เทคโนโลยีเปลี่ยนวิธีที่มนุษย์สร้างและเผยแพร่ความรู้อยู่เสมอ

คอมพิวเตอร์ช่วยให้เราประมวลผลข้อมูลได้เร็วขึ้น อินเทอร์เน็ตทำให้เครื่องคอมพิวเตอร์ และผู้คนเชื่อมต่อกัน ส่วน World Wide Web ทำให้การเผยแพร่ข้อมูลไม่จำเป็นต้องจำกัด อยู่ในหนังสือ ห้องสมุด หรือองค์กรขนาดใหญ่เหมือนในอดีต

ในปี 1989 Tim Berners-Lee เสนอระบบ World Wide Web ขึ้นที่ CERN เพื่อแก้ปัญหาการแลกเปลี่ยนข้อมูลระหว่างนักวิทยาศาสตร์ และเมื่อวันที่ 30 เมษายน 1993 CERN ได้นำซอฟต์แวร์ World Wide Web เข้าสู่ public domain ซึ่งมีส่วนสำคัญต่อการแพร่กระจายของ Web (CERN, n.d.)

อีกเส้นทางหนึ่งของเทคโนโลยีดำเนินคู่ขนานกันมายาวนาน นั่นคือ Artificial Intelligence หรือ AI โดย Dartmouth Summer Research Project on Artificial Intelligence ในปี 1956 ถือเป็นหมุดหมายสำคัญที่ช่วยทำให้ AI ก่อตัวเป็นสาขาการวิจัยอย่างจริงจัง (Dartmouth College, n.d.)

หลายสิบปีต่อมา AI ไม่ได้อยู่เฉพาะในห้องทดลองอีกต่อไป การเติบโตของข้อมูล พลังประมวลผล Machine Learning และ Generative AI ทำให้คนทั่วไปสามารถใช้ AI เพื่อเขียน วิเคราะห์ข้อมูล เขียนโปรแกรม สร้างภาพ และช่วยจัดการงานที่เมื่อก่อนต้องอาศัยทักษะเฉพาะหลายประเภท

รายงาน AI Index 2026 ของ Stanford HAI ระบุว่า การใช้ AI ในองค์กรที่สำรวจเพิ่มขึ้นเป็น 88% ในปี 2025 ขณะที่ Generative AI มีระดับการยอมรับในระดับประชากรราว 53% ภายในเวลาประมาณสามปี (Stanford HAI, 2026)

แต่สำหรับ aTHLocal คำถามที่น่าสนใจกว่า “AI เก่งแค่ไหน” คือ

AI ช่วยให้คนธรรมดาที่มีความรู้ ความคิด และประสบการณ์ สามารถเปลี่ยนสิ่งเหล่านั้นให้กลายเป็นประโยชน์สาธารณะได้มากขึ้นหรือไม่

ปัญหาอาจไม่ใช่การ “ไม่มีความคิด” แต่คือการพาความคิดออกมาสู่โลกจริง

คนจำนวนมากมีเรื่องที่อยากทำ บางคนมีความรู้เฉพาะด้าน บางคนมีข้อมูล บางคนทำงานกับปัญหาหนึ่งมานานจนมองเห็นสิ่งที่คนนอกมองไม่เห็น และบางคนมีไอเดียว่าจะทำเว็บไซต์ ฐานข้อมูล บทความ หรือเครื่องมือบางอย่างที่อาจเป็นประโยชน์ต่อคนอื่น

แต่การมี “ไอเดีย” กับการสร้าง “สิ่งที่คนอื่นใช้ได้จริง” เป็นคนละเรื่องกัน ระหว่างสองจุดนี้มีงานซ่อนอยู่จำนวนมาก เช่น

  • ค้นข้อมูล
  • ตรวจแหล่งอ้างอิง
  • วิเคราะห์
  • เขียน
  • เรียบเรียง
  • ออกแบบ
  • เขียนโปรแกรม
  • สร้างเว็บไซต์
  • จัดระบบไฟล์
  • ดูแลระบบเผยแพร่
  • ตรวจลิงก์
  • ทำ SEO
  • และตรวจซ้ำว่าสิ่งที่กำลังจะเผยแพร่นั้นถูกต้องหรือไม่

ในอดีต คนคนหนึ่งที่มีความรู้ด้านเนื้อหา แต่ไม่มีทักษะด้านโปรแกรมหรือการออกแบบ อาจต้องหยุดอยู่ที่ “ไอเดีย” หรือไม่ก็ต้องหาทีมและทรัพยากรจำนวนมาก ก่อนจึงจะสร้างสิ่งนั้นขึ้นมาได้

นี่คือข้อจำกัดที่ AI กำลังเปลี่ยน

คุณค่าของ AI อาจอยู่ที่การลด “ระยะทางระหว่างความคิดกับการลงมือทำ”

หลักฐานจากงานวิจัยเริ่มชี้ให้เห็นว่า Generative AI สามารถลดเวลาและเพิ่มผลผลิตในงานบางประเภทได้จริง

การทดลองของ Noy และ Zhang (2023) กับงานเขียนระดับวิชาชีพของผู้เข้าร่วม 453 คนพบว่า ผู้ที่ได้รับอนุญาตให้ใช้ ChatGPT ใช้เวลาทำงานลดลงโดยเฉลี่ยประมาณ 40% และคุณภาพของงานเพิ่มขึ้น 18% ในชุดงานที่ศึกษา

งานของ Brynjolfsson, Li, และ Raymond (2025) ซึ่งศึกษาการนำ Generative AI assistant ไปใช้กับพนักงาน customer support 5,172 คน พบว่าผลผลิตเพิ่มขึ้นเฉลี่ยประมาณ 15% โดยผลประโยชน์เด่นชัดกว่าสำหรับผู้ปฏิบัติงานที่มีประสบการณ์และทักษะต่ำกว่า

ตัวเลขเหล่านี้ไม่ได้หมายความว่า AI จะทำให้งานทุกประเภทเร็วขึ้นในอัตราเดียวกัน ผลลัพธ์ขึ้นอยู่กับลักษณะงาน ผู้ใช้ ระบบ และบริบท แต่สิ่งที่น่าสนใจคือ AI สามารถลดภาระบางส่วนใน “งานระหว่างทาง” ได้ เช่น

  • คนยังต้องคิดว่าอยากทำอะไร — AI ช่วยร่างได้
  • คนยังต้องตัดสินใจว่าจะวิเคราะห์อย่างไร — AI ช่วยจัดข้อมูลได้
  • คนยังต้องเป็นเจ้าของเว็บไซต์ — AI ช่วยเขียน code ได้
  • คนยังต้องรับผิดชอบต่อความถูกต้อง — AI ช่วยสร้างเครื่องมือตรวจสอบได้

เพราะฉะนั้น ประเด็นจึงไม่ใช่ว่า “AI ทำงานแทนคนได้หรือไม่” แต่อาจเป็นว่า

AI ช่วยลดต้นทุนของการเปลี่ยนความคิดให้กลายเป็นการลงมือทำได้มากเพียงใด

K + E + S: AI ไม่ได้เริ่มต้นจากศูนย์

ในบทความนี้ aTHLocal ใช้กรอบง่าย ๆ สามตัวเพื่ออธิบายสิ่งที่มนุษย์นำเข้ามา ในกระบวนการทำงานร่วมกับ AI โดยเรียกสั้น ๆ ว่า KES

  • Knowledge — สิ่งที่เรารู้
  • Experience — สิ่งที่เราเคยผ่าน และสิ่งที่เราเรียนรู้จากสถานการณ์จริง
  • Skills — สิ่งที่เราสามารถทำได้

KES ในบทความนี้เป็น กรอบสังเคราะห์เพื่ออธิบายแนวคิดของ aTHLocal ไม่ใช่การเสนอว่าเป็นทฤษฎีหรือ competency model มาตรฐานใหม่

วรรณกรรมด้าน competence มีการอธิบายองค์ประกอบของ competence ในหลายรูปแบบ และพบองค์ประกอบอย่าง knowledge, skills, experience, abilities และ behaviours ในกรอบต่าง ๆ (Różewski & Jankowski, 2015) การเลือก Knowledge, Experience และ Skills มาเป็น KES ในบทความนี้ จึงเป็นการหยิบองค์ประกอบที่เหมาะกับโจทย์ human–AI collaboration มาจัดเป็นกรอบอธิบายอย่างง่าย ไม่ใช่การอ้างว่า KES เป็นทฤษฎีที่มีผู้เสนอไว้โดยตรง

เมื่อนำมาใช้กับ AI ความสัมพันธ์อาจอธิบายแบบง่าย ๆ ได้ว่า

  • คนที่มี Knowledge มีโอกาสรู้ว่าจะถามอะไร
  • คนที่มี Experience มีโอกาสรู้ว่าอะไร “ดูไม่ใช่” แม้คำตอบจะฟังดูน่าเชื่อ
  • คนที่มี Skills มีโอกาสนำสิ่งที่ AI สร้างไปใช้ต่อได้อย่างมีคุณภาพ

นี่คือเหตุผลที่ AI ตัวเดียวกันอยู่ในมือของคนสองคน อาจให้ผลลัพธ์ต่างกันมาก และอาจเป็นเหตุผลว่าทำไมคำถามว่า “AI ทำได้อะไร” จึงเป็นเพียงครึ่งหนึ่งของเรื่อง

อีกครึ่งหนึ่งคือ

คนที่กำลังใช้ AI นำอะไรเข้ามาทำงานร่วมกับมัน

จากข้อจำกัดของมนุษย์ สู่เครื่องมือที่ช่วยขยายขอบเขตการตัดสินใจ

Herbert A. Simon เสนอแบบจำลองการตัดสินใจที่ตั้งคำถามต่อสมมติฐาน ความมีเหตุผลแบบสมบูรณ์ โดยชี้ให้เห็นว่าการตัดสินใจของมนุษย์ต้องอาศัย การลดทอนความซับซ้อนภายใต้ข้อจำกัดของข้อมูล การคำนวณ และสถานการณ์ (Simon, 1955)

หากมองผ่านกรอบนี้ AI น่าสนใจตรงที่มันอาจช่วยคลายข้อจำกัดบางประเภท เช่น

  • ช่วยค้นหาเร็วขึ้น
  • ช่วยจัดกลุ่มข้อมูลจำนวนมาก
  • ช่วยสร้างทางเลือกเบื้องต้น
  • ช่วยเปรียบเทียบข้อมูล
  • ช่วยทำงานซ้ำ ๆ บางอย่างแทนมนุษย์

แต่ AI ไม่ได้ทำให้ข้อจำกัดของการตัดสินใจหายไป เพราะ

  • การมีข้อมูลมากขึ้น ไม่ได้หมายความว่าข้อมูลนั้นถูกต้องเสมอ
  • การมีทางเลือกมากขึ้น ไม่ได้หมายความว่าเราจะเลือกถูก
  • การสร้างข้อความที่ฟังดูน่าเชื่อ ไม่ได้หมายความว่าข้อความนั้นเป็นจริง

AI จึงอาจช่วยขยาย ความสามารถในการประมวลผล แต่ยังไม่สามารถย้าย ความรับผิดชอบในการตัดสินใจ ออกจากมนุษย์ได้

Efficiency Lens · Human × AI

AI ลด “ต้นทุนเวลา” ของการเปลี่ยนไอเดียให้เป็นงานสาธารณะได้แค่ไหน?

งานวิจัยไม่ได้ชี้ว่า AI ทำให้งานทุกชนิดเร็วขึ้นเท่ากัน แต่หลักฐานหลายชิ้นพบผลเชิงประสิทธิภาพในงานความรู้ที่มีโครงสร้างและวัดผลได้ โดยเฉพาะงานเขียน งานสนับสนุนลูกค้า และงานที่อยู่ภายในขอบเขตความสามารถของ AI

PROFESSIONAL WRITING −40%

เวลาเฉลี่ยในการทำงานเขียนลดลงประมาณ 40% ในการทดลองของ Noy & Zhang (2023)

KNOWLEDGE WORK >25%

งานที่อยู่ภายใน “AI frontier” เสร็จเร็วขึ้นมากกว่า 25% ใน field experiment กับที่ปรึกษา 758 คน (Dell’Acqua et al., 2023)

CUSTOMER SUPPORT +14%

ผลิตภาพเฉลี่ยเพิ่มขึ้น 14% ในการศึกษาพนักงาน customer support มากกว่า 5,000 คน (Brynjolfsson et al., 2023/2025)

aTHLocal workflow model — illustrative scenario

Experienced solo creator baseline vs human–AI collaboration

ไม่ใช่ observed time study และไม่รวม learning cost ก่อนเริ่มงาน

Human-only model
43.0 h
Human + AI model
26.4 h
Estimated workflow time reduction: 38.6%

ข้อจำกัดสำคัญ: ตัวเลข 43.0 และ 26.4 ชั่วโมงเป็นแบบจำลองเชิงสาธิตของ workflow ไม่ใช่ผลการจับเวลาจริง และสมมติว่าผู้ทำงานมีทักษะพื้นฐานที่จำเป็นอยู่แล้ว สำหรับกรณีผู้เชี่ยวชาญเนื้อหาที่ต้องเรียน HTML, CSS, Git, deployment, SEO และระบบเว็บไซต์ไปพร้อมกัน ต้นทุนเวลาแบบ Human-only อาจสูงกว่านี้มาก แต่ aTHLocal ยังไม่มีข้อมูลเพียงพอที่จะระบุตัวเลขอย่างน่าเชื่อถือ

แล้วทั้งหมดนี้เกี่ยวอะไรกับ aTHLocal 2.0?

ตรงนี้คือส่วนที่เราอยากเล่าจากประสบการณ์จริง

aTHLocal 2.0 ไม่ได้เริ่มต้นจากคำถามว่า “เราจะทดลองใช้ AI สร้างเว็บได้อย่างไร” แต่เริ่มจากคำถามว่า

เราจะสร้างพื้นที่ความรู้สาธารณะเรื่องการปกครองท้องถิ่นไทย ที่ใช้ข้อมูล มีวิธีคิดที่ตรวจสอบได้ และคนทั่วไปสามารถเข้าใจได้อย่างไร

เมื่อโจทย์ชัด AI จึงเข้ามาในฐานะเครื่องมือ และถูกใช้ช่วยงานจริงหลายส่วน เช่น

  • ออกแบบ information architecture ของเว็บไซต์
  • จัดหมวด Analysis, Data, Topics, Methodology และ About
  • ออกแบบระบบ 5 Knowledge Pillars และ Tags
  • สร้าง metadata standard และสถานะ draft → review → published → archived
  • ช่วยเขียน HTML, CSS และ PowerShell
  • สร้างระบบ Template + Ghost สำหรับงานซ้ำ
  • สร้าง SEO Metadata Matrix
  • ช่วยตรวจ internal routes
  • ช่วยออกแบบ Design QA Helper และ Project QA Helper
  • ช่วยวางระบบ GitHub → Cloudflare Pages → Production deployment
  • ช่วยตรวจและแก้ปัญหาระหว่างการพัฒนา

ตัวอย่างหนึ่งเกิดขึ้นเมื่อ Route Audit มอง {{PAGE_CANONICAL}} ซึ่งเป็น template token ว่าเป็นลิงก์เสีย เราไม่ได้แก้ด้วยการ “มองข้าม error” แต่ปรับ Project QA Helper ให้แยกความแตกต่างระหว่าง template placeholder กับ route จริง

ตัวอย่างนี้เล็ก แต่มีความหมาย เพราะมันแสดงว่า AI ไม่ได้มีบทบาทแค่ สร้าง มันสามารถช่วยเรา สร้างระบบสำหรับตรวจสิ่งที่สร้างขึ้นเอง ได้ด้วย

และตลอดกระบวนการ สิ่งที่กำหนดทิศทางยังเป็นการตัดสินใจของมนุษย์ เช่น

  • เว็บนี้มีไว้เพื่ออะไร
  • อะไรควรเป็น public knowledge
  • อะไรยังเป็น draft
  • อะไรควรตรวจอีกครั้ง
  • อะไรไม่ควรถูกเผยแพร่
  • เมื่อใดจึงจะถือว่างานผ่าน

ในความหมายนี้ aTHLocal 2.0 จึงไม่ได้เป็น “เว็บไซต์ที่ AI สร้าง” แต่ใกล้เคียงกับ

เว็บไซต์ที่มนุษย์ใช้ AI เป็นเครื่องมือ เพื่อทำให้สิ่งที่อยากสร้างสามารถเกิดขึ้นจริงได้

ความเร็วไม่ใช่คำตอบทั้งหมด

เมื่อเครื่องมือทำให้เราผลิตข้อมูลได้เร็วขึ้น สิ่งที่ควรเพิ่มขึ้นตามไปด้วยคือระบบตรวจสอบ

Recommendation on the Ethics of Artificial Intelligence ของ UNESCO ให้ความสำคัญกับหลักอย่าง transparency, fairness และ human oversight และระบุว่า AI ไม่ควรเข้ามาแทนที่ความรับผิดชอบและ accountability ขั้นสุดท้ายของมนุษย์ (UNESCO, 2022)

สำหรับ aTHLocal แนวคิดนี้แปลเป็นกฎง่าย ๆ ได้ว่า

  • AI ช่วยค้น — มนุษย์ตรวจแหล่งข้อมูล
  • AI ช่วยเขียน — มนุษย์รับผิดชอบสิ่งที่เผยแพร่
  • AI ช่วยวิเคราะห์ — ต้องแยกข้อเท็จจริงออกจากการตีความ
  • AI ช่วยเขียน code — ต้องมี QA ตรวจผลลัพธ์
  • AI ช่วยให้เร็ว — แต่ความเร็วไม่ใช่เหตุผลให้ข้ามการตรวจสอบ

ถ้า AI ทำให้ข้อมูลที่ถูกต้องเผยแพร่เร็วขึ้น นั่นคือประโยชน์ แต่ถ้ามันทำให้ข้อมูลผิดเผยแพร่เร็วขึ้นด้วย เราก็เพียงเพิ่มความเร็วให้กับปัญหาเดิม

ช่องว่างระหว่าง “ผมอยากทำ” กับ “ผมทำได้” กำลังแคบลง

สิ่งที่ AI เปลี่ยนอย่างเห็นได้ชัดอาจไม่ใช่การทำให้ทุกคนกลายเป็น programmer, designer หรือนักวิเคราะห์มืออาชีพในทันที แต่คือการทำให้คนสามารถข้ามข้อจำกัดบางอย่างที่แต่ก่อนหยุดเขาไว้ เช่น

  • คนที่ไม่เขียนโปรแกรม อาจสร้าง prototype ได้
  • คนที่ไม่ใช่นักออกแบบ อาจทำให้แนวคิดมองเห็นได้
  • คนที่มีข้อมูลแต่ไม่ถนัดการเขียน อาจเริ่มจัดโครงความคิดได้
  • ทีมขนาดเล็ก อาจทำงานที่แต่ก่อนต้องใช้คนหลายบทบาท

งานวิจัยที่กล่าวมาก่อนหน้านี้ยังให้ข้อสังเกตว่า ประโยชน์จาก Generative AI ในงานที่ศึกษาบางประเภทมีแนวโน้มสูงกว่า สำหรับผู้ที่มีประสบการณ์หรือทักษะเริ่มต้นน้อยกว่า (Brynjolfsson et al., 2025; Noy & Zhang, 2023)

นั่นไม่ได้หมายความว่าความรู้และทักษะไม่สำคัญอีกต่อไป ตรงกันข้าม ยิ่ง AI ทำบางอย่างได้มาก ความสามารถของมนุษย์ในการตั้งโจทย์ ตรวจคำตอบ มองบริบท และรับผิดชอบต่อการตัดสินใจ อาจยิ่งสำคัญขึ้น

บทสรุป: AI อาจไม่ได้มาแทนความคิด แต่ช่วยให้ความคิดเดินทางได้ไกลขึ้น

หากย้อนกลับไปดูตั้งแต่คอมพิวเตอร์ อินเทอร์เน็ต World Wide Web จนถึง Generative AI เทคโนโลยีแต่ละยุคได้ลดข้อจำกัดบางอย่างของการสร้างและเผยแพร่ความรู้

  • Web ลดข้อจำกัดของการเผยแพร่
  • Generative AI กำลังลดข้อจำกัดบางส่วนของกระบวนการก่อนการเผยแพร่

มันช่วยให้ระยะทางจาก

“ผมมีความคิดหนึ่ง”

ไปถึง

“ผมสร้างอะไรบางอย่างจากความคิดนั้นได้แล้ว”

สั้นลงอย่างที่ไม่เคยเป็นมาก่อน

แต่สิ่งที่ AI ไม่ได้ทำให้หายไปคือความรับผิดชอบ

  • Knowledge ยังสำคัญ
  • Experience ยังสำคัญ
  • Skills ยังสำคัญ
  • การตรวจสอบ ยังสำคัญ
  • ความโปร่งใส ยังสำคัญ
  • ความรับผิดชอบต่อสิ่งที่เผยแพร่ ยังสำคัญ

สำหรับ aTHLocal นี่คือเหตุผลที่เรามอง AI ไม่ใช่ในฐานะผู้เชี่ยวชาญ หรือผู้ตัดสินใจแทนมนุษย์ แต่เป็น เครื่องมือขยายศักยภาพ

เครื่องมือที่ช่วยเปลี่ยน Knowledge, Experience และ Skills ที่มนุษย์มีอยู่ ให้สามารถเดินทางออกจากความคิด กลายเป็นบทความ ข้อมูล เครื่องมือ หรือพื้นที่ความรู้สาธารณะที่คนอื่นเข้าถึงได้

หากเรายังรักษาการตรวจสอบ ความโปร่งใส และความรับผิดชอบไว้ได้ นั่นอาจเป็นหนึ่งในวิธีที่ AI สามารถสร้าง public value ได้จริง

การเปิดเผยการใช้ AI

บทความนี้พัฒนาร่วมกันโดย Jakrapong Nudam & Sol โดย Jakrapong Nudam เป็นผู้ริเริ่มโจทย์ กำหนดแนวคิด นำประสบการณ์และกรอบการตีความเข้ามา ตรวจทาน และรับผิดชอบการเผยแพร่ ส่วน Sol สนับสนุนการค้นและตรวจแหล่งข้อมูล การวิเคราะห์ การจัดโครงสร้าง การร่างและเรียบเรียง ตลอดจนการพัฒนาเชิงเทคนิคของเว็บไซต์

References

  1. Brynjolfsson, E., Li, D., & Raymond, L. (2025). Generative AI at work. The Quarterly Journal of Economics, 140(2), 889–942. https://doi.org/10.1093/qje/qjae044
  2. CERN. (n.d.). The birth of the Web. https://home.cern/science/computing/the-birth-of-the-web/
  3. Dartmouth College. (n.d.). Our story: Where AI was born. https://ai.dartmouth.edu/our-story
  4. Noy, S., & Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192. https://doi.org/10.1126/science.adh2586
  5. Różewski, P., & Jankowski, J. (2015). Model of multilayer knowledge diffusion for competence development in an organization. Mathematical Problems in Engineering, 2015, Article 529256. https://doi.org/10.1155/2015/529256
  6. Simon, H. A. (1955). A behavioral model of rational choice. The Quarterly Journal of Economics, 69(1), 99–118. https://doi.org/10.2307/1884852
  7. Stanford Institute for Human-Centered Artificial Intelligence. (2026). The 2026 AI Index report. https://hai.stanford.edu/ai-index/2026-ai-index-report
  8. UNESCO. (2022). Recommendation on the ethics of artificial intelligence. https://www.unesco.org/en/artificial-intelligence/recommendation-ethics