Claude Fable 5 เปิดแล้ว: โมเดลที่ทำให้ Agent ทำงานข้ามวัน

Claude Fable 5 เปิดตัวแล้วครับ

ถ้าดูผ่าน ๆ นี่อาจเป็นแค่ข่าว model release อีกข่าว

แต่ผมคิดว่ารอบนี้ควร blow กว่าปกติ

เพราะ Fable 5 ไม่ได้เป็นแค่ “Claude รุ่นใหม่ที่ benchmark สูงขึ้น”

มันคือสัญญาณว่า AI Agent กำลังขยับจากผู้ช่วยที่รอคำสั่งทีละขั้น ไปเป็นระบบที่รับ goal แล้วทำงานเป็น loop ได้นานขึ้น

และถ้า AI ทำงานได้นานขึ้น คำถามของธุรกิจก็เปลี่ยนทันที

ไม่ใช่แค่ถามว่า “โมเดลนี้เก่งไหม”

แต่ต้องถามว่า:

เราจะให้มันทำงานอะไร คุมต้นทุนยังไง และให้คน approve ตรงไหน

1) Fable 5 คือ Mythos-class ที่ถูกเปิดให้ใช้จริง

ตามประกาศของ Anthropic, Claude Fable 5 คือโมเดลกลุ่ม Mythos-class ที่ทำให้ปลอดภัยพอสำหรับ general use

อีกฝั่งคือ Claude Mythos 5 ซึ่งเป็น underlying model ระดับเดียวกัน แต่มี safeguard บางส่วนถูกยกออก และเปิดให้เฉพาะกลุ่ม trusted access เช่น cyberdefenders และ infrastructure providers ผ่าน Project Glasswing

Anthropic บอกว่า Fable 5 เป็นโมเดลที่เก่งที่สุดที่บริษัทเคยเปิดให้คนทั่วไปใช้ โดยเฉพาะ software engineering, knowledge work, vision, scientific research, long context และ autonomous agentic workflows

แต่เพราะ capability ระดับนี้มี risk สูงในบาง domain เช่น cybersecurity, biology/chemistry และ model distillation, Fable 5 จึงมี classifier ที่อาจ route คำขอบางประเภทไปให้ Opus 4.8 แทน

Anthropic บอกว่า fallback นี้เกิดน้อยกว่า 5% ของ session โดยเฉลี่ย

ประโยคแปลไทยแบบตรงไปตรงมาคือ:

นี่คือโมเดลแรงมาก แต่แรงจนต้องมีเบรก

2) คลิป Alex Finn ทำให้ release นี้ “จับต้องได้” กว่าเดิม

วิดีโอของ Alex Finn ชื่อ Claude Fable 5 just dropped and I'm speechless... เปิดมาแรงมาก

เขาเรียกว่าเป็น “biggest model release of the entire year, maybe of all time”

จะเห็นว่า tone ของคลิปคือ release reaction แบบตื่นเต้นมาก

แต่สิ่งที่มีค่ากว่านั้นคือวิธีใช้ที่เขาสรุปไว้

เขาบอกว่า mindset ต้องเปลี่ยนจาก:

Is Claude doing the work right?

ไปเป็น:

Is Claude doing the right work?

นี่คือจุดสำคัญครับ

เมื่อโมเดลเริ่มทำงานยาวขึ้น เก่งขึ้น และแก้บั๊กได้น่าเชื่อถือขึ้น หน้าที่ของคนไม่ได้ลดลงเหลือแค่ “กด run”

หน้าที่ของคนขยับไปเป็น owner ของทิศทางงาน

เราต้องรู้ว่า AI ควรทำงานไหน ไม่ควรทำงานไหน และ success criteria คืออะไร

3) สามคำจากคลิป: thought partner, goals, be ambitious

Alex สรุปคำแนะนำในการใช้ Fable 5 ไว้ 3 ข้อ:

1. Treat Claude like a thought partner
2. Give Claude goals
3. Be more ambitious

ถ้าแปลเป็นภาษาธุรกิจไทย:

อย่าใช้มันเป็นแค่ autocomplete

ให้ใช้มันเป็นคนร่วมคิดที่ช่วยตั้งคำถามก่อนลงมือ

จากนั้นให้ goal ที่ชัด ไม่ใช่ micro-step ยิบย่อย

และเริ่มให้มันลองงานที่ก่อนหน้านี้เราไม่กล้าให้ AI ทำ เพราะงานยาวเกินไป ซับซ้อนเกินไป หรือมีหลายส่วนเกินไป

ในคลิป เขาใช้แนวทางนี้กับ Claude Code CLI โดยเริ่มจากให้ Fable 5 ถามคำถามก่อนสร้าง personal productivity app

คำขอตั้งต้นคืออยากได้ app ที่มี todo list, Kanban board, calendar, note-taking app, Pomodoro timer และเกมเล็ก ๆ สำหรับพัก

แทนที่จะสั่งให้สร้างทีละส่วน เขาให้โมเดลถามคำถามก่อน เช่น จะเก็บข้อมูลยังไง, ฟีเจอร์เชื่อมกันแค่ไหน, visual style แบบไหน, calendar ควรจัดการอะไร

หลังจากนั้นจึงเอาคำตอบมาทำเป็น goal/loop ให้ agent สร้าง app ทั้งก้อน

นี่คือ pattern ใหม่ครับ

ถามให้ดี วาง goal ให้ชัด แล้วค่อยปล่อยให้ agent วิ่ง

4) Goals + loops คือจุดที่เรื่องนี้ควร blow

ในคลิป Alex พูดถึง loops หลายครั้ง

เขาบอกว่า Fable 5 ทำให้ Claude ทำงาน autonomously ได้ต่อเนื่อง “days and days and days”

ในเดโม เขาใช้ workflow ที่ให้ agent เช็กว่า goal สำเร็จหรือยัง และไม่หยุดจนกว่า success criteria ใน prompt จะครบ

เขายังยกตัวอย่าง advanced workflow ว่า ถ้าเชื่อมกับเครื่องมือ project management เช่น Linear, เราอาจให้ agent ทุก 1 ชั่วโมงเข้าไปดูว่ามี task ใหม่ที่รับได้ไหม แล้วหยิบมาทำต่อ

ผมอยากให้หยุดตรงนี้ครับ

นี่คือจุดเปลี่ยนจริงของธุรกิจ

ถ้า AI เริ่มทำงานเป็น loop ได้ คำถามไม่ใช่ “จะ prompt ยังไงให้คำตอบดี” อีกต่อไป

คำถามคือ:

• loop นี้ควรวิ่งทุกกี่ชั่วโมง
• มันอ่าน task จากไหน
• มันแก้ไฟล์ไหนได้บ้าง
• มันหยุดเมื่อไหร่
• มันใช้เงินได้เท่าไหร่
• มันต้องขออนุมัติก่อน action ไหน
• proof ของงานคืออะไร

นี่คือเหตุผลที่ผมบอกว่า Fable 5 ไม่ใช่แค่เรื่อง model ranking

มันคือเรื่อง operating model ของ AI ในบริษัท

5) Every ให้ภาพอีกด้าน: Fable 5 เป็น Warp Drive สำหรับงานใหญ่

วิดีโอของ Every ช่วย balance hype ได้ดี

Dan Shipper บอกว่า Fable 5 เหมือน Warp Drive

ถ้าจะเดินทางข้ามกาแล็กซี มันเยี่ยมมาก

แต่ถ้าจะไปซื้อกาแฟหน้าปากซอย เราไม่ใช้ Warp Drive

นี่คือคำอธิบายที่ผมชอบที่สุดสำหรับ Fable 5

Every ทดลอง Fable 5 หนึ่งสัปดาห์ แล้วโชว์ use case ใหญ่ ๆ เช่น:

• สร้าง 3D Library of Babel จาก prompt เดียว
• ทำเว็บ lecture พร้อมเสียงและ transcript sync
• วิเคราะห์ survey + analytics แล้วชี้ conversion merchandising problem
• เคลียร์ GitHub backlog และเขียน fix ที่ merge ได้จริง

พวกนี้ไม่ใช่งาน “ถามตอบเร็ว ๆ”

มันคืองานที่ปกติใช้หลายชั่วโมง หลายวัน หรือหลายคน

และนั่นคือที่ที่โมเดลแพงเริ่มคุ้ม

6) Benchmark แรง แต่ไม่ควรอ่านแบบแฟนบอล

Every บอกว่า Fable 5 ได้ 91/100 บน Senior Engineer benchmark ของเขา

เทียบกับ Opus 4.8 ที่ได้ 63/100 และ GPT-5.5 ที่ได้ 62/100

Anthropic เองก็ประกาศว่า Fable 5 ทำได้ดีมากใน software engineering, knowledge work และ long-running autonomous tasks

สื่อหลายเจ้าเอาตัวเลข benchmark ไปเล่นต่อ เพราะมันดูแรงมาก

แต่สำหรับคนทำธุรกิจ ผมไม่อยากให้จบที่ “ตัวนี้ชนะตัวนั้น”

ให้ถามต่อว่า benchmark แบบนี้วัดงานประเภทไหน

มันไม่ได้วัด caption สั้น ๆ ไม่ได้วัดตอบ FAQ ง่าย ๆ ไม่ได้วัดเขียนโพสต์ขายของ 5 แบบ

มันวัดงานใหญ่ งานยาว งานซับซ้อน งานที่ต้องอ่าน context เยอะ และต้องมี judgment

ถ้างานของคุณไม่ใช่งานแบบนั้น การใช้ Fable 5 อาจไม่คุ้ม

7) ข่าวใหญ่ที่คนอาจมองข้าม: Fable 5 เข้า GitHub Copilot แล้ว

GitHub Changelog ประกาศว่า Claude Fable 5 generally available ใน GitHub Copilot

รองรับ Copilot Pro+, Max, Business และ Enterprise และเลือกใช้ได้ในหลาย surface เช่น VS Code, Visual Studio, Copilot CLI, Copilot cloud agent, GitHub Mobile, JetBrains, Xcode และ Eclipse

แต่มีเงื่อนไขสำคัญมากสำหรับองค์กร:

Copilot Business และ Enterprise admin ต้องเปิด policy เอง

และ policy นี้ off by default

เหตุผลคือ Claude Fable 5 ต้องมี data retention เพื่อให้ Anthropic ใช้ safety classifiers ตรวจจับ abuse

GitHub ระบุว่า Anthropic อาจเก็บ prompts และ outputs สูงสุด 30 วันเพื่อ safety classifier แล้วลบหลังจากนั้น และไม่ใช้ข้อมูลนี้ train model

นี่คือสิ่งที่ SME และองค์กรไทยต้องอ่านให้ละเอียด

ถ้าบริษัทคุณมี policy เรื่อง zero data retention, customer data, source code, contract หรือข้อมูลอ่อนไหว การเปิด Fable 5 ใน Copilot ไม่ควรเป็น decision ของ developer คนเดียว

ต้องเป็น decision ของ admin + security + business owner

8) Google Cloud ก็เปิด Fable 5 บน Agent Platform แล้ว

อีกสัญญาณที่ทำให้ release นี้ใหญ่คือ Google Cloud listing

Google Cloud Gemini Enterprise Agent Platform ระบุ Claude Fable 5 เป็น generally available partner model

Model ID คือ claude-fable-5

รองรับ input 1,000,000 tokens และ output 128,000 tokens

รองรับ text, image และ PDF input

และมี Asia Pacific location เป็น asia-southeast1

ตรงนี้สำคัญสำหรับธุรกิจในภูมิภาคเรา เพราะมันบอกว่า Fable 5 ไม่ได้เป็นแค่ model ในหน้า Claude chat

มันกำลังเข้า enterprise agent platform, Copilot, cloud, IDE และ agent workflow จริง ๆ

พูดง่าย ๆ:

โมเดลนี้กำลังกลายเป็น infrastructure option สำหรับงาน agentic coding และ knowledge work

9) แต่ Fable 5 ไม่ใช่ของฟรี และไม่ควรใช้กับทุก request

Alex Finn พูดตรงมากว่าโมเดลนี้ torches tokens

เขาแนะนำเริ่ม effort ที่ high มากกว่า extra high แล้วค่อยปรับตามงาน

Every ก็พูดคล้ายกันว่า Fable 5 ช้า แพง และ token-hungry

Anthropic pricing คือ $10 ต่อ 1 ล้าน input tokens และ $50 ต่อ 1 ล้าน output tokens

ในช่วงแรก subscription plans ได้ใช้ถึง June 22 ก่อนที่การใช้จะต้องดึง usage credits ตามประกาศ Anthropic

Alex ตั้งข้อสังเกตว่านี่อาจเป็นจุดเริ่มต้นของการจบยุค subsidized subscriptions สำหรับ frontier model ที่แพงมาก

ผมว่าเขาพูดถูกในเชิงทิศทาง

ถ้า agent วิ่งงานเป็นชั่วโมง อ่านไฟล์จำนวนมาก เรียก tool หลายรอบ และเขียน output ยาว ๆ ต้นทุนจะไม่เหมือนถาม chatbot หนึ่งคำถามอีกแล้ว

Cost governance จะกลายเป็น skill สำคัญของคนใช้ AI

10) สูตรใช้ Fable-class model ให้คุ้ม

ถ้าจะให้ธุรกิจไทยใช้โมเดลระดับนี้ ผมจะไม่เริ่มจาก “เปิดให้ทุกคนใช้กับทุกอย่าง”

ผมจะเริ่มจากจัดประเภทงานก่อน

งานที่น่าใช้ Fable-class model

• Refactor ใหญ่ข้ามหลายไฟล์
• งาน coding ที่ต้องอ่าน codebase และตัดสินใจหลายขั้น
• วิเคราะห์ customer feedback + analytics + website + funnel พร้อมกัน
• สร้าง prototype software ที่มีหลาย module
• เคลียร์ backlog จาก GitHub/Linear/Jira แล้วเสนอ fix
• งาน research ที่ต้องอ่านเอกสารยาวและสังเคราะห์เป็น decision
• งาน agent ที่มี loop ชัดและมี proof ตรวจได้

งานที่ไม่ควรเริ่มจาก Fable-class model

• ถามตอบทั่วไป
• เขียน caption สั้น ๆ
• rewrite ประโยค
• งานที่ต้องคุยกลับไปกลับมาถี่ ๆ
• งานที่ไม่มี source of truth
• งานที่ไม่มี success criteria
• งานเสี่ยงที่ไม่มี approval

พูดง่าย ๆ:

ใช้ Fable 5 เมื่อโจทย์ใหญ่พอจะคุ้มกับความแรง

อย่าใช้เพราะอยากใช้ของใหม่

11) Framework สำหรับ SME: ก่อนปล่อย agent ให้ทำงาน ต้องตอบ 7 ข้อนี้

ก่อนให้ agent ใช้โมเดลระดับ Fable 5 ทำงานจริง ผมอยากให้ถาม 7 ข้อนี้

1. Goal คืออะไร: งานนี้สำเร็จหน้าตาเป็นยังไง
2. Source of truth อยู่ไหน: agent อ่านข้อมูลจาก repo, CRM, docs, dashboard หรือ spreadsheet ไหน
3. Loop คืออะไร: agent จะวนเช็กอะไร จนกว่าจะถึง criteria ไหน
4. Budget cap เท่าไหร่: ยอมให้ใช้ token/runtime/cost ได้แค่ไหน
5. Tool scope แค่ไหน: อ่านได้ แก้ได้ deploy ได้ หรือแค่ draft ได้
6. Approval อยู่ตรงไหน: อะไรต้องให้คนกดผ่านก่อน
7. Proof คืออะไร: PR, screenshot, report, test result, diff, URL หรือ log ไหนที่บอกว่างานเสร็จจริง

ถ้าตอบไม่ได้ ยังไม่ควรให้ AI วิ่งยาว

ให้เริ่มจากทำ workflow ให้ชัดก่อน

12) Data-Espresso / OPB Stack มองเรื่องนี้ยังไง

ในมุม Data-Espresso, Claude Fable 5 เป็น proof ใหม่ว่า AI coworker จะทำงานจริงมากขึ้น

แต่ AI coworker ที่ทำงานจริงต้องมีบ้าน

มันต้องมี workspace, memory, skills, tools, approvals, budget, logs และ proof

นี่คือเหตุผลที่ผมไม่มอง AI Agent เป็นแค่ chatbot

ถ้าเป็น chatbot เราจะถามแล้วรอคำตอบ

แต่ถ้าเป็น coworker เราต้องออกแบบงานให้มันรับผิดชอบได้

เช่น:

• วันนี้ agent อ่าน lead ใหม่ใน CRM ได้ไหม
• ทุกชั่วโมง agent ดู task ที่รับได้ไหม
• ถ้าเจองาน coding เล็ก agent เปิด PR ได้ไหม
• ถ้าจะส่ง LINE/Facebook/email ต้องให้คน approve ก่อนไหม
• ถ้าค่า token เกิน budget ต้องหยุดไหม
• ถ้าทำงานเสร็จ proof อยู่ตรงไหน

Fable 5 ทำให้คำถามพวกนี้ไม่ใช่เรื่องไกลตัวแล้วครับ

สรุป

Claude Fable 5 release นี้ควร blow ครับ

แต่ไม่ใช่ blow แบบ “ว้าว โมเดลใหม่เทพกว่าเดิม” อย่างเดียว

ควร blow เพราะมันบอกว่าโลกของ AI Agent กำลังเปลี่ยนเฟส

จาก prompt ทีละคำสั่ง ไปสู่ goal + loop + long-running work

จากถามว่า AI ทำงานถูกไหม ไปสู่ถามว่า AI กำลังทำงานถูกเรื่องไหม

จากค่าใช้จ่ายแบบ chatbot ไปสู่ค่าใช้จ่ายแบบ compute/workflow ที่ต้องมี budget cap

จาก developer เลือกโมเดลเอง ไปสู่องค์กรต้องตัดสินใจเรื่อง data retention, admin policy, approval และ proof

ถ้าคุณเป็น SME ไทย สิ่งที่ควรทำตอนนี้ไม่ใช่รีบเอาทุกงานไปใส่ Fable 5

แต่คือเลือก workflow ใหญ่หนึ่งงาน ทำ source of truth ให้ชัด เขียน goal ให้ชัด กำหนด loop ให้ชัด ใส่ approval และ proof แล้วค่อยทดสอบว่าโมเดลแรงระดับนี้คุ้มจริงไหม

Fable 5 อาจเป็น Warp Drive

แต่ธุรกิจที่ไม่มีแผนที่ ไม่มีเบรก และไม่มีงบในถัง อาจไม่ได้ไปไกลขึ้นครับ

อาจแค่เผาเชื้อเพลิงเร็วกว่าเดิม