โมเดลที่มองเห็นหน้าจอและลงมือทำงาน
GPT-6.1 Terra คือโมเดล AI จาก OpenAI ที่ออกแบบมาเพื่อทำงานบนคอมพิวเตอร์ โดยผสานการวิเคราะห์ภาพบนหน้าจอเข้ากับการเลือกและดำเนินขั้นตอนในแอปต่าง ๆ จึงมุ่งทำงานแทนการคลิกและกรอกข้อมูลซ้ำ ๆ มากกว่าตอบคำถามอย่างเดียว OpenAI เปิดตัวโมเดลนี้โดยเน้นความเร็ว ประสิทธิภาพ และความคุ้มค่า พร้อมยกตัวอย่างตั้งแต่ร่างข้อเสนอ ตีความแบบทางเทคนิค กรอกแบบฟอร์ม ไปจนถึงตัดต่อวิดีโอ จุดสำคัญจึงไม่ใช่ว่า AI สั่งงานคอมพิวเตอร์ได้หรือไม่ แต่คือทำได้ถูกต้องต่อเนื่องแค่ไหนเมื่อเจอหน้าจอและขั้นตอนจริง
นี่คือการขยับจากแชตบอตไปสู่เอเจนต์ AI ที่รับเป้าหมายแล้วทำหลายขั้นตอน เช่น อ่านใบแจ้งหนี้และคีย์ข้อมูลเข้าระบบบัญชี ประโยชน์อาจชัดเมื่อมีงานจำนวนมากและรูปแบบซ้ำกัน แต่การทำงานบนหน้าจอไม่ได้แปลว่าโมเดลเข้าใจเจตนาของทุกช่อง หรือรู้เองว่าควรหยุดเมื่อข้อมูลไม่ครบ ธุรกิจจึงควรมอง Terra เป็นผู้ช่วยปฏิบัติงานที่ต้องกำหนดขอบเขต ไม่ใช่พนักงานดิจิทัลที่ปล่อยให้ทำงานโดยไม่ตรวจ
ความเร็วและราคา API ต้องอ่านพร้อมต้นทุนแฝง
จุดขายด้านต้นทุนมีน้ำหนัก เพราะ OpenAI ระบุว่าลดราคา API มาตรฐานลงครึ่งหนึ่งเมื่อเทียบกับ GPT-5.6 Terra และ GPT-6.1 Sol ข้อมูลที่เผยแพร่ยังระบุว่า Terra ทำคะแนนบนแบบทดสอบ Agents Last Exam สูงกว่ารุ่นก่อน 15% ด้วยต้นทุนหนึ่งในสาม และให้ผลงานใกล้ GPT-6 Astra โดยมีค่าใช้จ่ายต่อโทเคนหนึ่งในสิบ ตัวเลขเหล่านี้ทำให้ราคา API AI ดูน่าสนใจสำหรับงานปริมาณมาก แต่ยังเป็นผลที่รายงานจากผู้พัฒนา ไม่ใช่หลักประกันว่าจะลดเวลาและค่าใช้จ่ายในทุกองค์กร
ความเร็วและค่าประมวลผลเป็นเพียงส่วนหนึ่งของบิล ระบบที่ต้องให้คนตรวจคำตอบอาจมีต้นทุนตรวจสอบสูงกว่าค่าโมเดล 10 ถึง 90 เท่า หากประหยัดค่าประมวลผลได้ แต่ต้องเพิ่มคนคอยเปิดหน้าจอแก้ข้อมูลหรือยืนยันทุกขั้น ผลตอบแทนก็อาจหายไป วิธีตัดสินใจที่เหมาะกว่าคือทดลองกับงานจริง วัดเวลาตั้งแต่เริ่มจนตรวจเสร็จ รวมจำนวนข้อผิดพลาดและงานที่ต้องแก้ ไม่ใช่ดูเฉพาะราคาเรียกใช้หรือคะแนนทดสอบ
คะแนนสูงไม่ได้แปลว่าควรปล่อยทำงานลำพัง
ผลทดสอบคนละชุดตอบคำถามคนละแบบ จึงไม่ควรเอามารวมเป็นข้อสรุปเดียว การประเมินอิสระที่แหล่งข้อมูลอ้างถึงพบว่าอัตราการเดาเมื่อไม่รู้คำตอบลดจาก 88% ใน GPT-5.6 Terra เหลือ 38% ใน GPT-6.1 Terra ขณะที่ตัวเลขของ OpenAI เรื่องอัตราความผิดพลาดที่ลดลงมาจากการทดสอบภายในที่ออกแบบให้พรอมต์ชักนำโมเดลให้พลาด การทดสอบหนึ่งวัดความทนทานต่อคำสั่งล่อ อีกการทดสอบวัดการตอบเมื่อไม่มีความรู้ ทั้งสองอย่างเกี่ยวข้องกันแต่ใช้แทนกันไม่ได้
การลดอัตราการเดาเป็นพัฒนาการที่มีประโยชน์ แต่ 38% ยังหมายถึงความเสี่ยงเมื่อคำตอบผิดดูน่าเชื่อถือ โดยเฉพาะงานที่ไม่มีแหล่งข้อมูลให้ตรวจย้อนกลับ คะแนนความแม่นยำจึงไม่บอกภาระตรวจทั้งหมด และความผิดพลาดเล็กน้อยบนหน้าจออาจลามไปเป็นการกรอกข้อมูลผิดหรือส่งข้อความผิดคน ทางที่ปลอดภัยคือให้ระบบอ้างอิงข้อมูลต้นทาง จำกัดสิทธิ์การกระทำ และส่งงานที่มีผลกระทบสูงให้คนอนุมัติก่อนเสมอ
ให้ทำงานซ้ำได้ แต่ให้คนคุมงานเสี่ยง
Terra เหมาะแก่การทดลองกับงานที่มีข้อมูลต้นทางชัดและตรวจรูปแบบผลลัพธ์ได้ เช่น สรุปเอกสารที่ป้อนให้แล้ว จัดหมวดหมู่ตามป้ายกำกับที่กำหนด หรือร่างข้อความให้คนแก้ก่อนส่ง งานสกัดข้อมูลก็เสี่ยงน้อยลงเมื่อระบบปฏิเสธผลลัพธ์ที่ผิดรูปแบบ ส่วนการอ่านภาพ ทำงานในแอป เขียนข้อความ และช่วยเขียนโค้ดเป็นกลุ่มงานที่ควรนำมาทดสอบกับขั้นตอนประจำของแต่ละทีม
อย่าปล่อยให้โมเดลตัดสินใจเองในคำตอบข้อเท็จจริงที่ไม่มีระบบค้นแหล่งอ้างอิง ตัวเลขการเงิน ข้อกฎหมาย หรือข้อมูลทางการแพทย์ เพราะคำตอบผิดที่ฟังดูมั่นใจอาจเลวร้ายกว่าการไม่ตอบ สมาชิก Plus, Pro, Enterprise และ Edu ใช้งานผ่าน ChatGPT Work และ Codex ได้ ส่วนนักพัฒนาเรียกผ่าน API ด้วยชื่อโมเดล gpt-6.1-terra ก่อนใช้งานระยะยาว ควรทดสอบกับงานจริง วัดความถูกต้อง เวลา และจำนวนครั้งที่ต้องแก้ แล้วคงมนุษย์ไว้ในจุดอนุมัติที่ความผิดพลาดสร้างผลเสีย
ข้อสรุปคือ GPT-6.1 Terra มีแนวโน้มช่วยลดงานคลิกและงานซ้ำได้ โดยเฉพาะเมื่อทำงานจำนวนมากภายใต้กติกาชัดเจน แต่ความเร็วและราคาที่ถูกลงยังไม่ทำให้การกำกับดูแลหมดความจำเป็น ความคุ้มค่าที่แท้จริงเกิดเมื่อระบบทำงานได้ดีพอจนลดภาระรวม ทั้งการประมวลผล การตรวจ และการแก้ไข ไม่ใช่เมื่อค่าเรียกใช้เพียงอย่างเดียวลดลง
