บทบาทที่ร้อนแรงที่สุดในวงการเทค จ่ายเงินเดือนฐาน $150K ถึง $1M ต่อปี
คนส่วนใหญ่ยังอธิบายไม่ได้ด้วยซ้ำว่ามันคืออะไร
มันคือ Forward Deployed Engineer คนที่ตัดสินใจว่า AI ควรอยู่ตรงไหนในธุรกิจ
นี่คือคู่มือ 30 วันเพื่อเป็นหนึ่งในนั้น
เริ่มต้นที่การเปลี่ยนแปลง
ทุกบริษัทสามารถซื้อปัญญาประดิษฐ์ได้แล้ว โมเดล frontier ใหม่ๆ ออกมาเกือบทุกวัน
พูดคุยกับ 50 องค์กร พวกเขาก็ใช้สแต็คเดียวกัน: Claude Code, Codex, Cursor, GitHub Copilot
แหล่งเดียวกัน เครื่องมือเดียวกัน
ดังนั้นปัญญาประดิษฐ์จึงไม่ใช่เกราะป้องกันอีกต่อไป ถ้าทุกคนซื้อมันได้ ความได้เปรียบก็ย้ายไปที่: ที่ไหน อย่างไร และทำไมถึงต้องปรับใช้มัน
สะพานเชื่อมระหว่างกระบวนการจริงของบริษัทกับโมเดล คืองานทั้งหมดนั่นเอง
Palantir พิสูจน์ให้เห็นก่อนใคร
พวกเขาสร้าง ontology แล้วส่งวิศวกรไปประจำที่องค์กร ทหาร และรัฐบาล
วิศวกรเหล่านั้นเรียนรู้เวิร์กโฟลว์ แล้วสร้างแดชบอร์ดและเอเจนต์ที่แก้ปัญหาจริง
ที่ปรึกษา ที่ถูกสร้างใหม่จากซอฟต์แวร์
ทำไมบทบาทนี้ถึงเติบโตอย่างรวดเร็ว
95% ของโปรเจกต์นำร่อง generative AI ล้มเหลว (MIT)
ผู้บริหารคนหนึ่งให้ AI กับทุกคน และใช้เงินงบประมาณคอมพิวต์ $10M หมดใน 3 เดือน ทั้งที่ตั้งใจให้ใช้ได้ทั้งปี ผลลัพธ์ไม่เปลี่ยนแปลงเลย
ซื้อปัญญาประดิษฐ์ง่าย แต่การวางมันไว้ในที่ที่เหมาะสมนั้นยาก
การผสมผสานที่หายาก
ด้านธุรกิจ: เวิร์กโฟลว์ ต้นทุน ความเสี่ยง การยอมรับ การเมืองภายใน ที่ปรึกษาเชี่ยวชาญด้านนี้
ด้านเทคนิค: โมเดล, API, การประเมิน, การป้องกัน วิศวกรเชี่ยวชาญด้านนี้
ดีที่สุดของทั้งสอง ไม่ใช่ค่าเฉลี่ยของทั้งสอง นั่นคือการจ้างงานที่คุ้มค่าเงินล้าน
ขั้นตอนที่ 1: เข้าใจว่างานเกิดขึ้นจริงๆ อย่างไร
กระบวนการที่เอกสารไว้แทบจะไม่ใช่กระบวนการจริง
"อีเมลมาถึง" ฟังดูเรียบร้อย ความจริง: ผู้ส่งกว่า 40 คน ไม่มีสองคนที่จัดรูปแบบเหมือนกัน ครึ่งหนึ่งเป็นข้อยกเว้น และกฎการส่งต่ออยู่ในหัวของคนคนเดียว
นี่คือเหตุผลที่ FDE ต้องไปประจำที่ไซต์งาน
นัดประชุม 1 ชั่วโมง แล้วมีคนบอกคุณว่างานของพวกเขาคืออะไร นั่งข้างพวกเขา 8 ชั่วโมง แล้วคุณจะเห็นงานจริง: จุดพัง วิธีแก้ไขชั่วคราว ข้อยกเว้นที่ไม่มีใครเขียนไว้
McKinsey นั่งทำงานกับคนงานเหมืองด้วยเหตุผลเดียวกัน
ขั้นตอนที่ 2: การตัดสินใจ
ปัญญาประดิษฐ์ควรอยู่ตรงไหน และไม่ควรอยู่ตรงไหน
ยุคแรกของ AI คือ "เอาตัวโมเดลไปวางทุกอย่าง" นั่นคือวิธีที่ทำให้เกิด token maxing และภาพหลอน
ในเวิร์กโฟลว์ 10 ขั้นตอน อาจมีแค่ 3 ขั้นตอนที่ต้องใช้ LLM ที่เหลือเป็น if/then และการเรียก API
ขั้นตอนที่ 3: สร้างและปรับใช้
สามส่วน ตามลำดับ: ตรวจสอบ → ประเมิน → ปรับใช้
ตรวจสอบ: แผนที่ทุกเวิร์กโฟลว์และข้อยกเว้น ประเมิน: พิสูจน์ว่าเอเจนต์ทำงานได้ดี ส่งเคสเสี่ยงไปให้มนุษย์ ปรับใช้: ติดตาม KPI และ SLA เพื่อให้ลูกค้าไว้ใจคุณ
แต่ละขั้นตอนทำให้ได้ขั้นตอนถัดไป
การตรวจสอบคือลิ่ม บริษัทหนึ่งบอกว่ามันมีมูลค่า 10 เท่าของที่จ่ายไป คมกว่า McKinsey คำว่า "ตรวจสอบ" ทำให้คนกลัว ดังนั้นรีแบรนด์เป็น "สปรินต์" แล้วดูพวกเขาเข้ามามีส่วนร่วม
กฎการปรับใช้: สร้างบนสิ่งที่มีอยู่แล้ว ลูกค้าใช้เงินหลายล้านและหลายปีในการย้ายไป NetSuite บอกให้พวกเขาเอามันทิ้งแล้วคุณจะถูกไล่ออก สร้างบนสิ่งที่มีอยู่ ผสานรวมกับ Salesforce, SAP, Gong, Workday โหมดเงาก่อน จากนั้นจึงอัตโนมัติ แล้วจึงโปรดักชัน
อุปสรรคที่แท้จริงคือมนุษย์
พนักงานในบริษัทกลัวถูกไล่ออก พวกเขาอยากได้เลื่อนตำแหน่ง
คุณเป็นความเสี่ยงสำหรับพวกเขาจนกว่าคุณจะพิสูจน์เป็นอย่างอื่น
ดังนั้นลดความเสี่ยง: ทำการตรวจสอบครั้งแรกฟรี พิสูจน์มูลค่าที่วัดได้ แล้วค่อยรับเงิน ลูกค้ารายแรกสอนคุณทุกอย่าง
แผน 30 วัน
หลักการ: ทำงานก่อนที่จะมีตำแหน่ง
สัปดาห์ที่ 1: สร้างเอเจนต์ที่ทำงานแบ็คออฟฟิศจริงหนึ่งวงจรให้เสร็จ การวนซ้ำของเอเจนต์ เครื่องมือ การป้องกัน หน่วยความจำ และร่องรอยการตรวจสอบ ถ้าลูกค้าไม่เห็นว่ามันทำอะไร พวกเขาจะไม่มีวันไว้ใจ
สัปดาห์ที่ 2: ทำให้มันอยู่รอดเมื่อเจอของจริง JSON schema, การตรวจสอบ, การจัดการข้อยกเว้น วิธีเดียวที่ทำงานได้ถูกต้อง หลายพันวิธีที่ผิดพลาด สร้างเฉพาะวิธีที่ถูกต้องแล้วคุณไม่มีค่า แก้ข้อยกเว้นแล้วเอเจนต์จะมีมูลค่ามหาศาล
สัปดาห์ที่ 3: วัดมันในสามหมวด การเพิ่มรายได้ การลดความเสี่ยง การประหยัดต้นทุน ทดสอบโมเดลที่ถูกกว่าด้วย
สัปดาห์ที่ 4: ปกป้องมัน ซ้อมทั้งในบทบาทวิศวกรและรองประธาน จากนั้นนำเสนอให้ธุรกิจจริงและให้พวกเขาหาช่องโหว่
วันที่ 30
คุณไม่เพียงแค่เข้าใจการปรับใช้ forward deployment คุณมีหลักฐานว่าคุณทำได้
ไม่มีใครสอนเรื่องนี้ในโรงเรียน คู่มือทั้งหมดฟรีบน YouTube และ X
คุณไม่มีวันเรียนรู้จากการอ่าน คุณเรียนรู้จากการลงมือทำ
ดังนั้นไปสร้างเอเจนต์ก่อนที่ใครจะมอบตำแหน่งให้คุณ
ดูตอนเต็มได้ที่:
Apple: https://podcasts.apple.com/us/podcast/the-startup-ideas-podcast/id1593424985
Spotify: https://open.spotify.com/episode/5J0qYg2t5S9IWR0oJ7gWqm?si=5a8aea074a074a91
