หลายทีมตอนนี้ตั้งระบบ AI มาแก้ปัญหาในงานได้เองในไม่กี่วันครับ บางเรื่องบ่ายเดียวก็เสร็จ แล้วช่วงแรกก็ได้ผลจริง ตัวเลขในรายงานสวยขึ้น ทีมได้หายใจหายคอบ้าง
แต่มีไม่น้อยที่ผ่านไปสักสองสามเดือน ปัญหาเดิมก็วนกลับมา บางครั้งหนักกว่าเดิมด้วย ทั้งที่ AI ก็ทำงานได้ตามที่ตั้งไว้ทุกอย่าง พอเป็นแบบนี้ เรามักจะโทษเรื่องอื่น โทษคน หรือสรุปไปเลยว่า AI ใช้ไม่ได้
ผมมองว่าคำตอบส่วนใหญ่ไม่ได้อยู่ที่ AI ครับ แต่อยู่ที่เราเอา AI ไปแก้ที่อาการ ไม่ได้แก้ที่ต้นเหตุ แล้ววิธีคิดที่ช่วยให้เห็นเรื่องนี้ก่อนจะสายเกินไป ก็คือ Systems Thinking หรือการคิดเป็นระบบ
บทความนี้สรุปมาจากคลิป YouTube ของผม ซึ่งเป็นตอนแรกของซีรีส์ที่ชวนคุยเรื่องหลักคิดที่ผู้บริหารใช้กันมานาน ว่ายังสำคัญแค่ไหนในวันที่มี AI อ่านจบแล้วจะได้ 3 อย่างครับ
- เข้าใจว่า Systems Thinking คืออะไร ผ่านเคสที่เห็นภาพชัด ไม่ใช่นิยามแบบตำรา
- รู้จักกฎ 3 ข้อของการคิดเป็นระบบ และรูปแบบปัญหาที่เรียกว่า Fixes that Fail
- ได้ 4 คำถามเช็กงาน สัญญาณเตือน 3 อย่าง และคำสั่งให้ AI ช่วยหาผลข้างเคียงที่อาจวนกลับมา เอาไปใช้ได้ตั้งแต่พรุ่งนี้
Systems Thinking คืออะไร: เอา AI มาแก้ปัญหา แต่ทำไมปัญหากลับหนักกว่าเดิม
เปิดดูบน YouTubeเมื่อกดเล่น จะโหลดวิดีโอจาก YouTube ตามนโยบายของผู้ให้บริการเคสคุณภูมิ: AI ตอบแชทได้ดี แต่โทรศัพท์กลับมาดังหนักกว่าเดิม
เรื่องที่ผมจะเล่าเป็นสถานการณ์สมมตินะครับ ตัวเอกชื่อคุณภูมิ เป็นผู้จัดการฝ่ายปฏิบัติการของบริษัทกระจายสินค้า ที่ส่งน้ำดื่ม ขนม และของใช้ในบ้าน ให้ร้านโชห่วยกับมินิมาร์ทในต่างจังหวัด ทุกเช้ารถจะออกจากคลังสินค้า วิ่งไปตามเส้นทางประจำ แล้วแวะส่งของวันละหลายสิบร้าน
ทำไมร้านต้องโทรถามว่า "รถจะเข้าร้านกี่โมง"
ปัญหาที่ทำให้คุณภูมิปวดหัวที่สุดก็คือ โทรศัพท์ที่ออฟฟิศดังทั้งวัน แล้วเกือบทุกสายก็ถามเรื่องเดียวกันว่า รถจะเข้าร้านกี่โมง
ร้านไม่ได้ถามเพราะใจร้อนนะครับ หลายร้านจ่ายเงินสดตอนของมาถึง เจ้าของร้านต้องเตรียมเงินไว้ ต้องมีคนอยู่หน้าร้านคอยรับและนับของ ถ้ารถมาตอนที่ร้านยังไม่พร้อม ของก็ลงไม่ได้ ต้องขนกลับ ทีมแอดมินก็เลยต้องรับสายกันจนแทบไม่ได้ทำงานอย่างอื่น
ทางแก้: ให้ AI ตอบแชทใน LINE OA และเดือนแรกก็ได้ผลจริง
คุณภูมิก็เลยให้ทีมไอทีทำ AI ตอบแชทใน LINE OA ของบริษัท ให้ AI ไปดูในระบบว่ารถถึงไหนแล้ว แล้วตอบร้านค้าเอง ตอบได้ทันที และตอบได้ตลอด 24 ชั่วโมง จากนั้นก็ส่งข้อความบอกร้านค้าทุกร้านว่า ต่อไปถ้าอยากรู้เวลารถ ให้ถามทางแชทแทนการโทร
เดือนแรกได้ผลจริงครับ สายที่โทรเข้าออฟฟิศลดลงเห็นได้ชัด ตัวเลขที่คุณภูมิเอาเข้าประชุมประจำเดือนก็สวยทุกตัว
จุดเริ่มของปัญหาที่ไม่มีใครทันสังเกต
ปัญหาเริ่มจากเรื่องเล็ก ๆ ครับ ข้อมูลในระบบว่ารถถึงไหนแล้ว มาจากคนขับที่ต้องกดอัปเดตในแอปทุกครั้งที่ส่งของถึงร้าน แต่ในชีวิตจริง คนขับต้องขับรถ ยกของ นับของกับร้าน แล้วก็เก็บเงิน หลายคนก็เลยไปกดรวดเดียวหลายร้านตอนแวะพักกินข้าว
ระบบก็เลยยังไม่รู้ว่ารถช้ากว่าแผนไปแล้ว พอร้านพิมพ์ถาม AI ก็ตอบตามเวลาในแผนอย่างมั่นใจว่ารถจะถึงประมาณบ่ายสองโมง เจ้าของร้านเตรียมเงินรอไว้ แต่รถมาถึงจริงตอนบ่ายสี่โมง
ตรงนี้มีความต่างที่สำคัญครับ เมื่อก่อนตอนแอดมินรับสาย ถ้าไม่แน่ใจ แอดมินยังโทรเช็กกับคนขับให้ก่อนได้ แต่ AI ตอบจากข้อมูลในระบบอย่างเดียว
ร้านหันไปโทรหาคนขับตรง ๆ แล้ววงก็เริ่มหมุน
ร้านที่ต้องถือเงินรอเปล่า ๆ เป็นชั่วโมงไปสองสามรอบ ก็เลิกเชื่อแชท แล้วหันไปโทรหาคนขับตรง ๆ เลยครับ ร้านส่วนใหญ่มีเบอร์คนขับที่วิ่งประจำเส้นทางอยู่แล้ว เมื่อก่อนแค่ไม่อยากโทรกวนตอนคนขับขับรถ แต่พอแชทบอกเวลาผิดบ่อย ๆ ก็ไม่เกรงใจกันแล้ว
คนขับก็เลยต้องรับสายระหว่างขับรถทั้งวัน ยิ่งรับสายมาก ก็ยิ่งไม่มีเวลากดอัปเดต ข้อมูลในระบบก็ยิ่งเก่า แล้ว AI ก็ยิ่งบอกเวลาผิดไปไกลกว่าเดิมอีก ส่วนร้านที่โทรหาคนขับไม่ติด ก็วนกลับมาโทรเข้าออฟฟิศเหมือนเดิม
ลองไล่ดูอีกทีนะครับ ข้อมูลเก่าทำให้ AI บอกเวลาผิด พอบอกผิด ร้านก็โทรหาคนขับ พอคนขับต้องรับสาย ก็ยิ่งไม่ได้กดอัปเดต ข้อมูลก็ยิ่งเก่า วนกลับมาที่เดิมพอดี และทุกรอบที่วนกลับมา ก็มักจะหนักกว่ารอบก่อนอีกนิด
สรุปเคสนี้: AI ทำงานตามที่ตั้งไว้ทุกอย่าง แต่ผลของวิธีแก้วนกลับมาทำให้ปัญหาเดิมหนักขึ้น
Systems Thinking คืออะไร
การมองให้เห็นว่าเรื่องต่าง ๆ ต่อกันแบบในเคสของคุณภูมิ นี่แหละครับที่เรียกว่า Systems Thinking หรือการคิดเป็นระบบ
ถ้าจะพูดให้สั้นที่สุด ก็คือการมองว่าเรื่องในงานของเรา ไม่ได้ต่อกันเป็นเส้นตรงจากเหตุไปหาผลแล้วจบ แต่ผลของเรื่องหนึ่งจะส่งต่อไปเรื่อย ๆ จนวนกลับมาเป็นต้นเหตุของเรื่องเดิมอีกที วงแบบนี้ในตำราเรียกว่า วงจรป้อนกลับ (Feedback Loop)
เรื่องแบบนี้ไม่ได้เกิดแค่กับ AI นะครับ ลองนึกถึงร้านที่ยอดขายตก แล้วแก้ด้วยการจัดโปรลดราคา เดือนนั้นยอดก็กลับมาจริง แต่ลูกค้าเริ่มรู้ว่าเดี๋ยวร้านนี้ก็ลดอีก ก็เลยรอซื้อตอนมีโปร ยอดวันปกติก็ยิ่งตก ร้านก็ต้องจัดโปรถี่ขึ้นเรื่อย ๆ จนกำไรบางลงทุกเดือน
สรุป Systems Thinking: มองให้เห็นว่าผลของวิธีแก้วันนี้ จะวนกลับมาเป็นเหตุของปัญหาวันหน้าได้ยังไง
กฎ 3 ข้อของการคิดเป็นระบบ จาก Peter Senge
คนที่ทำให้ผู้บริหารทั่วโลกรู้จักวิธีคิดแบบนี้กันมากขึ้น ก็คือคุณ Peter Senge (ปีเตอร์ เซงกี) ผู้เขียนหนังสือ The Fifth Discipline ในเล่มนั้นมีกฎเรื่องการคิดเป็นระบบอยู่ 11 ข้อ ผมหยิบสามข้อแรกมาแปลแบบย่อ แล้วเล่าคู่กับเรื่องของคุณภูมิครับ
กฎข้อ 1: ปัญหาของวันนี้ มาจากทางแก้ของเมื่อวาน
โทรศัพท์ที่กลับมาดังในบริษัทของคุณภูมิ ไม่ได้มาจากไหนไกลเลยครับ มาจากวิธีแก้ที่คุณภูมิเคยปลื้มในเดือนแรกนั่นเอง
เพราะฉะนั้นก่อนจะมองหาต้นเหตุไกลตัว ลองย้อนดูก่อนว่าเราเพิ่งแก้อะไรไปบ้าง
กฎข้อ 2: ยิ่งดัน ระบบยิ่งดันกลับ
ยิ่งเราดันแรงเท่าไหร่ ระบบก็ยิ่งดันกลับแรงเท่านั้น ลองดูเรื่องของคุณภูมิต่อนะครับ ร้านที่ไม่พอใจก็ไปบ่นกับเซลส์ เซลส์ไม่อยากเสียลูกค้า ก็รับปากว่าต่อไปจะให้คนขับโทรแจ้งร้านก่อนรถเข้าทุกครั้ง
ฟังดูเป็นการแก้ปัญหาที่ดีนะครับ แต่งานของคนขับก็เพิ่มขึ้นมาอีกหนึ่งอย่าง คนขับที่อยู่มานานเริ่มรู้สึกว่าเหนื่อยเกินไป ก็เริ่มยื่นใบลาออก คนขับใหม่ที่เข้ามาแทนบางส่วนก็ยังไม่ชินเส้นทาง รถก็ยิ่งไปถึงร้านไม่ตรงเวลา พอรถคลาดเวลาบ่อยขึ้น ต่อให้คนขับโทรบอกก่อน ร้านก็ยังไม่มั่นใจ และยิ่งโทรตามหนักขึ้นไปอีก
พอถึงเดือนที่สาม โทรศัพท์ก็กลับมาดังหนักกว่าเดิม เพราะเมื่อก่อนมีคนรับสายแค่ที่ออฟฟิศ ตอนนี้ต้องรับกันทั้งบริษัท ทั้งแอดมิน ทั้งเซลส์ และคนขับบนรถทุกคัน แรงที่เราดันเข้าไป ระบบมักจะดันกลับมาในรูปอื่น ผ่านคนที่เราไม่ได้นึกถึง
กฎข้อ 3: ทุกอย่างดีขึ้นก่อน แล้วค่อยแย่ลง
ข้อนี้สำคัญมากสำหรับผู้บริหารครับ เพราะผลดีของวิธีแก้มักจะมาเร็ว ส่วนผลเสียมักจะตามมาทีหลัง เราก็เลยปักใจว่าวิธีนี้ได้ผลแน่ ๆ แล้วพอผลเสียมาถึง ก็มักจะไปโทษเรื่องอื่น
อย่างคุณภูมิเอง ก็อาจจะคิดไปว่าคนขับที่เพิ่งเข้ามาใหม่ไม่ตั้งใจทำงาน ทั้งที่ต้นเรื่องจริง ๆ มาจากวิธีแก้ของตัวเอง
สรุปกฎ 3 ข้อ: ปัญหาวันนี้มักมาจากวิธีแก้เมื่อวาน ระบบดันกลับในรูปแบบอื่น และผลเสียมักมาช้ากว่าผลดี
Fixes that Fail: แก้แล้วกลับมาแย่กว่าเดิม
เรื่องแบบนี้ ในหนังสือเล่มเดียวกันเรียกว่า Fixes that Fail ครับ แปลตรง ๆ ก็คือ วิธีแก้ที่ล้มเหลว ในคลิปผมเรียกเป็นภาษาไทยว่า ยิ่งแก้ ยิ่งยุ่ง เป็นรูปแบบที่เจอบ่อยมากในองค์กร
ลองดูทีละฝั่งนะครับ
- ฝั่งบน คือวิธีแก้เฉพาะหน้า อย่าง AI ตอบแชทของคุณภูมิ ที่ทำให้สายเข้าออฟฟิศลดลงทันที
- ฝั่งล่าง คือผลเสียที่ตามมาทีหลัง อย่างคนขับที่ต้องรับสายจนไม่มีเวลากดอัปเดต แล้วผลเสียนั้นก็ย้อนกลับมาเล่นงานปัญหาเดิมให้หนักกว่าเก่า
- ตรงกลาง คือช่วงที่ผลเสียยังมาไม่ถึง ซึ่งเป็นช่วงที่หลอกเราได้เก่งที่สุด เพราะเป็นช่วงที่เรามั่นใจในวิธีแก้ของตัวเองมากที่สุด
ไม่มีใครทำผิดเลยสักคน แต่ทั้งระบบพัง
ถ้าย้อนกลับไปดูทีละคน จะเห็นว่าไม่มีใครตั้งใจทำให้เรื่องแย่ลงเลยครับ คุณภูมิอยากให้ร้านได้คำตอบเร็วขึ้น AI ก็ตอบตามข้อมูลที่ได้รับ ร้านก็แค่อยากรู้ว่ารถจะมาเมื่อไหร่ เซลส์ก็อยากรักษาลูกค้า และคนขับก็พยายามทำทุกอย่างที่มีคนขอมา
ทุกคนทำสิ่งที่มีเหตุผลจากมุมของตัวเอง แต่พอทุกอย่างมาต่อกัน ทั้งระบบกลับพัง เพราะฉะนั้นถ้าเราหาคนผิดในเรื่องแบบนี้ เรามักจะหาไม่เจอ หรือไม่ก็ไปโทษผิดคน
สรุป Fixes that Fail: วิธีแก้เฉพาะหน้าทำให้อาการเบาลงทันที แต่ผลข้างเคียงที่มาช้ากว่า วนกลับมาทำให้ปัญหาเดิมแย่ลง
AI เกี่ยวอะไรกับเรื่องนี้
ปัญหาแบบแก้แล้วกลับมาแย่กว่าเดิม มีมาตั้งนานก่อนจะมี AI แล้ว แล้ว AI เกี่ยวอะไรด้วย ผมมองว่าต่างจากเดิมอยู่สองเรื่องครับ เรื่องแรกคือความเร็วกับต้นทุน เรื่องที่สองคือน้ำเสียงของคำตอบ
แก้ได้เร็วขึ้น ก็พังได้เร็วขึ้น และพังได้หลายจุดพร้อมกัน
เมื่อก่อนถ้าจะทำระบบตอบแชทอัตโนมัติสักตัว ต้องตั้งงบ ต้องหาคนมาทำ แล้วก็รอกันเป็นเดือน ช่วงที่ต้องรอนี่แหละครับ ที่ทำให้พอมีเวลาถามกันว่าทำไปแล้วจะเกิดอะไรตามมา
แต่วันนี้ทีมไหนก็ใช้ AI ทำระบบแก้ปัญหาเฉพาะหน้าได้เองภายในไม่กี่วัน บางอย่างบ่ายเดียวก็เสร็จ ทุกทีมก็เลยแก้ปัญหาของตัวเองได้เร็วมาก แล้วปัญหาแบบแก้แล้วกลับมาแย่กว่าเดิม ก็เกิดได้พร้อม ๆ กันหลายจุดในองค์กร โดยที่ยังไม่มีใครได้มองเห็นภาพรวมเลย
AI ตอบด้วยน้ำเสียงมั่นใจ แม้ข้อมูลจะเก่า
เรื่องที่สองก็คือ AI มักจะตอบด้วยน้ำเสียงมั่นใจ ต่อให้ข้อมูลที่ได้มาจะเก่าหรือผิดก็ตาม ถ้าคนตอบผิด ก็ผิดกับลูกค้าทีละคน แต่ถ้า AI ตอบผิด ก็ผิดกับทุกคนที่ถามเข้ามาพร้อมกัน
AI ไม่ได้เป็นต้นเหตุ
แต่ผมอยากให้เข้าใจตรงกันนะครับ ว่า AI ไม่ได้เป็นต้นเหตุของเรื่องนี้ ต้นเหตุคือการไปแก้ที่อาการ ทั้งที่ข้อมูลต้นทางยังไม่ถูก AI แค่ทำให้ทุกอย่างเร็วขึ้น ทั้งวิธีแก้ที่ดีและวิธีแก้ที่ผิดจุด
สรุปมุม AI: AI ทำให้เราแก้ปัญหาได้เร็วขึ้นและต้นทุนต่ำลง เลยยิ่งต้องถอยออกมามองภาพรวมก่อนลงมือ
แก้ที่ต้นเหตุ แล้ว AI ก็กลับมาทำงานได้ดี
แล้วถ้าเป็นเรา จะแก้เรื่องของคุณภูมิยังไงดีครับ ก่อนจะรีบหาวิธีแก้ใหม่ ผมอยากชวนถอยออกมาถามก่อนว่า ปัญหาจริง ๆ ของเรื่องนี้คืออะไร
โทรศัพท์ที่ดังไม่หยุดเป็นแค่อาการ ปัญหาจริงที่ซ่อนอยู่ก็คือ ร้านไม่รู้ว่ารถจะมาเมื่อไหร่ และที่ร้านไม่รู้ ก็เพราะข้อมูลในระบบว่ารถถึงไหนแล้ว ตามหลังความเป็นจริงมาตั้งแต่ต้น
AI ที่คุณภูมิเอามาใช้ ก็เลยไปช่วยตอนท้าย คือตอนตอบร้าน ทั้งที่ข้อมูลที่ AI เอามาตอบ ไม่ถูกมาตั้งแต่แรกแล้ว
พอมองใหม่ ทางเลือกก็เปลี่ยน
พอมองแบบนี้ ทางเลือกของเราก็เปลี่ยนไปเลยครับ อย่างเช่น ให้ระบบรู้เองว่ารถถึงไหนแล้ว จาก GPS บนรถ หรือจากมือถือที่คนขับใช้อยู่แล้ว คนขับจะได้ไม่ต้องคอยจำมากด แล้วให้ระบบส่งข้อความเตือนร้านเองก่อนรถถึงสักครึ่งชั่วโมง
ร้านค้าก็ไม่ต้องโทรมาถาม คนขับก็ไม่ต้องรับสายระหว่างขับรถ ส่วน AI ตอบแชทตัวเดิม ก็กลับมาบอกเวลาได้ใกล้ความจริงมากขึ้น เพราะตอนนี้มีข้อมูลที่ดีให้ใช้แล้ว แถมยังช่วยตอบเรื่องอื่นที่ร้านถามต่อได้ด้วย อย่างเช่น ขอเลื่อนเวลาส่งได้ไหม
เห็นไหมครับว่าเราไม่ได้ทิ้ง AI เลย สิ่งที่เปลี่ยนก็คือ เราไปแก้ที่ต้นเหตุก่อน แล้ว AI ก็กลับมาทำงานได้ดีอย่างที่ควรจะเป็น
แต่วิธีนี้ก็เป็นแค่ทางหนึ่งนะครับ ยังต้องคิดต่อเรื่องต้นทุน ความพร้อมของระบบ และต้องดูตัวเลขจริงหลังลองใช้ ส่วนจะเลือกลงมือตรงไหนถึงจะคุ้มที่สุด ก็เป็นอีกเรื่องที่ต้องคิดกันเป็นขั้นเป็นตอน
สรุปการแก้ที่ต้นเหตุ: ถามให้ได้ก่อนว่าปัญหาจริงคืออะไร แล้ววาง AI ไว้ในจุดที่มีข้อมูลดีให้ใช้
4 คำถามเช็กว่าเรากำลังแก้ที่อาการหรือเปล่า
ส่วนนี้เอาไปใช้กับงานของตัวเองได้เลยตั้งแต่พรุ่งนี้ครับ ลองหยิบเรื่องที่องค์กรของเราแก้กันทุกปี แล้วก็กลับมาทุกปี มาไล่ตอบทีละข้อ
ถ้าคำตอบของข้อ 4 คือได้ ก็มีแนวโน้มว่าเรากำลังแก้ที่อาการอยู่ และปัญหาเดิมมีโอกาสวนกลับมาครับ
สัญญาณเตือน 3 อย่างที่ผู้บริหารควรสังเกต
นอกจาก 4 คำถาม ก็มีสัญญาณเตือนอีกสามอย่างที่ผมอยากให้ผู้บริหารคอยสังเกตไว้ครับ ลองติ๊กดูว่างานของเรามีข้อไหนบ้าง
ถ้าเจอแบบนี้เมื่อไหร่ ให้สงสัยไว้ก่อนเลยครับ ว่าผลเสียอาจกำลังตามมา
สรุปส่วนเช็กงาน: 4 คำถามช่วยไล่หาวงที่วนกลับมา ส่วนสัญญาณเตือน 3 อย่างช่วยให้เห็นเร็วขึ้นว่ามีวงซ่อนอยู่
ให้ AI ช่วยหาผลข้างเคียงที่อาจวนกลับมา
ถ้าอยากให้ AI ช่วยคิดเรื่องนี้ด้วย ผมเตรียมคำสั่งไว้ให้ชุดหนึ่งครับ หลักของคำสั่งนี้คือให้ AI มองแบบคนที่ยังไม่เชื่อวิธีแก้ของเรา แล้วช่วยถามในมุมที่เรายังไม่ได้คิด
วิธีใช้ก็คือ เล่าก่อนว่าเราเป็นใคร ทำงานอะไร แล้วบอกว่ากำลังจะแก้ปัญหาอะไร ด้วยวิธีไหน ยิ่งเล่าอาการให้ชัด เช่น เกิดบ่อยแค่ไหน กระทบใคร AI ก็จะคิดได้ตรงกับงานของเรามากขึ้น
ฉันเป็น {ตำแหน่ง เช่น ผู้จัดการฝ่ายปฏิบัติการ} ของ {ธุรกิจหรือหน่วยงาน เช่น บริษัทกระจายสินค้าในต่างจังหวัด} {เล่างานสั้น ๆ เช่น ส่งของให้ร้านค้าวันละหลายสิบร้าน}
ฉันกำลังจะแก้ปัญหา {ปัญหาที่เกิดซ้ำ และอาการที่เห็น เช่น ร้านโทรถามเวลารถทั้งวัน แอดมินรับสายไม่ไหว} ด้วยวิธี {ทางแก้ที่คิดไว้ เช่น ให้ AI ตอบแชทเรื่องเวลารถแทนการรับสาย}
ช่วยมองแบบคนที่ยังไม่เชื่อทางแก้นี้ แล้วตอบฉัน 3 ข้อ
1. ทางแก้นี้ทำให้ใครต้องทำงานเพิ่ม หรือต้องเปลี่ยนพฤติกรรมบ้าง
2. ผลข้างเคียงนั้นจะวนกลับมาทำให้ปัญหาเดิมแย่ลงได้ทางไหน และน่าจะใช้เวลานานแค่ไหนกว่าจะเห็น
3. ถ้าจะแก้ที่ต้นเหตุ ไม่ใช่แก้ที่อาการ ฉันควรถามคำถามอะไรต่อ
ยังไม่ต้องเสนอวิธีแก้ ข้อไหนเป็นการคาดเดา ให้บอกว่าคาดเดาท้ายคำสั่ง ผมกำชับ AI ไว้สองอย่างครับ อย่างแรกคือยังไม่ต้องเสนอวิธีแก้ เพราะถ้า AI รีบเสนอวิธีแก้ เราก็จะกระโดดไปแก้อาการอีกรอบ อีกอย่างคือข้อไหนเดาเอา ให้บอกตรง ๆ ว่าเป็นการคาดเดา เราจะได้รู้ว่าข้อไหนต้องไปเช็กกับของจริง
ตอนผมลองใช้กับเรื่องของคุณภูมิ
ตอนผมทดสอบคำสั่งนี้ ผมเล่าเรื่องคุณภูมิให้ AI ฟัง โดยสมมติว่ายังไม่ได้เริ่มทำแชทตอบร้านค้าเลย AI ทักขึ้นมาเองว่า สถานะในระบบต้องมาจากคนขับที่คอยกดอัปเดต ถ้าคนขับกดช้า AI ก็จะบอกเวลาผิด ร้านจะเลิกเชื่อ แล้วกลับมาโทรอีก บางรอบก็ทักด้วยว่าร้านอาจหันไปโทรหาคนขับตรง ๆ
ที่ผมชอบที่สุดคือ AI ถามกลับมาว่า ร้านเอาคำตอบเรื่องเวลาไปทำอะไร ซึ่งเป็นคำถามที่พาเราเข้าใกล้ปัญหาจริงได้ดีมาก
AI แต่ละค่ายอัปเดตรุ่นกันบ่อย ผลที่ได้อาจไม่เหมือนกันเป๊ะ แต่หลักยังใช้ได้เหมือนเดิมครับ งานของ AI ตรงนี้คือช่วยคิดในมุมที่เรายังไม่ได้คิด ส่วนคนที่ตัดสินใจว่าจะทำยังไงต่อ ก็ยังเป็นเรา
สรุปการใช้ AI ช่วยคิด: ให้ AI ช่วยถามและช่วยค้าน ก่อนเราลงมือแก้ ไม่ใช่ให้ AI ตัดสินใจแทน
ข้อควรรู้ก่อนใช้จริง 3 เรื่อง
- วิธีแก้ในเคสนี้เป็นแค่ตัวอย่าง การให้ระบบรู้ตำแหน่งรถเองเป็นทางหนึ่งเท่านั้น งานแต่ละที่มีต้นทุน ความพร้อม และข้อจำกัดต่างกัน ลองกับกลุ่มเล็กก่อน แล้วดูตัวเลขจริงว่าปัญหาลดลงจริงไหม
- ระวังข้อมูลที่เล่าให้ AI ฟัง ใช้บัญชี AI ที่บริษัทอนุญาต และเล่าเท่าที่จำเป็น ชื่อลูกค้า ตัวเลขการเงิน หรือข้อมูลส่วนตัวของพนักงาน ถ้าปกติเราไม่ส่งให้คนนอกบริษัท ก็อย่าใส่ให้ AI แบบไม่คิด
- คำตอบของ AI เป็นจุดเริ่ม ไม่ใช่ข้อสรุป ผลข้างเคียงที่ AI ทักมา บางข้อเป็นการคาดเดา ให้เอาไปคุยกับคนหน้างานจริงก่อนเสมอ เพราะคนที่รู้จักระบบของเราดีที่สุดก็คือทีมของเราเอง
สรุป Systems Thinking กับการใช้ AI
- เรื่องในงานต่อกันเป็นวง ผลของวิธีแก้วันนี้ อาจวนกลับมาเป็นต้นเหตุของปัญหาวันหน้า
- ผลดีมาเร็ว ผลเสียมาทีหลัง ช่วงที่ทุกอย่างดูดีคือช่วงที่ต้องระวังที่สุด
- AI ไม่ได้เป็นต้นเหตุ แต่ถ้าเราแก้ที่อาการ AI จะพาให้ปัญหาวนกลับมาเร็วขึ้น
- ถอยออกมามองก่อนลงมือ ใช้ 4 คำถามกับสัญญาณเตือน 3 อย่างเช็กงานของตัวเอง
- ให้ AI ช่วยถาม คนตัดสิน ใช้คำสั่งในบทความนี้ให้ AI ช่วยหาผลข้างเคียงที่เรายังมองไม่เห็น
อยากหาจุดที่ AI สร้างผลได้มากที่สุดในงานของตัวเอง
อ่านจบแล้ว ลองเล่าให้ผมฟังหน่อยนะครับ ว่าในองค์กรของคุณ มีเรื่องไหนบ้างที่แก้กันทุกปี แล้วก็กลับมาทุกปี คอมเมนต์ไว้ใต้คลิป YouTube ได้เลย ผมอ่านทุกคอมเมนต์ครับ
ส่วนตอนหน้า เราจะคุยกันต่อจากเรื่องของคุณภูมิ ว่าทำไมการที่ AI ตอบอย่างมั่นใจ ถึงไม่ได้แปลว่าตอบถูกเสมอไป และเราจะเช็กคำตอบของ AI ยังไงก่อนจะเชื่อ ซึ่งก็คือเรื่องของ Critical Thinking หรือการคิดอย่างมีวิจารณญาณครับ
คำถามที่พบบ่อย
Systems Thinking คืออะไร อธิบายแบบง่าย ๆ?
Systems Thinking หรือการคิดเป็นระบบ คือการมองว่าเรื่องในงานไม่ได้ต่อกันเป็นเส้นตรงจากเหตุไปหาผลแล้วจบ แต่ผลของเรื่องหนึ่งจะส่งต่อไปเรื่อย ๆ จนวนกลับมาเป็นต้นเหตุของเรื่องเดิม คนที่คิดเป็นระบบจึงถามเสมอว่าวิธีแก้ของเราจะไปกระทบใคร แล้วจะวนกลับมาหาเราทางไหน
Fixes that Fail คืออะไร?
คือรูปแบบปัญหาที่วิธีแก้เฉพาะหน้าทำให้อาการเบาลงทันที แต่มีผลข้างเคียงที่มาช้ากว่า แล้ววนกลับมาทำให้ปัญหาเดิมแย่ลง เป็นหนึ่งในรูปแบบที่ Peter Senge อธิบายไว้ในหนังสือ The Fifth Discipline
ทำไมแก้ปัญหาไปแล้ว ปัญหาเดิมถึงวนกลับมา?
ส่วนใหญ่เป็นเพราะเราแก้ที่อาการ ไม่ได้แก้ที่ต้นเหตุ และวิธีแก้นั้นไปเพิ่มงานหรือเปลี่ยนพฤติกรรมของคนอื่นในระบบ ผลเสียมักมาช้ากว่าผลดี เราจึงไม่ทันเชื่อมโยงว่าปัญหาที่กลับมามาจากวิธีแก้ของเราเอง
ใช้ AI ในองค์กรยังไงไม่ให้ปัญหาวนกลับมา?
ถอยออกมามองก่อนว่าปัญหาจริงคืออะไร และข้อมูลที่ AI จะใช้ถูกต้องตั้งแต่ต้นทางหรือเปล่า แล้วใช้ 4 คำถามในบทความนี้เช็กว่าวิธีแก้จะไปเพิ่มงานให้ใคร และจะวนกลับมาได้ไหม จากนั้นค่อยวาง AI ไว้ในจุดที่มีข้อมูลดีให้ใช้
คำสั่งในบทความนี้ใช้กับ AI ตัวไหนได้บ้าง?
ใช้ได้กับ AI ทุกค่าย ไม่ว่าจะเป็น ChatGPT, Gemini หรือ Claude เพราะเป็นคำสั่งภาษาธรรมดาที่ให้ AI ช่วยคิดและช่วยถาม ผลที่ได้แต่ละค่ายอาจต่างกันบ้าง แต่หลักการเหมือนเดิม
แหล่งข้อมูล
- Peter M. Senge, "The Fifth Discipline: The Art and Practice of the Learning Organization", Doubleday (1990, ฉบับปรับปรุง 2006) ที่มาของกฎการคิดเป็นระบบ 11 ข้อ และรูปแบบ Fixes that Fail