Critical Thinking คืออะไร: AI ตอบดูน่าเชื่อ แต่ทำไมเรายังตัดสินใจพลาด

5 คำตอบ 5 ตัวเลข แต่ดูมั่นใจเท่ากันหมด

ตัวเลข 5 แบบนี้ไม่ได้มาจาก AI ที่ตอบมั่ว ๆ นะครับ ทุกรอบ AI อ่านข้อมูลถูก และทุกรอบก็เขียนกำกับไว้ด้วยว่าเป็นตัวเลขโดยประมาณ ที่ได้ไม่เท่ากันก็เพราะแต่ละรอบเลือกวิธีคิดไม่เหมือนกัน เช่น บางรอบคิดจากรถที่ไม่มาทั้งหมด บางรอบคิดเฉพาะส่วนที่เกินจากปกติ และใช้ค่าบริการเฉลี่ยต่อคันไม่เท่ากัน

ปัญหาจริงจึงไม่ได้อยู่ที่ AI อย่างเดียวครับ แต่อยู่ที่ตอนเราอ่าน เพราะพอคำตอบเขียนออกมาเรียบร้อย เราก็มักจะหยิบตัวเลขไปใช้เลย โดยไม่ได้ถามก่อนว่าตัวเลขนั้นมาจากไหน

ข้อมูลที่ผมใช้ถาม AI 5 รอบนั้น ก็คือข้อมูลของเรื่องที่ผมจะเล่าต่อจากนี้ครับ

เคสคุณกร: รายงานจาก AI ดีมาก แต่คนอ่านเลือกอ่าน

เรื่องที่ผมจะเล่าเป็นสถานการณ์สมมตินะครับ ตัวเลขทั้งหมดเป็นข้อมูลจำลอง

คุณกรเป็นผู้จัดการศูนย์บริการรถยนต์แห่งหนึ่ง ปกติลูกค้าที่นัดแล้วไม่มาจะอยู่ราว ๆ 6 ถึง 7% แต่พอเข้าเดือนกันยายน ตัวเลขนี้กระโดดขึ้นไปเป็น 19% แล้วเดือนตุลาคมก็ขึ้นไปอีกเป็น 22% ช่องซ่อมว่าง ช่างก็นั่งรอรถ จน MD (กรรมการผู้จัดการ) ของบริษัทขอให้คุณกรมาอธิบายในประชุมวันศุกร์ ว่าเกิดอะไรขึ้น และจะแก้ยังไง

รายงานที่ได้จาก AI ดีจริง ๆ

คุณกรดึงรายงานจากระบบนัดหมายออกมา ซึ่งแยกอัตราการไม่มาตามนัดไว้หลายแบบ ทั้งตามประเภทงาน อายุรถ และนัดไว้ล่วงหน้านานแค่ไหน แล้วก็มีบันทึกผลการโทรตามลูกค้าที่ไม่มา ซึ่ง SA หรือพนักงานรับรถเป็นคนโทร

เขาวางรายงานนี้ให้ AI แล้วถามว่า ทำไมลูกค้าไม่มาตามนัดเยอะขึ้น แล้วควรแก้ยังไง ขอเป็นรายงานสั้น ๆ ไว้เอาเข้าประชุม

รายงานที่ได้กลับมาดีจริง ๆ ครับ AI ชี้ว่าลูกค้าที่ไม่มาส่วนใหญ่เป็นนัดเช็กระยะที่จองไว้ล่วงหน้านานเกิน 30 วัน คำนวณรายได้ที่หายไปให้ด้วย ได้ราว 9 แสนบาทในสองเดือน โดยกำกับไว้ว่าเป็นตัวเลขโดยประมาณ

แล้ว AI ยังถามเองด้วยว่า ตัวเลขเริ่มพุ่งตั้งแต่กันยายน ช่วงนั้นขั้นตอนนัดหมายมีอะไรเปลี่ยนไปหรือเปล่า คำถามนี้ฝากจำไว้นิดหนึ่งนะครับ เดี๋ยวเราจะกลับมาดูกันอีกที

คุณกรขีดไฮไลต์เฉพาะส่วนที่ตัวเองสะดุดตา

แต่คุณกรกลับไปสะดุดตาที่ตัวเลขอีกชุดหนึ่งครับ รถที่อายุเกิน 5 ปีไม่มาตามนัดถึง 30% ค่าเช็กระยะของรถกลุ่มนี้ก็แพงที่สุด ครั้งละราว 7,200 บาท แล้วลูกค้าที่โทรตามได้ ก็มี 12 รายที่บอกไว้ว่าไปเข้าอู่ใกล้บ้านแล้ว

เขาขีดไฮไลต์ตัวเลขพวกนี้ไว้ ส่วนคำถามเรื่องเดือนกันยายน เขานึกถึงเรื่องหนึ่งอยู่แวบเดียว แต่คิดว่าไม่น่าเกี่ยว ก็เลยเลื่อนผ่านไป

สไลด์สามบรรทัดที่เกือบเข้าห้องประชุม

คืนนั้นคุณกรก็ทำสไลด์สามบรรทัดสำหรับวันศุกร์

1. ลูกค้าไม่มาตามนัดพุ่งจาก 6% เป็น 22% รายได้หายไป 9 แสนบาท
2. รถเก่าค่าเช็กระยะแพง ลูกค้าเลยหนีไปอู่ใกล้บ้าน
3. เสนอให้ลดค่าเช็กระยะให้รถอายุเกิน 5 ปี

สังเกตนะครับว่า คำว่าประมาณ หายไปจากสไลด์แล้ว

ตัวเลขทุกตัวในสไลด์นี้ หยิบมาจากรายงานที่เขาได้มาจริง ๆ แต่เรื่องที่เขาร้อยตัวเลขพวกนี้เข้าด้วยกัน ไม่ใช่ต้นเหตุจริง

สรุปเคสนี้: AI ไม่ได้ตอบผิด แต่คนอ่านหยิบเฉพาะส่วนที่ตัวเองสะดุดตา แล้วข้ามคำถามที่สำคัญที่สุดไป

ดูดีจนลืมเช็ก

ถ้าเป็นเราเอง ก็คงไม่ต่างจากคุณกรเท่าไหร่นะครับ เพราะอะไรที่อ่านง่าย เรียบร้อย ตัวเลขเป๊ะ คนเราก็มักจะรู้สึกว่าน่าจะจริง

แล้วยังมีอีกเรื่องหนึ่ง ก็คือ AI เขียนได้ลื่นไหลเท่ากันหมด ทั้งตัวเลขที่นับมาจากข้อมูลของเรา อย่าง 22% ที่เปิดตารางดูก็เจอ และตัวเลขที่ AI ต้องสมมติบางอย่างเองก่อนถึงจะคำนวณได้ อย่าง 9 แสนบาท ซึ่งถ้าถามใหม่อีกรอบ ก็อาจได้ 7 แสน หรือ 1.3 ล้าน แต่หน้าตาคำตอบก็ยังดูมั่นใจเท่าเดิม

เรื่องแบบนี้ผมขอเรียกสั้น ๆ ว่า ดูดีจนลืมเช็ก ครับ

Critical Thinking คืออะไร

เรื่องนี้แหละครับ คือเหตุผลที่เราต้องมี Critical Thinking หรือการคิดอย่างมีวิจารณญาณ

คนที่ให้ความหมายของคำนี้ไว้ชัดมาก ก็คือคุณ Robert Ennis (โรเบิร์ต เอนนิส) นักปรัชญาการศึกษาที่ทำงานเรื่องนี้มาหลายสิบปี เขาให้ความหมายไว้ว่า Critical Thinking คือ การคิดอย่างมีเหตุผลและไตร่ตรอง เพื่อตัดสินว่าจะเชื่ออะไร หรือจะทำอะไร (ผมแปลแบบย่อ)

หลายคนได้ยินคำว่า Critical แล้วนึกว่าต้องคอยจับผิด แต่ถ้าดูจากความหมายนี้ ปลายทางของ Critical Thinking ก็คือการตัดสินใจครับ คำถามที่เราต้องตอบให้ได้ จึงไม่ใช่แค่ว่าจะเชื่อ AI หรือไม่เชื่อ แต่คือ เชื่อได้แค่ไหน แล้วเราจะทำอะไรต่อ

ทำไมเรื่องนี้ถึงสำคัญขึ้นมาก ตอนที่มี AI

เมื่อก่อนถ้าลูกน้องส่งรายงานเรียบร้อยแบบนี้มา เราก็พอรู้ว่าเขานั่งทำมาหลายวัน ได้คุยกับคน ได้เปิดดูข้อมูลมาบ้าง ความเรียบร้อยของรายงานเลยพอบอกเราได้ว่ามีคนคิดเรื่องนี้มาแล้ว

แต่วันนี้ AI ทำรายงานหน้าตาแบบเดียวกันได้ในไม่กี่นาที และทุกคนในทีมของเราก็ทำได้ครับ สำหรับผู้บริหาร รายงานสวยจึงไม่ได้แปลว่ามีคนคิดมาดีอีกต่อไป ถ้าเรายังใช้ความเรียบร้อยเป็นสัญญาณอยู่ ก็จะติดกับดักดูดีจนลืมเช็ก

อีกด้านหนึ่ง AI ก็ทำให้การเช็กเร็วขึ้นเหมือนกัน ถามต่ออีกไม่กี่คำถาม ก็ใช้เวลาไม่ถึงนาที

ที่สำคัญก็คือ ความเสียหายหนัก ๆ มักไม่ได้เกิดตอนที่ AI ตอบผิดอย่างเดียว แต่เกิดตอนที่เราเชื่อคำตอบนั้นแล้วลงมือเลย เช่น ทุ่มเงินกับแรงของทีมไปแก้ผิดจุด เรื่องเล็ก ๆ อย่างอีเมลนัดประชุม เช็กนิดเดียวก็พอ แต่เรื่องที่ใช้เงินก้อนใหญ่ อย่างการลดค่าเช็กระยะให้รถเก่าทุกคัน ต้องเช็กให้ลึกขึ้นครับ

3 คำถาม ก่อนเอาคำตอบของ AI ไปตัดสินใจ

แล้วเราจะเช็กสไลด์สามบรรทัดของคุณกรยังไงดีครับ

ผมขอยืมหลักการของคุณ Stephen Toulmin (สตีเฟน ทูลมิน) นักปรัชญาที่ศึกษาว่าคนเราให้เหตุผลกันยังไง เขาแบ่งการให้เหตุผลออกเป็นหลายส่วน ผมหยิบมาแค่สามส่วนแรกครับ

• ข้อสรุป ที่อยากให้เราเชื่อ
• หลักฐาน ที่มีอยู่ในมือ
• เหตุผลที่เชื่อมหลักฐานไปหาข้อสรุป ซึ่งส่วนใหญ่ไม่มีใครเขียนออกมาให้เห็น

แล้วผมย่อมาเป็นคำถามแบบนี้ครับ ข้อสรุปกับหลักฐานเป็นคำถามข้อ 1 เหตุผลที่ไม่มีใครเขียนไว้เป็นข้อ 2 แล้วผมเติมข้อ 3 ที่คนมักข้ามไปเอง

คำถามที่ 1: ข้อนี้มาจากไหน (AI ช่วยชี้ได้)

ถ้าเราชี้ไม่ได้ว่าข้อไหนมาจากข้อมูลส่วนไหน ข้อนั้นก็ยังไม่ควรเอาไปใช้ตัดสินใจ ซึ่งคำถามนี้ AI ช่วยเราได้ดีมากครับ

ก่อนส่งสไลด์ให้ MD คุณกรลองพิมพ์ถามต่อในแชทเดิมอีกนิดหนึ่ง ว่าข้อสรุปและตัวเลขแต่ละข้อมาจากตรงไหน AI ก็แยกให้ดูได้ชัดเจนมาก

คำถามที่ 2: ถ้าจะให้ข้อสรุปนี้ถูก อะไรต้องเป็นจริงบ้าง (AI ช่วยไล่ได้)

คำถามนี้ก็คือการดึงส่วนที่สามของคุณ Toulmin ออกมาให้เห็นครับ เพราะข้อสรุปว่าลูกค้าหนีเพราะราคา ยังอาศัยสมมติฐานที่เราต้องตรวจสอบอีกหลายเรื่อง

พอคุณกรถามต่อว่า ถ้าลูกค้าไม่มาเพราะค่าเช็กระยะแพง อะไรต้องเป็นจริงบ้าง AI ก็ไล่ให้ดูว่า มีประเด็นที่ควรเช็ก เช่น ราคาแพงขึ้นหรือมีอู่ใหม่มาเปิดใกล้ ๆ ไหม และถ้าราคาเป็นเหตุหลัก ทำไมการไม่มาตามนัดจึงเพิ่มขึ้นในกลุ่มรถใหม่ด้วย ประเด็นพวกนี้เป็นทางตรวจสมมติฐาน ไม่ใช่เงื่อนไขที่จำเป็นต้องเกิดครบทุกข้อ

แต่ข้อมูลกลับไม่เป็นแบบนั้นครับ รถใหม่อายุไม่ถึง 3 ปี ที่ค่าเช็กระยะไม่แพง ก็ไม่มาตามนัดถึง 14% ราวสองเท่าของระดับปกติของทั้งศูนย์เมื่อก่อน แล้ว AI ก็ทักซ้ำว่าตัวเลขกระโดดขึ้นในเดือนเดียว ดูเหมือนมีอะไรบางอย่างเปลี่ยนไปในเดือนนั้น

สิ่งที่ไม่ได้เปลี่ยนเพียงอย่างเดียว ยังอธิบายการเปลี่ยนแปลงใหม่ได้ไม่พอ

ข้อที่ AI ทักเรื่องจังหวะเวลา ตรงกับหลักหนึ่งที่ผมใช้บ่อยมากครับ ก็คือ สิ่งที่ไม่ได้เปลี่ยนเพียงอย่างเดียว ยังอธิบายการเปลี่ยนแปลงใหม่ได้ไม่พอ

คุณกรเช็กดูแล้ว ค่าเช็กระยะของศูนย์ไม่ได้ปรับขึ้นเลยทั้งปี อู่แถวบ้านลูกค้าก็เปิดกันอยู่ที่เดิมมานานแล้ว ไม่มีอู่ไหนเพิ่งมาเปิดใหม่ แต่ลูกค้าเพิ่งเริ่มไม่มาตามนัดกันเยอะในสองเดือนนี้

เพราะฉะนั้นคำถามที่ควรถามต่อ ก็คือคำถามเดียวกับที่ AI ถามไว้ตั้งแต่รายงานฉบับแรก ว่าต้นเดือนกันยายนมีอะไรเปลี่ยนไปบ้าง

เรื่องที่ไม่ได้อยู่ในข้อมูลที่ให้ AI

คำถามนี้คุณกรรู้คำตอบดีที่สุดครับ เพราะต้นเดือนกันยายน เขาเพิ่งเปลี่ยนจากให้พนักงานโทรยืนยันนัดกับลูกค้าทีละคน มาเป็นการส่งข้อความเตือนนัดผ่าน LINE ของศูนย์บริการแทน ซึ่งการเปลี่ยนครั้งนี้เป็นไอเดียของคุณกรเองด้วย

เรื่องที่เขานึกถึงแวบหนึ่งตอนเห็นคำถามของ AI ก็คือเรื่องนี้แหละครับ แต่ตอนนั้นเขาคิดว่าข้อความส่งถึงลูกค้าครบทุกคนแล้ว ไม่น่าเกี่ยว ก็เลยปัดทิ้งไป

เรื่องนี้ไม่ได้อยู่ในรายงานที่เขาให้ AI นะครับ AI ถึงได้ถามเป็นคำถาม แทนที่จะบอกเป็นคำตอบ

คำถามที่ 3: เราอยากให้คำตอบนี้จริงหรือเปล่า (ต้องตอบเอง)

คำถามนี้ AI ช่วยตั้งคำถามสะท้อนให้เราได้ แต่ตอบแทนเราไม่ได้ครับ

พอคุณกรลองถามตัวเองตรง ๆ เขาก็เห็นว่า ลึก ๆ แล้วเขาอยากให้ต้นเหตุเป็นเรื่องราคา เพราะถ้าต้นเหตุเป็นเรื่องราคา ก็ไม่ใช่ผลจากการเปลี่ยนมาใช้ LINE ที่เขาเป็นคนเสนอเอง ใครอยู่ในจุดนั้นก็อาจคิดแบบเดียวกัน และนั่นก็อาจเป็นเหตุผลที่คำถามเรื่องเดือนกันยายนถูกปัดทิ้งไปตั้งแต่แรก

คนเราทุกคนมักเชื่อคำตอบที่อยากได้ยินได้ง่ายกว่า โดยไม่ทันรู้ตัว แล้ว AI ก็ไม่อาจรู้ใจเราหรือยืนยันแทนเราได้ว่าอยากให้คำตอบออกมาแบบไหน เพราะฉะนั้นถ้าเราตอบตัวเองว่าอยาก ก็แปลว่าเราต้องเช็กให้หนักกว่าเดิม และต้องออกไปหาคำตอบนอกแชท

หลักฐานสำคัญ ไม่ได้อยู่ในตาราง

คุณกรก็เลยให้ SA โทรหาลูกค้าที่ไม่มาอีกชุดหนึ่ง แล้วถามตรง ๆ ว่าเห็นข้อความเตือนนัดทาง LINE ไหม คำตอบก็ไปทางเดียวกันครับ

• บางคนบอกว่าข้อความจมไปกับโปรโมชันของศูนย์
• บางคนปิดแจ้งเตือนของบัญชีศูนย์ไว้ตั้งนานแล้ว
• หลายคนบอกว่า เมื่อก่อนมีพนักงานโทรมาก่อนวันนัดทุกครั้ง ก็เลยไม่ได้จดไว้เอง

ส่วนเหตุผลที่นัดซึ่งจองไว้เกิน 30 วันหลุดมากที่สุด ก็เพราะส่วนใหญ่นัดไว้ตั้งแต่ตอนมารับรถครั้งก่อน ผ่านมาหลายเดือนแล้ว สายจากพนักงานเลยเคยเป็นสิ่งเดียวที่ช่วยเตือนความจำ

ถึงตรงนี้จะเห็นว่า ข้อมูลชุดเดียวกันอธิบายได้สองแบบเลยครับ แบบหนึ่งคือราคาแพง อีกแบบคือเตือนไปแล้ว แต่ลูกค้าไม่เห็น เพราะไม่มีสายจากพนักงานมาย้ำเหมือนเมื่อก่อน แล้วหลักฐานที่ช่วยให้น้ำหนักกับคำอธิบายหลัง ก็ไม่ได้อยู่ในตาราง แต่อยู่ในคำพูดของลูกค้า และยังต้องติดตามผลนำร่องต่อ

ส่วนที่รถเก่าไม่มามากกว่ารถใหม่ ข้อมูลชุดนี้ยังไม่ได้บอกว่าเพราะอะไร เรื่องราคาอาจมีส่วนอยู่บ้างก็ได้ แต่ผมมองว่าราคาที่ไม่ได้เปลี่ยนเลยทั้งปีเพียงอย่างเดียว ยังอธิบายไม่พอว่าทำไมทุกกลุ่มเพิ่งพุ่งขึ้นพร้อมกันในเดือนกันยายน และนี่ก็เป็นเหตุผลที่แผนของคุณกรยังต้องติดตามตัวเลขต่อ

สไลด์ฉบับใหม่ในห้องประชุมวันศุกร์

พอถึงวันศุกร์ คุณกรก็เข้าห้องประชุมด้วยสไลด์ที่ต่างไปจากเดิมครับ

• บอก MD ตรง ๆ ว่าต้นเหตุน่าจะมาจากการเปลี่ยนวิธียืนยันนัด ที่เขาเป็นคนเสนอเอง
• ขอคง LINE ไว้ แต่ให้พนักงานกลับมาโทรยืนยันนัดที่จองไว้นานเกิน 30 วัน
• ติดตามตัวเลขรายสัปดาห์ไปอีก 4 สัปดาห์ และยังไม่ปรับราคา
• ไม่เอาตัวเลข 9 แสนบาทขึ้นสไลด์ แต่บอกแค่ตัวเลขที่นับได้จากข้อมูลตรง ๆ ว่า ลูกค้าที่ไม่มาเกินปกติมีราว 170 คันในสองเดือน

เขาไม่ได้บอกว่ามั่นใจร้อยเปอร์เซ็นต์ แต่บอกได้ว่าเชื่อได้แค่ไหน และจะเช็กต่อยังไง แผนนี้ยังเป็นแค่การนำร่อง ต้องดูตัวเลขจริงใน 4 สัปดาห์นั้นอีกทีว่าลูกค้ากลับมาตามนัดมากขึ้นจริงไหม

ลองคิดดูนะครับ ถ้าวันนั้นเขาเอาสไลด์สามบรรทัดใบเดิมเข้าไป ศูนย์อาจลดค่าเช็กระยะให้รถเก่าทุกคัน เป็นรายได้ที่หายไปทุกเดือน ส่วนลูกค้าที่ลืมนัด ก็ยังลืมต่อไปเหมือนเดิม

ในเรื่องนี้ AI ช่วยคุณกรไว้เยอะเลยครับ ที่เกือบพลาดไม่ใช่เพราะ AI ไม่บอก แต่เพราะเรื่องที่เราไม่อยากเจอ คนเราปัดทิ้งได้ง่ายมาก ส่วนที่ AI ทำแทนเราไม่ได้ ก็คือการถามตัวเองว่าเราอยากเชื่ออะไร กับการออกไปฟังลูกค้าตัวจริง

สรุปเคสคุณกร: AI ช่วยชี้และช่วยถามได้มาก แต่คำตอบที่ถูกบางครั้งอยู่นอกข้อมูล และคนที่ต้องออกไปหาก็คือเรา

การ์ดสรุป: 3 คำถาม ก่อนเอาคำตอบของ AI ไปตัดสินใจ

ส่วนนี้เอาไปใช้ได้ตั้งแต่พรุ่งนี้เลยครับ ใช้ได้ทุกครั้งก่อนเอาคำตอบของ AI ไปตัดสินใจ

และถ้าเป็นเรื่องใหญ่ ที่ใช้เงินหรือแรงของทีมเยอะ ก็ต้องเช็กให้ลึกขึ้นครับ

เช็กตัวเองก่อนเอารายงานจาก AI เข้าประชุม

ให้ AI ช่วยเช็กคำตอบของตัวเอง

ถ้าอยากให้ AI ช่วยเช็กสองคำถามแรก ผมเตรียมคำสั่งไว้ให้ชุดหนึ่งครับ ใช้พิมพ์ต่อในแชทเดิม หลังจาก AI ตอบมาแล้ว

คำสั่งนี้มี 4 ข้อ สองข้อแรกก็คือสองคำถามที่เพิ่งพูดไป แล้วผมเพิ่มอีกสองข้อ ข้อที่ 3 ซึ่งสำคัญมาก ก็คือในข้อมูลของเรามีอะไรที่ยังไม่เข้ากับข้อสรุปนี้บ้าง ส่วนข้อสุดท้ายคือข้อไหนต้องไปเช็กนอกแชทก่อน

ก่อนฉันจะเอาคำตอบเมื่อกี้ไปใช้ ช่วยแยกให้ฉันดูหน่อย
1. ข้อสรุปและตัวเลขแต่ละข้อในคำตอบเมื่อกี้ มาจากตรงไหนในข้อมูลที่ฉันให้ ถ้าข้อไหนไม่ได้มาจากข้อมูลที่ฉันให้ ให้บอกตรง ๆ ว่ามาจากไหน
2. ถ้าข้อสรุปหลักจะถูก มีเรื่องอะไรบ้างที่ต้องเป็นจริง
3. ในข้อมูลที่ฉันให้ มีอะไรที่ยังไม่เข้ากับข้อสรุปนี้บ้าง
4. ข้อไหนที่ฉันต้องไปเช็กกับคนหรือเอกสารนอกแชทนี้ก่อน
ยังไม่ต้องสรุปใหม่ และยังไม่ต้องเสนอวิธีแก้ ข้อไหนไม่แน่ใจ ให้บอกว่าไม่แน่ใจ

ท้ายคำสั่ง ผมกำชับไว้สามอย่างครับ ยังไม่ต้องสรุปใหม่ ยังไม่ต้องเสนอวิธีแก้ และข้อไหนไม่แน่ใจให้บอกว่าไม่แน่ใจ เพราะถ้า AI รีบสรุปใหม่หรือรีบเสนอทางแก้ เราก็จะได้คำตอบชุดใหม่ที่ดูดีอีกชุด แทนที่จะได้เห็นว่าข้อไหนยังต้องเช็ก

ตอนผมลองใช้กับเรื่องของคุณกร

ผลของ AI ที่เล่าในเรื่องคุณกร ผมรวมมาจากการทดสอบหลายรอบครับ ทั้งถามซ้ำกับ AI ตัวเดียวกัน และลองกับ AI ต่างรุ่น

• ทุกรอบ AI ถามเองว่าเดือนกันยายนมีอะไรเปลี่ยน
• ตัวเลขรายได้ที่หายไปได้ไม่เท่ากันเลย แต่ทุกรอบก็เขียนกำกับไว้ว่าเป็นตัวเลขประมาณ
• บางรอบพอส่งคำสั่งนี้ตามไป AI ยังบอกเองด้วยว่า วิธีคิดรายได้ที่หายไปของตัวเองยังไม่ถูก แนะนำให้ตัดตัวเลขนี้ออกจากสไลด์ไปก่อน

AI แต่ละค่ายอัปเดตรุ่นกันบ่อย ผลที่ได้อาจไม่เหมือนกันเป๊ะ แต่หลักยังใช้ได้เหมือนเดิมครับ ขอแค่อ่านให้ครบทุกข้อ แล้วข้อไหนที่ AI บอกว่าต้องไปเช็กนอกแชท ก็ควรไปเช็กเองจริง ๆ

สรุปการใช้ AI ช่วยเช็ก: ให้ AI แยกให้ดูว่าอะไรมาจากข้อมูล อะไรคิดเพิ่มเอง และอะไรต้องไปเช็กต่อ ส่วนคนที่ตัดสินใจยังเป็นเรา

ข้อควรรู้ก่อนใช้จริง 3 เรื่อง

1. ตัวเลขในเคสนี้เป็นข้อมูลจำลอง เรื่องของคุณกรเป็นสถานการณ์สมมติ เอาหลักคิดไปใช้ได้ แต่อย่าเอาตัวเลขไปเทียบกับธุรกิจจริง
2. ระวังข้อมูลที่ให้ AI ใช้บัญชี AI ที่บริษัทอนุญาต และให้ข้อมูลเท่าที่จำเป็น ชื่อ เบอร์โทร หรือข้อมูลส่วนตัวของลูกค้า ถ้าปกติเราไม่ส่งให้คนนอกบริษัท ก็ตัดออกก่อนวางให้ AI
3. คำตอบของคำสั่งนี้ก็ต้องอ่านด้วยวิจารณญาณเหมือนกัน AI ช่วยแยกและช่วยถามได้ดี แต่ก็ยังพลาดได้ ข้อที่ AI บอกว่ามาจากข้อมูล ลองเปิดดูข้อมูลจริงสักสองสามข้อ และข้อที่ต้องเช็กนอกแชท ให้ไปถามคนหรือเปิดเอกสารจริง

ลองเช็กรายงานชิ้นล่าสุดของคุณดูครับ

ก่อนจากกัน ผมขอฝากคำถามไว้ให้ลองคิดนะครับ ลองเปิดรายงานจาก AI ชิ้นล่าสุดที่เราใช้ตัดสินใจ จะเป็นของลูกน้องหรือของเราเองก็ได้ แล้วดูว่ามีคำถามหรือคำเตือนข้อไหนบ้าง ที่ AI เขียนไว้ให้แล้ว แต่เราอ่านข้ามไป

เจอแล้วมาเล่าให้ผมฟังในคอมเมนต์ใต้คลิป YouTube ได้เลย ผมอ่านทุกคอมเมนต์ครับ

อยากหาจุดที่ AI สร้างผลได้มากที่สุดในงานของตัวเอง

ส่วนตอนหน้า เราจะไปดูอีกเรื่องที่ผู้บริหารหลายคนกำลังเจออยู่ ว่าทำไมทีมของเราใช้ AI กันทุกวัน แต่องค์กรกลับไม่ได้เปลี่ยนไปเท่าไหร่ ซึ่งก็คือเรื่องของ AI Transformation ครับ

คำถามที่พบบ่อย

แหล่งข้อมูล

• Robert H. Ennis — The Nature of Critical Thinking (ฉบับปรับปรุง พ.ค. 2011) University of Illinois · ที่มาของคำนิยามการคิดอย่างมีวิจารณญาณ
• Stephen E. Toulmin — The Uses of Argument (1958; ฉบับปรับปรุง 2003) Cambridge University Press · บทความนี้ย่อมาเฉพาะข้อสรุป หลักฐาน และเหตุผลที่เชื่อม ไม่ใช่โมเดลทั้งหมด