คำตอบมาในไม่กี่วินาที แต่หลังจากนั้นยังต้อง...

เช็กข้อมูล | แก้ Prompt | จัดประเด็น | ทำงานต่อ

ไม่กี่วินาที AI ก็ให้คำตอบได้ แต่กว่าจะพร้อมใช้กับงานจริง ยังมีอีกหลายขั้นที่ต้องคิดต่อ

เช้าวันหนึ่ง ทีมได้รับโจทย์ว่า “หาข้อมูลตลาด สรุปประเด็นสำคัญ แล้วเตรียมเนื้อหาสำหรับประชุมช่วงบ่าย” ฟังดูเป็นงานที่ Generative AI น่าจะจัดการได้เร็ว

คนหนึ่งเปิด AI แล้วพิมพ์ว่า “หาข้อมูลตลาดนี้แล้วสรุปให้หน่อย” ไม่กี่วินาทีต่อมา คำตอบยาวเต็มหน้าจอ มีหัวข้อครบ ภาษาอ่านลื่น และดูเหมือนงานกำลังไปได้เร็ว จนถึงตอนที่ต้องนำคำตอบนั้นมาใช้จริง แหล่งข้อมูลมาจากไหน ตัวเลขยังเป็นปัจจุบันหรือไม่ ประเด็นไหนตรงกับโจทย์ของทีม ส่วนไหนควรตัดออก แล้วข้อมูลทั้งหมดจะถูกนำไปใช้ใน Presentation อย่างไร AI ตอบเสร็จแล้ว… แต่งานยังเหลือให้จัดการต่ออีกพอสมควร

อีกคนได้รับโจทย์เดียวกัน ก่อนพิมพ์คำสั่งแรก เขาใช้เวลาเพิ่มอีกเล็กน้อยเพื่อทำโจทย์ให้ชัดขึ้น การประชุมครั้งนี้ต้องการตัดสินใจเรื่องอะไร คนฟังคือใคร ต้องการข้อมูลในระดับไหน Output ควรออกมาในรูปแบบใด ข้อมูลส่วนใดต้องมีแหล่งอ้างอิง และช่วงไหนของงานควรใช้เครื่องมืออื่นเข้ามาต่อ จากนั้นจึงค่อยวาง Workflow

• — ใช้ AI Search สำหรับ Research
• — ให้ LLM จัดประเด็นและสรุปข้อมูล
• — นำข้อมูลที่เกี่ยวข้องมาวิเคราะห์
• — ใช้ AI ระดมมุมมองเพิ่มเติม
• — แล้วต่อผลลัพธ์เข้าสู่ Presentation

โจทย์เดียวกัน เครื่องมืออยู่ตรงหน้าเหมือนกัน ความต่างเริ่มขึ้นตั้งแต่ก่อนกด Enter

• — เลือก Tool อะไร
• — ให้ Context แค่ไหน
• — มอบงานส่วนใดให้ AI
• — และ Output จุดไหนต้องตรวจสอบอีกครั้ง

รายละเอียดเหล่านี้มีผลทั้งกับ “เวลา คุณภาพของงาน และความน่าเชื่อถือของสิ่งที่นำไปใช้ต่อ”

Generative AI สำหรับการทำงานจึงกว้างกว่าการมี Prompt ดีๆ เก็บไว้ใช้ ChatGPT, Google Gemini, Claude, Microsoft Copilot หรือ DeepSeek มีความสามารถ ข้อจำกัด และลักษณะงานที่เหมาะสมแตกต่างกัน งาน Research งานวิเคราะห์ข้อมูล การ Brainstorm สรุป Report หรือเตรียม Presentation จึงไม่ได้ต้องการวิธีใช้ AI แบบเดียวกันทั้งหมด คนทำงานควรเข้าใจทั้งโครงสร้างของ Prompt, Token และ Context รวมถึงการเลือก Model ให้เหมาะกับสิ่งที่กำลังทำ และก่อนส่งข้อมูลเข้าไป ยังมีอีกเรื่องที่ควรคิดเสมอ

• — AI กำลังจะเห็นข้อมูลอะไรของเรา?
• — Context ที่ทำให้ AI เข้าใจงานได้ดีขึ้น อาจมีทั้งข้อมูลลูกค้า รายงานภายใน Dataset เอกสารสัญญา หรือข้อมูลทางธุรกิจ
• — Data Privacy จึงเป็นอีกส่วนของทักษะการใช้ AI ในที่ทำงาน เพราะนอกจาก Output จะต้องใช้ได้ ข้อมูลที่นำเข้าไปประมวลผลก็ควรถูกพิจารณาให้เหมาะสมด้วย

หลักสูตร Generative AI for Workforce: Foundation จึงออกแบบเป็นคลาสเข้มข้น 1 วัน เพื่อปูพื้นฐานการใช้ Generative AI สำหรับคนทำงานให้เป็นระบบมากขึ้น

ผู้เรียนจะเริ่มจากการทำความเข้าใจว่า Generative AI ทำงานอย่างไร มีศักยภาพและข้อจำกัดตรงไหน ก่อนต่อยอดสู่ Prompt Engineering, Token, Context, การเปรียบเทียบ Foundation Models และ Data Privacy

พร้อมลงมือกับโจทย์ที่พบได้ในงาน เช่น

• — วิเคราะห์ Sales และ Operations Data
• — สรุป Report และเอกสารขนาดใหญ่
• — Brainstorm Idea
• — เขียน Email / จัดการข้อมูลจากเอกสาร
• — สร้าง Data Visualization รวมถึงการใช้ Perplexity สำหรับ AI Search และ Deep Research แล้วนำผล Research ไปต่อยอดเป็น Presentation

ตลอดคลาสมี Activities, Quiz และ Exercises เพื่อให้แต่ละแนวคิดเชื่อมกับสถานการณ์ทำงานจริงได้ง่ายขึ้น เมื่อคนในทีมเริ่มมองโจทย์ด้วยกรอบที่ใกล้เคียงกัน ก็จะตัดสินใจได้ชัดขึ้นว่า งานส่วนไหนควรใช้ AI เครื่องมือใดเหมาะกับโจทย์ และจุดไหนยังต้องอาศัยการตรวจสอบจากคน ตรงนี้เองที่ทำให้ AI มีโอกาสเข้าไปอยู่ใน Workflow ของทีมอย่างเป็นระบบ มากกว่าการเปิดใช้เป็นครั้งๆ ตามแต่ละคนถนัด

สำหรับองค์กรที่กำลังวางแผนพัฒนาทักษะ AI ให้กับพนักงาน มี Corporate Training สำหรับการอบรมเป็นทีม พร้อมราคาสำหรับองค์กร และ Consultation Session เพื่อพูดคุยโจทย์การใช้งาน AI ให้สอดคล้องกับงานและบริบทของทีม

เหมาะกับองค์กรที่ต้องการให้พนักงานใช้ Generative AI ด้วยแนวทางที่ชัดขึ้น ทั้งในมุมประสิทธิภาพของงาน คุณภาพของ Output และการดูแลข้อมูลที่นำไปใช้งาน

สนใจต่อยอดทักษะด้าน Generative AI

ไม่ว่าจะเป็นการอบรมรายบุคคล หรือพัฒนาทีมงานในองค์กร

หากอยากพูดคุยว่าทีมควรเริ่มต้นใช้ Generative AI จากจุดไหน หรือ Generative AI for Workforce: Foundation เชื่อมกับงานที่รับผิดชอบอย่างไร ปรึกษากับทีม NTC ได้ค่ะ LINE: @NTC-LINE