ໃຊ້ AI ເພີ່ມປະສິດທິພາບໃຫ້ທີມນ້ອຍຊະນະ: ເພີ່ມການລົງທຶນເພື່ອຜົນລັດ ບໍ່ແມ່ນແຄ່ປະຢັດເວລາ

ເມື່ອເອົາ AI ເຂົ້າໄປໃນທີມງານຂະໜາດນ້ອຍທີ່ມີປະສິດທິພາບສູງ, ສິ່ງທີ່ຄວນຕັດສິນໃຈເປັນອັນດັບທຳອິດຄື "ຈະໃຊ້ເຮັດຫຍັງ". ຈະໃຊ້ເພື່ອຫຼຸດຜ່ອນຊົ່ວໂມງເຮັດວຽກ ຫຼື ໃຊ້ເພື່ອຈັດສັນເວລາທີ່ຫວ່າງໃຫ້ກັບວຽກທີ່ສ້າງຜົນງານໂດຍກົງ? ບົດຄວາມນີ້ມີທັດສະນະຄະຕິຕໍ່ກັບທາງເລືອກຫຼັງ. ເນື່ອງຈາກຄວາມໄວໃນການເຮັດວຽກຈະກາຍເປັນສິ່ງທີ່ທຸກຄົນສາມາດເຂົ້າເຖິງໄດ້ໃນອະນາຄົດ, ຄວາມແຕກຕ່າງຈະຍ້າຍໄປຢູ່ທີ່ "ຈະໃຊ້ເວລາໄປກັບຫຍັງ" ແທນ.

ທີມງານຂະໜາດນ້ອຍທີ່ມີປະສິດທິພາບສູງໃນທີ່ນີ້ ໝາຍເຖິງໜ່ວຍງານທີ່ປະກອບດ້ວຍຄົນຈຳນວນໜ້ອຍ ເຊິ່ງຮັບຜິດຊອບຕັ້ງແຕ່ການວາງແຜນ, ການປະຕິບັດງານ, ການຂາຍ ໄປຈົນເຖິງການປັບປຸງ ແລະ ຖືກປະເມີນຜົນຈາກຜົນງານທີ່ອອກມາ. ບໍ່ວ່າຈະເປັນສະຕາດອັບ (Startup) ຫຼື ພະແນກທີ່ເຕັມໄປດ້ວຍຍອດຝີມືໃນບໍລິສັດໃຫຍ່, ລວມໄປເຖິງກໍລະນີທີ່ດຳເນີນການໂດຍຄົນດຽວ. ຕໍ່ໄປນີ້, ພວກເຮົາຈະມາເບິ່ງກັນວ່າ AI ຈະປ່ຽນແປງຮູບແບບການແຂ່ງຂັນແນວໃດ, ຄວນມອບໝາຍວຽກໃດໃຫ້ AI ແລະ ວຽກໃດທີ່ຄວນຮັກສາໄວ້, ລວມເຖິງວິທີການປ່ຽນຄວາມພະຍາຍາມໃນໄລຍະສັ້ນໃຫ້ກາຍເປັນ "ລະບົບ" ໂດຍອີງໃສ່ຂໍ້ມູນການຄົ້ນຄວ້າດ້ານຜະລິດພາບ. ສຳລັບຜູ້ອ່ານທີ່ຕ້ອງການຄວາມວ່ອງໄວ, ສາມາດຕິດຕາມຈຸດສຳຄັນໄດ້ຈາກຂໍ້ຄວາມຕົວໜາທີ່ຢູ່ຕອນຕົ້ນຂອງແຕ່ລະຫົວຂໍ້.

AI ແມ່ນຈະເລີ່ມຈາກການຍົກລະດັບຄຸນນະພາບຂອງວຽກງານທີ່ກຳນົດໄວ້ໃຫ້ຢູ່ໃນລະດັບດຽວກັນ. ຜົນທີ່ຕາມມາຄື, ຈຸດທີ່ສ້າງຄວາມແຕກຕ່າງໃນການແຂ່ງຂັນຈະປ່ຽນຈາກຄວາມໄວໃນການເຮັດວຽກ ໄປສູ່ການຕັດສິນໃຈ, ການລວມ ຫຼື Merge, ແລະ ການໃຊ້ເຊນສ໌ (Sense) ເຊິ່ງເປັນສິ່ງທີ່ AI ຍັງບໍ່ຖະໜັດ. ສຳລັບທີມງານຂະໜາດນ້ອຍ, ສິ່ງນີ້ຖືເປັນປັດໄຈທີ່ຊ່ວຍສົ່ງເສີມໃຫ້ດີຂຶ້ນກວ່າເກົ່າ.

AI ທີ່ຊ່ວຍເພີ່ມປະສິດທິພາບການຜະລິດໄດ້ນັ້ນ, ອັນດັບທຳອິດແມ່ນ "ຜູ້ທີ່ເຮັດວຽກຕາມຂັ້ນຕອນທີ່ກຳນົດໄວ້". ເລື່ອງນີ້ມີຂໍ້ມູນຢືນຢັນຢ່າງຊັດເຈນ. ຈາກການສຶກສາທີ່ກວດສອບພະນັກງານບໍລິການລູກຄ້າຈຳນວນ 5,179 ຄົນ ພົບວ່າ ການໃຊ້ AI ຊ່ວຍເຮັດໃຫ້ຈຳນວນການແກ້ໄຂບັນຫາເພີ່ມຂຶ້ນສະເລ່ຍ 14%, ແຕ່ເມື່ອແຍກລາຍລະອຽດແລ້ວ ພະນັກງານໃໝ່ ຫຼື ກຸ່ມທີ່ມີທັກສະຕໍ່າເພີ່ມຂຶ້ນເຖິງ +34%, ໃນຂະນະທີ່ພະນັກງານລະດັບສູງທີ່ມີປະສົບການສູງນັ້ນແທບຈະບໍ່ມີການປ່ຽນແປງ (Brynjolfsson, Li & Raymond "Generative AI at Work" QJE, 2025). ນັ້ນກໍຍ້ອນວ່າ AI ໄດ້ຮຽນຮູ້ວິທີການເຮັດວຽກຂອງຜູ້ທີ່ເກັ່ງ ແລ້ວສົ່ງຂໍ້ມູນຕໍ່ໃຫ້ພະນັກງານລະດັບສະເລ່ຍ. ໃນຄວາມເປັນຈິງ, ພະນັກງານໃໝ່ທີ່ໃຊ້ AI ສາມາດບັນລຸລະດັບມາດຕະຖານທີ່ປົກກະຕິຕ້ອງໃຊ້ເວລາເຖິງເຄິ່ງປີ ໃຫ້ສຳເລັດໄດ້ພາຍໃນ 2 ເດືອນ.

ກ່າວຄື, ວຽກງານປະເພດການຈັດຕັ້ງປະຕິບັດ, ການສຳຫຼວດ ແລະ ການສ້າງເອກະສານຕ່າງໆ ກຳລັງກ້າວເຂົ້າສູ່ທິດທາງທີ່ໃຜກໍສາມາດເຮັດໃຫ້ໄດ້ຄຸນນະພາບໃນລະດັບດຽວກັນຢ່າງວ່ອງໄວ. ນັ້ນໝາຍຄວາມວ່າ ຄຸນຄ່າຂອງ "ຄວາມສາມາດໃນການເຮັດວຽກໄດ້ຢ່າງວ່ອງໄວ ແລະ ຖືກຕ້ອງ" ຈະຫຼຸດລົງ. ການແຂ່ງຂັນກັນດ້ວຍຄວາມໄວໃນການເຮັດວຽກ ກໍປຽບເໝືອນການຍ່າງເຂົ້າໄປໃນສະໜາມທີ່ການແຂ່ງຂັນຮຸນແຮງທີ່ສຸດ ແລະ ເປັນຈຸດທີ່ສ້າງຄວາມແຕກຕ່າງໄດ້ຍາກທີ່ສຸດນັ້ນເອງ.

ເມື່ອກ່ອນ, ການທີ່ທີມງານຂະໜາດນ້ອຍຈະເອົາຊະນະອົງກອນຂະໜາດໃຫຍ່ໄດ້ນັ້ນແມ່ນເລື່ອງຍາກ. ບໍ່ວ່າຈະເປັນການຂາດແຄນວິສະວະກອນ, ບໍ່ມີຄົນເຮັດເອກະສານການຂາຍ, ຫຼື ການຄົ້ນຄວ້າທີ່ບໍ່ທັນການ—ຄວາມແຕກຕ່າງດ້ານຈຳນວນຄົນ ກໍຄືຄວາມແຕກຕ່າງຂອງຜົນລັອກໂດຍກົງ.

ໃນປັດຈຸບັນ, ຖ້າຫາກນຳໃຊ້ AI ໃຫ້ເກີດປະໂຫຍດ ກໍສາມາດຈັດການວຽກສ່ວນໃຫຍ່ໄດ້ດ້ວຍຄົນຈຳນວນໜ້ອຍ. ທີມງານທີ່ມີພຽງສອງສາມຄົນ ຫຼື ເວົ້າໄດ້ວ່າເປັນທີມງານທີ່ມີພຽງຄົນດຽວ ກໍສາມາດດຳເນີນວຽກຕັ້ງແຕ່ການວາງແຜນ, ການກຳນົດຄວາມຕ້ອງການ (Requirement Definition), ການປະຕິບັດງານ, ການທົດສອບ, ການເຮັດເອກະສານການຂາຍ, ການສອບຖາມລູກຄ້າ ໄປຈົນເຖິງການປັບປຸງແກ້ໄຂ ໃຫ້ເປັນຂະບວນການດຽວກັນໄດ້. ເມື່ອວຽກງານຕ່າງໆຖືກຈັດວາງໃນ ແນວນອນ ຫຼື Horizontal, ແຫຼ່ງທີ່ມາຂອງຄວາມໄດ້ປຽບໃນການແຂ່ງຂັນກໍຈະປ່ຽນໄປສູ່ການຕັດສິນໃຈ, ການລວມ ຫຼື Merge, ແລະ ຄວາມຮູ້ສຶກ (Sense) ເຊິ່ງເປັນສິ່ງທີ່ AI ຍັງບໍ່ຖະໜັດ. ຈຸດແຂງຂອງທີມງານຂະໜາດນ້ອຍຄືການສາມາດກຳກັບເບິ່ງແຍງຕ່ອງໂສ້ມູນຄ່າ (Value Chain) ທັງໝົດໄດ້ດ້ວຍການຕັດສິນໃຈພຽງບໍ່ເທົ່າໃດຄັ້ງ. ໃນອົງກອນທີ່ມີການແບ່ງໜ້າທີ່ຕາມຂະບວນການ, ການຕັດສິນໃຈຈະກະຈັດກະຈາຍ ແລະ ເຈດຕະນາຈະຫຼຸດໜ້ອຍຖອຍລົງທຸກຄັ້ງທີ່ມີການສົ່ງຕໍ່ວຽກ. ແຕ່ຖ້າເປັນທີມງານຂະໜາດນ້ອຍ, ຈະບໍ່ມີການສູນເສຍຄວາມຕັ້ງໃຈນັ້ນໄປ.

ຖ້າຫາກ AI ເຮັດໃຫ້ຜະລິດຕະພັນເພີ່ມຂຶ້ນ, ເຫດໃດຈຶ່ງບໍ່ມີບໍລິສັດໃດບໍລິສັດໜຶ່ງຄອບຄອງຕະຫຼາດພຽງຜູ້ດຽວ? ນັ້ນກໍຍ້ອນວ່າ AI ໂຕດຽວກັນນັ້ນ ກໍເປີດກວ້າງໃຫ້ກັບຝ່າຍທີ່ທ້າທາຍເຊັ່ນກັນ. ຍິ່ງກຳແພງໃນການເຂົ້າສູ່ຕະຫຼາດຕ່ຳລົງເທົ່າໃດ, ຜູ້ທ້າທາຍກໍຍິ່ງເພີ່ມທະວີຂຶ້ນເລື້ອຍໆ. ດັ່ງນັ້ນ, ສິ່ງທີ່ຈະເກີດຂຶ້ນຈຶ່ງບໍ່ແມ່ນ "ຜູ້ຊະນະທີ່ກິນລວມ", ແຕ່ເປັນການທີ່ສ່ວນແບ່ງຕະຫຼາດຈະເອນອຽງໄປສູ່ບໍລິສັດຈຳນວນໜ້ອຍທີ່ກ້າວລ້ຳໜ້າກວ່າໃນດ້ານຄຸນນະພາບຂອງການຕັດສິນໃຈ ແລະ ຄວາມເຂົ້າໃຈລູກຄ້າ. ຕຳແໜ່ງດັ່ງກ່າວກໍບໍ່ໄດ້ຄົງທີ່, ແຕ່ຈະມີການປ່ຽນແປງໄປຕາມເວລາທີ່ແຕ່ລະບໍລິສັດສາມາດຈັດສັນໃຫ້ກັບວິທີການຊະນະທີ່ AI ບໍ່ສາມາດເຮັດແທນໄດ້.

ມັກຈະມີຄຳກ່າວວ່າ "AI ຊ່ວຍໃຫ້ເຮັດວຽກໄດ້ໄວຂຶ້ນ 2-3 ເທົ່າ", ແຕ່ໃນຄວາມເປັນຈິງແລ້ວ ມັນມັກຈະບໍ່ໄດ້ໝາຍຄວາມວ່າວຽກໜຶ່ງຢ່າງຈະສຳເລັດໄວຂຶ້ນ 2-3 ເທົ່າສະເໝີໄປ. ສິ່ງທີ່ສົ່ງຜົນແທ້ຈິງຄື "ຄວາມກວ້າງ" ຂອງຂອບເຂດວຽກທີ່ຮັບຜິດຊອບ ແລະ ການນຳເວລາທີ່ຫວ່າງອອກມາ "ລົງທຶນໃໝ່" ເພີ່ມເຂົ້າໄປນັ້ນເອງ.

ການປະຢັດເວລາໃນການເຮັດວຽກໜຶ່ງຢ່າງ ມັກຈະບໍ່ໄດ້ຫຼາຍຢ່າງທີ່ເຮົາຄິດໄວ້. ການຄົ້ນຄວ້າຂອງຜູ້ຂາຍ (Vendor) ຍັງລະບຸວ່າຜົນການວັດແທກຕົວຈິງໂດຍທົ່ວໄປແມ່ນຢູ່ທີ່ 15-55% ເຊິ່ງວຽກໃດທີ່ຍາກ, ຕ້ອງການຄຸນນະພາບສູງ ແລະ ເປັນວຽກທີ່ໃກ້ຄຽງກັບຄວາມຊ່ຽວຊານຂອງຕົນເອງຫຼາຍເທົ່າໃດ ປະສິດທິຜົນກໍຈະຍິ່ງຫຼຸດລົງ ແລະ ບາງຄັ້ງກໍສົ່ງຜົນໃນທາງລົບອີກດ້ວຍ.

ສິ່ງທີ່ເປັນສັນຍະລັກຄືການທົດລອງຂອງ METR (2025). ເມື່ອນັກພັດທະນາລະດັບມືອາຊີບທີ່ມີປະສົບການສະເລ່ຍ 5 ປີ ຈຳນວນ 16 ຄົນ ໄດ້ລົງມືເຮັດວຽກ 246 ວຽກ, ຜົນປາກົດວ່າການໃຊ້ AI ເຮັດໃຫ້ວຽກຊ້າລົງເຖິງ 19%. ແຕ່ເຖິງຢ່າງນັ້ນ, ຫຼັງຈາກເຮັດວຽກສຳເລັດ ພວກເຂົາກັບຮູ້ສຶກວ່າ "ໄວຂຶ້ນປະມານ 20%". ເນື່ອງຈາກກ່ອນເລີ່ມວຽກ ພວກເຂົາຄາດການໄວ້ວ່າ "ຈະສາມາດຫຼຸດເວລາໄດ້ຫຼາຍກວ່າ 20%", ເຮັດໃຫ້ຊ່ອງຫວ່າງລະຫວ່າງຄວາມຮູ້ສຶກກັບຜົນວັດແທກຕົວຈິງຫ່າງກັນເຖິງປະມານ 40 ຈຸດ.

ສິ່ງທີ່ໜ້າສົນໃຈຄື ພາບລວງຕານີ້ມັກຈະເກີດຂຶ້ນໃນ "ຂົງເຂດທີ່ຕົນເອງມີຄວາມຮູ້ເລິກເຊິ່ງ". ໃນຂົງເຂດທີ່ບໍ່ຄຸ້ນເຄີຍ, ຄຳແນະນຳຂອງ AI ສາມາດນຳໃຊ້ໄດ້ທັນທີ ແຕ່ໃນຂົງເຂດທີ່ຊ່ຽວຊານ, ການກວດສອບ ແລະ ການແກ້ໄຂຄຳແນະນຳເຫຼົ່ານັ້ນຕ້ອງໃຊ້ເວລາ. ເຖິງຢ່າງນັ້ນ, ຄວາມຮູ້ສຶກທີ່ວ່າ "ໄດ້ວຽກໄປຫຼາຍເທົ່າກັບຈຳນວນທີ່ສ້າງຂຶ້ນມາ" ກໍເຮັດໃຫ້ຮູ້ສຶກວ່າຕົນເອງເຮັດວຽກໄດ້ໄວເກີນກວ່າຄວາມເປັນຈິງ. ຍິ່ງເປັນຂົງເຂດທີ່ຊ່ຽວຊານຫຼາຍເທົ່າໃດ, ຄວາມຮູ້ສຶກທີ່ວ່າ "ໄວຂຶ້ນ" ນັ້ນ ຄວນຈະຕັ້ງຂໍ້ສົງໄສໄວ້ກ່ອນ.

ແລ້ວ "2 ເທົ່າ ຫຼື 3 ເທົ່າ" ນັ້ນມາຈາກໃສ? ໂດຍຫຼັກໆແລ້ວມີ 2 ຢ່າງ.

ຢ່າງທຳອິດແມ່ນ ຄວາມກວ້າງ. ຈາກທີ່ເຄີຍແບ່ງງານກັນເຮັດລະຫວ່າງ ການວາງແຜນ, ການຈັດຕັ້ງປະຕິບັດ, ເອກະສານການຂາຍ ແລະ ການບໍລິການລູກຄ້າ, ບັດນີ້ຄົນຈຳນວນໜ້ອຍສາມາດຮັບຜິດຊອບວຽກງານເຫຼົ່ານີ້ຕໍ່ເນື່ອງກັນໄປໄດ້ໂດຍມີ AI ເປັນຄູ່ຮ່ວມງານ. ເຖິງວ່າການປະຢັດເວລາໃນແຕ່ລະຂັ້ນຕອນຈະມີພຽງເລັກນ້ອຍ, ແຕ່ຖ້າຫາກຄົນຈຳນວນໜ້ອຍສາມາດຮັບຜິດຊອບວຽກງານທີ່ປົກກະຕິຕ້ອງໃຊ້ຄົນເຖິງ 3-4 ຄົນໄດ້, ຜົນຜະລິດຂອງທັງທີມກໍຈະເພີ່ມທະວີຂຶ້ນເລື້ອຍໆ. ເມື່ອບໍ່ຕ້ອງເສຍເວລາໃນການສົ່ງຕໍ່ວຽກ ແລະ ບໍ່ມີຄວາມເຂົ້າໃຈທີ່ຄາດເຄື່ອນ, ການເຕີບໂຕນັ້ນຈະເກີນກວ່າການບວກເລກແບບທຳມະດາ.

ອີກຢ່າງໜຶ່ງແມ່ນ ການນຳກັບມາລົງທຶນເພື່ອຜົນສຳເລັດ. ເວລາທີ່ວ່າງອອກມາຈາກການໃຫ້ AI ເຮັດວຽກປະຈຳວັນນັ້ນ ບໍ່ແມ່ນເວລາສຳລັບການພັກຜ່ອນ, ແຕ່ແມ່ນການນຳໄປໃຊ້ໃນການສົນທະນາກັບລູກຄ້າ, ການສ້າງລາຄາ ແລະ ການກວດສອບຍຸດທະສາດເພື່ອໄຊຊະນະ. ຈຸດນີ້ແມ່ນສິ່ງທີ່ AI ບໍ່ຖະໜັດ ແລະ ຍັງເປັນຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ ທີ່ຕັດສິນຄວາມສຳເລັດ ຫຼື ຄວາມລົ້ມເຫຼວຂອງທຸລະກິດ. ການສ້າງພື້ນຖານດ້ວຍຄວາມກວ້າງ ແລະ ນຳເວລາທີ່ວ່າງນັ້ນກັບມາໃຊ້ໃນຈຸດສຳຄັນ — ການຄູນກັນນີ້ເອງຄືເນື້ອໃນຂອງ "2 ເທົ່າ ຫຼື 3 ເທົ່າ", ບໍ່ແມ່ນຄວາມໄວໃນການເຮັດວຽກແຕ່ລະຢ່າງ. ສິ່ງທີ່ຕ້ອງອອກແບບບໍ່ແມ່ນຄວາມໄວຂອງວຽກ, ແຕ່ແມ່ນຂອບເຂດຄວາມຮັບຜິດຊອບ ແລະ ວິທີການນຳໃຊ້ເວລາທີ່ວ່າງອອກມາຕ່າງຫາກ.

ການຕັດສິນໃຈວ່າຈະມອບໝາຍວຽກໃຫ້ AI ຫຼື ຈະຮັບຜິດຊອບເອງນັ້ນ ບໍ່ຄວນອີງຕາມຄວາມມັກ ແຕ່ຄວນເບິ່ງທີ່ "ROI ຂອງ AI ວ່າສູງ ຫຼື ຕ່ຳ". ວຽກໃດທີ່ສາມາດກວດສອບໄດ້ງ່າຍ ແລະ ຖ້າຜິດພາດກໍບໍ່ສົ່ງຜົນເສຍຫາຍຮ້າຍແຮງ ໃຫ້ມອບໝາຍໃຫ້ AI. ສ່ວນວຽກໃດທີ່ຕ້ອງໃຊ້ຄວາມຮູ້ທີ່ບໍ່ໄດ້ບັນທຶກໄວ້ (Tacit knowledge) ແລະ ຖ້າຜິດພາດຈະມີຕົ້ນທຶນສູງ ຄວນຮັບຜິດຊອບດ້ວຍຕົນເອງ.

ການມີມາດຕະຖານທີ່ນຳໄປໃຊ້ຊ້ຳໄດ້ພຽງຢ່າງດຽວ ຍ່ອມເຮັດໃຫ້ເຄື່ອນໄຫວໄດ້ສະດວກກວ່າການຈື່ລາຍການລະອຽດຍິບຍ່ອຍ.

• ກວດສອບໄດ້ງ່າຍ, ອະທິບາຍຂັ້ນຕອນເປັນຄຳເວົ້າໄດ້, ຜິດພາດໄປກໍບໍ່ເສຍຫາຍ → ສົ່ງຂໍ້ມູນຕໍ່ໃຫ້ AI
• ຕ້ອງໃຊ້ຄວາມຮູ້ທີ່ບໍ່ໄດ້ບັນທຶກໄວ້ (Tacit knowledge), ກວດສອບຊ້າ, ຜິດພາດແລ້ວເສຍຫາຍຫຼາຍ → ຮັບຜິດຊອບດ້ວຍຕົນເອງ

ຖັນເບື້ອງຂວາແມ່ນພື້ນທີ່ທີ່ AI ມີປະສິດທິພາບຕ່ຳຫາຕິດລົບ ດັ່ງທີ່ METR ໄດ້ລະບຸໄວ້. ດັ່ງນັ້ນ ການ "ຮັບຜິດຊອບດ້ວຍຕົນເອງ" ຈຶ່ງບໍ່ແມ່ນເລື່ອງຂອງຈິດໃຈ ແຕ່ສາມາດອະທິບາຍໄດ້ດ້ວຍເຫດຜົນທີ່ວ່າ "ເປັນເພາະ AI ບໍ່ສາມາດຊ່ວຍໄດ້ດີໃນຈຸດນັ້ນ".

ໃນຄວາມເປັນຈິງແລ້ວ, ວຽກສ່ວນໃຫຍ່ບໍ່ສາມາດແບ່ງອອກເປັນຝ່າຍໃດຝ່າຍໜຶ່ງໄດ້ຢ່າງຊັດເຈນ. ດັ່ງນັ້ນ, ວິທີທີ່ມີປະສິດທິຜົນຄືການແບ່ງວຽກອອກເປັນຂະບວນການ ຫຼື Pipeline ແລ້ວຂີດເສັ້ນແບ່ງວ່າ "ຮອດຈຸດນີ້ແມ່ນ AI, ຈາກຈຸດນີ້ແມ່ນຄົນ".

ຕົວຢ່າງເຊັ່ນ: ຖ້າເປັນເອກະສານການຂາຍ, ໃຫ້ AI ເປັນຜູ້ຈັດການຮ່າງເອກະສານ, ໂຄງຮ່າງ ແລະ ຂໍ້ຄວາມ, ສ່ວນ "ຂໍ້ຄວາມທີ່ເປັນຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ" ທີ່ວ່າຈະສັນຍາກັບໃຜເລື່ອງຫຍັງ ແລະ ລາຄາເທົ່າໃດນັ້ນ ໃຫ້ເຮົາເປັນຜູ້ກຳນົດເອງ. ຖ້າເປັນໂຄ້ດ, ໃຫ້ AI ເຮັດຮ່າງ ຫຼື ກໍລະນີທົດສອບ (Test case), ສ່ວນໂຄງສ້າງຫຼັກຂອງການອອກແບບໃຫ້ເຮົາເປັນຜູ້ກຳນົດ. ມາດຕະຖານການຕັດສິນໃຈແມ່ນງ່າຍໆຄື: "ຖ້າປ່ອຍໃຫ້ AI ເຮັດແລ້ວຕ້ອງໃຊ້ເວລາໃນການກວດສອບຫຼາຍຂຶ້ນກວ່າເກົ່າ, ນັ້ນຄືວຽກທີ່ບໍ່ຄວນມອບໝາຍໃຫ້ AI". ເຖິງວ່າການສ້າງຜົນງານຈະໄວ ແຕ່ຖ້າການກວດສອບມີຕົ້ນທຶນສູງ, ຜົນລວມກໍຈະຊ້າລົງ. ຖ້າລັງເລ, ໃຫ້ຕັດສິນໃຈຈາກຄວາມເສຍຫາຍທີ່ຈະເກີດຂຶ້ນຫາກເກີດຄວາມຜິດພາດ.

ການມີເສັ້ນແບ່ງນີ້ໃນແຕ່ລະຂະບວນການ ຈະຊ່ວຍໃຫ້ທ່ານບໍ່ຕ້ອງໝົດພະລັງໄປກັບການຄິດວ່າ "ຈະໃຫ້ AI ເຮັດທັງໝົດ ຫຼື ເຮັດເອງທັງໝົດ" ທຸກຄັ້ງທີ່ມີວຽກໃໝ່ເຂົ້າມາ, ແຕ່ສາມາດແບ່ງວຽກໄດ້ທັນທີ. ຄວາມຊັດເຈນໃນການຂີດເສັ້ນແບ່ງນີ້ ຈະກາຍເປັນພື້ນຖານທີ່ຊ່ວຍໃຫ້ທ່ານສາມາດຮັກສາທັງປະລິມານ ແລະ ຄຸນນະພາບຂອງວຽກງານໄປພ້ອມກັນໄດ້.

ສິ່ງທີ່ມັກຈະເປັນອຸປະສັກໃນຕອນເລີ່ມຕົ້ນສຳລັບທີມຂະໜາດນ້ອຍ ບໍ່ແມ່ນປະລິມານວຽກງານ ແຕ່ແມ່ນການຕັດສິນໃຈ, ສະມາທິ ແລະ ຄວາມອົດທົນຂອງຜູ້ນຳ. ການເຮັດວຽກໜັກເກີນໄປອາດສົ່ງຜົນໃຫ້ຄວາມສາມາດໃນການຕັດສິນໃຈ ເຊິ່ງເປັນສິ່ງທີ່ AI ຍາກຈະມາທົດແທນໄດ້ນັ້ນ ຫຼຸດໜ້ອຍຖອຍລົງ.

ເຖິງຈະນຳ AI ມາໃຊ້ ແຕ່ຖ້າໃຊ້ໃນຮູບແບບນີ້ ກໍມີແຕ່ຈະເຮັດໃຫ້ສິ້ນເປືອງພະລັງງານ ແລະ ຍາກທີ່ຈະສ້າງໃຫ້ເປັນຈຸດແຂງໄດ້.

• ພຽງແຕ່ລອງໃຊ້ເຄື່ອງມືໃໝ່ໆ ແຕ່ບໍ່ສາມາດນຳໄປສູ່ຜົນລັດທີ່ແທ້ຈິງ
• ຕັ້ງສົມມຸດຕິຖານກວ້າງເກີນໄປ ຈົນບໍ່ສາມາດກວດສອບໄດ້ທຸກຢ່າງ
• ເອົາແຕ່ສ້າງ ແຕ່ບໍ່ຍອມນຳໄປຂາຍ
• ເພີ່ມຟັງຊັນໃສ່ເລື້ອຍໆ ໂດຍທີ່ບໍ່ໄດ້ນຳໄປທົດສອບກັບລູກຄ້າ
• ນຳຜົນລັດຈາກ AI ໄປໃຊ້ງານໂດຍບໍ່ກວດສອບຄຸນນະພາບ
• ມອບໝາຍການຕັດສິນໃຈທັງໝົດໃຫ້ AI

ສອງຂໍ້ສຸດທ້າຍນັ້ນ ບໍ່ແມ່ນບັນຫາເລື່ອງທັດສະນະຄະຕິ ແຕ່ສາມາດອະທິບາຍໄດ້ດ້ວຍຂໍ້ມູນ. ເຫດການຂອງ METR ທີ່ກ່າວມາກ່ອນໜ້ານີ້ ເຊິ່ງ "ຮູ້ສຶກວ່າໄວຂຶ້ນ ແຕ່ຄວາມຈິງແລ້ວຊ້າລົງ" ນັ້ນ ເກີດຂຶ້ນໃນຂະແໜງທີ່ຂ້ອຍມີຄວາມຮູ້ເລິກເຊິ່ງ. ຖ້ານຳຜົນລັດຈາກ AI ໄປໃຊ້ໂດຍບໍ່ກວດສອບຄຸນນະພາບ, ມັນຈະເຮັດໃຫ້ວຽກຊ້າລົງ ແລະ ບໍ່ມີປະສິດທິພາບໃນຈຸດທີ່ເຮົາເບິ່ງບໍ່ເຫັນ. ດັ່ງນັ້ນ, ການກວດສອບຜົນລັດໂດຍມະນຸດສະເໝີ ແລະ ການບໍ່ມອບໝາຍການຕັດສິນໃຈໃຫ້ AI ທັງໝົດ ຈຶ່ງບໍ່ແມ່ນເລື່ອງຂອງຄວາມມັກສ່ວນຕົວ ແຕ່ເປັນທາງເລືອກທີ່ຮອງຮັບດ້ວຍຂໍ້ມູນ.

ຖ້າການຕັດສິນໃຈແມ່ນຂີດຈຳກັດທຳອິດ, ສິ່ງທີ່ຄວນຮັກສາໄວ້ບໍ່ແມ່ນຄວາມຍາວຂອງເວລາ, ແຕ່ແມ່ນຊ່ວງເວລາທີ່ສະໝອງປອດໂປ່ງທີ່ສຸດ. ໂດຍສະເພາະ, ການກຳນົດຂອບເຂດດັ່ງຕໍ່ໄປນີ້ແມ່ນມີປະສິດທິຜົນ:

• ກຳນົດຊ່ວງເວລາທີ່ສະໝອງເຮັດວຽກໄດ້ດີທີ່ສຸດໃນໜຶ່ງວັນ ໃຫ້ກັບການຕັດສິນໃຈທີ່ສຳຄັນ (ລາຄາ, ການຮັບສະໝັກງານ, ການອອກແບບ ຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ) ຢ່າງຄົງທີ່ ແລະ ບໍ່ໃຫ້ວຽກຈຸກຈິກເຂົ້າມາແຊກ.
• ຜົນລັດຈາກ AI ຕ້ອງຜ່ານການກວດສອບຈາກຄົນສະເໝີ. ໂດຍສະເພາະໃນຂົງເຂດທີ່ຕົນເອງຊ່ຽວຊານ ຕ້ອງສົງໄສວ່າ "ຕົນເອງອາດຈະຄິດໄປເອງວ່າສຳເລັດແລ້ວ" ແລະ ຫ້າມລະເລີຍການກວດສອບ.
• ຈຳກັດສົມມຸດຕິຖານໃຫ້ແຄບລົງ. ຈຸດແຂງຂອງທີມງານຂະໜາດນ້ອຍ ຄືການສາມາດລວມພະລັງໄປທີ່ຈຸດດຽວຂອງເສັ້ນທາງສູ່ໄຊຊະນະ, ບໍ່ແມ່ນການເພີ່ມທາງເລືອກໃຫ້ຫຼາຍຂຶ້ນ.

ຈຸດທີ່ຄວນຍຶດຖືແມ່ນງ່າຍດາຍ. ບໍ່ແມ່ນ "ສັ້ນທີ່ສຸດ" ຫຼື "ຍາວທີ່ສຸດ", ແຕ່ແມ່ນ "ຕັດເວລາທີ່ບໍ່ຈຳເປັນອອກ, ແລ້ວເອົາເວລາໄປທຸ່ມເທໃຫ້ກັບເສັ້ນທາງສູ່ໄຊຊະນະ". ການເຮັດວຽກດົນເກີນໄປ ອາດຈະກາຍເປັນການທຳລາຍຈຸດແຂງທີ່ສຸດຂອງຕົນເອງ — ເຊິ່ງກໍໝາຍເຖິງການຢືນຢູ່ເທິງພື້ນຖານຄວາມຄິດດັ່ງກ່າວນັ້ນເອງ.

ສຳລັບທີມງານຂະໜາດນ້ອຍທີ່ມີປະສິດທິພາບສູງ, AI ບໍ່ແມ່ນເຄື່ອງມືທີ່ໃຊ້ເພື່ອ "ຜ່ອນແຮງ" ແຕ່ເປັນເຄື່ອງມືທີ່ໃຊ້ເພື່ອ "ຂະຫຍາຍຂີດຈຳກັດຂອງທີມງານຂະໜາດນ້ອຍ" ໃຫ້ກວ້າງໄກກວ່າເກົ່າ. ໃນໄລຍະການປ່ຽນຜ່ານນີ້, ທີມງານໃດທີ່ສາມາດນຳເວລາທີ່ວ່າງອອກມາໄປໂຟກັດໃສ່ ຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ ຂອງຜົນງານໄດ້ຫຼາຍເທົ່າໃດ ກໍຍິ່ງມີໂອກາດທີ່ຈະກ້າວລ້ຳໜ້າຄູ່ແຂ່ງໄດ້ງ່າຍຂຶ້ນເທົ່ານັ້ນ.

ຢູ່ຕ່າງປະເທດມີການກ່າວເຖິງ "Solo Unicorn" (ຮູບແບບການບໍລິຫານບໍລິສັດທີ່ມີມູນຄ່າລະດັບ 1 ຕື້ໂດລາດ້ວຍຕົວຄົນດຽວ). ໂດຍມີການຄາດການຂອງ Sam Altman ຈາກ OpenAI ເປັນຈຸດເລີ່ມຕົ້ນ, ເຊິ່ງນັກລົງທຶນຢ່າງ Sequoia ໄດ້ເອີ້ນການທີ່ຄົນຈຳນວນໜ້ອຍຫຼາຍສາມາດຄວບຄຸມ AI agent ເພື່ອສ້າງລາຍໄດ້ມະຫາສານວ່າ "Agentic Leverage". ໃນປັດຈຸບັນກໍມີຕົວຢ່າງໃຫ້ເຫັນແລ້ວ ເຊັ່ນ: Midjourney ເຊິ່ງເປັນບໍລິສັດສ້າງຮູບພາບດ້ວຍ AI ທີ່ມີລາຍງານວ່າສາມາດສ້າງລາຍໄດ້ຕໍ່ປີເຖິງ 200 ລ້ານໂດລາດ້ວຍທີມງານພຽງສິບກວ່າຄົນ, ແລະນັກພັດທະນາອິດສະຫຼະຢ່າງ Pieter Levels (levelsio) ກໍສາມາດສ້າງລາຍໄດ້ຫຼາຍລ້ານໂດລາຕໍ່ປີຈາກການບໍລິຫານຫຼາຍບໍລິການດ້ວຍຕົວຄົນດຽວ.

ຢ່າງໃດກໍຕາມ, ເລື່ອງນີ້ຄວນເບິ່ງຢ່າງມີສະຕິ. ສິ່ງທີ່ເຮົາເຫັນໃນປັດຈຸບັນບໍ່ແມ່ນການເຕີບໂຕ "100 ເທົ່າ", ແຕ່ເປັນພຽງ 2-5 ເທົ່າເທົ່ານັ້ນ. ຍິ່ງໄປກວ່ານັ້ນ, ມັນບໍ່ແມ່ນການທີ່ທີມງານມີຂະໜາດນ້ອຍລົງ, ແຕ່ເປັນການປ່ຽນແປງທີ່ເຮັດໃຫ້ຄົນຈຳນວນເທົ່າເດີມສາມາດສ້າງຜົນງານໄດ້ຫຼາຍຂຶ້ນ. ເຖິງຢ່າງນັ້ນ, ທິດທາງກໍມີຄວາມຊັດເຈນແລ້ວວ່າ—ວຽກຂອງຜູ້ນຳຈະປ່ຽນຈາກ "ການລົງມືເຮັດວຽກດ້ວຍຕົນເອງ" ໄປສູ່ "ການຄວບຄຸມ AI ແລະ ບຸກຄະລາກອນເພື່ອຂັບເຄື່ອນວຽກງານ" ແທນ.

ໃນການປ່ຽນແປງນີ້, ສິ່ງທີ່ຕ້ອງການບໍ່ແມ່ນພຽງແຕ່ຄວາມໄວໃນການເຮັດວຽກເທົ່ານັ້ນ. 3 ປັດໄຈຕໍ່ໄປນີ້ຈະກາຍເປັນແກນຫຼັກໃໝ່:

1. "ຄວາມສາມາດໃນການແຍກແຍະ": ການແບ່ງວຽກອອກເປັນໜ່ວຍຍ່ອຍທີ່ AI ສາມາດຈັດການໄດ້.
2. "ການອອກແບບການກວດສອບ": ການເບິ່ງໃຫ້ອອກວ່າຜົນງານທີ່ໄດ້ມາຜ່ານມາດຕະຖານຫຼືບໍ່.
3. "ການກຳນົດຂອບເຂດ": ການຕັດສິນໃຈວ່າວຽກໃດຄວນເກັບໄວ້ເຮັດເອງ ແລະ ວຽກໃດຄວນມອບໝາຍໃຫ້ AI.

ຄວາມໄວໃນການເຮັດວຽກຈະກາຍເປັນມາດຕະຖານດຽວກັນໃນໄວໆນີ້, ແຕ່ການອອກແບບທີ່ຕັດສິນໃຈວ່າ "ຈະເຮັດຫຍັງ, ໃຫ້ໃຜ, ແລະ ຕາມລຳດັບໃດ" ຍັງຄົງເປັນພື້ນທີ່ທີ່ບໍ່ສາມາດມອບໝາຍໃຫ້ AI ເຮັດແທນໄດ້ທັງໝົດ ເຊັ່ນດຽວກັບການຕັດສິນໃຈ. ມັນເປັນຮູບພາບຂອງການປ່ຽນຜ່ານວຽກງານຂອງທ່ານເທື່ອລະໜ້ອຍ ຈາກການເປັນຜູ້ລົງມືເຮັດວຽກດ້ວຍຕົນເອງ ໄປສູ່ການເປັນຜູ້ຄວບຄຸມ ແລະ ບໍລິຫານຈັດການວຽກງານເຫຼົ່ານັ້ນ.

ໃນໄລຍະສັ້ນ, ຮູບແບບການຂັບເຄື່ອນດ້ວຍ AI ຢ່າງຮຸນແຮງມີໂອກາດຊະນະໄດ້ງ່າຍກວ່າ. ແຕ່ໃນໄລຍະກາງຫາໄລຍະຍາວ, ສິ່ງທີ່ຈະສົ່ງຜົນໄດ້ດີແມ່ນການສ້າງ "ກົນໄກທີ່ສາມາດດຳເນີນໄປໄດ້ໂດຍບໍ່ຈຳເປັນຕ້ອງມີໃຜຜູ້ໜຶ່ງພະຍາຍາມຢ່າງໜັກຢູ່ຕະຫຼອດເວລາ". ໂດຍມີລຳດັບຂັ້ນຕອນໄປສູ່ຜົນສຳເລັດດັ່ງນີ້: ຂັບເຄື່ອນຢ່າງຮຸນແຮງ → ຊ່ອງທາງສູ່ໄຊຊະນະ → ການສ້າງກົນໄກ → ການມອບໝາຍວຽກ → ການປະຢັດເວລາ.

ຖ້າຕັ້ງເປົ້າໝາຍວ່າຈະ "ຫຼຸດຊົ່ວໂມງເຮັດວຽກ" ຕັ້ງແຕ່ຕົ້ນ, ມັກຈະເກີດອາການໝົດແຮງກ່ອນທີ່ຈະເຫັນວິທີການທີ່ຊະນະ. ດັ່ງນັ້ນ, ລຳດັບຂັ້ນຕອນຈຶ່ງມີຄວາມສຳຄັນ.

1. ກ່ອນອື່ນ, ໃຫ້ຜູ້ນຳ ຫຼື ສະມາຊິກຫຼັກນຳໃຊ້ AI ເຂົ້າມາຊ່ວຍໃນການເຮັດວຽກຢ່າງເຕັມທີ່
2. ຊອກຫາວິທີການທີ່ຊະນະໃຫ້ພົບ
3. ນຳວິທີການທີ່ຊະນະນັ້ນ ພ້ອມກັບຂັ້ນຕອນ ແລະ ເກນການຕັດສິນໃຈ ບັນຈຸລົງໃນຂະບວນການ ຫຼື Pipeline ຂອງ AI
4. ປັບປ່ຽນໃຫ້ຢູ່ໃນສະພາບທີ່ສາມາດສົ່ງຕໍ່ໃຫ້ຄົນອື່ນໄດ້
5. ຄ່ອຍໆປ່ອຍເວລາຂອງສະມາຊິກຫຼັກໃຫ້ວ່າງອອກເທື່ອລະໜ້ອຍ

ຖ້າຕັ້ງເງື່ອນໄຂວ່າຕ້ອງໃຊ້ແຮງເຕັມທີ່ຕະຫຼອດເວລາ, ອົງກອນຈະຂະຫຍາຍຕົວໄດ້ຍາກກວ່າຂີດຈຳກັດທາງຮ່າງກາຍຂອງສະມາຊິກຫຼັກ. ໃນຍຸກທີ່ບໍ່ຈຳເປັນຕ້ອງໃຊ້ແຮງງານຄົນໃນການເຮັດວຽກອີກຕໍ່ໄປ, ຄວນເບິ່ງວ່າເປັນໄລຍະທີ່ກຸ່ມຄົນຈຳນວນໜ້ອຍ ເຊິ່ງໃຊ້ເວລາໄປກັບການຂະຫຍາຍຂອບເຂດວຽກງານ ແລະ ການຕັດສິນໃຈ ຈະສາມາດສ້າງຄວາມແຕກຕ່າງໄດ້ຢ່າງເຫັນໄດ້ຊັດເຈນ.

ໃນຂະບວນການນີ້, ສິ່ງທີ່ມັກຈະເຮັດໃຫ້ເກີດຄວາມຜິດພາດຫຼາຍທີ່ສຸດຄື "ການມອບໝາຍງານ" (Delegation) ເຊິ່ງເປັນຂັ້ນຕອນທີ 4. ຜູ້ນຳທີ່ມີທີມງານຂະໜາດນ້ອຍ ແລະ ມີຄວາມສາມາດມັກຈະຄິດວ່າ "ເຮັດເອງໄວ້ກວ່າ" ເຊິ່ງເປັນຄວາມຈິງ ແລະ ເຮັດໃຫ້ບໍ່ເຫັນເຫດຜົນທີ່ຈະຕ້ອງປ່ອຍວາງ. ແຕ່ຄວາມໄວນັ້ນເປັນພຽງການແກ້ໄຂບັນຫາສະເພາະໜ້າເທົ່ານັ້ນ. ຕາບໃດທີ່ທ່ານຍັງເປັນຂີດຈຳກັດສູງສຸດ, ອົງກອນກໍຈະຕັນຢູ່ທີ່ຄວາມສາມາດຂອງທ່ານເອງ.

ກຸນແຈສຳຄັນໃນການຫຼຸດພົ້ນຈາກຈຸດນີ້ ຄືການຄິດເຖິງຜູ້ທີ່ຈະຮັບງານຕໍ່ ບໍ່ແມ່ນໃນຖານະ "ບຸກຄົນ" ແຕ່ໃຫ້ຄິດໃນຖານະ "Workflow". ຖ້າທ່ານສາມາດຖອດບົດຮຽນທີ່ປະສົບຄວາມສຳເລັດ ໂດຍການກຳນົດຂັ້ນຕອນ, ເກນການຕັດສິນໃຈ, ແລະ ວິທີການກວດສອບໃຫ້ເປັນ Workflow ຂອງ AI ໄດ້, ຄົນທີ່ມາຮັບງານຕໍ່ກໍພຽງແຕ່ປະຕິບັດຕາມຂະບວນການນັ້ນ ເຊິ່ງຈະເຮັດໃຫ້ການສົ່ງມອບງານງ່າຍຂຶ້ນຫຼາຍ. ໃນຕອນເລີ່ມຕົ້ນ, ມັນອາດຈະຊ້າກວ່າການເຮັດເອງ, ແຕ່ລະບົບຈະບໍ່ຮູ້ສຶກເມື່ອຍ, ບໍ່ຕ້ອງການການພັກຜ່ອນ ແລະ ສາມາດສຳເນົາໄດ້. ການປ່ອຍວາງຄວາມໄວໃນໄລຍະສັ້ນ ເພື່ອແລກກັບການເຕີບໂຕໃນໄລຍະຍາວ—ການຕັດສິນໃຈຄັ້ງນີ້ເອງ ຄືສິ່ງທີ່ແຍກຄວາມແຕກຕ່າງລະຫວ່າງອົງກອນທີ່ຕ້ອງເພິ່ງພາໃຜຜູ້ໜຶ່ງຕະຫຼອດເວລາ ກັບອົງກອນທີ່ສາມາດຂັບເຄື່ອນຕໍ່ໄປໄດ້ເຖິງແມ່ນວ່າຈະມີການປ່ຽນແປງບຸກຄະລາກອນກໍຕາມ.

ຕອບຄຳຖາມທີ່ມັກພົບເລື້ອຍຈາກຜູ້ນຳກຸ່ມນ້ອຍແຕ່ມີປະສິດທິພາບສູງ (ຜູ້ບໍລິຫານ, ຫົວໜ້າພະແນກທຸລະກິດ, ຫົວໜ້າທີມ) ຢ່າງຫຍໍ້. ທຸກຄຳຖາມເບິ່ງຄືວ່າເປັນທາງເລືອກສອງທາງ, ແຕ່ໃນຄວາມເປັນຈິງ ຄຳຕອບຈະປ່ຽນແປງໄປຕາມເງື່ອນໄຂ.

ບໍ່ແມ່ນແບບນັ້ນ. ການພັກຜ່ອນເພື່ອຮັກສາສຸຂະພາບ ແລະ ຄວາມສາມາດໃນການຕັດສິນໃຈແມ່ນສິ່ງທີ່ຂາດບໍ່ໄດ້. ບັນຫາແມ່ນຈະວາງ "ຈຸດໝາຍປາຍທາງປົກກະຕິ" ຂອງເວລາຫວ່າງໄວ້ບ່ອນໃດ. ໃນໄລຍະປ່ຽນຜ່ານ, ຄວາມໄດ້ປຽບມັກຈະເອນອຽງໄປຫາຜູ້ທີ່ນຳເວລາຫວ່າງກັບໄປໃຊ້ໃນການສົນທະນາກັບລູກຄ້າ ຫຼື ກວດສອບວິທີການທີ່ນຳໄປສູ່ໄຊຊະນະ ຫຼາຍກວ່າຜູ້ທີ່ນຳເວລາຫວ່າງໄປໃຊ້ໃນການພັກຜ່ອນ. ການພັກຜ່ອນຢ່າງມີສະຕິ ພ້ອມກັບການຕັ້ງຄ່າຈຸດໝາຍປາຍທາງຂອງເວລາຫວ່າງໄວ້ວ່າ "ກັບຄືນສູ່ຜົນງານ" — ນີ້ຄືຈຸດທີ່ເໝາະສົມທີ່ສຸດໃນຄວາມເປັນຈິງ.

ການທີ່ຈະຕົກລົງຫຼືບໍ່ນັ້ນ ແມ່ນຂຶ້ນຢູ່ກັບວ່າໄດ້ວາງກົນໄກການກວດສອບໄວ້ຫຼືບໍ່. ການທີ່ຄົນຈຳນວນໜ້ອຍຮັບຜິດຊອບວຽກງານທີ່ກວ້າງຂວາງນັ້ນ ບໍ່ໄດ້ເຮັດໃຫ້ຄຸນນະພາບຫຼຸດລົງດ້ວຍຕົວມັນເອງ, ແຕ່ການລະເລີຍການກວດສອບແລ້ວປ່ອຍໃຫ້ຜົນລວມຈາກ AI ຜ່ານໄປເລີຍນັ້ນຕ່າງຫາກທີ່ເຮັດໃຫ້ຄຸນນະພາບຫຼຸດລົງ. ໂດຍສະເພາະໃນຂົງເຂດທີ່ຕົນເອງຊຳນານ ມັກຈະເກີດຄວາມຮູ້ສຶກວ່າ "ເຮັດສຳເລັດແລ້ວ" ຈຶ່ງເຮັດໃຫ້ຂ້າມການກວດສອບໄປໄດ້ງ່າຍ, ເຊິ່ງດັ່ງທີ່ METR ໄດ້ຊີ້ໃຫ້ເຫັນ, ຄວາມເປັນຈິງມັກຈະຊ້າ ແລະ ຫຍາບກວ່າທີ່ຮູ້ສຶກ. ໃນທາງກົງກັນຂ້າມ, ຖ້າຫາກສຸມໃສ່ພະລັງງານໄປທີ່ການຕັດສິນໃຈທີ່ຕົນເອງຕ້ອງຮັບຜິດຊອບ (ຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ ຂອງການອອກແບບ, ລາຄາ, ແລະ ຄຸນຄ່າທີ່ໃຫ້ຄຳໝັ້ນສັນຍາ) ແລະ ວາງການກວດສອບໄວ້ໃນຈຸດນັ້ນ, ການຮັກສາທັງຄວາມກວ້າງຂວາງແລະຄຸນນະພາບກໍສາມາດເຮັດໄດ້ງ່າຍຂຶ້ນ.

ມີພຽງ 2 ຢ່າງເທົ່ານັ້ນ. ກ່ອນອື່ນ, ໃຫ້ຈັດລຽງວຽກຂອງທີມໂດຍອີງໃສ່ "ROI ຂອງ AI ວ່າສູງ ຫຼື ຕ່ຳ", ແລ້ວມອບວຽກທີ່ມີ ROI ສູງໃຫ້ AI ເປັນຜູ້ຈັດການ ເຊັ່ນ: ການຂຽນອີເມລ໌ແບບປົກກະຕິ, ການຄົ້ນຄວ້າຂໍ້ມູນເບື້ອງຕົ້ນ, ການຮ່າງເອກະສານ ແລະ ການຂຽນໂຄ້ດເບື້ອງຕົ້ນ. ຈາກນັ້ນ, ໃຫ້ນຳເວລາທີ່ຫວ່າງຈາກການເຮັດວຽກດັ່ງກ່າວ ມາໃຊ້ກັບວຽກທີ່ທ່ານຄວນຮັບຜິດຊອບເອງ ເຊິ່ງເປັນວຽກທີ່ມີ ROI ຕ່ຳ ແຕ່ມີຄວາມສຳຄັນ ເຊັ່ນ: ການສົນທະນາກັບລູກຄ້າ, ການກຳນົດລາຄາ ແລະ ການກວດສອບແນວທາງສູ່ຄວາມສຳເລັດ. ໃນຂະນະທີ່ດຳເນີນການໄປນັ້ນ, ຖ້າເຫັນແນວທາງສູ່ຄວາມສຳເລັດແລ້ວ ໃຫ້ອະທິບາຍຂັ້ນຕອນ ແລະ ເກນການຕັດສິນໃຈອອກມາເປັນຄຳເວົ້າ, ແລ້ວພັດທະນາໄປສູ່ການສ້າງ Workflow ແລະ ການມອບໝາຍວຽກຕໍ່ໄປ.

ຈຸດສຳຄັນ ຫຼື ແກນຫຼັກ ຂອງ AI ບໍ່ແມ່ນພຽງແຕ່ການຫຼຸດຜ່ອນຊົ່ວໂມງເຮັດວຽກເທົ່ານັ້ນ, ແຕ່ແມ່ນການເພີ່ມເວລາໃຫ້ກັບຜົນງານ. ແລະສຸດທ້າຍ, ແມ່ນການປ່ຽນຜ່ານໄປສູ່ລະບົບທີ່ສາມາດດຳເນີນການໄດ້ໂດຍບໍ່ຕ້ອງເພິ່ງພາໃຜຄົນໃດຄົນໜຶ່ງ.

ສຳລັບທີມງານຂະໜາດນ້ອຍທີ່ມີປະສິດທິພາບສູງ, ວິທີການນີ້ແມ່ນມີປະສິດທິຜົນໃນສະຖານະການປັດຈຸບັນ. ຄວາມໄວໃນການເຮັດວຽກແມ່ນສິ່ງທີ່ໃຜກໍສາມາດມີໄດ້ໃນໄວໆນີ້. ດັ່ງນັ້ນ, ເຮົາຈຶ່ງຄວນເອົາເວລາທີ່ມີຄ່າທີ່ສຸດໄປໃຊ້ໃນສ່ວນທີ່ AI ບໍ່ສາມາດເຮັດແທນໄດ້ ເຊັ່ນ: ການຕັດສິນໃຈ, ການລວມ ຫຼື Merge ຂໍ້ມູນ, ແລະ ການໃຊ້ວິໄຈທັດ (Sense). ເມື່ອເຫັນເສັ້ນທາງສູ່ໄຊຊະນະແລ້ວ, ໃຫ້ສ້າງເປັນລະບົບແລ້ວປ່ອຍມືອອກ. ທີມງານທີ່ຮັກສາລຳດັບຂັ້ນຕອນນີ້ໄດ້ດີ ຈະສາມາດສ້າງຄວາມແຕກຕ່າງໄດ້ຢ່າງຕໍ່ເນື່ອງໃນໄລຍະການປ່ຽນຜ່ານ. ການສຸມເວລາໃສ່ການຕັດສິນໃຈທີ່ມີປະສິດທິຜົນທີ່ສຸດ, ແທນທີ່ຈະເຮັດວຽກເປັນເວລາດົນນານ—ນັ້ນຈະກາຍເປັນຄວາມສາມາດໃນການແຂ່ງຂັນຂອງອົງກອນໃນອະນາຄົດ.