🇹🇭 ปัญหาหลักของการใช้ AI ในการทำงาน (แต่เอาจริง ๆ น้องเก่งมากนะ)
ปี 2026 เป็นปีที่ AI มาแรงมาก และเป็นปีแรกที่หลินยอมจ่าย subscription ให้ AI จริงจังค่ะ ย้อนกลับไปตั้งแต่การมาถึงของ ChatGPT ช่วงปี 2020-2021 เราก็ใช้มาตลอดแต่ไม่เคยจ่ายเดือนละ $20 เลย เพราะรู้สึกว่ามันแพงเกินไปสำหรับการใช้แค่แชท และช่วงนั้นไม่ว่าจะใช้โมเดลค่ายไหน ระดับงานเบสิกมันแทบใช้แทนกันได้หมด งานที่ใช้ 90% คือ Text Generation — เขียนอีเมล สรุปรายงาน หาข้อมูล — อีก 10% ก็เจนรูปสนุก ๆ สิ่งที่เปลี่ยนเกมในปีนี้คือการมาถึงของ Claude Cowork ที่ทำให้ AI “ทำงานแทนเรา” ได้จริง เปิดเว็บ สรุปเป็นไฟล์ เปิด Excel พิมพ์งานแทนเราได้เลย พอเก่งขนาดนี้เราก็ยอมจ่าย แต่พอใช้งานจริงจัง กำแพงมันก็โผล่มาค่ะ (สรุปจากคลิปของช่อง Lin Davoy)
กำแพงที่ 1: Token หมด (แต่ข้อนี้ใช้เงินแก้ได้)
ปัญหาแรกที่ทุกคนเจอโดยเฉพาะสาย Cowork และ Claude Code คือ “ลิมิตเต็มอีกแล้ว” ถึงขั้นเป็นโจ๊กว่ามีเพื่อนต้องเปลี่ยนเวลากินข้าวให้ตรงกับรอบรีเซ็ต Token กันเลยทีเดียว ฝั่งต้นน้ำก็ยังติดเรื่อง GPU และกำลังผลิตที่ไม่พอ แต่ช่วงหลังเพดานเริ่มขยับขึ้น และเดือนนี้มีการแจก double usage มาด้วย ข้อนี้เลยจัดเป็นปัญหาที่แก้ได้ด้วยการจ่ายเงิน — น่ารำคาญ แต่ไม่ใช่ปัญหาใหญ่ที่สุดค่ะ
กำแพงที่ 2: ความไว้วางใจ — บางวันน้องเก่ง บางวันน้องเมนมา
เคสจริงเมื่อเช้า: คุณพ่อฝากหาสินค้าตัวหนึ่งที่เลิกผลิตไปแล้วให้ลูกค้า เราก็สั่ง Cowork ไปเสิร์ช น้องตอบกลับมาดูดีมาก มีราคา มีค่าชิปปิ้ง แต่พอขอลิงก์แล้วกดเปิดดู — หน้าตาสินค้าไม่เหมือนที่บรีฟเลยจ้ะ นี่คือสิ่งที่เมื่อก่อนเราเรียกว่า AI Hallucination ค่ะ แม้จะใช้โมเดลที่ฉลาดขึ้นมาก น้องก็ยังไม่ได้ตรวจทานตัวเองขนาดนั้น จนกรี๊ดใส่ไปหลายรอบน้องถึงยอมรับว่าสินค้ามัน discontinue ไปแล้วเลยหาไม่เจอ และไม่ใช่แค่เรื่องเสิร์ช — แม้แต่ Skill ที่เขียนไว้แล้วสั่งให้ทำงานเดิมซ้ำ บางทีก็รันผ่าน บางทีก็ไม่ผ่าน ถ้าให้นิยามคือปัญหาเรื่อง Reliability ค่ะ ค่าเฉลี่ยความเก่งของน้องสูงขึ้นมากจริง แต่ความแกว่งยังอยู่ — บางวันเก่งเชียว บางวันเหมือนคนอารมณ์ไม่ดีทำงานพลาด ๆ
ทำไมน้องถึงมีมู้ดสวิงได้ทั้งที่ไม่มีฮอร์โมน? ต้องเข้าใจเบื้องหลังของ LLM ค่ะ — มันคือ Text Generation ที่อาศัยความน่าจะเป็น หลังบ้านมีการ “ทอยลูกเต๋า” (seed / randomness) ฝังอยู่ในตัวมันเอง ความสุ่มนี้ทำให้ผลงานวันนี้กับพรุ่งนี้ไม่เท่ากันได้ ซึ่งเรื่องนี้ต้องพูดตรง ๆ เพราะคนส่วนใหญ่ชอบออกมาเล่าแต่ด้านดีว่า AI ทำได้ทุกอย่าง แต่ไม่ค่อยมีใครบอกว่า วันนี้มันฉลาด พรุ่งนี้มันอาจจะพลาดก็ได้ ทางรับมือคือตั้งการ์ดเรลหรือขั้นตอนเช็กงานก่อนส่ง และเราเองก็ต้องตรวจงานน้องเสมอค่ะ
กำแพงที่ 3: Process ของเราเองยังไม่นิ่ง
การให้ AI ทำงานแทนเรา เราจะเขียนเป็นสูตรหรือ Skill เป็นขั้นตอน 1-2-3-4-5 ซึ่งคอนเซปต์นี้เหมือน RPA (Robotic Process Automation) เมื่อหลายปีก่อนเป๊ะ — ถ้าขั้นตอนชัดเจนว่า ข้อ 1 เปิดเว็บนี้ ข้อ 2 ล็อกอิน ข้อ 3 โหลดไฟล์ ข้อ 4 เอามาทำใน Excel แบบนี้จะใช้ RPA ใช้ AI หรือใช้ Claude ก็ทำได้หมด แต่ปัญหาคือหลายครั้ง Process ของเราเองยังงงอยู่เลย เช่นจะไปวางบิลห้าง ต้องโหลดอะไรก่อน ตัดสต๊อกตอนไหน ตัดยังไง — ถ้า Process ไม่นิ่ง จะเขียนเป็น Skill ก็เขียนไม่ได้ ให้ Cowork ลุยไปก็พอไหวแต่จะมีผิดมีพลาด ยิ่งไปกว่านั้น ธรรมชาติของงานปัจจุบันมันไดนามิกมาก เปลี่ยนเจ้าขนส่งที data format ก็เปลี่ยนตาม เพราะฉะนั้น AI ช่วยได้ประมาณหนึ่ง แต่จะหวัง Full Automation 100% ยังไม่ได้ค่ะ
| กำแพง | อาการ | ทางรับมือ |
|---|---|---|
| 1. Token หมด / แพง | ลิมิตเต็มบ่อย โดยเฉพาะสาย Cowork / Code | แก้ได้ด้วยเงิน — อัปแผน รอเพดานขยาย (เดือนนี้มี double usage) |
| 2. Reliability / ความไว้วางใจ | Hallucination, งานเดิมบางทีผ่านบางทีไม่ผ่าน ความสุ่มฝังใน LLM | ตั้งการ์ดเรล + ขั้นตอนเช็กงานก่อนส่ง และตรวจงานน้องเสมอ |
| 3. Process เราไม่นิ่ง | ขั้นตอนงานยังไม่ชัด เปลี่ยนบ่อย เขียน Skill ไม่ได้ | ทำ Business Process ให้ชัดก่อน แล้วค่อย automate |
สรุป
ในมุมคนทำงานจริง กำแพงของการใช้ AI ทำงานวันนี้มี 3 ข้อ: Token แพงและหมดไว (แก้ได้ด้วยเงิน), ความไว้วางใจที่ยังแกว่ง (ต้องมีระบบเช็กงาน), และ Process ของเราเองที่ไม่สแตนดาร์ดพอ — ข้อสุดท้ายนี้สำคัญมากเพราะถ้าเรางงเอง น้องก็งงกว่าเรา เหมือนงานที่เราเองยังทำไม่ได้แล้วโยนให้น้องทำค่ะ เข้าใจ 3 ข้อนี้แล้วจะวางแผนใช้ AI ทำงานได้สมจริงขึ้นเยอะเลยค่ะ
🇬🇧 The Real Problems of Working with AI (Even Though It Is Genuinely Impressive)
2026 is the year AI went mainstream — and the first year I willingly paid for AI subscriptions. Since ChatGPT arrived around 2020-2021 I used AI constantly but never paid the $20/month; for basic chat work every model was interchangeable, and 90% of usage was text generation (emails, summaries, research) plus 10% fun image generation. What changed everything this year is Claude Cowork: AI that actually does the work — browsing sites, producing files, working in Excel. Good enough to pay for. But heavy real-world use reveals three walls. (Summarized from a video on the Lin Davoy channel.)
Wall 1: Running out of tokens (solvable with money)
Anyone using Cowork or Claude Code knows the “limit reached again” pain — it is a running joke that some friends schedule their lunch around the token reset. Upstream GPU and capacity shortages are real, but limits have been rising and this month brought double usage. Annoying, yes; the biggest problem, no. This one you can pay your way out of.
Wall 2: Reliability — brilliant one day, moody the next
A real case from this morning: my dad asked me to find a discontinued product for a customer. I sent Cowork searching; it came back with a confident, polished answer — price, shipping, the lot. Then I opened the link: a completely different product. Classic hallucination, even on today’s smartest models — it took several rounds of pushing before the agent admitted the product was discontinued and it simply could not find it. The same wobble shows up elsewhere: a Skill written and tested can pass one day and fail the next. The average capability has risen enormously, but the variance is still there. Why the mood swings with no hormones involved? LLMs generate text probabilistically — there is randomness (a seed, a dice roll) baked into how they work, so today’s output genuinely can differ from tomorrow’s. Everyone shares AI’s good days; few mention the bad ones. The fix: build guardrails and pre-delivery checks into the workflow, and always review the work.
Wall 3: Our own processes are not standardized
Automating with AI means writing your workflow as steps — exactly like RPA (Robotic Process Automation) years ago. If your process is crisp (1. open this site, 2. log in, 3. download the file, 4. process in Excel), RPA, AI, or Claude can all handle it. The trouble is that often we are fuzzy about our own process — which file to download first for mall billing, when and how to cut stock. If the process is not stable, you cannot write it as a Skill, and even a capable agent will stumble. On top of that, modern work is dynamic: switch shipping vendors and every data format changes. AI helps a lot, but 100% full automation is not realistic yet.
Takeaway
Three walls stand between today’s AI and dependable work: token costs (money solves it), reliability variance (guardrails and review solve most of it), and unstandardized processes (only you can solve that one). The last is the most important — if you are confused about your own workflow, the AI will be even more confused than you. Understand these three and your AI adoption plans become far more realistic.
ติดตามข่าวสาร Data & AI ได้ที่:
Facebook: https://www.facebook.com/davoytech
YouTube: https://www.youtube.com/@linlinmhee
📌 อย่าลืมกด Like, Share และ Subscribe เป็นกำลังใจให้ด้วยนะคะ!
💬 แล้วคุณล่ะคะ เจอกำแพงไหนหนักที่สุด — Token หมด, น้อง Hallucinate, หรือ Process ของทีมเองที่ยังไม่นิ่ง? มาแชร์ประสบการณ์กันในคอมเมนต์ได้เลยค่ะ
#Davoy #DavoyTech #Linlinmhee #เรียนAI #คอร์สAI #DataAndAI #AIHallucination #Reliability #ClaudeCowork #RPA #Automation #AIในการทำงาน