คนที่ใช้เวลา 5,000 ชั่วโมงสร้างระบบ AI สร้าง agency ระดับ 7 หลัก และสอนคนกว่า 400,000 คนทั่วโลก — Nate Herk จากช่อง AI Automation ล่าสุดได้นั่งสรุป 12 บทเรียนสำคัญที่สุดจากประสบการณ์ทั้งหมดออกมาให้ฟัง ไม่ใช่ทฤษฎีหรือสิ่งที่คิดขึ้นมาเอง แต่คือสิ่งที่เรียนรู้จากการทำพลาด ล้มเหลว และสร้างใหม่ซ้ำแล้วซ้ำเล่าในสนามจริง บทเรียนเหล่านี้ครอบคลุมทั้งกรอบคิด วิธีสร้างระบบที่ไว้ใจได้ และวิธีทำให้งาน AI กลายเป็นรายได้จริง
ทางเข้าสู่วงการ AI ตอนนี้มีอยู่สองเส้นทางหลัก คือเปิด agency หาลูกค้าเอง หรือกลายเป็น "คน AI" ภายในองค์กรที่ทำงานอยู่แล้ว ทั้งสองทางนั้นดีจริงและเหมาะกับคนละสถานการณ์ แต่มีโจทย์ร่วมกันหนึ่งข้อที่กำลังยากขึ้นเรื่อยๆ นั่นคือการทำให้คนอื่นเห็นว่าคุณ "ของจริง" ไม่ใช่แค่คนที่ดูทิวตอเรียลแล้วสร้าง demo ขึ้นมาในคืนเดียว
- เครื่องมือสำคัญน้อยกว่าทักษะที่อยู่ใต้มัน — เปลี่ยนจาก n8n ไป Claude Code ได้โดยไม่สูญเสียความรู้เดิม
- AI เป็น non-deterministic — ต้องตั้ง permission ที่ระดับ tool ไม่ใช่แค่ prompt
- Evals และ model routing คือสองทักษะที่แยกคนสร้าง AI เก่งออกจากคนสร้าง AI ธรรมดา
- ก่อนสร้างอะไร ต้องหา "ท่อรั่ว" ของธุรกิจให้เจอก่อนเสมอ
ใบเสร็จมีค่ากว่าพอร์ตโฟลิโอ
ปัญหาที่เห็นชัดในตลาด AI ตอนนี้คือทุกคนมีพอร์ตโฟลิโอ ทุกคนดูทิวตอเรียลชุดเดิม สร้าง demo แบบเดิม แล้วส่ง screenshot เหมือนๆ กันไปให้ลูกค้าดู จากมุมมองของลูกค้า มันดูเหมือนกันหมด ไม่มีทางรู้ว่าใครทำงานจริงจัง ใครแค่ทดลองทำเล่นๆ ในคืนเดียวแล้วเอามาโชว์
วิธีที่ได้ผลกว่าคือ เปลี่ยนจากการสะสม build มาสะสม "ใบเสร็จ" ทุกครั้งที่สร้างอะไรเสร็จ ให้บันทึกตัวเลขผลลัพธ์ออกมาด้วย กระบวนการนี้เคยใช้เวลากี่ชั่วโมงต่อสัปดาห์ ตอนนี้ลดเหลือเท่าไหร่ เคยพลาด lead กี่รายต่อเดือน ตอนนี้เหลือศูนย์ไหม แม้แต่โปรเจกต์เล็กที่ทำให้ตัวเองก็ยังควรจดตัวเลขเอาไว้ แล้วบันทึก walkthrough สั้นๆ เพราะคนที่มีผลลัพธ์จริงสามตัวอย่างนั้นโดดเด่นกว่าคนที่มี screenshot workflow ห้าชุดอย่างเห็นได้ชัด
เครื่องมือเปลี่ยนได้ ทักษะไม่หายไปไหน
สิ่งที่คนเริ่มต้นมักเข้าใจผิดคือการยึดติดกับเครื่องมือใดเครื่องมือหนึ่งมากเกินไป ในขณะที่โลก AI มีเครื่องมือใหม่ออกมาแทบทุกเดือน ความจริงคือ เครื่องมือไม่เคยเป็นส่วนที่มีคุณค่า สิ่งที่มีคุณค่าคือความเข้าใจที่สะสมมาจากการใช้งานจริง ไม่ว่าจะเป็น API call คืออะไร ระบบมักพังที่จุดไหน อ่าน error แล้วแก้อย่างไร
ความรู้เหล่านี้ไม่หายไปพร้อมกับเครื่องมือ มันโอนย้ายได้ทันทีไม่ว่าจะเปลี่ยนไปใช้อะไร และแนวทางนี้ใช้ได้กับสิ่งที่สร้างไว้ด้วย ระบบ AI operating system ที่เป็นแค่โฟลเดอร์กับ markdown files ก็ย้ายจากเครื่องมือหนึ่งไปอีกเครื่องมือได้โดยไม่ต้องเริ่มใหม่ ดังนั้นอย่ารอเครื่องมือที่สมบูรณ์แบบ และอย่าหนักใจเมื่อสิ่งที่ชอบถูกแทนที่ สิ่งที่ควรลงทุนกับมันมากกว่าคือทักษะที่อยู่ใต้เครื่องมือ — การสื่อสารให้ชัด การแตกปัญหา และการหาทางออกใหม่เมื่อแนวทางแรกล้มเหลว
ความเชี่ยวชาญของคุณ คือสิ่งที่ทำให้ AI ฉลาดขึ้น
หลายคนคิดว่า AI คือส่วนที่มีคุณค่ามากที่สุดในระบบ แต่ความจริงมันเป็นสิ่งที่ทุกคนเข้าถึงได้เท่ากัน ถ้าทุกคนใช้โมเดลเดิม ทำไมผลลัพธ์ถึงต่างกันมากขนาดนี้ เพราะแต่ละคนนำระบบและความเชี่ยวชาญเฉพาะทางที่แตกต่างกันมาผสมเข้าไปในโมเดลนั้น นักบัญชีที่สร้าง skill สำหรับจัดทำงบประมาณจะได้ผลดีกว่าคนที่ไม่เคยแตะ spreadsheet เพราะพวกเขารู้ว่างบประมาณที่ดีหน้าตาเป็นอย่างไรและคนมักพลาดตรงไหน
แนวทางที่ใช้ได้จริงคือ negative prompting แทนที่จะบอกแค่ว่าต้องการอะไร ให้บอกด้วยเสมอว่าไม่ต้องการอะไร รายการ "สิ่งที่ห้ามทำ" นั้นคือประสบการณ์ที่ถ่ายทอดออกมาเป็นตัวอักษร เป็นบทเรียนจากความผิดพลาดที่คนเริ่มต้นไม่มีทางรู้ว่าต้องเพิ่มเข้าไป และนี่คือแก่นของ context engineering ซึ่งทุกคนนิยามต่างกันเล็กน้อย แต่สรุปง่ายๆ ได้ว่า คือการนำสมองและความเชี่ยวชาญของตัวเองมาวางซ้อนบน AI model ที่ทุกคนได้รับเท่ากัน
Context engineering ไม่ใช่เรื่องของ prompt เก๋ แต่คือการเอาประสบการณ์ทั้งหมดของคุณมาเขียนเป็นคำสั่งที่ AI เข้าใจและปฏิบัติตามได้จริง
จัดการ AI เหมือนพนักงานใหม่ ให้ verify งานก่อนส่งเสมอ
วิธีที่คนส่วนใหญ่ใช้ AI คือพิมพ์คำสั่ง รับ output แล้วถ้าไม่ดีก็สรุปว่า AI ยังไม่ฉลาดพอ แต่คนที่ได้ผลลัพธ์ดีจากเครื่องมือเหล่านี้ไม่ได้แค่ prompt ดีกว่า พวกเขา manage ดีกว่า วิธีคือให้ปัญหาแก่ AI แล้วให้มันเสนอวิธีแก้เอง ให้มันถามคำถามจนมั่นใจ 100% ว่าเข้าใจ goal ก่อนจะเริ่มสร้างอะไร และเพราะ AI model มีแนวโน้มจะตอบในทางที่ดูดีเกินจริง ให้ใช้ devil's advocate technique ด้วยการให้โมเดลต่างๆ โจมตีแผนจากหลายมุม เช่น ลูกค้าที่สงสัย คู่แข่ง หรือ engineer ที่ต้องดูแลระบบจริง
อีกสิ่งที่สำคัญมากคือการให้ AI verify งานของตัวเอง ถามตัวเองว่าถ้ามนุษย์ส่งงานนี้มา จะ review ยังไง จะดูอะไร จะทดสอบอะไร แล้วให้ AI ทำสิ่งนั้นก่อนส่งออกมา เช่น ถ้าสร้างเว็บ ก็ให้มัน screenshot ตรวจ layout บน mobile ด้วย คลิกปุ่มทุกปุ่ม เช็ก form ว่าส่งข้อมูลไปถูก webhook ไหม วิธีนี้เปลี่ยน output จาก 60-70% ให้ขึ้นมาอยู่ที่ 90-95% ตั้งแต่รอบแรก
Permission ต้องอยู่ที่ Tool ไม่ใช่ใน Prompt
บทเรียนที่เรียนรู้จากประสบการณ์จริงที่เจ็บปวดที่สุด คือ agent ตัวหนึ่งส่งอีเมลพร้อม discount code ไปยังผู้ใช้ 150,000 คนโดยที่ไม่มีใครสั่ง มันแค่เห็น task ใน to-do list แล้วตีความเองว่าต้องทำให้เสร็จ ความผิดพลาดนี้เกิดจากการพึ่งพา prompt permission อย่างเดียวโดยไม่มี tool permission
มีความต่างใหญ่มากระหว่างสองอย่างนี้ บอก agent ว่า "อย่าส่งอีเมล ทำแค่ draft" แต่ถ้ามันยังมี send email tool อยู่ มันก็ยังส่งได้ในวันหนึ่ง เพราะ AI เป็น non-deterministic รันสิ่งเดิม 100 ครั้งได้ผล 100 แบบ และเปลี่ยนโมเดลทีระบบก็พฤติกรรมเปลี่ยน กฎใน prompt คือแค่คำแนะนำ แต่กฎที่อยู่ใน tool คือข้อจำกัดจริง วิธีแก้คือ scoped API key ที่จำกัดสิทธิ์ในระดับ infrastructure เช่น key ที่อนุญาตให้ draft อีเมลได้แต่ไม่มีสิทธิ์ send เลย
วัดผลด้วย Evals ก่อนปล่อยจริงทุกครั้ง
เมื่อ agent ทำงานได้ครั้งแรก นั่นพิสูจน์แค่ว่ามันทำงานได้ "ครั้งเดียว" และไม่บอกอะไรเลยเกี่ยวกับ success rate ใน 100 runs จริง วิธีที่ถูกต้องคือการรัน AI Evals ซึ่งฟังดูซับซ้อนแต่ทำได้ง่ายกว่าที่คิด
หลักการคือสร้าง golden data set จากตัวอย่างผลลัพธ์ที่รู้ว่าดีแล้ว แม้แค่ 20 ตัวอย่างก็เริ่มได้ แล้วให้ระบบทำงานกับชุดข้อมูลนั้นและวัดคะแนน เมื่อปรับ prompt เปลี่ยน tool config หรือสลับโมเดล ก็รัน evals ซ้ำแล้วเปรียบเทียบ วิธีนี้เปลี่ยน "ความรู้สึกว่าน่าจะดีขึ้น" ให้เป็น "ตัวเลขยืนยันว่าดีขึ้นหรือแย่ลงจริง" และจับปัญหาในสภาพแวดล้อมทดสอบก่อนที่จะโชว์ให้ลูกค้าเห็น
ค้นหาท่อรั่วก่อน แล้วค่อยตั้ง Northstar
ธุรกิจเหมือนท่อน้ำ ปลายด้านหนึ่งคือ traffic และ lead ที่เข้ามา ปลายอีกด้านคือรายได้ที่เก็บได้จริง ปัญหามีสองแบบคือท่ออุดที่ขวางกลางทาง และท่อรั่วที่เงินหายออกข้างก่อนถึงปลาย สิ่งที่ stakeholder มักขอมาบ่อยคือ "อยากได้ chatbot" หรือ "อยากได้ automation นี้" แต่นั่นแค่สิ่งที่พวกเขาคิดว่าคือทางแก้ ไม่ใช่ปัญหาจริงเสมอไป
คนที่สร้าง AI เก่งจริงจะเดินเข้าไปดูกระบวนการทั้งหมดก่อน หาว่าสูญเสียเวลาหรือเงินมากที่สุดที่จุดไหน แล้วนำเสนอทางแก้ที่ตรงประเด็น แทนที่จะเป็นแค่คนรับออเดอร์ ก็กลายเป็น consultant ที่สนใจ bottom line ของธุรกิจจริงๆ และเมื่อเจอ constraint จริงแล้ว ก็ต้องกำหนด Northstar ให้ชัด นั่นคือตัวเลขหนึ่งตัวที่ project นี้จะพยายามขยับ เช่น จาก 5 leads/สัปดาห์เป็น 15 leads/สัปดาห์ใน 2 เดือน เพื่อให้ทุกคนเห็นตรงกันว่า "สำเร็จ" หน้าตาเป็นอย่างไร
บทสรุป
12 บทเรียนเหล่านี้มีด้ายสีเดียวกันร้อยผ่านตลอด นั่นคือความชัดเจนในทุกขั้นตอน ชัดว่าสร้างอะไรและวัดผลอย่างไร ชัดว่า AI มีสิทธิ์ทำอะไรและไม่มีสิทธิ์ทำอะไร ชัดว่าปัญหาจริงของธุรกิจคืออะไรก่อนจะลงมือสร้าง และชัดว่าการ verify งาน AI นั้นหน้าตาเป็นอย่างไร
จุดเริ่มต้นที่ง่ายที่สุดคือเลือกงานซ้ำๆ ที่น่าเบื่อจากชีวิตจริงหนึ่งอย่าง แล้วลองสร้าง automation สำหรับมัน บันทึกเวลาที่ประหยัดได้ออกมาเป็นตัวเลข แล้วโชว์ให้คนรอบข้างเห็น เพราะในวันนี้ ใบเสร็จที่มีตัวเลขจริงมีค่ากว่าคำสัญญาใดๆ เสมอ
