ทุกคนชอบพูดว่า AI เปลี่ยนเร็วมาก แต่คำวิจารณ์ส่วนใหญ่แยกไม่ออกระหว่าง "noise" กับ "signal" ความเปลี่ยนแปลงที่ผมจะพูดถึงต่อไปนี้ เป็นแบบค่อยๆ ก่อตัว มองไม่ค่อยเห็นตอนแรก แต่มันขยับทุกอย่างที่วางอยู่ข้างบน ที่ผ่านมามีเงินระดมทุนและใช้จ่ายไปกับเรื่องนี้แล้วเกิน 1 ล้านล้านดอลลาร์ และในอีก 12 เดือนข้างหน้า จะมี 3 ความเปลี่ยนแปลงหลักที่ตัดสินว่าเงินก้อนนั้นจะคุ้มตรงไหน
Shift #1: คุณค่าไม่ได้อยู่ที่ตัว model แต่อยู่ที่ harness
2 ปีที่ผ่านมา หลายๆ คนในวงการหมกมุ่นกับคำถามเดียวเลย คือ model ของใครฉลาดที่สุด ซึ่งมันคือคำถามที่ผิด เพราะสิ่งที่เราต้องการไม่ใช่ model ที่ฉลาดขึ้น แต่เป็นระบบที่ดีขึ้นต่างหากละ
ซึ่งตอนนี้ถ้าทุกคนลองสังเกตดูความแตกต่างของ AI ที่ใช้งานอยู่ตอนนี้ แทบจะใกล้เคียงกันแล้ว จากตอนแรกที่ model จาก us ฉลาดและน่าสนใจ ตอนนี้ model จากจีน ที่ราคาถูกกว่า ก็มีประสิทธิภาพไม่ต่างกัน
ถ้าพิจารณาดูตอนนี้พวกเราไม่ได้ติด Claude เพราะมันฉลาด เราติดมันเพราะ harness และ plugin ใน ecosystem ของมันต่างหาก
ยุคของ harness
ตอนนี้นักพัฒนากำลังเฮโลไปกับ harness ไม่ใช่ตัว model
LLM ทำหน้าที่ประมวลผลภาษา มัน คือ เครื่องทำนายที่ทำงานบนความน่าจะเป็น ผลลัพธ์ไม่ตายตัว
ส่วน harness คือ โปรแกรมที่ทำให้ผลลัพธ์แน่นอน ทำหน้าที่ห่อหุ้มการทำงานทุกครั้งที่คุณคุยกับ model มันเก็บ logic ของ application, ระบบ eval, context และ security guard เอาไว้
Harness ที่ก้าวหน้าขึ้นจะเพิ่มฟีเจอร์ด้านความปลอดภัยมากขึ้น, logic เฉพาะงาน ไปจนถึง workflow ที่ซับซ้อน
ตอนนี้นักพัฒนาเริ่มหันมาใช้ harness สำหรับเขียนโค้ดโดยเฉพาะ เช่น Claude Code หรือ OpenCode ที่เราสามารถสลับ model ไปมาได้ตามใจชอบและตามราคาที่ต้องจ่าย แต่ยังคงคุณภาพของ workflow ไว้เท่าเดิม harness เฉพาะงานแบบนี้กำลังผุดขึ้นมาเรื่อยๆ ทั้งสำหรับทำสไลด์ เขียนโค้ด แก้เอกสาร และดึงข้อมูลต่างๆ เป็นต้น
LLM ก็เหมือนพนักงานที่ยังไม่ได้เทรน ไม่จำเป็นต้องฉลาดเป็นพิเศษก็ได้ ถ้ามีกระบวนการที่ออกแบบมาดีคอยพาไปทีละขั้น
สร้าง harness ของตัวเอง
เลิกหลอกตัวเองได้แล้วว่า "prompt engineering" จะเป็นศาสตร์ที่อยู่ยาว เพราะจริงๆ แล้วการพัฒนา AI ในองค์กร ก็คือ สิ่งที่เป็นงานของ software engineer เป็นมาตลอด นั่นคือ การแปล process การทำงานให้กลายเป็น code ที่มีผลลัพธ์แน่นอน
model ที่ผลลัพธ์ไม่ตายตัวช่วยให้เราขยายการใช้หลักคิดแบบ heuristic ได้ และรับมือกับ edge case ยุ่งๆ ที่เป็นต้นตอของ tech debt และความซับซ้อน
ลองคิดดู LLM ที่ตอบถูก 90% ของเวลากับ edge case พวกนี้ถือว่าเยี่ยมมากแล้ว และเพื่อใช้ประโยชน์ตรงนี้ให้เต็มที่ องค์กรจะสร้าง harness ของตัวเองที่ออกแบบมาให้เข้ากับ business logic เฉพาะของตัวเอง โดยใช้ framework อย่าง LangGraph, CrewAI หรือ AutoGen
harness แบบทั่วไปของ Anthropic และ Google นั้นดีสำหรับงาน knowledge work ทั่วๆ ไป แต่ถ้าจะไปถึงระดับการเปลี่ยนแปลงแบบ "ปฏิวัติอุตสาหกรรม" องค์กรจะต้องสร้าง harness ระดับองค์กรของตัวเองให้ได้ และนี่แหละ คือ ทิศทางที่งานกำลังมุ่งไป
workflow แบบอ้างอิงเอกสารจะถูกใช้กันอย่างแพร่หลาย
agent ที่ทำงานเดียวนั้น ทำออกมาได้เร็วและง่าย แต่ถ้าอยากได้ทั้งพลังและความสามารถที่สูงขึ้น เราต้องขยับไปที่ workflow แบบหลาย agent เหมือนในชีวิตจริงที่องค์กรไม่ได้ประกอบด้วยคนคนเดียวทำงานลำพัง แต่เป็นทีม เป็นแผนก เป็นทั้งองค์กร ที่ต่างคนต่างทำงานของตัวเอง แต่ประสานกันเป็นกระบวนการที่มีหลายคนเกี่ยวข้อง
agent ก็เหมือนคน คือ ทำงานได้ดีที่สุดเมื่อทำทีละอย่าง แต่ละ agent คือ ผู้เชี่ยวชาญเฉพาะด้าน แล้วเราค่อยขยายด้วยการเอามันมาต่อกันเป็น flow
มี framework ซับซ้อนมากมายที่ทำแบบนี้ได้ เหมือนที่มีระบบจัดการงานให้คนเลือกใช้เต็มไปหมด แต่สุดท้ายแล้ว บริษัทส่วนใหญ่มักลงเอยที่ workflow แบบอ้างอิงเอกสาร
ตั้งแต่ wiki ไปจนถึงโฟลเดอร์ต่างๆ ใน network บริษัทส่วนใหญ่ run งานอยู่บนชุดของเอกสาร โฟลเดอร์ และฟอร์มอยู่แล้ว ทุกฟอร์ม ก็คือ API ของมนุษย์ที่ป้อนข้อมูลเข้าสู่ process การทำงาน ทุกเอกสารที่ถูกอัปเดต ก็คือ เหตุการณ์ที่ผลัก process นั้น ให้ขยับไปขั้นถัดไป
กระบวนการแบบอ้างอิงเอกสารนั้น มันจะมีอยู่ในทุกๆ ที่ ด้วยเหตุผลที่ว่า มันทำง่าย ปรับง่าย ขยายได้ ตามแกะรอยและตรวจสอบได้ การจัดการเรื่องความปลอดภัยและสิทธิ์การเข้าถึงได้ แถมยังเชื่อมต่อกันระหว่างทีม หรือ แม้แต่ข้ามองค์กรก็ทำได้ง่าย
แน่นอนว่า เราจะยังได้เห็นระบบ orchestration และ ตัวจัดการ workflow แบบ agent-to-agent ออกมาอีกเยอะแน่นอน
workflow แบบอ้างอิงเอกสารง่ายๆ นี่แหละที่จะเป็นตัวหลักในการทำงานจริง เพราะมันเปิดทางให้ agent ทำงานร่วมกับคนได้ และเป็นทางลัดที่เร็วที่สุดในการเสริมกระบวนการทำงานเดิม เนื่องจากบริษัทส่วนใหญ่มีโครงสร้างพื้นฐานนี้อยู่แล้ว
จริงๆ agent มันก็ถูกสร้างมาเพื่อสิ่งนี้เลย มันถูกสร้างมาเพื่อจัดการกับข้อความ เอกสาร การอ่านและกรอกฟอร์ม ทุกอย่างที่เราเกลียดเวลาต้องยุ่งกับเอกสาร คือสิ่งที่ agent ทำได้ดี การเอา agent เข้ามาทำงานจับฉ่ายน่าเบื่อของ knowledge work นี่แหละ คือ จุดที่จะทำให้เกิดการทำงานจริงๆ
Shift #2: เมื่อ value ย้ายไปที่ harness ตัว model ก็กลายเป็นของโหล
พอ value ย้ายไปอยู่ที่ harness ตัว model ที่อยู่ข้างล่างก็กลายเป็นเหมือนกับชิ้นส่วนเครื่องยนต์ที่สลับกันได้ และชิ้นส่วนแบบนั้นราคาก็จะถูกลงไปเรื่อยๆ
จุดจบของศึกแย่งชิงความล้ำของ LLM
2-3 ปีที่ผ่านมา ai ถูกขับเคลื่อนด้วยศึกแย่งชิง frontier model ที่บรรดาผู้ให้บริการรายใหญ่แต่ละเจ้าปล่อย model ที่แรงขึ้นเรื่อยๆ (ยกเว้น ในจุดที่สหรัฐสั่ง block เอาไว้) และ ความโม้เหม็นถึงประสิทธิภาพอันยิ่งใหญ่ ระดับเขย่าโลกให้พังได้
ตอนนี้ศึกนั้นกำลังเจอกับความเป็นจริงทางเศรษฐกิจ เงินอุดหนุนหลายล้านล้านดอลลาร์กำลังหมดลง และแทนที่ด้วยบิลค่า API ของจริง
เราจะเริ่มเห็นราคาที่กำลังเพิ่มขึ้นเข้าหาต้นทุนที่แท้จริง พร้อมกับข่าวประเภทบริษัทต่างๆ ตกใจกับบิลค่า AI จนถึงขั้นจ้างคนกลับมาเพื่อคุมต้นทุน
แต่สิ่งที่น่าสนใจกว่า คือ ในขณะที่ model เก่งขึ้น ประโยชน์ใช้สอยกลับไม่ได้เพิ่มตาม model ที่เล็กกว่าและถูกกว่าก็ทำงานส่วนใหญ่ได้ดีพอแล้ว เหมือนกับเรื่องอื่นๆ ในโลก ไม่ใช่รถทุกคันต้องเป็นรุ่นท็อป ไม่ใช่ CPU ทุกตัวต้องเร็วที่สุด โลกส่วนใหญ่ run ด้วยชิ้นส่วนราคาถูก และอนาคตก็จะรันด้วย LLM ราคาถูกเป็นหลัก
LLM มันทำเงินไม่ได้ขนาดนั้น ตัวที่ทำเงินให้กับบริษัทผู้ให้บริการเหล่านี้อยู่รอด คือ application layer นั่นแหละ (application -> model -> hardware) ซึ่ง alex karp — ceo ของ palantir ได้บอกเราไว้แล้ว
ชัยชนะของ LLM แบบ open-source
ลองนึกภาพว่า ถ้าเราใช้งานของสักชิ้นนึง ที่เราควบคุมราคามันไม่ได้ ปีนี้เราราคานึง ปีหน้าราคาเพิ่มขึ้นมาเท่าตัว เราจะอยากใช้มันอยู่ไหน นี่แหละอนาคตของ llm
ดังนั้นบริษัทที่สร้าง harness ของตัวเองจะได้เปรียบเชิงโครงสร้างอย่างมหาศาล
นั่นคือ ความเป็นอิสระจาก model โดย model ที่ hostให้ใช้ตอนนี้ถูกอุดหนุนหนักมาก ทำให้ต้นทุนต่อ token ต่ำกว่าราคาจริงเยอะ ผู้ให้บริการกำลังเดิมพันว่าต้นทุนการรัน LLM จะลดลงเร็วพอที่จะทำให้ตลาดอยู่รอด และมีเวลามากพอให้ทุกคนย้ายงานมาอยู่บนบริการที่ host ไว้ให้ และหลังจากล็อกลูกค้าไว้ได้แล้ว ราคาก็จะขึ้นอย่างหลีกเลี่ยงไม่ได้ และงานหลายอย่างที่วันนี้เรายินดีโยนให้ AI ทำ ก็จะไม่คุ้มค่าที่จะรันบน platform พวกนั้นอีกต่อไป
ตามความจริงที่ว่าเทคโนโลยีจะขยายตัวได้ก็ต่อเมื่อมันกลายเป็นของโหล ผู้เล่นตัวจริงในวงการ AI จะหันไปพึ่ง model แบบ open-source สำหรับงานประจำวันส่วนใหญ่ ที่เราไม่จำเป็นต้องใช้ frontier model กับงานธรรมดาๆ
ผู้เล่นรายใหญ่อย่าง Netflix ก็ย้ายไปรัน server LLM ของตัวเองที่ใช้ open model ไปแล้ว เพื่อคุมต้นทุนได้ตรงกว่า และ harness ในบ้านตัวเองนี่แหละที่กลายเป็นกุญแจสำคัญ เพราะบริษัทพึ่งมันในการกรอบการทำงานให้ได้ผลลัพธ์ที่แน่นอน และหนึ่งในกรอบนั้น ก็คือ การคุมต้นทุนนั่นเอง
Shift #3: LLM เป็นแค่ชิ้นส่วนหนึ่งของระบบที่มีหลายส่วนเชื่อมโยงกัน
ถ้า model เป็นแค่ชิ้นส่วนของโหลแล้ว ระบบตัวจริง ก็คือ การเอาหลายๆ ชิ้นส่วนมาประกอบกัน คือ AI หลายชนิดที่ประสานงานกันเองและจะทำข้ามเส้นแบ่งขององค์กรมากขึ้นเรื่อยๆ
LLM ไม่ใช่ยาวิเศษ
ตอนที่ relational database เพิ่งออกสู่ตลาด คนเอามันไปใช้ทำทุกอย่าง ทั้ง message queue ทั้งระบบไฟล์ ใช้เก็บสารพัดอย่าง (ถ้าในไทยก็คงเทียบกับการเอาข้อมูลหลายๆ อย่างเก็บไว้ที่ excel)
generative AI ก็ไม่ใช่ยาวิเศษเหมือนกัน เราจะเห็นว่าหลายทีมเอามันไปใช้ทำระบบทำนาย ระบบแนะนำ งาน machine learning ระบบความรู้ search engine ไปจนถึงตัว parse ข้อมูล เหมือนกับ database แบบที่ใช้ทั่วไป LLM ปรับใช้ได้กว้างมาก แต่มันก็แพงและไม่มีประสิทธิภาพเท่าที่ควร
generative AI ถูกสร้างขึ้นบนเทคนิค AI ที่มีอยู่เดิมหลากหลายแบบ ตั้งแต่ deep learning และ machine learning ไปจนถึง NLP และ model ทำนายผล เทคโนโลยีพื้นฐานเหล่านั้นยังอยู่ และหลายงานมันก็ยังทำได้ดีกว่า LLM แบบทั่วไปด้วยซ้ำ
พอบริษัทเริ่มปล่อย harness ของตัวเองออกมา พวกเขาจะปล่อย agent แบบ multi-modal ที่ใช้ AI ครบทุกสเปกตรัม โดย LLM จะทำหน้าที่เชื่อมกระบวนการซับซ้อนเข้าด้วยกันอย่างรวดเร็วและยืดหยุ่น แต่มันจะทำงานเคียงข้าง AI ตัวอื่น ไม่ใช่ไปแทนที่
จงจำไว้ว่า LLM จะไม่ใช่ยาวิเศษ
protocol ที่ใช้กันวันนี้ยังไม่ใช่ปลายทาง
สำหรับผมแล้ว MCP เป็น protocol กำลังมันจะตายแล้วในระดับของ internet ไม่แน่ใจว่าตัวที่จะมาแทนจะเป็น A2A หรือเปล่า แต่ agent จะทำงานทะลุขอบเขตขององค์กรตัวเอง และมันจะต้องประสานงานกันได้อย่างปลอดภัย ใช่ครับ MCP มันไม่ได้ปลอดภัยขนาดนั้น เพียงแต่เรายังไม่มีตัวอื่นที่ดีกว่าเท่านั้นเอง
ประวัติศาสตร์ของ internet คือ เรื่องราวที่เริ่มจากการระบบเปิดแบบโล่งโจ้งเกินไป แล้วมาแปะเรื่องความปลอดภัย การยืนยันตัวตน และการตรวจสอบเข้าไปทีหลัง MCP ก็เดินตามรอยนั้น แต่ด้วยขนาดของโอกาสและบทเรียนที่เรียนรู้กันมาแล้ว การประสานงานแบบ agent-to-agent ในระดับ internet จะเริ่มต้นจาก protocol ที่ออกแบบมาให้มีความปลอดภัยและรองรับการขยายตัวตั้งแต่แรก
สรุป: ทั้งหมดนี้พาเราไปไหน
เอา 3 ความเปลี่ยนแปลงนี้มารวมกัน ภาพก็ชัดขึ้น value ถูกย้ายออกจากตัว model ไปอยู่ที่ harness ตัว model ที่ไม่ใช่รางวัลอีกต่อไป มันจะกลายเป็นของโหลที่เราควรรันเองมากกว่าเช่ามาใช้ และสิ่งที่เราสร้างขึ้นจากมันก็ไม่ใช่ AI ตัวเดียวที่เก่งครอบจักรวาล แต่เป็นระบบที่มีหลายส่วนเชื่อมโยงกัน เป็นชุดของผู้เชี่ยวชาญเฉพาะทาง เป็นปัญญาแบบแยกส่วน ที่ประสานกันผ่านโครงสร้างพื้นฐานที่น่าเบื่อและทนทานที่สุดเท่าที่เรามี นั่นก็ คือ เอกสาร
เทคโนโลยีทุกกองในที่สุดก็กลายเป็นของโหลที่ชั้นล่าง และไปแตกต่างกันที่ชั้นบน (application)
CPU กลายเป็นของโหล Linux กลายเป็นของโหล cloud compute ก็กลายเป็นของโหล business value ย้ายไปอยู่ที่ application workflow และข้อมูล LLM ก็กำลังเดินตามเส้นทางเดียวกัน
ทั้งหมดนี้ไม่ใช่ AI แบบที่คำโฆษณาสัญญากับเราไว้ แต่มันดีกว่า เพราะมัน คือ AI ที่ใช้งานได้จริง ทีมที่เข้าใจความเปลี่ยนแปลงเหล่านี้ ที่ลงทุนกับ harness คุมต้นทุนของ model และเอา agent ไปทำงานจับฉ่ายในกระบวนการจริง นี่คือทีมที่จะเป็นผู้ชนะ ส่วนทีมที่ยังนั่งรอ frontier model รุ่นถัดไปมาช่วย ก็คือทีมที่จะถูกทิ้งให้รอต่อไป
