/goal: วิธีสั่ง AI Agent Team ให้ทำงานจนมี Proof

เมื่อวันเสาร์ที่ผ่านมา ผมแชร์คอนเซปต์นี้ในงาน One Person Business 100x with AI ในหัวข้อ 100x with AI Agent Team

ประเด็นที่อยากให้จำกลับไป ไม่ใช่แค่ว่า AI รุ่นใหม่ตอบดีขึ้น เขียนโค้ดเก่งขึ้น หรือช่วยทำ content เร็วขึ้น

แต่คือวิธีใช้ AI ต้องเปลี่ยน

จากเดิมที่เรา “คุยกับ AI เป็นรอบ ๆ”

ไปสู่การ “สั่งเป้าหมาย แล้วให้ AI Agent Team ทำงานวนจนมี proof ว่างานเสร็จจริง”

ผมเรียกแนวคิดนี้ง่าย ๆ ว่า /goal

ในบริบทนี้ /goal ไม่ใช่แค่ slash command ของเครื่องมือใดเครื่องมือหนึ่ง แต่เป็น operating pattern สำหรับคนที่อยากใช้ agent ทำงานจริง

แทนที่จะบอก AI ว่า “ช่วยดูอันนี้ให้หน่อย”

เราเริ่มบอกว่า “เป้าหมายคืออะไร งานจะถือว่าผ่านเมื่อไหร่ ห้ามทำอะไร และต้องส่งหลักฐานอะไรกลับมา”

นี่คือจุดที่ AI เริ่มเปลี่ยนจากคนตอบคำถาม เป็นทีมทำงานหลังบ้าน

ปัญหาของการใช้ AI แบบถามไปเรื่อย ๆ

คนจำนวนมากยังใช้ AI ใน loop แบบนี้

ถาม

ได้คำตอบ

ลองทำ

เจอปัญหา

กลับมาถามใหม่

แก้ prompt

พิมพ์ continue

พิมพ์ keep going

สุดท้ายมนุษย์ยังต้องเป็น project manager, operator และ QA เองทั้งหมด

ถ้าเป็นงานเล็ก เช่น แปลข้อความ สรุปบทความ เขียนอีเมล วิธีนี้พอไหว

แต่พองานเริ่มยาวขึ้น เช่น debug ระบบ, migrate ข้อมูล, ทำ research report, เตรียม content package, รัน test, ตรวจ checklist ก่อน publish วิธีนี้เริ่มไม่พอ

เพราะงานพวกนี้ไม่ได้ต้องการแค่คำตอบ

มันต้องการการทำงานต่อเนื่อง

ต้องมีการวางแผน ลงมือทำ เจอ error แก้ใหม่ รันใหม่ ตรวจผล แล้วสรุปหลักฐาน

ถ้ามนุษย์ต้องคอยสั่งทุก 5 นาที AI ก็ยังไม่ได้ให้ leverage จริง

มันแค่ทำให้เรากลายเป็นหัวหน้าที่ต้องตามงาน AI ตลอดเวลา

/goal คือการสั่ง outcome ไม่ใช่สั่ง task

ลองเทียบสองประโยคนี้

ประโยคแรก:

ช่วยดู bug นี้ให้หน่อย

ประโยคที่สอง:

Goal: แก้ bug checkout ให้ test ผ่าน สรุป root cause บอกไฟล์ที่แก้ และส่ง test output เป็นหลักฐาน

สองประโยคนี้ให้ผลต่างกันมาก

ประโยคแรกเปิดช่องให้ AI ตอบเป็นคำแนะนำยาว ๆ แล้วจบ

ประโยคที่สองบอกชัดว่างานยังไม่จบจนกว่า test จะผ่าน และมี evidence กลับมา

นี่คือความต่างระหว่างการคุยกับ chatbot กับการมอบหมายงานให้ agent

Chatbot เก่งที่ตอบ

Agent Team ต้องเก่งที่ทำงานจนจบภายใต้เกณฑ์

Google Antigravity Agent docs อธิบาย pattern คล้ายกันว่า agent หนึ่ง interaction ไม่ใช่แค่คำตอบเดียว แต่เป็น workflow ที่มี reasoning, tool execution, code running และ file management หลายรอบ

Codelab ของ Google Antigravity ก็อธิบายภาพ agent-first ไว้ตรงมาก: เราให้ instruction แล้ว agent ไปทำงานเอง ขอ permission เมื่อจำเป็น สร้าง artifact และแจ้งเมื่อ task เสร็จ

นั่นคือทิศทางเดียวกับ /goal

มนุษย์ไม่ได้หายไป

แต่มนุษย์ย้ายจากคนทำทุกจังหวะ ไปเป็นคนกำหนดเป้าหมาย ขอบเขต เกณฑ์ และจุดอนุมัติ

AI Agent Team ควรมีบทบาทอะไรบ้าง

คำว่า team ไม่จำเป็นต้องแปลว่าต้องมี model หลายตัวเสมอไป

แต่ workflow ข้างในต้องมีมากกว่า “ตอบกลับหนึ่งครั้ง”

อย่างน้อยควรมี 4 บทบาทนี้

Planner

แตกงาน วางแผน ดูลำดับก่อนหลัง และระบุความเสี่ยงก่อนลงมือ

Worker

ลงมือทำจริง เช่น แก้ไฟล์ รันคำสั่ง ค้นข้อมูล เขียน draft สร้าง report หรือประกอบ content package

Judge

ตรวจว่างานผ่านเกณฑ์หรือยัง ไม่ใช่เชื่อว่าเสร็จเพราะ AI พูดว่าเสร็จ

Reporter

สรุปให้มนุษย์ดูแบบมี proof เช่น test result, diff, link, screenshot, source, log หรือ checklist ที่ตรวจย้อนกลับได้

สำหรับผม บทบาทที่ขาดไม่ได้คือ Judge

เพราะ AI ที่ไม่มี Judge จะจบงานเร็วเกินไป

มันอาจบอกว่า “เรียบร้อยแล้ว” ทั้งที่ยังไม่ได้รัน test

อาจบอกว่า “แก้แล้ว” ทั้งที่ bug ยังอยู่

อาจเขียน report สวยมาก แต่ source ไม่แน่น

ในธุรกิจจริง เราไม่ควรรับคำว่า done จากความมั่นใจของ AI

ต้องรับจาก evidence

100x อยู่ที่ execution loop

ถ้า AI ตอบเร็วขึ้น 2 เท่า เราอาจทำงานเร็วขึ้นนิดหน่อย

แต่ถ้า AI สามารถถือ execution loop แทนเราได้หลายรอบ โดยที่เราไม่ต้องนั่งเฝ้า นั่นคือ leverage คนละแบบ

ตัวอย่างงาน debug

แบบเดิม:

เราเห็น error

ถาม AI

AI แนะนำ

เราแก้

เรารัน test

เจอ error ใหม่

กลับไปถามใหม่

วนไปเรื่อย ๆ

แบบ /goal:

เราสั่งว่า

แก้ bug นี้ให้ test suite ผ่าน สรุป root cause ไฟล์ที่แก้ และ risk ที่เหลือ

จากนั้น agent ต้องอ่าน error หาไฟล์ที่เกี่ยวข้อง แก้โค้ด รัน test ถ้า fail ก็อ่าน error ใหม่ แก้ต่อ รันใหม่ จนกว่าจะผ่าน หรือหยุดพร้อม blocker ที่ต้องให้มนุษย์ตัดสินใจ

ความต่างไม่ได้อยู่ที่ AI ฉลาดขึ้นแบบเวทมนตร์

แต่อยู่ที่เราออกแบบงานให้มันวนต่อเองได้

ตัวอย่างงานที่เหมาะกับ /goal

1. Debug

ก่อนใช้ /goal เราถามว่า error นี้แปลว่าอะไร แล้วเอาคำตอบไปลองเอง

หลังใช้ /goal เราสั่งว่าแก้ให้ test ผ่าน พร้อม root cause และ test output

2. Research

ก่อนใช้ /goal เราขอให้ AI สรุปหัวข้อหนึ่ง แล้วต้องไปเช็ก source เอง

หลังใช้ /goal เราสั่งว่า หา source ล่าสุด 5 แหล่ง เปรียบเทียบมุมมอง สรุปเป็น executive brief พร้อม link อ้างอิง และบอกว่าข้อมูลไหนยังไม่แน่

3. Content pipeline

ก่อนใช้ /goal เราให้ AI เขียนโพสต์ แล้วต้องเอาไปแก้ headline ทำภาพ เช็ก CTA และเตรียม publish เอง

หลังใช้ /goal เราสั่งให้ทำ Deep Dive package ครบชุด มี Facebook post, WordPress draft, cover direction, source links และ checklist ก่อนลง

4. Ops checklist

ก่อนใช้ /goal เจ้าของธุรกิจต้องเปิด checklist เองทุกครั้ง

หลังใช้ /goal agent ช่วย scan exception, สรุปสิ่งที่ผิดปกติ และส่งเฉพาะจุดที่ต้องให้คนตัดสินใจ

นี่คือสิ่งที่ One Person Business ต้องการจริง

ไม่ใช่ AI ที่พูดเก่งที่สุด

แต่เป็น AI ที่ลดงานตาม งานเช็ก งานวน และงานน่าเบื่อที่กินพลังเจ้าของธุรกิจทุกวัน

One Person Business ไม่ได้แปลว่าทำงานคนเดียว

คำว่า One Person Business มักถูกเข้าใจผิดว่าเจ้าของต้องทำทุกอย่างเอง

ขายเอง

ทำ content เอง

ตอบลูกค้าเอง

ดูระบบเอง

ทำ report เอง

แก้ปัญหาเอง

ถ้าทำแบบนั้น ธุรกิจอาจเริ่มได้ แต่จะโตยากมาก

สิ่งที่ AI Agent Team เปลี่ยนคือ คนหนึ่งคนสามารถมี operating leverage สูงขึ้น

เจ้าของยังเป็นคนกำหนด direction

ยังเป็นคนถือ judgment

ยังเป็นคนตัดสินใจเรื่องสำคัญ

แต่ไม่จำเป็นต้องเป็นคนทำ micro-task ทุกชิ้น

ภาพที่ผมคิดว่าสำคัญคือ เจ้าของธุรกิจคนเดียว แต่มีทีม agent หลังบ้านช่วย execute งานย่อย ๆ

มีคนช่วยค้น

มีคนช่วยร่าง

มีคนช่วยตรวจ

มีคนช่วยสรุป

มีคนช่วย follow up checklist

ทั้งหมดนี้ไม่ได้ทำให้มนุษย์ไม่สำคัญ

มันทำให้บทบาทของมนุษย์ชัดขึ้นกว่าเดิม

สูตรสั่งงานแบบ /goal

ถ้าจะเริ่มใช้แนวคิดนี้ ผมแนะนำให้เขียนคำสั่งให้ครบ 5 ส่วน

Goal

อยากให้งานจบที่ผลลัพธ์อะไร

Context

agent ต้องรู้อะไรเกี่ยวกับงานนี้ ธุรกิจนี้ ลูกค้า ระบบ หรือไฟล์ที่เกี่ยวข้อง

Constraint

ห้ามทำอะไร ต้องระวังอะไร ขอบเขตอยู่ตรงไหน

Acceptance criteria

จะรู้ได้อย่างไรว่างานผ่าน เช่น test ผ่าน, มี source ครบ, draft พร้อม review, report มีตัวเลขครบ

Evidence

สุดท้ายต้องส่งหลักฐานอะไรกลับมา เช่น link, screenshot, test output, diff, source list หรือ summary

ตัวอย่าง:

Goal: แก้ bug checkout ให้ test ผ่าน
Context: ปัญหาเกิดตอนใช้ promo code กับ subscription plan
Constraint: ห้ามแตะ pricing logic ส่วนอื่น และห้ามเปลี่ยน production data
Acceptance criteria: unit test และ checkout regression test ต้องผ่าน
Evidence: สรุป root cause, ไฟล์ที่แก้, test output และ risk ที่ยังเหลือ

คำสั่งแบบนี้เปลี่ยนคุณภาพงานทันที

เพราะเราไม่ได้ขอให้ AI ช่วยคิดเฉย ๆ

เรากำลังมอบหมายงานแบบมีเกณฑ์จบ

Guardrail สำคัญกว่า hype

ผมไม่ได้มองว่า agent ควรถูกปล่อยให้ทำทุกอย่างเอง

ยิ่ง agent ทำงานเก่งขึ้น เราต้องยิ่งออกแบบ guardrail ให้ดีขึ้น

งานบางอย่างต้องมี human checkpoint เสมอ เช่น:

• การใช้เงิน
• การส่งข้อความหาลูกค้าจริง
• การ publish content ในนามแบรนด์
• การแก้ production data
• การลบข้อมูล
• การเปลี่ยน pricing หรือ offer สำคัญ
• การตัดสินใจด้านกฎหมาย ภาษี หรือ compliance

Agent ที่ดีไม่ใช่ agent ที่ทำอะไรก็ได้

Agent ที่ดีคือ agent ที่รู้ขอบเขต รู้ว่าอะไรทำเองได้ รู้ว่าอะไรต้องหยุดถาม และสรุปหลักฐานให้มนุษย์ตัดสินใจง่ายขึ้น

สำหรับ One Person Business จุดนี้สำคัญมาก

เพราะถ้าไม่มี guardrail AI อาจกลายเป็นพนักงานขยันที่ทำผิดเร็วมาก

สรุป

100x with AI Agent Team ไม่ได้แปลว่า AI จะมาแทนคนทั้งหมด

มันแปลว่าเจ้าของธุรกิจต้องเลิกใช้ AI แบบถามตอบทีละรอบ แล้วเริ่มออกแบบงานให้ AI ทำเป็น loop

งานที่มี goal

มี constraint

มี acceptance criteria

มี Judge

มี proof

และมี human checkpoint ในจุดเสี่ยง

ถ้าเราใช้ AI แบบ chatbot เราจะได้ผู้ช่วยตอบคำถาม

แต่ถ้าเราใช้ AI แบบ Agent Team เราจะเริ่มได้ระบบทำงานหลังบ้าน

นี่คือความต่างใหญ่สำหรับ One Person Business

ธุรกิจคนเดียวที่ไปได้ไกล ไม่ใช่ธุรกิจที่เจ้าของทำทุกอย่างเองเก่งที่สุด

แต่คือธุรกิจที่เจ้าของออกแบบระบบให้ agent ทำงานแทนได้ โดยที่คุณภาพยังคุมได้

คำถามคือ วันนี้คุณยังใช้ AI เป็นคนตอบคำถาม หรือเริ่มออกแบบมันให้เป็นทีมทำงานแล้ว?