OpenAI DevDay 2026 泰语总结：Decisions API 就是 Jev
泰国用户梳理 DevDay 20 多项发布，指出第 4 项 Decisions API + computer use 即 Jev，并称 GPT-6.1 Sol 单任务成本比 Sonnet 5.5 低约 10.5 倍。
[สรุปสั้นๆ 8 อย่าง จาก 20 อย่างด้านล่าง แต่ขอสรุปง่ายๆว่า พอๆกับ Sonnet 5.5 แต่ราคา per task ถูกกว่า 10.5 เท่า !!!] "AI ที่เก่งขึ้นอาจช่วยเราทำงานเร็วขึ้น แต่ AI ที่ทำงานต่อให้เราได้เองตลอด 24 ชั่วโมง อาจเปลี่ยนวิธีที่เราทำงานไปเลย และ GPT-6.1 Sol อาจน่าสนใจไม่ใช่เพราะมันเก่งใกล้ Astra...แต่เพราะความฉลาดระดับใกล้ Astra กำลังถูกลงจนเอาไปใช้กับงานจริงได้" จาก OpenAI DevDay 2026 --- ถ้าเอาสรุปสั้นๆ ตามนี้เลยครับ 1. GPT-6.1 Sol + Ultrafast [เร็วขึ้น 8 เท่า แต่ต้องเฉพาะ package 500 USD/month เท่านั้น :( ] 2. Dots — always-on AI agents 3. Cloud-powered Codex 4. Decisions API + computer use (ก็คือ jev นั่นเอง...) 5. ChatGPT Spaces + Pages (ก็คือ Notion นั่นเอง) 6. Collaborative Slides + Tasks (เกือบเป็น Canva + Google task แต่ยังห่าง) 7. Slack + Microsoft Teams integration 8. OpenAI Marketplace ทำให้สามารถต่อของเจ้าอื่นได้เลย โดย subscript แค่ OpenAI ที่เดียว เช่น Devin โดยเฉพาะ fusion mode ที่หลายๆท่านใช้กัน ซึ่งผมคิดว่าผมคง off Claude subscription เกือบทั้งหมด ถ้าจะเอามาทำเป็น judge คงผ่าน subscription นี้เลย --- ที่ผ่านมา ต่อให้ AI ช่วยทำงานได้เยอะ เราก็ยังต้องเป็นคนตามเรื่อง เปิดบทสนทนาใหม่ เอาข้อมูลจากแอปหนึ่งไปให้อีกแอป แล้วคอยบอกว่าต้องทำอะไรต่อ สิ่งที่ OpenAI กำลังพยายามเปลี่ยนรอบนี้คือ ให้เรามอบความรับผิดชอบบางอย่างไปเลย ไม่ใช่ส่งคำสั่งทีละข้อ DevDay ปีนี้มีประกาศมากกว่า 20 อย่าง แต่ภาพใหญ่ที่ผมเห็นคือการเอาหลายชิ้นมาต่อกัน ทั้ง Dots ที่คอยเดินงานให้เรา, GPT-6.1 Sol ที่ลดต้นทุนของโมเดลเก่งๆ, Ultrafast ที่ลดเวลารอ และ Space ที่ให้คนกับ AI ทำงานอยู่ในพื้นที่เดียวกันครับ ═══════════════════ 🤖 Dots ไม่ได้รอแค่คำสั่ง แต่รับงานไปดูแลต่อได้ - Dots คือ agent หรือผู้ช่วย AI ที่ลงมือทำงานเป็นขั้นเป็นตอน โดยใช้ GPT-6 Astra มีคอมพิวเตอร์บน cloud และเบราว์เซอร์ของตัวเอง OpenAI ออกแบบให้มันทำงานตามเป้าหมายของเราได้ตลอด 24/7 และรับหลายโครงการไปทำพร้อมกันได้ - ตัวอย่างใน keynote ไม่ใช่แค่จองร้านอาหาร แต่เป็นงานอย่าง "ย้ายแอปออกจากระบบเก่าก่อนที่บริการนั้นจะปิด" ซึ่งต้องไล่ดูว่าโค้ดส่วนไหนเกี่ยวข้อง แก้โค้ด รันการทดสอบ แล้วส่งชุดการแก้ไขหรือ PR มาให้ทีมตรวจ อีกตัวอย่างคือคอยดูรายงานบั๊กจากผู้ใช้ แล้วเตรียมวิธีแก้พร้อมผลทดสอบ โดยไม่ต้องให้เราสั่งใหม่ทุกครั้ง - Dot เรียนรู้จากคำแนะนำของเราว่างานแบบไหนถือว่าดี และใช้แอปที่เราเชื่อมไว้ผ่านระบบ plugin ซึ่ง OpenAI ระบุว่ารองรับมากกว่า 4,000 แอป เราคุยกับมันผ่าน ChatGPT, Slack หรือ Microsoft Teams ได้ โดยข้อมูลของงานตามไปด้วย รวมถึงคุยด้วยเสียง ส่วนการส่งข้อความทางโทรศัพท์ยังเป็นสิ่งที่จะตามมา ═══════════════════ 🧩 Space คือที่ทำงานร่วมกัน ไม่ใช่แค่ที่เก็บบทสนทนา - ChatGPT Space เป็นพื้นที่รวมคนในทีม ChatGPT และ Dots ให้ทำงานบนข้อมูลร่วมกัน ผ่าน Pages ที่ใช้เขียนแผน ทำวิจัย สร้างกราฟ หรือวางต้นแบบแอปได้ เราแท็กคนหรือ Dot ในคอมเมนต์ แล้วมอบหมายงานต่อจากตรงนั้นได้เลย - ในเดโมแอปเพลงสมมติชื่อ Blossom Music ทีมงานให้ Dot รวบรวมความเห็นจากผู้ทดลองใช้ ดูงานออกแบบที่เปลี่ยน และรับโจทย์ให้ใช้ Codex เปลี่ยนแบบเป็นแอป จุดที่น่าสนใจคือการต่อเรื่องจากข้อความใน Slack ไปถึงงานที่ลงมือทำ ไม่ใช่แค่สรุปว่าในแชตมีใครพูดอะไร - เราสั่งให้หน้าใน Space อัปเดตจากข้อมูลใหม่เป็นประจำได้ เช่นติดตามช่อง Slack แล้วเติมสิ่งที่พบ หรืออัปเดตกราฟเมื่อข้อมูลเปลี่ยน นอกจากนี้ยังมี Meetings plugin ที่พาบันทึกประชุมไปต่อเป็นงานของทีม ส่วนสไลด์ที่หลายคนและหลาย agent แก้ร่วมกัน ยังเป็นฟีเจอร์ที่จะตามมา ไม่ใช่เปิดครบแล้วในวันประกาศ ═══════════════════ 💰 GPT-6.1 Sol ทำให้ความฉลาดระดับสูงถูกลง ต้องแยกกันก่อนว่า Dots ที่เปิดตัวใช้ Astra ส่วน GPT-6.1 Sol คือโมเดลอีกตัวที่ช่วยให้คนเอา AI เก่งๆ ไปใช้งานหรือสร้าง agent ได้ด้วยต้นทุนที่ต่ำลง ไม่ใช่การประกาศว่า Dots เปลี่ยนมาใช้ Sol - OpenAI ระบุว่า GPT-6.1 Sol เข้าใกล้ Astra ในหลายงาน ทั้งเขียนโค้ด ควบคุมคอมพิวเตอร์ และงานเอกสารซับซ้อน แต่ราคาอินพุตและเอาต์พุตมาตรฐานอยู่ที่หนึ่งในห้าของ Astra คำว่า "ใกล้" ตรงนี้ไม่ได้หมายความว่าเก่งเท่ากันทุกงาน - ราคาเรียกใช้ผ่าน API หรือช่องทางให้โปรแกรมอื่นต่อมาใช้โมเดล คือ $2 ต่อหนึ่งล้าน input tokens และ $10 ต่อหนึ่งล้าน output tokens เทียบกับ Astra ที่ $10 และ $50 ตามลำดับ โดย token คือหน่วยย่อยของข้อความที่ AI อ่านหรือสร้าง - ข้อมูลขาเข้าที่เข้าเงื่อนไขใช้ซ้ำได้ หรือ cached input เหลือ $0.10 ต่อหนึ่งล้าน tokens ต่ำกว่าราคาอินพุตปกติ 95% และต่ำกว่า cached input ของ GPT-6 Sol 50% จุดนี้น่าสนใจกับงานที่ต้องใช้เอกสารหรือข้อมูลเดิมหลายรอบ แต่ไม่ได้แปลว่าค่าใช้จ่ายของทุกงานจะลดลง 95% เพราะยังมีส่วนอื่นที่ต้องคิดราคา ═══════════════════ 📊 คะแนนดีขึ้นจริงแค่ไหน ต้องดูเป็นงานๆ ตัวเลขต่อไปนี้มาจากผล benchmark หรือชุดทดสอบที่ OpenAI นำเสนอ ไม่ใช่ข้อสรุปว่าเอาไปใช้กับงานอะไรก็ได้ผลเหมือนกัน - งานโค้ดบน DeepSWE 1.1 ทำคะแนนเทียบเท่า Astra ที่ต้นทุนประมาณหนึ่งในห้า ส่วนงานควบคุมคอมพิวเตอร์บนชุดออฟไลน์ของ OSWorld 2.0 เมื่อใช้ระดับคิดละเอียดสูงสุด GPT-6.1 Sol ดีขึ้นจาก GPT-6 Sol 7 จุดเปอร์เซ็นต์ และตาม Astra อยู่ 2.1 จุดเปอร์เซ็นต์ ที่ต้นทุนต่อชิ้นงานประมาณหนึ่งในเจ็ดของ Astra - งานอ่าน PDF ซับซ้อนบน GDP . pdf ทำคะแนนสูงกว่า Opus 5.5 ที่ตั้งค่าให้มีระบบสำรอง ขณะที่ต้นทุนต่อชิ้นงานต่ำกว่าครึ่ง ส่วน AutomationBench ซึ่งวัดการทำงานธุรกิจหลายขั้นตอน ที่ระดับคิดปานกลาง Sol รุ่นใหม่สูงกว่า Opus 5.5 อยู่ 2.2 จุดเปอร์เซ็นต์ ด้วยต้นทุนประมาณหนึ่งในสาม - เรื่องตอบข้อมูลผิด ที่ระดับคิดต่ำ สัดส่วนคำตอบที่มีข้อผิดพลาดอย่างน้อยหนึ่งจุดลดจาก 11.4% ใน GPT-6 Sol เหลือ 7.7% หรือลดลงประมาณ 32% แบบสัมพัทธ์ แต่เป็นชุดคำถามยากที่คัดจากกรณีซึ่งผู้ใช้เคยแจ้งว่าโมเดลตอบผิด จึงเอาไปตีความว่า AI ผิดน้อยลง 32% ในทุกการใช้งานไม่ได้ ═══════════════════ 🔬 งานวิจัยไม่ได้มีแค่ให้ AI ช่วยค้นหรือเขียน - ตัวอย่างสำหรับนักวิจัยในบทความ Dots คือ เมื่อมีข้อมูลใหม่เข้ามา มันช่วยรันการวิเคราะห์ซ้ำ ตรวจผลที่ผิดจากคาด อัปเดตรูป และชี้ว่าคำอธิบายส่วนไหนในงานเขียนควรเปลี่ยน ภาพที่ OpenAI เสนอจึงไม่ใช่แค่ให้ AI ช่วยตอบคำถามวิจัย แต่ให้มันช่วยดูแลงานต่อเนื่องโดยส่งจุดสำคัญกลับมาให้คนตรวจ - บน Terminal-Bench Science 0.1 ซึ่งทดสอบงานวิจัยผ่านโค้ดและเครื่องมือ GPT-6.1 Sol ทำคะแนนมากกว่าสองเท่าของ GPT-6 Sol เมื่อใช้ระดับคิดสูงสุด โดยต้นทุนเฉลี่ยต่อชิ้นงานอยู่ที่ $5.47 เทียบกับ Opus 5.5 ที่ $23.21 และ Astra ที่ $23.80 แต่ Astra ยังได้คะแนนสูงสุดในกลุ่มที่ทดสอบที่ 68.1% จึงยังมีช่องว่างระหว่าง "คุ้มกว่า" กับ "เก่งที่สุด" - ใน keynote ทีมวิจัยยังรายงานว่า ภายในเดือนกรกฎาคม ระบบของพวกเขาทำงานวิจัยที่ปกติใช้เวลาหนึ่งวันได้สำเร็จมากกว่าหนึ่งในสามของงานที่ประเมิน โดยไม่ต้องให้คนเข้าแทรกกลางทาง ตัวเลขนี้มาจากงานวิจัยภายใน OpenAI ไม่ใช่อัตราความสำเร็จของ Dots สำหรับผู้ใช้ทั่วไป และไม่ได้หมายถึงทำวิจัยทุกชนิดแทนนักวิจัยได้แล้ว ═══════════════════ ⚡ Ultrafast เร่งการสร้างคำตอบ ส่วน Decisions API เร่งการเลือกทาง - Astra Ultrafast เพิ่มความเร็วสร้าง token ใน Codex ได้สูงสุด 8 เท่า หรือ 300 tokens ต่อวินาที ส่วน GPT-6.1 Sol Ultrafast จะตามมา ตัวเลขนี้เป็นความเร็วสร้าง token ไม่ใช่คำรับรองว่าโครงการทั้งชิ้นจะเสร็จเร็วขึ้น 8 เท่า เพราะงานยังมีขั้นตอนใช้เครื่องมือและรอผลอื่นๆ ด้วย - ความเร็วนี้มีต้นทุน ใน keynote เปรียบเทียบว่า Fast ให้ความเร็ว 2 เท่าที่ราคา 2 เท่าของมาตรฐาน ส่วน Ultrafast ให้ความเร็วสูงสุด 8 เท่าที่ราคา 6 เท่า จึงเป็นทางเลือกระหว่างประหยัดค่าใช้โมเดลกับจ่ายเพิ่มเพื่อลดเวลารอ ไม่ใช่ว่าต้องเปิดโหมดเร็วที่สุดให้ทุกงาน - Decisions API ที่เปิดให้ดูแบบ preview ใช้แนวคิดคนละแบบ คือให้โมเดลเลือกจากตัวเลือกที่กำหนดไว้ล่วงหน้า เช่นควรส่งคำขอนี้ไปที่ไหน รูปนี้อยู่หมวดอะไร หรือ agent ควรทำอะไรต่อ OpenAI ระบุว่าตอบได้ในเสี้ยววินาที และชี้ไปถึงการช่วยให้หุ่นยนต์เลือกการกระทำจากภาพที่เห็น ไม่ใช่ API ที่ตอบคำถามปลายเปิดได้ทุกเรื่องแบบทันที ═══════════════════ 🛠️ Codex ทำงานบน cloud ได้ และเปิดเครื่องมือให้คนอื่นสร้างต่อ - Codex ทำงานบน cloud ได้เต็มรูปแบบ เริ่มงานจากมือถือ เบราว์เซอร์ หรือคอมพิวเตอร์ แล้วปิดโน้ตบุ๊กได้โดยงานบน cloud ยังทำต่อ ทีมใช้สภาพแวดล้อมพัฒนาที่เตรียมไว้ร่วมกันได้ และ Codex CLI ซึ่งเป็นหน้าจอสั่งงานด้วยข้อความ ยังเพิ่มการคุยด้วยเสียงแบบโต้ตอบ ไม่ใช่แค่แปลงเสียงเป็นตัวหนังสือ - OpenAI เปิดซอร์สระบบคุมลำดับงานของ Codex และเปิด Agents API ให้ทดลองแบบ public beta ที่รวมการรันงานบน cloud ความจำ การแบ่งงานให้หลาย agent และการควบคุมคอมพิวเตอร์ นอกจากนี้ยังทำงานกับ AWS ผ่าน Bedrock Managed Agents สำหรับคนที่ต้องการต่อ agent เข้ากับแอปและข้อมูลบน AWS - Codex Security Cloud ช่วยค้นหาช่องโหว่ต่อเนื่อง ตั้งเวลาสแกน ลดรายงานปัญหาซ้ำ และเตรียมวิธีแก้ที่ผ่านการทดสอบมาให้คนตรวจ ไม่ใช่แค่บอกว่าเจอปัญหาแล้วจบ แต่พยายามพางานไปถึงจุดที่ทีมตัดสินใจได้ว่าจะรับการแก้ไขนั้นหรือไม่ ═══════════════════ 🔐 ทำงานเองได้ ไม่ได้แปลว่าทำอะไรก็ได้ - Dot ใช้คอมพิวเตอร์แยกจากเครื่องเรา ถ้าจะเข้าเครื่องเราต้องได้รับอนุญาตก่อน เราเลือกแอปที่ให้เข้าถึง ตั้ง Custom Rules ว่าอะไรทำเองได้ อะไรต้องถาม อะไรห้ามทำ และดูความคืบหน้าใน Activity View ได้ โดยกฎความปลอดภัยของระบบยังมีผล และบางงาน เช่นเปลี่ยนรหัสผ่าน ยังต้องให้คนทำเอง - ต้องแยก "งานที่มอบหมายให้ทำต่อ" ออกจาก "การมองหาเรื่องที่น่าจะช่วยเราได้เอง" หรือ proactive research อย่างหลังใช้เครื่องมือแบบอ่านอย่างเดียว จึงส่งข้อความ แก้ข้อมูลในแอป หรือคุมเบราว์เซอร์และคอมพิวเตอร์ไม่ได้ นี่จึงไม่ใช่สิทธิ์ให้ AI เห็นอะไรแล้วลงมือเปลี่ยนได้ทุกอย่างตามใจ - คำว่า 24/7 ไม่ได้แปลว่าใช้งานหนักได้ไม่จำกัด Dot ตัวแรกอยู่ในแพ็กเกจ Pro หรือ Business Premium โดยไม่คิดเพิ่ม และการคุยกับ Dot ไม่กินโควตา ChatGPT แต่ยังมีโควตาสำหรับการลงมือทำงานเชิงลึก ส่วนงานที่มันเริ่มหรือจัดการใน Codex และ ChatGPT Work ยังนับตามข้อจำกัดการใช้งานตามปกติ ═══════════════════ 🏢 ฝั่งองค์กรเพิ่มทั้งผู้ช่วยเฉพาะหน้าที่และการคุมข้อมูล - Specialist dots ต่างจาก Dot ส่วนตัวตรงที่องค์กรกำหนดหน้าที่เฉพาะ พร้อมบัญชีและสิทธิ์เข้าระบบของตัวเอง เช่นงานจัดซื้อ ใบแจ้งหนี้ หรือบริการลูกค้า ตอนนี้เป็นโครงการนำร่องกับองค์กร และ OpenAI กำลังทำงานกับ Microsoft เพื่อเชื่อมการจัดการเข้ากับ Agent 365 ไม่ใช่ทุกบริษัทเปิดทีมผู้ช่วยเฉพาะหน้าที่ได้ครบแล้วทันที - OpenAI นำเสนอ Private Intelligence เพื่อเพิ่มการควบคุมข้อมูล ทั้ง Zero Data Retention with Private Safety Processing สำหรับตรวจความปลอดภัยโดยไม่เก็บเนื้อหา และ Private Inference ที่มุ่งคุ้มครองข้อมูลระหว่างโมเดลทำงาน ส่วนหลังยังเป็น preview จึงไม่ควรอ่านว่า Dots หรือทุกแอปที่เราเชื่อมอยู่ได้เงื่อนไขนี้โดยอัตโนมัติ - สำหรับข้อมูลใน ChatGPT Business, Enterprise และ Edu บริษัทระบุว่าไม่นำไปพัฒนาโมเดลโดยค่าเริ่มต้น ส่วนแพ็กเกจส่วนตัวขึ้นกับการตั้งค่าของเรา เรื่องใช้ข้อมูลฝึกโมเดล เรื่องเก็บข้อมูล และเรื่องสิทธิ์เข้าถึงแอป เป็นคนละประเด็นที่ต้องดูแยกกัน ═══════════════════ 🔌 เปิดให้สร้างแอปใน ChatGPT และพาคนไปใช้สิ่งที่เราสร้าง OpenAI ระบุว่ามีผู้ใช้ 1.2 พันล้านคนต่อสัปดาห์ อีกโจทย์ของ DevDay จึงไม่ใช่แค่ให้นักพัฒนามีโมเดลใช้ แต่ทำให้คนค้นพบและเข้าใช้ผลิตภัณฑ์ที่สร้างขึ้นด้วย - Plugin extensions ทำให้ plugin มีหน้าจอของตัวเองใน ChatGPT เช่นพื้นที่แก้เอกสาร งานออกแบบ หรือหน้าติดตามข้อมูล ไม่ใช่แค่เครื่องมือที่ AI เรียกอยู่ข้างหลัง มีตัวอย่างจาก Figma และ Adobe รวมถึงให้ Sites เชื่อม plugin แล้วใช้ข้อมูลและสิทธิ์ของผู้ใช้แต่ละคน และให้คนค้นพบ plugin ที่เกี่ยวข้องระหว่างคุยกับ ChatGPT - Sign in with ChatGPT ให้ใช้โควตา AI จากแพ็กเกจของเราในแอปคู่ค้าที่เข้าร่วม โดยเริ่มกับ 16 ราย นี่คือการนำสิทธิ์ใช้ AI ที่จ่ายอยู่แล้วไปใช้ข้ามผลิตภัณฑ์ ไม่ได้แปลว่าแอปทุกตัวใช้ได้ หรือบริการทั้งหมดของคู่ค้าจะกลายเป็นของฟรี - OpenAI Marketplace เปิดทางให้ลูกค้า Enterprise ที่เข้าเงื่อนไขใช้ส่วนหนึ่งของวงเงินตามข้อตกลงกับ OpenAI ไปกับซอฟต์แวร์คู่ค้าที่ได้รับอนุมัติ โดยประกาศรายแรกไว้ 32 ราย สำหรับคนทำผลิตภัณฑ์ นี่เป็นอีกช่องทางเข้าถึงลูกค้าองค์กร นอกเหนือจากการเปิด API ให้ใช้โมเดลเพียงอย่างเดียว ═══════════════════ 📌 ใครใช้ได้แล้ว และอะไรยังต้องรอ สถานะส่วนนี้ยึดตามประกาศวันที่ 29 กันยายน 2026 เพราะหลายอย่างทยอยเปิด ไม่ได้มาพร้อมกันทุกบัญชี - Dots เริ่มกับ Pro และ Business Premium ในตลาดที่รองรับ ส่วน Enterprise รวมถึง Edu และ Healthcare ทดลอง beta ได้เมื่อผู้ดูแลเปิดให้ โดยค่าเริ่มต้นยังปิดอยู่ เริ่มตั้งค่า Dot ผ่านแอปเดสก์ท็อปหรือเบราว์เซอร์บนคอมพิวเตอร์ก่อน แล้วจึงคุยต่อบนมือถือได้ - GPT-6.1 Sol เปิดใน ChatGPT Work และ Codex สำหรับ Plus, Pro, Business, Enterprise และ Edu รวมถึง API แต่ ณ วันประกาศยังไม่มีใน Chat ปกติ ส่วน Sol Ultrafast ยังเป็นสิ่งที่จะตามมา จึงไม่ควรรวมว่าเปิดใช้เหมือนกันหมดแล้ว - มี Pro 500 ที่ OpenAI ระบุว่าให้โควตา 25 เท่าของ Plus และมี Ultrafast พร้อมเปิดรับสมัคร Pro 200 อีกครั้ง ส่วนฟีเจอร์อื่นอย่างสไลด์ที่แก้ร่วมกัน การส่งข้อความทางโทรศัพท์ และ specialist dots มีช่วงเปิดใช้หรือเงื่อนไขของตัวเอง ไม่ได้หมายความว่าสมัครแพ็กเกจแล้วทุกอย่างพร้อมทันที ═══════════════════ 💭 ในมุมมองส่วนตัวของผม สิ่งที่น่าสนใจที่สุดสำหรับผมไม่ใช่ AI ตอบเร็วขึ้นอีกกี่วินาที แต่คือมันอาจช่วยลดงานที่เราต้องคอยตาม คอยส่งต่อ และคอยเตือน ทั้งที่งานเหล่านั้นกินสมาธิเราไปเยอะมาก ถ้าเรามอบเป้าหมายให้แล้วกลับมาเจองานที่พร้อมตรวจได้จริง ประโยชน์อาจไม่ได้อยู่แค่ทำงานเดิมเร็วขึ้น แต่อยู่ที่มีแรงไปทำเรื่องที่ไม่เคยมีเวลาทำ Dots คือความพยายามรับความรับผิดชอบต่อจากเรา Sol ช่วยลดต้นทุนของการใช้โมเดลเก่งๆ Ultrafast เป็นทางเลือกซื้อเวลารอที่สั้นลง และ Space ทำให้คนกับ AI ไม่ต้องทำงานแยกกันแล้วค่อยเอาผลมาประกอบทีหลัง ผมมองว่าความเปลี่ยนแปลงอยู่ที่การเอาทั้งหมดนี้มาต่อกัน มากกว่าฟีเจอร์ใดฟีเจอร์หนึ่ง แต่ความเก่งบน benchmark กับความไว้ใจให้รับผิดชอบงานจริงยังเป็นคนละเรื่อง ใน keynote เองก็มีช่วงที่การใช้เสียงและการเรียก Codex ติดขัด สิ่งที่ผมอยากเห็นต่อจึงไม่ใช่แค่เดโมที่น่าตื่นเต้น แต่เป็นการทำงานซ้ำได้อย่างสม่ำเสมอ รู้ว่าเมื่อไรควรหยุดถาม และทำให้เราตรวจสอบสิ่งที่มันทำได้ ทักษะถัดไปของคนใช้ AI จึงอาจไม่ใช่แค่เขียนคำสั่งให้เก่ง แต่คือกำหนดให้ชัดว่าจะมอบงานอะไร ให้สิทธิ์แค่ไหน และงานแบบไหนถึงเรียกว่าเสร็จ เพราะปลายทางที่น่าสนใจไม่ใช่การมี AI ทำงานตลอด 24 ชั่วโมงอย่างเดียว แต่คือการที่คนได้เวลาและความสนใจของตัวเองกลับมาจริงๆ ครับ