ทำไมคุณยังไม่สามารถทำงานอัตโนมัติได้?

ทุกวันนี้มีเครื่องมืออัตโนมัติมากมายกว่าเดิม เอเจนต์ AI ที่อ่านอีเมล สรุปประชุม ร่างคำตอบ เขียนโค้ด จัดสัปดาห์ให้คุณ ทุกเดือนก็มีคลื่นลูกใหม่

แต่คนส่วนใหญ่ที่เราคุยด้วยก็ยังทำงานซ้ำซาก เหนื่อยล้า แบบเดิมเหมือนเมื่อสองปีก่อน

ทำไมถึงเป็นแบบนั้น?

เราทุ่มเวลาหลายเดือนเพื่อหาคำตอบ เรานั่งคุยกับผู้คน 22 คน หลากหลายบทบาท อุตสาหกรรม และระดับทักษะ ประมาณสามในสี่มีพื้นฐานด้านเทคนิค ที่เหลือไม่มี ราวครึ่งหนึ่งทำงานสายเทคโนโลยี อีกครึ่งไม่ได้ทำ

เราถามพวกเขาว่างานของพวกเขาเป็นอย่างไร อะไรยาก อะไรที่อยากเปลี่ยน

สิ่งที่เราพบคือมี 4 อุปสรรคที่เกิดซ้ำ ๆ ไม่ว่าคน ๆ นั้นจะทำอาชีพอะไรหรือมีทักษะเทคนิคแค่ไหน สามข้อแรกเป็นเรื่องส่วนบุคคล ข้อที่สี่เป็นโครงสร้าง ทั้งหมดนี้อธิบายได้ว่าทำไมการทำงานอัตโนมัติ แม้จะเป็นหมวดซอฟต์แวร์ที่ถูกสัญญามากที่สุดในรอบ 20 ปี ก็ยังเป็นเพียงความหวังสำหรับคนส่วนใหญ่

นี่คืออุปสรรคเหล่านั้น

อุปสรรคที่ 1: คุณมองไม่เห็นว่าส่วนไหนพัง

สิ่งแรกที่ทำให้เราประหลาดใจ: เมื่อเราถามว่ามีอะไรยากหรือทำให้หงุดหงิดเกี่ยวกับงาน ส่วนใหญ่จะตอบแบบกว้าง ๆ เช่น "ต้องจัดลำดับความสำคัญ" "การสื่อสาร" "แค่ยุ่งมาก" ไม่มีอะไรเฉพาะเจาะจง ไม่มีอะไรที่ลงมือแก้ได้

เราจึงลองถามอีกแบบ: "ถ้าคุณมีไม้กายสิทธิ์แก้ไขงานได้หนึ่งอย่าง คุณจะเลือกอะไร?"

ทันใดนั้น ความเจ็บปวดก็ชัดเจน งานเฉพาะเจาะจง สิ่งที่พวกเขาเกลียด คนที่เมื่อห้านาทีก่อนยังไม่รู้จะตอบอะไร ตอนนี้มีคำตอบคนละสามข้อ

คนหนึ่งบอกเราว่า:

"ใช่ ผมเข้าใจตรงกันนะ ผมประชุมเยอะมาก แต่การต้องอัปเดตทุกคนให้รู้เรื่องเป็นส่วนที่น่าเบื่อมากของงาน"

อีกคนพูดถึงกระบวนการรายไตรมาส:

"อยากกำจัดการติดตามแบบแมนนวลนี้แน่นอน มันกินเวลาพวกเรามาก ทำเกือบทุกไตรมาส แล้วช่วงเวลาที่ต้องทำ ทุกคนก็เกลียดมัน"

อีกคนพูดถึงงานที่เกิดซ้ำ:

"บางทีผมได้รับคำขอจากหน้าร้านให้ปรับข้อมูลสต็อกออนไลน์ คำขอไม่เป็นมาตรฐาน บางทีให้รหัสร้านถูก บางทีต้องเป็นตัวพิมพ์ใหญ่แต่ให้ตัวเล็ก ฟอร์แมตผิด ผมต้องปรับฟอร์แมตเองให้ถูก ใส่เข้าเครื่องแล้วกดปุ่ม"

ไม่มีใครคิดว่างานเหล่านี้จะทำอัตโนมัติได้จนกระทั่งเราถามถูกจุด พวกเขาทำแบบนี้มาหลายเดือนหรือหลายปี มันกลายเป็นแค่งานประจำ

นี่ไม่ใช่ความผิดส่วนตัว มันคือกลไกของสมอง งานซ้ำ ๆ จะกลายเป็นฉากหลัง สมองจะไม่สนใจเพราะมันคาดเดาได้ ความไม่สบายใจกลายเป็น "วันจันทร์"

คุณไม่สามารถทำงานอัตโนมัติในสิ่งที่คุณไม่รู้จักชื่อ และคนส่วนใหญ่ไม่รู้ว่าส่วนไหนในงานที่พังโดยไม่มีคนช่วยชี้

นี่คืออุปสรรคแรก

อุปสรรคที่ 2: คุณไม่รู้จะเริ่มตรงไหน

สมมติว่าคุณเห็นแล้วว่าส่วนไหนพัง คุณรู้แน่ชัดว่างานไหนกินเวลาคุณ คุณมีเครื่องมือ AI ที่น่าจะช่วยได้

แต่คนส่วนใหญ่ก็ยังไม่เริ่มอยู่ดี

ปัญหาคือ มีทางเลือกมากเกินไป แต่ไม่มีจุดเริ่มต้นที่ชัดเจน เกิดอาการตัดสินใจไม่ลงตัวกับการทำงานอัตโนมัติ เมื่อคุณทำอะไรก็ได้ สุดท้ายคุณอาจไม่ได้ทำอะไรเลย

คนหนึ่งบอกเราว่า:

"จะสั่ง AI ให้ทำยังไงดี จะบอก AI ยังไง ผมว่าต้องใช้เวลาเรียนรู้วิธีสั่งให้เฉพาะเจาะจงมากขึ้น"

เขารู้ว่า AI ทำได้ แต่ไม่รู้จะชี้เป้าไปที่งานของตัวเองยังไง

อีกคนอธิบายตรง ๆ ว่า:

"ผมว่า UI ไม่ชัดเจนว่าทำอะไรได้อีก เพราะพอให้ prompt ก็ต้องคิดเองว่าต้องการอะไร แต่ไม่มีตัวเลือก ไม่รู้ว่าทำอะไรได้อีก จินตนาการปัญหาตัวเองได้แค่ไหน ในบทสนทนาก่อนหน้านี้ผมเพิ่งรู้ว่าขอรายงาน standup จากอีเมล หรือสร้าง issue ใน Linear ก็ได้ ซึ่งมันไม่ชัดเจนเลย"

เขาเสริมว่า:

"ถ้ามีดรอปดาวน์หรือ prompt ตัวอย่างหรือเทมเพลตให้ใช้ น่าจะช่วยได้มากกว่าต้องคิดเองทั้งหมด"

อีกคนอยากได้อะไรที่เฉพาะเจาะจงกว่านั้น:

"มีเยอะมาก สแต็กเทคโนโลยีตอนนี้ใหญ่มาก มีทางเลือกเยอะมาก ถ้ามีใครบอกได้ว่าควรใช้เครื่องมือไหนถึงจะมีประสิทธิภาพกับแต่ละงาน เช่น ดู Linear แล้วบอกว่างานนี้ควรใช้เครื่องมือนี้แทน Claude Code อะไรแบบนี้จะดีมาก"

สิ่งที่คนต้องการไม่ใช่ความสามารถเพิ่ม แต่คือจุดเริ่มต้นที่ชัดเจน ตัวอย่างจริง เวิร์กโฟลว์ที่มีคนคล้าย ๆ กันสร้างไว้ ใช้งานได้จริง สามารถคัดลอกและปรับใช้ได้

นี่คือเหตุผลที่เวิร์กโฟลว์ 5 แบบเดิม ๆ ถูกทำอัตโนมัติซ้ำ ๆ เช่น สรุปข่าวเช้า รายงานประจำสัปดาห์ คัดกรองอีเมล โน้ต standup สรุปลูกค้า ไม่ใช่เพราะมันดีที่สุด แต่เพราะมีเทมเพลตสาธารณะและจุดเริ่มต้นชัดเจน

อย่างอื่นยังคงทำด้วยมือ ไม่ใช่เพราะทำอัตโนมัติไม่ได้ แต่เพราะไม่มีใครแสดงให้เห็นว่าการ "เริ่มต้น" เป็นอย่างไร

นี่คืออุปสรรคที่สอง

อุปสรรคที่ 3: ต้นทุนการเริ่มต้นสูงกว่าการไม่ทำ

โอเค คุณระบุงานได้แล้ว มีจุดเริ่มต้นชัดเจน ตอนนี้ต้องลงมือจริง

นี่คือจุดที่คนส่วนใหญ่เลิก

คนหนึ่งเล่าให้ฟังถึงเครื่องมือ AI ที่เพื่อนร่วมงานใช้เป็นประจำ:

"ผมรู้จัก OpenClaw แต่ไม่เคยลองเอง รู้ว่าเพื่อนร่วมงานใช้ แต่ผมไม่เคยลองเลย"

พอถามว่าทำไม เขาบอกว่าการตั้งค่าซับซ้อนและใช้เวลามากเกินไป ไม่เคยแม้แต่จะลอง แม้เพื่อนร่วมงานจะใช้ได้ผลก็ตาม ต้นทุนการเริ่มต้นที่รู้สึกว่าสูงจนไม่อยากทำ

อีกคนพูดตรง ๆ ถึงจุดที่คนเลิก:

"ผมว่ามันจะเป็นปัญหาสำหรับผู้ใช้ใหม่ เพราะหลายคนเห็นของใหม่อยากลอง แต่พอรัน NPM install แล้วเจอว่าต้องลง Claude เพิ่มอีก... ผมว่าตรงนี้แหละที่หลายคนจะยอมแพ้ ไม่อยากไปต่อ"

และเบื้องหลังคำพูดทั้งสองคือเหตุผลเดียวกัน อีกคนพูดตรง ๆ ว่า:

"เวลาจะทำงานอัตโนมัติ เราแค่อยากประหยัดเวลา เพิ่มประสิทธิภาพ ไม่อยากเสียเวลามากกับเครื่องมือที่ควรช่วยให้ทำงานเร็วขึ้น"

นี่ไม่ใช่ความขี้เกียจ แต่มันคือคณิตศาสตร์

จุดประสงค์ของการทำงานอัตโนมัติคือประหยัดเวลา แต่สำหรับเวิร์กโฟลว์ส่วนใหญ่ การตั้งค่ากลับใช้เวลามากกว่าทำเอง คุณต้องใช้ชั่วโมงเรียนรู้หน้าตาโปรแกรม ต่อสาย trigger ทดสอบกรณีขอบเขตต่าง ๆ และหลังจากนั้นถึงจะเริ่มประหยัดเวลา สำหรับงานที่เกิดทุกสัปดาห์ กว่าจะคุ้มต้องใช้เวลาหลายเดือน งานที่เกิดรายเดือนหรือรายไตรมาส บางทีคำนวณแล้วไม่คุ้มเลย

คนจึงข้ามมันไป

ประสบการณ์ในอดีตยิ่งทำให้ปัญหาหนักขึ้น หลายคนเคยลองเครื่องมือที่สัญญาว่าดีแต่ต้องตั้งค่า 40 ขั้น เคยเสียเวลาเรียนรู้หน้าตาโปรแกรมที่ไม่คุ้มค่า สุดท้ายแม้เครื่องมือใหม่จะดีจริง ประสบการณ์เก่าก็ทำให้ลังเลจะลงทุน

เครื่องมืออัตโนมัติส่วนใหญ่สมมติว่าคุณจะใช้เวลาชั่วโมงหนึ่งเรียนรู้ก่อนจะได้ประโยชน์ สำหรับคนส่วนใหญ่ โดยเฉพาะคนไม่ใช่สายเทคนิค นั่นคือจุดจบของความสัมพันธ์

นี่คืออุปสรรคที่สาม

อุปสรรคที่ 4: องค์กรของคุณไม่อนุญาต

นี่คืออุปสรรคที่แก้ยากที่สุด และเป็นสิ่งที่เราได้ยินบ่อยที่สุดจากคนที่ทำงานในองค์กรขนาดใหญ่

แม้คุณจะเห็นปัญหา รู้จุดเริ่มต้น และพร้อมลงทุนเวลาในการตั้งค่า บริษัทของคุณอาจไม่อนุญาตให้คุณทำจริง

คนหนึ่งที่ทำงานในองค์กรใหญ่เล่าว่า:

"ทุกเครื่องมือที่เราใช้ต้องผ่านการอนุมัติจากลูกค้าหรือภายในองค์กรก่อน พออนุมัติและมีงบแล้วถึงจะซื้อให้แต่ละคนได้"

ต้องขออนุมัติ ต้องมีงบ ต้องซื้อไลเซนส์รายบุคคล ทุกเครื่องมือใหม่ กว่ากระบวนการจะเสร็จ แรงจูงใจที่อยากลองก็หมดไปนานแล้ว

แต่ปัญหาที่ลึกกว่านั้นไม่ใช่แค่ "ขออนุมัติไม่ได้" แม้จะใช้ AI ส่วนตัวได้ ก็เชื่อมต่อกับระบบงานจริงไม่ได้ คนเดียวกันบอกว่า:

"ผมเชื่อมต่อสภาพแวดล้อมงานกับเครื่องมือนี้ไม่ได้ ถ้าใช้ส่วนตัวก็เชื่อม Salesforce ไม่ได้ เชื่อม Teams ไม่ได้ เพราะมันอยู่ในโน้ตบุ๊กที่ทำงาน"

เขาเข้าถึง ChatGPT ได้ มีงานใน Salesforce ที่อยากทำอัตโนมัติ แต่สองสิ่งนี้เชื่อมกันไม่ได้ การทำงานอัตโนมัติที่ต้องเชื่อมเครื่องมือส่วนตัวกับข้อมูลงานจริงนั้นถูกห้ามไว้

นี่ไม่ใช่ปัญหาเฉพาะบริษัทใหญ่ อีกคนบอกว่า:

"ผมว่าบริษัทใหญ่กังวลเรื่องความเป็นส่วนตัวแน่นอน เราใช้ ChatGPT ได้ แต่ Gemini ใช้ไม่ได้ ไม่รู้ทำไม เป็นนโยบายบริษัท"

"ไม่รู้ทำไม" ประโยคนี้ได้ยินบ่อยเมื่อคุยเรื่องข้อจำกัดเครื่องมือในองค์กร ตัวเลือกดูเหมือนสุ่ม บางเครื่องมืออนุญาต บางอันไม่ ไม่มีเหตุผลชัดเจน คุณต้องหาทางเลี่ยงกฎโดยไม่เข้าใจ

สำหรับหลายคน นี่คือกำแพงจริง ไม่ใช่ "มองไม่เห็นปัญหา" ไม่ใช่ "ไม่รู้จะทำอัตโนมัติยังไง" แต่คือ "ไม่ได้รับอนุญาต"

อุปสรรคนี้ยากกว่าข้ออื่นเพราะไม่ใช่เรื่องตัวคุณ แต่เป็นเรื่องสภาพแวดล้อม และสภาพแวดล้อมเปลี่ยนช้า

นี่คืออุปสรรคที่สี่

สิ่งที่หมายถึง

อุปสรรคทั้งสี่นี้ซ้อนกัน แม้คุณจะข้ามข้อแรกได้ ก็เจอข้อสอง ข้ามข้อสองก็เจอข้อสาม และแม้จะฝ่าทั้งสามข้อได้ องค์กรรอบตัวคุณก็อาจหยุดคุณอยู่ดี

ทั้งหมดนี้กลายเป็นกำแพงที่คนส่วนใหญ่ข้ามไม่พ้น แม้จะรู้แน่ชัดว่าอยากแก้ไขอะไร นี่คือเหตุผลที่การทำงานอัตโนมัติ แม้จะเป็นหมวดซอฟต์แวร์ที่ถูกสัญญามากที่สุดในรอบ 20 ปี ก็ยังเป็นเพียงความหวัง

เราคิดว่ากำแพงนี้พังได้ ไม่ทั้งหมด ไม่สำหรับทุกคน แต่ได้มากกว่าที่เครื่องมือปัจจุบันคิด เราใช้เวลาหลายเดือนสร้างสิ่งที่ตอบโจทย์สามอุปสรรคแรก และคิดหนักว่าจะทำให้การทำงานอัตโนมัติปลอดภัยพอจนข้อสี่จะค่อย ๆ ลดข้อจำกัดลง เรามีความเห็นว่าอะไรได้ผล แต่เราอยากแสดงให้ดูมากกว่าบอก

ดังนั้นนี่คือสิ่งที่เราจะทำ

วันเสาร์ที่ 16 พฤษภาคม เราจะจัดแลบเวิร์กช็อปฟรีที่ซานโฮเซ่ จะสอนวิธีสังเกตว่างานไหนทำอัตโนมัติได้ วิธีเลือกจุดเริ่มต้นเมื่อมีตัวเลือกเป็นร้อย และวิธีตั้งค่า AI เพื่อนร่วมงานคนแรกในเวลาไม่ถึง 15 นาที ไม่ต้องเขียนโค้ด

จำกัด 30 คน ลงทะเบียน: https://luma.com/yqpulmgq

วันอังคารที่ 20 พฤษภาคม เราจะจัดงานคล้ายกันที่ซานฟรานซิสโก รายละเอียดและลงทะเบียนเร็ว ๆ นี้ ติดตาม @vm0_ai เพื่อรับข่าวก่อนใคร

ถ้ามาไม่ได้ทั้งสองงาน ก็ติดตามเราไว้ เราจะเขียนสรุปสิ่งที่คนสร้างจริงในแลบ เวิร์กโฟลว์ เรื่องเซอร์ไพรส์ สิ่งที่ไม่ได้ผล จะเผยแพร่ในโพสต์ถัดไป คุณจะได้คำตอบจริงไม่ว่าทางไหน

อุปสรรคทั้งสี่ข้างต้นมีอยู่จริง เราได้ยินจากแทบทุกคนที่คุยด้วย สามข้อแรกแก้ได้วันนี้ ข้อสี่ใช้เวลานานกว่าแต่ก็แก้ได้เช่นกัน เราจะใช้สัปดาห์ต่อไปพิสูจน์ ทั้งในงานและสิ่งที่เราจะเผยแพร่

คำพูดถูกปกปิดตัวตนตามบทบาท กลุ่มตัวอย่างสัมภาษณ์: 22 คน จากซอฟต์แวร์/AI, สุขภาพ, ศิลปะการแสดง, การผลิต, ที่ปรึกษา, ค้าปลีก, ชีวกลศาสตร์ และองค์กรไม่แสวงหากำไร ประมาณ 73% คนมีพื้นฐานเทคนิค และ 27% คนไม่มี