คุณเพิ่งจ้างพนักงานห่วย ๆ ไปเป็นล้านคน

AI ถูกตั้งใจให้มาแทนที่แรงงานมนุษย์

แต่มันกลับทำตรงกันข้าม

เป็นครั้งแรกในประวัติศาสตร์ที่มนุษย์ มีราคาถูกกว่า ซอฟต์แวร์

ค่าใช้จ่าย Token ต่อพนักงานในบริษัทชั้นนำ

และ AI กำลังสร้าง งานมากกว่า ที่มันจะทำให้หายไป

การเติบโตของจำนวนพนักงานหลังการนำ AI มาใช้

เทคโนโลยีมักจะแก้ปัญหาหนึ่งโดยการสร้างอีกปัญหาหนึ่งขึ้นมาเสมอ

ในช่วงปี 1830s การถือกำเนิดของทางรถไฟได้ขับเคลื่อนการก่อสร้างโครงสร้างพื้นฐานที่ใหญ่ที่สุดที่โลกเคยเห็นมา ระยะทางรางรถไฟในอเมริกาเพิ่มขึ้น 120 เท่าในเวลาทศวรรษเดียว

จากนั้นระบบก็พัง

ในวันที่ 5 ตุลาคม 1841 รถไฟสองขบวนชนกันอย่างรุนแรงบนเส้นทาง Western Railroad ในรัฐแมสซาชูเซตส์ เนื่องจากความล้มเหลวในการประสานงานง่ายๆ

เมื่อความซับซ้อนของระบบรถไฟเพิ่มขึ้น พนักงานขับรถไฟเพียงคนเดียวก็ไม่เพียงพออีกต่อไปที่จะทำให้การเดินรถไฟปลอดภัย บริษัทรถไฟจึงเริ่มต้นความพยายามที่ยาวนานหลายสิบปี นั่นคือ การจ้างผู้จัดการสำหรับแต่ละพื้นที่ การกำหนดบทบาทใหม่ภายในองค์กร และการสร้างลำดับชั้นที่ชัดเจนพร้อมสายการบังคับบัญชา การจัดการสมัยใหม่จึงถือกำเนิดขึ้น และด้วยสิ่งนี้ รถไฟจึงกลายเป็นอุตสาหกรรมมูลค่าหลายพันล้านดอลลาร์อุตสาหกรรมแรกของโลก ซึ่งในช่วงที่รุ่งเรืองที่สุดคิดเป็นประมาณ 60% ของตลาดหุ้น

AI กำลังทำให้ระบบพังอีกครั้ง

เราเพิ่งมอบอำนาจไร้ขีดจำกัดและงบประมาณไร้ขีดจำกัดให้กับพนักงานทุกคน แม้แต่คนที่แย่ที่สุด

การจัดการ AI นั้นยากกว่าการจัดการมนุษย์ เพราะ AI ขยายความผิดพลาดได้ในทันที โชคดีที่เราสามารถเรียนรู้จากอดีตได้:

การทำงานของ Agent และการทำงานของมนุษย์นั้นล้มเหลวในแบบเดียวกัน

การเข้าใจความคล้ายคลึงหลัก 7 ประการระหว่างทั้งสองจะปลดล็อกมูลค่าการสร้าง AI มูลค่าหลายล้านล้านดอลลาร์ต่อไป

ความคล้ายคลึง 7 ประการระหว่าง Agent และ Human Workforces

1. Tokenmaxxing คือการโยนคนเข้าไปแก้ปัญหา

วงจร hype ของ tokenmaxxing ดำเนินไปจนครบรอบภายในเวลาไม่ถึงเดือน

แต่ปริมาณ token ที่ใช้นั้นไม่ใช่ปัญหาที่แท้จริงเลย

คนใช้เงินกับ token มากมายเพราะพวกเขาไม่รู้วิธีใช้มัน

พนักงานประมาณ 1 ใน 100 คนเท่านั้นที่รู้วิธีให้บริบทกับ AI มันเป็นคนประเภทที่หายาก ที่สามารถอธิบายกระบวนการได้อย่างชัดเจน ที่มีความอดทนที่จะเห็นอกเห็นใจ context window ที่รก หรือแม้กระทั่งเข้าใจว่ามันหมายถึงอะไร

ให้เครื่องมือ harness แก่คนอีก 99 คน แล้วพวกเขาจะสร้าง "ลูป (loops)"

2. Loops คือการประชุมเกี่ยวกับการประชุม

ใน Claude Code/Cowork, Copilot, Autoresearch ของ Karpathy หรือ harness ใดๆ ก็ตาม ลูปเป็นเพียงผ้าพันแผลสำหรับความจริงที่ว่าแทบจะไม่มีใครสามารถ prompt ได้สำเร็จ

ลูปเป็นความพยายามใช้กำลังดุร้ายเพื่อชดเชยความไม่สามารถของมนุษย์ Agent เรียกตัวเองเพื่อแก้ไขตัวเอง เพียงเพราะว่ามนุษย์ไม่เคยอธิบายงานอย่างชัดเจน กำลังดุร้ายกลายเป็นหนทางเดียวที่ระบบจะก้าวไปข้างหน้าได้ ทั้งหมดนี้เกิดจากความล้มเหลวของมนุษย์ในการทำความเข้าใจงานตั้งแต่แรก

คุณกำลังใช้ token เพื่อใช้ token

3. Token ที่สูญเปล่าคืออัตราพนักงานที่พองตัวรูปแบบใหม่

บริษัทส่วนใหญ่ในทุกวันนี้ถูกบริหารจัดการได้ไม่ดี

พนักงานส่วนใหญ่ไม่ได้มีผลกระทบต่อธุรกิจอย่างมีนัยสำคัญเลย พวกเขาเป็นเพียงฟันเฟืองในเครื่องจักร คอยประทับตราอนุมัติในแต่ละชั้น และจ้างฟันเฟืองเพิ่มเพื่อเติมเชื้อเพลิงให้กับเครื่องจักรที่มีไว้เพื่อคงอยู่

พวกเขากำลัง looping

บ่อยครั้งที่การตัดลูปออกไปนั้นมีประสิทธิภาพมากกว่า Elon ตัดพนักงานของ X ไป 80% และบริษัทกลับทำงานได้ดีขึ้น Operating partners ของกองทุน private equity หาเลี้ยงชีพด้วยการใช้ประโยชน์จากความจริงง่ายๆ นี้

เช่นเดียวกับที่พนักงาน 80% ไม่ได้ทำอะไร Token 80% ในทุกวันนี้ก็ไม่ได้ทำอะไรเช่นกัน

คนสร้างคนมากขึ้น Token สร้าง Token มากขึ้น Looping คือการสร้างอาณาจักรแบบใหม่

4. 100X Tokens คือ 10X Engineers ตัวใหม่

คำสัญญาของซอฟต์แวร์คือ เราจะสร้างมันครั้งเดียว รันมันตลอดไปด้วยต้นทุนต่ำ และไม่ต้องดูแลมันอีก AI ทำลายคำสัญญานั้น ทันทีที่ซอฟต์แวร์สามารถทำอะไรก็ได้ มันก็ไม่สามารถทำสิ่งใดสิ่งหนึ่งได้อย่างแน่นอน

Token มีพฤติกรรมเหมือนพนักงาน และทันทีที่คุณมอง Token เป็นพนักงาน คำสัญญาของ AI ก็เริ่มพังทลาย:

• “Token แม่นยำกว่ามนุษย์” แต่เฉพาะตอนที่ถูก prompt อย่างถูกต้องเท่านั้น
• “Token เร็วกว่ามนุษย์” แต่ความเร็วไม่มีความหมายอะไรเลยเมื่อต้อง retry 100 ครั้ง
• “Token ไม่เล่นการเมือง” แต่พวกมันสร้างอาณาจักรแห่งการใช้ token
• “Token ไม่ลาออก” แต่พวกมันตายลงระหว่างการเปิดตัวโมเดลใหม่และเซสชันใหม่
• “Token ไว้วางใจได้” แต่มันก็ล้มเหลวอย่างมั่นใจในรูปแบบที่สมบูรณ์แบบ

จุดเดียวที่ AI เอาชนะมนุษย์ได้จริงๆ คือการปรับขนาด การปรับขนาดมนุษย์ใช้พลังงานมหาศาลในการสรรหา การ onboarding และการสูญเสียพนักงาน การปรับขนาด token ทำได้ในทันที นี่คือสาเหตุที่การจัดการผิดพลาดมีราคาแพงมาก และเหตุผลที่คุณต้องค้นหาและขยายขนาด 100X Token

10X Engineer สร้างยุคของบริษัทที่ผ่านมา 100X Token จะสร้างยุคต่อไป

ในแบบเดียวกับที่พนักงานจำนวนหนึ่งทำให้คนอื่นมีประสิทธิภาพมากขึ้น 10 เท่า สำหรับงานใดๆ ก็ตาม ปริมาณบริบทของ token บางส่วนสามารถลดความพยายามของ AI ลงได้หลายเท่าตัว มี Token ที่จะให้อำนาจ leverage แก่คุณถึง 100 เท่า

โดยเฉลี่ยแล้วมนุษย์มีราคาถูกกว่า token แต่ token ที่ดีนั้นมีราคาถูกกว่าเมื่อขยายขนาด

การจัดการเป็นตัวแปลงสิ่งหนึ่งไปเป็นอีกสิ่งหนึ่ง

5. การกักตุนบริบทคือกลยุทธ์รักษาความมั่นคงในงานรูปแบบล่าสุด

มีปัญหาทางการเมืองครั้งใหญ่เกี่ยวกับ AI ภายในบริษัท และมันจะยิ่งแย่ลงไปอีก

พนักงานไม่อยากสอนเคล็ดลับความสำเร็จของตัวเองให้กับระบบ AI

พวกเขาเริ่มสังเกตเห็นว่าระบบเหล่านี้ไม่ได้มีไว้แค่ “ช่วยพวกเขา” หรือ “เพิ่มผลผลิต” เท่านั้น

ลองดูที่ Meta ซึ่งพนักงานที่ถือหุ้น ซึ่งมีแรงจูงใจมหาศาลที่จะทำให้ AI ถูกต้อง กลับ โกรธแค้น ที่บริษัทใช้ข้อมูลบริบทของพนักงานเป็นข้อมูลฝึกอบรม นี่คือที่ บริษัทเทคโนโลยี… ซึ่งเป็นความขัดแย้งที่เป็นภาพจำลองย่อยของสิ่งที่กำลังจะเกิดขึ้นในทุกอุตสาหกรรม

https://x.com/Polymarket/status/2061903052966076882

ความรู้เฉพาะกลุ่ม (Tribal knowledge) เป็นหลักประกันความมั่นคงในงานมาหลายศตวรรษ สมาคมช่างฝีมือในยุคกลางเก็บวิธีการของพวกเขาเป็นความลับ AI เป็นเทคโนโลยีแรกที่ขอให้คนงานมอบทั้งหมดนั้นในครั้งเดียว

ไม่มีใครฝึกคนมาแทนที่ตัวเองฟรีๆ

คนที่ถือ 100X Tokens มีแรงจูงใจน้อยที่สุดที่จะมอบมันให้ ทั้งทางอารมณ์ โครงสร้าง และการเมือง บริษัทต่างๆ ถูกออกแบบให้ต่อต้านเทคโนโลยีที่สำคัญที่สุดสำหรับอนาคตของพวกเขา

6. Evals คือ OKRs ตัวใหม่

วิธีที่ดีที่สุดในการจัดการ token workforce ก็เหมือนกับวิธีที่ดีที่สุดในการจัดการมนุษย์ นั่นคือการกำหนดว่าสิ่งที่ดีนั้นเป็นอย่างไร

กรณีการใช้งาน AI ที่ประสบความสำเร็จอย่างก้าวกระโดดและหลีกหนีการเมืองภายในได้คือการเขียนโค้ด มันขยายขนาดของพายและทำให้วิศวกรทุกคนดีขึ้น

กลไกคือ evals 99% ของรายได้ AI ในปัจจุบันมาจากการเขียนโค้ด เพราะการเขียนโค้ดมี evals ในตัว โค้ดรันได้หรือรันไม่ได้

กรณีการใช้งาน AI ที่กว้างขึ้นและครอบคลุมหลายโดเมนจะเกิดขึ้นได้ก็ต่อเมื่อมีคนสร้าง evals ที่จำเป็นขึ้นมา Evals ที่เฉพาะเจาะจงนั้นสำคัญกว่าการสอนพนักงานให้ prompt หรือการให้ chat harness แก่พวกเขา หากมี evals เหล่านี้ AI จะกินส่วนต่างๆ ของเศรษฐกิจที่โค้ดไม่เคยแตะต้องได้

งานที่แท้จริงของการจัดการคือการเปลี่ยนกระบวนการของมนุษย์ที่คลุมเครือให้เป็นโค้ด การเปลี่ยนสิ่งที่วัดเป็นปริมาณไม่ได้ให้เป็นสิ่งที่วัดเป็นปริมาณได้

ชุด eval ของบริษัทจะกลายเป็นทรัพยากรที่มีค่าที่สุด

เช่นเดียวกับที่ OKRs เป็นกุญแจสำคัญในการใช้ประโยชน์จาก human workforce ให้เกิดผลลัพธ์สูงสุด Evals ก็จะเป็นกุญแจสำคัญในการใช้ประโยชน์จาก token workforce ที่สามารถขยายขนาดได้ไม่จำกัด Evals คือเส้นทางสู่การรัน 100X Tokens

ยิ่งไปกว่านั้น ไม่มีบริษัทสองแห่งที่จะมีชุด eval ที่เหมือนกัน Evals จะเป็นกุญแจสำคัญสู่ความได้เปรียบทางการแข่งขัน องค์กรที่รัน evals ทั่วไปหรือ agents ทั่วไปจะไม่มีจุดแข็ง

7. โอกาสมูลค่าหลายล้านล้านดอลลาร์ถัดไปคือบริษัทที่ทำหน้าที่เปลี่ยนแปลง (Transformation Company)

องค์กรต่างๆ ซื้อ foundation model commits, application layer และ internal builds มาหลายปีแล้ว ทั้งหมดนี้ซ่อนความจริงอันโหดร้ายเกี่ยวกับเศรษฐศาสตร์ไว้:

ยังไม่มีใครทำให้ AI ทำงานได้อย่างน่าเชื่อถือเลย

ซิลิคอนแวลลีย์เชื่อมั่นในความล้มเหลวนี้มากจนความคลั่งไคล้ล่าสุดของพวกเขาคือการ เดิมพันต่อต้าน ธุรกิจในปัจจุบัน สตาร์ทอัพ “Neofirms” หรือ “AI Native Services” ได้รับเงินทุนเพื่อคว้าส่วนแบ่งมูลค่า 21 ล้านล้านดอลลาร์ของค่าใช้จ่ายด้านบริการในเศรษฐกิจความรู้ โดยมีทฤษฎีว่าผู้เล่นรายใหญ่ที่จมอยู่กับการเมืองและกระบวนการของตัวเองจะไม่มีทางจัดการกับการเปลี่ยนแปลงนี้ได้ด้วยตัวเอง

Neofirms อาจสร้างแรงกดดันทางการแข่งขันที่ช่วยเร่งการนำ AI มาใช้ใน “tradfirm” ได้ อย่างไรก็ตาม สินทรัพย์ AI ที่ยิ่งใหญ่ที่สุดยังคงอยู่ภายในผู้เล่นรายใหญ่เหล่านั้น: กระบวนการที่แตกต่างซึ่งทำงานได้ดีอยู่แล้ว สามารถขยายขนาดผ่านช่องทางการจัดจำหน่ายที่มีอยู่แล้ว

อันที่จริง ธุรกิจที่ใหญ่ที่สุดถัดไปจะไม่ใช่การกิน ค่าใช้จ่ายด้านบริการที่มีอยู่ พวกเขาจะขายบริการรูปแบบใหม่ทั้งหมดให้กับผู้เล่นที่มีอยู่:

“บริษัทที่ทำหน้าที่เปลี่ยนแปลงด้าน AI (AI transformation companies)” จะมีขนาดใหญ่กว่า neofirm ใดๆ ถึง 10 เท่า

การเปลี่ยนแปลงฟังดูเหมือนเป็นโปรเจกต์ครั้งเดียว แต่มีความขัดแย้งของ Jevons เกิดขึ้น: ทุกกรณีการใช้งานที่องค์กรนำมาใช้จะเผยให้เห็นอีกสิบกรณี ยิ่งบริษัทมีความสามารถด้าน AI มากเท่าไหร่ ก็ยิ่งต้องการการเปลี่ยนแปลงมากขึ้นเท่านั้น ในขณะที่ขอบเขตของสิ่งที่เป็นไปได้ก็ก้าวหน้าขึ้นทุกวัน ความพยายามในการเปลี่ยนแปลงด้าน AI อย่างต่อเนื่องจะกลายเป็นหนทางเดียวที่จะแข่งขันได้

ลองพิจารณา Palantir ดูสิ บนกระดาษแล้วเป็นบริษัทที่ Claude สามารถ disrupt ได้มากที่สุดในโลกซอฟต์แวร์: ธุรกิจมูลค่าเกือบล้านล้านดอลลาร์ที่สร้างแอปพลิเคชันเฉพาะสำหรับองค์กรด้วยมือ โดยใช้ตรรกะที่ทำให้ SaaS แทบจะไม่น่าลงทุน $PLTR ควรจะเป็นศูนย์ก่อน $NOW

แต่มันไม่ใช่ เพราะ Palantir ไม่เคยขายซอฟต์แวร์ มันขายการเปลี่ยนแปลง (transformation)

แต่การเปลี่ยนแปลงเองก็ได้วิวัฒนาการไปตั้งแต่วันเก่าๆ ของ Palantir ในโลกที่ AI มาก่อน มันเป็นมากกว่า ontology, ซอฟต์แวร์ที่กำหนดเอง และ prompt ที่ทำขึ้นพิเศษที่หายาก งานที่แท้จริงอยู่ใน evals ในการลด token ให้น้อยที่สุด ในการทำความเข้าใจธุรกิจอย่างลึกซึ้งจนสามารถเขียนโปรแกรมมันได้

การเข้ารหัสความแตกต่างเล็กน้อยของแต่ละบริษัทลงใน agent จะกลายเป็นงานทางเศรษฐกิจที่ใหญ่ที่สุดในทศวรรษนี้

ถึงเวลาจัดการแล้ว

ทุกช่วงของความเจริญของ AI มีคำพูดติดปากนำทางของมัน

เราเคยถูกบอกให้ขายเสียมในช่วงตื่นทอง และเราก็สร้างโครงสร้างพื้นฐาน เราเคยถูกบอกให้ขาย “Service-as-a-Software” และเราก็สร้าง neofirms เรามีโครงสร้างพื้นฐานเพียงพอแล้ว เรามีบริการเพียงพอแล้ว ตอนนี้งานคือการทำให้รถไฟวิ่งตรงเวลา

ถึงเวลาสำรวจองค์กร: เพื่อค้นหา 100X Tokens, บันทึกลูปที่ใช้งานได้ และชี้นำสติปัญญาที่กำลังถูกสูญเปล่าอย่างมหาศาล

มนุษย์เพิ่งมีราคาถูกกว่าซอฟต์แวร์

แต่ยังมีคนที่ต้องบอกพวกเขาทั้งสองว่าต้องทำอะไร

ขอบคุณ Sam Wolfe, David Oks, @WillManidis และ @Alex_Danco สำหรับแนวคิดเหล่านี้ และขอบคุณ @ClaudeAI Fable 5 ที่ทำงานบนลูปมากเกินไปสำหรับความช่วยเหลือในการร่างข้อความนี้