เมื่อ AI สร้างงานได้มากขึ้น คำถามที่ตามมาคือใครอธิบายเหตุผล หลักฐาน และผลกระทบของงานนั้นได้ คำบรรยายนี้ชวนพิจารณาความรับผิดชอบควบคู่กับความสามารถของ agent
Addy Osmani บนช่อง AI Engineer เสนอให้ถามทั้งว่า agent ทำอะไรได้ และเรื่องใดที่คนต้องรับผิดชอบต่อการตัดสินใจ บทความนี้สรุปกรอบคิดของเขา พร้อมตัวอย่างสมมติในการประยุกต์กับงานธุรกิจ
ในกรอบที่ Addy เสนอ AI ทำงานในวงจรการลงมือทำ ส่วนคนเป็นเจ้าของวงจรการตัดสินใจ ตั้งแต่กำหนดเป้าหมาย ตรวจหลักฐาน เลือกความเสี่ยงที่จะรับ และอนุมัติผลลัพธ์
วิดีโอต้นทางเผยแพร่วันที่ 14 กรกฎาคม 2026 เวลา 17:16:43 UTC ตรงกับวันที่ 15 กรกฎาคม เวลา 00:16:43 น. ตามเวลาไทย ดูวิดีโอต้นทาง
เปลี่ยนโจทย์จาก “AI ทำได้ไหม” เป็น “ใครรับผิดชอบผลลัพธ์”
Addy แยกคุณภาพ คำตัดสิน และ answerability ออกจากกัน ในคำอธิบายของเขา ระบบตรวจคุณภาพสร้างหลักฐาน เช่น ผลทดสอบและบันทึกการทำงาน คำตัดสินระบุว่าจะอนุมัติ หยุด เปลี่ยนทิศทาง หรือยอมรับความเสี่ยง ส่วน answerability คือมีผู้ที่ยืนอยู่ข้างเหตุผลและความรับผิดชอบของคำตัดสินนั้นได้
ตัวอย่างสมมติคือ AI สรุปความเห็นลูกค้าให้ทีม แต่การเปลี่ยนสินค้า ราคา หรือนโยบายจากสรุปนั้นยังต้องมีคนตัดสินว่าหลักฐานเพียงพอหรือไม่ นี่เป็นจุดที่ข้อมูลต้องเชื่อมกับความรับผิดชอบ
คำถามต่อไปนี้เป็นตัวอย่างประยุกต์จากกรอบดังกล่าวสำหรับเจ้าของ workflow:
- งานนี้มีผลต่อรายได้ ชื่อเสียง ลูกค้า หรือข้อมูลส่วนบุคคลหรือไม่
- หลักฐานแบบใดจึงเพียงพอก่อนนำผลลัพธ์ไปใช้
- หาก AI ตัดสินใจผิด ใครมีสิทธิ์หยุดหรือย้อนกลับ
- ใครคือคนที่อธิบายเหตุผลของการตัดสินใจนี้ได้
ตามกรอบของ Addy เจ้าของงานไม่จำเป็นต้องทำเองทุกขั้นตอน แต่ต้องเข้าใจสิ่งที่ระบบทำและอธิบายการตัดสินใจของตนได้
ออกแบบ workflow ให้ AI ทำงานในวงใน และให้คนคุมวงนอก
Addy อธิบาย harness ว่าเป็นสิ่งรอบ model เช่น context เครื่องมือ เอกสาร ระบบไฟล์และ Git ส่วน loop ทำให้เกิดการตรวจ จดจำ และเลือกสิ่งที่จะทำต่อ
เขาแบ่งวงในให้ agent สืบค้น ลงมือทำ ทดสอบ และรายงาน ส่วนวงนอกให้คนตัดสิน ตรวจยืนยัน อนุมัติ และเป็นเจ้าของผลลัพธ์ เส้นแบ่งนี้ทำให้ถามได้ว่าปัญหาใดควรทำ หลักฐานเพียงพอหรือยัง และใครรับความเสี่ยง
ตัวอย่างการวางนโยบายในร้านค้าออนไลน์คือให้ AI ร่างคำตอบ จัดลำดับเคส และเตรียมข้อความชดเชย โดยเจ้าของนโยบายกำหนดกรณีที่ต้องส่งให้คนตัดสินก่อน เช่น คืนเงินเกินขอบเขตที่อนุมัติไว้
สร้างหลักฐานก่อนเร่งปริมาณงานที่ AI ผลิต
Addy ตั้งข้อสังเกตว่าการสร้างงานถูกลงไม่ได้ทำให้การตรวจถูกลงตามโดยอัตโนมัติ เขาชวนให้ดูภาระการตรวจ หลักฐาน และเจ้าของคำตัดสิน แทนการประเมินจากปริมาณงานที่ agent ผลิตได้อย่างเดียว
ในช่วงที่กล่าวถึงงานวิจัยของ Sonar เขาเล่าว่าการทดลองกับ repository ที่สะอาดและยุ่งเหยิงมีอัตราผ่านใกล้กัน แต่กรณีที่สะอาดใช้ token และย้อนสำรวจน้อยกว่า บทความนี้ไม่มีรายงาน วิธีทดลอง หรือข้อมูลต้นฉบับบันทึกไว้ จึงรายงานเฉพาะสิ่งที่ผู้บรรยายเล่า และไม่ขยายเป็นข้อรับรองผลต่อทุก repository หรือฐานความรู้ธุรกิจ
ตัวอย่าง “ชุดหลักฐาน” สำหรับนำกรอบนี้ไปประยุกต์กับงานธุรกิจมีดังนี้:
- งานคอนเทนต์: แหล่งข้อมูลที่อ้างอิงได้ รายการข้ออ้างที่ตรวจแล้ว และผู้อนุมัติข้อความสุดท้าย
- งานบริการลูกค้า: ประวัติคำถาม นโยบายที่ agent ใช้ ระดับความมั่นใจ และเส้นทางส่งต่อให้คน
- งานวิเคราะห์ยอดขาย: แหล่งข้อมูล ช่วงเวลา สมมติฐาน วิธีคำนวณ และข้อจำกัดของข้อสรุป
- งานจัดซื้อหรือราคา: ขอบเขตอำนาจอนุมัติ เหตุผลประกอบ และบันทึกการเปลี่ยนแปลง
ในกรอบนี้ คำว่า “AI แนะนำมา” ยังไม่อธิบายหลักฐานหรือเหตุผลที่คนใช้อนุมัติงาน จึงต้องตรวจต่อว่าอิงข้อมูลใดและเหมาะกับบริบทหรือไม่
ระวังหนี้ทางความคิด การยอมตาม AI และต้นทุนการคุม agent
Addy ใช้คำว่า cognitive debt หรือหนี้ทางความคิด อธิบายช่องว่างระหว่างงานที่ระบบสร้างกับความเข้าใจที่คนมีต่อระบบนั้น เขากังวลว่าการมอบงานให้ AI ต่อเนื่องอาจทำให้ทีมส่งงานได้ แต่เข้าใจเหตุผลของงานน้อยลง
ตัวอย่างสมมติในธุรกิจคือทีมรับสรุปแชตหรือรายงานจาก AI โดยไม่ย้อนดูข้อมูลต้นทาง เมื่อเกิดคำถาม ทีมอาจอธิบายไม่ได้ว่าข้อสรุปมาจากอะไร
อีกคำที่ผู้บรรยายใช้คือ cognitive surrender การยอมรับคำตอบของ AI โดยยังไม่ได้สร้างความเห็นของตัวเองก่อน ประเด็นที่เขาเตือนคือการยืมความมั่นใจจากคำตอบ แทนการตรวจหลักฐานและเหตุผล
Addy เรียกภาระการจัดลำดับ ตรวจรวม และรับรองผลจากหลาย agent ว่า orchestration tax โดยตั้งข้อสังเกตว่าความสนใจของคนไม่ได้เพิ่มขนานไปด้วย ทางออกที่เขาเสนอไม่จำเป็นต้องเป็นการลดจำนวน agent แต่คือออกแบบจุดที่ต้องใช้ความสนใจของคนและเก็บข้อมูลให้ใช้ต่อได้
พัฒนารสนิยมและการตัดสินใจ พร้อมทบทวนข้อได้เปรียบของทีม
ในกรอบ alpha และ decay ของ Addy ข้อได้เปรียบคือช่องว่างระหว่างความสามารถของคนกับ model ณ เวลาหนึ่ง และช่องว่างนั้นอาจเปลี่ยนเมื่อ model พัฒนา
เขาอธิบาย taste ว่าเป็นการตัดสินเชิงคุณภาพเมื่อยังไม่มีเกณฑ์วัดชัด ตัวอย่างประยุกต์คือเลือกข้อความที่เข้ากับแบรนด์ เลือกฟีเจอร์ที่ตรงปัญหา หรือปฏิเสธไอเดียที่ไม่ควรทำ
ผู้บรรยายไม่ถือว่า taste เป็นปราการถาวร และเสนอให้ทำความชอบกับเหตุผลให้ทีมเรียนรู้ต่อได้ ในการประยุกต์ อาจเก็บตัวอย่างงานพร้อมเหตุผลและบันทึกการตัดสินใจ เพื่อให้การตรวจอ้างอิงสิ่งที่ชัดกว่าคำว่า “รู้สึกว่าใช่”
Addy เสนอว่าชื่อเสียง ความน่าเชื่อถือ และประวัติการรับผิดชอบเป็นสิ่งที่ผูกกับ “ลายเซ็น” ของผู้ส่งงาน ในกรอบของเขา การลงมือทำกับการรับผิดชอบต่อสิ่งที่ทำมีคุณค่าคนละด้าน
ใช้กฎ “อธิบายไม่ได้ ก็ยังไม่ควรปล่อยใช้”
กฎที่เขาเสนอคือ “Explain it or don’t ship it” หากยังอธิบายเหตุผล หลักฐาน ความเสี่ยง และเจ้าของงานไม่ได้ ก็ยังไม่ควรอนุมัติให้ส่งงาน
เขาระบุว่าไม่จำเป็นต้องให้คนพิมพ์หรืออ่านโค้ดทุกบรรทัด แต่ต้องมีผู้ที่เข้าใจและอธิบายงานที่ตนอนุมัติได้ การระบุเจ้าของส่วนต่าง ๆ ของ workflow เป็นตัวอย่างวิธีนำแนวคิดนี้ไปใช้
High agency ในคำอธิบายของ Addy คือรู้เมื่อไรควรมอบหมาย ตรวจ หยุด และรับรอง เขาเน้นการเลือกเส้นทางที่ควรทำและการเป็นเจ้าของผลลัพธ์ มากกว่าตามทำทุกเส้นทางที่ agent เปิดขึ้น
