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

วงรอบการใช้ AI 5 ขั้นตอน: เข้าใจคนและปัญหา ออกแบบวิธีแก้ ใช้ AI เป็นคู่คิด ลงมือทีละส่วน และตรวจด้วยหลักฐาน จากนั้นนำผลจริงกลับมาปรับความเข้าใจปัญหา โดยคนกำหนดเป้าหมายและรับผิดชอบ
เข้าใจปัญหา → ออกแบบวิธีแก้ → ใช้ AI เป็นคู่คิด → ลงมือทีละส่วน → ตรวจด้วยหลักฐาน → นำผลกลับมาปรับ กดเพื่อดูขนาดเต็ม และอ่านรายละเอียดแต่ละขั้นตอนได้ด้านล่าง

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

  1. ถูกต้องหรือไม่? ข้อมูล กติกา และการคำนวณตรงตามที่กำหนดหรือเปล่า
  2. ใช้งานได้จริงหรือไม่? ผู้ใช้ทำงานสำเร็จได้ในสภาพแวดล้อมที่ต้องใช้หรือเปล่า
  3. 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

← บทความทั้งหมด