1. งานไม่มีวันหมด แต่กลับไม่อยากให้มันหมด
ปกติเราคิดกันว่า ถ้า AI ช่วยให้ทำงานเร็วขึ้น คนก็จะว่างขึ้น
แต่พอเราส่งต่องานให้ AI ได้ทีละอย่างจริง ๆ ทั้งหาข้อมูล ระดมไอเดีย เขียนสเปก ลงมือทำ แก้ไข และตรวจสอบ บางทีกลับเกิดเรื่องตรงกันข้าม
เวลาที่ว่างขึ้นไม่ได้เอาไปพัก แต่เรากลับเริ่มหางานใหม่ให้ตัวเองเอง "งั้นทำอันนี้ด้วยก็ได้นี่" "อันนั้นก็ปรับให้ดีขึ้นได้" "ถ้าเอาอันนี้มาต่อกับอันนั้นน่าจะสนุก"
แถมไม่ได้รู้สึกเหนื่อยเลย เดินเล่นอยู่ก็นึกออก ออกไปเที่ยวก็นึกออก คุยกับ AI ผ่านมือถือ เปลี่ยนไอเดียให้เป็นสเปก แล้วโยนให้ AI ที่เขียนโค้ดไปทำ กลับถึงบ้านก็มีอะไรคืบหน้าไปแล้ว
มันไม่ใช่ความรู้สึกว่างานกินชีวิต แต่ใกล้เคียงกับว่า โลกจริงทั้งใบกลายเป็นแมปไว้ฟาร์มไอเดีย มากกว่า
และความต่างที่ใหญ่ที่สุดคือ เกมทั่วไปมีเนื้อหาช่วงท้ายเกมที่ผู้พัฒนาเตรียมไว้ให้ แต่เกมนี้เราเพิ่มเนื้อหาช่วงท้ายเกมเองได้
เหมือนหมากฝรั่งที่เคี้ยวเท่าไหร่ก็ไม่จืด
2. ขนาดลิมิต 5 ชั่วโมงยังกลายเป็นแค่คูลดาวน์ ไม่ใช่ "จบเกม"
ในแพ็กเกจแบบเสียเงินของ Claude ลิมิตการใช้งานแบบนับตามเซสชันจะรีเซ็ตทุก 5 ชั่วโมง และยังมีลิมิตรายสัปดาห์แยกต่างหาก ซึ่งจะรีเซ็ตตามวันและเวลาที่กำหนดไว้ตายตัวของแต่ละบัญชี[1]
ที่น่าสนใจคือ การชนลิมิตไม่ได้แปลว่า "วันนี้พอแค่นี้" เสมอไปแล้ว
ถ้าแบ่งงานไว้ดีพอ เซสชันหนึ่งหยุด ก็ย้ายไปทำงานอื่นที่ไม่เกี่ยวกันได้ หรือรอรีเซ็ตแล้วค่อยทำต่อ ลิมิตเลยกลายเป็นเหมือนหลอดสตามินาหรือคูลดาวน์ในเกม
แน่นอนว่านี่ไม่ใช่การหาทางเลี่ยงเงื่อนไขการใช้งานหรือลิมิตของบริการไหน แต่คือการแบ่งงานที่ทำได้ภายในขอบเขตที่อนุญาตออกเป็นชิ้นที่ไม่พึ่งกัน แล้วใช้เวลารอไปจัดลำดับว่างานไหนต้องรองานไหน หรือคิดโปรเจกต์ถัดไป
สุดท้ายความคิดในหัวเราก็เปลี่ยนจาก "AI หยุดแล้ว" เป็น "คนงานคนนี้พักอยู่ งั้นไปเดินอีกไลน์หนึ่งก่อน"
3. กฎของพาร์กินสันขยายจาก "เวลา" ไปสู่ "ไอเดีย"
กฎของพาร์กินสันมักสรุปกันว่า "งานจะขยายตัวจนเต็มเวลาที่มีอยู่" วลีนี้มาจากบทความเสียดสีเมื่อปี 1955 และภายหลังก็มีงานวิจัยที่ลองทดสอบในระดับบุคคลด้วย[2]
พอมาถึงยุค AI กฎนี้ก็เปลี่ยนรูปไปนิดหน่อย
เมื่อก่อนถ้ามีเวลา 8 ชั่วโมง งานหนึ่งอาจใช้ไปเต็ม 8 ชั่วโมง ถ้า AI ช่วยให้งานจริงเหลือแค่ 1 ชั่วโมง ก็ไม่ได้แปลว่าอีก 7 ชั่วโมงที่เหลือจะว่างเปล่าทั้งหมด
ใน 7 ชั่วโมงนั้น เราอาจจะ
- เจอปัญหาใหม่
- นึกฟีเจอร์เพิ่มได้
- คิดว่าจะเชื่อมกับบริการอื่นยังไง
- ยกมาตรฐานคุณภาพให้สูงขึ้น
- ชุบชีวิตไอเดียที่เคยทิ้งไปเพราะต้นทุนสูงเกิน
แปลว่าไม่ใช่แค่งานเดิมพองตัวจนเต็มเวลา แต่ งานใหม่ยังงอกออกมาจากเวลาที่ว่างขึ้นด้วย
ยิ่ง AI เร็วขึ้น "ความสามารถในการคิดไอเดีย" ของคนก็ยิ่งกลายเป็นเครื่องจักรผลิตตัวใหม่
4. ยิ่งทำงานได้มีประสิทธิภาพ งานยิ่งเพิ่ม: เอฟเฟกต์ดีดกลับแบบพาราด็อกซ์ของเจวอนส์
เรื่องนี้คล้ายกับแนวคิดพาราด็อกซ์ของเจวอนส์ และ "ผลสะท้อนกลับ" (rebound effect)
เดิมทีเป็นเรื่องของประสิทธิภาพด้านพลังงาน คือพอประสิทธิภาพดีขึ้น ต้นทุนการใช้ต่อหน่วยถูกลง คนก็ใช้มากขึ้น จนเงินที่คิดว่าจะประหยัดได้อาจหายไปบางส่วนหรือทั้งหมด แต่จะเกิดมากน้อยแค่ไหนก็ขึ้นกับสาขาและเงื่อนไข ยังไม่ได้สรุปว่า "ผลตรงข้าม" แบบรุนแรงจะเกิดขึ้นทุกครั้ง[3]
การเอามาใช้กับการทำงานด้วย AI ตรง ๆ เหมือนเป็นกฎทางวิทยาศาสตร์คงเกินไป แต่ ถ้าเป็นการเปรียบเทียบ ถือว่าเห็นภาพชัดมาก
ถ้าทำของหนึ่งชิ้นใช้เวลา 3 วัน จาก 10 ไอเดียเราก็ต้องทิ้งไป 9
ถ้าทำของหนึ่งชิ้นใช้แค่การสั่งงานและตรวจงาน 30 นาที ไอเดีย 9 อันนั้นก็กลับมาได้
ผลคือไม่ใช่ "ประสิทธิภาพเพิ่ม 10 เท่า งานเลยลดเหลือหนึ่งในสิบ" แต่กลายเป็น "งานที่เมื่อก่อนไม่คุ้มทำ ตอนนี้ทำหมดเลย"
ยิ่งต้นทุนการสร้างถูกลง ความต้องการไอเดียก็ยิ่งขยายกว้างขึ้น
AI เป็นได้ทั้งเครื่องที่ลบงานทิ้ง และในเวลาเดียวกันก็เป็น เครื่องที่สร้างงานใหม่ขึ้นมา
5. ทำไมถึงสนุกขนาดนี้: ได้เลือกเอง เก่งขึ้นจนรู้สึกได้ และเห็นผลเร็ว
ทฤษฎีการกำหนดตนเอง (Self-Determination Theory) บอกว่ามีสามอย่างที่สำคัญต่อแรงจูงใจและความสุข คือ ความรู้สึกว่าได้เลือกเอง ความรู้สึกว่าตัวเองทำได้ และความรู้สึกผูกพันกับคนอื่น โดยเฉพาะความรู้สึกว่า "เราเลือกเองนะ" กับ "เราทำได้มากขึ้นเรื่อย ๆ" เชื่อมโยงกับแรงจูงใจที่ดี[4][5]
เหตุผลที่โปรเจกต์ส่วนตัวที่ใช้ AI กลายเป็นเกมได้ง่าย ก็ตรงกับเรื่องนี้เลย
ไม่ใช่การกรอก Excel ที่คนอื่นส่งมาให้
เราเป็นคนตัดสินเองว่า "อันนี้น่าสนุก"
ไม่กี่นาทีสเปกก็ลงตัว
อีกไม่กี่สิบนาทีก็มีของที่ใช้งานได้ออกมา
พังก็ซ่อม
สิ่งที่ซ่อมไว้ก็ใช้ได้ไปตลอดหลังจากนั้น
วงจรนี้คอยป้อนความรู้สึกว่าได้เลือกเอง ความรู้สึกว่าเก่งขึ้น และผลตอบรับที่ชัดเจน ให้เราถี่ ๆ
ในเกม หลอด EXP เป็นแค่ตัวเลข
แต่ในการสร้างของด้วย AI หลอด EXP กลับมาเป็นของจริง คือ "สิ่งที่เมื่อวานยังทำไม่ได้ วันนี้รันเองอัตโนมัติแล้ว"
แบบนี้จะไม่ติดได้ไง
6. ทำไมถึงแรงกว่าเกม: เพราะสร้างเนื้อหาท้ายเกมเองได้
เกมทั่วไปจะใหญ่แค่ไหน ก็ยังเป็นโลกที่ผู้พัฒนาเตรียมไว้
ล้มบอสสุดท้าย เก็บอุปกรณ์ให้ครบ ฟาร์มด่านยาก ๆ สุดท้ายก็ต้องเจอวันที่ "ไม่มีอะไรให้ทำแล้ว"
แต่โปรเจกต์ส่วนตัวที่ใช้ AI ตรงจังหวะนั้นแหละ เราเพิ่มเควสต์ใหม่เองได้
ทำเว็บแล้ว
งั้นทำหลายภาษา
ทำหลายภาษาแล้ว
งั้นปล่อยให้คนเห็น
ปล่อยแล้ว
งั้นวัดผลตอบรับ
วัดแล้ว
งั้นให้ระบบคิดโปรเจกต์ถัดไปเองจากผลตอบรับ
คิดโปรเจกต์อัตโนมัติได้แล้ว
งั้นขยายไปเสียง วิดีโอ ตลาดอื่น ผลิตภัณฑ์อื่น
ทุกครั้งที่ผ่านเงื่อนไขจบเกม ผู้เล่นก็พัฒนา DLC ใหม่เอง
แบบนี้เข้ากันมากกับความสนุกแบบ "สร้างระบบ" ของ Minecraft หรือ Factorio ต่างกันตรงที่ในโลกจริง ระบบที่เราสร้างส่งผลต่อผู้อ่าน ลูกค้า ยอดขาย สิ่งที่เราได้เรียนรู้ และเวลาทำงานจริง ๆ
สิ่งที่ได้กลับมาไม่ใช่เงินในเกม แต่เป็นผลตอบรับจากโลกจริง
เพราะงั้นรสชาติเลยไม่ค่อยจืด
7. ตำแหน่งเลื่อนขึ้นเอง: จากโปรเจกต์เมเนเจอร์ เป็นเจ้าของผลิตภัณฑ์ แล้วเป็นผู้บริหาร
ตอนแรกเราทำงานแบบโปรเจกต์เมเนเจอร์
"งานนี้จะทำให้เสร็จยังไง" "ติดอยู่ตรงไหน" "ให้ใครทำอะไร"
ต่อมาก็กลายเป็นเหมือนโปรดักต์เมเนเจอร์หรือโปรดักต์โอนเนอร์
"ควรสร้างอะไร" "จะมอบอะไรให้ผู้ใช้" "จะปรับปรุงอะไรก่อน"
พอ AI รับไปทั้งการแตกงาน แจกงาน ลงมือทำ และตรวจรอบแรก คำถามของคนก็ขยับขึ้นไปอีกขั้น
"จะทุ่มทรัพยากรให้ผลิตภัณฑ์ไหน" "จะปั้นตลาดไหน" "จะปิดธุรกิจไหน" "จะเชื่อมระบบไหนเข้าด้วยกัน" "จะเพิ่มส่วนไหนให้บริษัทต่อ"
มาถึงตรงนี้ สิ่งที่ทำอยู่ไม่ใช่การปรับฟีเจอร์เดียวแล้ว แต่ใกล้กับ การออกแบบบริษัทเล็ก ๆ มากกว่า
| ขั้น | คำถามหลักของคน |
|---|---|
| คนลงมือทำ | จะทำยังไง? |
| PM | จะทำให้เสร็จยังไง? |
| PdM / PO | จะทำอะไร? |
| ผู้บริหาร | จะลงทรัพยากรที่ไหน? |
| ผู้ดูแลพอร์ตธุรกิจ | อะไรจะปั้นต่อ อะไรจะตัดทิ้ง? |
ไม่ใช่ว่า AI ทำให้เราเก่งขึ้นหรือใหญ่ขึ้น
แค่เพราะส่งต่องานชั้นล่างได้ ชั้นบนที่เมื่อก่อนต้องมีทั้งคนและทุน ก็เลยจับได้ด้วยตัวคนเดียว
นั่นแหละที่สนุก
8. ทำคนเดียวแต่มีผังองค์กร
ที่สนุกกว่านั้นคือ คนไม่จำเป็นต้องคุมคนงาน AI ทุกตัวเองด้วยซ้ำ
เช่น จัดเป็นลำดับชั้นแบบนี้ได้
- คน: เป้าหมาย ลำดับความสำคัญ อะไรสนุก การตัดสินใจสุดท้าย
- AI สำหรับคุย: ระดมไอเดีย หาข้อมูล ร่างสเปก
- AI ผู้จัดการ: แตกงาน ดูว่างานไหนต้องรองานไหน แจกงาน วางแผนรวมงาน
- AI เขียนโค้ด: โค้ด ทดสอบ แก้ไข
- ระบบเฝ้าดู: ตรวจผล เทียบส่วนที่เปลี่ยน จับความผิดพลาด
ไม่ใช่ คน → คนงาน AI
แต่เป็น คน → ผู้จัดการ AI → คนงาน AI
พอแบบนี้เดินได้ งานของคนก็ห่างจากการจู้จี้ทุกรายละเอียดไปอีก แล้วเข้าใกล้คำถามว่า "ต่อไปจะให้บริษัททำอะไร"
พนักงาน 0 คน แต่ผังองค์กรดูดีมาก
บริษัทคนเดียวในอนาคตนี่เป็นสิ่งมีชีวิตที่แปลกจริง ๆ
9. สำคัญไม่ใช่ "เปิด AI พร้อมกันให้เยอะ" แต่คือ "แบ่งงานไม่ให้ชนกัน"
พอเพิ่มคนงาน AI ปัญหาใหม่ก็มา
คนงานเร็วสุด ๆ 10 คน แห่กันไปซ่อมสายไฟเส้นเดียวกัน ไม่ได้เร็วขึ้นหรอก
กลับพังเร็วขึ้น
งานวิจัยปี 2026 เกี่ยวกับ pull request (คำขอรวมโค้ด) ที่สร้างโดย AI เอเจนต์บน GitHub พบว่ามีการชนกันตอนรวมโค้ดของเอเจนต์ที่ทำงานพร้อมกัน และในกลุ่มตัวอย่างที่ศึกษา คู่ของเอเจนต์ต่างตัวที่ทำงานคู่ขนานกัน มีอัตราการชนกันของข้อความสูงกว่าคู่ที่มาจากเอเจนต์ตัวเดียวกัน[6]
อีกงานวิจัยหนึ่งในปี 2026 ทดลองวิธีชื่อ CAID กับงานซอฟต์แวร์ที่ยาวและซับซ้อน คือให้ศูนย์กลางเป็นคนแจกงาน แต่ละงานเดินพร้อมกันโดยไม่ต้องรอกัน แยกพื้นที่ทำงานของใครของมัน แล้วรวมงานอย่างเป็นระเบียบตอนท้าย ผลออกมาดีกว่าการใช้เอเจนต์ตัวเดียว[7]
สิ่งสำคัญไม่ใช่ "เปิด AI กี่ตัว" แต่คือ
- ไม่ให้สองตัวแก้ไฟล์เดียวกันพร้อมกัน
- แบ่งขอบเขตหน้าที่ให้ชัด
- ดูก่อนว่างานไหนต้องรองานไหน
- แยกพื้นที่ทำงานออกจากกัน
- รวมงานตอนท้ายแล้วทดสอบ
แปลว่าคอขวดต่อไปไม่ใช่พลังคอมพิวเตอร์ แต่คือ การออกแบบองค์กร
และพอ AI ผู้จัดการเริ่มทำเรื่องนี้เองด้วย คนก็ถูกดันขึ้นไปนั่งเก้าอี้ซีอีโอจริง ๆ
10. ของที่หายากเปลี่ยนจาก "เวลาเขียนโค้ด" เป็น "ความใส่ใจ รสนิยม และทิศทาง"
พอ AI ทำงานสร้างของได้ทีละเยอะ ๆ สิ่งที่ขาดแคลนที่สุดก็เปลี่ยนไป
ไม่ใช่ปริมาณโค้ด
ขนาดไอเดีย AI ก็ช่วยคิดได้ในระดับหนึ่ง
สิ่งที่หายากในท้ายที่สุดคือความใส่ใจและวิจารณญาณ เช่น
- อะไรสนุก
- อะไรเชย
- จะทำถึงไหน
- ควรทำตอนนี้ไหม
- จะทิ้งอะไร
- อะไรไม่ควรเชื่อทันที ต้องตรวจก่อน
- ความผิดพลาดไหนเป็นแค่ "อุบัติเหตุครั้งเดียว" และอันไหนบอกว่า "ระบบมีจุดบกพร่อง"
ไม่ใช่ว่า AI ทำได้ 100 อย่าง ก็เลยทำทั้ง 100 อย่าง
ในโลกที่ทำได้ 100 อย่าง การตัดสินว่า 3 อย่างไหนมีความหมาย คือการบริหาร
คอขวดย้ายที่แล้ว
จากการลงมือทำ ไปสู่การกำหนดทิศทาง
11. กับดักเดียวของเนื้อหาท้ายเกมไม่รู้จบ: เงื่อนไขเกมโอเวอร์ก็ต้องตั้งเอง
การไม่มีวันจบนั้นดีที่สุด แต่การไม่มีวันจบก็อันตรายได้เหมือนกัน
AI ทำงานได้ 24 ชั่วโมง ไม่ได้แปลว่าคนต้องทำ 24 ชั่วโมงตาม
สนุกเลยอดนอน ปรับได้เลยขยายขอบเขตไปไม่สิ้นสุด ทำคู่ขนานได้เลยปล่อยของที่ยังไม่ตรวจออกไปเพียบ คนงานเยอะขึ้นจนไม่รู้ว่าใครแก้อะไร
แบบนี้ "ระบบอัตโนมัติที่สร้างมาเพื่อให้เป็นอิสระ" ก็จะกลายเป็น "บริษัทกดขี่ส่วนตัวเวอร์ชันประสิทธิภาพสูง"
ทางแก้ก็คิดแบบออกแบบเกมได้เหมือนกัน
- ตั้งด่านกั้นก่อนการเปลี่ยนแปลงใหญ่ที่ย้อนกลับยาก
- ไม่แก้ส่วนที่รับผิดชอบเดียวกันพร้อมกัน
- อ่านผลลัพธ์ซ้ำเพื่อยืนยันว่าเข้าไปจริง
- ทดสอบสิ่งที่สำคัญ
- เตรียมทางกู้คืนตอนพลาด
- นับการนอนและชีวิตของตัวเองเป็นเงื่อนไขหนึ่งของลำดับงาน
- มีรายการ "สนุกนะ แต่ยังไม่ทำตอนนี้"
เป้าหมายไม่ใช่การลดงาน
แต่คือ ไม่ทำให้ความสนุกพัง และเล่นได้นาน ๆ
12. สรุป: ไม่ใช่งานที่สนุก แต่ "งานที่ขยายโลกของตัวเองได้" ต่างหากที่สนุก
เวลาที่รู้สึกว่า "หรือจริง ๆ แล้วงานมันสนุก" สิ่งที่สนุกคงไม่ใช่การทำงานโดยทั่วไป
ไม่ใช่การนั่งทำงานที่คนอื่นกำหนดไว้เป็นชั่วโมง ๆ
แต่คือการหาปัญหาเอง ตั้งเป้าหมายถัดไปเอง ส่งต่อการลงมือทำให้ AI เห็นของจริงเกิดขึ้นในโลก ดูผลแล้วก็นึกเรื่องถัดไปออก
วงจรนี้แหละที่สนุก
คนที่เคยคิดแบบ PM ว่า "จะปรับปรุงยังไง" พอส่งต่อการแตกงานและการลงมือทำให้ AI ก็ย้ายไปอยู่ฝั่งที่คิดว่า "จะให้บริษัทนี้สร้างอะไร"
และพอ AI ผู้จัดการเริ่มแจกงานให้คนงาน AI เราก็ขยับขึ้นไปอีกขั้น
คำถามที่เหลืออยู่ตอนท้ายนั้นง่ายมาก
ต่อไปทำอะไรดีถึงจะสนุก?
ในเกมทั่วไป คนที่ตอบคำถามนี้คือผู้พัฒนาเกม
ในเกมนี้ คือตัวผู้เล่นเอง
เพราะงั้นมันถึงไม่จบ
และนั่นแหละคือส่วนที่สนุกที่สุด
เอกสารอ้างอิง (7 รายการ)
- Anthropic Help Center, “What is the Max plan?” / “How do usage and length limits work?” – Zurücksetzen der Sitzungslimits alle fünf Stunden und separate Wochenlimits. und https://support.claude.com/en/articles/11647753-how-do-usage-and-length-limits-work support.claude.com
- Brannon, L. A., Hershberger, P. J., & Brock, T. C. (1999). “Timeless demonstrations of Parkinson's first law.” Psychonomic Bulletin & Review, 6(1), 148–156 pubmed.ncbi.nlm.nih.gov
- Sorrell, S. (2009). “Jevons’ Paradox revisited: The evidence for backfire from improved energy efficiency.” Energy Policy, 37(4), 1456–1469; siehe auch spätere Übersichtsarbeiten zu Rebound-Effekten sciencedirect.com
- American Psychological Association, “Self-determination theory: A quarter century of human motivation research. apa.org
- Gagné, M., & Deci, E. L. (2005). “Self-determination theory and work motivation.” Journal of Organizational Behavior, 26(4), 331–362 selfdeterminationtheory.org
- Xu, G., Subramanian, A., & Karthik, N. (2026). “AI Agent Pull Requests on GitHub: Frequency, Structure, and Merge Conflict Rates.” arXiv:2607.04697 arxiv.org
- Geng, J., & Neubig, G. (2026). “Effective Strategies for Asynchronous Software Engineering Agents.” arXiv:2603.21489 arxiv.org
