ธุรกิจ

จดหมายจากปี 2028: การปฏิวัติ AI ที่แท้จริงไม่ได้เป็นอย่างที่เราคิด

"คุณกำลังสร้างเฟอร์รารีเพื่อโลกที่กำลังจะเทเลพอร์ตในเร็วๆ นี้" จดหมายจากปี 2028: บริษัทที่เพียงแค่ "นำ AI มาใช้" ก็เหมือนกับบริษัทที่เพียงแค่ "สร้างเว็บไซต์" ในปี 1995 คำถามที่ผิดเหรอ? "เราจะใช้ AI เพื่อปรับแต่ง X ได้อย่างไร?" คำถามที่ถูกต้องเหรอ? "ถ้าเราออกแบบใหม่ตั้งแต่ต้น X จะยังอยู่ไหม?" คำแนะนำที่เป็นประโยชน์: ใช้ทรัพยากร AI ของคุณ 20% ไปกับการปรับแต่งสิ่งที่คุณทำ แต่ไปกับการคิดว่าควรหยุดทำอะไร

[คำเตือน: นี่คือ "จดหมายจากอนาคต" ที่แต่งขึ้นล้วนๆ เป็นข้อความในขวดที่ถูกปล่อยลงสู่ทะเลแห่งกาลเวลา พร้อมกับรอยยิ้มและความรู้สึกยั่วยุเล็กน้อย ไม่มีนักเดินทางข้ามเวลาคนใดมีส่วนร่วมในการเขียนโพสต์นี้]

เรียนพันธมิตร ลูกค้า และผู้สังเกตการณ์เทคโนโลยีปี 2025

ฉันคือฟาบิโอ ลอเรีย ผู้ก่อตั้ง Electe (ใช่แล้ว เรายังคงมีอยู่จนถึงปี 2028!)* และฉันตัดสินใจที่จะทำลายกฎทุกข้อของการตลาดองค์กรเพื่อแบ่งปันความคิดบางส่วนจากฝั่งสะพานเวลาแห่งนี้กับคุณ

ในปี 2025 คุณยังคงถกเถียงเรื่อง "วิกฤตการณ์กลาง" ของ AI และเขียนรายงานวิชาการเกี่ยวกับ "การบูรณาการอย่างเหมาะสม" ระหว่างมนุษย์และเครื่องจักรอย่างไม่สิ้นสุด เราในปี 2028 เรากำลังมองย้อนกลับไปถึงยุคสมัยที่ระบบนิเวศทางเทคโนโลยีทั้งหมดกำลังพลาดประเด็นสำคัญไปอย่างสิ้นเชิง

สิ่งที่เราเข้าใจ (สายเกินไป)

ในฐานะผู้ก่อตั้งที่ผ่านการระดมทุนมาแล้ว 3 รอบ การเปลี่ยนทิศทาง 2 ครั้ง และความล้มเหลวในการเข้าซื้อกิจการในนาทีสุดท้าย นี่คือความจริงที่ที่ปรึกษาเชิงกลยุทธ์ไม่มีใครอยากยอมรับในปี 2568: เราทุกคนต่างก็พยายามหาคำตอบสำหรับคำถามที่ผิด

บริษัทที่มีนวัตกรรมมากที่สุดไม่ใช่บริษัทที่มี "กลยุทธ์การนำ AI ไปใช้ที่ดีที่สุด" แต่เป็นบริษัทที่มีความกล้าที่จะกำหนดปัญหาที่พวกเขากำลังพยายามแก้ไขใหม่ทั้งหมด

ประสิทธิภาพช่างมันเถอะ (ใช่ ฉันพูดแบบนั้นจริงๆ)

ในปี 2025 KPI ของคุณยังคงวัดว่า AI สามารถทำงานที่มีอยู่ได้เร็วแค่ไหน แต่ในปี 2028 เราจะวัดว่า AI ช่วยให้เราคิดทบทวนงานเหล่านั้นใหม่ หรือขจัดงานเหล่านั้นออกไปโดยสิ้นเชิงได้มากน้อยแค่ไหน

จุดเปลี่ยนมาถึงเมื่อเราหยุดถามว่า "เราจะใช้ AI เพื่อเพิ่มประสิทธิภาพกระบวนการ X ของเราได้อย่างไร" และเริ่มถามว่า "ถ้าเราสามารถออกแบบบริษัทใหม่ตั้งแต่ต้นด้วยเทคโนโลยีเหล่านี้ กระบวนการ X จะยังคงอยู่หรือไม่"

ถึงบริษัทที่กำลังอ่านฉันอยู่

หากคุณเป็นบริษัทที่ลงทุนเป็นล้านๆ เพื่อ "การปรับปรุงเล็กๆ น้อยๆ" โดยใช้ AI คุณก็กำลังสร้าง Ferrari สำหรับโลกที่กำลังจะเทเลพอร์ตในเร็วๆ นี้

นี่คือสิ่งที่ CTO ของคุณควรทำจริงๆ:

  1. ระบุส่วนใดของรูปแบบธุรกิจของคุณที่มีอยู่เพียงเพราะข้อจำกัดทางเทคโนโลยีที่ล้าสมัย
  2. พิจารณาว่าปัญหาใดของลูกค้าที่คุณกำลังแก้ไขโดยอ้อมและคุณสามารถแก้ไขได้โดยตรง
  3. เปลี่ยนทีมผลิตภัณฑ์ของคุณให้กลายเป็นห้องปฏิบัติการ "รื้อถอนสร้างสรรค์" ให้พวกเขามีพลังไม่เพียงแค่สร้าง แต่ทำลายล้างได้ด้วย

สตาร์ทอัพที่กำลังครองตลาดของคุณในปี 2028 ไม่ใช่สตาร์ทอัพที่มี AI ที่ดีที่สุด พวกเขาคือสตาร์ทอัพที่ใช้ AI เพื่อทบทวนความหมายของการเป็นบริษัทในอุตสาหกรรมของคุณเสียใหม่

คำเชิญชวนสู่จินตนาการอันล้ำลึก

ในไทม์ไลน์ของฉัน บริษัทที่เพียงแค่ "นำ AI มาใช้" ก็เหมือนกับบริษัทที่เพียงแค่ "สร้างเว็บไซต์" ขึ้นมาในปี 1995 ซึ่งถือว่าจำเป็น แต่น่าเสียดายที่มันยังไม่เพียงพอ

บริษัทที่ครองตลาดคือบริษัทที่มีความกล้าที่จะจินตนาการว่า "ถ้าเราสามารถแก้ปัญหานี้ตั้งแต่ต้นด้วยเทคโนโลยีที่ดูเหมือนมหัศจรรย์ เราจะทำได้อย่างไร"

ในขณะที่ทุกคนในปี 2568 ต่างยุ่งอยู่กับการถกเถียงกันถึงความสมดุลที่เหมาะสมระหว่างระบบอัตโนมัติและศักยภาพของมนุษย์ ลองช่วยตัวเองด้วยการถามตัวเองว่าปัญหาที่คุณพยายามจะแก้ไขนั้นจะยังคงอยู่ต่อไปอีกสามปีหรือไม่

เจอกันที่นี่อีกนะ มันแปลกกว่า ดุเดือดกว่า และน่าสนใจกว่าที่กระดาษขาวน่าเบื่อๆ ของคุณทำนายไว้เยอะเลย

ฟาบิโอ ลอเรีย ซีอีโอและผู้ก่อตั้ง Electe , 11 พฤษภาคม 2571

ปล. Amazon เพิ่งซื้อ OpenAI ไป และใช่ เราทุกคนก็ตกใจไม่แพ้กัน

คำถามที่พบบ่อยจากปัจจุบันสู่อนาคต

ถาม: คุณคือจอห์น ไทเตอร์ คนใหม่ใช่ไหมครับ? เราควรกังวลเรื่องความขัดแย้งเรื่องเวลาไหม?

A: ต่างจากไทเตอร์ ผมไม่ได้มาที่นี่เพื่อเตือนคุณถึงภัยพิบัติที่กำลังจะเกิดขึ้น หรือพูดถึง IBM 5100 ผมไม่ได้มี C204 Time Displacement Unit ที่ติดตั้งบนเชฟโรเลต—ผมแค่มีแล็ปท็อปที่มีคาเฟอีนมากเกินไปในระบบ "การเดินทางข้ามเวลา" ของผมเกิดขึ้นจากการคาดเดาอย่างสร้างสรรค์เท่านั้น ไม่มีความต่อเนื่องของกาลอวกาศใดได้รับความเสียหายในการเขียนบทความนี้

ถาม: เราควรซื้อ/ขายบริษัทใดบ้างตาม "ข้อมูลเชิงลึกในอนาคต" ของคุณ?

A: ถ้าฉันมาจากอนาคตจริงๆ และมีข้อมูลนี้ การแบ่งปันข้อมูลนี้คงเป็นวิธีสุดท้ายที่จะทำให้ข้อมูลนั้นถูกต้อง! การเปิดเผยข้อมูลในอนาคตย่อมเปลี่ยนแปลงวิถีปัจจุบัน ไม่ว่าในกรณีใด การลงทุนโดยอาศัยโพสต์ที่ยั่วยุบนอินเทอร์เน็ตมักเป็นกลยุทธ์ที่น่าสงสัย ขอยกคำพูดของนักปราชญ์ในยุคสมัยของฉันที่ว่า "ตลาดสามารถคงอยู่อย่างไร้เหตุผลได้นานกว่าที่คุณจะคงสภาพคล่องได้"

ถาม: คุณหมายถึงอะไรด้วย "เหตุการณ์เดนเวอร์" ที่คุณกล่าวถึง?

A: อ้อ อย่างนั้นเอง งั้นก็พูดได้เลยว่าในปี 2026 เราทุกคนจะได้เรียนรู้บทเรียนสำคัญเกี่ยวกับขีดจำกัดของการปรับแต่งอัลกอริทึมในระบบสำคัญๆ แต่อย่ากังวลมากเกินไป เพราะสิ่งนี้ช่วยเร่งให้เกิดการปฏิรูปที่จำเป็นอย่างยิ่ง และนำไปสู่ปฏิญญาเดนเวอร์ว่าด้วยความรับผิดชอบทางเทคโนโลยี อย่างที่ผมพูดเสมอ บางครั้งคุณต้องทำลายอัลกอริทึมเพื่อสร้าง การปฏิวัติ

ถาม: คุณจริงจังกับแนวคิดที่ว่าเราควรหยุดมุ่งเน้นเรื่องประสิทธิภาพหรือเปล่า?

A: ผมไม่ได้สนับสนุนให้ละทิ้งประสิทธิภาพ แต่สนับสนุนให้ลดประสิทธิภาพลงสู่จุดที่เหมาะสม นั่นคือ วิธีการ ไม่ใช่เป้าหมาย ประสิทธิภาพที่ปราศจากทิศทางก็เหมือนกับการมีเฟอร์รารีที่ไร้จุดหมาย ในปี 2028 ของผม บริษัทที่ชาญฉลาดที่สุดมักจะถามตัวเองก่อนว่า "เราควรสร้างอะไร" และหลังจากนั้นจึงค่อยถามว่า "เราจะสร้างมันอย่างมีประสิทธิภาพได้อย่างไร" การกลับคำถามเหล่านี้ถือเป็นความผิดพลาดร่วมกันของเรา

ถาม: คำแนะนำเชิงปฏิบัติจริงเบื้องหลังเรื่องราวแห่งอนาคตทั้งหมดนี้คืออะไร?

A: จัดสรรทรัพยากร AI ของคุณ 20% ไม่ใช่เพื่อเพิ่มประสิทธิภาพสิ่งที่คุณทำอยู่แล้ว แต่เพื่อสำรวจสิ่งที่คุณสามารถหยุดทำไปเลย ข้อได้เปรียบในการแข่งขันที่แท้จริงจะไม่ได้อยู่ที่คนที่ทำสิ่งเดิมๆ ได้เร็วกว่า แต่จะอยู่ที่คนที่ตระหนักก่อนว่าบางสิ่งเหล่านั้นไม่จำเป็นต้องทำอีกต่อไป การทำลายล้างอย่างสร้างสรรค์เริ่มต้นที่บ้าน

[คำเตือน: ข้อความข้างต้นเป็นเพียงเรื่องแต่งขึ้นจากจินตนาการล้วนๆ ไม่มีการกล่าวอ้างถึงการคาดการณ์ตลาด คำแนะนำทางการเงิน หรือข้อเท็จจริงใดๆ เกี่ยวกับอนาคต ผู้เขียนไม่รับผิดชอบต่อการตัดสินใจทางธุรกิจใดๆ ที่เกิดขึ้นจากข้อความในขวดจากไทม์ไลน์อื่น]

ทรัพยากรเพื่อการเติบโตทางธุรกิจ

9 พฤศจิกายน 2568

คู่มือซอฟต์แวร์ Business Intelligence ฉบับสมบูรณ์สำหรับ SMB

SMEs อิตาลี 60% ยอมรับว่ายังมีช่องว่างสำคัญในการฝึกอบรมด้านข้อมูล ขณะที่ 29% ไม่มีแม้แต่ตัวเลขเฉพาะเจาะจง ขณะที่ตลาด BI ของอิตาลีกำลังเติบโตอย่างรวดเร็วจาก 36.79 พันล้านดอลลาร์สหรัฐ เป็น 69.45 พันล้านดอลลาร์สหรัฐ ภายในปี 2034 (อัตราการเติบโตเฉลี่ยต่อปีอยู่ที่ 8.56%) ปัญหาไม่ได้อยู่ที่เทคโนโลยี แต่อยู่ที่วิธีการ SMEs กำลังจมอยู่กับข้อมูลที่กระจัดกระจายอยู่ใน CRM, ERP และสเปรดชีต Excel โดยไม่ได้นำข้อมูลเหล่านั้นมาประกอบการตัดสินใจ ซึ่งใช้ได้กับทั้งผู้ที่เริ่มต้นตั้งแต่ต้นและผู้ที่กำลังมองหาการปรับปรุงประสิทธิภาพ เกณฑ์การคัดเลือกที่สำคัญ ได้แก่ ความสามารถในการใช้งานแบบลากและวางโดยไม่ต้องฝึกอบรมหลายเดือน ความสามารถในการปรับขนาดที่เติบโตไปพร้อมกับคุณ การผสานรวมกับระบบเดิมที่มีอยู่ ต้นทุนการเป็นเจ้าของ (TCO) ที่สมบูรณ์ (การติดตั้ง + การฝึกอบรม + การบำรุงรักษา) เทียบกับราคาใบอนุญาตเพียงอย่างเดียว แผนงานสี่ระยะประกอบด้วยวัตถุประสงค์ SMART ที่วัดผลได้ (ลดอัตราการยกเลิกบริการลง 15% ภายใน 6 เดือน) การจัดทำแผนผังแหล่งข้อมูลที่สะอาด (ข้อมูลขยะเข้า = ข้อมูลขยะออก) การฝึกอบรมทีมเกี่ยวกับวัฒนธรรมข้อมูล และโครงการนำร่องที่มีวงจรป้อนกลับอย่างต่อเนื่อง AI เปลี่ยนแปลงทุกสิ่งทุกอย่าง ตั้งแต่ BI เชิงบรรยาย (สิ่งที่เกิดขึ้น) ไปจนถึงการวิเคราะห์เสริมที่เปิดเผยรูปแบบที่ซ่อนอยู่ การวิเคราะห์เชิงทำนายที่ประเมินความต้องการในอนาคต และการวิเคราะห์เชิงกำหนดที่แนะนำการดำเนินการที่เป็นรูปธรรม Electe กระจายอำนาจนี้ให้กับ SMEs
9 พฤศจิกายน 2568

ระบบระบายความร้อน AI ของ Google DeepMind: ปัญญาประดิษฐ์ปฏิวัติประสิทธิภาพการใช้พลังงานของศูนย์ข้อมูลอย่างไร

Google DeepMind ประหยัดพลังงานระบบทำความเย็นในศูนย์ข้อมูลได้ -40% (แต่ใช้พลังงานรวมเพียง -4% เนื่องจากระบบทำความเย็นคิดเป็น 10% ของพลังงานรวมทั้งหมด) โดยมีความแม่นยำ 99.6% และความผิดพลาด 0.4% บน PUE 1.1 โดยใช้การเรียนรู้เชิงลึก 5 ชั้น โหนด 50 โหนด ตัวแปรอินพุต 19 ตัว จากตัวอย่างการฝึกอบรม 184,435 ตัวอย่าง (ข้อมูล 2 ปี) ได้รับการยืนยันใน 3 สถานที่: สิงคโปร์ (ใช้งานครั้งแรกในปี 2016), Eemshaven, Council Bluffs (ลงทุน 5 พันล้านดอลลาร์) ค่า PUE ทั่วทั้งกลุ่มผลิตภัณฑ์ของ Google อยู่ที่ 1.09 เทียบกับค่าเฉลี่ยของอุตสาหกรรมที่ 1.56-1.58 ระบบควบคุมเชิงคาดการณ์ (Model Predictive Control) คาดการณ์อุณหภูมิ/แรงดันในชั่วโมงถัดไป พร้อมกับจัดการภาระงานด้านไอที สภาพอากาศ และสถานะของอุปกรณ์ไปพร้อมๆ กัน ความปลอดภัยที่รับประกัน: การตรวจสอบสองระดับ ผู้ปฏิบัติงานสามารถปิดใช้งาน AI ได้ตลอดเวลา ข้อจำกัดสำคัญ: ไม่มีการตรวจสอบอิสระจากบริษัทตรวจสอบบัญชี/ห้องปฏิบัติการระดับชาติ แต่ละศูนย์ข้อมูลต้องใช้แบบจำลองที่กำหนดเอง (8 ปี ไม่เคยนำไปใช้ในเชิงพาณิชย์) ระยะเวลาดำเนินการ: 6-18 เดือน ต้องใช้ทีมสหสาขาวิชาชีพ (วิทยาศาสตร์ข้อมูล, ระบบปรับอากาศ (HVAC), การจัดการสิ่งอำนวยความสะดวก) ครอบคลุมพื้นที่นอกเหนือจากศูนย์ข้อมูล: โรงงานอุตสาหกรรม โรงพยาบาล ศูนย์การค้า และสำนักงานต่างๆ ปี 2024-2025: Google เปลี่ยนไปใช้ระบบระบายความร้อนด้วยของเหลวโดยตรงสำหรับ TPU v5p ซึ่งบ่งชี้ถึงข้อจำกัดในทางปฏิบัติของการเพิ่มประสิทธิภาพ AI
9 พฤศจิกายน 2568

แซม อัลท์แมน และ AI Paradox: "ฟองสบู่เพื่อคนอื่น ล้านล้านเพื่อเรา"

"เราอยู่ในฟองสบู่ AI รึเปล่า? ใช่!" — แซม อัลท์แมน ประกาศการลงทุนมูลค่าล้านล้านดอลลาร์ใน OpenAI เขาพูดคำว่า "ฟองสบู่" ซ้ำสามครั้งภายใน 15 วินาที โดยรู้ดีว่ามันจะเป็นอย่างไร แต่จุดพลิกผันคือ เบซอสแยกแยะระหว่างฟองสบู่อุตสาหกรรม (ทิ้งโครงสร้างพื้นฐานที่ยั่งยืน) และฟองสบู่การเงิน (การล่มสลายไร้ค่า) ปัจจุบัน OpenAI มีมูลค่า 5 แสนล้านดอลลาร์สหรัฐ และมีผู้ใช้งาน 800 ล้านคนต่อสัปดาห์ กลยุทธ์ที่แท้จริงคืออะไร? ลดกระแสโฆษณาลงเพื่อหลีกเลี่ยงกฎระเบียบ เสริมสร้างความเป็นผู้นำ ผู้ที่มีพื้นฐานที่มั่นคงจะประสบความสำเร็จ
9 พฤศจิกายน 2568

ทำไมคณิตศาสตร์ถึงยาก (แม้ว่าคุณจะเป็น AI ก็ตาม)

แบบจำลองภาษาไม่สามารถคูณได้ พวกมันจดจำผลลัพธ์ได้เหมือนกับที่เราจดจำค่าพาย แต่ไม่ได้หมายความว่าพวกมันมีความสามารถทางคณิตศาสตร์ ปัญหาอยู่ที่โครงสร้าง พวกมันเรียนรู้ผ่านความคล้ายคลึงทางสถิติ ไม่ใช่ความเข้าใจเชิงอัลกอริทึม แม้แต่ "แบบจำลองการใช้เหตุผล" ใหม่ๆ อย่าง o1 ก็ยังล้มเหลวในงานเล็กๆ น้อยๆ เช่น มันสามารถนับตัว 'r' ในคำว่า "strawberry" ได้อย่างถูกต้องหลังจากประมวลผลเพียงไม่กี่วินาที แต่ล้มเหลวเมื่อต้องเขียนย่อหน้าโดยที่ตัวอักษรตัวที่สองของแต่ละประโยคสะกดเป็นคำ เวอร์ชันพรีเมียมราคา 200 ดอลลาร์ต่อเดือนใช้เวลาสี่นาทีในการแก้ปัญหาสิ่งที่เด็กสามารถทำได้ทันที DeepSeek และ Mistral ยังคงนับตัวอักษรไม่ถูกต้องในปี 2025 วิธีแก้ปัญหาที่กำลังเกิดขึ้น? วิธีการแบบผสมผสาน แบบจำลองที่ชาญฉลาดที่สุดได้ค้นพบว่าเมื่อใดจึงควรเรียกใช้เครื่องคิดเลขจริง แทนที่จะพยายามคำนวณเอง การเปลี่ยนแปลงกระบวนทัศน์: AI ไม่จำเป็นต้องรู้วิธีทำทุกอย่าง แต่สามารถจัดสรรเครื่องมือที่เหมาะสมได้ พาราด็อกซ์สุดท้าย: GPT-4 สามารถอธิบายทฤษฎีลิมิตได้อย่างยอดเยี่ยม แต่กลับไม่สามารถแก้โจทย์การคูณที่เครื่องคิดเลขพกพามักจะแก้ได้อย่างถูกต้อง GPT-4 เหมาะอย่างยิ่งสำหรับการศึกษาคณิตศาสตร์ เพราะสามารถอธิบายด้วยความอดทนอย่างไม่มีที่สิ้นสุด ดัดแปลงตัวอย่าง และวิเคราะห์เหตุผลที่ซับซ้อนได้ หากต้องการการคำนวณที่แม่นยำ เชื่อเครื่องคิดเลขเถอะ ไม่ใช่ปัญญาประดิษฐ์