Open Loop, Closed Loop: ทำไมการเอา AI มาใช้ ไม่เท่ากับการเป็นบริษัท AI Native

มีคำถามหนึ่งที่ผมได้ยินบ่อยขึ้นเรื่อย ๆ ในช่วงปีที่ผ่านมา:

“พนักงานเราใช้ ChatGPT กันทุกคนมาเป็นปีแล้ว บริษัทจ่ายค่า license ไปเยอะมาก แต่ทำไมการทำงานไม่ได้เปลี่ยนแปลงไปเท่าที่ควร?”

คำตอบที่ดูง่าย ๆ คือ “เพราะใช้ไม่เป็น” หรือ “ขาด use case ที่ใช่” แต่ผมคิดว่าคำตอบจริง ๆ ลึกกว่านั้น

มันไม่ใช่ปัญหาว่าใช้ AI ไม่เป็น มันคือปัญหาว่า โครงสร้างของบริษัทยังไม่ได้ออกแบบให้ AI ทำงานได้จริง

คนคือ middleware

ลองมองวิธีที่งานปกติเดินอยู่ในองค์กรส่วนใหญ่ตอนนี้

มีพนักงานเปิด ChatGPT ถามคำถาม ได้คำตอบมา copy ไปวางใน Slack เอาข้อมูลจาก Slack ไปกรอกใน Google Sheets จาก Sheets ไปอัปเดต CRM จาก CRM ไป trigger email ส่งให้ลูกค้า manually

ในทุกขั้น คนคือผู้ที่เชื่อมระหว่างระบบ คนคือกาว คนคือ middleware

ผลลัพธ์: AI ช่วยเร็วขึ้นในแต่ละขั้น แต่ “ทั้ง flow” ไม่ได้เร็วขึ้นมาก เพราะคอขวดจริงคือเวลาที่คนใช้กระโดดระหว่างระบบ ไม่ใช่เวลาที่คนใช้คิด

นี่คือสิ่งที่ Diana Hu จาก Y Combinator เรียกว่า “open loop company” — บริษัทที่มี AI แต่ AI ไม่ได้ทำให้ loop ของงานปิด คนยังเป็นกาวเชื่อมระบบเหมือนเดิม

ตรงข้ามคือ “closed loop company” — บริษัทที่ออกแบบให้ระบบเชื่อมต่อกันโดยมี AI เป็น middleware เอง คนถอยไปอยู่ที่จุดที่ judgment ของคนสำคัญจริง ๆ เท่านั้น

ความต่างนี้ฟังดูเรียบง่าย แต่มันคือเส้นแบ่งที่แท้จริงระหว่าง “บริษัทที่ใช้ AI” กับ “บริษัทที่เป็น AI Native”

สามสถานะของทุก workflow

ในทางปฏิบัติ ทุก workflow ในบริษัทคุณตอนนี้กำลังอยู่ในหนึ่งใน 3 สถานะ:

1. วงเปิด (Open Loop) — AI แค่แนะนำ คนทำงานเอง

AI ให้ output, คน copy-paste ไปใส่ในระบบอื่น, ไม่มี feedback กลับเข้า AI ใช้ได้สำหรับการทดลองและของที่ยังไม่ integrate แต่จะติดเพดานเร็วมาก เพราะคนยังเป็น bottleneck

2. วงปิดที่มีจุดยืนยัน (Human-in-the-Loop) — AI ทำงาน คนยืนที่ “gate”

AI ลงมือทำงานในระบบโดยตรง → หยุดที่จุดสำคัญให้คนยืนยัน → AI ทำต่อ → outcome ป้อนกลับเข้า AI ให้เรียนรู้ ใช้ได้สำหรับงานที่เสี่ยงปานกลาง-สูง ต้องการ accountability หรือยังต้องการสร้าง trust กับ AI

3. วงปิด (Closed Loop) — AI ดำเนินเองและเรียนรู้

AI ทำงานในระบบ → outcome ถูกวัด → feedback ป้อนกลับเข้า AI โดยอัตโนมัติ → ระบบฉลาดขึ้นเองตามเวลา ใช้ได้สำหรับงานที่มี signal ชัด ความเสี่ยงต่ำ และต้องการ scale

สามสิ่งที่ต้องเข้าใจเกี่ยวกับสามวงจรนี้:

ไม่ใช่ทุก workflow ต้องเป็น Closed Loop และ Closed Loop ไม่ได้ “ดีกว่า” Human-in-the-Loop เสมอ การวาง human ในวงคือการ เลือกอย่างตั้งใจ ไม่ใช่การประนีประนอม บางเรื่องที่ผูกกับชีวิตคน เงินจำนวนมาก หรือชื่อเสียงองค์กร — ควรเป็น HITL ตลอดไป

แต่ workflow ที่กำลังอยู่ใน Open Loop โดยไม่ตั้งใจ คือสัญญาณว่าบริษัทยังไม่ได้ออกแบบใหม่ มันคือ “ใช้ AI เป็น tool” ไม่ใช่ “เป็น AI Native”

กฎสามข้อในการออกแบบ loop

ระเบียบวิธีปฏิบัติเพื่อ “ปิด loop” ในองค์กร — กฎสามข้อต่อไปนี้ครอบคลุมการตัดสินใจส่วนใหญ่:

ข้อ 1 · เขียนทุกงานเป็น loop

ทุก workflow ต้อง map ได้เป็นสี่จุด — Input (ข้อมูลเข้าจากไหน), AI action (AI ทำอะไร), Outcome (ผลลัพธ์อะไร), Feedback (outcome ป้อนกลับเข้า AI ยังไง)

ถ้าจุดใดจุดหนึ่งหายไป แสดงว่า loop ยังไม่ปิด การพูดถึง workflow โดยไม่มี diagram สี่จุดนี้ คือการพูดในระดับนามธรรมเกินไปจนไม่นำไปสู่การลงมือทำได้

ข้อ 2 · วาง “คน” ที่จุดเดียวที่ต้องมี

ทุกครั้งที่มีคนอยู่ใน loop ต้องตอบคำถามนี้ได้: “เพราะอะไรที่จุดนี้ต้องมีคน?”

คำตอบที่ใช่: ต้องการ human judgment ในเรื่องที่ context สำคัญ, เป็นจุด accountability ที่กฎหมายหรือจริยธรรมระบุว่าต้องมีคน, ยังไม่มี trust เพียงพอที่จะปล่อย AI ทำเอง (transitional state)

คำตอบที่ไม่ใช่: “ก็เคยเป็นแบบนี้มาตลอด”, “กลัวพลาด” (ถ้า outcome วัดได้ feedback loop จะ correct เอง), “คน HR/Finance/Operations ต้อง approve” (ทำไม? เพราะกฎจริง ๆ หรือเพราะ habit?)

กฎข้อนี้สำคัญที่สุด เพราะองค์กรส่วนใหญ่กระจาย human approval ทั่ว loop โดยไม่ได้คิด ผลคือทั้ง flow ช้า โดยที่ไม่มีคนใดได้ใช้ judgment จริง ๆ ทุกคนแค่ “ดูแล้วอนุมัติ”

ข้อ 3 · ปิด loop ทีละด้าน

เพื่อให้ loop ปิดได้ ต้องมีสามปัจจัย — ขาดอันไหน คือ next thing to fix

Data queryable — ข้อมูลที่ AI/agent ต้องใช้ ต้อง query ได้ทันที ไม่ใช่ติดอยู่ใน PDF ในหัวคน ในไฟล์ excel ที่อยู่บนเดสก์ท็อปของคนหนึ่งคน

Action executable — AI ต้อง trigger action ในระบบได้จริง ไม่ใช่แค่ generate text แล้วให้คนกดปุ่ม

Outcome measurable — สิ่งที่ AI ทำต้องวัดได้ ไม่ใช่แค่ “ดูเหมือนดี” แต่ต้องมี metric ป้อนกลับเข้าระบบเพื่อให้ AI ปรับตัวได้

จุดที่ติดบ่อยที่สุดในองค์กรไทยคือข้อแรก — ข้อมูลกระจัดกระจาย ไม่มี data product ไม่มี knowledge base ที่ semantic search ได้ การเดินทางสู่ AI Native มักเริ่มจาก “ทำให้ข้อมูล queryable” ก่อนเสมอ ก่อนที่จะคุยเรื่องเอเจนต์อะไรก็ตาม

วิธีประเมินบริษัทคุณ ภายในหนึ่งชั่วโมง

วิธีใช้กรอบนี้กับบริษัทหรือทีมตัวเองง่ายมาก ใช้เวลาประมาณหนึ่งชั่วโมงก็พอ

ขั้นแรก ลิสต์ workflow ที่สำคัญที่สุด 10-15 อันในส่วนที่คุณรับผิดชอบ ครอบคลุมทุก function ทุกระดับ — ไม่ใช่แค่ฝั่งเทคโนโลยี รวม sales, customer service, operations, finance, HR, decision-making

ขั้นที่สอง ประเมินแต่ละ workflow ว่าตอนนี้อยู่ในวงไหน — Open / HITL / Closed

ขั้นที่สาม ถามตัวเองสองคำถามนี้

• workflow ไหนที่ “ควรปิด loop ได้แต่ยังไม่ปิด”? — มักจะเป็น quick win เพราะ infrastructure พื้นฐานพร้อมอยู่แล้ว
• workflow ไหนที่ “คนยังเป็น middleware โดยไม่จำเป็น”? — มักจะคุ้มค่ามากเพราะปลดล็อกเวลาคนได้เยอะ

ขั้นที่สี่ เลือก loop แรกที่จะลงมือ และโฟกัสที่ปัจจัยที่ติด — data, action, หรือ measurement?

หลังจากทำเสร็จ คุณจะเห็น landscape ของบริษัทตัวเอง ทันที — เห็นว่าบริษัทอยู่ในเส้นทาง AI Native ห่างใกล้แค่ไหน ส่วนไหนพร้อมก้าวต่อ ส่วนไหนยังติดที่ฐานราก

นี่คือ baseline ที่ใช้ในการ review ทุกไตรมาส ทุกปี ทุกครั้งที่อยากปรับปรุงการทำงาน

บทสรุป: middleware ที่หายไป

มีประโยคหนึ่งของ Diana Hu ที่ผมว่าจับ insight ได้ตรงมาก

เธอบอกว่าในบริษัท AI Native ตำแหน่ง middle management จะค่อย ๆ หายไป เพราะหน้าที่หลักของ middle manager คือ “เป็นตัวกลางระหว่างข้อมูลและการตัดสินใจ” และนั่นคือสิ่งที่ AI ทำได้ดี

ฟังดูน่ากลัวสำหรับใครหลายคน แต่ถ้ามองอีกมุม มันคือการปลดปล่อยคนออกจากบทบาท middleware ให้กลับไปทำสิ่งที่คนทำได้ดีกว่า AI — judgment ในเรื่องที่ context สำคัญ การสร้าง trust ระหว่างคน การออกแบบ loop ใหม่ ๆ การถามคำถามที่ AI ยังถามไม่เป็น

AI Native Transformation ไม่ใช่เรื่องของการ “เอา AI มาใช้มากขึ้น” มันเป็นเรื่องของการ ออกแบบโครงสร้างของบริษัทใหม่ เพื่อให้ loop ปิดได้ และเพื่อให้คนทุกคนกลับไปทำสิ่งที่เป็นมนุษย์มากขึ้น ไม่ใช่กาวระหว่างระบบที่ไม่ได้คุยกัน

จุดเริ่มต้นที่ง่ายที่สุดคือถามทีมตัวเอง: ตอนนี้ในงานที่เราทำกันอยู่ มี loop ไหนที่ปิดอยู่จริง ๆ บ้าง?

ถ้าตอบไม่ได้ — นั่นแหละคือจุดเริ่มต้น

หลักสามข้อในบทความนี้กำลังตกผลึกเป็น studio axiom system Loop design (L1–L?) — ถ้า Round Online และทีมที่ทำงานด้วยใช้หลักนี้จริงในระยะยาว มันจะถูก lock เป็น axiom พร้อมเวอร์ชัน บทความนี้จะยังอยู่เป็นบันทึกว่าหลักนี้มาจากไหน