Skip to content

Understanding Is the New Bottleneck เมื่อ AI เขียนงานไวกว่าเราเข้าใจ

VibeSolo
video thumbnail for 'Understanding is the new bottleneck — Geoffrey Litt, Notion'
ภาพจาก วิดีโอต้นทาง

ที่มา: คลิป Understanding is the new bottleneck ของ Geoffrey Litt จาก Notion ทางช่อง AI Engineer และบทความ VideoToBlog วันที่ 2026-07-10 (วันที่แสดงในบทความต้นทาง ไม่ใช่วันที่อัปโหลดวิดีโอที่ตรวจยืนยันแล้ว) ภาพการบรรยายระบุวันที่ 1 กรกฎาคม 2026 แนวทาง explain-diff, quiz และ micro-world เป็นตัวอย่างและกรอบคิดที่ผู้บรรยายนำเสนอ ไม่ใช่ผลทดลองอิสระว่าทำให้ทุกทีมเข้าใจดีขึ้น ตัวอย่างธุรกิจไทยเป็นการประยุกต์ของบทความต้นฉบับ · วิดีโอต้นทาง

ปัญหาใหญ่ของการใช้ AI ในงานจริงไม่ใช่แค่เรื่องความถูกต้องอีกต่อไป แต่คือการที่งานเดินเร็วเกินกว่าที่เราจะ “เข้าใจ” สิ่งที่กำลังเกิดขึ้น จนสุดท้ายแม้ผลงานจะออกมาได้ แต่เรากลับไม่มีแรงส่งพอจะตัดสินใจต่อยอด แก้ปัญหา หรือคิดไอเดียรอบถัดไปเองได้

นี่คือแก่นของคลิป Understanding is the new bottleneck จากช่อง AI Engineer ที่ Geoffrey Litt จาก Notion พูดไว้น่าสนใจมาก เขาไม่ได้เถียงว่า AI เขียนงานแทนเราไม่ได้ แต่กำลังชี้ให้เห็นว่า ถ้าเราใช้ AI แบบปล่อยให้มันวิ่งไปเรื่อยๆ โดยไม่สร้างความเข้าใจให้ตัวเอง เราจะติดหนี้ทางความคิดเร็วมาก และจุดนั้นอันตรายกว่าบั๊กในโค้ดเสียอีก

สำหรับเจ้าของธุรกิจและคนทำงานไทย ประเด็นนี้สำคัญมาก เพราะแม้เราไม่ได้เขียนโค้ดเองทุกวัน เราก็ใช้ AI ทำแผนงาน สรุปข้อมูล ร่างข้อเสนอ วิเคราะห์ลูกค้า หรือสร้าง workflow ใหม่อยู่แล้ว ถ้าเข้าใจแค่ผิวๆ เราจะกลายเป็นคนอนุมัติงานที่ตัวเองอธิบายไม่ได้ และนั่นคือคอขวดใหม่ของการทำงานร่วมกับ AI

สารบัญ

Step 1: เริ่มจากยอมรับก่อนว่า “ความเข้าใจ” คือคอขวดใหม่

แนวคิดตั้งต้นของคลิปคมมาก คือหลายคนยังมองว่ามนุษย์ต้องเข้าใจงานเพื่อเอาไว้ “ตรวจ” AI ว่าทำถูกหรือไม่เท่านั้น เช่น งานตรงตามสเปกไหม พัง production หรือเปล่า หรือโครงสร้างดีพอหรือยัง

มุมนี้ไม่ผิด แต่ไม่พอ เพราะเป็นความเข้าใจแบบกรรมการตัดสิน ให้ผ่านหรือไม่ผ่านเท่านั้น ซึ่งเมื่อ model และ agent เก่งขึ้น บทบาทการเช็กความถูกต้องบางส่วนก็จะถูก AI ช่วยทำได้มากขึ้นเรื่อยๆ

ประเด็นที่ Geoffrey Litt เน้นคือ เราไม่ได้ต้องเข้าใจเพื่อ verify อย่างเดียว แต่ต้องเข้าใจเพื่อ participate หรือพูดแบบภาษาธุรกิจคือ เราต้องเข้าใจเพื่อมีส่วนร่วมกับการตัดสินใจรอบต่อไป

ถ้าเราไม่เข้าใจจริง เราจะไม่มีทางถามคำถามที่ดีขึ้น ไม่มีทางคิดมุมใหม่ ไม่มีทางจับสัญญาณความเสี่ยง หรือเห็นโอกาสต่อยอดได้ทันเวลา งานอาจเสร็จเร็วขึ้น แต่ทีมจะคิดตื้นลง

ภาพวงจรคนทำงานร่วมกับ agent สามช่วง เชื่อมด้วยลูกศรและรูปหลอดไฟ โดยไม่มีประโยค Understanding lets you have the next idea ในภาพนี้
ภาพจาก วิดีโอต้นทาง

สำหรับธุรกิจไทย เรื่องนี้แปลได้ตรงมาก เช่น

  • ให้ AI ช่วยทำแผนการตลาดได้ แต่ถ้าเราไม่เข้าใจเหตุผลเบื้องหลัง เราจะปรับแผนตามสถานการณ์จริงไม่ทัน
  • ให้ AI ช่วยสรุป feedback ลูกค้าได้ แต่ถ้าเราไม่เข้าใจ pattern ที่แท้จริง เราจะตัดสินใจผิดเรื่องสินค้า
  • ให้ AI ช่วยร่าง SOP ได้ แต่ถ้าเจ้าของงานไม่เข้าใจ flow เอง เวลาเกิดปัญหาหน้างานจะไปต่อไม่ได้

ตรงนี้คือสารหลักของทั้งคลิป และเป็นจุดที่หลายองค์กรยังประเมินต่ำไป

Step 2: ระวังหนี้ทางความคิด หรือ Cognitive Debt

คลิปหยิบคำว่า cognitive debt มาใช้ ซึ่งน่าสนใจมาก แนวคิดนี้คล้าย technical debt แต่ย้ายจากระบบมาอยู่ที่สมองเราเอง

พูดง่ายๆ คือ ตอนแรกเราอาจปล่อยให้ AI ทำแทนเร็วๆ ได้ และเหมือนทุกอย่างไปได้สวย แต่ถ้าเราสะสมงานที่ตัวเองไม่เข้าใจมากขึ้นเรื่อยๆ วันหนึ่งจะถึงจุดที่เราร่วมวงต่อไม่ได้แล้ว รู้แค่ว่ามันเคยทำงาน แต่ไม่รู้ว่าทำไมมันทำงาน

สไลด์หัวข้อ Cognitive debt พร้อมย่อหน้าคำอธิบาย
ภาพจาก วิดีโอต้นทาง

นี่ไม่ใช่เรื่องเฉพาะสายเทคนิค เจ้าของธุรกิจก็เจอได้เหมือนกัน เช่น

  • มี prompt เยอะมาก แต่ไม่มีใครรู้ว่าทำไม prompt นี้ถึงใช้ได้ผล
  • มี dashboard เยอะ แต่ไม่มีใครอธิบายตัวชี้วัดสำคัญได้จริง
  • มี workflow อัตโนมัติเยอะ แต่พอมีเคสหลุดเข้ามา ทุกคนงงทั้งทีม

มุมที่น่าสนใจคือ cognitive debt ไม่ได้ระเบิดทันที มันสะสมเงียบๆ และมักโผล่มาตอนที่ต้องตัดสินใจเรื่องสำคัญ เช่น ขยายทีม เปลี่ยนกลยุทธ์ หรือแก้ปัญหาฉุกเฉิน

ถ้ามองจากมุมผู้เขียน จุดนี้คือข้อจำกัดใหญ่ของกระแส “ใช้ AI ให้ไวที่สุด” เพราะความเร็วที่ไม่มีระบบสร้างความเข้าใจ มักจบลงที่ความเปราะบางของทีม

Step 3: ใช้ AI อธิบายงานกลับมา ไม่ใช่แค่ส่งผลลัพธ์

เทคนิคแรกในคลิปคือ explanations หรือให้ AI สร้างเอกสารอธิบายงานที่มันเพิ่งทำ ไม่ใช่โยน diff หรือผลลัพธ์ดิบมาให้เราอย่างเดียว

ตัวอย่างที่ Geoffrey Litt ใช้คือ skill ชื่อ explain-diff ซึ่งเอาไว้แปลงการเปลี่ยนแปลงในโค้ดให้กลายเป็นเอกสารอ่านรู้เรื่องมากขึ้น หลักคิดนี้เอามาใช้กับงานธุรกิจได้กว้างกว่ามาก

ประเด็นสำคัญมี 4 ข้อ

1. เริ่มจากพื้นหลัง ไม่ใช่เริ่มจากสิ่งที่เปลี่ยน

เวลา AI ทำงานเสร็จ อย่าให้มันสรุปแค่ว่า “เปลี่ยนอะไร” แต่ให้เริ่มจาก “ระบบนี้ทำงานยังไง” ก่อน เพราะถ้าเราไม่มีภาพรวม รายละเอียดจะไม่เชื่อมกัน

ในงานธุรกิจ นี่เทียบได้กับการให้ AI อธิบายว่า funnel เดิมทำงานยังไง ก่อนจะบอกว่าควรแก้ landing page ตรงไหน หรืออธิบายกระบวนการรับลูกค้าเดิม ก่อนเสนอการปรับ workflow

เอกสารบนหน้าจอหัวข้อ Start with background พร้อมข้อความและรายการหัวข้อ
ภาพจาก วิดีโอต้นทาง

2. ให้สัญชาตญาณมาก่อนรายละเอียด

ในคลิปมีหลักที่ดีมากคือ intuition before details ก่อนจะลงโค้ดหรือขั้นตอนยิบย่อย ให้ AI อธิบายแก่นของงานก่อน ว่างานนี้พยายามแก้ปัญหาอะไร และควรมองมันแบบไหน

ถ้าเอามาใช้กับธุรกิจ เช่น ให้ AI สรุปว่า “แคมเปญนี้ต้องการลดแรงเสียดทานก่อนซื้อ” ก่อนค่อยลงไปดูข้อความโฆษณา กลุ่มเป้าหมาย และ offer ย่อย

สไลด์ Start with background แสดงเอกสาร Background อธิบาย Phaser 3 และ flat canvas
ภาพจาก วิดีโอต้นทาง

3. ใช้ภาพหรือของเล่นโต้ตอบได้เมื่อเรื่องนั้นซับซ้อน

คลิปยกตัวอย่าง interactive figures ให้ AI สร้างภาพหรือ simulation ที่เราเลื่อน ปรับ หรือทดลองได้ เพื่อให้เห็นการทำงานจริงของระบบ

แนวคิดนี้มีประโยชน์มากกับงานที่อธิบายด้วยข้อความล้วนแล้วไม่เข้าใจ เช่น pricing logic, customer journey, inventory flow, หรือโครงสร้างต้นทุน

หน้าจอเอกสารหัวข้อ Interactive figures พร้อมภาพวงรีและวัตถุในพื้นที่จำลอง
ภาพจาก วิดีโอต้นทาง

4. เรียงคำอธิบายใหม่ให้คนอ่านตามทัน

ในคลิปเรียกสิ่งนี้ว่า literate code diffs คือไม่ปล่อยให้ไฟล์หรือขั้นตอนเรียงตามลำดับเครื่อง แต่เรียงตามลำดับที่คนควรเข้าใจ

นี่คือจุดที่คนทำงานนอกสาย developer ใช้ได้ทันที เช่น เอกสารแผนงานของ AI ควรเรียงแบบนี้

  • ภาพรวมเป้าหมาย
  • สิ่งที่เปลี่ยนจากเดิม
  • เหตุผลที่เลือกทางนี้
  • ความเสี่ยง
  • สิ่งที่ต้องตัดสินใจต่อ

ถ้าเรียงแบบนี้ เราจะอ่านเพื่อเข้าใจ ไม่ใช่อ่านเพื่อเดา

Step 4: บังคับให้ตัวเองตอบคำถามได้ ด้วยระบบ Quiz

อีกจุดที่เฉียบมากในคลิปคือ การอ่านอย่างเดียวทำให้เราหลอกตัวเองได้ง่ายว่าเข้าใจแล้ว ทั้งที่จริงแค่คุ้นกับถ้อยคำ

ทางแก้ของ Geoffrey Litt คือให้ AI สร้าง quiz สั้นๆ ท้ายเอกสาร เพื่อทดสอบว่าเราจำและอธิบายสิ่งสำคัญได้จริงหรือไม่ เขาตั้งกติกากับตัวเองว่า ถ้ายังทำ quiz ไม่ผ่าน จะยังไม่ส่งงานต่อให้ทีมรีวิว

เอกสารบนหน้าจอหัวข้อ Quiz me on the code พร้อมรายการคำถาม
ภาพจาก วิดีโอต้นทาง

วิธีนี้ดูเหมือนเล็กน้อย แต่จริงๆ เป็นตัวคุมความเร็วที่ดีมาก เพราะโลกของ AI มีแรงกดดันให้ไปไวตลอด การมี checkpoint แบบ quiz ช่วยบังคับให้เราไม่วิ่งเร็วกว่าความเข้าใจตัวเอง

ถ้าเอามาใช้กับธุรกิจไทย เราไม่จำเป็นต้องทำเป็นข้อสอบจริงจังเสมอไป แค่ให้ AI สร้างคำถาม 5 ข้อหลังสรุปงาน เช่น

  • สมมติฐานหลักของแผนนี้คืออะไร
  • ตัวชี้วัดไหนสำคัญที่สุด
  • ความเสี่ยง 2 ข้อแรกคืออะไร
  • ถ้าผลลัพธ์ไม่เป็นไปตามคาด ควรดูตรงไหนก่อน
  • เรื่องใดที่ยังต้องถามทีมเพิ่ม

ถ้าเราตอบไม่ได้ แปลว่ายังไม่ควรรีบอนุมัติ

Step 5: สร้าง Micro-world ให้เรา “อยู่ในระบบ” แทนการอ่านอย่างเดียว

เทคนิคที่สองของคลิปคือ micro-worlds ได้แรงบันดาลใจจากแนวคิดการเรียนรู้ที่บอกว่า คนเข้าใจสิ่งยากได้ดีขึ้นเมื่อได้อยู่ในสภาพแวดล้อมที่ทำให้แนวคิดนั้นจับต้องได้

ในคลิปมี 2 ตัวอย่างที่ทรงพลังมาก

ตัวอย่างแรก: debugger แบบโต้ตอบได้

เขาให้ AI สร้างหน้าจอสำหรับไล่ดูการทำงานภายในของ interpreter ทีละ step ทำให้เห็นสถานะของระบบแต่ละจังหวะ เหมือนเปิดฝากระโปรงแล้วเห็นกลไกข้างใน

หน้าจอสีเข้มหัวข้อ An interactive debugger for a Prolog interpreter พร้อมแผงข้อมูลหลายส่วน
ภาพจาก วิดีโอต้นทาง

สิ่งที่น่าสนใจคือ micro-world แบบนี้ไม่ได้มีไว้ส่งมอบลูกค้า แต่มีไว้ทำให้ “คนทำงานเข้าใจ” มากขึ้น นี่เป็นมุมคิดที่เจ้าของธุรกิจควรหยิบไปใช้ เพราะหลายครั้งเราเอา AI ไปสร้างของส่งออกอย่างเดียว แต่ไม่เคยใช้มันสร้างเครื่องมือเรียนรู้ให้ทีม

ตัวอย่างที่สอง: เกมจำลองการย้ายเว็บไซต์

แทนที่จะอ่าน script ย้ายไฟล์ เขาให้ AI ทำเหมือนเกมที่กด next ไปทีละขั้น เห็นไฟล์ย้ายจากฝั่งเก่าไปฝั่งใหม่ เห็นคำสั่งที่กำลังรัน และเห็นผลค่อยๆ เกิดขึ้น

นี่คือบทเรียนสำคัญมากสำหรับงานธุรกิจ ถ้าเรื่องไหนซับซ้อน อย่าพึ่งบังคับทีมให้อ่านเอกสารยาวอย่างเดียว ลองให้ AI สร้างของจำลอง เช่น

  • simulation การไหลของ lead จากโฆษณาถึงปิดการขาย
  • แดชบอร์ดจำลองเส้นทางคำสั่งซื้อและคอขวดในคลัง
  • ตัวอย่างสถานการณ์รับมือลูกค้าร้องเรียนแบบเลือกคำตอบ
  • playground ให้ลองปรับราคาและดูผลกำไรทันที

จุดที่ผู้เขียนเห็นด้วยมากคือ AI ไม่ได้มีหน้าที่แค่ทำงานแทนเรา แต่ควรช่วยสร้างสภาพแวดล้อมให้เราเข้าใจงานนั้นดีขึ้นด้วย

Step 6: ย้ายความเข้าใจจากคนเดียว ไปเป็นพื้นที่ร่วมของทีม

เทคนิคสุดท้ายคือ shared spaces เพราะในโลกจริง ปัญหาไม่ใช่แค่เราเข้าใจหรือไม่ แต่คือทีมเข้าใจตรงกันหรือเปล่า

คลิปชี้ว่าเวลาคนและ AI คุยกันแยกคนละห้อง ความเข้าใจจะกระจัดกระจาย แต่ถ้าเอาการคุย เอกสาร คำอธิบาย และการคอมเมนต์มาอยู่ในพื้นที่เดียวกัน ทีมจะเห็นที่มาที่ไปเหมือนกันมากขึ้น

สไลด์ Shared understanding enables communication พร้อมภาพคนสามคนใช้คอมพิวเตอร์และแลกเปลี่ยนความคิด
ภาพจาก วิดีโอต้นทาง

แนวคิดนี้ใช้กับธุรกิจไทยได้ตรงมาก โดยเฉพาะทีมเล็กที่ต้องตัดสินใจเร็ว เช่น

  • ให้ AI สรุปประชุมลงเอกสารที่ทุกคนคอมเมนต์ต่อได้
  • ให้ AI ร่างแผนเปิดตัวสินค้าในหน้าเดียวที่ฝ่ายขาย การตลาด และปฏิบัติการเห็นร่วมกัน
  • เก็บ prompt สำคัญพร้อมเหตุผลการใช้งานไว้ใน knowledge base กลาง
  • บันทึกข้อถกเถียงและคำตัดสินใจไว้ข้างแผนงาน ไม่แยกไปอยู่ในแชตส่วนตัว

มุมที่ต้องระวังคือ shared space จะมีค่า ก็ต่อเมื่อทีมใช้มันเป็นพื้นที่คิดร่วมกันจริง ไม่ใช่เป็นแค่โกดังเก็บเอกสารที่ไม่มีใครกลับมาอ่าน

Step 7: แปลงแนวคิดนี้ให้ใช้ได้กับงานธุรกิจจริง

ถ้าสรุปคลิปทั้งก้อนให้เป็นภาษาธุรกิจ หลักคิดคือ อย่าใช้ AI เพื่อลดแรงงานอย่างเดียว แต่ใช้ AI เพื่อลดต้นทุนในการทำความเข้าใจเรื่องยากด้วย

นี่คือจุดที่คลิปนี้เหนือกว่าคอนเทนต์ AI ทั่วไป เพราะมันไม่ได้หยุดที่ productivity แต่ไปแตะเรื่องคุณภาพของการคิด ซึ่งสำหรับผู้บริหารและหัวหน้าทีม นี่คือสิ่งที่ส่งผลต่อการเติบโตระยะยาวมากกว่า

ถ้าอยากอ่านมุมเสริมเรื่อง cognitive debt สามารถดูบทความของ Simon Willison และถ้าอยากเข้าใจแนวคิด spaced repetition เพิ่มเติม งานของ Andy Matuschak ก็น่าสนใจมาก

Actionable Insights

  • ทุกครั้งที่ให้ AI ทำงานสำคัญ ให้สั่งเพิ่มเสมอว่า “อธิบายเหตุผล วิธีคิด และความเสี่ยง”
  • หลังสรุปงาน ให้ AI สร้างคำถาม 5 ข้อเพื่อตรวจว่าเราเข้าใจจริงหรือยัง
  • เรื่องไหนซับซ้อนเกินอ่าน ให้ AI ช่วยทำแผนภาพ simulation หรือ mock workflow
  • เก็บงาน AI ไว้ในเอกสารกลางที่ทีมคอมเมนต์ต่อได้ ไม่ปล่อยให้กระจายตามแชต
  • ถ้าทีมเริ่มตอบคำถามพื้นฐานของงานไม่ได้ ให้ถือว่านั่นคือสัญญาณของ cognitive debt

Troubleshooting

ปัญหา: AI ส่งงานมาเร็วมาก แต่เราอธิบายต่อไม่ได้

สาเหตุ: รับผลลัพธ์โดยไม่มีชั้นอธิบายความคิด

วิธีแก้: ให้ AI สรุปเป็น 3 ส่วนทุกครั้ง คือภาพรวม เหตุผลที่เลือกทางนี้ และสิ่งที่ยังไม่แน่ใจ

ปัญหา: ทีมใช้ AI เยอะขึ้น แต่คุยกันไม่รู้เรื่อง

สาเหตุ: แต่ละคนคุยกับ AI ของตัวเองและไม่มีพื้นที่ความเข้าใจร่วม

วิธีแก้: ย้ายสรุป แผน และข้อคิดเห็นมาไว้ในเอกสารกลางที่ค้นย้อนหลังได้

ปัญหา: อ่านสรุปแล้วคิดว่าเข้าใจ แต่พอถามลึกตอบไม่ได้

สาเหตุ: คุ้นกับคำ ไม่ได้เข้าใจโครงสร้างของเรื่อง

วิธีแก้: ใช้ quiz สั้นๆ หรือให้ลองอธิบายงานนั้นกลับมาเป็นภาษาของเราเอง

ปัญหา: workflow ที่ AI สร้างไว้พังเมื่อเจอเคสแปลก

สาเหตุ: ไม่มีใครเข้าใจ logic ภายในมากพอจะแก้หน้างาน

วิธีแก้: ให้ AI ทำ flowchart หรือ simulation ของขั้นตอนสำคัญก่อนนำไปใช้จริง

ปัญหา: ทีมพึ่ง AI มากจนคิดไอเดียใหม่ได้น้อยลง

สาเหตุ: ใช้ AI เพื่อเร่งผลลัพธ์ แต่ไม่สร้างความเข้าใจสะสม

วิธีแก้: ตั้ง checkpoint ทุกสัปดาห์ให้ทีมทบทวนว่าได้เรียนรู้อะไร ไม่ใช่แค่งานเสร็จอะไร

การต่อยอด

  • สร้าง template prompt สำหรับให้ AI อธิบายงานธุรกิจเป็นมาตรฐานเดียวกันทั้งทีม
  • ทำ AI learning dashboard ภายในองค์กร ที่รวมเอกสารอธิบาย คำถามทบทวน และบทเรียนจากงานจริง
  • ทดลองใช้ AI สร้าง scenario trainer สำหรับฝ่ายขาย บริการลูกค้า หรือ onboarding พนักงานใหม่

สรุป Checklist ทั้งหมด

  • ☐ ยอมรับก่อนว่าคอขวดใหม่ไม่ใช่แค่งานช้า แต่คือเราเข้าใจงานไม่ทัน
  • ☐ แยกให้ออกระหว่างการเข้าใจเพื่อเช็กความถูกต้อง กับเข้าใจเพื่อมีส่วนร่วม
  • ☐ เฝ้าระวัง cognitive debt ในทีม
  • ☐ ให้ AI อธิบายพื้นหลังของเรื่องก่อนเสมอ
  • ☐ ให้ AI สรุปแก่นหรือ intuition ก่อนลงรายละเอียด
  • ☐ ใช้ภาพ แผนภาพ หรือ simulation กับเรื่องที่ซับซ้อน
  • ☐ เรียงเอกสารตามลำดับที่คนควรเข้าใจ ไม่ใช่ลำดับที่ระบบสร้าง
  • ☐ เพิ่ม quiz หรือคำถามทบทวนหลังงานสำคัญ
  • ☐ สร้าง micro-world หรือ playground สำหรับเรื่องที่ทีมต้องเข้าใจจริง
  • ☐ รวมความรู้และการคุยกับ AI ไว้ใน shared space
  • ☐ วัดความสำเร็จของ AI จากคุณภาพการตัดสินใจ ไม่ใช่แค่ความเร็ว

สรุปสุดท้ายของคลิปนี้ชัดมาก การใช้ AI ไม่ควรพาเราออกจากวงจรการคิด แต่ควรพาเราเข้าไปลึกกว่าเดิม ถ้าเลือกเครื่องมือและวิธีทำงานถูก เราจะไม่ได้เข้าใจน้อยลงเพราะ AI เราอาจเข้าใจ “ดีกว่าเดิม” ด้วยซ้ำ และนี่ต่างหากคือข้อได้เปรียบที่ธุรกิจควรไล่ตาม