ถ้าเปิดบอร์ดหางานของ startup สาย AI ช่วงปี 2025 ถึง 2026 คุณจะเจอตำแหน่ง forward deployed engineer ซ้ำไปมา ในรายการ Lightcone ของ Y Combinator (YC โครงการบ่มเพาะ startup รายใหญ่ของสหรัฐฯ) เดือนกันยายน 2025 พิธีกรเล่าว่าเพิ่งเปิดบอร์ดงานของ YC ดูเอง เจอ startup ในโครงการเกิน 100 บริษัทที่รับตำแหน่งนี้ ทั้งที่ 3 ปีก่อนแทบไม่มีเลย ฝั่ง a16z (Andreessen Horowitz บริษัทร่วมลงทุนรายใหญ่) นับหน้ารับสมัครงานของ OpenAI ณ วันที่เขียนบทความ 4 มิถุนายน 2025 เจอ 22 จาก 311 ตำแหน่งที่เปิดรับเป็น forward deployed engineer หรือ solutions engineer
ถ้าคุณมาเพราะเห็นประกาศรับสมัคร ช่วงที่ 1 กับ 2 เล่าว่างานนี้มาจากไหน และทำไมบริษัทยอมจ่าย
แต่ตำแหน่งนี้บอกเรื่องที่ใหญ่กว่าตลาดงาน บริษัท AI ยอมจ่ายค่าส่งคนไปหน้างาน เพราะโมเดลเก่งแค่ไหนก็ไม่ได้บอกว่าควรให้ทำงานอะไร ถ้าคุณจะเอา AI มาใช้ในทีม เรื่องแรกจึงไม่ใช่ซื้อตัวไหน แต่คือจะแก้ปัญหาไหน และรู้ได้ยังไงว่าแก้ได้จริง การไปดูงานจริงเป็นวิธีหนึ่งที่ช่วยตอบ ส่วน "ใครจะมานั่งหน้างานกับเรา" เป็นคำถามข้อหนึ่งที่ควรถามคนขาย ไม่ใช่ข้อเดียว
บทความนี้ Productize สรุปว่า forward-deployed engineer คืออะไร ทำไมบริษัท AI ถึงยอมแบกต้นทุนนี้ และเจ้าของ SME หยิบบทเรียนอะไรไปใช้ได้บ้าง ขอบอกส่วนได้เสียไว้ตรงนี้ ทุกแหล่งที่อ้างเป็นนักลงทุนหรือที่ปรึกษาของบริษัทที่ทำงานแบบนี้ จึงได้ประโยชน์ถ้าแนวทางนี้ไปได้ดี และ Productize เองก็ขายบริการในเรื่องนี้ด้วย คือเป็นหัวหน้าฝ่ายเทคโนโลยีให้ช่วงหนึ่ง กับสร้าง internal tool (เครื่องมือภายในองค์กร) ด้วย AI ทั้งคู่อยู่ในหน้าบริการของเรา
ช่วงที่ 1Forward-deployed engineer คืออะไร
Forward-deployed engineer คือวิศวกรที่บริษัทซอฟต์แวร์ส่งไปประจำที่องค์กรลูกค้า เพื่อทำให้ซอฟต์แวร์ทำงานที่ลูกค้าต้องการได้จริง ไม่ใช่ติดตั้งเสร็จแล้วกลับ Bob McGrew อดีตผู้บริหารยุคแรกของ Palantir และอดีตหัวหน้าฝ่ายวิจัยของ OpenAI นิยามไว้ว่า "So a forward deployed engineer is someone, typically technical and an engineer, who sits at the customer site and fills the gap between what the product does and what the customer needs." คือคนที่นั่งอุดช่องว่างระหว่างสิ่งที่ผลิตภัณฑ์ทำได้กับสิ่งที่ลูกค้าต้องการจริงๆ
ตำแหน่งนี้เกิดที่ Palantir บริษัทซอฟต์แวร์วิเคราะห์ข้อมูลที่เริ่มจากขายให้หน่วยข่าวกรองของสหรัฐฯ McGrew เล่าว่าลูกค้าแต่ละแห่งต้องการของไม่เหมือนกัน "the product that they needed was slightly different at every place." Palantir เลยไม่สร้างของแยกให้ทีละราย แต่สร้างระบบกลางที่ปรับให้เข้ากับแต่ละที่ได้ แล้วส่งวิศวกรไปทำส่วนนั้นที่หน้างาน
McGrew เปรียบว่า FDE "goes and builds like a gravel road to where the product needs to go." คือปูถนนลูกรังไปถึงจุดที่ลูกค้ารายนั้นต้องการ จากนั้นทีมผลิตภัณฑ์ที่สำนักงานใหญ่ดูว่าถนนเส้นไหนใช้กับลูกค้าอีก 5 ถึง 10 รายได้ แล้วค่อยลาดยางเป็นทางด่วน ลูกค้ารายแรกได้ถนนลูกรัง ลูกค้ารายถัดไปได้ทางด่วน
ฟังแล้วเหมือนจ้างที่ปรึกษาไหม? McGrew ไม่ปัดคำวิจารณ์นี้ทิ้ง เขาบอกว่า "I think there's actually a real risk that it's right." มีโอกาสจริงที่คำวิจารณ์นั้นจะถูก ส่วนที่เขาบอกว่าต่างจากที่ปรึกษาคือ ยิ่งอยู่กับลูกค้านาน ซอฟต์แวร์ก็ยิ่งเข้ากับงานของลูกค้า คนที่ต้องส่งไปหน้างานก็น้อยลง และทีมได้เข้าไปแก้ปัญหาที่สำคัญกว่าเดิม ผลคือต้นทุนเทียบกับมูลค่าของงานที่ส่งมอบลดลงเรื่อยๆ
แต่ช่วงแรกอาจขาดทุน McGrew บอกว่ากำไรจะติดลบก่อน แล้วค่อยเป็นบวกหลังผ่านไป "maybe a year, maybe multiple years" อาจปีเดียวหรือหลายปี ประโยคนี้เป็นความเห็นของเขา ในรายการไม่มีตัวเลขยืนยัน
ช่วงที่ 2ทำไมบริษัท AI ต้องส่งคนไปนั่งกับลูกค้า ตอนนี้
McGrew ตอบไว้สั้นๆ "With AI agents, there is no incumbent product." งานของ AI agent ยังไม่มีผลิตภัณฑ์เจ้าเดิมให้แทนที่ ถ้าคุณขายโปรแกรมจ่ายบิลตัวใหม่ ทุกคนรู้อยู่แล้วว่าต้องทำอะไร แค่ดีกว่าเจ้าเดิมก็ขายได้ แต่ agent ที่มาทำงานแทนคน ยังไม่มีใครรู้ว่าต้องทำอะไรบ้างในแต่ละองค์กร ขั้นตอนงานของแต่ละที่ก็ไม่เหมือนกัน เขาบอกว่าการค้นหาเรื่องนี้ "you can only do it from inside the enterprise." ทำได้จากข้างในองค์กรเท่านั้น
Joe Schmidt จาก a16z เปรียบไว้ว่า "Enterprises buying AI are like your grandma getting an iPhone: they want to use it, but they need you to set it up." องค์กรที่ซื้อ AI เหมือนคุณยายได้ iPhone อยากใช้ แต่ต้องมีคนตั้งค่าให้
ส่งคนไปหน้างานแพง Schmidt เลยยกบริษัทซอฟต์แวร์ที่ชนะยุคย้ายขึ้นคลาวด์มาเทียบ gross margin ตอน IPO ของ ServiceNow อยู่ที่ 63.2% ของ Workday อยู่ที่ 54.1% แล้วขยับเป็น 79% และ 75% ในปี 2024 เหตุผลของเขาคือยอมให้กำไรบางในช่วงแรก เพื่อได้เป็นเจ้าของขั้นตอนงานของลูกค้า ตัวเลขชุดนี้ a16z ยกมาโดยไม่ระบุแหล่ง และเลือกมาเฉพาะบริษัทที่ชนะ บริษัทที่แบกทีมหน้างานแล้วล้มไม่อยู่ในบทความ
Sarah Wang กับ Martin Casado จาก a16z ก็มองว่ากำไรต่ำชั่วคราวของแอป AI ไม่ได้แปลว่าธุรกิจแย่ แต่ยอมรับว่า "Low margins will, at times, be a fatal aspect of the business." บางครั้งกำไรต่ำก็ฆ่าธุรกิจได้จริง ทั้งหมดนี้เป็นความเห็นของนักลงทุน ไม่ใช่ข้อเท็จจริงที่พิสูจน์แล้ว
เรื่องที่ควรเก็บจากช่วงนี้ไม่ใช่ตัวเลขกำไร และไม่ใช่ว่าต้องมีคนมานั่งประจำ ทีมหน้างานพวกนี้มีไว้หาว่า agent ต้องทำงานอะไรในแต่ละองค์กร ถ้ายังไม่รู้ว่าจะให้ AI ทำงานไหน ซื้อตัวที่เก่งที่สุดมาวางไว้ก็ยังไม่ได้อะไร
ช่วงที่ 3SME ไม่ต้องจ้าง FDE แต่ต้องเลือกปัญหา และวิธีวัดให้ได้ก่อน
SME ส่วนใหญ่ไม่มีงบจ้างวิศวกรมาประจำ และก็ไม่จำเป็นต้องมี ถ้าบริษัทคุณเล็กพอที่จะเดินดูได้ทุกโต๊ะ คุณก็น่าจะเห็นปัญหาอยู่แล้วทุกวัน สิ่งที่ขาดจึงมักไม่ใช่การมองเห็น แต่เป็นการเลือกว่าจะแก้เรื่องไหนก่อน และตกลงว่าจะวัดผลด้วยอะไร จากแหล่งข้างบน มี 4 เรื่องที่ช่วยตรงนี้ได้
เลือกปัญหาที่อยู่ใน 5 เรื่องแรกของคุณ McGrew บอกว่า "If you're not solving one of the top five priorities for the CEO, it's probably not going to work." ถ้าปัญหาที่แก้ไม่อยู่ใน 5 เรื่องสำคัญที่สุดของผู้บริหาร โครงการก็คงไปไม่รอด บริษัทใหญ่ต้องมีคนข้างบนคอยเปิดทางให้ทีมหน้างาน ใน SME คนนั้นคือคุณ ถ้าเรื่องนี้ไม่อยู่ในหัวคุณทุกสัปดาห์ ก็ยากที่ทีมจะยอมเปลี่ยนวิธีทำงานตาม
ถ้ายังไม่แน่ใจว่าเรื่องไหนหนักที่สุด การไปดูงานจริงช่วยเลือกได้ Emergence Capital (บริษัทร่วมลงทุน) แนะนำธุรกิจบริการที่ใช้ AI ว่า "Sit doers next to builders." ให้คนทำงานนั่งข้างคนสร้างระบบ ไม่ต้องเล่าต่อกันเป็นทอดๆ ถ้าคุณรู้เรื่องจากหัวหน้าแผนกแทนที่จะเห็นเอง ลองดูตัวอย่างสมมติ 2 แบบนี้ หัวหน้าเซลส์สรุปว่าทีมตอบลูกค้าช้า แต่คนที่นั่งดูทั้งวันเห็นว่าเวลาหายไปกับการไล่หาราคาล่าสุดจากหลายไฟล์ ฝ่ายจัดส่งบอกว่ารถไม่พอ แต่คนที่ไปยืนดูเห็นว่ารอบรถต้องจัดใหม่ทุกเช้าเพราะออร์เดอร์เข้ามาไม่ครบ ถ้าฟังแค่สรุป คุณจะได้ AI ที่แก้ผิดเรื่อง
วัดที่งานที่เสร็จ ไม่ใช่จำนวนฟีเจอร์ McGrew อธิบายว่า "you're not selling the installation of software. You're selling an outcome." สิ่งที่ขายไม่ใช่การติดตั้งซอฟต์แวร์ แต่คือผลลัพธ์ คุณก็ควรวัดแบบเดียวกัน ตั้งตัววัดเป็นงานที่เสร็จ เช่น ใบเสนอราคาที่ออกได้ภายในวัน เรื่องร้องเรียนที่ปิดได้ในรอบแรก หรือบิลที่เข้าระบบโดยไม่ต้องแก้ แต่จะรู้ว่าดีขึ้นหรือเปล่า ก็ต้องนับตัวเลขตอนนี้ไว้ก่อน
ถ้าผลบอกให้หยุด คุณก็ไม่ต้องจ่ายค่าจ้างทั้งโปรเจกต์ ถ้าบอกให้ไปต่อ ก็เอาตัวเลขชุดนี้ไปใช้กับคำถามข้อแรกในช่วงที่ 4
ระวังสร้างตามที่คนสั่ง McGrew เตือนว่าทางที่พาไปเป็นแค่ที่ปรึกษาเร็วที่สุดคือ "It's where you build the product in the field that the customers are asking for." สร้างตามที่ลูกค้าขอ เพราะคนที่ได้คุยด้วยมักเป็นผู้ประสานงานคนเดียว ซึ่งอยากได้เรื่องที่แก้ง่ายสำหรับตัวเองมากกว่าเรื่องที่เปลี่ยนธุรกิจ ใน SME คนนั้นอาจเป็นหัวหน้าแผนกที่ขอให้ AI ทำงานที่ตัวเองเบื่อ ไม่ใช่งานที่มีค่าที่สุดของบริษัท ถ้าจะลองสร้างเอง อ่านต่อได้ที่ agent ตัวเดียวพอ แล้วเพิ่มตัวที่สองเมื่อหลักฐานบังคับ
รู้ก่อนเซ็นว่าข้อมูลไปไหน และใครดูแลต่อ คู่มือของ Emergence Capital แนะนำฝั่งผู้ขายไว้ตรงๆ ว่า "ensure your MSA/engagement letters give you the ability to use the data from your service to improve your service." คือเขียนสัญญาให้ผู้ขายเอาข้อมูลจากงานของคุณไปปรับปรุงบริการตัวเองได้ เรื่องนี้ไม่ผิด แต่ควรรู้ว่าสัญญาของคุณมีข้อนี้หรือเปล่า คนดูแลก็เหมือนกัน คนที่มาช่วยต้องกลับสักวัน ถ้าในทีมไม่มีใครแก้ต่อได้ ของที่สร้างไว้ก็หยุดอยู่แค่วันที่เขาออกไป
ช่วงที่ 4คำถาม 5 ข้อ ก่อนจ้างใครมาทำ AI
เดโมของผู้ขาย AI ดูดีเสมอ คำถามพวกนี้ใช้ได้กับผู้ขายทุกราย ข้อ 2 กับ 3 ใช้ได้นานที่สุด ต่อให้วันหนึ่ง AI ตั้งค่าตัวเองได้ เรื่องข้อมูลกับคนดูแลก็ยังต้องถามอยู่ดี
ถ้าอยากได้คนช่วยเลือกว่าเรื่องไหนควรทำก่อน บริการของ Productize ที่ตรงเรื่องนี้คือเป็นหัวหน้าฝ่ายเทคโนโลยีให้ช่วงหนึ่ง หน้าบริการเขียนไว้ว่าเป็น "คนที่ตัดสินกับคุณว่าเรื่องนี้ควรแก้ ควรสร้าง หรือควรซื้อ" ถ้ารู้แล้วว่าอยากได้เครื่องมืออะไร มีบริการสร้าง internal tool ด้วย AI ที่ทำ "จากโจทย์จริงถึงระบบที่ใช้งาน ส่งมอบพร้อมวิธีดูแลต่อเอง" ทั้งสองอย่างเป็นบริการที่เราขาย คำถาม 5 ข้อข้างบนก็ใช้ถามเราได้เหมือนผู้ขายรายอื่น ถ้ายังไม่พร้อมคุยกับใคร แบบประเมิน 8 ข้อ ใช้เวลาราว 5 นาที และไม่ต้องกรอกอีเมล
ถ้าพรุ่งนี้ต้องเลือกงานเดียวมานับให้ครบ 5 วัน คุณจะเลือกงานไหน แล้วตัวเลขแบบไหนที่จะทำให้คุณยอมหยุด? ตอบได้ครบเมื่อไหร่ ค่อยถามว่าจะซื้อ AI ตัวไหน
ที่มาและอ้างอิง
- Bob McGrew กับพิธีกรรายการ Lightcone (Y Combinator), The FDE Playbook for AI Startups with Bob McGrew, 8 กันยายน 2025 ต้นทาง
- Joe Schmidt (a16z), Trading Margin for Moat: Why the Forward Deployed Engineer Is the Hottest Job in Startups, 4 มิถุนายน 2025 ต้นทาง
- Sarah Wang, Martin Casado (a16z), Questioning Margins is a Boring Cliche, 21 สิงหาคม 2025 ต้นทาง
- Jake Saper, Lotti Siniscalco, Rishub Nahar, Kabir Sial (Emergence Capital), The AI-Native Services Playbook, 30 มีนาคม 2026 ต้นทาง
อ่านต่อ: บทความทั้งหมด · คู่มือของ Y Combinator คือแผนคู่แข่ง · agent ตัวเดียวพอ แล้วเพิ่มตัวที่สองเมื่อหลักฐานบังคับ