ทำไม ChatGPT อย่างเดียวไม่พอสำหรับงานจริง

ถ้าคุณใช้ AI ทุกวัน คุณอาจเริ่มรู้สึกเหมือนกันครับ

วันนี้คุยดีมาก มันช่วยคิด ช่วยสรุป ช่วยเขียน ช่วยวางโครงได้เร็ว

แต่พอวันถัดไป งานยังเป็นเรื่องเดิม เป้าหมายยังเหมือนเดิม บริบทยังเหมือนเดิม คุณกลับต้องเล่าใหม่อีกครั้ง

พอใช้ไปสักพัก หลายคนเลยเริ่มเข้าใจผิดว่า ปัญหาคือ AI ยังไม่เก่งพอ

แต่ผมว่าหลายครั้ง ปัญหาจริงไม่ใช่ความเก่งของคำตอบ ปัญหาคือ “งานไม่ถูกพาไปต่อ”

พูดอีกแบบคือ เราไม่ได้ติดที่ intelligence อย่างเดียว เราติดที่ continuity

1) Chat AI ช่วยได้ แต่ติดเพดานตรง continuity

ผมไม่ได้มองว่า ChatGPT ไม่มีประโยชน์นะครับ ตรงกันข้าม มันมีประโยชน์มากในงานจำนวนมาก

• คิดเร็ว
• ร่างเร็ว
• สรุปเร็ว
• หา angle ได้เร็ว
• ตอบคำถามเฉพาะหน้าได้ดี

ถ้างานเป็นงานครั้งเดียว หรือเป็นการใช้ AI แบบนั่งคุยตรงหน้า งานลักษณะนี้ถือว่าเวิร์กมาก

แต่พองานเริ่มเป็น “งานจริงในธุรกิจ” ภาพจะเปลี่ยนทันที

เพราะงานจริงต้องการมากกว่าคำตอบดีครั้งเดียว มันต้องการความต่อเนื่อง

ตัวอย่าง pain ที่เจอบ่อยมากคือ

1. วันนี้คุยดี พรุ่งนี้ต้อง re-brief ใหม่
2. วิธีทำงานที่เคยเวิร์กหายไปอยู่ในแชตเก่า
3. AI ไม่เห็นไฟล์จริง หน้าเว็บจริง หรือระบบจริงที่เรากำลังพูดถึง
4. งานที่ควรกลับมาทำซ้ำ ยังต้องรอให้คนจำได้ก่อนว่าจะสั่งอะไร

สี่อย่างนี้แหละครับที่ทำให้คนจำนวนมากรู้สึกว่า ใช้ AI แล้วเก่งขึ้นนะ แต่ยังเหนื่อยอยู่ดี

2) ปัญหาจริงไม่ใช่ “ตอบไม่เก่ง” แต่คือ “ไปต่อไม่ได้”

ถ้าสรุปแบบสั้นที่สุด ผมจะสรุปแบบนี้

AI แบบแชตช่วยในโมเมนต์นั้น แต่งานจริงต้องการระบบที่พางานข้ามวันได้

นี่คือเหตุผลที่คำถามสำคัญสำหรับเจ้าของธุรกิจ ไม่ควรมีแค่

• model ไหนเก่งกว่า
• context ยาวกว่าไหม
• benchmark ดีกว่าไหม

แต่ควรถามเพิ่มว่า

• พรุ่งนี้มันยังจำเรื่องสำคัญได้ไหม
• มัน reload วิธีทำงานเดิมได้ไหม
• มันเข้าไปดูของจริงแทนการเดาได้ไหม
• มันกลับมาทำงานซ้ำตามเวลาได้ไหม

ถ้าตอบคำถามชุดหลังไม่ได้ ต่อให้ AI ตอบเก่งมาก มันก็ยังอาจเป็นแค่เครื่องมือคุยเก่ง

3) ทำไม Hermes Agent ถึงช่วยอธิบายเรื่องนี้ได้ชัด

บน official homepage ของ Hermes มีข้อความที่ผมว่าคมมาก

Not a coding copilot tethered to an IDE or a chatbot wrapper around a single API.

และอีกประโยคที่ชัดไม่แพ้กันคือ

The Agent That Grows With You

สองประโยคนี้รวมกันแล้วบอกสิ่งสำคัญมาก

Hermes ไม่ได้พยายามขายตัวเองเป็นแค่หน้าต่างแชต มันพยายามขาย operating model ของ AI coworker

จุดน่าสนใจคือ official docs ของ Hermes แยกชิ้นส่วนที่ทำให้ continuity เกิดขึ้นจริงไว้ค่อนข้างชัด โดยเฉพาะ 4 เรื่องนี้

1. memory
2. skills
3. tools
4. cron

ถ้าอธิบายแบบภาษาธุรกิจ นี่คือ 4 คานหลักที่ช่วยพางานไปต่อ

4) คานแรก: Memory ทำให้ไม่ต้องเริ่มจากศูนย์ทุกวัน

จาก docs เรื่อง memory ของ Hermes ระบบนี้ไม่ได้ขายภาพจำแบบเว่อร์ ๆ ว่า AI จะจำทุกอย่างได้ไม่จำกัด

ตรงกันข้าม มันใช้วิธีที่ practical กว่า คือมี built-in memory ขนาดเล็ก แต่ตั้งใจเก็บเฉพาะข้อมูลที่มี leverage สูง แล้ว inject เข้า prompt ตอนเริ่ม session

ความหมายทางธุรกิจของเรื่องนี้สำคัญมาก

เพราะงานจำนวนมากไม่ได้พังเพราะ AI ไม่มีความรู้ทั่วไป มันพังเพราะ AI ไม่รู้เรื่องเฉพาะของเรา เช่น

• ทีมนี้สื่อสารโทนไหน
• โปรเจกต์นี้ใช้ stack อะไร
• ลูกค้าคนนี้ต้องระวังอะไร
• งานแบบนี้ต้องตอบสั้นหรือยาว
• สิ่งไหนห้ามทำโดยไม่มี approval

ถ้า AI จำเรื่องพวกนี้ข้ามวันได้ แม้เพียงบางส่วน งานจะลื่นขึ้นทันที

ดังนั้น memory ไม่ได้มีค่าเพราะมันใหญ่ มันมีค่าเพราะมันลดการ re-brief

5) คานที่สอง: Skills ทำให้วิธีทำงานไม่หายไปกับแชตเก่า

อีก pain หนึ่งที่เจอบ่อยคือ ต่อให้เราคุยกับ AI จนได้วิธีทำงานที่ดีมากแล้ว พอเวลาผ่านไป วิธีนั้นก็มักหายไปกับบทสนทนาเก่า

Hermes แก้เรื่องนี้ผ่าน skills

ใน official guide เขาอธิบายว่า skills คือ on-demand knowledge documents ที่โหลดมาใช้เมื่อจำเป็น และถูกเก็บไว้ใต้ ~/.hermes/skills/

สิ่งที่ผมชอบคือมันทำให้เราแยก 2 เรื่องนี้ออกจากกันชัด

• memory = ควรรู้อะไร
• skills = ควรทำยังไง

ความต่างนี้สำคัญมาก

เพราะงานจริงไม่ได้ต้องการแค่ AI ที่จำ preference ได้ แต่มันต้องการ AI ที่จำวิธีทำงานที่เคยเวิร์กได้ด้วย

ยกตัวอย่างง่าย ๆ

• วิธีสรุปข่าวประจำวัน
• วิธีตรวจ repo ก่อนเปิด PR
• วิธีเตรียมโพสต์ให้เข้า brand voice
• วิธีเขียน report ที่ผู้บริหารอ่านแล้วตัดสินใจต่อได้

ถ้าสิ่งเหล่านี้ถูกย้ายจาก “แชตเก่า” มาอยู่ใน skill library เราจะเริ่มเห็นการ reuse จริง

6) คานที่สาม: Tools ทำให้ AI เลิกเดา แล้วเริ่มไปดูของจริง

จุดที่ทำให้แชตอย่างเดียวไม่พออีกข้อ คือมันมักจบที่ “คำแนะนำ”

แต่ในงานจริง เราไม่ได้ต้องการแค่คำแนะนำเสมอไป เราต้องการการตรวจของจริงด้วย

บน tools reference ของ Hermes จะเห็นว่าระบบนี้มีทั้งเครื่องมืออ่านไฟล์ ค้นไฟล์ ใช้ terminal ใช้ web ใช้ browser และอีกหลายอย่าง

แปลว่า AI ไม่ได้ถูกจำกัดอยู่ในกรอบถาม-ตอบอย่างเดียว มันสามารถ

• เปิดดูไฟล์จริง
• ค้นข้อมูลจริง
• เช็กหน้าเว็บจริง
• ตรวจหลักฐานจริง
• เก็บ proof กลับมาได้

ตรงนี้คือความต่างใหญ่มากระหว่าง

“AI ที่ตอบจากสิ่งที่เราพิมพ์เล่า” กับ “AI ที่มีทางไปตรวจโลกจริงของงานนั้น”

ถ้า AI ดูของจริงไม่ได้ มันจะมีแนวโน้มเดา ถ้าดูของจริงได้ คุณภาพของงาน operational จะสูงขึ้นทันที

7) คานที่สี่: Cron ทำให้งานบางอย่างไม่ต้องรอ prompt ใหม่ทุกครั้ง

เรื่อง cron เป็นอีกจุดที่หลายคนมองข้าม

เพราะหลายทีมยังใช้ AI แบบนี้อยู่

เปิดแชต คิดเรื่องหนึ่ง จบแล้วปิด ถ้าพรุ่งนี้อยากได้อีก ค่อยกลับมาสั่งใหม่

แต่ในโลกธุรกิจ งานจำนวนมากควรกลับมาทำเองตามจังหวะ

• สรุปข่าวทุกเช้า
• เช็กความเคลื่อนไหวบางอย่างทุกเย็น
• เตือน review งานค้าง
• สรุปสิ่งที่ต้องรู้ประจำสัปดาห์

Hermes มี cron อยู่ในตัว และ official guide ก็ย้ำชัดว่า job พวกนี้รันใน fresh sessions ที่ไม่มี memory ของ chat ก่อนหน้า

ผมว่าจุดนี้สำคัญมาก เพราะมันสอน mental model ที่ถูกต้อง

cron ไม่ใช่การหวังว่า AI จะ “จำบทสนทนาเดิมแล้วกลับมาทำต่อเอง” แต่คือการออกแบบงานให้มี prompt, context, script, และ deliverable ที่พร้อมสำหรับการรันซ้ำอย่างมีวินัย

นี่คือ mindset ของงานจริง

งานที่ทำซ้ำได้ ต้องพึ่งระบบที่ explicit ไม่ใช่ความหวังว่าบริบทเดิมจะลอยตามมาเอง

8) ถ้ามองแบบเจ้าของธุรกิจ ควรสรุปเรื่องนี้ยังไง

ผมคิดว่าคำถามที่ใช้ประเมิน AI สำหรับงานจริง ควรเปลี่ยนจาก

“มันตอบเก่งไหม”

ไปเป็น

1. มันเก็บ context สำคัญข้ามวันได้ไหม
2. มันเก็บวิธีทำงานที่เคยเวิร์กได้ไหม
3. มันเข้าถึง file, page, หรือ system จริงได้ไหม
4. มันกลับมาทำงานตามเวลาได้ไหม
5. มันมีจุด review หรือ approval ที่มนุษย์คุมได้ไหม

ถ้าได้ครบ ขีดความสามารถของ AI จะเริ่มเข้าใกล้คำว่า coworker

ถ้าไม่ได้ครบ ต่อให้ answer quality ดีมาก มันก็ยังอาจเป็นแค่เครื่องมือที่ทำให้คนคิดเร็วขึ้น แต่ยังไม่ได้ช่วยแบก workflow จริง

9) สรุปแบบสั้นที่สุด

ถ้าต้องสรุป EP นี้ในประโยคเดียว ผมจะสรุปแบบนี้ครับ

ปัญหาของการใช้ ChatGPT อย่างเดียว ไม่ใช่เพราะมันไม่เก่ง แต่เพราะแชตอย่างเดียวไม่พองานที่ต้องจำงานเดิม ใช้วิธีเดิม ดูของจริง และกลับมาทำซ้ำตามเวลา

นี่คือเหตุผลที่ Hermes น่าสนใจในฐานะ case study

ไม่ใช่เพราะมันเป็น AI ที่พูดเก่งกว่าเดิม แต่เพราะมันทำให้เราเห็นว่า continuity ต้องถูกออกแบบเป็นระบบ

memory ช่วยเรื่อง context skills ช่วยเรื่อง procedure tools ช่วยเรื่อง execution cron ช่วยเรื่อง recurring work

พอ 4 อย่างนี้เริ่มประกบกัน เราถึงเริ่มพูดเรื่อง AI coworker ได้จริงมากขึ้น

และนี่ก็น่าจะเป็นบทเรียนสำคัญสำหรับทุกธุรกิจที่กำลังจะไปไกลกว่าแค่การใช้ AI แบบเปิดแชตถามเป็นครั้ง ๆ

ใน EP ถัด ๆ ไป เราค่อยเจาะลึกทีละชิ้นว่า memory, skills, tools, gateway, cron และ sandbox สำคัญยังไงในโลกใช้งานจริง

แต่สำหรับ EP02 นี้ อยากให้จำประโยคเดียวครับ

AI ที่ตอบเก่งยังไม่พอ ธุรกิจต้องการ AI ที่พางานไปต่อได้