Judgement over Prompts: ทำไมลูกค้าถึงจ่ายให้ความเชี่ยวชาญ ไม่ใช่แค่ผลลัพธ์จาก AI
ในยุคที่ใครก็เปิด AI แล้วได้คำตอบคล้ายกันได้ง่ายขึ้น สิ่งที่ลูกค้ายังยอมจ่ายจริงไม่ใช่ prompt แต่คือ judgement, บริบท, และความสามารถในการตัดสินใจภายใต้ข้อจำกัดจริงของงาน
ช่วงนี้เวลาพูดเรื่อง AI โดยเฉพาะในสาย consulting, strategy, security หรือ content หลายคนเริ่มมีคำถามคล้ายกันว่า ถ้า AI สร้างข้อความ สรุปรายงาน หรือร่างแผนงานได้เร็วขนาดนี้ ลูกค้าจะยังจ่ายเงินให้ผู้เชี่ยวชาญไปทำไม
ผมคิดว่าคำตอบสั้น ๆ คือ ลูกค้าไม่ได้จ่ายเพื่อ "มีข้อความหนึ่งก้อน" เพิ่มขึ้นในโลก แต่จ่ายเพื่อให้ได้การตัดสินใจที่แม่นขึ้น ความเสี่ยงลดลง งานเดินต่อได้ และมีคนที่รับผิดชอบต่อผลลัพธ์จริง เมื่อมองแบบนี้ prompt จึงเป็นเพียงเครื่องมือ ส่วนสิ่งที่ยังขายได้จริงคือ judgement หรือวิจารณญาณเชิงวิชาชีพที่ผูกกับบริบทของลูกค้า
ในโลกที่ใครก็เปิด AI แล้วได้คำตอบเบื้องต้นคล้ายกันมากขึ้น ของที่เริ่มกลายเป็น commodity คือ "output รอบแรก" ไม่ใช่ expertise และยิ่งงานมีผลกับความเสี่ยง งบประมาณ ชื่อเสียง หรือการดำเนินงานจริงมากเท่าไร ความต่างระหว่างสองอย่างนี้จะยิ่งชัด
Output ไม่ใช่คำตอบสุดท้าย มันเป็นแค่วัตถุดิบ
AI เก่งขึ้นมากในการสร้าง draft แรก ไม่ว่าจะเป็นบทความ, executive summary, checklist, policy draft หรือแม้แต่การสรุปประชุม ตรงนี้มีประโยชน์มาก และผมคิดว่าเราควรใช้มัน แต่ปัญหาคือหลายคนเผลอเอาความเร็วของการสร้าง output ไปตีความว่าเท่ากับคุณค่าของคำตอบสุดท้าย
ในทางปฏิบัติ output จาก AI ยังต้องผ่านงานอีกหลายชั้น เช่น
- ตรวจว่าข้อเท็จจริงถูกหรือไม่
- ดูว่าคำแนะนำนี้เหมาะกับองค์กรนี้จริงหรือเปล่า
- ตัดสิ่งที่ดูดีแต่ใช้งานจริงไม่ได้ออก
- จัดลำดับก่อนหลังตามความเสี่ยงและข้อจำกัด
- แปลงภาษาทั่วไปให้กลายเป็น decision ที่ทีมงานทำต่อได้
ทั้งหมดนี้คือชั้นของ judgement ซึ่งไม่ได้เกิดจากการเขียน prompt ให้เก่งอย่างเดียว แต่มาจากการรู้ว่าอะไรสำคัญ อะไรเป็น noise และอะไรจะพาองค์กรไปผิดทางถ้าตัดสินใจพลาด
ลูกค้าจ่ายให้การตัดสินใจในบริบท ไม่ใช่แค่ภาษาเรียบร้อย
ประเด็นที่สำคัญมากคือ ลูกค้าส่วนใหญ่ไม่ได้มีโจทย์ว่า "ช่วยเขียนอะไรบางอย่างให้หน่อย" อย่างเดียว เขามีโจทย์ที่โยงกับของจริง เช่น จะลงทุนตรงไหนก่อน, จะรับความเสี่ยงระดับไหน, จะใช้ AI ในงานนี้ได้แค่ไหน, จะคุยกับผู้บริหารอย่างไร, หรือจะลดความเสียหายโดยไม่ทำให้งานชะงักได้อย่างไร
นี่คือพื้นที่ที่ expertise มีค่า เพราะคำตอบที่ดีไม่ได้วัดแค่ความลื่นของประโยค แต่วัดจากความเหมาะสมกับบริบท เช่น ทีมเล็กกับทีมใหญ่รับ process ไม่เท่ากัน องค์กร regulated กับ startup รับ risk ไม่เท่ากัน และระบบ legacy กับระบบที่เพิ่งสร้างใหม่ก็ไม่ได้มีทางเลือกเหมือนกัน
ถ้าให้พูดแบบตรงไปตรงมา Prompt ที่ดีอาจช่วยให้ได้ draft ที่ดูฉลาด แต่ไม่ได้การันตีว่าจะได้คำแนะนำที่ "ควรทำ" จริงในบริบทนั้น ลูกค้าจึงยังจ่ายให้คนที่ช่วยแยกความแตกต่างระหว่าง
- สิ่งที่ฟังดูดี
- สิ่งที่ technically ถูก
- สิ่งที่ทำได้จริง
- และสิ่งที่คุ้มจะทำก่อนในเวลานี้
ความต่างระหว่างสี่อย่างนี้เองคือที่มาของมูลค่า
ทำไม prompt อย่างเดียวถึงแทนผู้เชี่ยวชาญไม่ได้
ผมไม่ได้มองว่า prompt engineering ไม่มีค่า มันมีค่าแน่นอน โดยเฉพาะในฐานะ skill ที่ช่วยให้เราคุยกับเครื่องมือได้มีประสิทธิภาพขึ้น แต่ถ้าถามว่ามันแทน expertise ได้หรือไม่ ผมคิดว่าไม่ได้ เพราะ prompt ไม่ได้รับผิดชอบต่อผลของคำตอบ
เวลาลูกค้าจ้างที่ปรึกษา ผู้เชี่ยวชาญ หรือคนทำงานระดับ senior เขาไม่ได้จ้างแค่คนที่สร้างข้อความได้เร็ว เขาจ้างคนที่
- มองเห็นข้อยกเว้น
- รู้ว่าข้อมูลชิ้นไหนเชื่อถือไม่ได้
- รู้ว่า recommendation ไหนจะชนกับวัฒนธรรมองค์กร
- รู้ว่า trade-off ไหนยอมรับได้และ trade-off ไหนอันตราย
- รู้ว่าควรหยุดตรงไหนและบอกลูกค้าว่า "อย่าทำแบบนี้"
NIST AI RMF 1.0 ซึ่งเผยแพร่เมื่อวันที่ 26 มกราคม 2023 วางกรอบชัดว่าการใช้ AI ต้องคิดเรื่องการกำกับดูแล ความน่าเชื่อถือ และการจัดการความเสี่ยงอย่างต่อเนื่อง ส่วน NIST Generative AI Profile ที่เผยแพร่เมื่อวันที่ 26 กรกฎาคม 2024 ก็ลงรายละเอียดความเสี่ยงเฉพาะของ generative AI มากขึ้น เช่น ความผิดพลาดที่ดูน่าเชื่อถือเกินจริง และปัญหาจากการนำ output ไปใช้เกินขอบเขตเดิม ถ้ามองจากมุมนี้ สิ่งที่ขาดไม่ได้จึงไม่ใช่ prompt เพิ่มอีกหนึ่งชุด แต่คือคนที่รู้ว่าจะเชื่อ output แค่ไหน และจะเอาไปใช้ต่ออย่างรับผิดชอบอย่างไร
OECD AI Principles ก็เน้นเรื่อง accountability, transparency และ human oversight ในลักษณะที่สอดคล้องกัน นั่นแปลว่าแม้ในระดับหลักการสากลเอง ก็ไม่ได้มองว่า AI output ควรวิ่งเข้าสู่การตัดสินใจจริงโดยไม่มีคนคอยกำกับดูแล
Expertise ที่ลูกค้ายอมจ่ายมีหน้าตาอย่างไร
ถ้าจะสรุปให้ practical ผมคิดว่า expertise ที่ยังขายได้ในยุค AI มีอย่างน้อย 4 แบบ
1. การคัดกรอง
รู้ว่าอะไรควรเชื่อ อะไรควรเช็กซ้ำ และอะไรควรทิ้งไปเลย เพราะในหลายงาน ต้นทุนของการใช้คำตอบผิดสูงกว่าต้นทุนของการรออีกนิดเพื่อคิดให้รอบ
2. การจัดลำดับ
รู้ว่าอะไรสำคัญก่อนหลัง ไม่ใช่แค่ list ทุกอย่างที่เป็นไปได้ เพราะลูกค้าแทบทุกคนมีข้อจำกัดเรื่องเวลา งบประมาณ คน และความพร้อมภายใน
3. การแปลบริบท
แปลงข้อเสนอทั่วไปให้เข้ากับสภาพจริงของทีม เช่น ขนาดองค์กร ระดับทักษะ เครื่องมือที่มีอยู่ ข้อกำกับดูแล หรือ maturity ของกระบวนการ
4. การรับผิดชอบ
ลูกค้าอยากมีคนที่กล้าพูดว่า recommendation นี้ควรทำ Recommendation นั้นไม่ควรทำ และพร้อมอธิบายเหตุผลอย่างตรงไปตรงมา ตรงนี้ต่างจาก output ที่สร้างขึ้นมาแล้วปล่อยให้คนอ่านไปตีความต่อเองมาก
ถ้าคุณทำงานขายความรู้ ควรวางตัวเองอย่างไร
ถ้าคุณเป็น consultant, analyst, strategist, security practitioner หรือคนทำงานที่ลูกค้าจ่ายเงินให้กับความรู้ ผมคิดว่าคำถามที่ควรถามตัวเองไม่ใช่ "AI จะมาแทนเราหรือไม่" แต่คือ "เราจะวาง AI ไว้ตรงไหนใน workflow เพื่อให้ judgement ของเรามีค่ามากขึ้น"
แนวคิดนี้สำคัญมาก เพราะถ้าเราเอาเวลาไปปกป้องงานที่เป็น commodity อยู่แล้ว เช่น งานร่างฉบับแรก งานเรียบเรียง หรือการจัดโครงเบื้องต้น เราจะเสียพลังไปกับสิ่งที่เครื่องมือช่วยได้ แต่ถ้าเราใช้ AI เป็นแรงทุ่น แล้วขยับตัวเองขึ้นไปทำงานที่มี leverage สูงกว่า เช่น การถามคำถามให้ถูก การตีความสิ่งที่เจอ การเลือกทางที่เหมาะที่สุด และการคุยกับผู้มีส่วนได้ส่วนเสีย เราจะยิ่งชัดว่ามูลค่าของเราอยู่ตรงไหน
พูดอีกแบบคือ ในยุค AI คนที่น่ากังวลไม่ใช่คนที่ใช้ AI แต่คือคนที่ไม่รู้ว่าตัวเองขายอะไรอยู่กันแน่ ถ้ายังคิดว่าลูกค้าจ่ายเพื่อ "รับเอกสารหนึ่งฉบับ" ก็มีโอกาสถูกกดราคาได้ง่าย แต่ถ้าชัดว่าลูกค้าจ่ายเพื่อ "ได้การตัดสินใจที่ดีขึ้นภายใต้บริบทของตัวเอง" ตำแหน่งทางคุณค่าจะต่างออกไปมาก
สรุปแบบตรงไปตรงมา
AI ทำให้ prompt และ output รอบแรกมีราคาถูกลงก็จริง แต่สิ่งที่ไม่ได้ถูกลงตามคือ judgement, context และความสามารถในการรับผิดชอบต่อคำแนะนำที่ให้ไปจริง ๆ
ลูกค้าจึงไม่ได้จ่ายให้เราพิมพ์ prompt เก่งที่สุด แต่จ่ายให้เราเลือกได้ว่าควรใช้หรือไม่ใช้ output ตรงไหน ควรเชื่อแค่ไหน ควรแก้อะไรเพิ่ม และควรตัดสินใจอย่างไรให้เหมาะกับสถานการณ์จริงของเขา
ถ้าจะสรุปให้เหลือประโยคเดียว ผมคิดว่าในยุคนี้ value ไม่ได้อยู่ที่การสร้างคำตอบได้เร็วที่สุด แต่อยู่ที่การกล้าตัดสินใจอย่างมีเหตุผลเมื่อคำตอบมีหลายแบบและแต่ละแบบมีต้นทุนต่างกัน นั่นคือเหตุผลว่าทำไมลูกค้าถึงยังจ่ายให้ expertise มากกว่า prompt