การใช้ AI กับการสร้างรอบ ๆ มัน: เส้นแบ่งคืออะไร?

เราใช้คำว่า AI เพื่ออธิบายสิ่งต่าง ๆ มากมาย ตั้งแต่การสนทนากับ ChatGPT ในเบราว์เซอร์จนถึงการดำเนินธุรกิจทั้งหมดที่การดำเนินงานจะหยุดอยู่ในรูปแบบปัจจุบันหากไม่มีโมเดลภาษา เส้นแบ่งระหว่างการใช้การอัตโนมัติด้วย AI กับการที่ AI อยู่ที่แกนหลักของธุรกิจคือที่ไหน? จุดที่เกิดการเปลี่ยนแปลงพื้นฐานคือเมื่อใด? และสำคัญที่สุด บริษัทควรพยายามทำให้ AI เป็นศูนย์กลางหรือไม่?

เมื่อใดธุรกิจจึงถือว่ามี AI เป็นแกนหลักตั้งแต่ต้น?

วันนี้ แม้ว่าองค์กรจะไม่เคยประกาศการเปลี่ยนแปลงด้วย AI ก็ตาม พนักงานก็ยังใช้ Gemini เพื่อค้นหาข้อมูล, ChatGPT เพื่อเขียนอีเมล, Grok เพื่อจัดทำรายงาน, Claude เพื่อเขียนโค้ดของพวกเขา ฯลฯ การเข้าถึงเครื่องมือ LLM ได้แพร่หลายจนการใช้มันเพียงอย่างเดียวไม่สามารถบ่งบอกอะไรเกี่ยวกับบริษัทได้อีกต่อไป

สำหรับฉัน มีการทดสอบที่ง่ายกว่ามาก: จะเกิดอะไรขึ้นหากคุณปิด AI?

ลองพิจารณาบริษัทซอฟต์แวร์บัญชี นักพัฒนาของพวกเขาอาจใช้ AI เพื่อเขียนฟีเจอร์หรือดูแลผลิตภัณฑ์ หากปิดเครื่องมือเหล่านั้นในวันพรุ่งนี้ วิศวกรอาจทำงานช้าลง แต่ซอฟต์แวร์ยังคงมีอยู่ นักบัญชียังคงใช้มัน และลูกค้าก็ยังคงจ่ายเงินให้มัน AI ช่วยปรับปรุงการทำงานของบริษัท แต่ธุรกิจเองไม่ได้พึ่งพา AI

ตอนนี้ลองจินตนาการถึงศูนย์บริการโทรศัพท์ของธนาคารที่เคยมีพนักงานจำนวนหนึ่งหมื่นคน รุ่นแรกของ AI ในสภาพแวดล้อมนั้นทำงานคล้ายกับผู้ช่วยที่นั่งข้างผู้ปฏิบัติงาน: มันฟังการสนทนา, เข้าใจปัญหา, และแนะนำคำตอบ ในหลายกรณี ผู้ช่วยนั้นได้กลายเป็นตัวแทนเองแล้ว ลูกค้าบอกว่าถูกเรียกเก็บเงินผิดจำนวน; ระบบตรวจสอบบันทึก, ทบทวนข้อมูลที่เกี่ยวข้อง, ระบุปัญหา, และบางครั้งแก้ไขโดยไม่ต้องมีคนแทรกแซง คนมนุษย์จะเข้ามาเฉพาะเมื่อกรณีต้องการการยกระดับ

นั่นคือความสัมพันธ์ที่แตกต่างอย่างมากกับเทคโนโลยี บริษัทซอฟต์แวร์บัญชีจะทำงานได้ไม่ค่อยมีประสิทธิภาพหากไม่มี AI ศูนย์บริการอาจต้องสร้างโมเดลการดำเนินงานส่วนใหญ่ใหม่ ความแตกต่างนี้ใกล้เคียงกับความหมายของ AI‑native ที่ฉันพูดถึง มากกว่าจำนวนการสมัครใช้ AI ของบริษัทหรือว่ามีคำว่า “AI” ปรากฏบนหน้าแรกหรือไม่

สิ่งนี้เห็นได้ชัดเจนที่สุดในด้านใด?

บางบริษัทได้สร้างธุรกิจของตนโดยมุ่งช่วยผู้อื่นทำการเปลี่ยนแปลงนี้ Cohereเป็นตัวอย่างที่ดี: บริษัทแคนาดานี้เติบโตเป็นธุรกิจใหญ่โดยช่วยองค์กรย้ายจากซอฟต์แวร์และกระบวนการทำงานแบบดั้งเดิมไปสู่ AI อย่างไรก็ตามในอุตสาหกรรมอื่น AI ฝังลึกอยู่ในผลิตภัณฑ์จนแทบจะเป็นไปไม่ได้ที่จะแยกแยะออกจากกัน

การขับขี่อัตโนมัติอาจเป็นตัวอย่างที่ชัดเจนที่สุด หากรถคาดว่าจะมองเห็นถนน, จำแนกวัตถุ, เข้าใจสิ่งที่เกิดขึ้นรอบ ๆ ตัวมัน, และตัดสินใจด้วยตนเอง แล้วคุณไม่สามารถลบ AI ออกได้โดยไม่ลบแนวคิดพื้นฐานของผลิตภัณฑ์

การแพทย์และเภสัชกรรมทำให้เห็นจุดเดียวกันในรูปแบบที่ต่างออกไป โดยเฉพาะในการค้นหายา ตัวอย่างที่ดีที่สุดของสิ่งนี้ในระดับใหญ่คือผลงานของ DeepMind เกี่ยวกับโครงสร้างโปรตีน

Protein Data Bank ถูกสร้างขึ้นในปี 1971 และใช้เวลาหลายทศวรรษของนักวิทยาศาสตร์ทั่วโลกในการสร้างคอลเลกชันขนาดใหญ่ของโครงสร้างที่กำหนดโดยการทดลอง. ฐานข้อมูล ผ่าน 1,000 โครงสร้างในปี 1993, 10,000 ประมาณปี 2000, และ 100,000 ในปี 2014. ภายในเดือนมกราคม 2023, ฐานข้อมูลได้ผ่าน 200,000 โครงสร้างชีวโมเลกุลที่กำหนดโดยการทดลอง. พูดอีกอย่างหนึ่ง หลังจากประมาณหกทศวรรษของชีววิทยาโครงสร้าง นักวิจัยได้สะสมโครงสร้างที่กำหนดโดยการทดลองประมาณสองแสนโครงสร้าง

จากนั้นก็มี AlphaFold ระบบของ DeepMind ที่ใช้ทำนายโครงสร้างสามมิติของโปรตีนจากลำดับกรดอะมิโนของมัน. ในปี 2022, AlphaFold ทำให้มีโครงสร้างโปรตีนที่คาดการณ์ได้มากกว่า 200 ล้านโครงสร้างโปรตีนที่คาดการณ์ได้ที่พร้อมใช้งาน, ครอบคลุมเกือบทุกโปรตีนที่บันทึกไว้ในฐานข้อมูลของวิทยาศาสตร์ในขณะนั้น. นั่นไม่ได้หมายความว่า AI “ค้นพบโปรตีนทุกชนิดที่มีอยู่”. นี่เป็นโครงสร้างที่คาดการณ์จากลำดับกรดอะมิโนที่ทราบแล้ว. แต่ความแตกต่างในระดับยังคงมหาศาล.

ความสำคัญของการเปลี่ยนแปลงนั้นชัดเจนยิ่งขึ้นในปี 2024 เมื่อ Demis Hassabis และ John Jumper จาก Google DeepMind ได้รับรางวัลโนเบลสาขาเคมีครึ่งหนึ่ง “เพื่อการทำนายโครงสร้างโปรตีน”. ครึ่งที่เหลือไปให้ David Baker สำหรับการออกแบบโปรตีนด้วยคอมพิวเตอร์ สิ่งที่เพียงไม่กี่ปีก่อนดูเหมือนเป็นความก้าวหน้า AI ที่น่าประทับใจ ได้กลายเป็นที่ยอมรับอย่างรวดเร็วว่าเป็นความก้าวหน้าพื้นฐานในชีววิทยาสมัยใหม่

DeepMind เป็นตัวอย่างระดับโลกที่ดึงความสนใจ, แต่สตาร์ทอัพด้านการแพทย์ที่เน้น AI ไม่ได้เป็นเรื่องแปลกอีกต่อไป ในช่วงหลายปีที่ฉันทำงานที่ Keymakr, ทีมของเราทำงานในโครงการซึ่งครอบคลุมตั้งแต่ทันตกรรมและการถ่ายภาพอัลตราซาวนด์จนถึงการทำหัวใจแทรกแทรก, ซึ่งโมเดลได้รับการฝึกเพื่อตรวจจับลิ้นหัวใจ, หลอดเลือดใหญ่, และโครงสร้างอื่น ๆ ระหว่างการทำหัตถการ. เรายังทำงานในโครงการศัลยกรรมประสาทที่โมเดลเรียนรู้แยกแยะเนื้อเยื่อสมอง, เส้นเลือด, เครื่องมือศัลยกรรม, และพื้นที่ผ่าตัด. ในทุกกรณี AI ไม่ได้เป็นฟีเจอร์เสริมที่เพิ่มเข้าไปในผลิตภัณฑ์; มันคือผลิตภัณฑ์เอง.

จากโครงสร้างโปรตีนสู่การส่งอีเมลเย็น

สิ่งเดียวกันกำลังเกิดขึ้นในส่วนที่ธรรมดากว่าของธุรกิจอย่างมาก การขายและการตลาดอาจเป็นหนึ่งในตัวอย่างที่เคลื่อนที่เร็วที่สุด: งานที่เคยใช้เวลาหลายชั่วโมงตอนนี้สามารถทำซ้ำได้หลายร้อยหรือหลายพันครั้งโดยใช้ความพยายามเพิ่มเพียงเล็กน้อย

CRM, แคมเปญ, การหาลูกค้าเป้าหมาย, และการวิจัยลีดถูกสร้างขึ้นรอบโมเดลภาษา เราอยู่ไกลเกินกว่าจุดที่ต้องขอให้ ChatGPT เขียนอีเมลเย็น ระบบสามารถตรวจสอบโปรไฟล์ LinkedIn ของใครสักคน, ดูว่าพวกเขาทำอะไร, สนใจอะไร, และโพสต์เกี่ยวกับอะไร, แล้วใช้ข้อมูลนั้นเขียนข้อความที่รู้สึกเป็นส่วนตัวมาก

ครั้งหนึ่งฉันได้รับข้อความที่คล้ายว่า: “ไมเคิล, คงน่าตื่นเต้นมากที่บินที่ระดับ 4,000 ฟุตและมองออกผ่านกระจก…” ข้อความนั้นอ้างอิงถึงเรื่องราวการบินของฉันบนโซเชียลมีเดีย ปฏิกิริยาตั้งแรกของฉันคือคิดว่ามีคนจริงๆ ไปตรวจสอบโปรไฟล์ LinkedIn ของฉันและอ่านอย่างละเอียด แน่นอนว่าไม่มีใครทำเช่นนั้น ระบบได้ค้นหาข้อมูลและสร้างข้อความติดต่อโดยอัตโนมัติ

นี่คือจุดที่เศรษฐศาสตร์ของการปรับให้เป็นส่วนบุคคลเริ่มเปลี่ยนแปลง การวิจัยที่เคยใช้เวลานานของคนหนึ่งตอนนี้สามารถได้รับความช่วยเหลือจากเครื่องมือที่สแกนข้อมูลสาธารณะและระบุรายละเอียดที่เกี่ยวข้อง คนสามารถตัดสินใจว่าข้อมูลใดเป็นประโยชน์, เหมาะสม, และคุ้มค่าที่จะรวมไว้

ฉันเห็นการเปลี่ยนแปลงเดียวกันที่ Keymakrแม้สำหรับเรา เป้าหมายไม่เคยคือการทำให้การตัดสินใจหรือความสัมพันธ์ของมนุษย์เป็นอัตโนมัติ ฉันยังคงกระตุ้นให้คนมองส่วนที่ทำซ้ำในงานประจำวันและถามว่าเอเจนต์สามารถประหยัดเวลา, ทำให้สอดคล้องมากขึ้น, หรือช่วยให้ทำงานในระดับใหญ่ได้หรือไม่

ที่ Scryonเราเริ่มต้นด้วยตรรกะนั้นที่ฝังอยู่ในบริษัทแล้ว งานการตลาดส่วนใหญ่ถูกจัดการโดยหลายเอเจนต์ผ่านบทความ, บล็อก, LinkedIn, และเว็บไซต์

ส่วนที่น่าสนใจคือข้อได้เปรียบที่ใหญ่ที่สุดของพวกเขามักไม่ได้อยู่ที่การเขียน สมมติว่าคุณเพิ่มหน้าใหม่ 20 หน้าในเว็บไซต์ คนที่เขียนบทความใหม่อาจเพิ่มลิงก์ภายในไม่กี่รายการเท่านั้น เกือบไม่มีใครจะย้อนกลับไปตรวจสอบ 80 หรือ 800 ชิ้นงานเก่าเพื่อดูว่าหน้าใหม่ควรลิงก์ที่ไหน เอเจนต์ทำได้ ในงานแบบนี้ เอเจนต์ไม่จำเป็นต้องฉลาดกว่ามนุษย์ เพียงแค่ไม่รู้สึกเบื่อและความแตกต่างระหว่าง 80 หน้าและ 800 หน้าไม่สำคัญกับมันเท่ากับที่สำคัญกับเรา

แต่นี่คือจุดที่การอัตโนมัติถึงขีดจำกัดสำหรับฉัน PR ที่ดีไม่สามารถมอบให้เอเจนต์แล้วละเลยได้เช่นเดียวกันกับบทความความเห็น ที่ตำแหน่ง, ความเข้าใจผู้ชม, และความสามารถในการตัดสินใจว่าจะพูดอะไรเป็นสิ่งสำคัญ

ดังนั้นแม้คุณจะสร้างระบบเอเจนต์ที่ค่อนข้างซับซ้อนก็ยังต้องมีคนควบคุมคนหนึ่ง ต้องมีผู้ที่ประเมินผลลัพธ์, ตัดสินว่าอะไรสำคัญ, และกำหนดทิศทาง

คุณสามารถทำให้ผู้ก่อตั้งเป็นอัตโนมัติได้หรือไม่?

ในสตาร์ทอัพระยะเริ่มต้น ผู้ก่อตั้งมักจะเป็นทั้งเทคนิค, ปฏิบัติการ, และผู้บริหารพร้อมกัน ดังนั้นความคิดนี้จึงเกิดขึ้นโดยธรรมชาติ: หากเอเจนต์สามารถลดภาระงานของทีมได้มาก ทำไมไม่ให้พวกเขารับส่วนหนึ่งของงานของผู้ก่อตั้งด้วย

ฉันมีเอเจนต์แยกที่เชื่อมต่อกับ Scryon Business ซึ่งรู้ข้อมูลมากเกี่ยวกับบริษัท ฉันสามารถถามมันว่า “เราต้องการผู้ใช้ 5,000 คนในเดือนหน้า” นั่นเป็นเรื่องเป็นจริงหรือเป็นแค่ตัวเลขที่ฉันคิดขึ้นมา

มันสามารถดึงข้อมูล, ดูตลาด, ตรวจสอบคู่แข่งและระบบที่เชื่อมต่อ, แล้วตอบกลับมาว่า 5,000 คนอาจมากเกินไปและแม้ 2,000 คนก็ถือว่าก้าวร้าวในขั้นตอนนี้ ช่วยให้ฉันทดสอบความคิดของตนเอง แต่เอเจนต์ยังคงให้คำแนะนำ

การตัดสินใจยังคงเป็นของฉัน หลังจากข้อมูลและการคำนวณทั้งหมด บางครั้งฉันยังต้องออกไปข้างนอก, เดินในสวน, และตัดสินใจว่าต้องการพาบริษัทไปในทิศทางไหน

สำหรับฉัน การถ่ายโอนงานจริงเริ่มเมื่อฉันสามารถมอบความเป็นเจ้าของให้คนอื่น, เช่น “นี่เป็นของคุณ” แล้วกลับมาหนึ่งเดือนต่อมาดูว่ามันยังทำงานต่อไปโดยไม่มีฉัน ฉันไม่เห็นเช่นนั้นกับบทบาทของผู้ก่อตั้งในวันนี้

สิ่งเดียวกันนี้ใช้กับตำแหน่งระดับ C งานของพวกเขาคือกำหนดทิศทาง: หกเดือนข้างหน้า เราต้องการเข้าสู่ตลาดยานยนต์, หรือเราต้องการให้คนในอุตสาหกรรมรู้จักแบรนด์ ผู้บริหารระดับ VP, หัวหน้า, และหัวหน้าทีมจะนำสิ่งนั้นไปแปลงเป็นเป้าหมายและงานเฉพาะ

ชุดเครื่องมือ AI: ค่าใช้จ่ายส่วนบุคคลและบริษัท

ฉันไม่ได้เชื่ออย่างจริงจังว่ามีโมเดล “ที่ดีที่สุด” เพียงหนึ่งเดียว ฉันให้ความสำคัญมากกว่าว่าโมเดลใดทำงานได้ดีที่สุดสำหรับงานเฉพาะและค่าใช้จ่ายที่ต้องจ่ายเพื่อใช้ในระดับใหญ่ ฉันมักใช้ Codex สำหรับการเขียนโค้ดและสลับโมเดลภายในตามความต้องการในขณะนั้น ฉันอาจลอง Claude สำหรับการออกแบบวันหนึ่ง, แล้วเปลี่ยนไปใช้ ChatGPT สำหรับงานที่เกี่ยวกับภาษา, แต่การเลือกเหล่านี้เปลี่ยนแปลงทุกเดือนและบางครั้งในระหว่างทำงาน

ในที่สุด ทุกคนจะสร้างสแตกของตนเองตามเวลา โดยประเมินว่าโมเดลใดเหมาะสมที่สุดสำหรับเป้าหมายเฉพาะ หากคุณเป็นผู้ก่อตั้งด้านเทคนิคที่เขียนโค้ดเองบ่อยๆ ฉันคาดว่าคุณจะใช้จ่ายประมาณ 1,000 ดอลลาร์ต่อเดือนสำหรับสแตกของคุณเอง แต่ฉันรู้จักคนที่ใช้จ่าย 10,000–15,000 ดอลลาร์ต่อเดือนเพราะพวกเขาอัตโนมัติงานอย่างเข้มข้นมากขึ้น

เมื่อ AI กลายเป็นส่วนสำคัญของธุรกิจ ตัวเลขก็เปลี่ยนไปอีกครั้ง กับ Scryon ฉันรู้สึกสบายใจกับแนวคิดที่ว่า 30–40% ของรายได้อาจถูกใช้โดยตรงกับโครงสร้างพื้นฐานและบริการที่ผลิตภัณฑ์ทำงานบนนั้น ก่อนที่คุณจะนับคนที่สร้างมัน

ก่อนเป้าหมายธุรกิจ แล้วเทคโนโลยี

ในการแข่งขันเพื่อการอัตโนมัติและการเรียกว่าบริษัท “บริษัท AI” ฉันคิดว่าคำถามว่า “เราควรใช้ AI ประเภทใด?” นั้นอันตราย เพราะเริ่มจากจุดที่ผิด

เร็ว ๆ นี้ เราได้ตั้งเป้าหมายธุรกิจที่ค่อนข้างมาตรฐาน – เพื่อลดต้นทุน เพื่อทำเช่นนั้น เราได้สร้างเอเจนต์ ให้เข้าถึงข้อมูลว่าบริษัทใช้เงินที่ไหนบ้าง รวมถึง Amazon, Google และบริการอื่น ๆ และขอให้มันตรวจหาความผิดปกติเป็นประจำและส่งสัญญาณเตือนหากมีสิ่งใดดูแปลก

ในสัปดาห์แรกเท่านั้น เราลดต้นทุนได้ประมาณ 30% เพราะระบบแสดงให้เห็นอย่างรวดเร็วว่ามีเงินใช้ไปกับสิ่งที่เราจำไม่ได้เลย เอเจนต์เองอาจมีค่าใช้จ่ายเพียง $50 ต่อเดือน แต่การประหยัดอาจอยู่ในระดับหลายหมื่น

ที่ Keymakr AI เสริมศักยภาพให้กับคนและกระบวนการแต่ละอย่างเป็นหลัก ที่ Scryon AI ได้ถูกรวมเข้าไว้ในสถาปัตยกรรมของบริษัทแล้ว ในระบบขับเคลื่อนอัตโนมัติ หากไม่มี AI ผลิตภัณฑ์ก็หายไป และในการค้นคว้ายา AI จะเปลี่ยนขอบเขตของการสำรวจ

สำหรับฉัน คำถามเกี่ยวกับเป้าหมายพื้นฐานเป็นจุดเริ่มต้นที่สุขภาพดีกว่าความปรารถนาที่จะกลายเป็นบริษัทที่เป็น AI‑native ก่อนอื่นต้องมีเป้าหมายทางธุรกิจปรากฏขึ้น: เพื่อทำกำไรมากขึ้น, ขยายเร็วขึ้น, ลดต้นทุน, เปิดตัวผลิตภัณฑ์ใหม่, หรือเปลี่ยนแปลงกระบวนการเดิมอย่างรุนแรง จากนั้นจึงมีเหตุผลที่จะถามว่าเทคโนโลยีใดจะพาคุณไปถึงเป้าหมายนั้น