ClickUp ลดคน 22% เพื่อสร้าง “100x Org”

Zeb Evans, CEO ของ ClickUp, โพสต์บน X ว่าบริษัทลด headcount 22% ทั้งที่เขาบอกว่าธุรกิจอยู่ในจุดแข็งที่สุด และย้ำว่านี่ไม่ใช่การลดต้นทุนธรรมดา

สิ่งที่ทำให้โพสต์นี้ต่างจาก layoff memo ทั่วไปคือ เขาผูกการลดคนเข้ากับ operating model ใหม่ที่เรียกว่า 100x organization

ใจความคือ ClickUp ต้องการ rebuild บริษัทใหม่รอบ AI systems, AI agents และคนที่สร้างผลลัพธ์ระดับสูงจากการ orchestrate ระบบเหล่านี้

เขายังบอกว่า savings ส่วนใหญ่จากการเปลี่ยนแปลงนี้จะไหลกลับไปสู่คนที่อยู่ต่อ ผ่าน compensation model ใหม่ รวมถึง salary band ระดับ $1M/year สำหรับคนที่สร้าง 100x impact จาก AI

อ่านแบบเร็ว ๆ อาจดูเหมือนข่าว “AI แย่งงานคน”

แต่ถ้าอ่านให้ลึก ข่าวนี้กำลังบอกอีกเรื่องหนึ่ง:

AI กำลังเปลี่ยนความหมายของคำว่า “คนเก่ง” ในองค์กร

1) Thesis ที่แรงที่สุด: AI ไม่ได้ทำให้ทุกคน productive ขึ้นเท่ากัน

Zeb พูดชัดว่า narrative ที่ว่า AI ทำให้ทุกคนเก่งขึ้นนั้นไม่ครบ

ในมุมของเขา AI ทำให้คนที่เก่งมากอยู่แล้ว leverage สูงขึ้นแบบก้าวกระโดด แต่คนที่ใช้ AI โดยไม่มี judgment อาจสร้างภาระให้ระบบมากกว่าเดิม

โดยเฉพาะใน engineering

เมื่อ AI เขียน code ได้เร็ว bottleneck ไม่ใช่ typing speed แล้ว

bottleneck ใหม่คือ:

• orchestration: สั่ง agent ให้เข้าใจปัญหา ขอบเขต และ architecture
• review: ตรวจ output ของ agent ว่าถูกจริง ปลอดภัยจริง และควร ship จริงไหม

ถ้าทีมดีใจว่า AI ทำให้ pull request เพิ่มขึ้น 500% แต่ customer outcome ไม่ดีขึ้น นั่นอาจไม่ใช่ productivity

มันอาจเป็น review debt ที่ถูก generate เร็วขึ้น

นี่คือจุดที่ผมว่า useful มากสำหรับธุรกิจไทย

เพราะหลายองค์กรยังวัด AI adoption จาก activity เช่น จำนวน prompt, จำนวน automation, จำนวน draft, จำนวน report หรือจำนวน code ที่ generate ได้

แต่ AI-native organization ต้องวัดจาก outcome:

• cycle time ลดลงไหม
• defect ลดลงไหม
• ลูกค้าได้ value เร็วขึ้นไหม
• cost ต่อ completed job ลดลงไหม
• review load ของคนเก่งลดลงหรือเพิ่มขึ้น
• ระบบทำซ้ำได้โดยมี owner ชัดไหม

ถ้าวัดผิด AI จะดูดีใน dashboard แต่ทำให้องค์กรช้าลงในชีวิตจริง

2) ClickUp แบ่งบทบาทใหม่เป็น Builders, Agent Managers และ Front-liners

ในโพสต์ Zeb แบ่งบทบาทสำคัญของ 100x org ออกเป็นกลุ่มหลัก ๆ

Builders

กลุ่มนี้คือ engineers, product people และ designers ที่ใช้ AI เป็นแรงทวีคูณ

แต่ point สำคัญคือพวกเขาไม่ได้มีค่าที่ “ผลิต output เยอะ” เฉย ๆ

พวกเขามีค่าที่สามารถ:

• translate business problem เป็น agent task
• ออกแบบ architecture และ workflow
• review output อย่างมี judgment
• ตัดสินใจว่าอะไรควร ship และอะไรควรทิ้ง
• สร้าง system ที่คนอื่นใช้ซ้ำได้

ในโลกนี้ engineer ที่ดีไม่ใช่แค่คนเขียน code เร็ว

แต่เป็นคนที่กำกับ coding agents ได้ดี และรู้ว่าความเสี่ยงซ่อนอยู่ตรงไหน

System / Agent Managers

นี่คือบทบาทที่น่าสนใจที่สุด

Zeb พูดประมาณว่า คนที่ automate งานตัวเองด้วย AI จะมีงานเสมอ เพราะเขากลายเป็น owner ของ AI system นั้น

นี่กลับหัว narrative แบบเดิมมาก

หลายคนกลัวว่า “ถ้าฉัน automate งานตัวเอง ฉันจะโดนแทนที่”

แต่ใน AI-native org ที่ออกแบบดี บริษัทควรตอบว่า:

ถ้าคุณ automate workflow สำคัญได้ คุณไม่ได้หายไป คุณเลื่อนบทบาทจาก worker เป็น system owner

ความรู้ที่คุณมีต่อ workflow, exception, customer nuance, quality bar และ risk boundary คือสิ่งที่ agent ไม่มีเอง

Front-liners

อีกจุดที่น่าสนใจคือ Zeb ไม่ได้บอกว่า human touch ควรถูกแทนที่ทั้งหมด

เขาบอกว่าการเจอลูกค้าแบบ one-on-one เป็น bottleneck ที่ไม่ควร replace แม้วันหนึ่ง agent จะประชุมวิดีโอได้ดีพอ

ระบบรอบ ๆ meeting ควรถูก automate

แต่เวลาคุยกับลูกค้าจริงควรเป็นมนุษย์

สำหรับธุรกิจไทย ประเด็นนี้สำคัญมาก

เพราะ SME, consulting, training, B2B service และงาน enterprise sales ยังพึ่ง trust สูงมาก

AI ช่วยเตรียม brief, สรุป call, follow-up, เปิด task, ตรวจ contract, ทำ proposal draft ได้

แต่ความไว้วางใจสุดท้ายยังมาจากคน

3) ทำไม ClickUp ถึงกล้าพูดเรื่องนี้ตอนนี้

ClickUp ไม่ได้เพิ่งเริ่ม AI เมื่อวาน

Fortune รายงานก่อนข่าว layoff ว่า ClickUp มี internal AI agents ประมาณ 3,000 ตัว เทียบกับพนักงานประมาณ 1,300 คน หรือประมาณ 3 agents ต่อมนุษย์ 1 คน

ClickUp ยังมี narrative ด้าน AI workspace ที่ชัดขึ้นเรื่อย ๆ เช่น ClickUp Brain, Brain Max และการ acquire Codegen เพื่อเอา AI coding agents เข้าไปอยู่ใน work graph ของ ClickUp

BusinessWire และ ClickUp blog เรื่อง Codegen ใช้ framing เดียวกัน: bottleneck ของ agent ไม่ใช่แค่ model capability แต่คือ context, plans, docs, goals และ workspace data

แปลว่า 100x org ไม่ใช่ memo เดี่ยว ๆ

มันต่อกับ product strategy ของ ClickUp โดยตรง

ถ้า ClickUp ขายแนวคิดว่า “workspace + context + agents” คืออนาคตของลูกค้า บริษัทก็ต้องพิสูจน์ว่าตัวเองรันด้วย model นั้นจริง

นี่คือทั้ง strategy และ marketing

และตรงนี้ต้องระวังด้วย

เพราะเมื่อ layoff ถูกผูกกับ AI narrative มันทำลาย trust ได้ง่ายมาก ถ้า execution ไม่ดี หรือถ้า 100x impact กลายเป็น buzzword ที่วัดไม่ได้

4) จุดที่ผมเห็นด้วย

ผมเห็นด้วยกับ ClickUp ใน 3 เรื่อง

หนึ่ง: AI เปลี่ยน bottleneck จริง

ในงาน coding, content, ops, support, sales admin หรือ report generation การผลิต draft ไม่ใช่จุดยากที่สุดแล้ว

จุดยากคือ:

• ตั้งโจทย์ให้ถูก
• ให้ context ครบ
• ตรวจ logic
• ตรวจ risk
• ตรวจ brand/voice
• ตัดสินใจว่าควร publish, send, deploy หรือ stop

นี่คือเหตุผลที่ “คนมี judgment” จะมีค่าขึ้น

สอง: agent manager เป็นบทบาทจริง

ผมไม่ชอบคำว่า prompt engineer แบบโดด ๆ เท่าไร

แต่ผมคิดว่า agent manager / system owner เป็นบทบาทจริงมาก

คนนี้ไม่ได้แค่เขียน prompt

เขาต้องดู:

• workflow design
• tool permission
• data boundary
• eval/checklist
• exception handling
• cost per completed job
• human approval point
• audit artifact
• improvement loop

นี่คืองาน ops + product + process + AI literacy ผสมกัน

สาม: front-line human touch จะยิ่งแพง

ยิ่งตลาดเต็มไปด้วย AI-generated messages ลูกค้าจะยิ่งแยกออกว่าอะไรคือ bot spam และอะไรคือคนที่เข้าใจบริบทจริง

ธุรกิจไทยที่ใช้ AI ดีจะไม่ใช่ธุรกิจที่หายไปหลัง bot

แต่คือธุรกิจที่ให้ AI ทำงานหลังบ้าน เพื่อให้คนมีเวลาคุยกับลูกค้ามากขึ้น

5) จุดที่ผมไม่อยากให้ธุรกิจไทย copy ตรง ๆ

อย่า copy ส่วน layoff ก่อน

บริษัทไทยจำนวนมากยังไม่มี process maturity, data hygiene, QA loop หรือ agent governance พอที่จะลดคนแล้วคาดหวังว่า AI จะอุดรูให้ทัน

ถ้าทำผิดลำดับ จะได้ 3 อย่าง:

• คนที่เหลือ burnout
• งานที่ agent ทำออกมาต้องแก้มากกว่าเดิม
• ลูกค้าเห็น service quality ตก

อีกจุดคือคำว่า 100x impact วัดยากมาก

ถ้าไม่มี metric ดี ๆ มันจะกลายเป็นการเมืองในองค์กรทันที

คนที่ demo เก่งจะดูเหมือนมี impact

คนที่ทำงานพื้นฐานแต่จำเป็น เช่น data cleanup, exception handling, QA, customer nuance อาจถูก undervalue

ดังนั้นถ้าจะใช้แนวคิดนี้ ต้องผูกกับ outcome ที่วัดได้ ไม่ใช่ความรู้สึกว่าใครดู AI-native กว่าใคร

6) Framework สำหรับธุรกิจไทย: เริ่มจาก workflow map ไม่ใช่ headcount cut

ถ้าผมต้องแปลบทเรียนนี้ให้ practical สำหรับธุรกิจไทย ผมจะไม่เริ่มจากคำถามว่า “ลดคนได้ไหม”

ผมจะเริ่มจาก 6 คำถามนี้

1. งานไหน repeatable แต่กินเวลาคนเก่ง

ตัวอย่าง:

• สรุป meeting
• follow-up ลูกค้า
• draft proposal
• ทำ weekly report
• triage support ticket
• ตรวจ content ก่อน publish
• ทำ data cleanup เบื้องต้น
• สร้าง test case จาก bug report

งานเหล่านี้เหมาะกับ agent มากกว่างานที่ต้องใช้ trust สูงหรือ negotiation สูง

2. งานไหนต้องใช้ judgment จริง

อย่าเอา AI ไปแทน decision ที่ยังไม่มี criteria

ถ้า expert ยังอธิบายไม่ได้ว่าตัดสินใจจากอะไร agent ก็จะเดาเร็วขึ้นเท่านั้น

ก่อน automate ต้องแปลง judgment เป็น checklist, rubric หรือ approval rule ให้ได้บางส่วน

3. Output ไหนต้อง review และใคร review

AI-generated work ไม่ฟรี

มันย้าย cost ไปอยู่ที่ review

ถ้าระบบทำให้ senior ต้องตรวจงานมากกว่าเดิม แปลว่ายังไม่ใช่ productivity

ต้องวัด review load ด้วย

4. ใครเป็น system owner

ทุก agent workflow ต้องมีเจ้าของ

ไม่ใช่ “ทีม AI ทำไว้” แล้วปล่อยให้ธุรกิจใช้เอง

owner ต้องรู้ว่า:

• agent ทำงานอะไร
• ใช้ data/tool อะไร
• fail แบบไหนได้บ้าง
• เมื่อไรต้อง escalate ให้คน
• metric ไหนบอกว่าระบบดีขึ้นหรือแย่ลง

5. วัดผลจาก outcome ไม่ใช่ activity

อย่าวัดว่า generate ได้กี่ draft

ให้วัดว่า:

• งานจบเร็วขึ้นกี่เปอร์เซ็นต์
• error ลดลงไหม
• customer response time ดีขึ้นไหม
• sales cycle สั้นลงไหม
• cost ต่อเคสลดลงไหม
• quality score ผ่านกี่เปอร์เซ็นต์

6. ถ้าคน automate งานตัวเองได้ บริษัท reward หรือ punish

นี่คือข้อที่สำคัญที่สุด

ถ้าคนเชื่อว่า automate แล้วโดนลดบทบาท เขาจะไม่บอกความจริงว่าตัวเองประหยัดเวลาได้เท่าไร

องค์กรจะไม่ได้ AI transformation

จะได้แค่ shadow automation ที่ทุกคนซ่อนไว้ใช้เอง

ถ้าบริษัทอยากได้ agent managers จริง ต้องมี reward model ที่ชัดว่า:

คนที่สร้างระบบให้ทีมทำงานดีขึ้น จะได้ ownership, recognition, compensation หรือ career path ใหม่

7) สรุป: ข่าวนี้ไม่ใช่เรื่อง AI แย่งงานอย่างเดียว

ClickUp กำลังพูดสิ่งที่หลายบริษัทอาจคิดอยู่แต่ยังไม่กล้าพูด:

org chart แบบเดิมเริ่มไม่ match กับ economics ของ AI agents

แต่คำตอบไม่ใช่การลดคนแบบตื่นเต้น

คำตอบคือการออกแบบงานใหม่

งานที่ซ้ำควรถูก systematize

งานที่ต้องใช้ judgment ควรถูกทำให้ชัดขึ้น

คนที่มี context ควรถูกยกระดับเป็น system owner

และ front-line ที่สร้าง trust กับลูกค้าควรได้เวลาคืนจากงานหลังบ้าน

สำหรับผม บทเรียนจาก ClickUp คือ:

AI-native organization ไม่ได้เริ่มจากมี AI tool เยอะ

มันเริ่มจากการรู้ว่า workflow ไหนควรหายไป workflow ไหนต้องมีคนคุม และคนแบบไหนควรได้ reward มากขึ้นเพราะสร้าง leverage ให้ทั้งระบบ

ถ้าธุรกิจไทยเริ่มตรงนี้ก่อน เราจะได้ประโยชน์จาก AI มากกว่าแค่ลดค่าแรง

และจะไม่หลงวัด productivity จากเสียงดังของ token, task, PR หรือ automation demo ที่ไม่ได้เปลี่ยน outcome จริง