สรุปจากคลิป ดูคลิปต้นฉบับ
ปัญหาของการใช้ AI ในที่ทำงานไม่ใช่แค่เรื่องว่า model เก่งพอหรือยัง แต่คือเราให้ context กับมันดีพอหรือยังต่างหาก คลิปจาก Ben AI อธิบายประเด็นนี้ได้ชัดมากว่า ต่อให้ AI agent ฉลาดขึ้นแค่ไหน สุดท้ายมันก็จะทำงานได้ดีเท่ากับข้อมูล กติกา และความเข้าใจที่เราใส่เข้าไป
สิ่งที่น่าสนใจคือ Ben ไม่ได้พูดเรื่อง prompt แบบผิวเผิน แต่ไล่ให้เห็นเลยว่าการใช้ Claude หรือ AI tools ทั่วไปมี “ระดับ” ของมัน ตั้งแต่การแชตธรรมดา ไปจนถึงการทำเป็นระบบปฏิบัติการของธุรกิจที่ทีมทั้งทีมแชร์ context ร่วมกันได้ ถ้าเราเป็นเจ้าของธุรกิจหรือคนทำงานที่อยากเอา AI ไปใช้จริง คลิปนี้มีประโยชน์มาก เพราะมันช่วยตอบคำถามสำคัญว่า ทำไมบางคนใช้ AI แล้วเหมือนมีผู้ช่วยระดับ senior แต่บางคนยังได้คำตอบกว้างๆ เหมือนเดิม
สารบัญ
- Step 1: เข้าใจก่อนว่าทำไม Context คือฐานรากของ AI Agent
- Step 2: เริ่มจาก Level 1 ให้ถูกก่อน คือเลิกคุยกับ AI แบบไม่มีข้อมูล
- Step 3: ขยับสู่ Level 2 ด้วย Chat Projects เพื่อลดการพิมพ์ซ้ำ
- Step 4: ไป Level 3 ด้วย Skills เพื่อให้งานซ้ำๆ ใช้ได้ทุกแชต
- Step 5: ใช้ File Access เพื่อให้ AI เป็นคู่คิด ไม่ใช่แค่เครื่องมือทำตามคำสั่ง
- Step 6: จัดโครงสร้างงานด้วย Co-Work Projects ให้เป็นหมวด ไม่ใช่กองรวม
- Step 7: สร้าง Level 6 เป็น Second Brain หรือ Personal OS
- Step 8: วาง Cloud.md และ Index Files ให้ AI หาไฟล์เจอ
- Step 9: ไปสู่ Level 7 ทำ Business OS ให้ทั้งทีมใช้ร่วมกัน
- Actionable Insights
- Troubleshooting
- การต่อยอด
- สรุป Checklist ทั้งหมด
Step 1: เข้าใจก่อนว่าทำไม Context คือฐานรากของ AI Agent
Ben วางกรอบเรื่องนี้ไว้น่าสนใจมาก เขามองว่าโลกกำลังเข้าสู่ช่วงที่ AI agent ไม่ได้มีหน้าที่แค่ตอบคำถาม แต่เริ่ม “ลงมือทำงาน” ได้แล้ว ทั้งการเขียนโค้ด ใช้ browser เชื่อม software เรียก plugin รัน scheduled task หรือจัดการ workflow บางส่วนแบบอัตโนมัติ
แต่จุดที่คนส่วนใหญ่พลาดคือ คิดว่าแค่ model ฉลาดขึ้น ทุกอย่างจะดีขึ้นเอง ซึ่งไม่จริง ถ้า AI ไม่รู้ว่าเราเป็นใคร ธุรกิจเราขายอะไร ลูกค้าเราเป็นแบบไหน มาตรฐานงานที่ดีหน้าตาอย่างไร หรือมีข้อห้ามอะไรบ้าง มันก็ยังทำงานแบบเดาสุ่มอยู่ดี
ถ้าเอามาเทียบกับธุรกิจไทย มันเหมือนการรับพนักงานใหม่เข้าทีมแต่ไม่เคยมี onboarding ไม่มี SOP ไม่มีตัวอย่างงานที่ดี ไม่มีข้อมูลลูกค้า ต่อให้เก่งแค่ไหนก็ทำงานได้ไม่สุด
นี่คือเหตุผลที่ “ระบบ context” สำคัญกว่าการหา prompt เท่ๆ หนึ่งประโยคเสียอีก และยิ่งเริ่มเร็วเท่าไร ผลลัพธ์ก็ยิ่งทบต้นเร็ว เพราะ context ที่ดีจะสะสมเป็นสินทรัพย์ของธุรกิจ
Step 2: เริ่มจาก Level 1 ให้ถูกก่อน คือเลิกคุยกับ AI แบบไม่มีข้อมูล
ระดับแรกคือสิ่งที่คนส่วนใหญ่ยังทำอยู่ คือเปิดแชตใหม่แล้วพิมพ์สั่งงานเลย เช่น “ช่วยเขียนโพสต์ LinkedIn เรื่องการใช้ AI agents” ผลที่ได้ก็มักจะออกมา generic มาก อ่านแล้วรู้ทันทีว่าเป็น AI เขียน
Ben เสนอกรอบง่ายๆ ว่า ถ้าอยากได้ output ดีขึ้น ในแต่ละงานควรใส่ context อย่างน้อย 4 อย่าง:
- เราเป็นใคร และธุรกิจเราทำอะไร
- งานนี้ทำเพื่อใคร เช่น กลุ่มลูกค้าเป้าหมายหรือผู้รับสาร
- ตัวอย่างของงานที่ดี หรือคำอธิบายว่า good output หน้าตาแบบไหน
- บทบาทและ guardrails เช่น น้ำเสียงที่ต้องใช้ สิ่งที่ห้ามพูด เป้าหมายของงาน
นี่เป็นจุดเริ่มต้นที่สำคัญมากสำหรับคนทำการตลาด ขายของ หรือทำคอนเทนต์ เพราะ AI จะเริ่มตอบแบบ “เข้าเรื่อง” มากขึ้นทันที
ข้อจำกัดคือ มันเสียเวลา เราต้อง copy context เดิมซ้ำไปซ้ำมาในทุกแชต ซึ่งพอใช้จริงทุกวัน คนส่วนใหญ่ก็เลิกทำ แล้วกลับไปใช้ prompt สั้นๆ เหมือนเดิม
Step 3: ขยับสู่ Level 2 ด้วย Chat Projects เพื่อลดการพิมพ์ซ้ำ
พอรู้แล้วว่าต้องมี context ขั้นต่อไปคือเอาข้อมูลพวกนี้ไปเก็บไว้ใน Projects ของ Claude หรือแชตที่ตั้งค่าไว้ล่วงหน้า เราใส่ instruction และไฟล์อ้างอิงไว้ครั้งเดียว แล้วค่อยเรียกใช้งานซ้ำได้
แนวคิดนี้เหมาะมากกับงานที่ทำซ้ำ เช่น
- เขียนโพสต์ LinkedIn
- ร่างอีเมลขาย
- ทำสคริปต์คอนเทนต์
- สรุปประชุม
สำหรับธุรกิจไทย นี่คือจุดที่เริ่มใช้งานได้จริงแล้ว เช่น แยก Project สำหรับ “คอนเทนต์เพจ”, “ตอบแชตลูกค้า”, “สรุปรายงานฝ่ายขาย” แต่ Ben ชี้ข้อเสียไว้ชัดเจนว่าโปรเจกต์แบบนี้ยังแยกเป็นเกาะๆ อยู่ในแต่ละหน้าต่างแชต และ AI ยังแก้เอกสาร context เหล่านี้เองไม่ได้ ถ้าจะอัปเดตข้อมูลแบรนด์หรือเปลี่ยน process เราต้องเข้าไปแก้เองตลอด
แปลว่า Level 2 ดีขึ้นกว่าการแชตมั่วๆ เยอะ แต่ยังไม่ใช่ระบบที่โตไปพร้อมธุรกิจได้
Step 4: ไป Level 3 ด้วย Skills เพื่อให้งานซ้ำๆ ใช้ได้ทุกแชต
นี่คือจุดที่ Ben แนะนำให้เปลี่ยนจากการใช้ Claude แบบ chat อย่างเดียว ไปสู่การใช้ Claude Co-Work หรือ Claude Code เพราะจะเริ่มใช้ Skills ได้
ถ้ามองแบบง่ายๆ Skills คือชุดคำสั่งพร้อมไฟล์อ้างอิงที่ reusable กว่า Project มันไม่ถูกขังอยู่ในแชตเดียว เราเรียกใช้กลางบทสนทนาไหนก็ได้ เช่น คุยเรื่องไอเดียวิดีโออยู่ แล้วเจอประเด็นที่น่าเอาไปทำโพสต์ ก็สั่งให้ใช้ “LinkedIn writer skill” ได้ทันที
ข้อดีของ Skills มีหลายอย่างมาก
- ใช้ข้ามแชตได้
- สร้างจากบทสนทนาที่เคยทำไว้แล้วได้
- แชร์ให้ทีมได้ผ่านไฟล์ zip หรือ organizational skills
- แก้ไขและต่อยอด skill เดิมได้ง่าย
- มีระบบ eval ทดสอบว่า skill ใช้งานได้ดีแค่ไหน
มุมที่น่าสนใจคือ Ben ไม่ได้มอง skill เป็นของเล่น แต่เป็นเหมือน SOP ที่ AI ทำตามได้จริง เช่น skill เขียน newsletter, skill ทำ infographic, skill เขียน intro วิดีโอ สิ่งนี้เหมาะมากกับทีมเล็กที่คนต้องสลับหมวกหลายใบ เพราะเราเริ่มเปลี่ยนความรู้กระจัดกระจายให้เป็นระบบที่ AI ใช้แทนคนได้
อย่างไรก็ดี Ben ก็เตือนไว้ตรงๆ ว่า Skills เหมาะกับงานที่มี workflow ชัด แต่งานจำนวนมากในชีวิตจริงไม่ใช่งานแบบนั้น
Step 5: ใช้ File Access เพื่อให้ AI เป็นคู่คิด ไม่ใช่แค่เครื่องมือทำตามคำสั่ง
ระดับถัดไปสำคัญมาก โดยเฉพาะสำหรับเจ้าของธุรกิจที่ไม่ได้ทำงานเป็นขั้นตอนซ้ำๆ ตลอดเวลา งานจริงมีทั้งการคิดกลยุทธ์ วางแผน ระดมไอเดีย ตัดสินใจ หรือแก้ปัญหาเฉพาะหน้า ซึ่งงานพวกนี้ไม่ได้เหมาะกับการสร้าง skill แยกทุกเรื่อง
สิ่งที่ Ben ทำคือให้ Claude เข้าถึง โฟลเดอร์ไฟล์บนคอมพิวเตอร์ ที่มีข้อมูลเกี่ยวกับงานส่วนนั้น เช่น เอกสาร strategy, transcript เก่า, hook bank, ข้อมูลแบรนด์ หรือเอกสารลูกค้า
ผลลัพธ์คือ AI จะเริ่มตอบแบบมีชั้นเชิงขึ้นมาก เพราะมันไม่ได้อิงแค่ prompt ปัจจุบัน แต่มองเห็นภาพรวมของธุรกิจเรา
จุดนี้สำคัญมากกับธุรกิจไทย เช่น
- แบรนด์อาหารเสริมอาจมีโฟลเดอร์รวม persona ลูกค้า รีวิวจริง ข้อกฎหมายที่ห้ามพูด และโพสต์ที่เคย perform ดี
- เอเจนซีอาจมีโฟลเดอร์รวม brief ลูกค้า ขอบเขตงาน proposal เก่า และแนวทางสื่อสารแต่ละ account
- ทีมขายอาจรวม objection ที่เจอบ่อย FAQ และข้อมูลสินค้าเปรียบเทียบคู่แข่ง
พอ AI เห็นข้อมูลพวกนี้ มันไม่ได้แค่ตอบดีขึ้น แต่มันเริ่ม “เถียง” เราได้ด้วยในจุดที่สมควร เช่น เตือนว่าเนื้อหานี้เทคนิคเกินไปสำหรับกลุ่มเป้าหมาย หรือ framing นี้ไม่ตรงกับแบรนด์
อีกข้อดีที่คนมักมองข้ามคือ เมื่อ AI เข้าถึงไฟล์ได้ มันไม่ได้แค่อ่าน แต่มันเขียนกลับลงไฟล์ได้ด้วย ทั้งการอัปเดตเอกสาร สร้าง asset ใหม่ หรือบันทึก output ดีๆ ลงในระบบ ทำให้ context โตขึ้นเองจากการใช้งานจริง
Step 6: จัดโครงสร้างงานด้วย Co-Work Projects ให้เป็นหมวด ไม่ใช่กองรวม
พอไฟล์เริ่มเยอะขึ้น การปล่อยทุกอย่างไว้ในโฟลเดอร์เดียวแบบไม่มีโครงสร้างจะเริ่มเละ Ben เลยเสนอระดับถัดไปคือ Co-Work Projects ซึ่งต่างจาก chat projects แบบเดิมตรงที่มันจัดตาม “พื้นที่งาน” ไม่ใช่แค่ “งานชิ้นหนึ่ง”
ตัวอย่างที่เขาใช้คือแยกเป็น YouTube, sales, analytics, operations, clients และ community
แนวคิดนี้ใช้กับธุรกิจไทยได้ดีมาก เช่น แยกเป็น
- การตลาด
- ฝ่ายขาย
- บริการลูกค้า
- ปฏิบัติการ
- การเงิน
แต่ละ project จะมีโฟลเดอร์ context ของตัวเอง แชตที่เกี่ยวข้อง และยังตั้ง memory กับ instruction ระดับ project ได้ เช่น ถ้าเป็น project วางแผนคอนเทนต์ เราอาจให้ AI มีหน้าที่ challenge ไอเดีย ไม่ใช่เห็นด้วยทุกอย่าง หรือถ้าเป็น project ฝ่ายขาย อาจกำหนดให้ตรวจสอบความน่าเชื่อถือของข้อเสนอทุกครั้งก่อนส่ง
นี่คือช่วงที่ AI เริ่มทำหน้าที่คล้าย operating system ของงานแล้ว เพราะเราไม่ได้เข้าหามันแค่เวลาต้อง “ถามอะไรสักอย่าง” แต่เริ่มทำงานผ่านมันเป็นประจำ
Step 7: สร้าง Level 6 เป็น Second Brain หรือ Personal OS
Ben มองว่าพอใช้ AI มากขึ้นเรื่อยๆ ปัญหาใหม่จะโผล่มาแทน คือข้อมูลซ้ำซ้อน กระจัดกระจาย และอัปเดตไม่ทัน บางไฟล์ใช้ร่วมกันหลาย project หลาย skill เช่น ICP, brand guideline, strategy doc ถ้าต้องแก้หลายที่พร้อมกัน ระบบจะเริ่มพังเอง
คำตอบคือทำ Second Brain หรือ Personal OS โดยรวม context ทั้งหมดไว้ในโฟลเดอร์หลักเดียว แล้วให้ Claude, Codex หรือ AI tools อื่นเข้าถึงโฟลเดอร์นี้ได้
ประโยชน์ชัดมาก
- มีแหล่งข้อมูลหลักแหล่งเดียว
- อัปเดตไฟล์ครั้งเดียว ทุก skill ที่อ้างถึงไฟล์นั้นได้ข้อมูลใหม่ทันที
- เริ่มใส่ข้อมูล real-time เช่น transcript ประชุม งานค้าง หรือ analytics รายวันได้
- ทำ morning brief หรือสรุปสิ่งสำคัญของวันได้จาก context จริงของธุรกิจ
Ben แนะนำให้เปลี่ยนวิธีสร้าง skill ด้วย คือไม่ต้องยัด reference files ไว้ใน skill เอง แต่ให้ skill อ้าง path ไปหาไฟล์ใน second brain แทน แบบนี้พอแก้ ICP หรือ strategy doc ทีเดียว ทุก skill ก็รับผลทันที
เครื่องมือที่เขาใช้จัดการเรื่องนี้คือ Obsidian ซึ่งไม่ได้เป็น cloud app แต่เป็นเครื่องมือช่วยมองเห็นและจัดระเบียบโฟลเดอร์บนเครื่องให้อ่านง่ายขึ้น รวมถึงมี graph view ให้เห็นความเชื่อมโยงของเอกสาร
มุมมองของเราคือ นี่เป็นแนวคิดที่ทรงพลังมาก แต่ก็มีข้อจำกัดชัดเจนสำหรับคนทั่วไปด้วย
- ต้องมีวินัยในการจัดไฟล์
- ต้องยอมใช้เวลา set up ช่วงแรก
- ต้องหมั่นตรวจ duplicate และข้อมูลขัดกัน
- ต้องใช้บ่อยพอ ระบบถึงจะเก่งขึ้นจริง
ถ้าธุรกิจยังเล็กมากและยังไม่มีเอกสารอะไรเลย การกระโดดไปทำ second brain อาจหนักเกินไป ทางที่ดีกว่าคือเริ่มจากโฟลเดอร์เดียวของงานสำคัญก่อน เช่น “การตลาด” หรือ “ฝ่ายขาย” แล้วค่อยขยาย
Step 8: วาง Cloud.md และ Index Files ให้ AI หาไฟล์เจอ
อีกจุดที่ Ben อธิบายไว้ดีมากคือ พอ context โตขึ้น เราไม่ได้มีปัญหาแค่ว่ามีข้อมูลไหม แต่มีปัญหาว่า AI จะรู้ได้อย่างไรว่าควรไปหยิบไฟล์ไหน
คำตอบคือใช้ cloud.md เป็น instruction layer ระหว่าง agent กับโฟลเดอร์ โดยเอกสารนี้จะบอกว่า
- เริ่มบทสนทนายังไง
- โฟลเดอร์นี้จัดโครงสร้างแบบไหน
- ควรไปหา context จากตรงไหนในสถานการณ์ใด
- อัปเดตไฟล์กลับเข้าไปที่ไหน
- ถ้าใช้ Obsidian ต้องเขียนลิงก์หรือ syntax แบบไหน
ถ้าโฟลเดอร์ใหญ่ขึ้นไปอีก Ben ยังแนะนำแนวคิด index files ในแต่ละ subfolder เพื่อให้ agent นำทางเก่งขึ้น
ถ้าฟังดู technical ไปหน่อย สรุปแบบคนทำธุรกิจคือ เราต้องมี “คู่มือการใช้คลังความรู้” ให้ AI ไม่ใช่โยนเอกสารกองใหญ่แล้วหวังว่ามันจะเดาถูกเอง
Step 9: ไปสู่ Level 7 ทำ Business OS ให้ทั้งทีมใช้ร่วมกัน
ระดับสุดท้ายคือเอาระบบทั้งหมดนี้ออกจากการเป็นเครื่องมือส่วนตัว แล้วทำเป็น Business OS ที่ทั้งทีมใช้ร่วมกัน
ตรงนี้คือจุดที่น่าสนใจมากสำหรับเจ้าของธุรกิจ เพราะเมื่อทีมทุกคนกับ AI agents ใช้ context เดียวกัน มาตรฐานงานจะนิ่งขึ้น ความรู้ไม่กระจุกอยู่ที่คนใดคนหนึ่ง และ onboarding คนใหม่ก็ง่ายขึ้น
Ben เล่าว่าการ sync โฟลเดอร์ลักษณะนี้ไม่ง่ายนักเพราะเป็น local files แต่มีหลายทางเลือก เช่น GitHub, Obsidian Sync หรือ self-hosted setup ส่วนที่เขาใช้อยู่คือ plugin ชื่อ Relay ใน Obsidian
ประเด็นสำคัญของระดับนี้ไม่ใช่แค่ sync แต่คือ permission ใครอ่านได้ ใครแก้ได้ ไฟล์ไหนต้อง read-only สำหรับบางคน เพราะในธุรกิจจริงไม่ใช่ทุกคนควรเข้าถึงทุกอย่าง
นี่เป็นจุดที่เราคิดว่าเจ้าของธุรกิจไทยควรระวังมาก โดยเฉพาะถ้ามีข้อมูลลูกค้า ข้อมูลราคา แผนกลยุทธ์ หรือข้อมูลการเงิน เพราะต่อให้ AI ทำงานได้ดีขึ้น แต่ถ้าสิทธิ์เข้าถึงมั่ว ความเสี่ยงก็สูงขึ้นทันที
อีกเรื่องที่ Ben เน้นและเห็นด้วยเต็มๆ คือ ต้องมีคนรับผิดชอบ context layer จริงจังหนึ่งคน ไม่งั้นระบบจะเสื่อมเร็วมาก เพราะมันต้องการการดูแล การรีวิว และการจัดระเบียบสม่ำเสมอ
Actionable Insights
- เริ่มจากงานซ้ำก่อน เลือก 1 งานที่ทำทุกสัปดาห์ เช่น เขียนโพสต์ สรุปประชุม หรือร่างอีเมลขาย แล้วสร้าง skill หรือ project ให้เสร็จก่อน
- ทำเอกสารหลัก 3 ชิ้นให้ครบ ได้แก่ ข้อมูลธุรกิจ, กลุ่มลูกค้าเป้าหมาย, และตัวอย่างงานที่ดี แค่นี้คุณภาพ output ก็ดีขึ้นมาก
- สร้างโฟลเดอร์ context แยกตามแผนก เช่น การตลาด ขาย และปฏิบัติการ เพื่อให้ AI ใช้งานได้ตรงเรื่องขึ้น
- ให้ AI เขียนกลับลงระบบ ไม่ใช่แค่ตอบในแชต แต่ให้บันทึกสรุป ไอเดีย หรือไฟล์ใหม่ลงโฟลเดอร์จริงทุกครั้ง
- ตั้งวัน maintenance รายสัปดาห์ เพื่อลบไฟล์ซ้ำ แก้ข้อมูลขัดกัน และเช็กว่า AI ยังหยิบข้อมูลถูกที่อยู่หรือไม่
Troubleshooting
ปัญหา: AI ตอบกว้างๆ เหมือนเดิม แม้จะใช้ project แล้ว
สาเหตุ: มี instruction แต่ไม่มีตัวอย่างงานที่ดีหรือข้อมูลลูกค้าชัดพอ
วิธีแก้: เพิ่ม reference files อย่างน้อย 3 อย่าง คือ brand info, ICP และตัวอย่าง output ที่ต้องการ
ปัญหา: ใช้ skill แล้วผลลัพธ์ไม่คงที่
สาเหตุ: skill เขียน process ไว้ไม่ชัด หรือไม่มีเกณฑ์ทดสอบ
วิธีแก้: ใช้ eval ทดสอบ skill หลายรอบ แล้วระบุเกณฑ์ให้ชัด เช่น ความยาว น้ำเสียง โครงสร้างประโยค
ปัญหา: ไฟล์ context เริ่มเยอะจนหาไม่เจอ
สาเหตุ: ไม่มีโครงสร้างโฟลเดอร์และไม่มี cloud.md ช่วยนำทาง
วิธีแก้: แยกโฟลเดอร์ตามพื้นที่งาน และสร้างไฟล์แนะนำการใช้งานของแต่ละโฟลเดอร์
ปัญหา: ทีมใช้ AI แล้วตอบไม่เหมือนกัน มาตรฐานไม่ตรงกัน
สาเหตุ: แต่ละคนใช้ context คนละชุด และไม่มีแหล่งข้อมูลหลักร่วมกัน
วิธีแก้: รวมเอกสารหลักไว้ใน shared folder แล้วตั้งสิทธิ์การเข้าถึงตามบทบาท
ปัญหา: ลงมือทำไปสักพักแล้วระบบรกเร็วมาก
สาเหตุ: ไม่มี owner ของระบบ context
วิธีแก้: ตั้งคนดูแลหนึ่งคนให้มีหน้าที่รีวิว อัปเดต และจัดระเบียบข้อมูลทุกสัปดาห์
การต่อยอด
- เชื่อม scheduled tasks เข้ากับ meeting transcript, CRM หรือ dashboard เพื่อให้ second brain อัปเดตเองทุกวัน
- สร้าง morning brief สำหรับเจ้าของธุรกิจที่ดึงงานค้าง เป้าหมาย และตัวเลขสำคัญมาให้อ่านในหน้าเดียว
- เปลี่ยน SOP ภายในทีมให้เป็น skills ทีละส่วน เริ่มจากงานที่ใช้เวลามากแต่รูปแบบซ้ำ
สรุป Checklist ทั้งหมด
- ☐ เข้าใจว่า AI จะเก่งได้เท่ากับ context ที่เราให้
- ☐ ใส่ context 4 ส่วนพื้นฐานในทุกงานสำคัญ
- ☐ ย้ายงานซ้ำจากแชตทั่วไปไปอยู่ใน Projects
- ☐ สร้าง Skills สำหรับ workflow ที่ทำบ่อย
- ☐ เปิดใช้ File Access กับโฟลเดอร์งานหลัก
- ☐ แยก Co-Work Projects ตามแผนกหรือพื้นที่งาน
- ☐ รวมข้อมูลสำคัญเป็น Second Brain หรือ Personal OS
- ☐ ใช้ Obsidian เพื่อจัดโครงสร้างและมองเห็นความเชื่อมโยงของไฟล์
- ☐ เขียน cloud.md หรือ index files ให้ AI นำทางในคลังข้อมูลได้
- ☐ เปลี่ยน skills ให้อ้างอิงไฟล์จากแหล่งกลาง แทนการฝังไฟล์ซ้ำ
- ☐ ตั้ง scheduled tasks เพื่อเติมข้อมูลใหม่เข้า second brain อัตโนมัติ
- ☐ นัด maintenance รายสัปดาห์เพื่อล้างความรกของระบบ
- ☐ ถ้าจะใช้ทั้งทีม ให้จัดการเรื่อง sync และ permission ให้ชัด
- ☐ แต่งตั้ง owner ของ context layer ในธุรกิจ
สรุปแล้ว คลิปนี้ไม่ได้สอนแค่ “ใช้ Claude ยังไง” แต่สอนให้เห็นว่า การใช้ AI ให้คุ้มจริง ต้องคิดเป็นระบบ ถ้าเราเป็นเจ้าของธุรกิจหรือคนทำงานที่อยากให้ AI ช่วยมากกว่าการตอบคำถามเป็นครั้งคราว เส้นทาง 7 ระดับนี้คือกรอบคิดที่เอาไปใช้ได้ทันที เริ่มจากระดับเล็กก่อน แล้วค่อยสะสม context ไปเรื่อยๆ เพราะสุดท้ายคนที่ได้ประโยชน์จาก AI มากที่สุด ไม่ใช่คนที่มี model ใหม่ก่อน แต่คือคนที่มีระบบ context ดีกว่าคนอื่น