ชนะด้วย AI Leverage: เปลี่ยนจากการประหยัดเวลาเป็นการเพิ่มผลลัพธ์ให้ทีมขนาดเล็ก

เมื่อนำ AI เข้ามาเป็นส่วนหนึ่งของทีมขนาดเล็กที่มีศักยภาพสูง สิ่งแรกที่ต้องตัดสินใจคือ "จะใช้ทำอะไร" จะใช้เพื่อลดชั่วโมงการทำงาน หรือจะใช้เพื่อนำเวลาที่ว่างลงไปทุ่มเทให้กับงานที่สร้างผลลัพธ์โดยตรง บทความนี้สนับสนุนแนวทางหลัง เพราะความเร็วในการทำงานเป็นสิ่งที่ใครๆ ก็ทำได้ในที่สุด และความแตกต่างจะเปลี่ยนไปอยู่ที่ว่า "เราใช้เวลาไปกับอะไร" มากกว่า

ในที่นี้ "ทีมขนาดเล็กที่มีศักยภาพสูง" หมายถึงหน่วยงานที่ประกอบด้วยคนจำนวนน้อย ซึ่งรับผิดชอบตั้งแต่การวางแผน การลงมือทำ การขาย ไปจนถึงการปรับปรุง และถูกประเมินผลจากผลลัพธ์ที่ทำได้ ไม่ว่าจะเป็นสตาร์ทอัพ แผนกหัวกะทิในองค์กรใหญ่ หรือแม้แต่กรณีที่ทำคนเดียวก็ตาม ต่อไปนี้เราจะมาดูกันว่า AI จะเปลี่ยนรูปแบบการแข่งขันอย่างไร ควรแบ่งงานส่วนไหนให้ AI และส่วนไหนที่ควรทำเอง รวมถึงวิธีเปลี่ยนความพยายามในระยะสั้นให้กลายเป็น "ระบบ" โดยอาศัยข้อมูลจากการวิจัยด้านผลิตภาพ สำหรับผู้อ่านที่ต้องการความรวดเร็ว สามารถอ่านประเด็นสำคัญได้จากข้อความตัวหนาที่จุดเริ่มต้นของแต่ละหัวข้อ

AI จะเริ่มจากการยกระดับคุณภาพของงานที่กำหนดไว้ให้เท่าเทียมกัน ส่งผลให้จุดที่สร้างความแตกต่างในการแข่งขันเปลี่ยนจากความเร็วในการทำงาน ไปสู่การตัดสินใจ การบูรณาการ และรสนิยม ซึ่งเป็นสิ่งที่ AI ยังไม่ถนัด สำหรับทีมขนาดเล็ก นี่ถือเป็นปัจจัยบวกมากกว่า

กลุ่มแรกที่ผลิตภาพจะเพิ่มขึ้นด้วย AI คือ "ผู้ที่ทำงานตามขั้นตอนที่กำหนด" ซึ่งมีข้อมูลยืนยันชัดเจน จากการศึกษาพนักงานบริการลูกค้า 5,179 คน พบว่าการใช้ AI ช่วยเพิ่มจำนวนการแก้ไขปัญหาได้เฉลี่ย 14% โดยเมื่อแยกรายละเอียดพบว่า พนักงานใหม่หรือกลุ่มที่มีทักษะต่ำมีประสิทธิภาพเพิ่มขึ้นถึง 34% ในขณะที่พนักงานระดับสูงที่มีประสบการณ์แทบไม่มีการเปลี่ยนแปลง (Brynjolfsson, Li & Raymond "Generative AI at Work" QJE, 2025) นั่นเป็นเพราะ AI เรียนรู้วิธีการทำงานจากผู้ที่มีความสามารถแล้วนำมาถ่ายทอดให้กับพนักงานทั่วไป ในความเป็นจริง พนักงานใหม่ที่ใช้ AI สามารถบรรลุระดับงานที่ปกติแล้วต้องใช้เวลาเรียนรู้ถึงครึ่งปีได้ภายในเวลาเพียง 2 เดือน

กล่าวคือ งานประเภทการลงมือทำ การสืบค้น และการจัดทำเอกสาร กำลังเข้าใกล้จุดที่ใครทำก็ได้คุณภาพในระดับมาตรฐานอย่างรวดเร็ว ซึ่งหมายความว่า "ความสามารถในการทำงานได้อย่างรวดเร็วและแม่นยำ" จะมีมูลค่าลดลง การแข่งขันด้วยความเร็วในการทำงานจึงเปรียบเสมือนการพาตัวเองขึ้นไปอยู่บนสังเวียนที่มีการแข่งขันสูงที่สุดและสร้างความแตกต่างได้ยากที่สุดโดยไม่จำเป็น

เมื่อไม่นานมานี้ การที่ทีมขนาดเล็กจะเอาชนะองค์กรขนาดใหญ่เป็นเรื่องยาก ไม่ว่าจะเป็นการขาดแคลนวิศวกร ไม่มีคนทำเอกสารการขาย หรือการวิจัยที่ไม่ทันท่วงที ความแตกต่างของจำนวนคนส่งผลโดยตรงต่อผลลัพธ์ที่ได้

ในปัจจุบัน หากใช้งาน AI ได้อย่างคล่องแคล่ว งานส่วนใหญ่เหล่านั้นสามารถจัดการได้ด้วยคนจำนวนน้อย แม้แต่ทีมที่มีเพียงไม่กี่คน หรือในท้ายที่สุดคือทีมที่มีเพียงคนเดียว ก็สามารถดำเนินงานตั้งแต่การวางแผน การกำหนดความต้องการ การพัฒนา การทดสอบ การทำเอกสารการขาย การรับฟังลูกค้า ไปจนถึงการปรับปรุงแก้ไขได้อย่างต่อเนื่อง เมื่อเนื้องานถูกรวมไว้ในจุดเดียว แหล่งที่มาของความได้เปรียบในการแข่งขันจึงเปลี่ยนไปสู่การตัดสินใจ การบูรณาการ และรสนิยม ซึ่งเป็นสิ่งที่ AI ยังไม่ถนัด จุดแข็งของทีมขนาดเล็กคือการสามารถกุมห่วงโซ่คุณค่าทั้งหมดไว้ได้ด้วยการตัดสินใจเพียงไม่กี่ครั้ง ในองค์กรที่แบ่งหน้าที่กันตามขั้นตอนการทำงาน การตัดสินใจจะกระจัดกระจาย และความตั้งใจเดิมจะค่อยๆ จางหายไปทุกครั้งที่มีการส่งต่องาน แต่สำหรับทีมขนาดเล็ก จะไม่มีการสูญเสียความตั้งใจเหล่านั้นไป

ถ้าเช่นนั้น หาก AI ช่วยเพิ่มประสิทธิภาพการทำงานได้จริง เหตุใดบริษัทเดียวจึงไม่สามารถครองตลาดได้ทั้งหมด? นั่นเป็นเพราะ AI เดียวกันนั้นก็เปิดกว้างสำหรับผู้ท้าชิงด้วยเช่นกัน ยิ่งกำแพงในการเข้าสู่ตลาดต่ำลง ผู้ท้าชิงก็ยิ่งเพิ่มมากขึ้น สิ่งที่จะเกิดขึ้นจึงไม่ใช่ "ผู้ชนะที่กินรวบ" แต่เป็นสถานการณ์ที่ส่วนแบ่งตลาดจะเอนเอียงไปทางบริษัทจำนวนน้อยที่ก้าวล้ำหน้ากว่าในด้านคุณภาพการตัดสินใจและความเข้าใจลูกค้า ซึ่งตำแหน่งนี้ก็ไม่ใช่ตำแหน่งที่ถาวร แต่จะเปลี่ยนมือไปตามความสามารถในการจัดสรรเวลาให้กับกลยุทธ์การชนะที่ AI ไม่สามารถทำแทนได้

เรามักได้ยินคำกล่าวที่ว่า "AI ช่วยให้ทำงานเร็วขึ้น 2-3 เท่า" แต่บ่อยครั้งมันไม่ใช่เรื่องของการที่งานชิ้นเดียวเสร็จเร็วขึ้น 2-3 เท่า สิ่งที่ส่งผลจริงคือ "ขอบเขต" ของงานที่ครอบคลุมได้กว้างขึ้น และการนำเวลาที่ว่างลงไป "ลงทุนซ้ำ" ในงานอื่นต่างหาก

การประหยัดเวลาในงานชิ้นหนึ่งมักไม่ได้มากอย่างที่คิด ผลการวิจัยจากผู้ให้บริการระบุว่า การวัดผลจริงอยู่ที่ประมาณ 15-55% โดยยิ่งเป็นงานที่ยาก งานที่ต้องเน้นคุณภาพ หรือเป็นงานที่ใกล้เคียงกับความเชี่ยวชาญของตนเองมากเท่าใด ประสิทธิภาพก็จะยิ่งลดลง และบางครั้งอาจส่งผลลบด้วยซ้ำ

ตัวอย่างที่ชัดเจนคือการทดลองของ METR (2025) ซึ่งให้นักพัฒนาซอฟต์แวร์ที่มีประสบการณ์เฉลี่ย 5 ปี จำนวน 16 คน ทำงาน 246 งาน ผลปรากฏว่าการใช้ AI ทำให้ทำงานช้าลงจริงถึง 19% แต่ถึงอย่างนั้น หลังจากทำเสร็จ พวกเขากลับรู้สึกว่า "เร็วขึ้นประมาณ 20%" ทั้งที่ก่อนเริ่มงานได้คาดการณ์ไว้ว่าจะ "ประหยัดเวลาได้มากกว่า 20%" ทำให้เกิดช่องว่างระหว่างความรู้สึกกับผลลัพธ์จริงสูงถึงประมาณ 40 จุด

สิ่งที่น่าสนใจคือ ภาพลวงตานี้มักเกิดขึ้นใน "สาขาที่ตนเองเชี่ยวชาญ" เป็นพิเศษ ในสาขาที่ไม่คุ้นเคย ข้อเสนอแนะของ AI อาจนำไปใช้ได้ทันที แต่ในสาขาที่เชี่ยวชาญ การตรวจสอบและแก้ไขข้อเสนอแนะกลับต้องใช้เวลา ถึงกระนั้น ความรู้สึกที่ว่า "งานคืบหน้าไปตามปริมาณที่สร้างขึ้น" กลับทำให้รู้สึกว่าทำงานได้เร็วกว่าความเป็นจริง ดังนั้น ในสาขาที่เชี่ยวชาญ ควรตั้งคำถามกับความรู้สึกที่ว่า "เร็วขึ้น" เอาไว้ก่อนเสมอ

แล้ว "2 เท่า หรือ 3 เท่า" นั้นมาจากไหน? หลักๆ แล้วมาจาก 2 ปัจจัย

ปัจจัยแรกคือ ขอบเขตงาน (Breadth) เราจะสามารถรวมงานที่เคยแบ่งกันทำ ไม่ว่าจะเป็นการวางแผน การลงมือทำ การจัดทำเอกสารการขาย และการดูแลลูกค้า ให้กลายเป็นงานที่ต่อเนื่องกันโดยใช้คนจำนวนน้อยที่มี AI เป็นคู่หู แม้การประหยัดเวลาในแต่ละขั้นตอนจะดูเพียงเล็กน้อย แต่หากคนจำนวนน้อยสามารถรับผิดชอบงานที่เดิมต้องใช้คนถึง 3-4 คนได้ ผลผลิตของทั้งทีมก็จะเพิ่มขึ้นอย่างมหาศาล และเนื่องจากไม่ต้องเสียเวลาส่งต่องานหรือเกิดความเข้าใจคลาดเคลื่อน ผลลัพธ์ที่ได้จึงมากกว่าแค่การนำตัวเลขมาบวกกันธรรมดา

ปัจจัยที่สองคือ การนำผลลัพธ์กลับไปลงทุนใหม่ (Reinvestment) คือการนำเวลาที่ว่างจากการให้ AI ทำงานประจำไปใช้ในการพูดคุยกับลูกค้า การกำหนดราคา หรือการตรวจสอบกลยุทธ์ที่นำไปสู่ชัยชนะ แทนที่จะนำไปใช้พักผ่อน ซึ่งงานเหล่านี้เป็นสิ่งที่ AI ไม่ถนัดและเป็นตัวตัดสินความสำเร็จของธุรกิจ การสร้างรากฐานด้วยขอบเขตงานที่กว้างขึ้น แล้วนำเวลาที่ว่างลงกลับไปทุ่มเทให้กับจุดสำคัญ—นี่คือหัวใจของ "2 เท่า หรือ 3 เท่า" ไม่ใช่แค่ความเร็วในการทำงานเพียงอย่างเดียว สิ่งที่ต้องออกแบบจึงไม่ใช่ความเร็วในการทำงาน แต่เป็นขอบเขตความรับผิดชอบและการใช้เวลาที่ว่างลงให้เกิดประโยชน์สูงสุดต่างหาก

การตัดสินใจว่าจะ "ส่งต่อ" หรือ "เก็บไว้ทำเอง" ให้ดูที่ "ROI ของ AI ว่าสูงหรือต่ำ" แทนที่จะใช้ความชอบส่วนตัวเป็นที่ตั้ง งานที่ตรวจสอบได้ง่ายและหากผิดพลาดก็ไม่เสียหายรุนแรง ให้ส่งต่อให้ AI ส่วนงานที่ต้องอาศัยความรู้ฝังลึก (Tacit Knowledge) และหากผิดพลาดแล้วมีต้นทุนสูง ให้เก็บไว้ทำเอง

การมีไม้บรรทัดที่นำไปปรับใช้ได้จริงเพียงหนึ่งอัน ย่อมช่วยให้เคลื่อนไหวได้คล่องตัวกว่าการพยายามจดจำรายการที่ละเอียดหยุมหยิม

• ตรวจสอบได้ง่าย・อธิบายขั้นตอนเป็นคำพูดได้・ผิดพลาดไปก็ไม่เสียหาย → ส่งต่อให้ AI
• ต้องอาศัยความรู้ที่ไม่ได้บันทึกไว้ (Tacit Knowledge)・ตรวจสอบได้ช้า・ผิดพลาดแล้วเสียหายหนัก → รับผิดชอบเอง

คอลัมน์ขวาคือพื้นที่ที่ AI ให้ผลลัพธ์ต่ำไปจนถึงติดลบ ดังที่ METR ได้ระบุไว้ ดังนั้นการ "รับผิดชอบเอง" จึงไม่ใช่เรื่องของจิตวิสัย แต่สามารถอธิบายได้ด้วยเหตุผลที่ว่า "เป็นจุดที่ AI ทำงานได้ไม่เต็มประสิทธิภาพ" นั่นเอง

ในความเป็นจริง งานส่วนใหญ่ไม่สามารถเทไปทางใดทางหนึ่งได้แบบสุดโต่ง วิธีที่ได้ผลคือการแบ่งงานออกเป็นขั้นตอน แล้วขีดเส้นแบ่งว่า "ถึงตรงนี้ใช้ AI และจากนี้ใช้คน"

ตัวอย่างเช่น หากเป็นเอกสารนำเสนอขายงาน ให้ AI รับหน้าที่ทำร่าง โครงสร้าง และถ้อยคำ ส่วนข้อความหลักที่ว่า "จะสัญญากับใครเรื่องอะไร" และเรื่องราคา ให้เราเป็นคนกุมไว้เอง หากเป็นโค้ด ให้ AI ทำโครงร่างและเทสเคส ส่วนแกนหลักของการออกแบบให้เราเป็นคนทำ โดยมีเกณฑ์ตัดสินง่ายๆ คือ "ถ้ามอบหมายให้ AI แล้วต้องเสียเวลาตรวจทานมากขึ้น นั่นคืองานที่ไม่ควรส่งต่อ" เพราะถึงแม้ AI จะสร้างงานได้เร็ว แต่ถ้าต้องเสียเวลาตรวจสอบมาก ผลรวมก็คือช้าลงอยู่ดี หากลังเล ให้ตัดสินใจจากระดับความเสียหายหากเกิดข้อผิดพลาด

การกำหนดเส้นแบ่งนี้ไว้ในทุกขั้นตอน จะช่วยให้เมื่อมีงานใหม่เข้ามา เราจะไม่ต้องหมดพลังไปกับการเลือกว่า "จะให้ AI ทำทั้งหมด หรือทำเองทั้งหมด" แต่จะสามารถจัดสรรงานได้ทันที ความแม่นยำในการขีดเส้นแบ่งนี้เอง คือรากฐานที่จะช่วยให้เราสร้างผลงานได้ทั้งในเชิงปริมาณและคุณภาพไปพร้อมกัน

ในทีมขนาดเล็ก สิ่งที่เป็นคอขวดในช่วงแรกไม่ใช่ปริมาณงาน แต่คือการตัดสินใจ สมาธิ และความอดทนของผู้นำ การทำงานหนักเกินไปอาจบั่นทอนความสามารถในการตัดสินใจ ซึ่งเป็นสิ่งที่ AI เข้ามาแทนที่ได้ยาก

แม้จะนำ AI มาใช้ แต่หากใช้งานในลักษณะนี้ ก็มีแต่จะทำให้สิ้นเปลืองทรัพยากร และยากที่จะนำไปสู่การสร้างความได้เปรียบ

• เพียงแค่ลองใช้เครื่องมือใหม่ๆ แต่ไม่สามารถนำไปสู่ผลลัพธ์ได้
• ตั้งสมมติฐานกว้างจนเกินไป จนไม่สามารถตรวจสอบได้ครบทุกข้อ
• เอาแต่สร้าง แต่ไม่นำออกไปขาย
• เพิ่มฟีเจอร์ไปเรื่อยๆ โดยไม่นำไปทดสอบกับลูกค้า
• นำผลลัพธ์จาก AI ไปใช้โดยไม่ตรวจสอบคุณภาพ
• โยนการตัดสินใจทั้งหมดให้ AI

สองข้อสุดท้ายไม่ใช่แค่เรื่องของทัศนคติ แต่สามารถอธิบายได้ด้วยข้อมูล กรณีของ METR ที่กล่าวไปข้างต้นเรื่อง "รู้สึกว่าเร็วขึ้นแต่จริงๆ แล้วกลับช้าลง" นั้น เกิดขึ้นในสาขาที่ผมมีความเชี่ยวชาญเป็นพิเศษ หากนำผลลัพธ์จาก AI ไปใช้โดยไม่ตรวจสอบคุณภาพ งานจะช้าลงและขาดความละเอียดในจุดที่มองไม่เห็น ดังนั้น การให้คนตรวจสอบผลลัพธ์ทุกครั้ง และไม่โยนการตัดสินใจให้ AI ทั้งหมด จึงไม่ใช่แค่เรื่องของความชอบ แต่เป็นทางเลือกที่มีข้อมูลรองรับ

หากวิจารณญาณคือขีดจำกัดแรก สิ่งที่ควรปกป้องไม่ใช่ระยะเวลาในการทำงาน แต่เป็นช่วงเวลาที่สมองปลอดโปร่งที่สุด โดยเฉพาะอย่างยิ่ง การขีดเส้นแบ่งดังต่อไปนี้จะได้ผลดี:

• กำหนดช่วงเวลาที่สมองทำงานได้ดีที่สุดในแต่ละวันไว้สำหรับการตัดสินใจเรื่องสำคัญ (ราคา การจ้างงาน การออกแบบหลัก) โดยไม่แทรกงานจุกจิกเข้าไป
• ผลลัพธ์จาก AI ต้องผ่านการตรวจสอบโดยมนุษย์เสมอ โดยเฉพาะในสาขาที่ตนเองถนัด ต้องระแวงความรู้สึกที่ว่า "เสร็จเรียบร้อยแล้ว" และห้ามละเลยการตรวจสอบโดยเด็ดขาด
• จำกัดสมมติฐานให้แคบลง จุดแข็งของทีมขนาดเล็กคือการรวมพลังไปที่จุดแห่งชัยชนะเพียงจุดเดียว ไม่ใช่การเพิ่มทางเลือกให้มากขึ้น

จุดลงตัวนั้นเรียบง่าย ไม่ใช่ "ต้องสั้นที่สุด" หรือ "ต้องยาวที่สุด" แต่คือ "ตัดเวลาที่สูญเปล่าออกไป แล้วทุ่มเวลาให้กับจุดแห่งชัยชนะ" ซึ่งนั่นหมายถึงการตั้งอยู่บนสมมติฐานที่ว่า การทำงานนานเกินไปอาจกลายเป็นการบั่นทอนจุดแข็งที่สุดของตนเองไปโดยไม่รู้ตัว

สำหรับทีมขนาดเล็กที่มีประสิทธิภาพสูง AI ไม่ใช่เครื่องมือที่ใช้เพื่อ "ทุ่นแรง" แต่เป็นเครื่องมือที่ใช้เพื่อ "ขยายขีดจำกัดของคนจำนวนน้อย" มากกว่า ในช่วงเปลี่ยนผ่านนี้ ทีมที่สามารถนำเวลาที่ว่างขึ้นมากลับไปทุ่มเทให้กับจุดชี้ขาดของผลลัพธ์ได้ จะเป็นทีมที่ก้าวล้ำหน้าไปได้ง่ายที่สุด

ในต่างประเทศมีการพูดถึงแนวคิด "โซโลยูนิคอร์น" (Solo Unicorn - รูปแบบการบริหารบริษัทที่มีมูลค่าระดับ 1 พันล้านดอลลาร์ด้วยตัวคนเดียว) ซึ่งมีจุดเริ่มต้นมาจากการคาดการณ์ของ แซม อัลต์แมน (Sam Altman) แห่ง OpenAI โดยทางบริษัทลงทุน Sequoia ได้เรียกการที่คนจำนวนน้อยมากสามารถควบคุม AI Agent เพื่อสร้างรายได้มหาศาลว่า "เอเจนติก เลเวอเรจ" (Agentic Leverage) ปัจจุบันเริ่มมีตัวอย่างให้เห็นจริงแล้ว เช่น Midjourney ที่มีรายงานว่าสามารถสร้างรายได้ต่อปีถึง 200 ล้านดอลลาร์ด้วยทีมงานเพียงสิบกว่าคน หรือนักพัฒนาอิสระอย่าง ปีเตอร์ เลเวลส์ (Pieter Levels หรือ levelsio) ที่สามารถสร้างรายได้หลายล้านดอลลาร์ต่อปีจากบริการหลายตัวด้วยตัวคนเดียว

อย่างไรก็ตาม เราควรพิจารณาเรื่องนี้อย่างใจเย็น สิ่งที่สังเกตเห็นในขณะนี้ไม่ใช่การเพิ่มขึ้น "100 เท่า" แต่เป็นเพียง 2-5 เท่าเท่านั้น อีกทั้งยังไม่ใช่การที่ทีมงานมีขนาดเล็กลง แต่เป็นการที่คนจำนวนเท่าเดิมสามารถสร้างผลผลิตได้มากขึ้น ถึงกระนั้น ทิศทางก็ชัดเจนแล้วว่า งานของผู้นำกำลังเปลี่ยนจาก "การลงมือทำด้วยตัวเอง" ไปสู่ "การควบคุม AI และบริหารจัดการคน"

การเปลี่ยนผ่านนี้ไม่ได้ต้องการเพียงแค่ความเร็วในการลงมือทำเท่านั้น แต่ยังมี 3 แกนหลักใหม่ที่จำเป็นต้องมี ดังนี้:

1. ทักษะการแยกแยะ (Decomposition): การแบ่งงานออกเป็นหน่วยย่อยที่ AI สามารถรับไปทำต่อได้
2. การออกแบบการตรวจสอบ (Verification Design): การมองให้ออกว่าผลลัพธ์ที่ได้นั้นผ่านเกณฑ์หรือไม่
3. การขีดเส้นแบ่ง (Boundary Setting): การตัดสินใจว่างานส่วนใดควรทำเอง และส่วนใดควรส่งต่อให้ AI

แม้ความเร็วในการทำงานจะกลายเป็นเรื่องปกติในไม่ช้า แต่การออกแบบว่าจะ "ทำอะไร ใครเป็นคนทำ และส่งต่องานตามลำดับอย่างไร" ยังคงเป็นส่วนที่ AI ไม่สามารถทำแทนได้ทั้งหมด เช่นเดียวกับการตัดสินใจ คุณต้องค่อยๆ ปรับเปลี่ยนรูปแบบการทำงานจากการเป็นผู้ลงมือทำทีละขั้นตอน ไปสู่การเป็นผู้บริหารจัดการงานในภาพรวม นี่คือภาพของการเปลี่ยนผ่านที่ว่านี้

ในระยะสั้น รูปแบบที่ใช้ AI ขับเคลื่อนอย่างหนักหน่วงมักจะเป็นฝ่ายชนะ แต่สิ่งที่ส่งผลในระยะกลางถึงระยะยาวคือการสร้าง "กลไกที่สามารถดำเนินต่อไปได้โดยไม่ต้องมีใครคนใดคนหนึ่งคอยทุ่มเทแรงกายตลอดเวลา" โดยมีลำดับขั้นตอนสู่ความสำเร็จคือ ขับเคลื่อนอย่างหนักหน่วง → ค้นหาแนวทางชนะ → สร้างกลไก → มอบหมายงาน → ลดเวลาทำงาน

หากตั้งเป้าหมายที่ "การลดชั่วโมงการทำงาน" ตั้งแต่แรก มักจะหมดแรงก่อนที่จะมองเห็นหนทางสู่ชัยชนะ ดังนั้นลำดับขั้นตอนจึงมีความสำคัญ

1. ให้ผู้นำหรือสมาชิกหลักเริ่มใช้ AI ขับเคลื่อนงานอย่างเต็มกำลังก่อน
2. ค้นหาหนทางสู่ชัยชนะให้พบ
3. นำหนทางสู่ชัยชนะนั้นมาแปลงเป็น Workflow ของ AI โดยระบุขั้นตอนและเกณฑ์การตัดสินใจให้ชัดเจน
4. จัดเตรียมให้อยู่ในสถานะที่สามารถส่งมอบงานให้ผู้อื่นทำต่อได้
5. ค่อยๆ ปล่อยเวลาของสมาชิกหลักให้ว่างขึ้นทีละน้อย

หากตั้งสมมติฐานว่าต้องใช้แรงเต็มที่ตลอดเวลา องค์กรจะขยายตัวได้ไม่เกินขีดจำกัดของกำลังกายสมาชิกหลัก ในยุคที่งานปฏิบัติการไม่จำเป็นต้องใช้คนจำนวนมากเช่นนี้ ควรตระหนักว่านี่เป็นช่วงเวลาที่ทีมขนาดเล็กซึ่งเน้นการขยายขอบเขตงานและการตัดสินใจ จะสามารถค่อยๆ สร้างความได้เปรียบที่เหนือกว่าได้ง่ายขึ้น

ในกระบวนการนี้ สิ่งที่มักจะทำให้สะดุดมากที่สุดคือขั้นตอนที่ 4 คือ "การมอบหมายงาน" (Delegation) ยิ่งผู้นำทีมขนาดเล็กมีความสามารถมากเท่าไร ก็ยิ่งมักจะตกอยู่ในกับดักที่ว่า "ทำเองเร็วกว่า" จนหาเหตุผลที่จะปล่อยมือไม่ได้ แต่ความเร็วนั้นเป็นเพียงการเพิ่มประสิทธิภาพในระยะสั้นเท่านั้น ตราบใดที่คุณยังเป็นเพดานขององค์กร องค์กรก็จะเติบโตได้ไม่เกินขีดจำกัดความสามารถของคุณ

กุญแจสำคัญในการก้าวข้ามปัญหานี้คือ การมองผู้ที่จะรับงานต่อให้เป็น "เวิร์กโฟลว์" (Workflow) ไม่ใช่ "ตัวบุคคล" หากคุณสามารถถอดบทเรียนที่นำไปสู่ชัยชนะออกมาเป็นคำพูด ทั้งในส่วนของขั้นตอน เกณฑ์การตัดสินใจ และวิธีการตรวจสอบ จนกลายเป็นเวิร์กโฟลว์ที่ชัดเจนได้ คนที่มารับช่วงต่อก็จะทำหน้าที่เพียงแค่รันระบบนั้น ซึ่งจะทำให้การส่งต่องานง่ายขึ้นอย่างมาก แม้ในช่วงแรกอาจจะช้ากว่าการทำเอง แต่ระบบนั้นจะไม่รู้จักเหน็ดเหนื่อย ไม่ต้องพัก และสามารถคัดลอกไปใช้ได้ การยอมปล่อยความเร็วในระยะสั้นเพื่อแลกกับการเติบโตในระยะยาว การตัดสินใจเพียงครั้งนี้แหละที่จะเป็นตัวแบ่งแยกองค์กรที่ต้องพึ่งพาใครคนใดคนหนึ่ง กับองค์กรที่ยังคงขับเคลื่อนต่อไปได้แม้จะมีการเปลี่ยนตัวบุคคลก็ตาม

คำถามที่พบบ่อยจากผู้นำกลุ่มเล็กแต่เปี่ยมด้วยศักยภาพ (ผู้บริหาร, หัวหน้าฝ่ายธุรกิจ, หัวหน้าทีม) โดยจะตอบแบบสั้นกระชับ ทุกคำถามดูเหมือนจะมีทางเลือกแค่สองทาง แต่ในความเป็นจริง คำตอบจะเปลี่ยนไปตามเงื่อนไขของสถานการณ์นั้นๆ

ไม่เป็นเช่นนั้น การพักผ่อนเพื่อรักษาไว้ซึ่งสุขภาพและวิจารณญาณเป็นสิ่งที่ขาดไม่ได้เสียด้วยซ้ำ ปัญหาอยู่ที่ว่าเราจะกำหนด "จุดหมายปลายทางปกติ" ของเวลาว่างไว้ที่ใด ในช่วงเปลี่ยนผ่าน ความได้เปรียบมักจะเอนเอียงไปทางคนที่นำเวลาว่างกลับไปใช้ในการสนทนากับลูกค้าหรือตรวจสอบกลยุทธ์ที่นำไปสู่ชัยชนะ มากกว่าคนที่นำเวลาว่างไปใช้กับการพักผ่อนหย่อนใจ การพักผ่อนอย่างมีสติควบคู่ไปกับการกำหนดจุดหมายปลายทางของเวลาว่างไว้ที่ "การสร้างผลลัพธ์" คือจุดสมดุลที่ทำได้จริง

การจะพลาดหรือไม่นั้น มักขึ้นอยู่กับว่ามีการวางกลไกการตรวจสอบไว้หรือไม่ การที่คนจำนวนน้อยต้องรับผิดชอบงานในวงกว้างไม่ได้ทำให้คุณภาพลดลงด้วยตัวมันเอง แต่การละเลยการตรวจสอบแล้วปล่อยให้ผลลัพธ์จาก AI ผ่านไปต่างหากที่ทำให้คุณภาพลดลง โดยเฉพาะในสาขาที่ตนเองถนัด มักจะเกิดความรู้สึกว่า "เสร็จแล้ว" จนข้ามขั้นตอนการตรวจสอบไปได้ง่าย ซึ่งอย่างที่ METR ได้ชี้ให้เห็นว่า ในความเป็นจริงงานมักจะล่าช้าและหยาบกว่าที่รู้สึก ในทางกลับกัน หากมุ่งเน้นพลังไปที่การตัดสินใจที่จำเป็นต้องควบคุมเอง (การออกแบบแกนหลัก, ราคา, คุณค่าที่สัญญาไว้) และวางการตรวจสอบไว้ที่จุดเหล่านั้น ก็จะสามารถรักษาทั้งความกว้างขวางและคุณภาพของงานไปพร้อมกันได้ง่ายขึ้น

มีเพียง 2 อย่างที่ต้องทำ อย่างแรกคือให้คัดแยกงานในทีมโดยใช้เกณฑ์ว่า "งานไหนมี ROI ของ AI สูงหรือต่ำ" แล้วส่งต่องานที่มี ROI สูงให้กับ AI เช่น การเขียนอีเมลตามรูปแบบที่กำหนด, การสืบค้นข้อมูลเบื้องต้น, การร่างเอกสาร และการเขียนโค้ดต้นแบบ จากนั้นให้นำเวลาที่ว่างลงไปทุ่มเทให้กับงานที่ควรทำด้วยตัวเองซึ่งมี ROI ต่ำ เช่น การพูดคุยกับลูกค้า, การกำหนดราคา และการตรวจสอบแนวทางสู่ชัยชนะ แทนที่จะนำเวลาไปพักผ่อน เมื่อทำเช่นนี้ไปเรื่อยๆ จนเริ่มเห็นแนวทางสู่ชัยชนะแล้ว ให้สรุปขั้นตอนและเกณฑ์การตัดสินใจออกมาเป็นคำพูด เพื่อนำไปสู่การสร้างเวิร์กโฟลว์และการมอบหมายงานต่อไป

จุดที่ AI สร้างประโยชน์ได้มากที่สุด ไม่ใช่แค่การลดชั่วโมงการทำงาน แต่คือการเพิ่มเวลาในการสร้างผลลัพธ์ และท้ายที่สุดคือการเปลี่ยนไปสู่ระบบที่สามารถขับเคลื่อนได้โดยไม่ต้องพึ่งพาใครคนใดคนหนึ่ง

สำหรับทีมขนาดเล็กที่มีประสิทธิภาพสูง กลยุทธ์นี้ได้ผลดีในสถานการณ์ปัจจุบัน ความเร็วในการทำงานเป็นสิ่งที่ใครๆ ก็เข้าถึงได้ในไม่ช้า ด้วยเหตุนี้ เราจึงต้องทุ่มเทเวลาที่มีค่าที่สุดให้กับส่วนที่ AI ทำแทนไม่ได้ นั่นคือ การตัดสินใจ การบูรณาการ และการใช้เซนส์ เมื่อมองเห็นหนทางสู่ชัยชนะแล้ว ให้สร้างเป็นระบบแล้วปล่อยมือจากมัน ทีมที่รักษาลำดับขั้นตอนเช่นนี้ได้ จะสามารถค่อยๆ ทิ้งห่างคู่แข่งในช่วงเปลี่ยนผ่านนี้ได้ง่ายขึ้น การทุ่มเทเวลาให้กับจุดตัดสินใจที่สำคัญที่สุด แทนที่จะทำงานให้ยาวนานขึ้น นั่นคือสิ่งที่จะกลายเป็นความสามารถในการแข่งขันขององค์กรต่อจากนี้ไป