ผู้ร่วมก่อตั้ง a16z: ยุค Agent ทุกคนจะกลายเป็นผู้จัดการ

ผู้เขียน: Ben Horowitz, Michael McGuiness

เรียบเรียง: Jiahua, ChainCatcher

หาก AI สามารถสอบถามสถานะธุรกิจ ดำเนินงาน และติดตามผลได้โดยตรง บริษัทจะยังต้องมีลำดับชั้นการรายงานอีกกี่ชั้น? งานประจำวันของพนักงานจะเปลี่ยนไปอย่างไร?

Ben Horowitz ผู้ร่วมก่อตั้ง a16z ยกตัวอย่าง Databricks ชี้ว่าระบบข้อมูลองค์กรที่ใช้ร่วมกันจะช่วยให้พนักงานแนวหน้าลงมือปฏิบัติได้โดยตรง งานจัดการจะไม่ถูกผูกขาดโดยผู้จัดการมืออาชีพกลุ่มเล็กอีกต่อไป ความสามารถขององค์กรในการฝังประสบการณ์การตัดสินใจไว้ในระบบของตนเอง จะเป็นตัวกำหนดความสามารถในการแข่งขันระยะยาว

หมายเหตุ: Databricks เป็นบริษัทในพอร์ตการลงทุนของ a16z และ Ben Horowitz ดำรงตำแหน่งกรรมการบริษัท เนื้อหาที่เกี่ยวข้องกับบริษัทนี้มีมุมมองของนักลงทุน ไม่ถือเป็นคำแนะนำการลงทุน ต่อไปนี้เป็นเนื้อหาหลัก

ในอีก 20 ปีข้างหน้า หลายแง่มุมของชีวิตเราจะเปลี่ยนไป หนึ่งในห้าคำถามสำคัญที่สุดคือ "คุณทำงานอะไรทุกวัน?"

รอบคำถามนี้ มีความก้าวหน้าครั้งใหญ่สองอย่างกำลังจะเกิดขึ้น อย่างแรกคือระบบอัตโนมัติผ่าน Agent: "อธิบายงานที่เรากำลังทำอยู่ แล้วให้มันทำงานให้เสร็จอัตโนมัติ" อย่างที่สองคือการให้อำนาจพนักงานในการลงมือปฏิบัติเชิงรุก คนที่อยู่ใกล้ปัญหาที่สุดจะสามารถตรวจสอบสถานการณ์และคว้าโอกาสได้โดยตรงมากขึ้น โดยไม่ต้องรอให้ข้อมูลและอำนาจตัดสินใจถูกส่งต่อลงมาตามลำดับชั้น

ความก้าวหน้าทั้งสองอย่างนี้จะช่วยปรับปรุงงานประจำวันของทุกคนโดยพื้นฐาน แต่มีเงื่อนไขสำคัญ: องค์กรต้องสามารถเปลี่ยนไปสู่วิธีการทำงานแบบใหม่นี้ได้จริง

"สิ่งที่คนคนหนึ่งทำในแต่ละวัน" ถูกจำกัดอย่างมากโดยระบบข้อมูลองค์กรและระบบการตัดสินใจที่นายจ้างใช้ และระบบนี้เองก็ถูกจำกัดโดยเทคโนโลยีฐานข้อมูลที่นำมาใช้ และสิ่งที่เทคโนโลยีเหล่านี้ทำได้ มีคนไม่กี่คนที่คิดถึงชั้นหลังนี้

เรื่องนี้แบ่งเป็นสี่ส่วน:

1) Databricks กำลังทำอะไรกันแน่? "Lakehouse" และ "Lakebase" ที่คุณอาจเห็นบนป้ายโฆษณาคืออะไร? ทำไมจึงถูกมองว่าเป็นความก้าวหน้าทางสถาปัตยกรรมที่ทันเวลา?

2) "ระบบข้อมูลองค์กร" (system of record, SoR) คืออะไร? หากต้องการให้ Agent ทำงานในบริษัทจริง ตัดสินใจจริง และมีส่วนร่วมในคลังความรู้ของบริษัท ทำไมจึงต้องมีระบบข้อมูลองค์กรใหม่?

3) องค์กรคืออะไรกันแน่? หากสัดส่วน Agent ต่อมนุษย์ถึง 1000:1 องค์กรจะเปลี่ยนไปอย่างไร? องค์กรจะสร้างความแตกต่างและสร้างมูลค่าได้อย่างไร?

4) ในโลกใหม่นี้ ผู้คนทำงานอะไรทุกวัน? AI ในที่ทำงานมักถูกโฆษณาว่า "ทำให้คนธรรมดามีความสามารถเหมือนวิศวกรซอฟต์แวร์" แต่ในระยะยาว การเปลี่ยนแปลงที่เกิดขึ้นอาจไม่ใช่ "ทุกคนกลายเป็นวิศวกร" แต่เป็น "ทุกคนกลายเป็นผู้จัดการ"

นี่อาจเป็นส่วนที่ส่งผลกระทบลึกซึ้งที่สุด เรากำลังเห็นการล่มสลายของรูปแบบการจัดการที่หล่อหลอมศตวรรษที่ 20 James Burnham บันทึกรูปแบบการจัดการนี้ไว้ในหนังสือคลาสสิกของเขาเรื่อง The Managerial Revolution

85 ปีที่แล้ว เขาอธิบายว่าเทคโนโลยีสารสนเทศและความซับซ้อนขององค์กรก่อให้เกิดรูปแบบการดำเนินธุรกิจแบบหนึ่ง: ผู้จัดการมืออาชีพกลุ่มเล็ก ๆ รวมอำนาจการตัดสินใจไว้ภายในบริษัท ปัจจุบัน คลื่นเทคโนโลยีลูกใหม่กำลังคืนความรับผิดชอบให้ผู้เชี่ยวชาญแนวหน้า และเราทุกคนจะได้ประโยชน์จากสิ่งนี้

จาก Spark สู่ Agent

ช่วงนี้ บางคนอธิบาย Databricks ว่าเป็น "บริษัทข้อมูลที่เกาะกระแส AI" แต่บริษัทนี้ก่อตั้งขึ้นก่อนกระแสจะมาถึงถึงสิบปี

ปัญหาที่ Databricks ต้องการแก้ในตอนแรกนั้นตรงไปตรงมา: ข้อมูลขององค์กรมีมากขึ้นเรื่อย ๆ แต่การประมวลผลช้าเกินไป ในปี 2009 Ali Ghodsi กำลังทำวิจัยที่ Berkeley และเห็นบริษัทอินเทอร์เน็ตใช้ข้อมูลมหาศาลทำนายพฤติกรรมผู้ใช้ อย่างไรก็ตาม เครื่องมือหลักในตอนนั้นไม่เหมาะกับการคำนวณซ้ำ ๆ ที่จำเป็นสำหรับแมชชีนเลิร์นนิง

นักวิจัยที่ Berkeley จึงพัฒนา Spark ขึ้นมา เพิ่มความเร็วในการประมวลผลงานประเภทนี้ได้สูงสุด 10 เท่า ในปี 2013 Ali, Matei Zaharia และนักวิจัยอีกหกคนร่วมกันก่อตั้ง Databricks เพื่อสร้างแพลตฟอร์มที่องค์กรสามารถใช้ได้โดยตรง ไม่ต้องสร้างและดูแลระบบที่ซับซ้อนเอง

Spark เร่งการประมวลผลข้อมูล แต่ข้อมูลองค์กรยังกระจัดกระจายอยู่ในระบบต่าง ๆ คลังข้อมูล (data warehouse) เก็บข้อมูลที่มีระเบียบและเชื่อถือได้ ใช้สำหรับการวิเคราะห์ธุรกิจและรายงานเป็นหลัก ส่วนทะเลสาบข้อมูล (data lake) เก็บข้อมูลดิบหลากหลายประเภท เช่น ไฟล์ รูปภาพ เสียงบันทึก และล็อก ด้วยต้นทุนต่ำกว่า แต่ข้อมูลเหล่านี้มักขาดการจัดระเบียบและการรับประกันคุณภาพ

ระบบทั้งสองมีประโยชน์ในแบบของตัวเอง แต่ก็สร้างไซโลระหว่างทีมต่าง ๆ วิศวกรและนักวิทยาศาสตร์ข้อมูลใช้ทะเลสาบข้อมูลเป็นหลัก นักวิเคราะห์ใช้คลังข้อมูลเป็นหลัก เมื่อฝ่ายหนึ่งต้องการข้อมูลของอีกฝ่าย ก็ต้องมีคนรับผิดชอบย้ายและดูแลข้อมูล ทำให้เกิดสำเนาข้อมูลจำนวนมากและคำนิยามทางธุรกิจที่ขัดแย้งกันสะสมพอกพูน

ในปี 2020 Databricks รวมสองสิ่งนี้เข้าด้วยกัน เปิดตัวสถาปัตยกรรม "Lakehouse" ช่วยให้องค์กรทำการวิเคราะห์ธุรกิจและแมชชีนเลิร์นนิงบนข้อมูลชุดเดียวกันได้: ยังคงความสามารถของทะเลสาบข้อมูลในการเก็บข้อมูลหลากหลายด้วยต้นทุนต่ำ และให้ความน่าเชื่อถือในการจัดการและความเร็วในการสืบค้นที่คลังข้อมูลต้องการ

ด้วยวิธีนี้ วิศวกร นักวิทยาศาสตร์ข้อมูล และนักวิเคราะห์สามารถใช้ข้อมูลชุดเดียวกันได้ ลดงานซ้ำซ้อนในการคัดลอกและย้ายข้อมูลระหว่างระบบต่าง ๆ

ภาพ: Lakehouse รวมทะเลสาบข้อมูลและคลังข้อมูลเข้าด้วยกัน ให้ข้อมูลชุดเดียวกันรองรับการวิเคราะห์ธุรกิจ แมชชีนเลิร์นนิง และ AI ไปพร้อมกัน

อย่างไรก็ตาม ยังมีข้อมูลส่วนหนึ่งที่ยังไม่ถูกรวมเข้าด้วยกัน การดำเนินงานประจำวันขององค์กร เช่น การชำระเงินและการเข้าสู่ระบบของผู้ใช้ ต้องพึ่งพาฐานข้อมูลอีกประเภทหนึ่ง ฐานข้อมูลเหล่านี้ยังต้องเชื่อมต่อและดูแลแยกต่างหาก เพื่อส่งข้อมูลไปยังระบบที่ใช้วิเคราะห์ เมื่อธุรกิจเปลี่ยนแปลงอยู่เสมอ งานเชื่อมต่อระบบเหล่านี้ก็ยังคงมีอยู่ต่อไป

ในปี 2025 Databricks เข้าซื้อ Neon และใช้เป็นฐานในการเปิดตัว Lakebase ขยายการรวมข้อมูลไปยังฐานข้อมูลธุรกิจประจำวัน เมื่อข้อมูลในระบบธุรกิจเปลี่ยนแปลง ก็สามารถซิงค์ให้นักวิเคราะห์ วิศวกร และ Agent ใช้งานได้โดยอัตโนมัติ ลดงานย้ายข้อมูลระหว่างระบบต่าง ๆ

สำหรับ Agent แล้ว Lakebase ยังมอบความสามารถสำคัญอีกอย่าง: การสร้างสำเนาข้อมูลแยกส่วนจากระบบธุรกิจจริงได้อย่างรวดเร็ว แม้ฐานข้อมูลจะมีขนาดใหญ่ สำเนาแบบนี้ก็เตรียมได้ภายในไม่กี่วินาที Agent สามารถทดลองในสำเนานั้นได้ ใช้เสร็จก็ทิ้งได้ ไม่ต้องคัดลอกฐานข้อมูลทั้งหมดใหม่ทุกครั้ง

นี่เป็นการวางรากฐานสำหรับการเปลี่ยนแปลงวิธีการใช้ซอฟต์แวร์ เป็นเวลาหลายทศวรรษ ซอฟต์แวร์องค์กรถูกพัฒนาโดยวิศวกรจำนวนน้อยเป็นหลัก พนักงานคนอื่น ๆ เป็นผู้ใช้ ปัจจุบัน ผู้คนกำลังมุ่งสู่วิธีการทำงานแบบใหม่: ระบุผลลัพธ์ที่ต้องการก่อน แล้วให้ซอฟต์แวร์หาทางบรรลุผลเอง

องค์กรไม่ได้มีพนักงานหลายพันคนอ่านเขียนข้อมูลในฐานข้อมูลไม่กี่ตัวที่ทีมกลางดูแลอีกต่อไป แต่อาจมีฐานข้อมูลหลายพันตัวที่ Agent หลายล้านตัวอ่านเขียน การทำให้ข้อมูลใช้ร่วมกันได้ อัปเดตแบบเรียลไทม์ และสะดวกต่อการทำงานของ Agent กำลังสำคัญขึ้นเรื่อย ๆ

ระบบข้อมูลองค์กรที่ยึด Agent เป็นศูนย์กลาง

ภาพ: Ali Ghodsi ซีอีโอของ Databricks กล่าวปาฐกถาในงาน Data + AI Summit ปี 2026 ของบริษัท

ในเดือนมิถุนายน Ali ยืนอยู่ต่อหน้าผู้เข้าร่วมงาน Data + AI Summit ประมาณ 30,000 คน และขอให้ผู้ที่คิดว่าปัญญาประดิษฐ์ทั่วไป (AGI) มาถึงแล้วยกมือขึ้น เขาประเมินว่ามีผู้ชมประมาณ 10% ยกมือ

"เราเชื่อว่า AGI มาถึงแล้ว" เขาบอกผู้ชม และชี้ว่าโมเดลชั้นนำในปัจจุบันสามารถตอบคำถาม "ข้อสอบปลายภาคของมนุษย์" ได้มากกว่าครึ่ง ข้อสอบนี้ประกอบด้วยคำถาม 2,500 ข้อที่เขียนโดยผู้เชี่ยวชาญจากกว่า 100 สาขา เดิมทีถูกมองว่าเป็นสิ่งที่ AI ใด ๆ ก็ตอบไม่ได้

เมื่อ ChatGPT เปิดตัวครั้งแรกในปี 2022 งานเขียนโปรแกรมที่มันทำได้เทียบเท่ากับงานที่มนุษย์ทำเสร็จภายใน 30 วินาที ปัจจุบัน Agent ชั้นนำสามารถทำงานเขียนโปรแกรมที่วิศวกรชำนาญต้องใช้เวลาทั้งวันทำงานให้เสร็จได้

METR องค์กรประเมินอิสระที่ติดตามระยะเวลาที่โมเดลต่าง ๆ ทำงานให้เสร็จได้ด้วยตัวเองตั้งแต่ปี 2019 พบว่าเวลานี้เพิ่มขึ้นเป็นสองเท่าทุกประมาณเจ็ดเดือน ความคืบหน้าล่าสุดยิ่งเร็วขึ้น และแนวโน้มคล้ายกันนี้เริ่มปรากฏในสาขาอื่นนอกเหนือจากการเขียนโปรแกรม หากแนวโน้มนี้ดำเนินต่อไปจนถึงต้นทศวรรษ 2030 Agent จะสามารถทำงานที่มนุษย์ต้องใช้เวลาหลายปีให้เสร็จได้

ภาพ: "กฎของมัวร์ใหม่" ของ AI Agent

อย่างไรก็ตาม ในบริษัทส่วนใหญ่ทุกวันนี้ ผู้คนยังไม่เชื่อว่า AI จะอัปเดตบันทึกใน Salesforce (ซอฟต์แวร์จัดการลูกค้า) ได้อย่างน่าเชื่อถือ

"ปัญหาของ AI ไม่ใช่ความฉลาด แต่อยู่ที่บริบท" Ali อธิบาย แม้แต่คนที่ฉลาดที่สุด หากไม่สามารถเข้าถึงข้อมูลบริษัท ไม่มีสิทธิ์ดำเนินการ ไม่ได้รับผลตอบรับ และไม่เข้าใจความรู้ในหัวของพนักงานคนอื่น ก็แทบจะทำอะไรไม่ได้เช่นกัน คำตอบของ Ali คือสิ่งที่เขาเรียกว่า "ระบบข้อมูลองค์กรที่ยึด Agent เป็นศูนย์กลาง"

คุณอาจเคยเห็นคลิปวิดีโอของ Alex Karp ซีอีโอของ Palantir พูดถึง ontology ทางธุรกิจ เขาเชื่อว่า "มูลค่าทั้งหมดในตลาดจะไหลไปที่ชิปและสิ่งที่เราเรียกว่า ontology ทางธุรกิจ ontology ทางธุรกิจช่วยให้คุณนำโมเดลภาษาขนาดใหญ่มาใช้ ปรับปรุง แล้วประยุกต์ใช้กับองค์กรได้" ส่วนความหมายในทางปฏิบัติจริง ๆ มักถูกปล่อยให้ผู้ชมคิดเอาเอง

ทุกบริษัทมี ontology ทางธุรกิจของตัวเอง ซึ่งเป็นแบบจำลองที่อธิบายว่ามีเอนทิตีอะไรบ้างในบริษัท เอนทิตีเหล่านั้นเกี่ยวข้องกันอย่างไร คำศัพท์ต่าง ๆ หมายถึงอะไร และเมื่อแหล่งข้อมูลสองแหล่งขัดแย้งกัน ควรเชื่อแหล่งไหนก่อน ส่วนหนึ่งของ ontology นี้อยู่ในฐานข้อมูล แดชบอร์ด นโยบาย และเอกสาร แต่ส่วนใหญ่อยู่ในหัวของพนักงานอาวุโสเท่านั้น

และแบบจำลองนี้ไม่มีวันหยุดนิ่ง สัญญาเปลี่ยนไป วิธีแก้ปัญหาเฉพาะหน้าชั่วคราวกลายเป็นกระบวนการ ข้อยกเว้นกลายเป็นกฎ บันทึกอย่างเป็นทางการกับวิธีการทำงานจริงค่อย ๆ ห่างกัน ใครตัดสินใจอะไร การตัดสินใจใดพิสูจน์แล้วว่าถูกต้อง ก็เปลี่ยนแปลงไม่หยุดเช่นกัน อำนาจการตัดสินใจและเกณฑ์การประเมิน เช่นเดียวกับ ontology ทางธุรกิจ มักไม่มีบันทึกเป็นลายลักษณ์อักษร

ผู้คนเติมช่องว่างเหล่านี้อย่างเงียบ ๆ ในงานประจำวัน รองประธานฝ่ายขายต้องรู้ว่าดีลใหญ่ที่สุดที่คิดว่ากำลังจะปิดนั้นหยุดชะงัก เพราะคนสำคัญฝั่งลูกค้าที่ผลักดันดีลกำลังแอบสัมภาษณ์งานที่อื่น และต้องรู้ว่า "90%" ที่พนักงานขายคนหนึ่งบอกว่าโอกาสปิดดีล จริง ๆ แล้วมีแค่ 50% และต้องปรับลดลงก่อนรายงานคาดการณ์ให้ซีอีโอ

เพื่อให้ Agent ทำงานได้ด้วยตัวเอง ความรู้ ontology ทางธุรกิจ อำนาจการตัดสินใจ และเกณฑ์การประเมินจำนวนมากที่ปัจจุบันอยู่ในหัวมนุษย์ ต้องถูกรวมเข้ากับระบบข้อมูลของบริษัท การเดิมพันของ Databricks กับระบบ lakehouse เป็นตัวเลือกที่เป็นธรรมชาติสำหรับการเก็บสิ่งเหล่านี้ เพราะข้อมูลอื่น ๆ ของบริษัทถูกจัดเก็บและจัดการอยู่ที่นั่นแล้ว

"ทุกวันนี้ ระบบ lakehouse ได้กลายเป็นระบบข้อมูลองค์กรแล้ว" Ali กล่าว "ผมเรียกมันว่า SORA ซึ่งย่อมาจาก System of Record for Agents (ระบบบันทึกสำหรับ Agent)"

พนักงานสามารถโต้ตอบกับระบบข้อมูลองค์กรนี้ผ่าน Genie ซึ่งเป็นอินเทอร์เฟซภาษาธรรมชาติที่ Databricks เปิดตัวในปี 2024 ช่วยให้ใครก็ได้ในบริษัทตั้งคำถามเกี่ยวกับข้อมูลองค์กร และสามารถสร้าง Agent บนข้อมูลเหล่านั้นได้มากขึ้นเรื่อย ๆ

แกนหลักของระบบบันทึกนี้ต้องครอบคลุมทั้งองค์กรและตอบคำถามสี่ข้ออย่างต่อเนื่อง Databricks กำลังแก้ปัญหาเหล่านี้ทีละข้อ:

อะไรคือความจริง? Lakehouse และ Lakebase เก็บสถานะธุรกิจปัจจุบันขององค์กร

ข้อมูลเหล่านี้หมายถึงอะไร? เพื่อไม่ให้ AI ต้องค้นหาคำตอบในข้อมูลบริษัทซ้ำ ๆ ทุกครั้งที่ถูกถาม Genie Ontology ของ Databricks จะสร้างกราฟความรู้ขององค์กรอย่างต่อเนื่อง เช่น รายได้คำนวณอย่างไร บันทึกการประชุมสัปดาห์ที่แล้วพูดถึงอะไร

วิศวกรตั้งชื่ออัลกอริทึมหนึ่งว่า OntoRank เพื่อเป็นเกียรติแก่ PageRank ของ Google โดยประเมินว่าความรู้ใดน่าเชื่อถือกว่ากันจากคุณสมบัติ เช่น ผู้สร้าง ความกว้างของการใช้งาน เวลาที่แก้ไขล่าสุด ในการทดสอบของ Databricks การใช้ ontology ทางธุรกิจขององค์กรเป็นพื้นฐานให้ Agent ช่วยเพิ่มความแม่นยำของคำตอบจากประมาณ 50% เป็น 84.5%

อะไรคือสิ่งที่ได้รับอนุญาต? ในอดีต พนักงานแต่ละคนมีบัญชีเข้าสู่ระบบหนึ่งบัญชี ซึ่งใช้ได้เมื่อพนักงานทุกคนเป็นมนุษย์ แต่เมื่อพนักงานสามารถเปิดใช้ Agent หลายร้อยตัวต่อวัน โมเดลนี้ใช้ไม่ได้อีกต่อไป "คุณไม่สามารถให้สิทธิ์ Agent แต่ละตัวเข้าถึงฐานข้อมูลเฉพาะและแยกส่วนทุกตัวทีละตัวได้" Ali อธิบาย

Unity Gateway ของ Databricks กำหนดตัวตน งบประมาณ และข้อจำกัดการดำเนินงานให้กับทุกโมเดล Agent และเครื่องมือ AI ในบริษัท และติดตามบันทึกการดำเนินการทุกอย่าง ทำให้บริษัทเห็นว่าระบบ AI กำลังทำอะไร เข้าถึงข้อมูลใด ใช้เงินไปเท่าไร

สำเร็จหรือไม่? Databricks มีสองวิธีให้องค์กรสร้าง Agent ทีมธุรกิจสร้างใน Genie โดยเปลี่ยนพรอมต์หนึ่งเป็น Agent ที่แชร์ได้ ใช้เหตุผลจากข้อมูลองค์กร และลงมือทำในแอปพลิเคชันอย่าง Slack หรือ Salesforce มากขึ้นเรื่อย ๆ ส่วนวิศวกรสามารถใช้ Agent Bricks เพื่อสร้าง Agent ที่ปรับแต่งมากขึ้นสำหรับสภาพแวดล้อมการผลิตจริง

ไม่ว่าจะใช้วิธีใด Databricks ให้ทีมออกแบบ "ข้อสอบ" ของตัวเอง เพื่อระบุว่าผลลัพธ์ใดยอมรับได้ ข้อผิดพลาดใดที่ไม่ควรเกิดขึ้นอย่างเด็ดขาด แล้วมอบเครื่องมือในการปรับแต่ง Agent แต่ละตัวตามความต้องการของงานเฉพาะขององค์กร นี่คือวิธีที่ AI สร้างวงจรป้อนกลับ

ภาพ: AI สร้างวงจรป้อนกลับอย่างไร: ยืนยันข้อเท็จจริง เข้าใจความหมาย ระบุสิทธิ์ ดำเนินการและประเมินผล แล้วเขียนประสบการณ์กลับลงในระบบบันทึกที่องค์กรควบคุม

การเปลี่ยนแปลงแพลตฟอร์มทุกครั้งในวงการคอมพิวติ้งองค์กร จะจุดชนวนการแข่งขันรอบใหม่เกี่ยวกับระบบข้อมูลองค์กร IBM ครองยุคเมนเฟรม Oracle และ SAP กลายเป็นรากฐานของสถาปัตยกรรมไคลเอนต์-เซิร์ฟเวอร์ Salesforce, Workday และ ServiceNow สร้างระบบข้อมูลองค์กรแบบ SaaS ในด้านการขาย ทรัพยากรบุคคล และไอที ตามลำดับ Agent จะนำมาซึ่งการเปลี่ยนแปลงรอบต่อไป

แต่ Agent จะเปลี่ยนองค์กรอย่างไร เป็นคำถามที่ใหญ่กว่าผู้ให้บริการรายใดจะชนะ

ธรรมชาติขององค์กร

นักเศรษฐศาสตร์ Ronald Coase ตั้งคำถามในบทความปี 1937 เรื่อง The Nature of the Firm ว่า ทำไมองค์กรจึงมีอยู่? หากตลาดสามารถประสานกิจกรรมทางเศรษฐกิจผ่านราคาและสัญญาได้ ทำไมต้องรวบรวมคนเข้ามาในบริษัท ให้ผู้จัดการสั่งการงานของพวกเขา?

คำตอบของเขาอยู่ที่ต้นทุนธุรกรรม การหาคนที่เหมาะสม ตกลงกันว่าจะทำอะไรและราคาเท่าไร ดูแลกระบวนการทั้งหมด ล้วนต้องใช้เวลาและเงิน องค์กรแทนที่ธุรกรรมตลาดที่ซ้ำซากบางส่วนด้วยข้อตกลงที่ไม่กำหนดงานเฉพาะแต่ละอย่างล่วงหน้า ทำให้ผู้จัดการสามารถจัดสรรทรัพยากรภายในขอบเขตที่ตกลงกันไว้

อย่างไรก็ตาม การจัดระเบียบงานภายในองค์กรก็มีต้นทุนเช่นกัน เมื่อบริษัทเติบโตขึ้น ข้อมูลต้องส่งผ่านคนมากขึ้น ในที่สุด ต้นทุนการจัดระเบียบธุรกรรมภายในจะเท่ากับต้นทุนการซื้อจากตลาด ตามคำอธิบายของ Coase องค์กรจะขยายตัวต่อไปจนกว่าต้นทุนทั้งสองนี้จะเท่ากัน

40 ปีต่อมา Herbert Simon หนึ่งในไม่กี่คนที่ได้รับทั้งรางวัลโนเบลและรางวัลทัวริง พบว่าการรวมศูนย์ความทรงจำขององค์กรช่วยให้ตัดสินใจแบบกระจายศูนย์ได้ เขาเขียนว่า บันทึกคอมพิวเตอร์ที่ใช้ร่วมกัน "ทำให้จุดตัดสินใจที่กระจายอยู่ต่าง ๆ สามารถทำงานได้อย่างอิสระ" เพราะระบบจะตรวจสอบการกระทำเหล่านี้และประสานกับบันทึกที่ใช้ร่วมกันโดยอัตโนมัติ

ตัวอย่างเช่น ตัวแทนขายตั๋วในบอสตันไม่ต้องโทรหาตัวแทนคนอื่นทั้งหมดก่อนขายที่นั่งสุดท้ายของเที่ยวบินไปชิคาโก เธอแค่ดูบันทึก เมื่อเธอขายที่นั่งนั้น บันทึกที่ทุกคนเห็นก็จะอัปเดตตาม การรวมศูนย์สถานะธุรกิจทำให้การกระทำแบบกระจายศูนย์ปลอดภัยขึ้น เพราะผู้คนประสานงานผ่านบันทึกที่ใช้ร่วมกันได้ โดยไม่ต้องสื่อสารกับคนอื่นทีละคน

ฐานข้อมูลเชิงสัมพันธ์ขยายหลักการนี้ไปทั่วทั้งองค์กร งานที่เคยต้องใช้รายงาน การประชุม และการส่งต่องานระหว่างผู้จัดการ ตอนนี้ทำได้ด้วยการสืบค้นบันทึกที่ใช้ร่วมกันเพียงครั้งเดียว ทำให้บริษัทประสานงานผลิตภัณฑ์ สถานที่ ผู้คน และธุรกรรมได้มากขึ้น โดยไม่ต้องเพิ่มจำนวนผู้จัดการตามสัดส่วน

ในช่วงทศวรรษ 1990 อินเทอร์เน็ตทำให้โลกภายนอกเขียนข้อมูลลงในบันทึกขององค์กรได้ ทำให้ตลาดออนไลน์ประสานงานธุรกรรม สินค้าคงคลัง และการชำระเงินระหว่างคนแปลกหน้าหลายล้านคนได้

เมื่อต้นทุนธุรกรรมทั้งภายในและภายนอกลดลง ยุคฐานข้อมูลไม่ได้ทำให้องค์กรทั้งหมดใหญ่ขึ้นหรือเล็กลงอย่างสม่ำเสมอ แต่ทำให้รูปแบบองค์กรหลากหลายขึ้น บริษัทใหญ่สามารถจัดการการดำเนินงานที่ซับซ้อนกว่ามาก ส่วนบริษัทเล็กสามารถเช่าหรือซื้อความสามารถที่เคยต้องมีแผนกทั้งแผนก

AI น่าจะเดินตามเส้นทางคล้ายกัน ภายในองค์กร Agent ลดต้นทุนการประสานงานได้ด้วยการสร้างรายงาน ค้นหา และงาน例行อัตโนมัติ ภายนอกองค์กร Agent ช่วยค้นหาและประเมินซัพพลายเออร์ เจรจาเงื่อนไขมาตรฐาน และติดตามผลลัพธ์ได้

เช่นเดียวกับฐานข้อมูลรุ่นก่อน AI จะทำให้องค์กรและตลาดรองรับกิจกรรมที่ซับซ้อนขึ้น แต่ผลกระทบที่ลึกซึ้งกว่าอาจอยู่ที่การเปลี่ยนรูปแบบการจัดระเบียบขององค์กร

องค์กรทั่วไปในศตวรรษที่ 20 เป็นรูปพีระมิด เพราะลำดับชั้นคือระบบประมวลผลข้อมูลของพวกเขา ข้อเท็จจริงถูกส่งขึ้นข้างบนผ่านรายงานและการประชุม การตัดสินใจถูกส่งลงมาข้างล่างเป็นขั้น ๆ การไหลของข้อมูลสอดคล้องกับแผนผังองค์กร ฝ่ายจัดการตัดสินใจว่าข้อมูลใดควรเก็บและแบ่งปัน ซึ่งหมายความว่าการรับรู้ตนเองของบริษัทขึ้นอยู่กับข้อมูลที่ผู้จัดการเลือกเก็บ

ฐานข้อมูลเปลี่ยนโครงสร้างนี้ แต่เพียงบางส่วน บันทึกที่ใช้ร่วมกันทำให้ผู้คนเข้าถึงข้อมูลได้โดยตรงและทำงานอิสระขึ้น แต่พวกเขามักยังถูกจำกัดอยู่ในกระบวนการที่คนอื่นออกแบบไว้

ตลอดช่วงเวลาส่วนใหญ่ของยุคคอมพิวเตอร์ ผู้จัดการ ทีมปฏิบัติการ และวิศวกรจำนวนค่อนข้างน้อยเป็นผู้กำหนดโครงสร้างข้อมูล ตัวชี้วัด แอปพลิเคชัน และเวิร์กโฟลว์ของบริษัท จำนวนพนักงานที่ใช้ระบบเหล่านี้มีมากกว่าผู้ที่มีส่วนร่วมในการออกแบบมาก

สิ่งนี้ไม่เพียงจำกัดสิ่งที่ผู้คนทำได้ แต่ยังจำกัดสิ่งที่องค์กรรู้ด้วย ตัวอย่างเช่น พนักงานบริการลูกค้าอาจได้ยินข้อร้องเรียนเดียวกันหลายครั้งต่อสัปดาห์ แต่ถ้าหัวหน้าของเธอไม่เขียนรายงานบันทึกไว้ บริษัทก็ไม่มีทางรู้สิ่งที่เธอรู้ และการแก้ปัญหานั้นก็เป็นอีกเรื่องหนึ่ง

ปัจจุบัน อุปสรรคทางเทคนิคในการเข้าถึงข้อมูลและการลงมือทำกำลังลดลงพร้อมกัน

ดังที่ Andrej Karpathy กล่าวในปี 2023 ว่า "ภาษาโปรแกรมใหม่ที่ร้อนแรงที่สุดคือภาษาอังกฤษ" อินเทอร์เฟซภาษาธรรมชาติช่วยให้ผู้เชี่ยวชาญในสาขาต่าง ๆ สืบค้นข้อมูลองค์กรได้โดยตรง โดยไม่ต้องรอให้คนที่รู้ SQL หรือ Python นึกถึงคำถามเหล่านี้ หรือตอบแทนพวกเขา

ที่ Novo Nordisk บริษัทด้านการดูแลสุขภาพระดับโลกอายุร้อยปี นักวิทยาศาสตร์เคยต้องรอให้วิศวกรข้อมูลเขียนคำสั่งสืบค้น ตอนนี้พวกเขาแค่ขอให้ Genie "แสดงข้อมูลทั้งหมดที่เกี่ยวข้องกับโรคอ้วน" แล้วมันก็จะค้นหาการทดลอง ผลการวิจัย และภาพแสดงข้อมูลที่เกี่ยวข้องทันที

ภายในขอบเขตสิทธิ์ที่กำหนดไว้ พนักงานยังสร้างโซลูชันเองได้ ประหยัดเวลาหลายชั่วโมงหรือหลายวัน ที่ Rivian ผู้ผลิตรถยนต์ไฟฟ้า นักวิเคราะห์การเงินที่ไม่มีประสบการณ์ SQL ใช้ Genie สร้างแดชบอร์ดรายได้ให้ CFO นักวิเคราะห์ซัพพลายเชนพัฒนาแอปพลิเคชันติดตามการขนส่งขาเข้า

นี่ไม่ได้หมายความว่าทุกคนเข้าถึงข้อมูลหรือทรัพยากรทั้งหมดของบริษัทได้โดยไม่ได้รับอนุมัติ เมื่อการทำงานกระจายตัวมากขึ้น ontology ทางธุรกิจที่ใช้ร่วมกัน ระบบสิทธิ์ และกลไกความรับผิดชอบยิ่งสำคัญขึ้น ระบบข้อมูลองค์กรรวมศูนย์การจัดการสถานะธุรกิจและขอบเขตการดำเนินงาน ขณะเดียวกันก็ให้ผู้คนจำนวนมากขึ้นตั้งคำถาม ออกแบบเวิร์กโฟลว์ และลงมือทำได้

ในเดือนมีนาคม Jack Dorsey เผยแพร่แถลงการณ์ชื่อ From Hierarchy to Intelligence แนะนำว่า Block บริษัทของเขาเริ่มทดลองแนวคิดนี้ในเวอร์ชันที่ก้าวหน้ามากขึ้นอย่างไร เขาเขียนว่า "เป็นครั้งแรกในประวัติศาสตร์ ที่ระบบหนึ่งสามารถรักษาแบบจำลองล่าสุดของทั้งองค์กรได้อย่างต่อเนื่อง และประสานงานตามแบบจำลองนั้น ในอดีต งานนี้ต้องใช้มนุษย์ส่งต่อข้อมูลผ่านการจัดการหลายชั้น"

แนวคิด "ระบบข้อมูลองค์กรที่ยึด Agent เป็นศูนย์กลาง" ของ Ali คล้ายกับสิ่งที่ Jack เรียกว่า "แบบจำลองโลก" ขององค์กร คือแบบจำลองที่อัปเดตอย่างต่อเนื่อง แสดงการดำเนินงาน การตัดสินใจ ความสามารถ และลำดับความสำคัญขององค์กร พนักงานแนวหน้าทำให้แบบจำลองเชื่อมโยงกับความเป็นจริง ส่วนแบบจำลองให้บริบทที่ใช้ร่วมกันซึ่งจำเป็นต่อการลงมือทำ

"มนุษย์เข้าถึงพื้นที่ที่แบบจำลองเข้าไม่ถึงได้" Dorsey อธิบาย "พวกเขารับรู้สิ่งที่แบบจำลองรับรู้ไม่ได้: สัญชาตญาณ การตัดสินทิศทางที่ชัดเจน บริบททางวัฒนธรรม การเปลี่ยนแปลงของความสัมพันธ์ที่ไว้วางใจ และบรรยากาศหน้างาน พวกเขาจะตัดสินใจในสิ่งที่แบบจำลองไม่ควรตัดสินใจเอง โดยเฉพาะการตัดสินใจเชิงจริยธรรม สถานการณ์ใหม่ทั้งหมด และช่วงเวลาสำคัญที่ความผิดพลาดอาจ危及ความอยู่รอดขององค์กร"

ด้วยวิธีนี้ องค์กรสามารถประสานงานด้วยลำดับชั้นการจัดการที่น้อยลง ขณะที่การทำงานกระจายตัวมากขึ้น ทำให้ผู้นำเห็นสถานะงานชัดเจนขึ้น

ในมุมมองของ Dorsey ข้อได้เปรียบในการแข่งขันของโครงสร้างใหม่นี้คือความเร็ว "บริษัททำงานเร็วหรือช้าขึ้นอยู่กับว่าข้อมูลไหลอย่างไร" เขากล่าว "ลำดับชั้นและผู้จัดการระดับกลางขัดขวางการไหลของข้อมูล"

Ali เห็นด้วยกับ Dorsey เป็นส่วนใหญ่ แต่มีจุดหนึ่งที่ต่าง "ในเชิงปรัชญา ผมเห็นด้วยกับ Jack Dorsey" เขากล่าว "คำถามคือ สิ่งนี้ใช้กับแผนผังองค์กรของพนักงานที่เป็นมนุษย์ด้วยหรือไม่" เขาคิดว่าผู้คนสับสนสองสิ่ง: โครงสร้างองค์กรของบริษัท กับวิธีการไหลของข้อมูลภายในบริษัท

"เมื่อสิบหรือยี่สิบปีก่อน สองสิ่งนี้เป็นสิ่งเดียวกันจริง ๆ" ตอนนั้น การจะรู้ว่าเกิดอะไรขึ้นในบริษัท ต้องถามไปตามโครงสร้างองค์กรทีละชั้น: คุณถามลูกน้อง แล้วพวกเขาก็ถามลูกน้องของพวกเขาต่อ แต่ตอนนี้ไม่ใช่แล้ว

บริษัทยังต้องการผู้จัดการ แต่ไม่ต้องการคนที่ทำหน้าที่ส่งต่อข้อมูลมากเท่าเดิม การฝึกอบรมพนักงาน ช่วยทีมตัดสินว่าอะไรสำคัญกว่า สังเกตว่าใครกำลังท้อแท้ ยังต้องใช้คนดูแล

ดังนั้น แม้ทั้งสองคนจะเห็นต่างกันว่าชั้นการจัดการจะลดลงแค่ไหน แต่ทั้งคู่เห็นตรงกันว่า AI จะ接管งานส่งต่อข้อมูล ในศตวรรษที่ 20 ผู้จัดการได้อำนาจมหาศาลก็เพราะบริษัทซับซ้อนเกินไปและต้องพึ่งพางานประสานงานเหล่านี้

การปฏิวัติการจัดการครั้งที่สอง

85 ปีที่แล้ว หลังภาวะเศรษฐกิจตกต่ำครั้งใหญ่ไม่นาน James Burnham เขียนหนังสือ The Managerial Revolution หนังสือเล่มนี้ทำนายการเปลี่ยนแปลงครั้งใหญ่ในวิธีการดำเนินงานขององค์กร และแม้แต่ระบบทุนนิยมเอง

หลังภาวะเศรษฐกิจตกต่ำครั้งใหญ่ มีมุมมองที่แพร่หลายว่าทุนนิยมแบบผู้ประกอบการมาถึงจุดจบแล้ว และต้องมีระบบใหม่เข้ามาแทนที่ ทางเลือกยอดนิยมในตอนนั้นรวมถึงองค์กรรวมหมู่แบบสังคมนิยมและการโอนเป็นของรัฐ

Burnham เข้าใจสิ่งที่กำลังเกิดขึ้น เขาเสนอความเป็นไปได้ที่สาม นี่ไม่ใช่แค่โครงสร้างองค์กร แต่เป็นระเบียบสังคมใหม่ทั้งหมด ซึ่งเขาเรียกว่า "สังคมการจัดการ" ในระบบนี้ ชนชั้นปกครองที่ชี้ขาดไม่ใช่เจ้าของทุนแบบดั้งเดิมหรือคนงาน แต่เป็นผู้จัดการมืออาชีพ นักวางแผน ข้าราชการ และผู้บริหารระดับสูงที่ดำเนินงานองค์กรขนาดใหญ่และหน่วยงานรัฐ

เขาเห็นว่าสถาบันสมัยใหม่ซับซ้อนทางเทคนิคเกินกว่าที่นายทุนรายบุคคลจะสั่งการได้ ไม่มีซีอีโอคนใดรู้ทุกอย่างที่เกิดขึ้นในบริษัทที่มีพนักงาน 100,000 คน ดังนั้น อำนาจควบคุมจะค่อย ๆ ย้ายจากเจ้าของและผู้เชี่ยวชาญในสาขาไปยังผู้จัดการฝ่ายบริหาร

ในช่วงครึ่งหลังของศตวรรษที่ 20 รูปแบบการจัดการที่นำโดยผู้จัดการมืออาชีพเกือบจะชนะขาด "ผู้บริหารระดับสูงส่วนใหญ่ในบริษัท Fortune 500 ไม่ใช่ผู้เชี่ยวชาญในสาขาของตน และแน่นอนว่าไม่ใช่ผู้ก่อตั้งบริษัทเหล่านั้น" Marc Andreessen กล่าว

"พวกเขาเป็นผู้จัดการมืออาชีพ ที่จริงแล้ว ในอาชีพของพวกเขา พวกเขาน่าจะเคยบริหารธุรกิจหลายประเภท: อยู่ในวงการดูแลสุขภาพสักพัก แล้วย้ายไปบริการการเงิน แล้วย้ายไปอุตสาหกรรมอื่น"

แต่ชัยชนะนี้กำลังหมดข้อได้เปรียบของตัวเอง ชนชั้นผู้จัดการที่ Burnham กล่าวถึงนำมาซึ่งความสามารถในการจัดการที่ขยายได้และการดำเนินงานมืออาชีพที่มั่นคง แต่แลกมาด้วยความเร็วและความสามารถในการปรับตัว โดยเฉพาะในช่วงที่เทคโนโลยีเปลี่ยนแปลงอย่างรวดเร็ว

Marc เชื่อว่าโครงสร้างพื้นฐานข้อมูลที่ดีรวมกับ Agent อาจช่วยให้บริษัทคงความมีชีวิตชีวาของผู้ก่อตั้งไว้ได้ พร้อมกับรักษาความสามารถในการประสานงานที่องค์กรขนาดใหญ่ต้องการ

ในอดีต งานส่งต่อข้อมูลและประสานงานบางอย่างทำให้การจัดการเป็นสิ่งจำเป็น Agent จะทำให้งานเหล่านี้บางส่วนเป็นอัตโนมัติ ช่วยให้ผู้ก่อตั้งจำนวนมากขึ้นใช้รูปแบบการดำเนินงานนี้ได้ ระบบข้อมูลของบริษัทจะมอบบริบทและสิทธิ์ที่จำเป็นต่อการลงมือทำแก่พนักงานแนวหน้า

Elon Musk ผลักดันแนวคิดของ Marc ไปไกลกว่านั้น เมื่อต้นปีนี้ เขาทำนายว่าบริษัทที่ยัง "มีมนุษย์เกี่ยวข้อง" จะพ่ายแพ้ เขาเห็นว่าในยุค AI การให้มนุษย์อยู่ในกระบวนการ ก็เหมือนการใช้สเปรดชีตแต่บังคับให้บางเซลล์ต้องคำนวณด้วยมือ

ในทิศทางสุดท้าย Elon อาจพูดถูก แต่ไม่มีใครรู้ว่าเราอยู่ห่างจากบริษัทอัตโนมัติเต็มรูปแบบแค่ไหน บางคนทำนายว่าแค่ไม่กี่ปี บางคนคิดว่าเป็นไปไม่ได้เลย

ก่อนถึงจุดนั้น ผลลัพธ์สำคัญที่แฝงความย้อนแย้งคือ การเสื่อมถอยของรูปแบบการจัดการมืออาชีพ อาจแสดงออกในรูปที่ทุกคนเริ่มรับงานจัดการ ไม่ใช่ทุกคนจะมีลูกน้องโดยตรง แต่จะมีผู้คนจำนวนมากขึ้นรับผิดชอบในการระบุงาน มอบหมายงาน ตรวจสอบผลลัพธ์ และปรับปรุงกระบวนการ การปฏิวัติการจัดการครั้งที่สอง ไม่ใช่การสูญสิ้นของการจัดการ แต่เป็นการสิ้นสุดการผูกขาดงานจัดการโดยชนชั้นผู้จัดการมืออาชีพ

วิศวกรซอฟต์แวร์รู้สึกถึงสิ่งนี้อย่างแรงกล้าแล้ว: งานของพวกเขากำลังเปลี่ยนจากการเขียนโค้ดด้วยมือ เป็นการจัดการกลุ่ม Agent เขียนโปรแกรม วันของวิศวกรมากขึ้นเรื่อย ๆ เหมือนผู้จัดการ: กำหนดปัญหา แบ่งเป็นงานย่อย มอบหมายให้ Agent ที่ทำงานคู่ขนาน และตรวจสอบคำขอ merge โค้ดที่ส่งมา อนุมัติบางส่วน ตีกลับบางส่วนพร้อมความคิดเห็น

เมื่อ Agent มีความสามารถในสาขามากขึ้น ผู้ทำงานด้านความรู้จำนวนมากขึ้นจะประสบการเปลี่ยนแปลงคล้ายกัน: จากการลงมือทำทุกขั้นตอนด้วยตัวเอง เป็นการระบุความต้องการ มอบหมายงาน และตัดสินผลลัพธ์

นักวิทยาศาสตร์ของ Novo Nordisk และนักวิเคราะห์ซัพพลายเชนของ Rivian กำลังสั่งการ Agent ผ่าน Genie ให้ทำงานที่เคยต้องใช้ทีมวิศวกรหรือนักวิทยาศาสตร์ข้อมูลทั้งทีม ทำให้ทีมเหล่านี้มุ่งเน้นงานที่มีคุณค่าเชิงกลยุทธ์สูงสุดได้

นี่เป็นข่าวดีต่อผลิตภาพและค่าจ้างของมนุษย์ เพราะการลงมือทำและการตัดสินใจเป็นสิ่งเสริมกันทางเศรษฐกิจ: เมื่อ AI ลดต้นทุนงานประจำ ความต้องการความสามารถในการตัดสินใจเพื่อชี้นำงานเหล่านี้ก็จะสูงขึ้น

หนึ่งศตวรรษก่อน นักคณิตศาสตร์ Alfred North Whitehead ชี้ว่า "ความก้าวหน้าของอารยธรรมวัดจากระดับที่การดำเนินการสำคัญสามารถทำได้โดยที่เราไม่ต้องคิด" องค์กรก็เช่นกัน ทุกครั้งที่วงจรงานหนึ่งถูกทำให้สมบูรณ์ ก็เพิ่มความสามารถในการดำเนินงานอัตโนมัติ

ทุกครั้งที่มีคนแก้ไขวงจรงานของ Agent การแก้ไขนั้นควรปรับปรุงการทำงานครั้งต่อไป เมื่อวงจรใดพิสูจน์ได้ว่าทำงานที่กำหนดไว้ชัดเจนได้อย่างน่าเชื่อถือ มนุษย์ก็ถอนตัวออกจากวงจรนั้นได้ แล้วไปยังปัญหาที่ยังไม่แก้ต่อไป พร้อมกับทิ้งประสบการณ์ที่สะสมไว้ในบันทึกที่ใช้ร่วมกันของบริษัท

อย่างไรก็ตาม ดังที่ Burnham อาจสังเกตเห็นเช่นกัน การจะรักษาความเป็นอัตโนมัติไว้ได้ บริษัทต้องควบคุมแบบจำลองของตัวเอง และความรู้ทั้งหมดที่พนักงานแนวหน้ามอบให้แบบจำลอง

องค์กรที่เป็นอัตโนมัติและควบคุมได้

ในบริษัทที่มี Agent ร่วมดำเนินงาน คนเก่งจะมีค่ามากกว่าที่เคย แต่คนเก่งก็มา ๆ ไป ๆ ขณะเดียวกัน แบบจำลองก็พัฒนาขึ้นเรื่อย ๆ และคู่แข่งทุกรายเช่าแบบจำลองเดียวกันได้ แล้วในโลกใหม่นี้ บริษัทจะสร้างข้อได้เปรียบในการแข่งขันที่ยั่งยืนได้อย่างไร?

ลองนึกภาพธนาคารสองแห่งเช่าแบบจำลองชั้นนำตัวเดียวกันเพื่อช่วยตัดสินใจสินเชื่อ ธนาคารแรกส่งพรอมต์ให้แบบจำลอง รับคำตอบ แล้วบันทึกการตัดสินใจสุดท้าย ธนาคารที่สองบันทึกว่าข้อเท็จจริงใดนำไปสู่คำตอบ มนุษย์แก้ไขอะไรบ้าง การตัดสินใจใดได้ผล ใดล้มเหลว และปรับนโยบายอย่างต่อเนื่องตลอดกระบวนการ

หนึ่งปีต่อมา เมื่อแบบจำลองที่ดีกว่าปรากฏขึ้น มีธนาคารเพียงแห่งเดียวที่ก้าวหน้าจริง หากคุณเปลี่ยนแบบจำลอง AI ของบริษัท แล้วแบบจำลองใหม่สืบทอดคำนิยามทางธุรกิจ การตั้งค่าสิทธิ์ กรณีที่ประเมินแล้ว ประวัติลูกค้า และประสบการณ์การจัดการกรณีพิเศษที่ได้มาอย่างยากลำบาก นั่นคือรากฐานของข้อได้เปรียบในการแข่งขันที่ยั่งยืน หากแบบจำลองใหม่เริ่มจากพรอมต์เดียวกันกับคู่แข่งทุกราย ก็ไม่มีรากฐานเช่นนั้น

ธนาคารที่สองคือสิ่งที่ผู้คนเริ่มเรียกว่าองค์กร "ที่เป็นอัตโนมัติและควบคุมได้" หากซัพพลายเออร์ขึ้นราคา เปลี่ยนเงื่อนไข หรือเลิกผลิตแบบจำลองใด องค์กรสามารถเปลี่ยนซัพพลายเออร์ได้โดยไม่สูญเสียประสบการณ์ที่สะสมไว้ เมื่อแบบจำลองฉลาดขึ้นเรื่อย ๆ และบริษัทพึ่งพามันมากขึ้น ความเป็นอิสระนี้จะยิ่งสำคัญขึ้นเท่านั้น

ในบทความล่าสุด Satya Nadella ซีอีโอของ Microsoft ได้ข้อสรุปคล้ายกันจากอีกมุมหนึ่ง เขาเห็นว่าแบบจำลอง AI ดูดซับความเชี่ยวชาญของบุคคลและองค์กรอย่างต่อเนื่อง แล้วเปลี่ยนเป็นความสามารถที่ใช้ได้ทั่วไป ดังนั้น "ทุกบริษัทต้องสร้างสิ่งที่ผมเรียกว่าทุนมนุษย์และทุน Token"

ทุนมนุษย์ประกอบด้วยความรู้ การตัดสินใจ ความสัมพันธ์ และความคิดสร้างสรรค์ของพนักงาน ส่วนทุน Token คือความสามารถ AI ที่องค์กรสร้างและควบคุม ทั้งสองสะสมและเติบโตไปด้วยกันในวงจรการเรียนรู้ที่ต่อเนื่อง และ "วงจรนี้จะกลายเป็นทรัพย์สินทางปัญญาใหม่ขององค์กร"

ข้อมูลเป็นรากฐานของทุน Token "ข้อมูลธุรกิจของทุกบริษัทคือเหมืองทองของตัวเอง" Jensen Huang ซีอีโอของ NVIDIA กล่าวกับผู้ชมในงาน Data + AI Summit ปี 2024 ของ Databricks เขาอธิบายว่า ตั้งแต่การออกแบบชิปไปจนถึงซัพพลายเชน เกือบทุกกระบวนการของ NVIDIA เริ่มจากวงล้อข้อมูล

"นี่ทำให้เราเป็นหนึ่งใน 'บริษัทเล็ก' ที่ใหญ่ที่สุดในโลก" เขากล่าว ตอนนั้น NVIDIA มีมูลค่ามากกว่า 3 ล้านล้านดอลลาร์ แต่มีพนักงานเพียง 30,000 คน "เหตุผลก็คือมี AI จำนวนมากในบริษัทช่วยเราทำงานที่ยอดเยี่ยม" Huang เชื่อว่าทุกบริษัทจะเป็นเช่นนี้ "นี่เป็นยุคที่ยอดเยี่ยม" เขากล่าว "และทุกอย่างเริ่มจากข้อมูล"

อนาคตขององค์กร

เพื่อให้ Agent ทำงานในองค์กรได้อย่างน่าเชื่อถือ ระบบข้อมูลต้องตอบคำถามสี่ข้ออย่างต่อเนื่อง: เกิดอะไรขึ้น ข้อมูลเหล่านี้หมายถึงอะไร อนุญาตให้ทำอะไรได้บ้าง และการกระทำนั้นได้ผลหรือไม่

ด้วยรากฐานนี้ มนุษย์และ Agent ต่างทำงานได้ด้วยตัวเอง โดยไม่ต้องให้ทุกการตัดสินใจผ่านการจัดการหลายชั้น ผลลัพธ์ของการกระทำก็จะกลับเข้าสู่บันทึกที่องค์กรควบคุมเอง

ต้นทุนการประสานงานจะลดลง ทำให้บริษัททำงานได้มากขึ้นด้วยพนักงานที่มีอยู่ บริษัทใหม่ที่เคยทำไม่ได้ในเชิงธุรกิจก็จะเกิดขึ้น เพราะคนสิบคนทำงานที่เคยต้องใช้คนหลายพันคนได้ และก่อนที่ AI จะทำทุกอย่างที่คนเก่งทำได้ คนเก่งจะมีค่ามากขึ้น ไม่ใช่ลดค่าลง วันนั้นยังอีกไกล

คนจำนวนน้อยลงจะทำงานตามกระบวนการที่คนอื่นออกแบบ เพราะ Agent จะจัดการงานที่เรารู้วิธีทำแล้ว คนจำนวนมากขึ้นจะหันไปหาปัญหาที่ยังไม่แก้: ตัดสินว่าอะไรดี สังเกตว่ากำลังเกิดการเปลี่ยนแปลงอะไร และตัดสินใจว่าควรสร้างอะไรต่อไป

ในอีกหลายทศวรรษข้างหน้า ผู้คนจะทำงานอะไรทุกวัน? คำตอบที่ตรงไปตรงมาคือ: ทำสิ่งที่เรายังคิดไม่ออกว่าต้องทำอย่างไร เมื่อ Agent และองค์กรทำให้งานที่เรารู้วิธีทำเป็นอัตโนมัติมากขึ้น ผู้คนจะร่วมกับปัญญาใหม่นี้ สร้างสิ่งใหม่ที่ยอดเยี่ยม และแก้ปัญหาที่เคยเกินความสามารถของเรา