การขัดเกลาโปรดักต์ในยุค AI: 7 แนวทางสร้างงานที่ผู้คนเลือก ไม่ใช่งานที่ดูเป็นงาน AI
ทั้งข้อความ ภาพ ดีไซน์ และโค้ด ทุกวันนี้ถ้าใช้ AI ไม่กี่นาทีก็ได้ของที่ดูเหมือนเสร็จแล้ว เว็บไซต์ บทความ แอป แบนเนอร์โฆษณา รอบตัวเราเต็มไปด้วยงานดิจิทัลที่ทำขึ้นโดยอาศัย AI ช่วย
ในขณะเดียวกัน คำว่า “ดูเป็นงาน AI” ก็กลายเป็นคำติที่ชัดเจนไปแล้ว ดีไซน์ที่รู้สึกเหมือนเคยเห็นที่ไหนมาก่อน ข้อความที่ไม่ค่อยมีสาระ ภาพที่ดูแปลก ๆ ผู้ใช้แยกออกได้อย่างรวดเร็ว เลื่อนผ่านไป และบางครั้งถึงกับรู้สึกไม่ชอบ
ถ้าอย่างนั้น ควรเลี่ยงการใช้ AI หรือเปล่า? คำตอบชัดเจนว่าไม่ AI จะพัฒนาต่อไปเรื่อย ๆ และเหตุผลที่จะไม่ใช้ก็จะน้อยลงเรื่อย ๆ คำถามที่แท้จริงจึงไม่ใช่ว่าจะใช้หรือไม่ แต่คือท่านจะขัดเกลาสิ่งที่ทำด้วย AI ให้กลายเป็นสิ่งที่ผู้คนเลือกได้หรือไม่
บทความนี้ตั้งอยู่บนสมมติฐานว่าท่านใช้ AI อย่างเต็มที่ และพิจารณาว่าควรทำอะไร และควรระวังอะไร เพื่อเปลี่ยนงานนั้นให้เป็นโปรดักต์ที่ผู้ใช้ยอมรับ
ประเด็นสำคัญ
- AI เป็นเครื่องมือที่ควรใช้โดยไม่ลังเล แต่ใคร ๆ ก็ใช้ได้ การใช้ AI จึงไม่ได้สร้างความแตกต่างอีกต่อไป
- สิ่งที่ผู้ใช้ไม่ชอบไม่ใช่ AI แต่คือความรู้สึกว่างานทำแบบขอไปทีและไม่มีใครรับผิดชอบ ซึ่งเห็นได้จากงานที่ธรรมดา ไม่ได้ทำเพื่อใคร และรายละเอียดหยาบ
- ให้ AI สร้างวัตถุดิบและช่วยตรวจ ส่วนคนเป็นผู้ตั้งคำถาม เลือก และรับผิดชอบ บทความนี้แนะนำ 7 แนวทางปฏิบัติเพื่อทำเช่นนั้น
หมายเหตุ: บทความนี้เขียนโดยผู้พัฒนา GeckoFlag
AI เป็นเครื่องมือที่ควรใช้โดยไม่ลังเล
ก่อนอื่น คุณค่าของ AI นั้นชัดเจน
- ความเร็ว: สร้างร่างคร่าว ๆ และสเก็ตช์ได้หลายแบบในไม่กี่นาที
- ปริมาณและความครอบคลุม: ไล่เรียงตัวเลือก และชี้จุดที่ท่านอาจมองข้าม
- การตรวจ: ชี้คำผิด บั๊กในโค้ด ปัญหาด้านการเข้าถึง และอื่น ๆ
- ตัวช่วยนอกความถนัด: ความรู้นอกสาขาที่ตัวเองเชี่ยวชาญอยู่ใกล้แค่เอื้อม
- การทำหลายภาษา: ได้ร่างคำแปลฉบับแรก และแนวทางในการปรับให้เข้ากับแต่ละตลาด
ความสามารถเหล่านี้ดีขึ้นทุกปี ทีมเล็กและบุคคลทั่วไปสามารถรับงานในขนาดที่เมื่อก่อนต้องเป็นองค์กรใหญ่เท่านั้นจึงจะทำได้ ไม่มีเหตุผลใดที่จะไม่ใช้
แต่มีเรื่องหนึ่งที่ควรจำไว้ คือเครื่องมือเดียวกันนี้ ใคร ๆ ก็ใช้ได้ AI ที่ท่านใช้ได้ คู่แข่งก็ใช้ได้เหมือนกัน การใช้ AI จึงไม่สร้างความแตกต่างอีกต่อไป ความแตกต่างอยู่ที่ท่านเติมอะไรลงไปในสิ่งที่ AI ให้มา
ทำไม “ดูเป็นงาน AI” จึงทำให้คนไม่ชอบ
เมื่อผู้ใช้รู้สึกว่าอะไรสักอย่าง “ดูเป็นงาน AI” แล้วผ่านไป สิ่งที่เขาไม่ชอบไม่ใช่ตัว AI แต่เป็น “สัญญาณ” บางอย่างที่งานชิ้นนั้นส่งออกมา
รู้สึกเหมือนเคยเห็นที่ไหนมาก่อน
ผลลัพธ์จาก AI มักโน้มไปทาง “ค่าเฉลี่ยที่ดูสมเหตุสมผล” ของข้อมูลที่มันเรียนรู้มา เมื่อทุกคนใช้เครื่องมือคล้าย ๆ กันด้วยคำสั่งคล้าย ๆ กัน ผลลัพธ์ก็เริ่มคล้ายกัน สมดุลดี แต่ไม่ติดอยู่ในความทรงจำ นี่คือสัญญาณแรก
ไม่รู้ว่าทำมาเพื่อใคร
เนื้อหาที่ “ใช้ได้กับทุกคน” พูดอีกอย่างก็คือเนื้อหาที่ไม่ได้ทำเพื่อใครเลย เมื่อมีแต่เรื่องทั่ว ๆ ไป โดยไม่ลงลึกถึงสถานการณ์หรือปัญหาของผู้อ่าน ผู้ใช้ก็จะรู้สึกว่า “ไม่ใช่เรื่องของเรา”
ฟังดูถูก แต่ไม่ได้บอกอะไร
หัวข้อเป็นระเบียบ ถ้อยคำลื่นไหล แต่ไม่มีตัวเลขที่จับต้องได้ ไม่มีประสบการณ์จริง ไม่มีข้อสรุปที่ชัดเจน งานเขียนที่อ่านจบแล้วไม่เหลืออะไรมีมาตั้งแต่ก่อนมี AI แต่ AI ทำให้มีงานแบบนี้เพิ่มขึ้นมหาศาล
รายละเอียดหยาบ
จุดที่ดูแปลกในภาพ ไอคอนที่ไม่มีความหมาย ข้อความบนปุ่มที่ไม่เข้ากับบริบท หน้าจอที่ไม่ได้คิดถึงสภาวะว่างเปล่าหรือตอนเกิดข้อผิดพลาด รายละเอียดที่หยาบบอกผู้ใช้ว่าไม่มีใครตรวจดูจนจบ
เมื่อสัญญาณเหล่านี้สะสมขึ้น ผู้ใช้ก็จะสรุปว่าโปรดักต์นี้ไม่ได้ทำขึ้นอย่างใส่ใจเพื่อเขา กล่าวคือ สิ่งที่คนไม่ชอบไม่ใช่ AI แต่คือความรู้สึกว่าทำแบบขอไปทีและไม่มีใครรับผิดชอบ
สิ่งที่โปรดักต์ที่ผู้คนเลือกมีเหมือนกัน
ในทางกลับกัน โปรดักต์ที่ใช้ AI แต่ยังได้รับเลือก ก็มีลักษณะบางอย่างร่วมกัน
มีข้อมูลจากประสบการณ์ตรง
ผลจากการได้ลองใช้จริง สิ่งที่เห็นในหน้างาน สิ่งที่ผู้ใช้บอก สิ่งที่เรียนรู้จากความผิดพลาดของตัวเอง ข้อมูลที่ AI ไม่มีนั้นมีคุณค่าในตัวเอง ไม่ว่า AI จะพัฒนาไปแค่ไหน ก็หาข้อมูลจากประสบการณ์ตรงมาแทนท่านไม่ได้
มีมุมมองและกล้าเลือก
เมื่อเห็นชัดว่าโปรดักต์ทำมาเพื่อใคร เก็บอะไรไว้และตัดอะไรทิ้ง ก็จะรู้สึกได้ถึงเจตนาของผู้สร้าง แทนที่จะเป็นคำตอบแบบค่าเฉลี่ยที่พยายามทำให้ทุกคนพอใจ โปรดักต์เลือกคำตอบที่โดนใจคนกลุ่มหนึ่งอย่างลึกซึ้ง
รายละเอียดมีเจตนา
ข้อความบนปุ่มทุกปุ่ม ข้อความแจ้งข้อผิดพลาดทุกข้อความ ระยะห่างทุกจุด ล้วนมีเหตุผล ผู้สร้างคิดล่วงหน้าว่าผู้ใช้อาจติดขัดตรงไหน และจัดการไว้ให้แล้ว รายละเอียดเหล่านี้สะสมกลายเป็นความเชื่อใจว่าโปรดักต์นี้ “ทำมาอย่างดี”
มีความสม่ำเสมอ
น้ำเสียงของข้อความ โทนของดีไซน์ และความรู้สึกเวลาใช้งาน สอดคล้องกันไม่ว่าจะมองตรงไหน แค่นำชิ้นส่วนที่ AI สร้างทีละชิ้นมาประกอบกัน แทบไม่ทำให้เกิดความสม่ำเสมอแบบนี้
มองเห็นว่าใครอยู่เบื้องหลัง
ใครเป็นคนทำ ถามแล้วได้คำตอบหรือไม่ ยังพัฒนาต่อเนื่องหรือเปล่า การได้เห็นผู้สร้างและความรับผิดชอบของเขา เป็นเหตุผลสำคัญที่ทำให้ผู้ใช้เลือกโปรดักต์ได้อย่างสบายใจ
อะไรให้ AI ทำ อะไรคนต้องถือไว้เอง
ทางลัดในการใช้ AI ให้เต็มที่แล้วยังได้โปรดักต์ที่ผู้คนเลือก คือการแบ่งบทบาทให้ชัดว่าใครทำอะไร
| ขั้นตอน | สิ่งที่ให้ AI ทำได้ | สิ่งที่คนควรถือไว้ |
|---|---|---|
| วางแผน | ไล่เรียงตัวเลือก จัดระเบียบข้อมูลคู่แข่งและตัวอย่าง | กำหนดว่างานนี้ทำเพื่อใคร ในสถานการณ์ไหน |
| ผลิต | สร้างร่างคร่าว ๆ สเก็ตช์ และร่างแรกจำนวนมาก | เลือกว่าจะใช้อะไรและตัดอะไรทิ้ง |
| เก็บงาน | เสนอจุดที่พิมพ์ผิด การใช้คำไม่สม่ำเสมอ และจุดที่อาจเป็นบั๊ก | ปรับน้ำเสียงและรายละเอียด และสร้างความสม่ำเสมอ |
| ตรวจสอบ | ตรวจอย่างละเอียดตามเช็กลิสต์ | ลองใช้จริง และแน่ใจว่าประสบการณ์ไม่มีอะไรขัด |
| หลังเปิดตัว | จัดกลุ่มและสรุปความคิดเห็นที่ได้รับ | ตัดสินใจว่าจะแก้อะไรก่อน และรับผิดชอบในการปรับปรุง |
หัวใจสำคัญคือ คนจะไม่ปล่อยมือจากการตั้งคำถาม การเลือก และการรับผิดชอบ AI เป็นทั้งผู้สร้างและผู้ตรวจที่เก่ง แต่การตัดสินว่า “ส่งออกไปได้แล้ว” เป็นหน้าที่ของคน
7 แนวทางปฏิบัติในการขัดเกลาโปรดักต์
1เริ่มจากเขียนประโยคเดียวว่าเพื่อใคร และในสถานการณ์ไหน
ก่อนขอให้ AI ทำอะไร ให้เขียนประโยคเดียวว่าใครจะใช้ ในสถานการณ์ไหน และตอนนั้นเขามีปัญหาอะไร เช่น “หัวหน้าทีมสายสร้างสรรค์ประมาณ 5 คน ที่เพิ่งจะนำเครื่องมือจัดการโปรเจกต์มาใช้เป็นครั้งแรก กำลังหาข้อมูลไปอธิบายให้หัวหน้าฟัง” ถ้าประโยคนี้คลุมเครือ ผลลัพธ์จาก AI ก็จะออกมาแบบค่าเฉลี่ยเช่นกัน
2มองร่างแรกจาก AI เป็นวัตถุดิบ
ผลลัพธ์แรกจาก AI โดยพื้นฐานแล้วคือค่าเฉลี่ย ถ้าหยุดแค่นั้น ก็จะได้ของที่คนรู้สึกว่าเคยเห็นที่ไหนมาก่อน ให้มองร่างแรกไม่ใช่งานสำเร็จ แต่เป็นวัตถุดิบที่จะนำมาตัดและเรียบเรียงใหม่
ที่เกี่ยวข้องวิธีเลือกจากข้อเสนอของ AI และบันทึกเหตุผลที่เลือก อธิบายไว้ในตอนที่ 4 ของซีรีส์ “การจัดการงานสำหรับทีมที่ทำงานร่วมกับ AI” เรื่อง “แบบที่ AI สร้างคือวัตถุดิบในการตัดสินใจ ไม่ใช่งานสำเร็จ”
3เติมข้อมูลจากประสบการณ์ตรง
ประสบการณ์ของตัวเอง ตัวเลขจริง เรื่องที่ไม่สำเร็จ คำพูดที่ลูกค้าเผลอพูดขึ้นมา แค่เติมข้อมูลแบบนี้ลงไปสักหนึ่งอย่าง งานก็จะกลายเป็น “ของเรา” อย่างแท้จริง
4ตัดออก
AI ถนัดการเติม มันเพิ่มหัวข้อ ซ้อนคำอธิบาย และแปะคำเตือน “เผื่อไว้ก่อน” เพราะอย่างนั้น คนจึงต้องเป็นผู้ตัดสินใจตัด เมื่อกล้าตัดสิ่งที่ไม่ช่วยให้สารที่อยากสื่อชัดขึ้นทิ้งไป สารนั้นก็จะโดดเด่นขึ้น
5ใส่เจตนาลงในรายละเอียด
ถ้อยคำบนปุ่มและข้อความต่าง ๆ สิ่งที่แสดงเมื่อไม่มีข้อมูล คำแนะนำเมื่อเกิดข้อผิดพลาด หน้าตาระหว่างโหลด รายละเอียดที่ผู้ใช้ได้สัมผัสจริงคือส่วนที่มักถูกปล่อยไว้ตามที่ AI ทำมา ให้ไล่ปรับทีละจุด โดยคิดว่าผู้ใช้รู้สึกอย่างไรในแต่ละช่วง
6ลองใช้ อ่าน และอ่านออกเสียงด้วยตัวเอง
ลองใช้สิ่งที่ทำขึ้นในฐานะผู้ใช้ ข้อความก็อ่านออกเสียง แอปก็ลองใช้ในงานจริง จุดที่รู้สึกขัดจะปรากฏเมื่อได้ใช้ ไม่ใช่แค่มองบนหน้าจอ เจอจุดที่รู้สึกขัดเมื่อไรให้จดไว้ทันที แล้วแก้ไปทีละข้อ
7กำหนด “สไตล์” ของตัวเอง และสิ่งที่จะไม่ใช้
ตกลงกันในทีมเรื่องน้ำเสียง สไตล์ดีไซน์ สำนวนที่ใช้บ่อย รวมถึงสำนวนและการแสดงออกที่จะไม่ใช้ แล้วแบ่งปันกันไว้ ถ้านำสิ่งเหล่านี้ไปใส่ในคำสั่งที่ให้ AI ผลลัพธ์ก็จะใกล้กับสไตล์ของท่านตั้งแต่แรก แต่ควรทบทวนเป็นระยะ เพื่อไม่ให้สไตล์นั้นกลายเป็น “เทมเพลต” ใหม่เสียเอง
สิ่งที่ควรระวังเมื่อขัดเกลา
อย่าตั้งเป้าที่ “การซ่อน AI”
สิ่งสำคัญคือการเพิ่มคุณค่าให้ผู้ใช้ ไม่ใช่การลบร่องรอยของ AI “การปลอมแปลง” เช่น จงใจใส่คำผิดให้ดูเหมือนคนเขียน หรือแต่งประสบการณ์หรือรีวิวจากผู้ใช้ขึ้นมาเอง จะทำลายความเชื่อใจอย่างมากเมื่อถูกจับได้ การขัดเกลาไม่ใช่การปกปิด
ตรวจสอบข้อเท็จจริงและสิทธิ์
บางครั้ง AI ก็บอกข้อมูลผิดที่ฟังดูน่าเชื่อด้วยความมั่นใจเต็มที่ ตัวเลข ชื่อเฉพาะ คำพูดที่ยกมา และสเปก ให้ตรวจกับแหล่งที่มาต้นฉบับเสมอ การตรวจด้านสิทธิ์ก็ขาดไม่ได้ เช่น ภาพหรือดีไซน์ที่สร้างขึ้นคล้ายกับผลงานหรือเครื่องหมายการค้าที่มีอยู่แล้วหรือไม่ หรือมีบุคคลที่มีตัวตนจริงอยู่ในนั้นหรือไม่
คิดล่วงหน้าว่าจะบอกเรื่องการใช้ AI อย่างไร
ในบางภูมิภาคหรือบางแพลตฟอร์ม มีกรณีที่ต้องระบุว่าเนื้อหาสร้างด้วย AI มากขึ้นเรื่อย ๆ แทนที่จะมองเป็นทางเลือกระหว่างซ่อนกับเปิดเผย ให้พร้อมอธิบายได้ว่าใช้ AI ตรงไหน คนตัดสินใจตรงไหน และใครเป็นผู้รับผิดชอบ สิ่งนี้เองที่ทำให้ได้รับความเชื่อใจจากผู้ใช้ในท้ายที่สุด
อย่าแข่งกันที่ปริมาณ
เมื่อมี AI ท่านสามารถผลิตบทความและหน้าเว็บได้จำนวนมาก แต่ทั้งเสิร์ชเอนจินและผู้ใช้ต่างก็เข้มงวดกับเนื้อหาบาง ๆ ที่ผลิตออกมาเป็นจำนวนมากขึ้นเรื่อย ๆ ในระยะยาว บทความที่ลึกซึ้ง 10 บทความจะได้รับเลือกต่อไปมากกว่าบทความธรรมดา 100 บทความ
อย่าสูญเสียความสามารถในการขัดเกลา
ยิ่งปล่อยให้ AI ทำมากเท่าไร โอกาสที่คนจะได้ฝึกสายตาแยกแยะว่าอะไรดีอะไรไม่ดีก็ยิ่งน้อยลง ถ้าวิจารณญาณนี้เสื่อมลง ก็จะขัดเกลาอะไรไม่ได้อีกเลย การรักษานิสัยแบ่งปันเหตุผลของการตัดสินใจในทีม และช่วยกันตรวจงานของกันและกัน คือวิธีที่ดีที่สุดในการรักษาความสามารถนี้ไว้
ที่เกี่ยวข้องวิธีแบ่งปันการตัดสินใจและวางระบบการตรวจงาน กล่าวถึงโดยละเอียดใน “การสื่อสารในทีมยุค AI”
การขัดเกลาคือการสะสมการปรับปรุงเล็ก ๆ
การขัดเกลาโปรดักต์ไม่ได้จบด้วยการแก้ครั้งใหญ่ครั้งเดียว จุดที่รู้สึกขัดตอนใช้งาน ข้อสังเกตจากการตรวจงาน ความคิดเห็นจากผู้ใช้ ท่านเก็บการปรับปรุงเล็ก ๆ เหล่านี้ทีละข้อ แก้ และตรวจ เมื่อเวลาผ่านไป สิ่งเหล่านี้จะสะสมกลายเป็นความรู้สึกของโปรดักต์ที่ “ทำมาอย่างดี”
ด้วยเหตุนี้ จึงสำคัญที่จะไม่ปล่อยให้จุดที่ต้องปรับปรุงไหลหายไป ความเห็นในแชตแบบ “ตรงนี้แปลก ๆ นะ” มักถูกลืม ถ้าบันทึกแต่ละข้อเป็นงาน พร้อมระบุว่าใครจะดูแล และทำไมจึงเลือกวิธีแก้แบบนั้น งานขัดเกลาก็จะสะสมกลายเป็นทรัพย์สินของทีม
ที่เกี่ยวข้องวิธีเขียนจุดที่ต้องปรับปรุง แนะนำไว้ใน “วิธีเขียนงานให้คนอ่านเข้าใจ” และวิธีบันทึกหลังงานเสร็จ แนะนำไว้ใน “วิธีปิดงานให้จบ: เกณฑ์การเสร็จงาน และการบันทึกที่ย้อนกลับมาดูได้” (ซีรีส์ “เคล็ดลับการจัดการงานสำหรับทีม”)
ขัดเกลาโปรดักต์ด้วย GeckoFlag
แนวทางทั้ง 7 ข้อข้างต้นใช้ได้กับเครื่องมือทุกตัว ในที่นี้ขอยกตัวอย่างวิธีใช้ใน GeckoFlag ซึ่งเป็นเครื่องมือจัดการโปรเจกต์แบบเซลฟ์โฮสต์
| แนวทาง | วิธีใช้ใน GeckoFlag |
|---|---|
| 1 กำหนดว่าเพื่อใคร ในสถานการณ์ไหน | เขียนประโยคนั้นไว้ในคำอธิบายของโปรเจกต์ สมาชิกทุกคนที่เข้าร่วมจะเริ่มจากสมมติฐานเดียวกัน |
| 2 มองร่างแรกเป็นวัตถุดิบ | แยก “ทำร่างแรก” กับ “เก็บงานให้เสร็จ” เป็นคนละงาน เพื่อไม่ให้แค่มีร่างแรกก็นับว่าเสร็จแล้ว |
| 3 เติมข้อมูลจากประสบการณ์ตรง | รวบรวมสิ่งที่ได้จากการสัมภาษณ์และการค้นคว้าไว้ใน Wiki ของโปรเจกต์ เก็บรูปภาพและเอกสารไว้ในไฟล์ของโปรเจกต์ เพื่อให้ทีมนำกลับมาใช้ได้ |
| 4 ตัดออก | บันทึกสิ่งที่ตัดและเหตุผลไว้ในความคิดเห็นของงาน ภายหลังจะย้อนดูได้ว่าทำไมจึงลบออก |
| 5 ใส่เจตนาลงในรายละเอียด | ตั้ง “เก็บรายละเอียด” เป็นงานแม่ แล้วแตกสภาวะว่างเปล่า คำแนะนำเมื่อเกิดข้อผิดพลาด หน้าจอระหว่างโหลด ฯลฯ เป็นงานลูก แล้วทำให้เสร็จทีละรายการ |
| 6 ลองใช้ด้วยตัวเอง | เจอจุดที่รู้สึกขัดเมื่อไรให้สร้างเป็นงานทันที ให้ผู้ดูแลระบบเพิ่มประเภทงาน “ปรับปรุง” และใช้ลำดับความสำคัญกำหนดลำดับการแก้ ติดตามความคืบหน้าบนกระดาน Kanban |
| 7 กำหนดสไตล์และสิ่งที่จะไม่ใช้ | รวบรวมน้ำเสียง สำนวนที่จะไม่ใช้ และคำสั่งที่ให้ AI ไว้ใน Wiki เพื่อให้ทั้งทีมใช้ชุดเดียวกัน ถ้าใช้ “สร้างด้วย AI” ผู้ดูแลระบบสามารถลงทะเบียนเทมเพลตผลลัพธ์ไว้ เพื่อให้รูปแบบของคำอธิบายงานและหน้า Wiki ที่ AI ร่างออกมาเหมือนกัน |
| หลังเปิดตัว | เชิญลูกค้าเป็น “ผู้เยี่ยมชม” และให้เห็นเฉพาะโปรเจกต์ที่เข้าร่วม ความคิดเห็นของลูกค้าเข้ามาเป็นงานได้โดยตรง ผู้เยี่ยมชมก็แก้ไขงานและแสดงความคิดเห็นได้ จึงควรแยกการพิจารณาภายในไว้ในอีกโปรเจกต์ |
“สร้างด้วย AI” ของ GeckoFlag เป็นฟีเจอร์ที่ AI เสนอค่าที่จะกรอกให้กับงาน ความคิดเห็น โปรเจกต์ และหน้า Wiki จากบันทึกการประชุม โน้ต ภาพหน้าจอแชต และอื่น ๆ ฟีเจอร์นี้ไม่ได้สร้างงานสำเร็จที่ท่านจะเผยแพร่ เช่น บทความหรือดีไซน์ ผู้ใช้ได้เฉพาะผู้ที่ผู้ดูแลระบบอนุญาต เฉพาะรายการที่ท่านเลือกเท่านั้นจะถูกใส่ลงในฟอร์ม และคนเป็นผู้บันทึก ฟีเจอร์นี้สร้างขึ้นบนการแบ่งบทบาทแบบเดียวกับบทความนี้ คือ AI เสนอ คนเลือกและรับผิดชอบ
เพราะติดตั้งบนเซิร์ฟเวอร์ของท่านเอง การพูดคุยเกี่ยวกับโปรดักต์ที่กำลังทำก็สะสมอยู่ภายใต้การดูแลของท่านเอง (การดูแลเซิร์ฟเวอร์เป็นความรับผิดชอบของท่าน เมื่อใช้ “สร้างด้วย AI” ข้อความและภาพที่ป้อนจะถูกส่งไปยัง API ของ Anthropic) ทุกครั้งที่ออกเวอร์ชันใหม่ ผู้พัฒนาจะตรวจความปลอดภัยด้วยตัวเอง และเผยแพร่ผลไว้ในหน้าความปลอดภัย (นี่ไม่ใช่การรับรองหรือการตรวจสอบโดยบุคคลภายนอก) ราคาซื้อครั้งเดียว $30 ไม่มีค่าใช้จ่ายเพิ่มเมื่อทีมขยาย (ค่าเซิร์ฟเวอร์แยกต่างหาก และถ้าใช้ “สร้างด้วย AI” ก็มีค่าใช้งาน API ของ Anthropic แยกต่างหากด้วย) ท่านลองใช้หน้าจอจริงได้ในเดโม
สรุป
- AI เป็นเครื่องมือที่ควรใช้อย่างเต็มที่โดยไม่ลังเล แต่การใช้ AI ไม่ได้สร้างความแตกต่างอีกต่อไป
- สิ่งที่ผู้ใช้ไม่ชอบไม่ใช่ AI แต่คือความรู้สึกว่าทำแบบขอไปทีและไม่มีใครรับผิดชอบ ซึ่งเห็นได้จากงานที่ธรรมดา ไม่ได้ทำเพื่อใคร และรายละเอียดหยาบ
- โปรดักต์ที่ผู้คนเลือกมีข้อมูลจากประสบการณ์ตรง มีมุมมอง มีรายละเอียดที่ตั้งใจ มีความสม่ำเสมอ และมองเห็นความรับผิดชอบ
- ให้ AI สร้างวัตถุดิบและช่วยตรวจ ส่วนคนเป็นผู้ตั้งคำถาม เลือก และรับผิดชอบ
- การขัดเกลาคือการเพิ่มคุณค่า ไม่ใช่การปลอมแปลง และคือการสะสมการปรับปรุงเล็ก ๆ
ยิ่งมี AI มากเท่าไร ส่วนที่คนเก็บงานด้วยมือก็ยิ่งโดดเด่น ใช้ AI ให้เต็มที่ แล้วนำเวลาที่ได้คืนมาไปทุ่มให้กับการขัดเกลา สิ่งนี้น่าจะกลายเป็นพื้นฐานของการสร้างโปรดักต์นับจากนี้ไป