🛑 AI ไม่ได้แย่งงาน Product แต่มันกำลัง “คัดคนที่ไม่เข้าใจ Product” ออกไปจากเกม
🛑 AI ไม่ได้แย่งงาน Product แต่มันกำลัง “คัดคนที่ไม่เข้าใจ Product” ออกไปจากเกม
ในช่วง 1–2 ปีที่ผ่านมา ความสามารถของ AI พัฒนาแบบก้าวกระโดดสำหรับการทำ Product เช่น
* สร้าง UI mockup ได้ภายในไม่กี่วินาที
* เขียนโค้ด prototype ได้แทบจะทันที
* ร่าง PRD หรือ user flow ได้ในระดับที่ “พอใช้งานได้จริง”
* วิเคราะห์ requirement จาก data และ feedback ของผู้ใช้ได้แบบ real-time
* สร้าง A/B testing variation ได้หลายสิบแบบภายในเวลาอันสั้น เป็นต้น
คำถามที่เริ่มดังขึ้นในห้องประชุมของผู้บริหารหลายองค์กรจึงไม่ใช่เรื่องเทคโนโลยี…แต่คือเรื่อง “คน”
“ถ้า AI ทำสิ่งเหล่านี้ได้หมดแล้ว เรายังต้องมี Product Manager และ Product Designer อยู่หรือไม่?”
คำตอบสั้นๆ คือ “ใช่…แต่ไม่ใช่ทุกคน” เพราะ AI ไม่ได้เข้ามาแทนงาน Product แต่มันกำลัง “เปิดโปง” ว่าใครคือของจริง และใครคือแค่คนทำตามขั้นตอน
====
📉 1) ภาพลวงตาของ “การสร้างได้เร็ว” ในโลกที่ต้นทุนใกล้ศูนย์
ในช่วงปี 2024–2026 หลายองค์กรเริ่มเห็นความจริงบางอย่าง
* ต้นทุนการพัฒนา software บางส่วนลดลง 20–50% จากการใช้ AI-assisted coding (โดยเฉพาะงาน repetitive และ boilerplate code)
* เวลาในการสร้าง prototype ลดจาก “สัปดาห์” เหลือ “ชั่วโมง” ทำให้วงจร feedback จากผู้ใช้สั้นลงอย่างมีนัยสำค ัญ
* ทีม product สามารถ test idea ได้มากขึ้น 5–10 เท่าในช่วงเวลาเดียวกัน ส่งผลให้ learning cycle ขององค์กรเร็วขึ้นแบบก้าวกระโดด
* barrier ในการเริ่มต้นสร้าง product ใหม่ลดลงอย่างมาก ทำให้ทั้ง startup และทีมภายในองค์กรแข่งขันกันได้ง่ายขึ้น
* ความสามารถในการ iterate และปรับปรุง product แบบต่อเนื่อง (continuous iteration) กลายเป็นมาตรฐานใหม่ ไม่ใช่ความได้เปรียบเฉพาะกลุ่ม
"ฟังดูเหมือน productivity พุ่งขึ้นมหาศาล…และก็เป็นความจริง"
แต่สิ่งที่เพิ่มขึ้นเร็วกว่า productivity คือ “จำนวนสิ่งที่ไม่ควรถูกสร้าง” นี่คือจุดที่หลายองค์กรเริ่มเจอปัญหาใหม่
👉 ไม่ใช่สร้างไม่ทัน แต่คือ “สร้างผิดเยอะขึ้น”
* เมื่อก่อน การสร้าง product หนึ่งชิ้นต้องใช้เวลาเป็นสัปดาห์หรือเป็นเดือน วันนี้…มันใช้เวลาแค่ “ไม่กี่ชั่วโมง”
* ฟังดูเหมือนข่าวดี แต่ในเชิงกลยุทธ์ นี่ คือ “ดาบสองคม”
* เพราะเมื่อ “ต้นทุนการสร้าง (Cost of Creation)” ลดลงใกล้ศูนย์ สิ่งที่เพิ่มขึ้นแบบทวีคูณคือ
👉 จำนวนของไอเดียที่ถูกสร้างขึ้นโดยไม่มีคุณภาพ (Idea Inflation)
องค์กรจะไม่ได้ขาดแคลนไอเดียอีกต่อไป แต่จะจมอยู่กับ
* ฟีเจอร์ที่ “ทำได้” แต่ไม่มีใครใช้
* โปรดักต์ที่ “ดูดี” แต่ไม่สร้างรายได้
* หรือแย่กว่านั้น…ของที่สร้างแล้ว “ทำลายธุรกิจตัวเอง”
* "การสร้างได้เร็ว ≠ การสร้างได้ถูก"
* Speed to Market ไม่ได้แปลว่า Competitive Advantage เสมอไป
ในโลกที่สร้างอะไรก็ได้เร็วขึ้น การ “เลือกไม่สร้าง” จะกลายเป็นทักษะที่แพงที่สุด
====
🧠 2) Product Manager = จากคนเขียนสเปก → คน “ตัดสินใจความคุ้มค่า”
ตัวอย่างที่เห็นชัดในบริษัทเทคต่างๆ ช่วงหลัง เช่น
* บริษัท SaaS หลายแห่งเริ่มใช้ AI ช่วย generate feature ได้เร็วขึ้น แต่กลับต้องเพิ่ม senior PM เพื่อ “คัดทิ้ง” feature ที่ไม่สร้าง value
* ทีม product ใน Big Tech ใช้ AI เพื่อ accelerate experimentation แต่ decision ว่าจะ scale หรือ kill feature ยังคงอยู่ที่ PM
สิ่งที่เกิดขึ้นคือ
👉 ปริมาณสิ่งที่ “ทำได้” เพิ่มขึ้น
👉 แต่ความสำคัญของการ “เลือก” เพิ่มขึ้นมากกว่าเดิมหลายเท่า
"นี่คือเหตุผลที่ PM ระดับ strategic ไม่ได้ลดลง แต่กลับมี demand สูงขึ้นในหลายองค์กร"
บทบาทของ Product Manager ที่แท้จริง ไม่เคยเป็นแค่การเขียน requirement แต่คือการตอบคำถามที่ยากที่สุดในองค์กร เช่น
* สิ่งนี้ “ควรทำหรือไม่?”
* ถ้าทำแล้ว “คุ้มค่าหรือไม่?”
* และถ้าไม่ทำ “เรากำลังเสียโอกาสอะไร?”
ในโลกก่อน AI งาน execution มีต้นทุนสูง PM จำนวนมากจึงถูกใช้ไปกับการ “จัดการงาน” มากกว่าการ “ตัดสินใจ” แต่ในโลกหลัง AI
👉 Execution ถูกทำให้ “ถูกลง”
👉 Decision กลายเป็น “ของแพง”
PM ตัวจริงต้องมีอะไร?
* ความเข้าใจลูกค้าในระดับพฤติกรรม (ไม่ใช่แค่ survey)
* ความเข้าใจ business model และ constraint จริงขององค์กร
* ความสามารถในการ trade-off ระหว่าง growth, cost, risk
* ความสามารถในการตั้งคำถามเชิงกลยุทธ์ (problem framing)
* ความสามารถในการตัดสินใจบนข้อมูลที่ไม่สมบูรณ์ (judgment under uncertainty)
AI อาจช่วยวิเคราะห์ข้อมูลได้ภายในไม่กี่วินาที แต่ AI ไม่สามารถ “รับผิดชอบผลลัพธ์” แทนคุณได้ และในโลกธุรกิจ
"คนที่ตัดสินใจ = คนที่ต้องรับผิดชอบ"
ซึ่งนี่คือสิ่งที่ยังเป็น “ของมนุษย์ 100%”
====
🎨 3) Product Designer = จากคนวาดหน้าจอ → คนออกแบบ “พฤติกรรมมนุษย์”
ในโลกจริง หลาย platform ระดับโลกพบ pattern เดียวกัน คือ
* การปรับ UX เพียงเล็กน้อย (เช่น ลด 1 step ใน flow) สามารถเพิ่ม conversion ได้อย่างมีนัยสำคัญ
* การจัดล ำดับข้อมูลใหม่ในหน้าเดียว สามารถเปลี่ยน behavior ของ user ได้ทันที
* การปรับ copy และ micro-interaction เล็กๆ ส่งผลต่อความเชื่อใจของผู้ใช้
* การลด cognitive load ของหน้า ช่วยเร่งการตัดสินใจของ user เป็นต้น
สิ่งเหล่านี้ไม่ใช่สิ่งที่ AI “คิดเอง” ได้ แต่เกิดจากการเข้าใจบริบทมนุษย์ในสถานการณ์จริง เช่น ความเร่งรีบ ความไม่แน่นอน หรือความลังเล และนี่คือเหตุผลที่ Product Designer ที่เข้าใจ behavior จริง ยังคงเป็น role ที่มี leverage สูง
สิ่งที่ AI ทำได้ดีมากคือ “ความสวยงาม”
* Layout ถูกต้อง
* Color harmony สมบูรณ์
* UI ดูทันสมัย
* Consistency ของ design สูง
* Speed ในการสร้าง visual สูงมาก เป็นต้น
แต่สิ่งที่ AI ยัง “ทำไม่ได้จริง” คือ
👉 ความเข้าใจ “ความรู้สึกในสถานการณ์จริง” ของมนุษย์
Product Designer ตัวจริงไม่ได้ออกแบบแค่หน้าจอ แต่กำลังออกแบบว่า
* คนที่รีบ จะกดอะไร?
* ค นที่สับสน จะหาทางออกอย่างไร?
* คนที่กลัว จะเชื่อใจระบบได้เมื่อไร?
ตัวอย่างเช่น
* ปุ่มที่อยู่ผิดตำแหน่ง 1 จุด → conversion ลดทันที
* flow ที่ยาวเกินไป 1 step → user drop ออกทั้ง funnel
* copywrite หรือข้อความไม่ชัดเจน → ลดความเชื่อใจทันที
* ลำดับการแสดงข้อมูลไม่เหมาะสม → ทำให้ตัดสินใจช้าลง
สิ่งเหล่านี้ไม่ใช่เรื่อง “ความสวย” แต่คือ “เศรษฐศาสตร์ของพฤติกรรม (Behavioral Economics)” และนี่คือสิ่งที่ยังต้องใช้ “มนุษย์ที่เข้าใจมนุษย์”
====
🚀 4) เมื่อ AI กลายเป็น “แรงขยาย” ไม่ใช่ “ตัวแทน”
ในหลายองค์กรระดับโลก การใช้ AI ไม่ได้ลดจำนวน experiment แต่กลับทำให้ experiment “เพิ่มขึ้นแบบทวีคูณ”
* ทีมสามารถ test feature ได้หลายสิบแบบในเวลาเท่าเดิม
* product iteration cycle สั้นลงอย่างมีนัยสำคัญ
* จำนวน experiment ที่ run พร้อมกันเพิ่มขึ้นแบบ exponential
* ความส ามารถในการ scale experiment เร็วขึ้นมาก
* dependency ต่อ data และ automation สูงขึ้น
แต่ insight สำคัญคือ
👉 ยิ่ง experiment ได้เร็วเท่าไร → decision ที่ผิดจะยิ่งแพงขึ้นเท่านั้น
เพราะคุณสามารถ “scale ความผิดพลาด” ได้เร็วขึ้นเช่นกัน ดังนั้น บทบาทของ PM/PD ในการ “ตีความและตัดสินใจ” จึงยิ่ง critical มากขึ้น สิ่งที่เปลี่ยนไปจริงในยุคนี้ ไม่ใช่บทบาทของ PM/PD แต่คือ “ความเร็วของเกม”
ในอดีต
* การทดสอบ 1 ไอเดีย → ใช้เวลาเป็นสัปดาห์
ในปัจจุบัน
* การทดสอบ 10–20 ไอเดีย → ทำได้ในวันเดียว
"AI ทำให้ต้นทุนของการทดลอง (Experimentation Cost) ลดลงมหาศาล"
แต่คำถามสำคัญคือ ใครจะเป็นคน “เลือก” ว่าควรทดลองอะไร? และใครจะเป็นคน “ตีความ” ว่าผลลัพธ์นั้นหมายความว่าอะไร? นี่คือจุดที่ทีม Product ตัวจริง (PM + PD + Tech) ยังคงเป็น “ศูนย์กลางของเกม”
====
⚖️ 5) "อย่าลดคนผิดจุด"
ในช่วงปี 2025–2026 หลายองค์กรเริ่ม shift budget ในลักษณะเดียวกัน
* ลด cost ด้าน execution (coding, design production)
* เพิ่ม investment ใน talent ที่ “คิดและตัดสินใจ” ได้
* ย้ายงบไปที่ Product Discovery & Experimentation
* ลงทุนใน Data & Decision Platform
องค์กรที่เริ่มเห็นผลลัพธ์ชัดคือองค์กรที่
* ใช้ AI เพื่อลดงานซ้ำๆ
* แต่เพิ่มความเข้มข้นของ product discovery และ decision-making
ในทางกลับกัน องค์กรที่ “ลดคนคิด” แล้วไปเพิ่ม AI กลับเจอปัญหา
* feature เยอะขึ้น แต่ product ไม่ดีขึ้น
* velocity สูงขึ้น แต่ value ไม่เพิ่ม
ซึ่งสะท้อนว่า AI เพิ่ม speed ได้ แต่ไม่สามารถเพิ่ม “judgment” ได้ และ judgment คือสิ่งที่กำหนดผลลัพธ์ธุรกิจในระยะยาว
สิ่งที่องค์กรจำนวนมากกำลังเข้าใจผิดคือ
👉 พยายามลดคนที่ “คิด” แล้วไปเพิ่มเครื่องมื อที่ “ทำ” แต่ในโลกที่ AI ทำ execution ได้เกือบทั้งหมด
สิ่งที่หายากขึ้นคือ
* คนที่เข้าใจ problem จริง
* คนที่กล้าตัดสินใจในความไม่แน่นอน
* คนที่เชื่อมโยง business + tech + human ได้พร้อมกัน
องค์กรที่ชนะ จะไม่ใช่องค์กรที่ใช้ AI แทนคนทั้งหมด แต่คือองค์กรที่
ใช้ AI เป็น “แขนขา” และใช้คนเก่งเป็น “สมอง”
====
✨ เลิกกลัว AI แล้วเริ่มถามคำถามให้ถูก
“ถ้าวันนี้้ AI ทำงานพื้นฐานได้หมดแล้ว…เรายังมีคุณค่าอะไรเหลืออยู่?”
ในโลกใหม่
* คนที่ “ทำตามคำสั่ง” จะถูกแทนที่
* คนที่ “ตั้งคำถามถูก” จะยิ่งมีคุณค่า
และในเกมของการสร้าง Product นั้น...AI ทำให้เราสร้างได้เร็วขึ้น แต่มนุษย์เท่านั้น ที่ตัดสินได้ว่า “อะไรควรถูกสร้าง”
คำถามสุดท้ายจึงไม่ใช่เรื่องของเทคโนโลย ี แต่คือ วันนี้คุณกำลังเป็น “คนที่สร้างของได้เร็ว” หรือเป็น “คนที่รู้ว่าอะไรไม่ควรถูกสร้าง”?
#ProductDesign
====
📊 Sources & References
* McKinsey Global Institute (2024–2025): Generative AI สามารถเพิ่ม productivity ของ knowledge work ได้ ~20–45% และลดเวลาใน task ซ้ำๆ อย่างมีนัยสำคัญ
* GitHub Copilot Research (2024–2025): Developer ทำงานเร็วขึ้นเฉลี่ย ~55% และมี completion rate สูงขึ้นในงาน coding จริง
* Gartner Forecast (2025): 70% ขององค์กรจะใช้ AI-assisted development ภายในปี 2026 และ software delivery speed จะเพิ่มขึ้นอย่างต่อเนื่อง
* Microsoft & LinkedIn Work Trend Index (2025): มากกว่า 75% ของ knowledge workers ใช้ AI ในงาน และองค์กรที่ใช้ AI เต็มรูปแบบมี performance สูง กว่าอย่างมีนัยสำคัญ
* Accenture Technology Vision 2025: AI กำลัง shift จาก "tool" ไปสู่ "co-worker" และทำให้ decision-making กลายเป็น core competitive advantage
* Cagan, M. (2017). Inspired: How to Create Tech Products Customers Love. Silicon Valley Product Group. (อ้างอิงบทบาท PM เรื่อง Value & Viability และบทบาท PD เรื่อง Usability)
* Cagan, M. (2024). Transformed: Moving to the Product Operating Model. (อ้างอิงกระบวนการ Product Discovery และการทำงานร่วมกันของ PM, PD, Tech Lead)
* Norman, D. (2013). The Design of Everyday Things. Basic Books. (อ้างอิงมิติของ Design Sense และ Information Architecture)
ในประสบการณ์จริงที่ผมได้เห็นและสัมผัสกับการนำ AI มาใช้ในงานพัฒนาผลิตภัณฑ์ (Product) พบว่าสิ่งที่ AI ทำได้ดีที่สุดคือการช่วยร่นระยะเวลาในการผลิตและทดสอบสิ่งใหม่ ๆ ให้รวดเร็วขึ้นอย่างมหาศาล เช่น การสร้าง UI mockup หรือ prototype ที่เคยใช้เวลาหลายวันก็สามารถทำได้ภายในชั่วโมง รวมถึงการร่างเอกสาร PRD หรือการวิเคราะห์ข้อมูลผู้ใช้แบบ real-time ที่ช่วยลดภาระงานซ้ำซ้อน แต่สิ่งที่ผมสังเกตเห็นคือ การที่ AI ทำได้รวดเร็วไม่ได้แปลว่าผลลัพธ์จะมีคุณภาพเสมอไป หลายทีมที่พึ่งพา AI มากเกินไป โดยไม่มีการทบทวนและตัดสินใจอย่างรอบคอบ กลับพบว่ามีฟีเจอร์เยอะขึ้นแต่ไม่มีคนใช้จริง หรือผลิตภัณฑ์ที่ดูดีแต่ไม่ตรงกับความต้องการของตลาด ซึ่งนั่นสะท้อนว่าความสามารถของ AI ในการช่วยสร้างงานไม่ได้ทดแทนความรู้ลึกซึ้งและการตัดสินใจของมนุษย์ที่เข้าใจบริบท ความต้องการ และ "behavior" ของผู้ใช้จริงๆ ได้ การทำงานของ Product Manager ในปัจจุบันจึงเปลี่ยนบทบาทจากผู้เขียนสเปกงาน ไปสู่การเป็นผู้ตัดสินใจความคุ้มค่าและกลยุทธ์ ที่ต้องเลือกว่าอะไรควรถูกสร้าง อะไรควรถูกเลิก หรือปรับเปลี่ยน เพื่อให้สินค้ามีคุณค่าและตอบโจทย์ตลาดจริงๆ ขณะเดียวกัน Product Designer ก็ไม่ได้เป็นเพียงนักวาดหน้าจอเท่านั้น แต่กลายเป็นนักออกแบบพฤติกรรมมนุษย์ที่ต้องเข้าใจความรู้สึกและสถานการณ์ของผู้ใช้ในทุกขั้นตอน เช่น เข้าใจว่าลูกค้าที่กำลังเร่งรีบจะต้องการกดปุ่มอะไร หรือคนที่ลังเลจะหาทางข้ามบล็อคอินเตอร์เฟซอย่างไร รวมถึงผลกระทบของการเปลี่ยนแปลงเล็กๆ เช่น การจัดลำดับข้อมูลใหม่ หรือข้อความที่ชัดเจนที่ส่งผลต่อความเชื่อใจและการตัดสินใจของผู้ใช้ได้ AI แม้จะออกแบบความสวยงามได้ละเอียดและรวดเร็ว แต่ยังไม่สามารถแทนที่ความเข้าใจพฤติกรรมมนุษย์ในมิติที่ละเอียดอ่อนนี้ได้ สุดท้าย ความสำเร็จขององค์กรในยุค AI คือการที่สามารถใช้ AI เป็นเครื่องมือเสริม (แรงขยาย) ไม่ใช่ตัวแทนที่แท้จริงของผู้ตัดสินใจคน โดยลดงานที่ซ้ำซ้อนและเร่งความเร็วในขั้นตอนการสร้างและทดสอบ แต่ยังคงต้องเพิ่มการลงทุนในคนที่คิด วิเคราะห์ และตัดสินใจอย่างรอบคอบ เพราะการตัดสินใจผิดพลาดในโลกที่ทำได้เร็วขึ้นนั้น ย่อมหมายถึงค่าใช้จ่ายที่สูงขึ้นอย่างทวีคูณ การมีทีม Product ที่เข้าใจทั้งลูกค้า ธุรกิจ และเทคโนโลยี พร้อมทั้งใช้ข้อมูลและ AI ในการสนับสนุนการตัดสินใจ จะทำให้องค์กรสามารถแข่งขันและเติบโตได้อย่างยั่งยืน ดังนั้น การทำงานคู่กับ AI ในงานพัฒนาผลิตภัณฑ์ไม่ได้หมายถึงการลดคน แต่คือการ "คัดเลือก" และเพิ่มคุณค่าให้ทีมงานที่มีความเข้าใจลึกซึ้งใน Product และมนุษย์ เพื่อให้ทุกการสร้างสรรค์มีประสิทธิผลและมีผลในเชิงธุรกิจจริง
