จากความสามารถของ LLM ที่เก่งขึ้นมากๆอย่างก้าวกระโดด โดยเฉพาะในช่วง 6 เดือนหลังมานี้ เลยอยากมานั่งมองดูว่า เมื่อเรามีเครื่องมือที่ทรงพลังขนาดนี้แล้ว เราในฐานะ PM ต้องปรับวิธีการทำงานยังไงบ้าง
ส่วนตัวไม่ค่อยอินกับ role “AI Product Manager” เท่าไร เพราะคิดว่าสุดท้าย PM ทุกคนต้องรู้ AI อยู่แล้ว
user ไม่ได้ต้องการ AI, แต่ user ต้องการทำงานของตัวเองให้สำเร็จ — get the job done
AI เป็นแค่เครื่องมือ ไม่ใช่เป้าหมาย แต่เป็นเครื่องมือที่ทรงพลังพอจะเปลี่ยนวิธีทำงานของเราได้จริงๆ
Experiment, adopt, adapt, drop อย่างสม่ำเสมอ
OpenAI, Claude, Gemini ออกฟีเจอร์ใหม่ ปล่อยโมเดลกันรัวๆ SaaS บนโลกเดิม พยายามเพิ่ม AI feature เข้าผลิตภัณฑ์หลัก จนเห็น ✨ กันจนชินตา หรือไม่ก็เปิด MCP server ให้ LLM เข้ามาใช้ core product ได้
PM จำเป็นต้องคุ้นเคยกับสิ่งเหล่านี้ อย่างน้อยในฐานะ user ของ product เหล่านั้น
เวลาใช้จะได้เข้าใจว่า AI feature ที่เพิ่มมา ทำให้ชีวิต user ดีขึ้นจริงมั้ย หรือแค่เป็น feature ไว้ PR เฉยๆ — ซึ่งต้องยอมรับว่าจริงๆก็มีไม่น้อย
แต่ทุกอย่างที่ลอง อาจจะมีที่ใช้ได้จริงแค่ 10-20% เพราะงั้นเราไม่ได้ต้องเรียนรู้เพิ่มอย่างเดียว ต้องรู้ให้ไวว่าอันไหนไม่เกี่ยว แล้ว drop ทิ้ง เพื่อเหลือพลังงานไปกับสิ่งที่ใช้ได้จริง
รู้ว่าเมื่อไรควรใช้ AI เมื่อไรไม่ควร
Product development ต่อจากนี้จะเจอคำถามนี้บ่อยมาก — ปัญหาแบบนี้ควรใช้ LLM หรือเขียน deterministic logic ดีกว่า? Tradeoff ระหว่าง creativity ที่ได้ กับ token cost และ inference time คุ้มกันมั้ย?
ยกตัวอย่าง — สมมติอยากให้แอพวิเคราะห์ไฟล์ยอดขายจาก e-commerce แล้วบอก insights ให้ลูกค้า
แบบที่ 1: ให้ LLM วิเคราะห์เลย Prompt ไปว่าอยากได้อะไรประมาณไหน อาศัยความ creative ของ LLM เขียนโค้ดวิเคราะห์ให้ ข้อดีคือยืดหยุ่น หา pattern ที่เราไม่ได้คิดไว้ก่อนได้ ข้อเสียคือผลลัพธ์อาจไม่ consistent ทุกครั้ง
แบบที่ 2: Define logic ไปเลย กำหนดว่าอยากวิเคราะห์มุมไหนบ้าง แต่ละมุมใช้ logic อะไร เขียนโค้ดให้ครอบคลุม ข้อดีคือ consistent ทุกครั้ง ข้อเสียคือ rigid — ต้องคิดครบตั้งแต่แรก
เราต้องตัดสินใจได้ว่าสถานการณ์ไหนควรใช้แบบไหน ไม่ใช่ทุกปัญหาต้องใช้ AI และไม่ใช่ทุกปัญหาต้อง hard code
คิด end-to-end — ออกแบบให้คน + AI ทำงานด้วยกัน
ไม่ใช่แค่คิดเชิง end-to-end user journey อย่างเดียว แต่ต้องคิดเผื่อให้ได้ว่า จาก journey ที่เรากำลังดู ส่วนไหนจำเป็นต้องใช้คน ส่วนไหน leverage AI ได้ แล้วออกแบบให้ทั้งสองฝ่ายทำงานร่วมกัน เพื่อให้เกิดประสบการณ์ที่ดีที่สุด
เช่น
ระบบ Customer support — ให้ AI draft คำตอบจาก knowledge base แต่ให้คนตรวจก่อนส่ง
Flow การอนุมัติสินเชื่อ — ให้ AI ประเมินเอกสารเบื้องต้น แต่ให้คนตัดสินใจ final approval
หรืออย่าง
Product recommendation — อันนี้ให้ AI จัดการทั้ง step เลยได้ เลือกของที่ใช่ให้แต่ละ user โดยไม่ต้องมีคนมาตรวจทุกครั้ง
ไม่ใช่ทุก step ต้องมีคนคอย review — ตรงไหน AI ทำได้ดีกว่าก็ให้ AI ทำ ตรงไหนต้องใช้วิจารณญาณของคนก็ให้คนทำ
ซึ่งการจะมองภาพนี้ออก มันต่อยอดมาจากข้อแรก ที่เราลองอะไรหลายๆอย่างมาจนรู้ capability ของ AI แล้ว
ยกระดับ process ของตัวเอง
ลองนึกถึง PM workflow ทั่วๆไป
- วิเคราะห์ user feedback
- ดึง analytics data มาดู
- ทำ competitor / GAP analysis
- เขียน requirement + polish
- prototype เพื่อคุยกับ designer / engineer
- วิเคราะห์ผลหลังปล่อยของออกไป
งานพวกนี้ PM ทุกคนทำคล้ายๆกัน แต่วิธีทำเปลี่ยนไปมากขึ้นอยู่กับว่าเรา leverage AI ได้แค่ไหน
เลเวล 1: ทำ manual ทุกอย่าง
- เปิด product analytics (Mixpanel, Amplitude) ดู funnel เอง
- เข้า web analytics (GA) ดู traffic แยกแต่ละ channel
- อ่าน user feedback ทีละชิ้น แล้วเปิด Google Sheets สรุปเอง
- ทำ competitor analysis ด้วยการเข้าเว็บคู่แข่งทีละเจ้า จดเอง
- เขียน requirement ใน Google Docs จาก scratch
ใช้เวลาเยอะ แต่ก็ยังเป็นวิธีที่ PM ส่วนใหญ่ทำอยู่
เลเวล 2: ใช้ AI เป็น tool แยกตัว
Export data จากแต่ละที่มา แล้วโยนให้ LLM วิเคราะห์
- “สรุป feedback 200 ชิ้นนี้ให้หน่อย จัด theme ให้ด้วย”
- “ช่วย draft requirement จาก pain points เหล่านี้”
- “เปรียบเทียบ feature ของเรากับคู่แข่ง 3 เจ้านี้ให้ที”
เร็วขึ้นเยอะ แต่ยังต้อง manual export และวิเคราะห์ทีละ source
เลเวล 3: AI + Integration ข้ามระบบ
ต่อ LLM เข้ากับ tools ต่างๆผ่าน MCP
- “ดึง funnel data จาก Mixpanel, traffic จาก GA, feedback จาก Zendesk มา cross-analyze ให้ที”
- “draft requirement จาก insight ที่เจอ แล้วใส่ analytics event ที่ควร track เพิ่มด้วย”
LLM ไปดึง ประมวล รวมข้ามระบบ สรุปมาให้เลยภายในแชทเดียว ใช้เวลาไม่กี่นาที ได้ภาพรวมข้ามระบบ
ทีนี้มันอยู่ที่เราเลย ว่าเลือกจะอยู่ที่จุดไหน ยิ่งรู้ capability ของ AI และ integration มากขึ้นเท่าไร ยิ่ง leverage ได้มากขึ้นเท่านั้น
แต่การที่พยายาม leverage ให้ AI ช่วยคิดเยอะ ก็เป็น ดาบสองคม ถ้าเรามักง่ายแชทว่าไงก็ว่าตามนั้น สุดท้ายแล้วเราจะไม่เก่งขึ้นเลย นานๆไปจะแย่ลงด้วยซ้ำ เพราะไม่ได้ผ่านกระบวนการคิดวิเคราะห์ของเราเองเลย สุดท้ายเราจะกลายเป็นแค่แขนขาให้ AI ทำงานบนโลกจริงแค่นั้น
คอขวดเปลี่ยนข้าง
เพราะ AI เข้าไปช่วยบาง stage ได้มากกว่าเดิม คอขวดการทำงานก็เปลี่ยนตาม
จากเดิมคอขวดอาจจะอยู่ที่การ implement
กว่าจะทำของออกมาได้ ทีมต้องเข้าใจ code base เก่า
ประเมิน impact และวางแผนการเพิ่มของใหม่เข้าไปอย่างรัดกุม
ซึ่งตอนนี้ AI ช่วยลด effort ตรงนี้ลงได้มหาศาล
คอขวดเลยเปลี่ยนจากช่วง implementation มาอยู่ที่ตัว PM เอง — จะไปหา user pain points สื่อสารกับ stakeholders และ validate สิ่งที่คิดได้ไวแค่ไหน ซึ่งพวกนี้ ยังไงก็ยังต้องใช้คนเป็นหลัก
จากเดิมอัตราส่วน PM : Dev ในทีมอาจจะเป็น 1:4-5 แต่ตอนนี้ บางทีมอาจจะเป็น 1.5:1 ได้เลย การคิดว่าจะแก้ปัญหาอะไร พิสูจน์มันยังไง กลับทำได้ช้ากว่าการผลิตของขึ้นมาแล้ว
Productivity ของ product team ช่วงนี้ ขึ้นอยู่กับการทำให้สมาชิกทีมเข้าใจ context ตรงกัน เพราะ execution ทำได้ไวมากขึ้นโดยใช้ AI
ถ้า PM สื่อสารได้ชัด ตรงกับ Engineer โดยใช้ effort น้อยลงเท่าไร คอขวดตรงนี้ก็เล็กลงเท่านั้น
สุดท้ายแล้ว “What’s the problem” ยังโคตรสำคัญเหมือนเดิม
จากทั้งหมดที่เล่ามา product team มีตัวช่วยเข้ามาเยอะ ทำงานง่ายขึ้น เร็วขึ้น จนกระทบไปถึง process ที่เปลี่ยนไป
แต่ไม่ว่า solution จะถูกผลิตออกมาเยอะ หรือไวขึ้นแค่ไหน ก็ไม่สำคัญ ตราบเท่าที่มันยังไม่ได้แก้ปัญหาที่แท้จริง