ตีสองแล้ว ผมยังโหมงานให้บอส AI Agent ของผมอยู่

ตอนนี้ตีสอง ผมกำลังจ้องหน้าต่างสี่บานที่ทำงานพร้อมกันอยู่บนหน้าจอ บานหนึ่งกำลังประมวลผลเอกสารลูกค้า บานหนึ่งกำลังแก้โค้ด บานหนึ่งกำลังไล่อ่านข้อความ Slack ที่ยังไม่ได้เปิด ส่วนบานที่สี่ค้างอยู่เพราะติด API rate limit และรอให้ผมตัดสินใจว่าจะทำอย่างไร ผมไม่ได้กำลังใช้ AI ผมกำลัง บริหารจัดการ AI — เหมือนหัวหน้าโรงงานที่เดินตรวจรอบตอนตีสอง

สองเดือนก่อน ผมคิดว่าตัวเองแตะเพดานแล้วว่า AI จะช่วยผมได้แค่ไหน ผมใช้มันทุกวันมาตั้งแต่ GPT-3.5 — สองปีของการสนทนา เป็นคู่คิดที่ฉลาดขึ้น แต่ก็เท่านั้น แล้วการคุยก็หยุดลง และการบริหารจัดการก็เริ่มขึ้น ช่องว่างระหว่างสองโหมดนี้ — การคุยกับ AI กับการทำงานกับมันจริง ๆ — กลายเป็นจุดเปลี่ยนทางอาชีพที่สำคัญที่สุดครั้งหนึ่งของผม นี่คือรายงานภาคสนามจากอีกฝั่งหนึ่ง รวมถึงความล้มเหลวด้วย

เพดานที่ผมสร้างขึ้นเอง

ผมไม่ใช่คนนอกวงการ AI ผมบริหารบริษัทที่รับ AI เข้ามาใช้อย่างเต็มที่ ผมเคยเขียน Python ทำงานกับ API และติดตามงานวิจัย ผมใช้มันวันละหลายครั้ง — ร่างบันทึกภายใน ทดสอบแรงกดของกลยุทธ์ และเตรียมตัวก่อนประชุม

ความคุ้นเคยนั่นเองคือกับดัก

เพราะสิ่งที่ผมทำ — ทั้งหมด — ยังเป็นแค่การคุย เปิดแท็บ ถามคำถาม ได้คำตอบ ปิดแท็บ ครั้งต่อไปก็เริ่มใหม่ ผมใช้ AI แบบเดียวกับผู้บริหารส่วนใหญ่: เป็นผู้ช่วยฉลาด ๆ ที่เราคุยด้วย ไม่ใช่เพื่อนร่วมงานที่เราทำงานด้วย ระหว่างทางผมลองผลิตภัณฑ์เอเจนต์สำเร็จรูปด้วย Manus สามารถรับบรีฟและตามบริบทข้ามเซสชันได้ — มีประโยชน์สำหรับงานพรีเซนเทชัน แต่รูปแบบปฏิสัมพันธ์ยังเหมือนเดิม: ผมสั่ง มันทำ ทีละขั้น

ผมรู้จัก coding copilot อย่าง GitHub Copilot และเครื่องมือทำนองเดียวกัน แต่ผมเป็น CEO ไม่ใช่วิศวกร ผมเขียนโค้ดเป็นพอให้เสี่ยงสร้างปัญหาได้ แต่ไม่พอให้ทำงานได้อย่างมีประสิทธิภาพ ความคิดที่จะต้องนั่งอยู่ใน IDE ทำให้รู้สึกเหมือนย้อนกลับไปในเส้นทางอาชีพ ผมแบ่งเครื่องมือเป็นหมวดหมู่โดยไม่รู้ตัว: อันนี้สำหรับโปรแกรมเมอร์ อันนั้นสำหรับผู้จัดการ เพดานนั้นไม่ได้ถูกเครื่องมือบังคับไว้ ผมสร้างมันขึ้นเอง ผมตัดสินไปแล้วว่าอะไรคือสิ่งที่ “เหมาะกับคนอย่างผม” แล้วก็หยุดมองไกลกว่านั้น

ความรู้สึกเมื่อกำแพงพังลง

CTO ของเราผลักดันให้ผมลอง Cursor ซึ่งเป็น IDE — เครื่องมือของโปรแกรมเมอร์ ผมไม่ได้เขียนโค้ดจริงจังมาหลายปีแล้ว แต่ความอยากรู้อยากเห็นชนะ

Cursor ไม่สนใจว่าตำแหน่งงานของคุณคืออะไร คุณอธิบายสิ่งที่ต้องการด้วยภาษาอังกฤษธรรมดา แล้วมัน สร้าง ให้ — ไม่ใช่เติมโค้ดให้อัตโนมัติ แต่เป็นการก่อร่างสร้างงาน สำหรับคนที่เคยอยู่ห่างจากชั้นการลงมือทำจริงหนึ่งก้าวเสมอ ระบุสเปกได้แต่สร้างเองไม่ได้ ความรู้สึกนั้นเหมือนกำแพงพังลง ผมแตะชั้นการสร้างจริงได้เป็นครั้งแรก

จากนั้นเขาผลักผมไปหา Claude Code — เอเจนต์ AI บน command line ของ Anthropic — แล้วบางอย่างก็เปิดออก

Cursor คือ copilot ที่ฉลาด — คุณยังเป็นคนขับ ทีละบรรทัด ส่วน Claude Code คือเพื่อนร่วมงาน ผมอธิบายเป้าหมาย มันคิดไล่ปัญหา ถามคำถามเพื่อความชัดเจน เขียนโค้ด ทดสอบ และแก้สิ่งที่พัง มันถือทั้งโปรเจกต์ไว้ในหัว — มีไฟล์อะไรบ้าง เชื่อมกันอย่างไร เมื่อวานเราสร้างอะไรไว้ บทบาทของผมเปลี่ยนจากคนเขียนเป็นคนรีวิว คอขวดขยับจากความสามารถทางเทคนิคของผมไปสู่สองเรื่องที่ต่างออกไปโดยสิ้นเชิง: ผมอธิบายสิ่งที่ต้องการได้ชัดแค่ไหน และผมตัดสินคุณภาพของสิ่งที่ส่งกลับมาได้ดีเพียงใด

สองทักษะนั้น แท้จริงแล้วคือทักษะของ CEO ผมเคยบอกตัวเองว่าเครื่องมือเขียนโค้ดไม่ใช่ของผม สิ่งที่ผมไม่เคยตระหนักคือ เครื่องมือเหล่านั้นย้ายเข้ามาอยู่ในจุดที่ผมยืนอยู่แล้ว

แล้วผมก็ค้นพบ OpenClaw — เฟรมเวิร์ก multi-agent แบบ open-source — และพื้นก็ทรุดลงอีกครั้ง

จาก Manus ไป Cursor ไป Claude Code ไป OpenClaw เส้นทางทั้งหมดใช้เวลาประมาณสามถึงสี่สัปดาห์ เป็นเส้นโค้งของความเร่ง: ทุกการกระโดดเร็วขึ้นและลึกขึ้นกว่าครั้งก่อน ตอนท้าย ผมไม่ได้ใช้เครื่องมือ AI เพียงตัวเดียวอีกต่อไป ผมกำลังรันทั้งระบบ

เส้นโค้งของความเร่ง: ทุกการกระโดดเร็วขึ้นและลึกขึ้นกว่าครั้งก่อน

อีกฝั่งหนึ่ง

นี่คือหน้าตาของอีกฝั่งหนึ่งของหุบเหวนั้น — ซึ่งอีกหนึ่งเดือนข้างหน้าอาจหน้าตาไม่เหมือนเดิมแล้วก็ได้:

ผมรันงานสองชั้น OpenClaw คือชั้นที่เปิดทำงานตลอดเวลา มันอยู่บน cloud server คอยเฝ้าดู Slack ของบริษัท และจัดการจังหวะการทำงานประจำวันของธุรกิจ: ย่อยอัปเดตจากทีม รันเวิร์กโฟลว์ outreach ติดตามคำขอของลูกค้า และสะกิดทีมเรื่องกำหนดส่ง มันช่วยดึงชิ้นส่วนที่กระจัดกระจายอยู่ระหว่างคน เครื่องมือ และช่องทางต่าง ๆ ซึ่งก่อนหน้านี้ไม่มีใครมีเวลาเชื่อมเข้าด้วยกัน

Claude Code คือชั้นของงานที่ต้องใช้สมาธิลึก เมื่อผมต้องคิดหนักกับเรื่องเดียว — เขียนบทความนี้ ออกแบบเวิร์กโฟลว์ใหม่ หรือดีบัก OpenClaw เอง — ผมนั่งทำงานใน Claude Code OpenClaw คือพื้นโรงงาน ส่วน Claude Code คือโต๊ะช่าง

ปรับโครงสร้างใหม่เพื่อเอเจนต์: ไฟล์ Markdown ทำหน้าที่เป็นเอกสารบรีฟ เพื่อให้ AI เข้าใจโปรเจกต์

การแบ่งชั้นนี้สำคัญ เพราะเครื่องมือ AI แต่ละตัวมีจุดแข็งต่างกันจริง ๆ — โมเดลต่างกัน หน่วยความจำต่างกัน ระดับความเป็นอิสระต่างกัน การคิดว่าเอเจนต์ตัวไหนควรรับงานแบบใด กลายเป็นงานชนิดใหม่ในตัวมันเอง และผมก็ยังเรียนรู้อยู่ แต่ประเด็นไม่ใช่เครื่องมือเฉพาะตัวใดตัวหนึ่ง ประเด็นคือผมข้ามจากการถามคำถาม AI ไปสู่การรันระบบ AI — และความต่างนั้นไม่ใช่แค่เพิ่มขึ้นทีละนิด แต่เป็นการเปลี่ยนเชิงโครงสร้าง

จริง ๆ แล้วมันรู้สึกอย่างไร

นี่คือสิ่งที่เปลี่ยนไป:

ก่อนและหลัง: การเปลี่ยนแปลงที่จับต้องได้ในงาน CEO หกด้าน

การประหยัดเวลานั้นเกิดขึ้นจริง — งานที่เคยใช้เวลาหนึ่งถึงสองสัปดาห์ ตอนนี้ใช้หนึ่งชั่วโมง แต่ความเร็วไม่ใช่ประเด็นหลัก ในฐานะ CEO งานมีมากกว่ากำลังรับมือของคุณเสมอ งานจำนวนมากอยู่ในพื้นที่ก้ำกึ่งที่น่าอึดอัด: คุ้มค่าที่จะทำ แต่ไม่ใหญ่พอจะจ้างคนเพิ่ม ดังนั้นมันจึงไม่ได้ถูกทำ — อัปเดตถึงผู้ถือหุ้นถูกเลื่อนออกไป การวิจัยผู้มีโอกาสเป็นลูกค้ายังตื้นเกินไป การติดตามผลหลุดมือ AI ไม่ได้แค่ทำให้งานเดิมของผมเร็วขึ้น มันทำให้งานที่เคยตกหล่นตามรอยแยกเกิดขึ้นจริง

และการข้ามหุบเหวนั้นเปิดประตูที่ผมไม่คาดคิด: ประตูสู่ตัว AI เอง ผมใช้ voice chat กับ AI ระหว่างเดิน อยู่บนแท็กซี่ และระหว่างประชุม — ไอเดียที่ผมพูดออกมาขณะข้ามถนน กลายเป็นสเปกเมื่อผมนั่งลง การทำงานกับเอเจนต์ทุกวันทำให้ผมได้สัมผัสแนวหน้าด้วยมือตัวเอง — สลับใช้ foundation models (Claude, Gemini, Qwen, Kimi), สร้าง RAG pipelines, และปล้ำกับระบบหน่วยความจำของเอเจนต์ ไม่ใช่อ่านเกี่ยวกับสิ่งเหล่านี้ แต่ใช้มันจริง ความกังวลว่าจะตาม AI ไม่ทัน — ความรู้สึกที่ผู้บริหารทุกคนแบกอยู่ตอนนี้ — หายไป ไม่ใช่เพราะผมรู้ทุกอย่าง แต่เพราะผมมีระบบการทำงานที่ทำให้ผมแตะทุกอย่างได้

ถ้าคุณบริหาร family office สิ่งนี้หมายความว่าอย่างไร?

คุณไม่ได้จัดการโค้ด คุณกำลังจัดการความมั่งคั่งข้ามรุ่น พลวัตครอบครัวที่ซับซ้อน และข้อมูลที่อ่อนไหวต่อกฎระเบียบ ความระมัดระวังต่อระบบอัตโนมัติของคุณมีเหตุผล — คำสั่งผิดเพียงคำเดียวอาจกระทบการจัดวางสินทรัพย์ข้ามรุ่น ข้อมูลรั่วไหลเพียงครั้งเดียวอาจทำลายชื่อเสียงของครอบครัว แต่ความระมัดระวังไม่ใช่สิ่งเดียวกับการหลีกเลี่ยง

แก่นของงาน family office โดยรากฐานคือ: รวบรวมข้อมูลที่กระจัดกระจาย สังเคราะห์ความเข้าใจ ตัดสินใจ ดำเนินการ และตรวจสอบ ตั้งแต่การรวบรวมสถานะการลงทุนข้าม custodian banks ไปจนถึงการคาดการณ์กระแสเงินสดของกองทุน PE และการปรับรายงานให้เหมาะกับสมาชิกครอบครัวแต่ละคน — ในทั้งหมดนั้น มีมากแค่ไหนที่เป็นการประกอบข้อมูลซ้ำ ๆ และมากแค่ไหนที่เป็นการตัดสินใจจริง ๆ?

AI จะไม่ตัดสินใจเรื่อง asset allocation แทนคุณ หรือบอกว่าคุณควรไว้ใจ fund manager คนไหน แต่ AI สามารถให้มุมมองพอร์ตโฟลิโอข้าม custodian ที่ครบถ้วนก่อนประชุมสิบห้านาที และชี้ clause สำคัญกับปัจจัยเสี่ยงที่ซ่อนอยู่ในเอกสาร due diligence ก่อนที่คุณจะดื่มกาแฟหมด เส้นที่สำคัญคือเส้นแบ่งระหว่างการประมวลผลข้อมูลที่ทำให้เป็นอัตโนมัติได้ กับวิจารณญาณที่ต้องอยู่กับมนุษย์ เมื่อคุณขีดเส้นนั้นให้ชัด flywheel ก็เริ่มหมุน — และช่องว่างระหว่างคนที่ข้ามมาแล้วกับคนที่ยังไม่ข้ามจะกว้างขึ้นอย่างรวดเร็ว

ส่วนที่ไม่มีใครเตือนคุณ

ทั้งหมดนั้นคือเวอร์ชันที่สวยงาม นี่คือส่วนที่เหลือ

การตั้งระบบกลืนคุณได้ทั้งเป็น งานที่ผมเล่ามาใช้เวลาน้อยลงแล้วก็จริง แต่การสร้างและดูแลระบบที่ทำให้งานเหล่านั้นเร็วขึ้น กลายเป็นงานใหม่ที่ต้องทำต่อเนื่อง ผมแลกเวลาทำงานแต่ละชิ้นกับเวลาสร้างโครงสร้างพื้นฐาน — และสำหรับผม ผลลัพธ์สุทธิเป็นบวกอย่างชัดเจน แต่ผมมีแรงจูงใจ พื้นฐานทางเทคนิค และเวลาที่จะทุ่มลงไป สำหรับคนส่วนใหญ่ มันคงไม่เป็นแบบนั้น

โลกไม่ได้ถูกสร้างมาเพื่อเอเจนต์ CAPTCHA, two-factor prompts, session timeouts, PDFs, legacy spreadsheets, API rate limits ที่ออกแบบมาสำหรับการใช้งานด้วยความเร็วมนุษย์ — ทุกครั้งที่เอเจนต์ชนกำแพงเหล่านี้ คุณคือคนที่ต้องหาทางอ้อม (แรงเสียดทานนี้เองก็เป็นโอกาสมหาศาลด้วย — รวมถึงสำหรับบริษัทอย่างเรา อุปสรรคคือโมเดลธุรกิจ) และเอเจนต์ที่สร้างเองก็ไม่ใช่ผลิตภัณฑ์สำเร็จรูป มันคือ LEGO — หน่วยความจำ การรายงาน การจัดลำดับและมอบหมายงาน สิทธิ์การเข้าถึง การมอนิเตอร์ การจัดการข้อผิดพลาด และการเชื่อมต่อเครื่องมือ — แต่ละบล็อกต้องตัดสินใจ หลายบล็อกต้องใช้วิจารณญาณทางเทคนิค มันไม่มีวันเสร็จ เพราะโมเดล API และเครื่องมือที่อยู่ข้างใต้เปลี่ยนไปทุกไม่กี่สัปดาห์

แม้เอเจนต์รุ่นล่าสุดจะเข้าใจภาษาอังกฤษธรรมดา คุณก็ยังต้องคอยชี้นำและแทรกแซงเมื่อเหตุผลของมันเริ่มออกนอกทาง

ไม่นานมานี้ ผมตั้งใจจะสร้างระบบหน่วยความจำสามชั้นให้ OpenClaw: หน่วยความจำแบบ real-time, daily และ weekly ฟังดูเรียบร้อยใช่ไหม? ผมให้ Claude Code อ่านงานวิจัยกองหนึ่งแล้วออกแบบสถาปัตยกรรม มันสร้างแผนที่ดูละเอียดและครบถ้วน ผมถอนหายใจ คิดว่างานนี้เสร็จแล้ว

แต่มันรันไม่ได้

ผมให้ Claude อีก instance หนึ่งช่วยรีวิวสถาปัตยกรรม มันเจอปัญหาเชิงโครงสร้าง ผมแก้ แล้วมันก็พังอีก ผมเปิด Codex — coding agent ของ OpenAI — เพื่อขอสายตาคู่ใหม่ มันเห็น edge cases ใหม่ที่ผมพลาดไป ผมแก้สิ่งเหล่านั้น แล้ว OpenClaw ก็ปล่อยเวอร์ชันใหม่ที่เขียนทับโค้ดที่ผมแก้มาหลายวัน กลับไปเริ่มต้นใหม่

ส่วนที่ชวนขำที่สุดคือ Claude และ Codex บางครั้งใส่ typo เข้ามา — ไม่ใช่ข้อผิดพลาดด้านเหตุผล แค่สะกดผิดในคำสั่งที่พวกมันเขียนให้ตัวเอง ความผิดพลาดเล็กน้อยแบบนี้ทำให้เวลาที่ผมใช้ไล่หาปัญหาเพิ่มเป็นสองเท่า เพราะคุณมักคิดว่าต้องมีอะไรพื้นฐานพัง แล้วใช้เวลาหลายชั่วโมงมองภาพใหญ่ ก่อนจะพบว่าคำคำหนึ่งขาดตัวอักษรไปตัวเดียว

สี่หรือห้าวันในลูปแบบนี้: แก้ พัง แก้ พัง — ความรู้สึกเหมือนวิ่งอยู่กับที่ สุดท้ายผมต้องดึงส่วนสำคัญออกมารีวิวทีละบรรทัดด้วยตัวเอง นี่แทบจะไกลจากคำว่า “ประหยัดเวลาด้วย AI” ที่สุดเท่าที่จะเป็นไปได้

ตอนนี้ระบบหน่วยความจำใช้งานได้แล้ว อาจจะประมาณแปดสิบถึงเก้าสิบเปอร์เซ็นต์ของเวลา หน่วยความจำแบบ real-time ยังโยน error เป็นครั้งคราว แต่อย่างน้อยเอเจนต์ก็เก็บประวัติการแก้ของตัวเองไว้มากพอให้ผมไล่ตามได้ว่าเกิดอะไรขึ้น ยังมีบั๊กอยู่ไหม? มี ผมมั่นใจพอสมควรไหมว่าสามชั้นนั้นยังรับน้ำหนักอยู่? ส่วนใหญ่ก็ใช่ ขอให้เป็นอย่างนั้น

เครื่องมือไม่เคยเข้าถึงง่ายขนาดนี้มาก่อน แต่วิจารณญาณที่ต้องใช้เพื่อใช้มันให้ดี ก็ไม่เคยขาดแคลนขนาดนี้มาก่อนเช่นกัน

Claude Code ขณะทำงาน — นี่คือหน้าตาจริง ๆ ของ “การทำงานกับ AI”

แล้วยังมีสิ่งที่มันทำกับตัวคุณเอง ประมาณสองสัปดาห์ ผมรู้สึกเหมือนหายใจไม่ออกจริง ๆ เอเจนต์ขออนุญาตตลอดเวลา ขอให้ตัดสินใจ และผลิตงานออกมาเร็วเกินกว่าที่ผมจะรีวิวทัน ผมทำงานถึงตีสองตีสามทุกคืน — ไม่ใช่เพราะจำเป็นต้องทำ แต่เพราะหยุดไม่ได้ ผมเริ่มเรียกมันว่า human token rate limit: คอขวดของระบบไม่ใช่เครื่องจักรอีกต่อไป แต่คือคุณ

และมันเกี่ยวคุณไว้ นักวิจัยพบว่าธรรมชาติของคำตอบจาก AI ที่คาดเดาแน่นอนไม่ได้ กระตุ้นเส้นทางโดพามีนคล้ายกับสล็อตแมชชีน — เป็นรางวัลแบบไม่แน่นอนที่ทำให้คุณอยากคว้ารางวัลครั้งถัดไป งานศึกษาใน HBR เดือนนี้ยืนยันรูปแบบเดียวกัน: “เครื่องมือ AI ไม่ได้ลดงาน — แต่มันทำให้งานเข้มข้นขึ้นอย่างต่อเนื่อง”

มีฉากหนึ่งใน The Matrix ที่ Neo ตื่นขึ้นมาแล้วตระหนักว่าเขาถูกเสียบเข้ากับระบบ กำลังสร้าง output ที่เขาคิดว่าเป็นชีวิตของตัวเอง การเปรียบเทียบนี้ไม่ตรงเสียทีเดียว แต่ความรู้สึกนั้นคุ้นอย่างน่าอึดอัด ที่ปรึกษาของผมพูดให้เรียบง่ายกว่านั้น: “คุณบอกผมว่า AI ควรจะทำให้เวลาของคุณว่างขึ้น แล้วทำไมคุณเครียดกว่าเดิม?”

ผมสงสัยว่านี่คือหนึ่งในคำถามเชิงตัวตนของคลื่น AI — ไม่ใช่ว่าเทคโนโลยีทำงานได้หรือไม่ แต่คือมันทำอะไรกับคนที่ใช้มันได้ดีที่สุด เรื่องนี้ใหญ่กว่าประสบการณ์ส่วนตัวของผม ผมยังหาวิธีใช้ชีวิตอยู่ข้างในสิ่งนี้อยู่ ถ้าคุณเดินลงเส้นทางนี้ คุณก็ต้องหาคำตอบของตัวเองเช่นกัน

ถ้าคุณกำลังเริ่มตอนนี้

ถ้าคุณรู้สึกว่า AI มีอะไรมากกว่าสิ่งที่คุณกำลังได้จากมันอยู่ คุณคิดถูกแล้ว สิ่งที่ผมไม่เคยตระหนักคือ AI กำลังปิดระยะจากฝั่งของมันเอง — เครื่องมือดีขึ้นเร็วมาก จนคุณอาจอยู่ห่างจากการเปลี่ยนเชิงคุณภาพเพียงก้าวเดียวโดยไม่รู้ตัว เลือกงานหนึ่งอย่างที่คุณสนใจจริง ๆ ให้บริบทจริงกับ AI แล้วปล่อยให้ความไว้วางใจค่อย ๆ ก่อตัวจากตรงนั้น ความสงสัยจะไม่หายไป — มันแค่เปลี่ยนรูป — และภาษีการเรียนรู้ยังถูกเก็บต่อไป แต่ผลตอบแทนนั้นมีอยู่จริง

เส้นแบ่งระหว่างการคุยกับ AI และการทำงานกับ AI กำลังกว้างขึ้น Angelo Robles ผู้เคยทำงานกับครอบครัวมหาเศรษฐีกว่าร้อยครอบครัว พูดอย่างตรงไปตรงมาว่า “สิ่งที่เคยต้องใช้พนักงานยี่สิบคน ตอนนี้ใช้เพียงหนึ่งหรือสองคนที่มี AI” ผมข้ามมาเมื่อสองเดือนก่อน มันวุ่นวาย เหนื่อยล้า และยังไม่เสร็จ — ผมเกือบเผาตัวเองจนหมดไฟ ผมไม่ได้เขียนสิ่งนี้จากยอดเขา ผมเขียนจากครึ่งทางของการปีน ขณะหอบหายใจ

แต่ผมจะไม่กลับไป

ในบทความถัด ๆ ไป ผมจะลงลึกกว่านี้ — ข้อมูลหนัก ๆ เกี่ยวกับ AI agents วิธีที่ทีมของผมใช้เครื่องมือเหล่านี้ในแต่ละวัน และวิธีที่เรากำลังคิดใหม่เกี่ยวกับผลิตภัณฑ์ของ Canopy ณ จุดตัดระหว่าง AI กับ wealth management แต่ถ้ามีสิ่งเดียวที่อยากให้คุณหยิบไปจากบทความนี้ ก็คือหุบเหวนี้ข้ามได้ และมันเริ่มจากงานเพียงงานเดียว

Mu Chen คือ CEO ของ Canopy ซึ่งให้บริการ family offices และลูกค้า UHNW มากกว่า 60 รายทั่วโลก ติดตามสินทรัพย์มากกว่า USD 90 billion เขายังเป็น guest lecturer ที่ Tsinghua PBCSF และเขียนเกี่ยวกับจุดตัดแนวหน้าระหว่าง AI กับ wealth management ที่ Amongst Families

[1] M. Karen Shen & Dongwook Yoon, “The Dark Addiction Patterns of Current AI Chatbot Interfaces”, CHI 2025

[2] Aruna Ranganathan & Xingqi Maggie Ye, “AI Doesn’t Reduce Work — It Intensifies It”, Harvard Business Review, February 2026

[3] Angelo Robles, Family Office Association