Thammasat Design Center

อนาคตธุรกิจไม่ได้มีคำตอบเดียว

ในวันที่โลกเปลี่ยนเร็วขึ้น การตัดสินใจทางธุรกิจจาก “ประสบการณ์เดิม” อย่างเดียว อาจไม่เพียงพออีกต่อไป

เพราะสิ่งที่เคยใช่ในวันนี้ อาจไม่ตอบโจทย์วันพรุ่งนี้
และความไม่แน่นอน อาจกลายเป็นทั้ง “ความเสี่ยง” และ “โอกาส” สำหรับองค์กร

Corporate Foresight: การคาดการณ์อนาคตเชิงธุรกิจ
คอร์สที่จะชวนคุณเปลี่ยนวิธีมองอนาคต จากการพยายาม “ทำนายว่าจะเกิดอะไรขึ้น” สู่การ เตรียมพร้อมสำหรับหลายความเป็นไปได้

เรียนรู้และทดลองใช้เครื่องมือสำคัญอย่าง Trend Analysis และ Scenario Planning เพื่อ
→ จับสัญญาณการเปลี่ยนแปลงที่อาจกระทบธุรกิจ
→ มองเห็นอนาคตได้หลายความเป็นไปได้
→ วิเคราะห์ความเสี่ยงและโอกาสที่อาจเกิดขึ้น
→ เปลี่ยนภาพอนาคตให้กลายเป็น “ทางเลือกเชิงกลยุทธ์”

เพราะการมองอนาคต ไม่ใช่การทำนายให้ถูกเสมอไป
แต่คือการ เตรียมองค์กรให้พร้อม ก่อนการเปลี่ยนแปลงจะมาถึง

คอร์สนี้เหมาะสำหรับผู้บริหาร นักกลยุทธ์ นักการตลาด ผู้พัฒนาธุรกิจ และคนทำงานที่ต้องตัดสินใจภายใต้ความไม่แน่นอน

SCAN → SCENARIO → STRATEGY
มองเห็นสัญญาณ → สำรวจหลายอนาคต → ออกแบบทางเลือกทางธุรกิจ

แล้วคุณล่ะ…พร้อมหรือยังที่จะมองอนาคตให้มากกว่าคำตอบเดียว?
..
.


ดูรายละเอียดคอร์สได้ที่ คอมเม้นท์

เมื่อโลกธุรกิจเปลี่ยนเร็วขึ้น
การมี “ไอเดียดี” อย่างเดียวอาจไม่พออีกต่อไป

เพราะโจทย์ขององค์กรในวันนี้ไม่ได้มีแค่การทำงานให้เร็วขึ้น แต่คือการมองเห็นความเปลี่ยนแปลงให้ทัน
เข้าใจปัญหาให้ลึก และออกแบบทางเลือกใหม่ที่ตอบโจทย์ผู้คนได้จริง

นี่คือเหตุผลที่ทักษะด้าน "Future Business & Behavioral Innovation" กำลังกลายเป็นหนึ่งใน Skill Set สำคัญของคนทำงานยุคใหม่

Skill Set นี้เชื่อมโยง 3 มุมคิดสำคัญเข้าด้วยกัน
1. Corporate Foresight
เรียนรู้การคาดการณ์อนาคตเชิงธุรกิจ ผ่านเครื่องมืออย่าง Scenario Planning และ Trend Analysis เพื่อช่วยให้องค์กรมองเห็นความเป็นไปได้หลายทาง และเตรียมทางเลือกเชิงกลยุทธ์ได้รอบคอบขึ้น

2. Innovation by Design
ใช้แนวคิด Design Thinking เพื่อทำความเข้าใจปัญหาอย่างเป็นระบบ สร้างแนวทางใหม่ และออกแบบนวัตกรรมที่เริ่มจากความต้องการจริงของผู้ใช้

3. Behavior Design and Gamification
ทำความเข้าใจพฤติกรรมมนุษย์ จิตวิทยา และกลไกเกม เพื่อนำไปออกแบบประสบการณ์ การมีส่วนร่วม และการเปลี่ยนแปลงพฤติกรรมอย่างมีความรับผิดชอบ

เพราะในโลกที่อนาคตไม่แน่นอน คนทำงานและองค์กรที่ได้เปรียบ อาจไม่ใช่คนที่ทำนายอนาคตได้ถูกทุกครั้ง

แต่คือคนที่มีเครื่องมือในการตั้งคำถาม
มองเห็นทางเลือก
ทดลองแนวคิดใหม่
และเข้าใจว่าผู้คนตัดสินใจ เปลี่ยนแปลง และมีส่วนร่วมได้อย่างไร

ดูรายละเอียดคอร์สในกลุ่ม Future Business & Behavioral Innovation ได้ที่ SkillLane
https://www.skilllane.com/instructors/thammasat_designschool

🏢 อสังหาฯ แห่งอนาคต จะสร้างมูลค่าจากอะไร?

ถ้าวันนี้เรายังมอง “บ้านที่ดี” ผ่านแค่ ทำเล ราคา พื้นที่ใช้สอย และความสวยงาม อาจถึงเวลาต้อง Rethink กันใหม่

เพราะโจทย์ของอสังหาริมทรัพย์กำลังเปลี่ยนจาก
“เราจะสร้างอาคารแบบไหน?”
ไปสู่คำถามที่ใหญ่กว่าอย่าง
“พื้นที่ที่เราสร้าง จะทำให้คนมีชีวิตที่ดีขึ้นได้อย่างไร?”

เนื้อหาใน Ep.นี้ เป็นส่วนหนึ่งจากการการบรรยายและแลกเปลี่ยนองค์ความรู้ด้านการออกแบบระหว่าง TDS & TDC x กับทีมสถาปนิก บมจ.ศุภาลัย (Supalai) โดย มี 4 ประเด็นที่ TDC อยากชวนกลับมาคิดต่อ

🌏 1. อสังหาฯ กำลังเผชิญ 3 การเปลี่ยนแปลงพร้อมกัน ทั้ง Climate Shift, Experience Shift และ Longevity Shift

อาคารจึงไม่ได้ถูกคาดหวังเพียงให้ “อยู่ได้”
แต่ต้องรับมือสภาพอากาศ ใช้ทรัพยากรอย่างมีประสิทธิภาพ สร้างประสบการณ์ที่ดี และรองรับชีวิตของผู้คนที่ยืนยาวขึ้น

คำถามจึงไม่ใช่แค่ว่า
“อาคารนี้ขายได้ไหม?”
แต่อาจต้องถามเพิ่มว่า
“อีก 20–30 ปี อาคารนี้ยังตอบโจทย์ชีวิตคนอยู่หรือเปล่า?”

🌱 2. Sustainability อาจไม่ใช่ต้นทุน แต่คือการสร้างมูลค่า
ที่ผ่านมา “ความยั่งยืน” มักถูกมองเป็นเรื่องของต้นทุนที่เพิ่มขึ้น

แต่เมื่อผู้บริโภค นักลงทุน และตลาดให้ความสำคัญกับสิ่งแวดล้อมมากขึ้น อาคารที่ลดการใช้พลังงาน ลดคาร์บอน และออกแบบให้เหมาะสมกับบริบท กลับสามารถกลายเป็น Value Proposition ใหม่ของโครงการได้

บทบาทของสถาปนิกจึงไม่ได้หยุดอยู่ที่การเลือกวัสดุสีเขียว
แต่เริ่มตั้งแต่การวางอาคาร ทิศทาง แสง ลม ไปจนถึงการออกแบบแบบ Passive Design

บางครั้ง สิ่งที่ยั่งยืนที่สุด อาจเริ่มจากการออกแบบให้ “ไม่ต้องใช้” ตั้งแต่แรก

🧑‍🤝‍🧑 3. พื้นที่ที่ดี ต้องสร้าง “ประสบการณ์” ไม่ใช่แค่ Function
คนไม่ได้จดจำอาคารจากจำนวนตารางเมตรเพียงอย่างเดียว

แต่จดจำว่า
พื้นที่นั้น ใช้งานง่ายไหม รู้สึกดีไหม ปลอดภัยไหม และทำให้รู้สึกเป็นส่วนหนึ่งของสังคมหรือไม่

การออกแบบแห่งอนาคตจึงต้องมองผู้ใช้อย่างหลากหลาย ตั้งแต่เด็ก ผู้สูงอายุ ครอบครัว ไปจนถึงคนที่มีอัตลักษณ์และรูปแบบการใช้ชีวิตแตกต่างกัน

เพราะ Inclusive Design ไม่ใช่การออกแบบ “ให้คนบางกลุ่ม”

แต่คือการสร้างเมืองและอาคารที่
“มีที่สำหรับทุกคน”

❤️ 4. จาก Lifespan สู่ Healthspan — อยู่ให้นานอาจไม่พอ ต้องอยู่ให้ดีด้วย
เมื่อสังคมกำลังก้าวสู่ Super-aged Society
โจทย์ใหม่ไม่ใช่เพียงการทำให้คนมีอายุยืนขึ้น

แต่คือการทำให้ช่วงเวลาที่มีสุขภาพดี ยาวนานขึ้น

Wellness Real Estate จึงไม่ควรถูกจำกัดอยู่แค่ Senior Living

แต่อาจหมายถึงการสร้าง Multigenerational Community ที่เด็ก ผู้ใหญ่ และผู้สูงวัยสามารถใช้ชีวิตร่วมกัน มีพื้นที่ให้พบปะ ช่วยเหลือ และสร้างความสัมพันธ์

เพราะในวันที่ “ความเหงา” กลายเป็นหนึ่งในปัญหาของชีวิตเมือง
พื้นที่ส่วนกลางหนึ่งแห่ง อาจมีคุณค่ามากกว่าจำนวนพื้นที่ขายที่เพิ่มขึ้นอีกไม่กี่ตารางเมตร

💡 สุดท้ายแล้ว มูลค่าของงานออกแบบอาจไม่ได้อยู่ที่ตัวอาคารเพียงอย่างเดียว
แต่เกิดจากผลลัพธ์ที่อาคารนั้นสร้างขึ้น

ใช้ทรัพยากรน้อยลง
ทำให้คนมีความสุขมากขึ้น
ช่วยให้มีสุขภาพดีนานขึ้น
และในขณะเดียวกัน…สร้างคุณค่าทางธุรกิจได้มากขึ้น

นี่อาจเป็นโจทย์ใหม่ของสถาปนิกและนักพัฒนาอสังหาริมทรัพย์

เข้าพราะสุดท้ายแล้ว
เราไม่ได้กำลังสร้างแค่ "พื้นที่ให้คนอยู่"
แต่กำลังสร้าง "ชีวิตที่คนอยากอยู่ (ได้นาน)"

สรุปสาระสำคัญจากการเรียนวิชา RD 653 การศึกษาความเป็นไปได้ของโครงการอสังหาริมทรัพย์

ในคาบแรกของวิชา RD 653 การศึกษาความเป็นไปได้ของโครงการอสังหาริมทรัพย์ นักศึกษา Credit Bank เรียนร่วมกับนักศึกษา MIRED โดยอาจารย์ได้ปูพื้นฐานเกี่ยวกับการทำ Feasibility Study (ฟีด) และเน้นย้ำว่า หัวใจสำคัญไม่ได้อยู่ที่การคำนวณตัวเลขเพียงอย่างเดียว แต่คือ “การตัดสินใจ” ว่าควรลงทุนในโครงการนั้นหรือไม่

สาระสำคัญสามารถสรุปได้ดังนี้

1. สามเสาหลักของการศึกษาความเป็นไปได้ (Three Pillars)

การศึกษาความเป็นไปได้ประกอบด้วย 3 ด้าน โดยเรียงตามความสำคัญ ดังนี้

- ด้านตลาด (Market) สำคัญที่สุด เพราะหากวิเคราะห์ตลาดผิดพลาด แม้โครงการจะสามารถพัฒนาได้ตามกฎหมาย แต่หากขายไม่ได้ เงินทุนอาจจมและสร้างความเสียหายให้โครงการ
- ด้านกายภาพและกฎหมาย (Physical & Legal) พิจารณาว่าที่ดินสามารถพัฒนาอะไรได้บ้างตามกฎหมาย รวมถึงสภาพพื้นที่จริง
- ด้านการเงิน (Financial) นำข้อมูลจากด้านตลาด กายภาพ และกฎหมายมาคำนวณเพื่อประเมินผลตอบแทนและความเป็นไปได้ทางการเงิน

2. การวิเคราะห์ตลาดในระดับ “ย่าน”

- เจาะจงพื้นที่: ควรวิเคราะห์ตลาดในระดับ “ย่าน” (Neighborhood) เป็นหลัก เพราะข้อมูลระดับประเทศหรือจังหวัดอาจไม่สะท้อนสภาพตลาดจริงของพื้นที่นั้น
- สำรวจคู่แข่ง: พิจารณาทั้งราคาต่อตารางเมตร/ต่อหลัง และ อัตราการโอน (Transfer Rate) เนื่องจากยอดจอง (Sale) ไม่เท่ากับยอดโอน นอกจากนี้ควรระวังสินค้าราคาต่ำกว่า 3 ล้านบาท เนื่องจากผู้ซื้อกลุ่มนี้ในปัจจุบันกู้ธนาคารได้ยาก
- ข้อมูลประชากร: ใช้ข้อมูลจากกระทรวงมหาดไทยประกอบการวิเคราะห์ และพิจารณา “ประชากรแฝง” ด้วย หากพื้นที่มีจำนวนที่อยู่อาศัยมากเมื่อเทียบกับจำนวนประชากร อาจสะท้อนความเสี่ยงด้าน Over Supply

3. ข้อจำกัดทางกายภาพและสิ่งแวดล้อม

- อุปสรรคหน้างาน: นอกจากข้อกฎหมาย ต้องพิจารณาขนาดถนนและสภาพทางเข้า-ออก เช่น ถนนกว้าง 6 หรือ 8 เมตร ซึ่งมีผลต่อการเลือกประเภทเสาเข็มและการเข้าพื้นที่ของรถก่อสร้าง
- อิทธิพลจากพื้นที่โดยรอบ: สภาพแวดล้อมอาจส่งผลต่อเวลาการทำงาน เช่น หากอยู่ใกล้โรงเรียนอนุบาล อาจมีข้อจำกัดในการก่อสร้างช่วงกลางวัน หรือหากอยู่ใกล้คอนโดมิเนียม อาจมีข้อจำกัดในการทำงานช่วงกลางคืน ซึ่งอาจกระทบต่อความเป็นไปได้ของโครงการ
- ประวัติที่ดิน: ควรใช้ Google Earth ย้อนดูประวัติพื้นที่ประมาณ 10–20 ปี เพื่อสำรวจว่าที่ดินเคยเป็นบ่อขยะหรือพื้นที่ลุ่มหรือไม่ เนื่องจากอาจส่งผลต่อต้นทุนงานฐานรากและปัญหากลิ่นรบกวนในอนาคต

4. ตัวชี้วัดทางการเงินและกลยุทธ์การลงทุน

- เป้าหมายผลตอบแทน: เกณฑ์พื้นฐานสำหรับนักพัฒนา ได้แก่ กำไรขั้นต้น (GP) ไม่ต่ำกว่า 30%, กำไรสุทธิ (NP) ไม่ต่ำกว่า 12% และ Equity IRR ไม่ต่ำกว่า 10%
- ความเสี่ยงของผลิตภัณฑ์: คอนโดมิเนียมมีความเสี่ยงสูงกว่าบ้านจัดสรร เนื่องจากมี เงินลงทุนสูงสุด (Maximum Investment) สูงกว่า เพราะต้องก่อสร้างให้แล้วเสร็จทั้งอาคารจึงสามารถโอนได้ ขณะที่บ้านจัดสรรสามารถทยอยก่อสร้างและโอนเป็นเฟสได้
- กระแสเงินสด (Cash Flow): เป็นปัจจัยสำคัญต่อการดำเนินธุรกิจมากกว่ากำไรหรือสินทรัพย์ เพราะหากขาดสภาพคล่อง จะไม่สามารถชำระค่าใช้จ่ายที่จำเป็นและดำเนินธุรกิจต่อได้

5. เครื่องมือวิเคราะห์ (SWOT & 4P)

- SWOT Analysis: ในระยะแรกของการทำ Feasibility Study ควรโฟกัสที่ “ตัวที่ดิน” เป็นหลัก เช่น หน้ากว้าง ระดับดิน และทำเลติดรถไฟฟ้า มากกว่าการวิเคราะห์ตัวองค์กร
- Marketing Mix (4P): ให้ความสำคัญกับ Product (จะทำอะไร), Price (ราคาเท่าไหร่) และ Place (ช่องทาง/สถานที่ขาย) เป็นหลัก ส่วน Promotion ยังไม่ใช่ประเด็นสำคัญในขั้นตอนนี้

สรุป

หัวใจและวัตถุประสงค์หลักของ Feasibility Study คือ “การตัดสินใจ” ว่าควร “ไปต่อ” หรือ “ละทิ้ง” ที่ดินแปลงนั้นเพื่อไปหาโอกาสใหม่ หากศึกษาจนจบแล้วไม่สามารถนำข้อมูลมาสู่การตัดสินใจได้ การทำ Feasibility Study ก็ยังไม่เกิดประโยชน์สูงสุด

#การศึกษาความเป็นไปได้ของโครงการอสังหาริมทรัพย์

ขอแสดงความเสียใจต่อเหตุการณ์ความสูญเสียที่เกิดขึ้นวันนี้กับโรงเรียนในจังหวัดนนทบุรี และขอร่วมส่งกำลังใจไปยังครอบครัวของผู้ได้รับผลกระทบทุกฝ่ายค่ะ

เมื่อ AI เข้ามา สิ่งที่ต้องเปลี่ยนอาจไม่ใช่แค่ “เครื่องมือ” แต่คือวิธีคิดของเรา

จากทั้ง 5 Session ในงาน “ล้อมวงแชร์ Use Case จริง: Architect x AI” โดย DsignSomething ร่วมกับคณะสถาปัตยกรรมศาสตร์และการผังเมือง มหาวิทยาลัยธรรมศาสตร์ ได้สะท้อนให้เห็นการใช้ AI ที่ไปไกลกว่าการสร้างภาพ

AI ถูกนำไปใช้ตั้งแต่การบริหารต้นทุนและสัญญา การสร้างระบบหลังบ้าน การวิเคราะห์ประสิทธิภาพอาคาร การจัดการองค์ความรู้ด้านกฎหมาย ไปจนถึงการเรียนการสอนสถาปัตยกรรม

แม้แต่ละ Session จะพูดถึงโจทย์ที่แตกต่างกัน แต่เมื่อนำมามองร่วมกัน มีสาระสำคัญอย่างน้อย 5 เรื่องที่น่าคิดต่อ

1. AI ไม่ได้มีไว้แค่สร้างงาน แต่ช่วยให้เราเห็นสิ่งที่เคยมองไม่เห็น

ไม่ว่าจะเป็นต้นทุนแรงงาน เวลาที่สูญไปกับงานแอดมิน กระแสเงินสด ความเสี่ยงในสัญญา ประสิทธิภาพอาคาร หรือความสัมพันธ์ของข้อกฎหมาย

สิ่งเหล่านี้มีอยู่ในทุกโครงการ แต่ที่ผ่านมาอาจกระจัดกระจาย อยู่ใน Excel หลายไฟล์ หรืออยู่ในประสบการณ์ของคนเพียงไม่กี่คน

AI จึงมีคุณค่าเมื่อช่วยเปลี่ยนสิ่งที่มองไม่เห็น ให้กลายเป็นข้อมูลที่วัด วิเคราะห์ และนำไปตัดสินใจได้

2. ธุรกิจออกแบบที่เติบโตได้ ต้องไม่ผูกติดกับคนคนเดียว

คำถามที่ชวนคิดจากงานคือ “ถ้าเจ้าของหายไปจากออฟฟิศ 6 เดือน บริษัทยังเดินต่อได้ไหม?”

หลายสตูดิโออาจมีคนเก่ง แต่ยังไม่มีระบบ ความรู้สำคัญจึงอยู่ในความทรงจำของผู้ก่อตั้งหรือพนักงานรุ่นเก๋า

AI สามารถช่วยสร้างระบบหลังบ้าน ติดตามต้นทุน จัดเก็บกระบวนการทำงาน และพัฒนา “สมองที่สอง” ขององค์กร เพื่อให้ความรู้ไม่สูญหายไปพร้อมกับตัวบุคคล

เป้าหมายจึงไม่ใช่ทำให้คนทำงานเร็วขึ้นเพียงอย่างเดียว แต่คือทำให้องค์กรเดินต่อได้อย่างมั่นคงและส่งต่อความรู้ได้

3. เมื่อ AI สร้างทางเลือกได้มากขึ้น คุณค่าของมนุษย์อยู่ที่การเลือก

AI สามารถสร้างแบบ คำนวณทางเลือก หรือประมวลผลข้อมูลจำนวนมากได้ในเวลาอันสั้น

แต่คำถามสำคัญยังคงเป็น
- แบบไหนเหมาะสมที่สุด?
- เกณฑ์ใดควรถูกนำมาใช้?
- และผลลัพธ์นั้นตอบโจทย์ใคร?

บทบาทของสถาปนิกจึงกำลังเคลื่อนจากผู้สร้างทางเลือกเพียงอย่างเดียว ไปสู่ผู้กำหนดเกณฑ์ วิเคราะห์ผล และตัดสินใจอย่างมีเหตุผล

ยิ่ง AI สร้างคำตอบได้มาก ความรู้พื้นฐานและวิจารณญาณของผู้ใช้ยิ่งสำคัญ

4. AI ที่ตอบได้เร็ว ไม่ได้หมายความว่าตอบถูก

ข้อผิดพลาดเพียงหนึ่งตัวเลขในข้อกฎหมาย หน่วยคำนวณ หรือสมมติฐาน อาจส่งผลต่อทั้งโครงการ

AI ยังอาจสร้างคำตอบที่ดูน่าเชื่อถือ ทั้งที่ใช้ข้อมูลเก่า อ่านเอกสารผิด หรือไม่เข้าใจบริบทของพื้นที่

ทุก Session จึงสะท้อนหลักเดียวกันว่า ต้องมี Human in the Loop

AI ช่วยค้น ช่วยคำนวณ ช่วยร่าง และช่วยสร้างทางเลือกได้ แต่ผู้เชี่ยวชาญยังต้องเป็นผู้ตรวจสอบ อธิบาย และรับผิดชอบต่อการตัดสินใจสุดท้าย

5. การใช้ AI อย่างมีคุณภาพ เริ่มจากการตั้งคำถามที่ดี

การใช้ AI ไม่ได้เริ่มจากการเลือกเครื่องมือที่ใหม่ที่สุด แต่เริ่มจากการเข้าใจปัญหาของเราเอง

เราต้องรู้ว่ากระบวนการใดกำลังเป็นคอขวด ข้อมูลใดจำเป็น เกณฑ์ใดควรใช้ และผลลัพธ์แบบไหนจึงจะนำไปใช้ได้จริง

รวมถึงต้องมีขอบเขตด้านข้อมูลที่ชัดเจน ไม่ป้อนข้อมูลลูกค้า เอกสารภายใต้ NDA หรือข้อมูลสำคัญขององค์กรลงในระบบโดยไม่ตรวจสอบมาตรการความปลอดภัย

💡Rethink>>>

สิ่งที่ได้จากทั้ง 5 Session อาจสรุปได้ว่า AI ไม่ได้เข้ามาเพื่อลดคุณค่าของสถาปนิก แต่กำลังผลักให้วิชาชีพต้องยกระดับจากการ “ทำงานให้เสร็จ” ไปสู่การ “เข้าใจระบบและตัดสินใจให้ดีขึ้น”

จากผู้ผลิตภาพ สู่ผู้วิเคราะห์ข้อมูล

จากคนที่เก็บความรู้ไว้กับตัว สู่ผู้สร้างระบบความรู้ให้องค์กร

จากการออกแบบด้วยความรู้สึกเพียงอย่างเดียว
สู่การออกแบบที่มีทั้งข้อมูล เหตุผล และความรับผิดชอบรองรับ

เพราะในวันที่ AI สามารถสร้างคำตอบได้แทบไม่จำกัด คุณค่าของมนุษย์อาจไม่ได้อยู่ที่การมีคำตอบมากที่สุด

แต่อยู่ที่การรู้ว่า คำถามใดควรถูกถาม ข้อมูลใดควรถูกเชื่อ และคำตอบใดควรถูกนำไปสร้างจริง

🎓 เมื่อ AI สร้างแบบได้แทบทุกอย่าง ห้องเรียนสถาปัตย์ควรสอนอะไร?

เมื่อก่อน การพัฒนาแบบสถาปัตยกรรมหนึ่งทางเลือกอาจต้องใช้เวลาหลายชั่วโมงหรือหลายวัน แต่วันนี้ นักศึกษาสามารถใช้ AI สร้างภาพ แนวคิด และรูปแบบนับสิบทางเลือกได้ภายในเวลาไม่นาน

คำถามสำคัญจึงอาจไม่ใช่อีกต่อไปว่า
“นักศึกษาสร้างแบบได้มากแค่ไหน?”

แต่อาจเป็นว่า
>>> “นักศึกษารู้หรือไม่ว่าควรเลือกแบบไหน เพราะอะไร และพร้อมรับผิดชอบต่อการเลือกนั้นหรือไม่?”

TDC Rethink ชวนถอดบทเรียนจากงาน “ล้อมวงแชร์ Use Case จริง: Architect x AI” โดย DsignSomething ร่วมกับคณะสถาปัตยกรรมศาสตร์และการผังเมือง มหาวิทยาลัยธรรมศาสตร์
ในหัวข้อ AI in Architectural Education โดย ผู้ช่วยศาสตราจารย์ ดร.ชาวี บุษยรัตน์ ได้ชวนมองผลกระทบของ AI ต่อการเรียนการสอนสถาปัตยกรรม ทั้งโอกาสในการยกระดับการออกแบบ และความเสี่ยงที่เกิดขึ้นเมื่อเราใช้เครื่องมือเร็วเกินกว่าจะเข้าใจสิ่งที่กำลังทำ

>>> 🧠 จากผู้สร้าง สู่ผู้คัดเลือกและตัดสินใจ
เมื่อ AI เข้ามาช่วยได้ตั้งแต่คิดแนวคิด สร้างภาพ ไปจนถึงเตรียมการนำเสนอ บทบาทของผู้เรียนจึงเริ่มเปลี่ยนจาก “คนทำทุกขั้นตอน” ไปสู่การเป็น Curator หรือผู้คัดเลือก ประเมิน และพัฒนาทางเลือก
แต่การเลือกไม่ใช่เพียงการชี้ว่าแบบใดดูสวยที่สุด
ผู้เรียนยังต้องอธิบายได้ว่า แบบนั้นเหมาะกับผู้ใช้งานอย่างไร ตอบโจทย์พื้นที่หรือไม่ สร้างได้จริงเพียงใด และมีผลกระทบต่อสังคม วัฒนธรรม และสิ่งแวดล้อมอย่างไร

ยิ่ง AI สร้างคำตอบได้มากเท่าไร ความรู้พื้นฐานยิ่งสำคัญมากขึ้นเท่านั้น เพราะหากไม่เข้าใจเรื่องพื้นที่ โครงสร้าง ภูมิอากาศ บริบท และพฤติกรรมมนุษย์ เราก็อาจมีทางเลือกเป็นร้อย แต่ไม่รู้ว่าแบบใดควรถูกนำไปพัฒนาต่อ

>>> ⚠️ เมื่อทุกคนใช้ AI งานอาจกลับคล้ายกันมากขึ้น
AI ช่วยเปิดพื้นที่ให้ทดลองได้รวดเร็ว แต่ก็อาจสร้างความซ้ำแบบใหม่ เมื่อผู้ใช้ป้อนคำสั่งคล้ายกัน และเครื่องมือเรียนรู้จากฐานข้อมูลชุดเดียวกัน ผลลัพธ์ที่ได้จึงอาจมีภาพ ภาษา และบรรยากาศที่คล้ายกัน จนงานค่อย ๆ สูญเสียเอกลักษณ์ของผู้ออกแบบ

นอกจากนี้ AI ยังอาจสร้างคำตอบที่ไม่เข้าใจบริบทท้องถิ่น เช่น รูปแบบถนน วิถีชีวิต สภาพภูมิอากาศ หรือวัฒนธรรมที่ไม่ตรงกับพื้นที่จริง โจทย์ของการศึกษาในยุค AI จึงไม่ใช่เพียงการสอนให้เขียน Prompt ได้ดีขึ้น แต่ต้องสอนให้ผู้เรียนรู้จักตั้งคำถามกับฐานข้อมูล อคติ และข้อจำกัดที่ซ่อนอยู่เบื้องหลังคำตอบด้วย

>>> 🔄 เครื่องมือที่ทำให้งานเร็วขึ้น อาจทำให้สมองเหนื่อยขึ้น การใช้ AI ไม่ได้หมายความว่าผู้เรียนจะทำงานน้อยลงเสมอไป

เมื่อระบบสร้างคำตอบใหม่ได้อย่างต่อเนื่อง ผู้ใช้อาจติดอยู่ในวงจรของการสั่งงาน ประเมินผล แก้ Prompt และสร้างใหม่ซ้ำไปเรื่อย ๆ จนเกิด AI Fatigue หรือความเหนื่อยล้าจากการต้องตัดสินใจตลอดเวลา
ต่างจากการสเก็ตช์ด้วยมือ ซึ่งระหว่างการลากเส้น ผู้เรียนมีเวลาได้คิด ทบทวน และสร้างความสัมพันธ์กับงานของตัวเอง

อีกความเสี่ยงคือ การใช้ AI เขียนบทพูดหรือเตรียมคำตอบทั้งหมดแทน จนผู้เรียนดูเหมือนนำเสนอได้คล่อง แต่เมื่อถูกถามนอกสคริปต์กลับไม่สามารถอธิบายเหตุผลเบื้องหลังงานได้ เพราะการนำเสนอที่ดี ไม่ได้เกิดจากภาษาที่สวยงามเพียงอย่างเดียว แต่เกิดจากการที่ผู้พูดเข้าใจสิ่งที่ตัวเองออกแบบจริง ๆ

>>> 💻 AI ในการศึกษา ไปได้ไกลกว่าการสร้างภาพ
ในระดับที่สูงขึ้น AI สามารถเป็นเครื่องมือสำหรับการวิเคราะห์และแก้ปัญหาที่ซับซ้อน เช่น
- ใช้ Genetic Algorithm ทดลองรูปทรงจำนวนมาก เพื่อหารูปแบบที่ตอบโจทย์การกระจายเสียง
- พัฒนาเปลือกอาคารที่ปรับตัวตามทิศทางแสงแดด
- ใช้ Machine Learning จำแนกรูปแบบสถาปัตยกรรมจากภาพถ่าย
- วิเคราะห์ข้อมูลจากสื่อสังคมออนไลน์ เพื่อทำความเข้าใจพฤติกรรมและอัตลักษณ์ของแต่ละย่าน

ตัวอย่างเหล่านี้สะท้อนว่า AI ไม่ควรถูกจำกัดไว้เพียงการทำภาพให้สวยขึ้น แต่สามารถช่วยให้ผู้เรียนตั้งคำถามใหม่ วิเคราะห์ข้อมูล และทดลองสิ่งที่เดิมอาจทำได้ยากในห้องเรียน

Rethink >>> AI อาจเปลี่ยนวิธีที่นักศึกษาออกแบบ
แต่ไม่ควรทำให้การเรียนรู้เหลือเพียงการเลือกคำตอบจากเครื่องมือ

การศึกษาสถาปัตยกรรมในอนาคตจึงต้องให้ความสำคัญกับ Critical Thinking มากขึ้น ทั้งการตั้งคำถาม ตรวจสอบข้อมูล อธิบายเหตุผล และรับผิดชอบต่อผลของการตัดสินใจ รวมถึงต้องตระหนักว่า การใช้ AI ทุกครั้งมีต้นทุน ทั้งพลังงาน ทรัพยากร และข้อมูลที่อยู่เบื้องหลังระบบ

สุดท้าย คุณค่าของนักออกแบบอาจไม่ได้อยู่ที่ว่า ใครใช้ AI ได้เร็วที่สุด หรือสร้างภาพได้มากที่สุด แต่อยู่ที่ว่าใครสามารถใช้เทคโนโลยีอย่างมีวิจารณญาณ ไม่สูญเสียความเข้าใจพื้นฐาน และยังคงใส่ Human Touch ลงไปในงานได้อย่างมีความหมาย

เพราะในวันที่เครื่องมือสามารถสร้างทางเลือกได้แทบไม่จำกัด สิ่งที่ยังต้องการมนุษย์เสมอ คือการตัดสินว่า
อะไรควรถูกสร้างขึ้นจริง และเรากำลังสร้างมันเพื่อใคร

🧠 ถ้าคนที่รู้มากที่สุดลาออก!! ...."ความรู้"ขององค์กรจะหายไปด้วยไหม?

ในสำนักงานสถาปนิก ความรู้สำคัญจำนวนมากไม่ได้อยู่ในคู่มือหรือฐานข้อมูล แต่อยู่ในประสบการณ์ของคนทำงาน
- ใครรู้ว่าต้องเปิดกฎหมายฉบับไหน
- ข้อกำหนดใดถูกแก้ไขไปแล้ว
- พื้นที่ลักษณะนี้ต้องตรวจสอบเงื่อนไขอะไรเพิ่มเติม
- หรือกรณีที่ไม่ชัดเจนควรตีความอย่างไร

เมื่อองค์กรต้องพึ่งพาความทรงจำของผู้เชี่ยวชาญเพียงไม่กี่คน การค้นหาข้อมูลจึงใช้เวลานาน และความรู้อาจสูญหายไปพร้อมกับการเปลี่ยนแปลงของทีม

TDC Rethink ชวนถอดบทเรียนจากงาน “ล้อมวงแชร์ Use Case จริง: Architect x AI” โดย DsignSomething ร่วมกับคณะสถาปัตยกรรมศาสตร์และการผังเมือง มหาวิทยาลัยธรรมศาสตร์
ในหัวข้อ LLM Wiki in Architect Firm คุณอั๋น—กฤต นาชาติ จาก AI Empowered Creativity Thailand ได้แบ่งปันแนวคิดการสร้าง “สมองที่สอง” ขององค์กร เพื่อจัดการองค์ความรู้ที่ซับซ้อน โดยเฉพาะกฎหมายอาคารและผังเมือง

ไม่ใช่เพียงให้ AI ช่วยค้นเอกสาร แต่คือการออกแบบว่า AI ควร “เชื่อมโยงและใช้ความรู้” อย่างไร

>>> 📚 มีเอกสารจำนวนมาก ไม่ได้แปลว่ามีระบบความรู้ที่ดี
การนำเอกสารกฎหมายจำนวนมากใส่เข้าไปใน AI แล้วถามคำถาม อาจช่วยให้ค้นหาข้อความหรือสรุปเนื้อหาได้เร็วขึ้น แต่กฎหมายไม่ได้ทำงานด้วยคำค้นเพียงอย่างเดียว ยังมีทั้งลำดับศักดิ์ของกฎหมาย วันที่มีผลบังคับใช้ ฉบับที่แก้ไขเพิ่มเติม ข้อยกเว้น และเงื่อนไขที่ต้องอ่านร่วมกันหลายฉบับ

หากระบบไม่เข้าใจความสัมพันธ์เหล่านี้ AI อาจเลือกใช้ข้อมูลที่ล้าสมัย หรือหยิบข้อความที่ถูกต้องมาใช้ในบริบทที่ผิดได้

คำตอบอาจอ่านลื่นและดูน่าเชื่อถือ แต่ไม่ได้หมายความว่าคำตอบนั้นถูกต้อง

โจทย์สำคัญจึงไม่ใช่แค่ “จะให้ AI อ่านเอกสารอย่างไร”
แต่คือ “จะจัดโครงสร้างความรู้ให้ AI เดินตามตรรกะที่ถูกต้องได้อย่างไร”

>>> 🗂️ LLM Wiki: เมื่อเอกสารต้องทำงานร่วมกับประสบการณ์ของคน แนวคิด LLM Wiki คือการนำเอกสาร กฎเกณฑ์ และความรู้จากประสบการณ์จริงมาจัดระเบียบให้เชื่อมโยงกัน

สิ่งที่ผู้เชี่ยวชาญเคยรู้จากประสบการณ์ เช่น ต้องตรวจสอบเอกสารใดก่อน ข้อกำหนดใดสัมพันธ์กัน หรือกรณีใดต้องตั้งข้อสังเกตเพิ่มเติม ถูกถ่ายทอดออกมาเป็นโครงสร้างหรือ Schema ที่ระบบสามารถทำตามได้

เครื่องมือจัดการความรู้อย่าง Obsidian ยังช่วยให้มองเห็นความสัมพันธ์ของข้อมูลในรูปแบบเครือข่าย

จากเดิมที่กฎหมายแต่ละฉบับเป็นเพียงไฟล์แยกจากกัน
จึงเริ่มกลายเป็นแผนที่ความรู้ที่มองเห็นได้ว่า ข้อมูลส่วนใดเชื่อมโยง อ้างอิง หรือขัดแย้งกัน

นี่คือความแตกต่างระหว่างการ “เก็บเอกสาร”
กับการ “สร้างระบบความรู้”

>>> ⚡ จากการค้นกฎหมาย สู่ผู้ช่วยวิเคราะห์ความเป็นไปได้ของโครงการ
Use Case ที่นำเสนอในเวทีทดลองนำข้อหารือและเอกสารกฎหมายควบคุมอาคารกว่า 200 หน้า มาจัดโครงสร้างให้ AI ใช้งาน เมื่อใส่พิกัดของที่ดิน ระบบสามารถช่วยค้นหาข้อมูลผังเมือง ตรวจสอบประเภทการใช้ประโยชน์ที่ดิน และนำข้อกำหนดที่เกี่ยวข้องมาประกอบการคำนวณ เช่น FAR พื้นที่ว่าง และพื้นที่อาคารเบื้องต้น จากกระบวนการที่เดิมต้องใช้เวลาในการเปิดแผนที่ ค้นกฎหมาย เปรียบเทียบเงื่อนไข และจัดทำรายงาน ระบบต้นแบบสามารถลดเวลาการวิเคราะห์เบื้องต้นลงได้อย่างมาก

คุณค่าของ AI ในที่นี้จึงไม่ได้อยู่ที่การตอบเร็วเพียงอย่างเดียว แต่อยู่ที่การช่วยให้สถาปนิกเข้าถึงแหล่งข้อมูล เห็นที่มาของข้อสรุป และนำเวลาไปใช้กับการตรวจสอบ วิเคราะห์ข้อจำกัด และพัฒนาทางเลือกของโครงการได้มากขึ้น

>>> ⚠️ ผิดเพียงหนึ่งตัวเลข ผลลัพธ์อาจเปลี่ยนทั้งโครงการ ความเสี่ยงของระบบลักษณะนี้คือ ข้อผิดพลาดเล็กน้อยอาจสร้างผลกระทบขนาดใหญ่

ตัวอย่างจากการทดลองพบว่า ระบบ OCR อาจอ่านตัวเลขภาษาไทยผิดเพียงหนึ่งหลัก แต่เมื่อตัวเลขนั้นอยู่ในข้อกฎหมาย ความหมาย เงื่อนไข และผลการคำนวณอาจเปลี่ยนไปทั้งหมด

กฎสำคัญจึงยังคงเป็น Human in the Loop

AI สามารถช่วยค้นหา เชื่อมโยง คำนวณ และจัดทำร่างเบื้องต้นได้ แต่ผู้เชี่ยวชาญด้านกฎหมาย อาคาร หรือการพัฒนาโครงการต้องเป็นผู้ตรวจสอบแหล่งอ้างอิง สมมติฐาน และผลลัพธ์ก่อนนำไปใช้จริงเสมอ

เพราะระบบที่ดีไม่ควรทำให้มนุษย์หยุดคิด
แต่ควรช่วยให้มนุษย์ตรวจสอบได้ดีขึ้น

Rethink>>>

การสร้าง LLM Wiki ไม่ใช่เพียงโครงการด้านเทคโนโลยี แต่เป็นกระบวนการทบทวนว่า องค์กรของเรารู้เรื่องอะไร ความรู้นั้นอยู่ที่ใคร และจะถ่ายทอดออกมาอย่างไรไม่ให้สูญหายไปตามเวลา

AI อาจเป็น “สมองที่สอง” ได้ แต่สมองที่สองจะมีคุณภาพเพียงใด ขึ้นอยู่กับความรู้ โครงสร้าง และวิจารณญาณที่มนุษย์ใส่เข้าไป

อนาคตของสำนักงานสถาปนิกจึงอาจไม่ได้วัดจากว่าใครมีเอกสารมากที่สุด หรือใช้ AI รุ่นใหม่ที่สุด

แต่อยู่ที่ว่าใครสามารถเปลี่ยนความรู้ที่กระจัดกระจาย
ให้กลายเป็น ระบบที่ค้นหาได้ เชื่อมโยงได้ ตรวจสอบได้ และส่งต่อให้คนรุ่นถัดไปได้จริง

🏙️ เมื่อ AI สร้างแบบได้เป็นร้อย สถาปนิกจะเลือกแบบที่ดีที่สุดอย่างไร?

วันนี้ AI สามารถสร้างภาพและทางเลือกในการออกแบบได้จำนวนมากในเวลาเพียงไม่นาน
ต้นทุนของการสร้าง Option จึงลดลงอย่างรวดเร็ว แต่คำถามสำคัญอาจไม่ใช่อีกต่อไปว่า
“เราจะสร้างแบบได้กี่แบบ?” แต่อาจเป็นว่า “เราจะใช้เกณฑ์อะไรเลือกแบบที่เหมาะสมที่สุด?”

TDC Rethink ชวนถอดบทเรียนจากงาน “ล้อมวงแชร์ Use Case จริง: Architect x AI” จัดโดย DsignSomething ร่วมกับคณะสถาปัตยกรรมศาสตร์และการผังเมือง มหาวิทยาลัยธรรมศาสตร์
ในหัวข้อ Analysis Design with AI จาก MAI ได้แบ่งปันแนวทางการใช้ AI ที่ก้าวข้ามการสร้างภาพสวย ไปสู่การวิเคราะห์ประสิทธิภาพอาคาร และสนับสนุนการตัดสินใจออกแบบด้วยข้อมูล

AI ในมุมนี้จึงไม่ได้ทำหน้าที่แทนสถาปนิก แต่ช่วยให้สถาปนิกมองเห็นผลลัพธ์ของแต่ละทางเลือกได้ชัดขึ้น

>>> 🧠 เมื่อการสร้างทางเลือกง่ายขึ้น “การตัดสินใจ” ยิ่งมีคุณค่า ในอดีต การพัฒนาแบบหลายทางเลือกต้องใช้ทั้งเวลาและทรัพยากรจำนวนมาก แต่เมื่อ AI ช่วยสร้าง Option ได้อย่างรวดเร็ว ความสามารถในการผลิตแบบเพียงอย่างเดียวอาจไม่เพียงพออีกต่อไป

คุณค่าของสถาปนิกจึงอยู่ที่การกำหนดว่า แบบใด “ดีกว่า” และดีกว่าในมิติใด

ไม่ใช่เพียงสวยกว่า แต่อาจหมายถึงร้อนน้อยกว่า ใช้พลังงานต่ำกว่า ระบายอากาศได้ดีกว่า รองรับฝนได้เหมาะสมกว่า หรือสร้างคุณภาพพื้นที่ให้ผู้ใช้งานได้มากกว่า

เพราะอาคารที่ดูดีในภาพ อาจไม่ได้ทำงานได้ดีเมื่อถูกสร้างขึ้นจริง
- หน้าต่างอาจมีอยู่ แต่เปิดรับลมไม่ได้
- หลังคาอาจดูโปร่ง แต่ระบายความร้อนไม่ได้ตามที่คิด
- หรือพื้นที่ที่ดูสวย อาจไม่สร้างความสบายให้กับคนใช้งาน

โจทย์ของสถาปนิกในยุค AI จึงไม่ใช่เพียงการสร้างความเป็นไปได้ แต่คือการสร้าง เกณฑ์สำหรับตัดสินความเป็นไปได้เหล่านั้น

>>> 📊 เปลี่ยนคำอธิบายเชิงความรู้สึก ให้กลายเป็นข้อมูลที่ตรวจสอบได้
ในการนำเสนองาน เราอาจอธิบายว่า หลังคาสูงจะช่วยให้อากาศถ่ายเท วัสดุชนิดหนึ่งช่วยลดความร้อน หรือการเปิดช่องลมในตำแหน่งนี้จะทำให้ภายในอาคารสบายขึ้น แต่คำถามคือ เราจะมั่นใจได้อย่างไรว่าสิ่งที่อธิบายนั้นเกิดขึ้นจริง และเกิดขึ้นมากน้อยเพียงใด

AI สามารถช่วยสร้างเครื่องมือคำนวณและวิเคราะห์ โดยนำหลักวิศวกรรม มาตรฐานด้านอาคาร และข้อมูลของโครงการมาใช้ประกอบ เช่น
- เปรียบเทียบผลกระทบของวัสดุต่อการถ่ายเทความร้อนและการใช้พลังงาน
- ประเมินขนาดและจำนวนท่อระบายน้ำจากพื้นที่และความลาดชันของหลังค
- ทดลองตำแหน่งประตูและหน้าต่าง เพื่อศึกษาทิศทางการไหลเวียนของอากาศ
- เปรียบเทียบประสิทธิภาพของทางเลือกการออกแบบหลายรูปแบบ

สิ่งเหล่านี้ช่วยเปลี่ยนบทสนทนาจาก “คิดว่าน่าจะดี” ไปสู่ “ข้อมูลแสดงให้เห็นว่าทางเลือกนี้เหมาะสมกว่าอย่างไร”

ข้อมูลจึงไม่ได้ลดทอนความคิดสร้างสรรค์ แต่ช่วยทำให้ความคิดสร้างสรรค์ได้รับการพิสูจน์และสื่อสารได้อย่างมีน้ำหนักมากขึ้น

💻 เมื่อขนาดโครงการใหญ่เกินกว่าที่คนจะวิเคราะห์ทีละจุด
ในโครงการขนาดใหญ่ การประเมินผลด้วยแรงงานมนุษย์อาจใช้เวลามากจนไม่สามารถทำได้จริง

ตัวอย่างเช่น โครงการที่ประกอบด้วยอาคารและห้องพักจำนวนมาก ซึ่งต้องการประเมินว่าแต่ละห้องมองเห็นวิวได้มากน้อยเพียงใด เพื่อนำข้อมูลไปใช้พัฒนาผังโครงการหรือประกอบการกำหนดราคาขาย แทนที่จะให้คนตรวจสอบทีละห้อง AI สามารถช่วยเขียนโค้ดและจัดกระบวนการประมวลผลข้อมูลจำนวนมาก เพื่อเปลี่ยนคุณภาพอย่าง “วิว” ให้กลายเป็นค่าที่เปรียบเทียบกันได้

ประเด็นสำคัญจึงไม่ใช่เพียงการทำงานให้เร็วขึ้น แต่คือการเปิดโอกาสให้ทีมออกแบบสามารถวิเคราะห์คำถามที่ในอดีตอาจใหญ่ ซับซ้อน หรือใช้เวลามากเกินไป

เมื่อข้อมูลถูกประมวลผลได้ในระดับทั้งโครงการ การออกแบบก็สามารถเชื่อมโยงกับการตัดสินใจด้านธุรกิจ การพัฒนาโครงการ และประสบการณ์ของผู้ใช้งานได้ลึกขึ้น

⚠️ AI คำนวณได้ แต่ผู้เชี่ยวชาญยังต้องเป็นผู้รับผิดชอบคำตอบ
การที่ AI สามารถสร้างสูตร เขียนโค้ด หรือประมวลผลข้อมูลได้ ไม่ได้หมายความว่าผลลัพธ์ทุกอย่างจะถูกต้อง

AI อาจเลือกสมมติฐานผิด ใช้หน่วยไม่ตรงกัน อ้างอิงข้อมูลไม่เหมาะสม หรือสร้างคำตอบที่ดูน่าเชื่อถือ ทั้งที่ตรรกะเบื้องหลังมีข้อผิดพลาด

ผู้ใช้งานจึงยังต้องมีความรู้พื้นฐานมากพอที่จะ
- ตั้งคำถามได้ถูกต้อง
- ตรวจสอบสมมติฐาน
- ทบทวนสูตรและแหล่งข้อมูล
- เปรียบเทียบผลลัพธ์กับมาตรฐาน
- อธิบายกระบวนการให้ทีมและลูกค้าเข้าใจได้

เครื่องมือที่ดีไม่ควรเป็นเพียง “กล่องดำ” ที่รับข้อมูลเข้าแล้วส่งคำตอบออกมา แต่ควรมีตรรกะที่มนุษย์สามารถตรวจสอบและอธิบายได้

เพราะสุดท้ายแล้ว AI อาจเป็นผู้ช่วยคำนวณ
แต่สถาปนิกยังคงเป็นผู้รับผิดชอบต่อการตัดสินใจ

Rethink>>>
เมื่อ AI สร้างทางเลือกได้มากขึ้น คุณค่าของวิชาชีพอาจไม่ได้ลดลง แต่กำลังเคลื่อนจากการเป็นผู้ผลิตแบบ ไปสู่การเป็นผู้กำหนดเกณฑ์ วิเคราะห์ผล และตัดสินใจบนข้อมูลที่รอบด้าน

AI จึงไม่ได้ทำให้สถาปนิกจำเป็นต้องรู้น้อยลง
ตรงกันข้าม มันกำลังทำให้เราต้องรู้ลึกขึ้น
- รู้ว่าโจทย์จริงคืออะไร
- รู้ว่าควรวัดผลด้วยเกณฑ์ใด
- รู้ว่าข้อมูลส่วนไหนเชื่อถือได้
- และรู้ว่าเมื่อใดควรเชื่อ หรือไม่ควรเชื่อผลลัพธ์จากเครื่องมือ

เพราะอนาคตของงานออกแบบ อาจไม่ได้อยู่ที่ว่าใครสร้างภาพได้มากที่สุด แต่อยู่ที่ว่าใครสามารถเปลี่ยนทางเลือกจำนวนมาก ให้กลายเป็น การตัดสินใจที่มีเหตุผล พิสูจน์ได้ และสร้างคุณค่าให้ผู้ใช้งานได้จริง

🏢 "ถ้าคุณหายไปจากออฟฟิศ 6 เดือน ......บริษัทยังเดินต่อได้ไหม"????

คำถามนี้อาจฟังดูสุดโต่ง แต่สำหรับเจ้าของสตูดิโอออกแบบหลายแห่ง คำตอบอาจชัดเจนกว่าที่คิด
เพราะในวันที่ผู้ก่อตั้งไม่ได้เป็นเพียง “สถาปนิก” แต่ต้องรับบทเป็นทั้งผู้บริหาร ฝ่ายบุคคล ฝ่ายการเงิน ฝ่ายไอที และผู้แก้ปัญหาทุกอย่างในองค์กร ธุรกิจก็อาจกำลังเติบโตบนข้อจำกัดของคนเพียงคนเดียว

> ยิ่งมีงานมาก เจ้าของยิ่งยุ่ง
> ยิ่งทีมใหญ่ ระบบยิ่งซับซ้อน
> และยิ่งธุรกิจเติบโต เวลาที่ควรใช้กับงานออกแบบกลับยิ่งลดลง

TDC Rethink ชวนถอดบทเรียนจากงาน “ล้อมวงแชร์ Use Case จริง: Architect x AI” จัดโดย DsignSomething ร่วมกับคณะสถาปัตยกรรมศาสตร์และการผังเมือง มหาวิทยาลัยธรรมศาสตร์
ในหัวข้อ Architect Workflow with AI โดย 10 Space Architects ได้แบ่งปันประสบการณ์การนำ AI อย่าง Claude และ ChatGPT มาช่วยสร้างระบบหลังบ้าน ตั้งแต่ตารางข้อมูล ไปจนถึง Web Application สำหรับติดตามเวลา ต้นทุน และสถานะทางการเงินของบริษัท

ไม่ใช่เพื่อให้ AI มาออกแบบแทนสถาปนิก แต่เพื่อให้ธุรกิจไม่ต้องรอการตัดสินใจจากเจ้าของในทุกเรื่อง

>>> ⚙️ ธุรกิจที่พึ่งคนเก่งเพียงคนเดียว อาจยังไม่ใช่ธุรกิจที่มีระบบ หลายสตูดิโอเริ่มต้นจากความสามารถและชื่อเสียงของผู้ก่อตั้ง ลูกค้าเลือกบริษัทเพราะเชื่อมั่นในคนคนหนึ่ง และการตัดสินใจสำคัญแทบทั้งหมดจึงไหลกลับมาที่คนคนนั้น รูปแบบนี้อาจใช้ได้ดีในช่วงเริ่มต้น แต่เมื่อมีทีมและโครงการมากขึ้น ผู้ก่อตั้งอาจกลายเป็นคอขวดขององค์กรโดยไม่รู้ตัว

คำถามว่า “หายไป 6 เดือนได้ไหม?” จึงไม่ใช่การถามว่าเจ้าของควรหยุดทำงานหรือไม่ แต่เป็นการตรวจสอบว่า ความรู้ วิธีตัดสินใจ และกระบวนการสำคัญของบริษัท ถูกถ่ายทอดออกมาเป็นระบบมากพอหรือยัง

เพราะธุรกิจที่เติบโตได้ ไม่ควรมีข้อมูลสำคัญอยู่ในความทรงจำของคนเพียงคนเดียว

>>>💰 เริ่มสร้างระบบจากสิ่งที่กังวลที่สุด แม้องค์กรจะมีหลายระบบที่ต้องพัฒนา ทั้งงานออกแบบ บุคลากร ลูกค้า และการบริหารโครงการ แต่ 10 Space Architects เลือกเริ่มจาก “การเงิน”

เหตุผลสำคัญไม่ใช่เพราะตัวเลขสำคัญกว่างานออกแบบ แต่เพราะความไม่แน่นอนทางการเงินส่งผลต่อทุกการตัดสินใจของบริษัท

หนึ่งในตัวเลขสำคัญคือ Runway หรือระยะเวลาที่บริษัทยังสามารถดำเนินงานต่อได้จากเงินสดและรายรับที่มีอยู่

เมื่อไม่รู้ Runway เจ้าของอาจต้องรับทุกงานเพราะกลัวว่าเงินจะไม่พอจ่ายทีมในเดือนถัดไป แต่เมื่อมีข้อมูลที่ชัดเจน การตัดสินใจจะเปลี่ยนจาก “ความรู้สึก” เป็น “ทางเลือก”

หากเงินสำรองเหลือเพียงไม่กี่เดือน บริษัทอาจต้องเร่งหารายได้และควบคุมต้นทุน แต่หากมี Runway ที่มั่นคง ก็อาจเลือกปฏิเสธงานที่ไม่เหมาะสม ลงทุนพัฒนาทีม หรือใช้เวลาสร้างระบบสำหรับการเติบโตในระยะยาวได้

ข้อมูลจึงไม่ได้มีไว้เพียงรายงานสิ่งที่เกิดขึ้น
แต่ช่วยเพิ่มอิสระในการเลือกอนาคตของธุรกิจ

>>> ⏱️ Time Sheet ไม่ได้มีไว้จับผิด แต่มีไว้ตามหาเวลาที่หายไป
ระบบที่พัฒนาขึ้นช่วยให้ทีมบันทึกเวลาในการทำงานแต่ละประเภท เพื่อดูว่าเวลาและกำลังคนถูกใช้ไปกับส่วนใดของโครงการ ข้อมูลอาจทำให้เห็นว่า ผู้บริหารใช้เวลาส่วนใหญ่กับงานเอกสารแทนการพัฒนาธุรกิจ หรือทีมออกแบบใช้เวลาแก้ไขงานเกินกว่าที่ประเมินไว้หลายเท่า

เมื่อเห็นเวลาที่ใช้จริง บริษัทก็สามารถนำค่าแรงรายชั่วโมงมารวมกับต้นทุนแฝง เช่น ค่าเช่า ค่าโปรแกรม ระบบสำนักงาน และค่าใช้จ่ายส่วนกลาง เพื่อคำนวณต้นทุนและผลตอบแทนของแต่ละโครงการได้ใกล้เคียงความเป็นจริงมากขึ้น สิ่งที่ได้จึงไม่ใช่เพียง Dashboard ที่ดูสวยงาม แต่คือข้อมูลสำหรับตอบคำถามว่า

งานประเภทใดสร้างคุณค่า ขั้นตอนไหนกำลังใช้เวลามากเกินไป และโครงการใดดูเหมือนมีกำไร แต่จริง ๆ แล้วกำลังกินทรัพยากรของทีม

>>> 💻 ไม่เขียนโค้ด ก็เริ่มสร้างระบบได้
Use Case นี้เริ่มต้นจากการพูดคุยกับ AI ด้วยภาษาธรรมดา ให้ช่วยคิดโครงสร้างข้อมูล สร้าง Template ใน Excel และค่อย ๆ พัฒนาไปสู่ Web Application

ประเด็นสำคัญจึงอาจไม่ใช่ว่า AI สามารถเขียนโค้ดได้เก่งเพียงใด แต่อยู่ที่ผู้ใช้สามารถอธิบายปัญหา กระบวนการทำงาน และผลลัพธ์ที่ต้องการได้ชัดเจนแค่ไหน

AI ช่วยลดกำแพงทางเทคนิคได้
แต่การออกแบบระบบยังต้องเริ่มจากความเข้าใจธุรกิจของเราเอง

>>> 🔐 ระบบที่ดีต้องไม่แลกมากับความเสี่ยงของข้อมูล
การใช้ AI สร้างระบบควรเริ่มจากข้อมูลจำลอง หรือ Dummy Data แทนการนำตัวเลขบัญชี ข้อมูลพนักงาน ข้อมูลลูกค้า หรือเอกสารภายใต้ NDA เข้าไปใช้งานโดยตรง

แต่ละแพลตฟอร์มมีนโยบายด้านการจัดเก็บและใช้ข้อมูลแตกต่างกัน องค์กรจึงควรตรวจสอบเงื่อนไข เลือกเครื่องมือจากผู้พัฒนาที่น่าเชื่อถือ และกำหนดร่วมกันว่าข้อมูลใดสามารถนำเข้า AI ได้
เพราะระบบที่ทำงานเร็วขึ้น แต่ทำให้ข้อมูลสำคัญหลุดออกจากองค์กร อาจสร้างต้นทุนที่สูงกว่าประโยชน์ที่ได้รับ

Rethink>>> การออกแบบระบบองค์กรอาจไม่ต่างจากการออกแบบอาคาร

ก่อนวางผัง เราต้องรู้ว่ามีใครใช้งาน
ข้อมูลต้องไหลจากจุดใดไปจุดใด
ส่วนไหนเป็นคอขวด และโครงสร้างแบบใดจะรองรับการเติบโตในอนาคต

AI จึงไม่ได้เป็นเพียงเครื่องมือทำงานให้เร็วขึ้น แต่เป็นโอกาสให้องค์กรกลับมาทบทวนว่า วิธีทำงานในวันนี้ยังเหมาะกับธุรกิจในวันข้างหน้าหรือไม่

เพราะเป้าหมายของการสร้างระบบ ไม่ใช่การทำให้คนทำงานหนักกว่าเดิม แต่คือการคืนเวลาให้คนกลับไปทำสิ่งที่สร้างคุณค่าได้ดีที่สุด

และสำหรับสถาปนิก สิ่งนั้นอาจเป็นการได้กลับมา “ออกแบบ” อีกครั้ง