต้องออกแบบทุกอย่างละเอียดตั้งแต่ครั้งแรก แต่ควรกำหนด เกณฑ์ยอมรับผลงาน ก่อนเริ่ม เช่น “เมื่อส่งคำขอสำเร็จ ผู้ขอต้องเห็นสถานะและผู้อนุมัติขั้นถัดไป” เกณฑ์นี้จะเป็นหลักสำหรับตรวจต้นแบบในภายหลัง
สิ่งที่ควรได้จากขั้นนี้: แผนภาพหรือรายการกติกาสั้น ๆ พร้อมตัวอย่างข้อมูลและเกณฑ์ที่ใช้ตัดสินว่างานผ่านหรือยัง
3. ใช้ AI เป็นคู่คิด: ให้ช่วยหาคำถามที่เรายังไม่ได้ถาม
AI เข้ามาช่วยได้ตั้งแต่การทำความเข้าใจปัญหา เราสามารถให้ช่วยจัดกลุ่มข้อมูล ตั้งคำถามกับสมมติฐาน เปรียบเทียบทางเลือก และหากรณีที่อาจตกหล่นได้
ตัวอย่างคำสั่งในช่วงออกแบบคือ
นี่คือกระบวนการอนุมัติเอกสารปัจจุบัน ช่วยแยกข้อเท็จจริง สมมติฐาน และข้อมูลที่ยังขาด จากนั้นเสนอวิธีแก้ 2 ทางเลือก พร้อมข้อดี ข้อจำกัด และกรณียกเว้นที่ต้องตรวจ โดยยังไม่เริ่มเขียนโค้ด
หาก AI เสนอให้เพิ่มระบบแจ้งเตือน เราควรถามต่อว่าใครควรได้รับ เมื่อไร และกรณีใดไม่ควรส่ง มิฉะนั้นสิ่งที่ตั้งใจให้ช่วยตามงานอาจกลายเป็นข้อความรบกวนผู้ใช้
ข้อเสนอของ AI จึงควรถูกนำไปเทียบกับข้อมูลจริงและข้อจำกัดขององค์กร คนที่รู้บริบทต้องช่วยตัดสินว่าแนวทางใดเหมาะสม และส่วนใดยังต้องไปถามผู้ใช้เพิ่ม
สิ่งที่ควรได้จากขั้นนี้: ทางเลือกที่มีเหตุผลรองรับ รายการสมมติฐานที่ต้องตรวจ และวิธีแก้ที่เลือกสำหรับการทดลองรอบแรก
4. ลงมือทีละส่วน: สร้างสิ่งเล็กพอที่จะเรียนรู้ได้
เมื่อโจทย์และกติกาชัดขึ้น ให้เลือกส่วนเล็กที่สุดที่ทดลองแล้วตอบคำถามสำคัญได้
ในตัวอย่างนี้ อาจเริ่มจากการส่งคำขอหนึ่งประเภท ผ่านผู้อนุมัติหนึ่งระดับ และแสดงสถานะให้ผู้ขอเห็น จากนั้นค่อยพิจารณาเพิ่มหลายระดับ การมอบหมายแทน หรือรายงานตามผลที่พบ
AI สามารถช่วยร่างหน้าจอ เขียนโค้ด สร้างข้อมูลจำลอง หรือเตรียมรายการตรวจได้ แต่ควรบอกขอบเขตงานแต่ละรอบให้ชัด เช่น
สร้างต้นแบบเฉพาะการส่งคำขอและแสดงสถานะ ใช้ข้อมูลจำลองตามตัวอย่างนี้ ให้ทำตามกติกาที่ตกลงไว้ และสรุปส่วนที่ยังไม่รองรับเพื่อใช้วางแผนรอบถัดไป
การแบ่งงานเป็นรอบเล็กช่วยให้เราเห็นได้ว่าส่วนใดตอบโจทย์ ส่วนใดต้องแก้ และควรลงทุนต่อในจุดไหน สำหรับงานเอกสารก็ใช้หลักเดียวกันได้ เช่น ทดลองโครงเรื่องและหนึ่งหัวข้อก่อนร่างทั้งฉบับ
สิ่งที่ควรได้จากขั้นนี้: ต้นแบบหรือชิ้นงานที่ทดลองได้จริง พร้อมขอบเขตและข้อจำกัดที่มองเห็นได้
5. ตรวจด้วยหลักฐาน: ผลงานแก้ปัญหาได้หรือยัง?
เมื่อ AI แจ้งว่าทำงานเสร็จ เราควรกลับไปตรวจตามเกณฑ์ที่ตั้งไว้ โดยแยกสามคำถามออกจากกัน
- ถูกต้องหรือไม่? ข้อมูล กติกา และการคำนวณตรงตามที่กำหนดหรือเปล่า
- ใช้งานได้จริงหรือไม่? ผู้ใช้ทำงานสำเร็จได้ในสภาพแวดล้อมที่ต้องใช้หรือเปล่า
- แก้ปัญหาได้หรือไม่? สิ่งที่เคยติดขัดลดลงหรือยัง
หน้าจอแสดงผลได้เป็นหลักฐานว่าหน้าจอทำงาน แต่ยังไม่ยืนยันว่าระบบเลือกผู้อนุมัติถูกต้อง หรือผู้ใช้จะตามงานน้อยลง จึงต้องเลือกวิธีตรวจให้ตรงกับคำถาม
ตัวอย่างการทดลองคือให้ผู้ขอส่งเอกสาร แล้วให้เขาหาคำตอบเองว่าเอกสารอยู่กับใครและต้องทำอะไรต่อ เก็บทั้งจุดที่ทำสำเร็จ จุดที่ต้องถาม และกรณีที่ระบบแสดงข้อมูลผิด ก่อนตัดสินใจว่าจะปรับอะไร
สิ่งที่ควรได้จากขั้นนี้: ผลการตรวจที่ย้อนดูได้ เช่น ตัวอย่างผลลัพธ์ บันทึกข้อผิดพลาด และความเห็นของผู้ใช้ พร้อมรายการปรับปรุงรอบถัดไป
ปิดวงรอบ: ผลตรวจควรพาเรากลับไปแก้ตรงไหน?
Feedback Loop มีคุณค่าเมื่อผลที่พบทำให้การตัดสินใจรอบต่อไปเปลี่ยนไป เราอาจย้อนกลับไปคนละขั้นตามสาเหตุ
- ระบบใช้กติกาผิด: กลับไปแก้การลงมือทำ แล้วตรวจซ้ำด้วยกรณีเดิม
- กติกาไม่ครอบคลุมผู้อนุมัติลา: กลับไปออกแบบกรณียกเว้นและตกลงกับผู้รับผิดชอบ
- สถานะถูกต้องแต่ผู้ใช้ยังหาไม่เจอ: กลับไปดูการนำเสนอและวิธีใช้งานจริง
- ทุกคนเห็นสถานะแล้วแต่งานยังค้าง: กลับไปทำความเข้าใจปัญหา อาจติดเรื่องอำนาจอนุมัติหรือภาระงานที่ซอฟต์แวร์อย่างเดียวแก้ไม่ได้
ภาพอินโฟกราฟิกจึงใช้ลูกศรย้อนจาก “ตรวจด้วยหลักฐาน” ไปยัง “เข้าใจคนและปัญหา” เพื่อเตือนให้กลับมาทบทวนโจทย์ด้วย อย่างไรก็ตาม ในทางปฏิบัติไม่จำเป็นต้องเริ่มใหม่ทั้งหมดทุกครั้ง ให้ย้อนกลับไปยังขั้นที่เกี่ยวข้องกับสิ่งที่พบ
วงรอบหนึ่งควรจบด้วยการตัดสินใจที่ชัดเจนว่า ยอมรับผลงาน ปรับจุดใด ทดลองอะไรเพิ่ม หรือหยุดเพราะยังไม่คุ้มที่จะทำต่อ การปรับอย่างต่อเนื่องจึงควรมีเป้าหมายและขอบเขตแต่ละรอบด้วย
Prompt, Skills และ Agents อยู่ตรงไหนในวิธีทำงานนี้?
คำสั่งที่ชัด คู่มือการทำงานที่ใช้ซ้ำ และระบบที่ช่วยดำเนินงานหลายขั้นตอน สามารถรองรับวงรอบนี้ได้ เช่น บันทึกกติกาของทีม เตรียมรายการตรวจ หรือช่วยทำงานซ้ำตามขอบเขตที่กำหนด
หลักเลือกใช้คือถามว่าเครื่องมือนั้นช่วยขั้นตอนไหน และจะตรวจประโยชน์ของมันอย่างไร หากเรายังไม่รู้ว่าผลงานที่ดีหน้าตาเป็นอย่างไร การเพิ่มคำสั่งหรือเพิ่มระบบอัตโนมัติอาจยังไม่แก้ความคลุมเครือของโจทย์
พื้นฐานที่ควรฝึกควบคู่กันคือการตั้งคำถาม แยกปัญหา ออกแบบข้อมูลและกติกา เปรียบเทียบทางเลือก และประเมินผล สิ่งเหล่านี้ช่วยให้เราเลือกและใช้เครื่องมือได้มีทิศทางขึ้น
ลองเริ่มกับงานหนึ่งชิ้น
เลือกงานเล็กที่มีผู้ใช้และตรวจผลได้ แล้วเขียนข้อมูลต่อไปนี้ก่อนเริ่มคุยกับ AI
ผู้ใช้: ใครจะใช้ผลงานนี้
ปัญหา: เขาติดขัดเรื่องอะไร มีตัวอย่างใดรองรับ
เป้าหมาย: อยากเห็นอะไรเปลี่ยนไป
ข้อมูลและข้อจำกัด: มีอะไรให้ใช้ และต้องเคารพเงื่อนไขใด
ขอบเขตรอบแรก: จะทดลองทำส่วนไหน
เกณฑ์ตรวจ: จะใช้หลักฐานอะไรตัดสินว่าผ่าน
การปรับรอบต่อไป: ถ้าผลไม่ถึงเป้าหมาย จะทบทวนตรงไหน
จากนั้นให้ AI ช่วยหาจุดที่ยังไม่ชัด เสนอวิธีทำ และลงมือทีละส่วน เมื่อมีผลจริงแล้ว ให้นำสิ่งที่พบกลับมาปรับโจทย์และวิธีแก้ วงรอบนี้ทำให้เราเรียนรู้ทั้งเรื่องการใช้ AI และเรื่องงานที่กำลังพัฒนาไปพร้อมกัน
อ่านต่อ: 3 วิธีใช้ AI ในเบราว์เซอร์ให้ช่วยงานจริง และ เมื่อสถานะสีเขียวยังไม่ใช่การทดสอบครบกระบวนการ