เดือนเมษายน 2026 Sequoia Capital จัดงาน AI Ascent ครั้งที่ 4 พาร์ทเนอร์ 3 คน ได้แก่ Pat Grady, Sonya Huang และ Konstantine Buhler นำเสนอวิสัยทัศน์ที่สะเทือนวงการใน Keynote: จากมุมมองเชิงฟังก์ชัน AGI มาถึงแล้ว คำจำกัดความของพวกเขาไม่ใช่เชิงวิชาการ แต่เป็นเชิงธุรกิจ: เมื่อคุณสามารถส่ง Agent ไปทำงาน มันฟื้นตัวจากความผิดพลาดได้เอง และทำงานต่อจนเสร็จ -- นี่คือ AGI เชิงฟังก์ชัน
บทความนี้รวบรวมเนื้อหาจาก Keynote ทั้งหมด, การบรรยายของ Demis Hassabis (DeepMind), Greg Brockman (OpenAI) และอีก 6 เซสชัน วิเคราะห์ด้วยหลักการพื้นฐาน (First Principles): AGI เชิงฟังก์ชันคืออะไร, เส้นโค้ง METR ที่เร่งตัวแบบเอ็กซ์โพเนนเชียล, การเปลี่ยนผ่านจาก Copilot สู่ Autopilot มูลค่า 10 ล้านล้านดอลลาร์, รากฐาน 3 ประการของเศรษฐกิจ Agent และหน้าต่างโอกาส 18 เดือนของไต้หวัน
ในแวดวงวิชาการ ยังไม่มีฉันทามติเรื่องคำจำกัดความของ AGI แต่พาร์ทเนอร์ทั้งสามของ Sequoia ไม่ใช่นักวิชาการ -- พวกเขาเป็นนักลงทุนที่ดูมาแล้วหลายหมื่นบริษัท คำจำกัดความของพวกเขามาจากความเป็นจริงทางธุรกิจ
แปลเป็นภาษาง่ายๆ: ถ้าคุณส่ง AI ไปทำงาน มันเจอปัญหาก็แก้ได้เอง ไม่ยอมแพ้กลางทาง ทำจนเสร็จ -- นี่แหละคือ AGI
Grady เน้นย้ำว่าเขาไม่ได้เสนอ "คำจำกัดความทางเทคนิค" เขาเรียนจบเศรษฐศาสตร์ ศึกษาการปะทะกันระหว่างผู้ก่อตั้งกับตลาด -- นั่นคือ "ธุรกิจ" จากมุมมองทางธุรกิจ เชิงปฏิบัติ เชิงฟังก์ชัน การปรากฏตัวของ long-horizon agents คือจุดเปลี่ยนสำคัญ
สองยุคแรกเป็น "ม้าที่เร็วขึ้น" -- ช่วยให้คุณมีผลิตภาพเพิ่ม 10-40% แต่ไม่ได้เปลี่ยนวิธีทำงานของคุณ ยุคที่สามคือ "รถยนต์มาถึง" -- ช่วยให้ผลิตภาพเพิ่ม 10-40เท่า เปลี่ยนธรรมชาติของงานโดยสิ้นเชิง
Sonya Huang นำเสนอข้อมูลจาก METR (Model Evaluation and Threat Research) ใน Keynote ซึ่งอาจเป็นภาพที่สำคัญที่สุดของงาน:
เส้นโค้ง METR วัดว่า: โมเดล AI สามารถทำงานซับซ้อนต่อเนื่องได้นานแค่ไหนโดยไม่ "หลุดราง"
ระยะเวลาที่ AI ทำงานได้เพิ่มขึ้นเป็นสองเท่าทุก 7 เดือน
เส้นโค้ง METR วัดอะไรจริงๆ? ไม่ใช่ "ความฉลาด" แต่เป็นความน่าเชื่อถือ x ความต่อเนื่อง พนักงานมนุษย์โดยเฉลี่ยสามารถทำงานอย่างมีสมาธิต่อเนื่องได้ 4-6 ชั่วโมง เมื่อคะแนน METR ของ Agent ถึงระดับนี้ มันจะเท่ากับพนักงานเต็มเวลาในเชิงฟังก์ชัน -- แค่มันไม่ต้องนอน ไม่ลาหยุด และสำเนาตัวเองได้ไม่จำกัด
ด้วยอัตราทวีคูณทุก 7 เดือน เราจะถึงจุดตัดนี้ราวปี 2028 นี่ไม่ใช่การเดา แต่เป็นการสอดแทรกจากเส้นโค้งเอ็กซ์โพเนนเชียลที่สังเกตเห็นแล้ว
Sonya กล่าวถึง AutoGPT และ BabyAGI ในปี 2022 ที่ใช้ GPT-3 วนลูปให้ทำงานเอง ผลลัพธ์?
สามปีต่อมา ทำไมแนวคิดสถาปัตยกรรมเดียวกันถึงใช้ได้ผลทันที? คำตอบอยู่ที่ส่วนประกอบ 3 อย่างที่สุกพร้อมพร้อมกัน:
Sonya ใช้การเปรียบเทียบที่คมมาก: เครื่องมือ SaaS ที่เราสร้างให้มนุษย์ตลอด 20 ปีที่ผ่านมา ตอนนี้กลายเป็น "แขนขาเทียม" ของ Agent SaaS ไม่ได้ตาย มันกำลังต้อนรับผู้ใช้ที่ระเบิดมากที่สุด แค่ผู้ใช้ไม่ใช่มนุษย์อีกต่อไป
นี่คือกรอบความคิดที่มีผลกระทบทางธุรกิจมากที่สุดของ Keynote นี้ Pat Grady เปิดตัวด้วยภาพที่ทำให้ทุกคนเงียบ:
15 ปีของการเปลี่ยนผ่านสู่คลาวด์ ตลาดซอฟต์แวร์ TAM เติบโตจาก 3.5 แสนล้านเป็น 6.5 แสนล้านดอลลาร์ คลาวด์คิดเป็น 4 แสนล้าน
นี่คืองบประมาณซื้อเครื่องมือ: ลูกค้าจ่าย $1 ซื้อซอฟต์แวร์
ตลาดบริการที่ AI Agent เข้าถึงได้: 10 ล้านล้านดอลลาร์ แค่บริการกฎหมายในสหรัฐฯ ก็ 4 แสนล้าน -- เท่ากับตลาดซอฟต์แวร์ทั้งหมด
นี่คืองบประมาณซื้อผลลัพธ์: ลูกค้าจ่าย $6 ซื้อบริการ
Copilot ขายเครื่องมือ -- "ซอฟต์แวร์นี้ช่วยให้ทนายของคุณทำงานได้เร็วขึ้น" ลูกค้าจ่าย $1
Autopilot ขายผลลัพธ์ -- "Agent นี้ช่วยคุณสู้คดีและเจรจาไกล่เกลี่ย" ลูกค้าจ่าย $6
ลูกค้าคนเดียวกัน งบประมาณที่เข้าถึงได้ต่างกัน 6 เท่า นี่คือเหตุผลที่คลื่น AI มีขนาดใหญ่กว่ายุคคลาวด์มหาศาล
Sonya ใช้ "การเขียนโปรแกรม" เป็นตัวอย่าง แสดงให้เห็น 4 ขั้นตอนจากผู้ช่วยไปสู่ระบบอัตโนมัติเต็มรูปแบบ:
| ขั้นตอน | เวลา | รูปแบบ | บทบาทมนุษย์ |
|---|---|---|---|
| Tab Autocomplete | 2023 | AI เติมคำข้างๆ คุณ | คนพิมพ์ |
| Agentic Dev | 2025 | คุณสั่ง Agent ทำงาน | ผู้จัดการ |
| Async / Background | 2026 | Agent ทำงานเบื้องหลังเอง | ผู้บริหาร |
| Dark Factory | 2027+ | ไม่ต้องมีคนดูแลเลย | เจ้าของ (ดูรายงานเป็นครั้งคราว) |
"Dark Factory" มาจากอุตสาหกรรมการผลิต -- หมายถึงโรงงานที่ไม่ต้องเปิดไฟเลย Sonya บอกว่าเธอเห็นโมเดลนี้ในระบบ production แล้ว รวมถึงบริษัทด้านความปลอดภัยไซเบอร์
Sonya ยกตัวอย่างการใช้ Agent ที่เกิดขึ้นจริงแล้ว:
ทำไม "บริการคือซอฟต์แวร์ใหม่" ไม่ใช่แค่คำพูดการตลาด? เพราะโครงสร้างต้นทุนขององค์กรกำลังเปลี่ยนแปลงอย่างรากฐาน การจ้างมนุษย์ขยายได้ยาก (สรรหา ฝึกอบรม บริหาร) แต่ Agent ขยายได้ไม่จำกัดด้วยพลังประมวลผล มนุษย์ต้องการเงินเดือน Agent ต้องการแค่ token
วันนี้มนุษย์ยังฉลาดกว่าในหลายเรื่อง -- แต่ Scaling Law ยังคงเดินหน้า ไม่นาน Agent จะฉลาดกว่าในหลายๆ ด้าน นี่ไม่ใช่มนุษย์ถูกแทนที่ แต่บทบาทของมนุษย์เปลี่ยนจาก "คนทำงาน" เป็น "คนตัดสินใจว่าจะทำอะไร"
Pat Grady เสนอกรอบ MAD -- สำหรับผู้ประกอบการที่สร้างบน foundation model:
Demis Hassabis หัวหน้า Google DeepMind ให้การประเมินที่เจาะจงแต่กล้าหาญ:
นี่หมายความว่าตามการประเมินของเขา เราจะถึง AGI แท้จริงราวปี 2030 แต่ที่น่าสนใจกว่าคือการแยกย่อยระหว่าง "75% ที่เสร็จแล้ว" กับ "25% ที่เหลือ"
Hassabis เสนอมุมมองเชิงปรัชญาที่ลึกซึ้งยิ่งขึ้น: ข้อมูลอาจเป็นพื้นฐานมากกว่าพลังงานและสสาร ถ้าธรรมชาติของจักรวาลคือการประมวลผลข้อมูล ความหมายของ AI ก็ลึกซึ้งกว่าที่เราจินตนาการ -- "and it's already pretty profound."
เขาเปรียบเทียบว่า: AI ตอนนี้เหมือนช่วง 120 ปีก่อนเครื่องจักรไอน้ำจะถูกประดิษฐ์ขึ้น -- มีอะไรบางอย่างขยับแล้ว แต่เรายังไม่ค้นพบ "กฎทางอุณหพลศาสตร์" ที่อยู่เบื้องหลัง วิทยาศาสตร์พื้นฐานของ AI -- ทำไมมันถึงทำงานได้ ทำไม Scaling Law ถึงมีอยู่ -- เรายังไม่เข้าใจจริงๆ
นี่คือคำแนะนำเชิงปฏิบัติของ Hassabis สำหรับการแข่งขัน AGI: อย่ารีบไล่ตาม "ปัญญาระดับเหนือมนุษย์" ทำ "เครื่องมือระดับเหนือมนุษย์" ให้ดีที่สุดก่อน แค่ขั้นตอนนี้ก็เปลี่ยนโลกได้แล้ว
Hassabis ยังแบ่งปันบทเรียนจากการทำบริษัทเกม (Elixir Studios):
ล้ำหน้า 5 ปี อย่าล้ำหน้า 50 ปี
เทคโนโลยีที่ล้ำเกินไปหาตลาดไม่เจอ เทคโนโลยีที่ล้าหลังเกินไปหาข้อได้เปรียบไม่ได้ 5 ปีคือจุดสมดุล -- ล้ำพอที่จะสร้างคูน้ำป้อมปราการ แต่ไม่มากจนเผาเงินหมดก่อนตลาดจะพร้อม
Greg Brockman ผู้ร่วมก่อตั้ง OpenAI เสนอมุมมองที่ดูเรียบง่ายแต่ลึกซึ้งมาก:
คอขวดของการทำงานแบบเดิมคือขีดความสามารถในการลงมือทำ -- หาคนมาทำงานไม่พอ ในยุค Agent ขีดความสามารถในการลงมือทำเกือบจะไม่จำกัด คอขวดใหม่คือวิจารณญาณ -- "เรื่องนี้ควรทำหรือไม่? ผลลัพธ์ที่ได้เป็นสิ่งที่ฉันต้องการหรือเปล่า?"
คนไม่พอ ทักษะไม่พอ เวลาไม่พอ
"ฉันรู้ว่าต้องทำอะไร แต่หาคนมาทำไม่ได้"
ความสนใจไม่พอ วิจารณญาณไม่พอ ทิศทางไม่ชัด
"AI ทำได้ทุกอย่าง แต่ฉันไม่แน่ใจว่าควรทำอะไร"
สิ่งที่ Brockman พูดจริงๆ คือ: "การทำ" กำลังกลายเป็นสินค้าโภคภัณฑ์ "การคิด" กลายเป็นแหล่งเดียวของความแตกต่าง
ในกรอบนี้ ความสามารถที่มีค่าที่สุดในอนาคตไม่ใช่ "ใช้ AI เป็น" แต่คือ "รู้ว่าควรให้ AI ทำอะไร" สอดคล้องกับมุมมองของ Karpathy ในอีกเซสชัน: "คุณ outsource ความคิดได้ แต่ outsource ความเข้าใจไม่ได้"
Konstantine Buhler รับผิดชอบส่วนที่สามของ Keynote -- "ต่อไปจะเกิดอะไรขึ้น?" เขาเสนอการเปรียบเทียบที่ยิ่งใหญ่: การปฏิวัติทางปัญญาจะเปลี่ยนโลกเหมือนการปฏิวัติอุตสาหกรรม
ก่อนปี 1700: งานกายภาพ 99%+ ทำโดยมนุษย์และสัตว์
พลังน้ำ -> เครื่องจักรไอน้ำ -> เครื่องยนต์สันดาปภายใน -> มอเตอร์ไฟฟ้า
ปี 2026: งานกายภาพ 99%+ ทำโดยเครื่องจักร เครื่องบินพาคุณมา โรงงานผลิตสินค้าทั้งหมด
ก่อนปี 2020: งานทางปัญญา 99%+ ทำโดยมนุษย์
คอมพิวเตอร์ -> การประมวลผลอิเล็กทรอนิกส์ -> โครงข่ายประสาท -> ???
อนาคต: งานทางปัญญา 99.9% จะทำโดยเครื่องจักร เราอยู่ที่จุดเปลี่ยนนี้
Sonya ก่อนส่งต่อให้ Buhler ตั้งคำถามที่ทำให้ไม่สบายใจ:
เพื่อให้เศรษฐกิจ Agent ทำงานได้ ต้องมีรากฐาน 3 ประการ:
มองย้อนประวัติศาสตร์: การปฏิวัติอุตสาหกรรมต้องการโครงสร้างพื้นฐานทางเศรษฐกิจใหม่เพื่อปลดปล่อมูลค่าทั้งหมด -- บริษัทจำกัดความรับผิด ธนาคารกลาง กฎหมายสิทธิบัตร กฎหมายแรงงาน กฎหมายต่อต้านการผูกขาด เช่นเดียวกัน การปฏิวัติทางปัญญาก็ต้องการโครงสร้างพื้นฐานใหม่ทั้งหมด
ใครสร้างรากฐาน 3 ประการนี้ได้ก่อน ใครก็ครองทางเข้าสู่ยุคเศรษฐกิจถัดไป นี่ไม่ใช่ปัญหาเทคนิค แต่เป็นปัญหาการสร้างนวัตกรรมเชิงสถาบัน
Buhler ใช้เรื่องราวประวัติศาสตร์ที่ชาญฉลาด: ปี 1884 สหรัฐฯ ต้องการทำยอดอนุสาวรีย์วอชิงตัน -- ใช้โลหะที่มีค่าที่สุดในโลกขณะนั้น: อะลูมิเนียม อะลูมิเนียมบริสุทธิ์ 100 ออนซ์วางบนยอดอนุสาวรีย์ มีค่ามากกว่าทองคำ
แล้วกระบวนการอิเล็กโทรลิซิสก็ถูกประดิษฐ์ขึ้น โลหะชนิดเดียวกัน ราคาตกลง 99.5% วันนี้คุณใช้ฟอยล์อะลูมิเนียมห่อแซนด์วิช แล้วทิ้งไป
ผลกระทบของ AI ต่อ "งานทางปัญญา" เหมือนผลกระทบของอิเล็กโทรลิซิสต่ออะลูมิเนียม ความรู้เฉพาะทางที่วันนี้คุณจ้างเป็นล้าน พรุ่งนี้อาจถูกเหมือนฟอยล์อะลูมิเนียม แต่การที่อะลูมิเนียมราคาถูกไม่ได้ทำลายโลก -- มันสร้างอุตสาหกรรมการบิน สถาปัตยกรรม บรรจุภัณฑ์ ขึ้นมาใหม่ทั้งหมด
คำถามไม่ใช่ "งานทางปัญญาจะเสื่อมค่าไหม" -- จะ คำถามคือ "คุณจะใช้พลังปัญญาที่ราคาถูกสร้างมูลค่าที่ไม่เคยมีมาก่อนได้ไหม"
กรอบของ Sequoia มีความหมายพิเศษสำหรับไต้หวัน ไต้หวันอยู่ที่ศูนย์กลางของ AI supply chain และขอบของ AI application layer พร้อมกัน -- นี่คือความไม่สมมาตรที่อันตราย
ทำไม 18 เดือน? มาจากการอนุมานไขว้ระหว่างเส้นโค้ง METR กับการวิเคราะห์ตลาดของ Sequoia:
ปัญหาหลักของไต้หวันไม่ใช่ "มีเทคโนโลยี AI หรือไม่" -- TSMC คือเทคโนโลยี AI ที่ดีที่สุด ปัญหาคือไต้หวันจะอัพเกรดจาก "ขายจอบเสียม" เป็น "ขุดทอง" ได้ไหม
ในยุคตื่นทอง การขายจอบเสียมเป็นธุรกิจที่ดี -- แต่เมื่อจอบเสียมเริ่มขุดทองเองได้ คนขายจอบเสียมถ้าไม่ปรับตัว ก็ได้แต่มองดู Agent ขุดทองไปทั้งหมด
ทุกครั้งที่คลื่นเทคโนโลยีใหม่ปรากฏ "ทฤษฎีฟองสบู่" ก็ตามมาด้วย ตอนนี้หลายคนถาม: AI เป็นฟองสบู่ดอทคอมปี 2000 ซ้ำรอยหรือไม่? Pat Grady ใช้กรอบของเขาให้คำตอบชัดเจน
| มิติ | ฟองสบู่ดอทคอม 2000 | คลื่น AI 2026 |
|---|---|---|
| ประเภทการปฏิวัติ | การปฏิวัติสื่อสาร (แจกจ่ายข้อมูล) | การปฏิวัติการคำนวณ (ประมวลผลข้อมูล) |
| TAM | ตลาดซอฟต์แวร์ $650B | ตลาดบริการ $10T+ |
| การเติบโตของรายได้ | Pets.com เผาเงินไม่มีรายได้ | บริษัท AI หลายแห่งทำ ARR เกิน $1B แล้ว |
| ความพร้อมของเทคโนโลยี | บรอดแบนด์ยังไม่แพร่หลาย | foundation model ใช้งาน production ได้แล้ว |
| Scaling Law | ไม่มี | pre-training + inference-time + RL สาม Scaling Law ยังคงมีผล |
บทเรียนหลักของฟองสบู่ดอทคอมปี 2000 ไม่ใช่ "อินเทอร์เน็ตไม่มีค่า" -- แต่คือ "มูลค่าถูกตีราคาเร็วเกินไป" ฟองสบู่แตก แต่ Amazon, Google, Facebook เติบโตขึ้นจากเถ้าถ่าน
AI จะมีฟองสบู่แตกไหม? อาจจะ บางบริษัทจะตาย แต่กรอบ "การปฏิวัติการคำนวณ vs การปฏิวัติสื่อสาร" ของ Grady บอกเราว่า: พื้นฐานของ AI แข็งแกร่งกว่าอินเทอร์เน็ต เพราะมันไม่ใช่แค่เปลี่ยนวิธีที่ข้อมูลไหล -- มันเปลี่ยนวิธีที่ข้อมูลถูกประมวลผล นี่คือการเปลี่ยนแปลงที่ลึกซึ้งกว่า
ฟองสบู่ไม่น่ากลัว สิ่งที่น่ากลัวคือคุณกลัวฟองสบู่จนพลาด Amazon ตัวถัดไป
ถ้าคุณยังขายสิทธิ์ใช้ซอฟต์แวร์ (โหมด Copilot) ตลาดที่เข้าถึงได้คือ $1 ถ้าคุณปรับตำแหน่งเป็นขายผลลัพธ์ (โหมด Autopilot) ตลาดที่เข้าถึงได้คือ $6 ลูกค้าคนเดียวกัน ต่างกัน 6 เท่า
ลงมือทำ: ลิสต์ลูกค้าท็อป 10 สำหรับแต่ละราย ถามว่า: "ถ้าเราไม่ขายเครื่องมือ แต่ขายผลลัพธ์ที่พวกเขาต้องการโดยตรง ราคาจะเพิ่มได้กี่เท่า?"
ไม่ใช่การเลิกจ้าง -- แต่เป็นการย้ายตำแหน่ง พนักงาน 1 คน + Agent 1 ตัว อาจมีผลิตภาพเท่ากับ 10 คนในอดีต แต่ต้องออกแบบ workflow ใหม่ ไม่ใช่แค่ "เพิ่มเครื่องมือ AI"
ลงมือทำ: ทำ "การตรวจสอบความสามารถในการตรวจสอบผลงาน" (ยืมกรอบของ Karpathy) งานที่ตรวจสอบง่าย (โค้ด วิเคราะห์ข้อมูล ตรวจสอบความสอดคล้อง) ให้อัตโนมัติก่อน
Brockman บอกว่า Context เป็นการลงทุนครั้งเดียว คลังความรู้ กระบวนการตัดสินใจ ข้อมูลลูกค้าของบริษัท จัดโครงสร้างให้ Agent ใช้ได้โดยตรงแล้วหรือยัง?
ลงมือทำ: มอบหมายคนหนึ่ง (หรือ Agent ตัวหนึ่ง) รับผิดชอบแปลงความรู้หลักของบริษัทเป็นรูปแบบที่ Agent ใช้ได้ภายใน 90 วัน
Modes (ความผูกพันลูกค้า), Affordance (อุปสรรคการใช้งาน), Diffusion (การแพร่กระจายตลาด) ถ้าสามส่วนอ่อนหมด คุณจะถูกแทนที่เร็ว
ลงมือทำ: ให้คะแนน MAD (1-10) กับผลิตภัณฑ์ของคุณ หาจุดที่อ่อนที่สุด รวมทรัพยากรมาเสริม
ถ้าคูน้ำป้อมปราการคือ "วิศวกรเก่ง" หรือ "ซอฟต์แวร์สมบูรณ์" สิ่งเหล่านี้อาจถูกกวาดล้างข้ามคืนในยุค Agent (Notion เขียนโค้ด 8 ล้านบรรทัดใหม่ใน 6 สัปดาห์, Brett Taylor เขียน Sierra ใหม่ทั้งหมดในวันหยุดสุดสัปดาห์) คูน้ำป้อมปราการที่ทนทานคือความสัมพันธ์กับลูกค้า ข้อมูลเฉพาะ และความไว้วางใจเชิงสถาบัน
ลงมือทำ: ลิสต์คูน้ำป้อมปราการ 3 อันดับแรกของคุณ สำหรับแต่ละอัน ถามว่า: "ถ้า Agent ทำได้ทุกอย่างที่มนุษย์ทำได้ คูน้ำป้อมปราการนี้ยังอยู่ไหม?"
กลับไปที่การเปรียบเทียบของ Pat Grady: แอป AI ในช่วงที่ผ่านมาเป็น "ม้าที่เร็วขึ้น" ตอนนี้ "รถยนต์มาถึงแล้ว"
AI Ascent 2025 ข้อความของ Sequoia คือ "AI ไม่ใช่อนาคต แต่คือปัจจุบัน"
ปี 2026 พวกเขาแก้ไข: "AGI เชิงฟังก์ชันมาถึงแล้ว คำถามไม่ใช่ว่ามี AGI ไหม แต่คือใครจะคว้า 10 ล้านล้านดอลลาร์ไปได้"
สรุปข้อความหลักจาก 6 เซสชัน:
คำปิดท้ายของ Sonya Huang คือบทสรุปที่ดีที่สุดของงาน:
"Whatever you can imagine building over the next hundred years, we think is now possible in a hundred days thanks to agents."
สิ่งที่คุณวางแผนจะสร้างใน 100 ปี ตอนนี้ด้วย Agent ทำได้ใน 100 วัน
นี่ไม่ใช่คำพูดการตลาดเกินจริง นี่คือเรื่องจริงของผู้ก่อตั้ง Zed ที่ทำแผน 3 ปีเสร็จด้วย Claude Code คนเดียวในช่วงวันหยุด นี่คือกรณีจริงของทีม Notion ที่เขียนโค้ด 8 ล้านบรรทัดใหม่ใน 6 สัปดาห์
รถมาแล้ว คุณจะขี่ม้าต่อก็ได้ แต่รถไม่รอคุณ