หม่งซิง หุ้นส่วนของ Five Origins Capital เมื่อเร็วๆ นี้ได้เผยแพรรายงานการไปสำรวจที่ซิลิคอนแวลลีย์ เสนอข้อสรุปที่ทำให้แม้แต่ตัวเขาเองก็ต้องเปลี่ยนพฤติกรรมการจดบันทึกว่า: ซิลิคอนแวลลีย์กำลังเข้าสู่ช่วงที่แม้แต่คนที่ “สร้างคลื่น” ยังถูกคลื่นซัดจมไป ในช่วงการอัปเดตที่ผ่านมาของ AI ความเร็วได้เปลี่ยนจาก “รายเดือน” มาเป็น “รายสัปดาห์” แม้แต่คนในซิลิคอนแวลลีย์เองก็ยังตามไม่ทันกับตัวเอง
เมื่อ AI ขยายกำลังการผลิตของทีมได้ห้าเท่า คุณสามารถลดแรงงานได้ถึง 80% เพื่อคงผลผลิตเดิม หรือคงจำนวนคนไว้แล้วทำงานได้ห้าเท่า หม่งซิงจากการสังเกตครั้งนี้ในซิลิคอนแวลลีย์ เหมือนเขียน “ร่างคำตอบ” ให้เห็นตรงหน้าแล้ว: เมื่อประสิทธิภาพเพิ่มขึ้น 100 เท่าแต่ไม่ได้แลกกับรายได้ 100 เท่า เมื่องบประมาณ token เข้าใกล้ต้นทุนแรงงานของมนุษย์ เมื่อเครื่องจักรไอน้ำยังวิ่งไม่ทันรถม้าแต่ไม่มีใครกล้าหยุดลง เหมืองซิลิคอนแวลลีย์ตอนนี้เลือก “เร่งความเร็วขึ้นไปก่อนค่อยว่ากัน” แต่เส้นทางนี้ในที่สุดจะไปถึง “ความสามารถในการขยายขนาด” หรือ “การกดต้นทุน” กันแน่ ปัจจุบันยังไม่มีข้อสรุป
YC จากตัวชี้วัดนำ กลายเป็นตัวชี้วัดตามหลัง
หม่งซิงนั่งอยู่ในแถวผู้ชมของ YC W26 batch Demo Day เดือนมีนาคมปีนี้ พอได้ยินบริษัทเป็นรายที่ห้าขึ้นเวที เขาก็วางปากกาลงทันที เหตุผลคือในรุ่นนี้ที่มีมากกว่า 100 บริษัท โดยประมาณ 80% กำลังทำ vertical agent เช่น ช่วยเหลือทนายจัดระเบียบเอกสาร ช่วยฝ่ายบริการลูกค้ากระจายงาน tiketให้ถูกคน หรือช่วย HR คัดกรองเรซูเม่
ถ้าเป็นช่วงเดือนตุลาคมปีที่แล้วที่เห็นหัวข้อเหล่านี้ เขาคงคิดว่า “ดูมีไอเดียดีนะ” แต่พอ Claude Code เปลี่ยนจากเครื่องมือสำหรับนักพัฒนาไปเป็นอินเทอร์เฟซที่คนแทบทุกคนใช้ได้ และพอ Opus 4.6 ลดด่านของการเขียนโค้ดแบบ vibe coding ลงไปถึงพื้น agent แนวตั้งเหล่านี้ ก่อนที่จะสร้างกำแพงเชิงธุรกิจขึ้นมา หากเป็นวิศวกรทั่วไปที่ใช้เวลาช่วงสุดสัปดาห์ก็สามารถก็อปปี้ออกมาได้แล้ว
ระบบแบตช์ของ YC ตั้งแต่การสมัคร การคัดกรอง การเข้าแคมป์ การขัดเกลา ไปจนถึงเดโมเดย์ ถูกออกแบบมาให้เหมาะกับโลกที่ช้ากว่า ในความเร็วของการอัปเดต AI ปัจจุบัน 5 เดือนพอให้เกิดการเปลี่ยนแบบอย่าง (paradigm shift) หลายรอบ หม่งซิงอธิบายว่า YC กำลังค่อยๆ เปลี่ยนจากตัวชี้วัดนำ ในอดีต ไปเป็นตัวชี้วัดตามหลัง
Meta ใช้โค้ดของ “คู่แข่ง” เขียนกันทั้งบริษัท
แรงกระแทกที่ใหญ่ที่สุดจากการไปซิลิคอนแวลลีย์ครั้งนี้ของหม่งซิง คือ Meta ทั้งบริษัทกำลังใช้ Claude Code มีมูลค่าบริษัทระดับหลายล้านล้าน ทำให้วิศวกรหลักหมื่นคนต้องใช้ API ของคู่แข่งเพื่อเข้าถึงโค้ดของตัวเอง เมื่อครึ่งปีก่อนสิ่งนี้ยังคิดไม่ถึงอย่างสิ้นเชิง
ภายใน Meta เคยเปิดตัวเครื่องมือชื่อ myclaw ที่พยายามแก้ปัญหาเรื่องความปลอดภัยของโค้ด แต่ “ใช้งานไม่ดี ไม่มีใครใช้” ในที่สุดบริษัทก็ผ่อนนโยบายไปตรงๆ แค่ไม่เกี่ยวข้องกับข้อมูลลูกค้า พนักงานสามารถใช้ Claude Code ได้อย่างอิสระ และเริ่มจัดประชุมภายในและการอบรมหัวข้อ “จะทำให้องค์กรเป็น AI native ได้อย่างไร”
Google โดยหลักแล้วห้ามพนักงานใช้เครื่องมือของคู่แข่งด้วยเหตุผลด้านความปลอดภัย แต่ DeepMind เป็นข้อยกเว้น มีหลายทีมที่รับผิดชอบ Gemini และแอปพลิเคชันภายในใช้ Claude Code Google เองมีเครื่องมือเขียนโค้ดภายในชื่อ Antigravity ที่เคลมว่าโค้ดใหม่ราว 50% ถูกเขียนโดย AI ในปัจจุบัน แต่ก็ยังไม่อาจหยุดยั้งความชอบของ DeepMind ได้
หนึ่งในปัจจัยสำคัญคือ Anthropic ได้ทำ deployment แบบ private ให้ และการอนุมานกับการฝึกของ Anthropic เองก็รันสัดส่วนจำนวนมากบน TPU ของ Google Cloud ซึ่งทำให้ทั้งสองฝ่ายมีฐานของความไว้วางใจอยู่แล้ว ในขณะที่บริษัทยักษ์ใหญ่รายอื่นไม่ได้มีความสัมพันธ์แบบนี้จริงๆ นี่คือการ “วางความปลอดภัยของโค้ดไว้ชั่วคราว แล้วเร่งความเร็วขึ้นก่อน”
การใช้จ่าย token ของวิศวกร แพงกว่าแม้แต่ตัววิศวกรเอง
ในบรรดาสตาร์ทอัปสาย AI-native หลายแห่งที่หม่งซิงไปเยี่ยมใน Palo Alto งบประมาณ token ต่อวิศวกรต่อปีอยู่ที่ราว 200,000 ดอลลาร์สหรัฐขึ้นไป ตัวเลขนี้ใกล้เคียงกับเงินเดือนประจำปีของวิศวกรแล้ว ดูเหมือนว่าบริษัทใช่ AI เพื่อตัดคนและประหยัดเงิน แต่ในความเป็นจริงต้นทุนรวมอาจไม่ได้ลดลงเลย แค่เปลี่ยนจาก “ต้นทุนของคน” ไปเป็น “ต้นทุน token”
Meta ทำเรื่องนี้ให้สุดทาง ภายในมีการตั้งกระดานจัดอันดับการใช้ token ใครใช้มากก็ขึ้น榜 ท้ายแถวอาจถูกไล่ออก พนักงานเลย “แข่งกันจนสุด” ด้วยตำแหน่งกิตติมศักดิ์แบบไม่เป็นทางการที่เรียกว่า “token legend” แต่ในช่วงเวลาเดียวกัน Meta มีการเลย์ออฟต่อเนื่องอีกสองรอบ รวมแล้วหลายหมื่นคน ด้านหนึ่งทุกคนพุ่งไปที่ token อีกด้านหนึ่งก็เลย์ออฟขนาดใหญ่พร้อมกัน ไม่ได้ขัดกัน นี่คือคนละมุมของ “เรื่องเดียวกัน”
หม่งซิงไปดูบริษัทที่อยู่ในรอบ C จริงๆ โดยผู้รับผิดชอบด้านเทคโนโลยีเปิด Slack ให้เขาดู เต็มไปด้วย agent ที่กำลังทำงานอยู่เบื้องหลังรัน Cursor agent พร้อมกันหลายสิบตัว แล้วก็เปิดหน้าต่าง Claude Code อีกหนึ่งอันเพื่อทำหน้าที่จัดตาราง/สั่งการ วงการวิศวกรความวิตกกังวลที่ฮิตที่สุดคือ ก่อนเข้านอนฉันยังไม่รู้ว่าเจ้า agent กว่าสิบตัวของฉันต้องทำอะไรอยู่ ก็จะรู้สึกตื่นตระหนกมาก
ประสิทธิภาพ 100 เท่า ไม่ได้แลกมาด้วยรายได้ 100 เท่า
บรรดา CTO หลายคนบอกหม่งซิงด้วยความตื่นเต้นว่า “เมื่อก่อน 60 คนใช้เวลา 1 ปีทำได้เท่านี้ ตอนนี้ 2 คนบวก Claude Code ภายในหนึ่งสัปดาห์ก็ทำเสร็จแล้ว” นี่คือสิ่งที่ถูกเรียกว่า “วิศวกร 100 เท่า” หรือ “เพิ่มประสิทธิภาพ 10 เท่า”
แต่หลังจากหม่งซิงสงบลง เขาถามคำถามหนึ่ง: เอาล่ะ ประสิทธิภาพเพิ่มขึ้น 100 เท่า แล้วรายได้ของบริษัทโตขึ้น 100 เท่าหรือเปล่า? การขยายไลน์ผลิตภัณฑ์โตขึ้น 100 เท่าไหม? เขาไม่ได้คำตอบเชิงบวก ความจริงคือการเพิ่มประสิทธิภาพ 100 เท่าที่ลงเอยเป็นรายได้ มักจะสะท้อนแค่ 50% หรือเท่าหนึ่ง ตรงส่วนต่างอยู่ตรงไหน ตอนนี้ไม่มีใครอธิบายได้ชัดเจน
“ใช้ token เยอะขนาดนี้ บริษัทก็ควรจะกลายพันธุ์เป็นบริษัทอีกแบบไปแล้วสิ แต่จะกลายเป็นแบบไหน ฉันก็ไม่รู้” ผู้ก่อตั้งคนหนึ่งบอกเขา แบบเดียวกันนี้ แม้แต่ Anthropic เองก็ยังเจอสถานการณ์ที่ตามไม่ทัน หม่งซิงถามเพื่อนจาก Anthropic ว่า “สถานการณ์ที่เลวร้ายที่สุดเวลาพวกคุณใช้ agent คืออะไร” คำตอบคือ oncall ที่ตอบสนองทันที
เมื่อการตอบสนองของ API ช้าลง โหนดการอนุมานล้มเหลว หรือผลลัพธ์จากการตอบสนองของผู้ใช้ผิดปกติ วิศวกร oncall ต้องระบุได้อย่างรวดเร็วว่าเป็นปัญหาจาก bug ของโค้ด การจัดสรรพลังประมวลผล หรือเป็นปัญหาที่ตัวโมเดลเอง Anthropic คือบริษัทที่แข็งแกร่งที่สุดของ coding agent ทั่วโลก และสถานการณ์นี้อยู่ใกล้กับความสามารถหลักของพวกเขามากจนเหลือจะเกินไปแล้ว แต่ agent สำหรับ oncall ภายในของพวกเขาก็ยังใช้งานได้ไม่ดี
เครื่องจักรไอน้ำยังวิ่งไม่ทันรถม้า แต่ไม่มีใครกล้าหยุด
หม่งซิงบรรยายภาพสถานะในตอนนี้ว่า: เครื่องจักรไอน้ำถูกประดิษฐ์แล้ว แต่บางครั้งมันก็ยังวิ่งไม่ทันรถม้า ประเด็นคือทุกคนรู้ว่าในที่สุดเครื่องจักรไอน้ำต้องวิ่งได้เร็วกว่า ดังนั้นความปลอดภัยของโค้ดก็ไม่แคร์แล้ว งบประมาณ token ระเบิดแล้ว กระดานจัดอันดับก็ยิ่งยิ่งทำให้เกิดการแข่งขันขึ้น ส่วนว่าเมื่อไรเครื่องจักรไอน้ำจะวิ่งผ่านรถม้าได้จริง ไม่มีใครรู้ แต่ก็ไม่มีใครกล้าหยุดรอวันนั้น เพราะค่าเสียหายของการหยุด อาจมากกว่าการเผา token ผิด
และการบริโภค token มีแนวโน้มว่าไม่ได้โตแบบเส้นตรง หม่งซิงอ้างข้อมูลจากสถาบันวิจัย METR: ตัวชี้วัดการวัดว่า AI agent สามารถทำภารกิจได้ไกลแค่ไหนด้วยอัตราความสำเร็จ 50% (คิดจากเวลาที่ผู้เชี่ยวชาญมนุษย์ทำได้) ณ เดือนมีนาคม 2025 Claude 3.7 Sonnet ยังอยู่ที่ 50 นาที แต่พอถึงสิ้นปี 2025 Claude Opus 4.6 ไปถึง 14.5 ชั่วโมงแล้ว
ในช่วงสองปีที่ผ่านมา วงจรการ “เพิ่มขึ้นเป็นสองเท่า” ของตัวชี้วัดนี้ จาก 7 เดือนถูกบีบเหลือ 4 เดือน พอความน่าเชื่อถือของ agent ขยับขึ้นอีกระดับหนึ่ง การใช้ token ก็ไม่ใช่ปัญหาที่เพิ่มปีละ 50% อีกต่อไป แต่มันจะ “กระโดดขึ้นหนึ่งระดับขนาด” ในชั่วข้ามคืน หม่งซิงยังพูดถึงคำทำนายที่มีอยู่ในวงสนทนาของคนกลุ่มหนึ่งร่วมกันว่า ถึงปลายปีนี้ หลายบริษัท (รวมถึงบริษัทยักษ์ใหญ่ด้านเทค) ในความเป็นจริงอาจต้องการคนแค่ 20% เท่านั้น
(ตอบคำถามหนึ่งข้อ: ถ้า AI ทำให้คุณมีประสิทธิภาพเพิ่มขึ้นห้าเท่า คุณจะลดต้นทุนลง 80% หรือจะทำงานให้ได้ห้าเท่า?)
ผู้เขียนเคยถามในบทความหนึ่งเมื่อเดือนเมษายนปีนี้ว่า: เมื่อ AI ขยายกำลังการผลิตของทีมได้ห้าเท่า คุณสามารถลดแรงงานลง 80% เพื่อคงผลผลิตเดิมไว้ หรือคงจำนวนคนไว้แล้วทำงานให้ได้ห้าเท่าได้ Aaron Levie เสนอไว้ใน a16z Podcast ว่า “จำนวน agent ของบริษัทในอนาคตอาจเป็น 100 ถึง 1,000 เท่าของจำนวนพนักงาน” ส่วน Huang Renxun ก็กล่าวตรงๆ ว่า “หากโลกไม่มีความคิดสร้างสรรค์ใหม่ AI ที่เพิ่มผลิตภาพในที่สุดก็จะถูกแปลงเป็นการว่างงาน” ประเด็นไม่ใช่ที่ AI จะมาแทนที่คน แต่เป็นว่า “ผู้ตัดสินใจ” มีจินตนาการหรือไม่
การสังเกตครั้งนี้ของหม่งซิงในซิลิคอนแวลลีย์ เหมือนเขาเขียน “ร่างคำตอบ” ให้เห็นตรงหน้า: เมื่อประสิทธิภาพ 100 เท่าไม่ได้แลกกับรายได้ 100 เท่า เมื่องบประมาณ token เข้าใกล้ต้นทุนแรงงานของมนุษย์ เมื่อเครื่องจักรไอน้ำยังวิ่งไม่ทันรถม้าแต่ไม่มีใครกล้าหยุดรอ ดังนั้นซิลิคอนแวลลีย์ตอนนี้เลือก “เร่งความเร็วขึ้นไปก่อนค่อยว่ากัน” แต่สุดท้ายเส้นทางนี้จะไปถึง “ความสามารถในการขยายขนาด” หรือ “การกดต้นทุน” ปัจจุบันยังไม่มีคำตอบ
หม่งซิงทิ้งมุมมองที่สมดุลกว่าไว้ตอนท้ายบทความ: เขาเห็นความวิตกกังวลเพราะ “ตามไม่ทัน” มากมายในช่วงครึ่งเดือนนี้จริงๆ แต่ถ้า AI ทำให้โรคมะเร็งกลายเป็นโรคเรื้อรังได้ภายในไม่กี่ปี และทำให้วิทยาศาสตร์วัสดุพุ่งไปข้างหน้าได้ 20 ปี “การตามไม่ทัน” ครั้งนี้ อาจเป็นการเร่งความเร็วครั้งใหญ่ที่สุดในประวัติศาสตร์การพัฒนาของมนุษย์
สำหรับผู้กำหนดทิศทางเชิงธุรกิจ ปัญหาที่แท้จริงไม่เคยเป็นว่า AI จะมาแทนที่คนหรือไม่ แต่อยู่ที่ว่าเมื่อผลิตภาพถูกขยายห้าเท่า สิบเท่า หรือหนึ่งร้อยเท่าแล้ว คุณจะเลือกใช้มันเพื่อเลย์ออฟคนมากขึ้น หรือใช้เพื่อทำงานให้มากขึ้น การตัดสินใจนี้กำลังเกิดขึ้นพร้อมกันทั้งในห้องประชุมของซิลิคอนแวลลีย์และของบริษัททั่วโลก
บทความนี้ เรื่อง “เพิ่มผลผลิตด้วย AI หรือ ลดต้นทุน?” “ประสิทธิภาพหนึ่งร้อยเท่าแต่ไม่แลกมาด้วยรายได้หนึ่งร้อยเท่า แต่ในซิลิคอนแวลลีย์ไม่มีใครกล้าส่งเสียงหยุด” ปรากฏครั้งแรกที่ 鏈新聞 ABMedia
