Techsauce

หลายคนคงเคยเจอสถานการณ์แบบนี้ เปิดคอมทำงาน แต่สุดท้ายกลับนั่งมองหน้าจอ โดยไม่รู้จะเริ่มตรงไหนหรือบางทีงานที่ค้างอยู่ก็ไม่ใช่งานใหญ่ แต่กลับปล่อยไว้นานหลายวัน เพราะรู้สึกว่าเดี๋ยวค่อยทำ
ปัญหาเหล่านี้เกิดขึ้นกับคนจำนวนมากและไม่ได้เกิดจากความขี้เกียจเสมอไป แต่เกิดจากสมองที่พยายามหลีกเลี่ยงการเริ่มทำงาน โดยเฉพาะเมื่อรู้สึกว่างานนั้นใหญ่ ซับซ้อนหรือมีหลายเรื่องให้ต้องทำพร้อมกัน หนึ่งในเทคนิคที่ได้รับความนิยมในการแก้ปัญหานี้คือ ‘กฎ 2 นาที’ หรือเทคนิคบริหารเวลาสำหรับคนที่ชอบดองงาน ผัดวันประกันพรุ่ง
[1] กฎ 2 นาที คืออะไร
หลักการของเทคนิคนี้มีอยู่อย่างเดียว คือถ้างานไหนใช้เวลาทำไม่เกิน 2 นาที ให้ทำทันที ไม่ต้องจดลง To-do List ไม่ต้องเลื่อนไปวันพรุ่งนี้ ไม่ต้องปล่อยให้มันวนอยู่ในหัว เพราะงานจุกจิกพวกนี้ ถ้าปล่อยทิ้งไว้ให้เยอะๆ มันจะกลายเป็นความเครียดที่ทำให้เรารู้สึกเหนื่อยเหมือนเคลียร์งานไม่เคยเสร็จสักที เช่นเดียวกับงานที่ต้องตอบอีเมล ส่งเอกสารหรือแม้แต่เซ็นเอกสาร แม้งานเหล่านี้จะใช้เวลาไม่นาน แต่ถ้าปล่อยสะสมไว้เยอะ ๆ ก็อาจทำให้รู้สึกงานล้นมือโดยไม่รู้ตัว เทคนิคนี้จึงไม่ได้มีเป้าหมายเพื่อให้ทำงานให้ได้มากขึ้น แต่เพื่อกำจัดงานเล็ก ๆ ที่กินพื้นที่ในสมองออกไป
[2] งานเล็ก งานใหญ่ ก็ใช้กฎนี้ได้
กฎ 2 นาทีไม่ได้จำกัดอยู่แค่งานเล็ก ๆ เท่านั้น สำหรับโปรเจกต์ใหญ่ เช่น วางแผนธุรกิจ เราสามารถประยุกต์กฎนี้มาใช้เพื่อข้ามกำแพงของคำว่า ‘เริ่มต้น' ได้เช่นกัน โดยแทนที่จะมุ่งเป้าว่าต้องทำเสร็จรวดเดียวให้จบ ลองหั่นเป้าหมายให้เล็กลงดู
ซึ่งถ้าเราผ่านต่านเริ่มต้นมาได้แล้ว เราจะสามารถทำงานนั้นต่อไปได้เองอย่างลื่นไหล เพราะด่านที่ยากที่สุดอาจไม่ใช่ตัวเนื้องาน แต่คือการเอาชนะความรู้สึกที่ไม่อยากเริ่มทำในตอนแรก สิ่งนี้สอดคล้องกับแนวคิดของ James Clear จากหนังสือ Atomic Habits ที่ระบุว่าแก่นแท้ของกฎ 2 นาทีไม่ใช่การสร้างผลลัพธ์ให้เสร็จทันที แต่คือการสร้างนิสัยให้เราคุ้นเคยกับการ 'เริ่มลงมือทำ'
[3] รู้หรือไม่งานเล็ก ๆ สร้างความเครียดได้มากกว่าที่คิด
หลายครั้งเรามักจะเครียดกับงานยิบย่อยมากกว่างานชิ้นใหญ่ เพราะบางครั้งงานเล็ก ๆ น้อย ๆ ก็อาจทำให้เรารู้สึกกังวลใจได้ทั้งวัน ทั้งที่ใช้เวลาทำจริงๆ เพียงไม่กี่นาที ซึ่งถ้าเราปล่อยทิ้งไว้ สมองจะรับรู้ว่านี่คือ 'งานที่ยังไม่เสร็จ' และคอยเตือนเราอยู่ตลอดเวลา ส่งผลให้เกิดความรู้สึกเครียด เหนื่อยสะสม และทำให้ขาดสมาธิในการจัดการงานอื่น ๆ ที่สำคัญกว่า กฎ 2 นาทีจึงเข้ามาเหมือนเป็นตัวช่วยลดภาระทางความคิดเหล่านี้ด้วยการเคลียร์งานเล็กๆ ให้จบตั้งแต่แรก

ในโลกของคณิตศาสตร์ขั้นสูง มีโจทย์ประเภทหนึ่งที่ถูกเรียกว่า Monster หรือโจทย์ปีศาจ มันดูเหมือนจะเข้าใจง่าย แต่กลับมีกลไกซับซ้อนชนิดที่ล่อให้นักคณิตศาสตร์ระดับอัจฉริยะหลงทาง หลอกให้คิดว่าแก้ได้ แล้วค่อยหักหลังด้วยจุดผิดพลาดเล็ก ๆ ที่ซ่อนอยู่
หนึ่งในนั้นคือ Kakeya Set Conjecture โจทย์ทางเรขาคณิตและวิเคราะห์คณิตศาสตร์ที่ค้างคามาตั้งแต่ปี 1917 แม้แต่ Larry Guth อาจารย์ระดับตำนานแห่ง MIT ก็ยังยอมรับว่า เคยหลงคิดว่าตัวเองแก้โจทย์นี้ได้ถึง 4-5 ครั้ง ก่อนจะพบว่าตรรกะของตัวเองพังทลายลงในนาทีสุดท้ายทุกครั้ง
ทว่าเดือนกุมภาพันธ์ 2025 มีนักวิจัยชื่อว่า Hong Wang และ Joshua Zahl ได้โพสต์งานวิจัยความยาว 127 หน้า ขึ้นบนระบบคลังเอกสารวิชาการ การอัปโหลดครั้งนั้นคือการปิดฉาก Kakeya Set Conjecture โจทย์คณิตศาสตร์ระดับตำนานที่ไม่มีใครแก้ได้สำเร็จนับตั้งแต่ปี 1917 ผลงานชิ้นนี้ส่งให้เธอคว้า Fields Medal รางวัลสูงสุดของวงการคณิตศาสตร์โลก
บทความนี้จะพาไปรู้จักเรื่องราวของ Hong Wang อัจฉริยะคณิตศาสตร์หญิง ผู้กลายเป็นผู้หญิงคนที่ 3 ในรอบ 90 ปีที่คว้า Fields Medal รางวัลสูงสุดของวงการคณิตศาสตร์โลก ด้วยการแก้โจทย์ Kakeya Conjecture มิติ 3D ที่ค้างคามานานกว่าศตวรรษ และเคยทำให้นักคณิตศาสตร์ระดับโลกแก้ผิดมาแล้วนับครั้งไม่ถ้วน
Hong Wang เติบโตขึ้นมาท่ามกลางธรรมชาติในเมืองกุ้ยหลิน พ่อแม่ของเธอเป็นครูสอนคณิตศาสตร์ทั้งคู่ แต่กลับปล่อยให้เธอใช้ชีวิตวัยเด็กอย่างอิสระกับการอ่านนิทานกรีก Harry Potter, The Lord of the Rings รวมถึงการเล่นปิงปองและแบดมินตัน คณิตศาสตร์ในตอนนั้นเป็นเพียงงานอดิเรกอย่างหนึ่ง แต่มันกลับเป็นงานอดิเรกที่เธอหมกมุ่นที่สุด เมื่อใดก็ตามที่ได้หนังสือเรียนเล่มใหม่ เธอจะทำโจทย์ท้ายบททั้งหมดจนหมดก่อนเปิดเทอม และหาซื้อหนังสือโจทย์มาทำเพิ่มทันที
จุดเปลี่ยนที่ทำให้เห็นอัจฉริยภาพของเธอเกิดขึ้นตอนอายุ 6 ขวบ จากโจทย์ที่ถามว่า “จะปลูกต้นไม้ 7 ต้นอย่างไรให้ได้แนวเรียงกัน 3 ต้นมากที่สุด?” Wang สามารถหาคำตอบได้ไวกว่าพ่อของเธอซึ่งเป็นครูคณิตศาสตร์ โดยการจัดวางเป็นรูปสามเหลี่ยมด้านเท่าที่มีจุด ณ มุมทั้งสาม จุดกึ่งกลางของแต่ละด้าน และจุดตรงกลาง ซึ่งได้ทั้งหมด 6 แนว
โจทย์ข้อนี้คือเรื่อง Incidence Geometry หรือแขนงคณิตศาสตร์ที่ศึกษาความสัมพันธ์ระหว่างจุดกับเส้นตรงว่ามีการตัดกันหรือซ้อนทับกันอย่างไร ซึ่งต่อมาได้กลายเป็นแก่นของโจทย์ที่เธอใช้เวลาทั้งชีวิตทุ่มเทให้กับมัน
"สิ่งที่ทำให้รักคณิตศาสตร์ไม่ใช่ความท้าทาย แต่คือความแน่นอน ประวัติศาสตร์ถูกเขียนใหม่ได้ตลอดเวลา ภาษาอังกฤษมีข้อยกเว้นเยอะจนน่าหงุดหงิด มีเพียงทฤษฎีบททางคณิตศาสตร์เท่านั้นที่เชื่อถือได้ และไม่มีใครมาบอกทีหลังได้ว่าสิ่งที่พิสูจน์แล้วนั้นไม่จริง" Hong Wang
โจทย์สำคัญที่กลายเป็นผลงานสร้างชื่อให้เธอคือ Kakeya Set Conjecture ซึ่งตั้งคำถามไว้ตั้งแต่ปี 1917 เปรียบเทียบง่ายๆ คือ หากเราหมุนเข็มเล่มหนึ่งให้ชี้ครบทุกทิศทาง พื้นที่น้อยที่สุดที่เข็มนั้นจะกวาดไปคือเท่าไหร่? ต่อมามีนักคณิตศาสตร์พิสูจน์ว่า เข็มสามารถหมุนรอบทิศได้โดยแทบไม่กินพื้นที่เลย
แต่คำถามที่ค้างคามานานกว่าครึ่งศตวรรษคือ แล้วกลุ่มของเส้นตรงเหล่านั้นที่ไม่เหลือปริมาตรเลย มันมีมิติ (Dimension) จริง ๆ เท่าไหร่กันแน่
โจทย์ในมิติ 2 มิติถูกแก้ไปนานแล้ว แต่ในระบบ 3 มิติ กลับค้างคามานานกว่า 50 ปี และเคยลวงนักคณิตศาสตร์มาแล้วหลายราย แม้แต่ Guth อาจารย์ของเธอก็เคยคิดว่าแก้ได้ถึง 4-5 ครั้ง ก่อนจะพบข้อผิดพลาดในตรรกะของตัวเองทุกครั้งก่อนประกาศออกไป
ช่วงโควิด-19 Wang ได้อ่านแนวคิดคร่าว ๆ ที่ Terence Tao (อัจฉริยะคณิตศาสตร์ระดับโลก) เคยเขียนทิ้งไว้ เธอเห็นแสงสว่างจึงชวน Joshua Zahl มาร่วมพิสูจน์ ทั้งคู่ใช้เวลา 4 ปีในการค่อย ๆ ไล่ตรรกะทีละสเกล จินตนาการภาพในหัวจากท่อบาง ๆ ที่ซ้อนทับกัน จนขยายกลายเป็นแผ่นไม้ และกลายเป็นปริมาตรทั้งหมด เพื่อบีบให้เห็นว่ามิติของมันต้องเป็น 3 มิติเสมอ
กระบวนการพิสูจน์เริ่มลงตัวในต้นปี 2024 แต่งานวิจัยความยาว 127 หน้าถูกตรวจสอบซ้ำอย่างละเอียดอีกเป็นเวลาเต็มปีก่อนจะประกาศต่อสาธารณะ

Boston Consulting Group ตามดูบริษัทมหาชนทั่วโลกเกือบ 2,000 แห่งตลอด 20 ปี แล้วเจอตัวเลขที่น่าตกใจ กว่า 70% ของบริษัทที่เคยเจอช่วงผลประกอบการตกต่ำ ทำผลงานสู้ค่าเฉลี่ยของคู่แข่งในอุตสาหกรรมเดียวกันไม่ได้เลย ทั้งในระยะ 1 ปีและ 5 ปีหลังจากนั้น
ช่วงเวลาเดียวกันนี้ โลกเปลี่ยนเศรษฐกิจเป็นดิจิทัล ถอดรหัสพันธุกรรมมนุษย์ และสร้างรถขับเคลื่อนอัตโนมัติได้สำเร็จ แต่กลับไม่เก่งขึ้นเลยในเรื่องเดียว คือการทำให้คนกลุ่มหนึ่งเปลี่ยนวิธีทำงาน
ปัญหานี้ไม่ใช่ของใหม่ เมื่อปี 1993 Michael Hammer ผู้จุดกระแสการรื้อระบบงานใหม่ทั้งองค์กร (Business Process Reengineering) เขียนไว้ในหนังสือ Reengineering the Corporation ว่าองค์กรที่ลงมือรื้อระบบราว 50% ถึง 70% ไม่เคยได้ผลอย่างที่ตั้งใจ ผ่านมาสามทศวรรษ ตัวเลขแทบไม่ขยับ
บทความ The False Alignment Trap ใน Harvard Business Review โดย Julia Dhar, Kristy R. Ellmer และ Philip Jameson จาก Boston Consulting Group ชี้ว่าต้นตออยู่ในห้องประชุมผู้บริหาร เพราะทีมผู้บริหารมักตกหลุมพรางเดียวกัน คือทำตัวเหมือนเห็นตรงกันเรื่องการเปลี่ยนแปลงที่กำลังจะทำ ทั้งที่จริงแล้วไม่เคยเห็นตรงกันเลย
['เราเห็นตรงกันแล้ว' จริงๆ แปลว่าอะไร]
ทุกโครงการเปลี่ยนแปลงองค์กรต้องตอบคำถามสามข้อให้ชัด เปลี่ยนไปทำไม เปลี่ยนอะไรและไม่เปลี่ยนอะไร และจะเปลี่ยนอย่างไร ความผิดพลาดที่เจอบ่อยคือเริ่มลงมือก่อนที่ทุกคนจะตอบสามข้อนี้ตรงกันจริง
ปัญหาซ่อนอยู่ในคำว่าเห็นตรงกัน (Alignment) ซึ่งไม่เหมือนการตกลงกันได้จริง (Agreement) คำแรกให้ภาพของสิ่งของที่วางเรียงอยู่บนเส้นเดียวกันหรือหันหน้าไปทางเดียวกัน เวลาผู้บริหารพูดว่าเราเห็นตรงกันแล้ว ความหมายจริงมักเป็น
'เราไม่ได้ขวางทางกัน' หรือไม่ก็ 'เราเคยคุยเรื่องนี้กันมาหนึ่งรอบ และพอรับได้กับแผนคร่าวๆ'
แต่การเปลี่ยนองค์กรต้องการมากกว่าการไม่ขวางทางกัน มันต้องการการทำงานร่วมกันแบบเข้มข้น การยอมถอยคนละก้าว และการพูดให้ตรงกัน ผู้นำที่พอใจแค่ระดับเห็นตรงกันมักพบว่ามันเอาไม่อยู่ในตอนท้าย ผู้เขียนจึงเรียกมันว่าภาพลวงของความเห็นพ้อง (False Alignment) ส่วนผู้นำที่ยอมลงแรงคุยจนได้ข้อตกลงที่ละเอียดพอจะเขียนออกมาได้ หรือที่เรียกว่าข้อตกลงจริง (True Agreement) จะเดินงานร่วมกันได้จริง และทวงความรับผิดชอบจากกันได้
อ่านต่อได้ที่ใต้คอมเมนต์

ความเชื่อเดิม ๆ ในโลกการทำงานมักบอกเราว่า "คนเราไม่ได้ลาออกจากงานหรอก แต่เขาลาออกจากหัวหน้าที่แย่ต่างหาก" ประโยคนี้ฟังดูมีเหตุผลจนเราเชื่อตาม ๆ กันมา แต่พอทีมวิเคราะห์ข้อมูลของ Facebook ลองค้นหาสาเหตุจริง ๆ ว่า ทำไมพนักงานเก่ง ๆ ที่บริษัทอยากให้อยู่ต่อ ถึงยังตัดสินใจยื่นใบลาออก ผลลัพธ์กลับทำให้ทุกคนต้องประหลาดใจ
เพราะความจริงก็คือ คนเก่งไม่ได้เดินออกจากบริษัทเพราะหัวหน้า แต่เขาไปเพราะ ‘เนื้องาน’ ต่างหาก พวกเขาตัดสินใจลาออกในวันที่งานเริ่มหมดความสนุก ในวันที่จุดแข็งของตัวเองไม่ได้ถูกนำมาใช้ และในวันที่มองไม่เห็นอนาคตว่าทำไปแล้วจะเติบโตขึ้นได้อย่างไร
จริงอยู่ว่าหัวหน้าที่แย่หรือชอบจู้จี้ แต่สิ่งที่บีบให้ต้องบอกลาก็ยังคงเป็นเนื้องานอยู่ดี และถ้าลองถามต่อว่า แล้วใครล่ะที่มีหน้าที่จัดแจงว่างานของลูกน้องจะเป็นแบบไหน? คำตอบก็วนกลับมาที่ตัวหัวหน้าอยู่ดี สรุปง่าย ๆ คือ พนักงานไม่ได้เดินหนีหัวหน้าโดยตรง แต่หัวหน้าคือคนที่ปล่อยให้เนื้องานน่าเบื่อและอึดอัดจนลูกน้องไม่รู้จะอยู่ไปทำไมอยู่ดี
ดังนั้น ถ้าอยากรักษาคนเก่งไว้ องค์กรอาจต้องเลิกใช้วิธีเดิม ๆ อย่างการ "ทำตำแหน่งขึ้นมาก่อน แล้วค่อยหาคนมาเสียบ" แต่ต้องเปลี่ยนคิดใหม่ว่า "เมื่อเจอคนเก่ง จงพร้อมออกแบบงานใหม่รอบ ๆ ตัวเขา เพื่อให้เขาได้ปล่อยของอย่างเต็มที่"
บทความชิ้นนี้จัดเป็นหนึ่งในบทความบริหารคนและภาวะผู้นำระดับขึ้นหิ้งจาก Harvard Business Review (HBR) ผลงานการเขียนร่วมกันของ Lori Goler, Janelle Gale, Brynn Harrington (ทีมผู้บริหารฝ่ายบุคลากรของ Facebook) และ Adam Grant (ศาสตราจารย์ด้านจิตวิทยาองค์กรและนักเขียนชื่อดัง)
[เคล็ดลับการปรับแต่งงานให้น่าทำ]

จากผลสำรวจพนักงานกลุ่มที่ตัดสินใจ ‘อยู่ทำงานต่อ’ พบว่าพวกเขามีความรู้สึก 3 อย่างนี้สูงกว่าคนที่ลาออกอย่างชัดเจน คือ

-รู้สึกสนุกกับงานมากกว่า
-ได้ใช้จุดแข็งของตัวเองบ่อยกว่า
-มั่นใจว่าจะได้พัฒนาตัวเองเพื่อเติบโตต่อไป
สิ่งเหล่านี้คือเข็มทิศบอกหัวหน้าทุกคนว่า ถ้าอยากรั้งคนเก่งไว้ ต้องทำให้นานาภารกิจประจำวันกลายเป็นเรื่องน่าทำ เพราะมนุษย์เราทุกคนมีความฝันหรือความชอบบางอย่างที่ไม่ได้ทำเป็นอาชีพหลัก และในเมื่อเวลาส่วนใหญ่ในชีวิตเราหมดไปกับการทำงาน การจะหาเวลาไปทำตามฝันเป็นงานอดิเรกจึงไม่ง่าย พนักงานจึงพยายามดึงความชอบเหล่านั้นเข้ามาผสมผสานในงานประจำ
แต่ในองค์กร พนักงานปรับเนื้องานเองตามใจชอบไม่ได้ พวกเขาต้องการหัวหน้าที่เข้าใจและกล้าลงมือช่วยเปลี่ยนเนื้องานให้ เหมือนเรื่องราวของผู้บริหารฝ่ายบุคคลคนหนึ่งใน Facebook ที่เริ่มหมดพลังเพราะเธอเป็นคนเก่งมาก จนได้เลื่อนขั้นไปดูแลทีมใหญ่ คอยประชุม คอยคุมคน แต่พอทำไปเรื่อยๆ เธอเริ่มหมดไฟ เพราะเนื้องานบริหารมันคือนั่งประชุมและจัดการเอกสาร/คน ซึ่งเธอไม่ได้ชอบมันเลย เธอชอบการลงไปแก้ปัญหาให้ลูกค้าโดยตรงมากกว่า
เธอไปเปิดอกคุยกับหัวหน้า ซึ่งถ้าเป็นบริษัททั่วไป หัวหน้าคงบอกว่าทน ๆ ทำไป แต่หัวหน้าที่ Facebook คนนี้คิดอีกแบบ เขาคิดว่าถ้าบังคับให้เธอทนทำตำแหน่งนี้ ต่อไปเธอหมดไฟแน่นอน แล้วเธอก็จะลาออกไปที่อื่น ซึ่งบริษัทจะเสียคนเก่งแบบเธอไปเลย
หัวหน้าเลยบอกเธอว่า "งั้นเรามาหาคนใหม่กัน" โดยไปเปิดรับสมัครพนักงานใหม่เข้ามา ด้วยคุณสมบัติคือ คนชอบงานบริหาร ชอบคุมทีม พนักงานใหม่คนนี้ย้ายเข้ามาทำงาน เธอส่งมอบงาน สอนงานบริหารให้ พอคนใหม่เริ่มงานได้คล่องและชอบงานบริหารจริง ๆ คนใหม่ก็ขึ้นมาเป็นผู้บริหารเต็มตัว (กลายเป็นหัวหน้าทีม)
ส่วนตัวเธอเอง ย้ายกลับไปทำตำแหน่งพนักงานสายปฏิบัติการ (Individual Contributor) ที่เน้นลงมือแก้ปัญหาให้ลูกค้าเพียว ๆ โดยมีพนักงานใหม่คนนั้นคอยคุมภาพรวมทีมแทน
ซึ่งขัดแย้งกับบริษัทส่วนใหญ่ที่มักจะยึดติดว่า เป็นผู้บริหารแล้ว จะถอยกลับไปเป็นพนักงานธรรมดาได้ยังไง แต่หัวหน้าที่ดีจะคิดว่า ยศหรือตำแหน่งไม่สำคัญ ขอแค่รักษาคนเก่งไว้ในบริษัทได้ ให้เขาได้ทำสิ่งที่เขารักก็พอ

พ่อแม่ชาวจีนเริ่มหันมาส่งลูกเข้าค่ายพัฒนาทักษะด้านการเงิน โดยหวังให้ลูกมีทักษะพื้นฐานติดตัว รู้วิธีการหาเงิน การลงทุน และการทำธุรกิจตั้งแต่อายุยังน้อยจนกลายเป็นเทรนด์ที่หลายคนพูดว่าตอนนี้จีนกำลังจะสร้าง ‘Warren Buffett รุ่นจิ๋ว’ อยู่หรือเปล่า
ค่ายลักษณะนี้กำลังเป็นที่นิยมมากขึ้นเรื่อย ๆ จนผู้ปกครองหลายคนต้องจองล่วงหน้ากันหลายเดือน ซึ่งหลักสูตรส่วนใหญ่ใช้เวลาเรียนประมาณ 7-10 วัน โดยมีค่าใช้จ่ายเริ่มต้นที่ 12,800 หยวนหรือประมาณ 60,000 บาทต่อคน เนื้อหาที่สอนจะเป็นการปูพื้นฐานเรื่องเงินทั่วไป การทำธุรกิจ การบริหารเงิน และเน้นปลูกฝัง mindset ว่า 'ความจนเป็นเรื่องของวิธีคิดไม่ใช่เรื่องของฐานะ
ให้เด็กได้เรียนรู้จากการลงมือทำจริงผ่านสถานการณ์จำลอง เช่น ทดลองซื้อขายในตลาดหุ้นจำลอง การเข้าประชุมแบบนักลงทุน ใช้เหรียญโทเคนซื้อขายสินค้าแทนเงินสด โดยเด็ก ๆ จะต้องสรุปกำไร-ขาดทุนของตัวเองทุกวัน นอกจากนี้ยังมีการพาลงพื้นที่เพื่อหาช่องทางทำเงิน เช่น ลองตั้งแผงขายของริมถนน หัดเขียนแผนธุรกิจ ทำบัญชีรายรับรายจ่ายและฝึกพรีเซนต์งานเป็นภาษาอังกฤษให้นักลงทุนจำลองฟังเหมือนเวลาผู้ใหญ่ไปขอเงินลงทุนทำธุรกิจจริง ๆ ไปจนถึงมีคอร์สระดับแอดวานซ์ที่สอนเรื่องภาวะผู้นำและการทำธุรกิจในสายเทคโนโลยีหรือวิทยาศาสตร์ โดยจะเชิญอาจารย์และผู้เชี่ยวชาญด้านการเงินตัวจริงมาเป็นผู้สอน
ซึ่งพออ่านมาถึงตรงนี้อาจรู้สึกว่าดีจัง แต่เหรียญมักมีสองด้านเสมอ มีด้านที่ดีก็ย่อมมีด้านที่ไม่ดี เพราะในขณะที่มีคุณแม่ท่านหนึ่งเล่าว่าหลังจากให้ลูกสาววัยประถมเข้าค่ายก็เปลี่ยนไปในทางที่ดีขึ้นอย่างชัดเจน จากที่เคยขี้เกียจเรียนก็เริ่มมีเป้าหมายว่าอยากหาเงิน และดูตั้งใจทำสิ่งต่าง ๆ มากขึ้น แต่อีกมุมผู้ปกครองบางส่วนกลับเจอผลข้างเคียงที่คาดไม่ถึง เพราะเด็ก ๆ เริ่มมองทุกอย่างเป็นเรื่องของผลตอบแทนไปหมด เช่น เริ่มต่อรองขอเงินรางวัลถ้าสอบได้คะแนนดีหรือเรียกค่าจ้างเวลาช่วยทำงานบ้านเล็ก ๆ น้อย ๆ
และยังมีคุณแม่อีกท่านให้ความเห็นว่าเธอจะไม่ส่งลูกชายวัย 7 ขวบไปเข้าค่ายแนวนี้แน่นอน เพราะมองว่าเนื้อหาที่สอนยังไม่สะท้อนความจริงและไม่ได้สอนให้เด็กเข้าใจว่าความสำเร็จมันไม่ได้สร้างได้ในชั่วข้ามคืน เธอให้เหตุผลว่าสถิติทั่วโลกก็บอกอยู่แล้วว่าธุรกิจใหม่ ๆ กว่า 90% มักจะไปไม่รอด แต่ในค่ายกลับทำให้การหาเงินดูเป็นเรื่องง่ายเกินไป เธอมองว่าสิ่งที่เด็ก ๆ ได้กลับมาน่าจะเป็นแค่ ‘การเล่นบทบาทสมมติทางธุรกิจ’ มากกว่าการจะได้เห็นภาพการทำธุรกิจที่ยากลำบากในชีวิตจริง

งานวิจัยจาก Anthropic ได้ลองของจริงด้วยการนำ Claude Agent 3 ตัวมาลุยโปรเจกต์เดียวกัน โดยวางกิมมิกซับซ้อนด้วยการบรีฟงานไปคนละทิศคนละทาง และปิดเป็นความลับไม่ให้ Agent ตัวใดรู้เลยว่ามีเพื่อนกำลังรับโจทย์ทับซ้อนอยู่
ผลลัพธ์ที่ได้จึงไม่ใช่ภาพการทำงานร่วมกันอย่างสมบูรณ์แบบ แต่กลับกลายเป็นการถอดแบบละครชีวิตคนทำงานมาเป๊ะ ๆ นั่นคือ AI เปิดศึกตีกันยับ
ต้นเหตุของดราม่าครั้งนี้เกิดจากการที่โมเดลทั้ง 3 ตัวต่างคิดไปเองว่า Agent อีกฝ่ายกำลังจงใจป่วนงานของตัวเอง ทั้งที่ต่างคนต่างแค่ทำตามบรีฟที่ได้รับมา และไม่มีใครคิดจะเอ่ยปากถามเพื่อนก่อนเลยสักคำว่า "เข้ามาทำอะไรตรงนี้?"
เมื่อขาดการสื่อสาร สงครามไซเบอร์ย่อม ๆ จึงปะทุขึ้น Agent เริ่มแอบใส่โค้ดทำลายงานของอีกฝ่าย แอบลบไฟล์ หรือปิดสิทธิ์การใช้งาน ยิ่งโมเดลฉลาดมากเท่าไร ยิ่งเขียนมัลแวร์ทำลายล้างได้แนบเนียนขึ้นเท่านั้น บรรยากาศไม่ต่างจากกลุ่มไลน์บริษัทที่มีสองแผนกแอบเข้าไปแก้ไฟล์ Google Sheet คนละเวอร์ชัน แล้วพอระบบพังก็โยนความผิดใส่กัน
อย่างไรก็ตาม พอถึงจุดหนึ่ง Agent บางตัวก็เริ่มฉลาดพอจะเอะใจว่านี่ไม่ใช่ศัตรู แต่แค่ได้รับคำสั่งมาคนละใบ มันจึงยอมหยุด แล้วเขียน Commit Message ขอโทษ พร้อมเคลียร์โค้ดที่แอบใส่ไว้ออกให้ อารมณ์เหมือนพนักงานที่เพิ่งใส่กันยับในห้องประชุม แล้วทักไลน์ส่วนตัวไปหาเพื่อนว่า "เมื่อกี้พี่พูดแรงไปหน่อย ขอโทษนะ เดี๋ยวแก้ไฟล์คืนให้"
ในการทดลองนี้ โมเดลแต่ละตัวเผยบุคลิกที่แตกต่างกันอย่างชัดเจน

Mythos 5 (สายรับบทผู้เสียสละ) มักยอมถอยแทบทุกครั้ง ยอมเป็นฝ่ายปรับตัวเพื่อรักษาความสงบของทีม

Sonnet 4.6 & Opus 4.6 (สายหัวชนฝา) ยึดมั่นในคำสั่งตัวเองจนสุดทาง ไม่แคร์ใคร เปรียบเหมือนพนักงานประเภท "พี่ไม่สนหรอกว่าใครจะพูดไง หัวหน้าสั่งมาแบบนี้ พี่ก็ทำแบบนี้"
Anthropic สรุปว่า AI Agent กำลังเจอแรงกดดันทางสังคมคล้ายกับที่มนุษย์เคยเผชิญในกระบวนการวิวัฒนาการ แต่ปัญหาคือ AI ยังไม่มีเครื่องมือทางสังคมที่มนุษย์สร้างมา อย่างชื่อเสียง บรรทัดฐานกลุ่ม หรือกลไกการขอโทษและให้อภัยที่ทำให้สังคมมนุษย์ยังคงประคองตัวเดินหน้าต่อได้

🚀 สาย Hackathon และ Tech for Sustainability ห้ามพลาด!
​ร่วมจุดประกายไอเดียและรับชม LIVE บรรยากาศงาน Open House: PTT Spark Hack Season 2 ภายใต้แนวคิด “Sparking the Possibility: ยั่งยืน ทำได้” ที่จะพาไปเจาะลึกรายละเอียดโครงการพร้อมเปิดโจทย์ปัญหาจริงจาก 4 ชุมชน
​💡 ไฮไลต์สำคัญใน LIVE:
• ​เจาะลึก 4 โจทย์จริงจากชุมชน: รับฟัง Insights ตรงจากพื้นที่ เพื่อสร้างสรรค์นวัตกรรมแก้ปัญหาได้ตรงจุด
• ​แนวคิด Sustainability ที่ทำได้จริง: เปลี่ยนพลังไอเดียให้กลายเป็นโซลูชันที่สร้าง Impact วงกว้าง
• ​รางวัลและการต่อยอด: ชิงเงินรางวัลรวมกว่า 380,000 บาท พร้อมโอกาสร่วมงานและต่อยอดผลงานจริงกับ PTT Group
​🔴 รับชม LIVE พร้อมกันได้ทาง YouTube:https://youtube.com/live/xpJS_1iXiXA?feature=share
​

PTT Spark Hack Season 2 Open House | Sparking the Possibility ยั่งยืน ทำได้! เปิดบ้านชวนคนมีไอเดีย มาร่วม Spark ความเป็นไปได้ให้เกิดขึ้นจริง! ✨...

หาก AI ทำให้เศรษฐกิจโตเร็วขึ้นหลายเท่า คนทำงานก็ควรมีรายได้ดีขึ้นตามไปด้วยหรือไม่?
คำตอบจากแบบจำลองล่าสุดของ The Anthropic Institute อาจไม่ได้ตรงไปตรงมาขนาดนั้น เพราะในฉากทัศน์ที่ AI พัฒนาและถูกนำไปใช้อย่างเข้มข้นที่สุด เศรษฐกิจสหรัฐฯ อาจมีขนาดใหญ่กว่าเส้นทางที่ไม่มี AI ถึง 32.4% ภายในปี 2030
และอัตราการเติบโตในช่วง 12 เดือนก่อนต้นปี 2030 อาจเร่งขึ้นถึง 15.4% ขณะที่คนทำงานความรู้กลับเผชิญทั้งแรงกดดันด้านค่าจ้างและการจ้างงาน
เบื้องหลังตัวเลขเหล่านี้คือรายงาน Economic Scenarios for Transformative AI ที่พยายามมองผลกระทบของ AI จากจุดเล็กที่สุดอย่าง Task ในแต่ละอาชีพ ก่อนขยายไปดูว่า เมื่อ AI เข้ามาช่วย ทำแทน หรือสร้างงานใหม่พร้อมกันในหลายอุตสาหกรรม จะเกิดอะไรขึ้นกับ GDP ค่าจ้าง การจ้างงาน และสัดส่วนรายได้ระหว่างแรงงานกับทุน
[สามฉากทัศน์ที่พาเศรษฐกิจไปคนละโลก]
ฉากทัศน์แรกคือการเปลี่ยนแปลงระดับพอประมาณ (Modest) ซึ่ง AI แตะงานเพียง 4% ของงานทั้งระบบเศรษฐกิจ ภายในปี 2030 GDP สูงกว่าเส้นทางที่ไม่มี AI อยู่ 1.6% หรือราว 34.1 ล้านล้านดอลลาร์สหรัฐ เศรษฐกิจโต 2.4% ต่อปี และอัตราว่างงานรวมอยู่ที่ 3.9% เทียบกับระดับปกติที่ 3.8% ความหมายคือแทบมองไม่เห็นร่องรอยของ AI ในข้อมูลเศรษฐกิจมหภาค ซึ่งเทียบได้กับขนาดผลกระทบของอินเทอร์เน็ต
ฉากทัศน์ที่สองคือการเปลี่ยนแปลงระดับมีนัยสำคัญ (Substantial) ซึ่ง AI มีความสามารถทำงานความรู้ได้ราวครึ่งหนึ่ง แต่ถูกนำไปใช้จริงเพียง 40% ของงานที่ทำได้ รวมแล้วคิดเป็น 12% ของงานทั้งระบบ ผลลัพธ์คือ GDP สูงกว่าเส้นทางไร้ AI 8.3% หรือราว 36.3 ล้านล้านดอลลาร์สหรัฐ และเศรษฐกิจโต 5.4% ต่อปี ซึ่งเร็วกว่าปีที่ดีที่สุดของยุคฟองสบู่ดอทคอมอย่างปี 1999 ที่โต 4.7% ส่วนอัตราว่างงานของคนทำงานความรู้ขยับจาก 2.9% เป็น 4.5%
ฉากทัศน์ที่สามคือการเปลี่ยนแปลงระดับรุนแรง (Extreme) ซึ่ง AI ทำงานความรู้ได้เกือบทั้งหมดและถูกใช้จริง 60% ของงานที่ทำได้ รวมเป็น 30% ของงานทั้งระบบ หรือราวครึ่งหนึ่งของงานที่แรงงานความรู้ทำอยู่ในปี 2025 GDP จะสูงกว่าเส้นทางไร้ AI ถึง 32.4% หรือราว 44.4 ล้านล้านดอลลาร์สหรัฐ ขณะที่อัตราว่างงานของคนที่เริ่มต้นในกลุ่มงานความรู้พุ่งไปที่ 17.9% และอัตราว่างงานทั้งระบบอยู่ที่ 11.9% สูงกว่าช่วงหลังวิกฤตการเงินโลกที่เคยแตะเกือบ 10%
อ่านต่อได้ที่ใต้คอมเมนต์

ทำไมบางคนถึงดูเหมือน 'ตั้งใจ' ทำเรื่องแย่ๆ ทั้งที่ตัวเองก็ไม่ได้อะไรเลย?
นักเศรษฐศาสตร์ชื่อดัง Carlo Cipolla มองว่านั่นอาจเป็นตัวชี้วัดของ 'ความโง่'
เขามองว่าความโง่ไม่ได้วัดกันที่ระดับสติปัญญาหรือ IQ แต่ดูกันที่ 'ผลลัพธ์ของการกระทำ' มากกว่า Cipolla อธิบายไว้ในหนังสือ The Basic Laws of Human Stupidity ว่า ความโง่ไม่ใช่เรื่อง IQ หรือการศึกษา แต่คือพฤติกรรมที่สร้างความเสียหายโดยไร้เหตุผล
#ดูยังไงว่าใครโง่
เขาเสนอกรอบคิดง่าย ๆ ด้วยคำถามสองข้อ
1. การกระทำนั้นทำให้ตัวเองได้หรือเสียประโยชน์?
2. การกระทำนั้นทำให้คนอื่นได้หรือเสียประโยชน์?
เมื่อวางลงบนกราฟ 2 แกน จะเห็นพฤติกรรมมนุษย์ 4 แบบชัดเจน
[1] Intelligent (Win–Win)
กลุ่มนี้ทำให้ทั้งตัวเองและผู้อื่นได้ประโยชน์ เช่น การสร้างสินค้าที่ตอบโจทย์ลูกค้าและทำกำไร หรือการตัดสินใจในทีมที่ทำให้ทุกฝ่ายเติบโต คนกลุ่มนี้คือพลังขับเคลื่อนของสังคม
[2] Helpless (Win–Lose)
คนอื่นได้ประโยชน์ แต่ตัวเองเสีย เช่น การยอมทำงานแทนทุกคนจนสุขภาพพัง หรือการยอมเสียเปรียบเพื่อรักษาความสัมพันธ์ แม้ดูเป็นคนดี แต่ในระยะยาวพฤติกรรมแบบนี้ทำให้สมดุลชีวิตตัวเองเสียหาย
[3] Bandit (Lose–Win)
ตัวเองได้ แต่คนอื่นเสีย เช่น การโกง การฉวยโอกาส หรือการเอาเปรียบ โจรอันตราย แต่ยังพอรับมือได้ เพราะมีตรรกะชัดเจน และทำไปเพื่อผลประโยชน์
[4] Stupid (Lose–Lose)
ทั้งตัวเองก็ไม่ได้อะไร และคนอื่นก็เสียหาย เช่น ใช้อารมณ์ประชดจนงานพัง ขับรถย้อนศรเพื่อประหยัดเวลาไม่กี่วินาทีแล้วเกิดอุบัติเหตุใหญ่ หรือสร้างความขัดแย้งโดยไม่คิดถึงผลลัพธ์
#คนโง่อันตรายกว่าโจร
Cipolla มองว่ากลุ่มสุดท้ายอันตรายที่สุด เพราะการกระทำไม่ได้ขับเคลื่อนด้วยผลประโยชน์หรือเหตุผลชัดเจน จึงคาดเดาไม่ได้ และป้องกันยากกว่าคนที่ร้ายแบบมีเป้าหมาย
ประเด็นสำคัญของ Cipolla คือ เรามักประเมินจำนวนพฤติกรรมแบบ “Lose–Lose” ต่ำเกินไป และมักคิดว่าความเสียหายใหญ่ต้องมาจากคนที่มีเจตนาร้ายเท่านั้น ทั้งที่ในความจริง พฤติกรรมที่ไม่คิดถึงผลลัพธ์เลยต่างหากที่สร้างต้นทุนมหาศาลให้กับองค์กรและสังคม
ประเด็นสำคัญไม่ใช่การกำจัดคนโง่ให้หมดไป (เพราะตามกฎข้ออื่นของ Cipolla ความโง่เป็นค่าคงที่ในสังคม) แต่คือการทำให้ 'คนฉลาด' มีอำนาจและระบบสนับสนุนเพียงพอ เพื่อจำกัดความเสียหายไม่ให้ลุกลาม
เพราะในท้ายที่สุด ความเจริญของสังคมไม่ได้ขึ้นอยู่กับว่าเรามีคนเก่งกี่คน แต่อยู่ที่ว่าเราควบคุมผลกระทบจากพฤติกรรมที่ไร้เหตุผลได้ดีแค่ไหน