AGI ไม่ใช่ปัญหาของปี 2030 มันคือปัญหาของปี 2026

ข้อมูลเชิงลึกจาก Scaling Business Summit 2026 นครโฮจิมินห์

Lars Jankowfsky เปิดการประชุมสุดยอดด้วยการแก้ไข ปีที่แล้วที่ SBS เขาทำการทำนายที่กล้าหาญ: AGI ภายในปี 2030 โรงเรียนสอนภาษาปิดตัว การสื่อสารทางจิตในหนึ่งทศวรรษ เขากลับมาตรวจสอบกระดานคะแนน ส่วนใหญ่เกิดขึ้นแล้ว บางส่วนเกิดขึ้นเร็วกว่า และส่วนหนึ่งเป็นอันตรายมากขึ้นอย่างมีนัยสำคัญ

Lars Jankowfsky, Founder ที่ Gradion ได้กล่าวสุนทรพจน์เปิดงาน: การอัปเดตที่คมคายและไม่ปรานีเกี่ยวกับสถานะของ AI ในปี 2026 ไม่มีการโฆษณาเกินจริง ไม่มีข้อจำกัดความรับผิดชอบ เพียงสัญญาณ ความเสี่ยง และสามสิ่งที่ผู้ก่อตั้งและผู้ดำเนินงานทุกคนต้องทำในสัปดาห์นี้

นี่คือสิ่งที่เขาพูดและความหมายของมันสำหรับธุรกิจของคุณ

1. ไทม์ไลน์ AGI เพิ่งพังทลาย

หนึ่งปีที่แล้ว ฉันทามติในหมู่นักวิทยาศาสตร์ AI ที่จริงจังวาง AGI - Artificial General Intelligence หมายถึง AI ที่จับคู่หรือเกินความสามารถในการใช้เหตุผลของมนุษย์ในทุกโดเมน ไว้ที่ไหนสักแห่งระหว่างปี 2030 ถึง 2032 ฉันทามตินั้นหายไปแล้ว

“นักวิทยาศาสตร์ที่จริงจังแทบทุกคนใน AI ตอนนี้คาดว่า AGI จะเกิดขึ้นภายในวาระประธานาธิบดี US นี้” ลาร์สกล่าว “ดังนั้นปีนี้หรือปีหน้า นั่นคือการเปลี่ยนแปลงครั้งใหญ่”

การถกเถียงว่า AGI เป็นปัญหาปี 2030 หรือไม่นั้นสิ้นสุดลงแล้ว มันคือปัญหาปี 2025 หรือ 2026

ตัวเลขเบื้องหลังการเปลี่ยนแปลงนี้ไม่ใช่สิ่งที่เป็นนามธรรม ตั้งแต่ GPT-4 ค่าใช้จ่ายของความฉลาดต่อ token ลดลง 200 เท่า คลัสเตอร์การคำนวณมูลค่าหลายร้อยพันล้านดอลลาร์เป็นโครงสร้างพื้นฐานมาตรฐานแล้ว Ray Kurzweil ที่นานแล้วถือว่าเป็นเสียงที่มองโลกในแง่ดีที่สุดในการพยากรณ์ AI ตอนนี้เป็นเสียงอนุรักษ์นิยม ทุกคนอื่นเคลื่อนไหวเร็วกว่า

สิ่งที่นี้หมายความในทางปฏิบัติ: การตัดสินใจที่บริษัทของคุณวางแผนจะทำเกี่ยวกับ AI ในสามปีข้างหน้าต้องทำตอนนี้ สภาพแวดล้อมที่คุณดำเนินงานอยู่จะไม่เหมือนเดิมใน 18 เดือน ผู้นำที่ปรับให้เข้ากับความเป็นจริงนั้นจะมีข้อได้เปรียบอย่างมากเหนือผู้ที่ยังคงปฏิบัติต่อ AI ว่าเป็นการทดลอง

บทเรียนที่ 1: ไทม์ไลน์ AGI เลื่อนจากปี 2030 เป็น 2026 ทุกแผนกลยุทธ์ที่ไม่คำนึงถึงสิ่งนั้นล้าสมัยแล้ว

2. J-Curve เป็นเรื่องจริงและบริษัทส่วนใหญ่เลิกราก่อนจะได้ผลตอบแทน

เจ็ดสิบเปอร์เซ็นต์ของโครงการ AI ทั้งหมดล้มเหลว ไม่ใช่เพราะเทคโนโลยีไม่ทำงาน มันทำงาน พวกเขาล้มเหลวเพราะสิ่งที่เกิดขึ้นในช่วงไม่กี่เดือนแรกหลังจากการนำไปใช้: J-curve

“คุณบอกว่าเฮ้ ฉันมี AI ทุกอย่างดีขึ้น แต่จริงๆ แล้วมันแย่ลงลาร์สได้อธิบายไว้ ประสิทธิภาพการทำงานลดลง ความสับสนเพิ่มขึ้น ทีมงานต่างต่อต้าน บริษัทส่วนใหญ่เมื่อเผชิญกับช่วงถดถอยนี้ มักสรุปว่า AI ไม่เหมาะกับองค์กรของตน พวกเขาหยุดลง และตกอยู่เบื้องหลัง

J-curve ไม่ใช่สัญญาณว่ามีบางอย่างผิดปกติ มันคือต้นทุนปกติของการเปลี่ยนแปลงที่แท้จริงใดๆ บริษัทที่เข้าใจล่วงหน้า วางแผนสำหรับการลดลง สื่อสารผ่านมัน และยืนหยัดคือผู้ที่ออกมาอีกด้านหนึ่งด้วยข้อได้เปรียบแบบทบต้น

วิธีแก้ปัญหาในทางปฏิบัติไม่ใช่เรื่องเทคนิค มันคือความเป็นผู้นำ

“วางแผนสำหรับ J-curve” ลาร์สกล่าว “วางแผนสำหรับการลดลง ใช่ มันเป็นเรื่องปกติ ประสิทธิภาพจะลดลง จะมีการต่อต้าน”

ตั้งชื่อมันก่อนที่มันจะเกิดขึ้น บอกทีมของคุณว่าควรคาดหวังอะไร การกำหนดกรอบนั้นเพียงอย่างเดียวจะป้องกันความล้มเหลวในช่วงแรกได้มาก

บทเรียนที่ 2: การลดลงไม่ใช่สัญญาณความล้มเหลว มันคือหลักฐานว่าการเปลี่ยนแปลงกำลังเกิดขึ้น บริษัทที่เลิกในหุบเขาคือผู้ที่ตกหลังที่สุด

3. AI ไม่ล้มเหลว ความกลัวต่างหากที่ล้มเหลว

เหตุผลที่แท้จริงที่โครงการ AI ล้มเหลวไม่มีส่วนเกี่ยวข้องกับโมเดล ข้อมูล หรือโครงสร้างพื้นฐาน มันเกี่ยวข้องกับคนที่นั่งอยู่ในสำนักงานของคุณที่กำลังดูการเปิดตัวและถามคำถามอย่างเงียบๆ ว่า: นี่หมายความว่าฉันเป็นคนถัดไปหรือ?

“ทำไมพวกเขาถึงสนับสนุนมัน? มันสมเหตุสมผลอย่างแน่นอนที่พวกเขาจะเป็นแบบนั้น โปรดเก็บทุกอย่างไว้เหมือนเดิม ฉันไม่ต้องการมัน” ลาร์สกล่าว “เพราะมนุษย์มีอารมณ์ พวกเขามีความกลัว พวกเขามีครอบครัวที่ต้องเลี้ยงดูเมื่อองค์กรหลงลืมสิ่งนั้น พวกเขาจะไม่ได้รับการต่อต้านอย่างเปิดเผย แต่กลับได้รับการบ่อนทำลาย ซึ่งมักเกิดขึ้นในรูปแบบที่เงียบงัน มองไม่เห็น แต่มีประสิทธิภาพอยู่เสมอ

แนวทางแก้ไขที่ Lars เสนอนั้นไม่ใช่การให้สิ่งจูงใจหรือการออกคำสั่ง หากแต่คือความชัดเจน เขาเรียกแนวคิดนี้ว่ากรอบการทำงาน "AI soon" ซึ่งหมายถึงการแจ้งให้ทีมงานทราบอย่างชัดเจนว่าสิ่งใดจะถูกนำมาทำให้เป็นระบบอัตโนมัติ และที่สำคัญยิ่งกว่านั้น คือสิ่งใดที่จะไม่มีวันถูกแทนที่ด้วยระบบอัตโนมัติเลย "เราจะไม่มีวันนำการเชื่อมต่อของมนุษย์ออกจากทีมสรรหาบุคลากรของเรา เครื่องจักรจะไม่สามารถทำสิ่งนั้นได้ อย่างน้อยก็ไม่ใช่ในอนาคตอันใกล้ข้อความดังกล่าวมอบจุดยึดเหนี่ยวให้แก่ผู้คน และช่วยเปลี่ยนภัยคุกคามให้กลายเป็นขอบเขตที่ชัดเจน

สิ่งที่อันตรายที่สุดที่ผู้นำสามารถทำได้ตอนนี้คือการนำ AI ไปใช้โดยไม่จัดการกับความกลัวก่อน สิ่งที่มีประสิทธิผลที่สุดคือการทำให้ขอบเขตชัดเจนก่อนที่การเปิดตัวจะเริ่มต้น

บทเรียนที่ 3: จัดการกับความกลัวก่อนที่จะเปิดตัวเครื่องมือ ระบุสิ่งที่จะไม่ถูกทำให้เป็นอัตโนมัติ การสนทนาครั้งเดียวนั้นจะทำเพื่อการยอมรับได้มากกว่าการเลือกเทคโนโลยีใดๆ

4. หยุดการขยายคน เริ่มขยาย Compute

เป็นเวลาสิบสองปี สูตรการเติบโตเป็นแบบเส้นตรงและเรียบง่าย: รายได้มากขึ้นต้องการคนมากขึ้น สูตรนั้นไม่สามารถใช้ได้อีกต่อไปแล้ว

"สิ่งที่เราต้องการคือ: หากคุณต้องการรายได้ที่มากขึ้น คุณก็เพิ่มขีดความสามารถด้านการประมวลผล ไม่ใช่จำนวนบุคลากรเสมอไป" ลาร์สกล่าว

ตัวชี้วัดที่สำคัญตอนนี้คือรายได้ต่อพนักงาน หากตัวเลขนั้นไม่เพิ่มขึ้น มีบางอย่างผิดปกติ หากเพิ่มขึ้น AI กำลังทำงานของมัน

นี้เปลี่ยนกรอบวิธีที่คุณตรวจสอบธุรกิจ คำถามไม่ใช่ว่าแผนกไหนสามารถได้รับประโยชน์จาก AI คำถามคือจุดเจ็บปวดที่ใหญ่ที่สุดอยู่ที่ไหน และ AI สามารถขจัดมันในระดับใด Lars ให้ตัวอย่างเฉพาะ: ลูกค้าที่ทำให้ 80% ของการตอบกลับอีเมลสนับสนุนลูกค้าเป็นอัตโนมัติด้วย AI โดยเก็บตัวแทนมนุษย์ไว้เฉพาะกรณีที่ซับซ้อน ผลลัพธ์คือทีมที่เล็กกว่า มีประสิทธิภาพสูงกว่า และต้นทุนต่อหน่วยที่ลดลงอย่างมาก

คำเตือนที่เขาแนบมาพร้อมกับสิ่งนี้คือ: การสร้าง LLM ของตัวเองแทบไม่ใช่คำตอบที่ถูกต้องเลย บริษัทที่ลงทุนตั้งแต่ห้าแสนถึงหนึ่งล้านดอลลาร์เพื่อสร้างโมเดลที่เป็นกรรมสิทธิ์ของตนเอง พบว่าพนักงานยังคงใช้ ChatGPT อย่างเงียบ ๆ อยู่ดี เนื่องจากโมเดลเชิงพาณิชย์นั้นเหนือกว่าอย่างชัดเจนสิ่งที่คุณดำเนินการด้วยตนเอง มันจะไม่มีวันดีเท่า GPT" ลาร์สกล่าว เริ่มต้นด้วยระบบ Agentic ที่ประยุกต์ใช้กับปัญหาเฉพาะที่มีมูลค่าสูง อย่าเริ่มต้นที่โครงสร้างพื้นฐาน

บทเรียนที่ 4: สูตรการเติบโตเปลี่ยนแปลงไปแล้ว รายได้ขยายตามการคำนวณ ไม่ใช่จำนวนพนักงาน ตรวจสอบจุดเจ็บปวดที่ใหญ่ที่สุดของคุณและทำให้หนึ่งในนั้นเป็นอัตโนมัติในสัปดาห์นี้

5. เครื่องจักรแห่งความรักและความเมตตา หรือจุดสิ้นสุดของทุกสิ่ง

"ลาร์สไม่ได้หลีกเลี่ยงด้านมืดของเรื่องนี้ P-Doom หรือความน่าจะเป็นที่ประเมินว่า AGI จะนำไปสู่การสูญพันธุ์ของมนุษย์ อยู่ที่ประมาณ 5% เมื่อปีที่แล้ว ปีนี้ค่าเฉลี่ยทางวิทยาศาสตร์กลับเพิ่มสูงขึ้น ไม่ใช่ลดลง Safe Superintelligence (SSI) ที่ก่อตั้งโดย Ilya Sutskever ระดมทุน Seed Funding ได้ถึง 32,000 ล้านดอลลาร์โดยยังไม่มีผลิตภัณฑ์ใดๆ"ฉันไม่เคยได้ยินเกี่ยวกับบริษัทที่ได้รับ 32 พันล้านดอลลาร์และไม่มีอะไรเลยลาร์สกล่าวไว้

ความเสี่ยงด้านภูมิรัฐศาสตร์ก็ชัดเจนพอๆ กัน หากประเทศหนึ่งถึง AGI ก่อน ไม่ว่าจะเป็น US หรือจีน ประเทศอื่นจะไม่ยอมรับช่องว่างนั้นง่ายๆ สถานการณ์ที่ Lars อธิบายไม่ใช่นิยายวิทยาศาสตร์ มันคือประเภทของการคำนวณที่กระทรวงกลาโหมกำลังดำเนินการอยู่แล้ว

แต่เขาไม่ได้หยุดอยู่แค่นั้น ข้อโต้แย้งที่ตอบโต้กลับมาคือบทความในปี 2025 ของ Dario Amodei ชื่อว่า "เครื่องจักรแห่งความเมตตากรุณา— แหล่งที่มาของชื่อปาฐกถาสำคัญครั้งนี้ อาโมเดอิ ผู้ร่วมก่อตั้ง Anthropic ชี้ให้เห็นว่า หากเราพัฒนา AI ได้อย่างถูกต้อง เราจะสามารถรักษามะเร็ง แก้ไขปัญหาสุขภาพจิต ทำให้สภาพภูมิอากาศมีเสถียรภาพ และรับมือกับความท้าทายร้ายแรงแทบทุกด้านที่มนุษยชาติเผชิญอยู่ ศักยภาพเชิงบวกนั้นยิ่งใหญ่พอๆ กับความเสี่ยงเชิงลบ ผลลัพธ์ที่จะเกิดขึ้นนั้นขึ้นอยู่กับสิ่งที่เราเลือกสร้างและวิธีที่เราเลือกกำกับดูแลมันทั้งสิ้น

“มันแค่เป็นเทคโนโลยี” ลาร์สกล่าว “ขึ้นอยู่กับว่าคุณทำอะไรกับมันเขายกชื่อ Dario Amodei และ Demis Hassabis เป็นตัวอย่างของผู้ที่พยายามดำเนินการอย่างถูกต้อง ส่วนบุคคลอื่นๆ นั้น เขายังคงมีข้อสงสัยอยู่บ้าง จุดประสงค์ไม่ใช่การกำหนดว่าใครคือวีรบุรุษหรือผู้ร้าย หากแต่เป็นการเตือนให้ผู้ที่อยู่ในห้องนั้นตระหนักว่า การตัดสินใจที่กำลังเกิดขึ้นในขณะนี้ ไม่ว่าจะโดยผู้ก่อตั้ง ผู้ดำเนินงาน หรือนักลงทุน ล้วนเป็นส่วนหนึ่งของช่วงเวลาแบบ Oppenheimer เช่นเดียวกัน นั่นคือช่วงเวลาที่เทคโนโลยีมีพลังมากพอที่สิ่งที่เราเลือกกระทำกับมันจะกำหนดทุกสิ่งที่ตามมาในอนาคต

บทเรียนที่ 5: ความเสี่ยงและโอกาสล้วนมีจริงและมีมากมาย ผู้ก่อตั้งที่อัปเดตข้อมูล รักษาสุขภาพ และอยู่ในสนามแข่งขันคือผู้ที่จะช่วยกำหนดว่าฝ่ายใดชนะ

CEO Execution Playbook: สิ่งที่ต้องทำพรุ่งนี้

1. 1. ปรับสอบเทียบไทม์ไลน์ AGI ของคุณใหม่ ลบปี 2030 ออกจากขอบเขตการวางแผนของคุณ ปฏิบัติต่อการมาถึงของ AGI ในฐานะสถานการณ์ 12 ถึง 24 เดือน และถามว่านั่นหมายความว่าอะไรสำหรับผลิตภัณฑ์ปัจจุบัน โครงสร้างทีม และตำแหน่งในการแข่งขันของคุณ
2. 2. เลือกระบบอัตโนมัติแบบ agentic หนึ่งอย่างเพื่อนำไปใช้ในเดือนนี้ ไม่ใช่แชทบอท ไม่ใช่ LLM กระบวนการที่เจ็บปวดสูงหนึ่งอย่าง เช่น การสนับสนุนลูกค้า การคัดกรอง HR การประมวลผลใบแจ้งหนี้ และสร้างตัวแทนที่มีเป้าหมายสำหรับมัน เริ่มต้นเล็กๆ พิสูจน์โมเดล แล้วขยาย
3. 3. พูดคุย 'AI เร็วๆ นี้' กับทีมของคุณ ก่อนการเปิดตัว AI ครั้งต่อไป ให้กำหนดอย่างชัดเจนว่าอะไรจะถูกทำให้เป็นอัตโนมัติและอะไรจะไม่ถูกทำ จดบันทึกไว้ ความชัดเจนนั้นจะสร้างการยอมรับได้มากกว่าการฝึกอบรมใดๆ
4. 4. ติดตามรายได้ต่อพนักงาน ไม่ใช่จำนวนพนักงาน ตั้งเป้าหมายรายไตรมาสสำหรับตัวเลขนี้และทบทวนควบคู่กับตัวชี้วัดการเติบโตมาตรฐานของคุณ มันจะบอกคุณได้เร็วกว่าสิ่งอื่นใดว่าการลงทุน AI ของคุณกำลังทำงานหรือไม่
5. 5. ปกป้องความสามารถทางกายภาพในการนำของคุณ ความเร็วของการเปลี่ยนแปลงจะไม่ชะลอลง หากร่างกายและจิตใจของคุณไม่ได้รับการปรับให้เหมาะสมสำหรับประสิทธิภาพสูงที่ยั่งยืน การตัดสินใจของคุณใน 24 เดือนข้างหน้าจะสะท้อนสิ่งนั้น ให้ถือว่าสุขภาพเป็นความสำคัญทางธุรกิจ ไม่ใช่ส่วนตัว

→ ดูคีย์โน้ตเต็มรูปแบบบน YouTube