Blog, Insight Hub

AI 2027 จุดเปลี่ยนงานมนุษย์ เราจะทำงานร่วมกับ AI อย่างไร เมื่อความสามารถเพิ่มเร็วกว่าการกำกับดูแล

AI 2027 จุดเปลี่ยนงานมนุษย์: เราจะทำงานร่วมกับ AI อย่างไร เมื่อความสามารถเพิ่มเร็วกว่าการกำกับดูแล

ปี 2027 ไม่ใช่กำหนดเวลาที่ได้รับการยืนยันว่า AI จะทำงานบนคอมพิวเตอร์แทนมนุษย์ได้ทั้งหมด แต่เป็นฉากทัศน์หนึ่งที่ใช้ตั้งคำถามต่อความพร้อมขององค์กรได้

เมื่อแอปพลิเคชัน AI เชื่อมต่อกับข้อมูล ซอฟต์แวร์ และเครื่องมือ ความสามารถจึงขยายจากการสร้างข้อความไปสู่การดำเนินงานหลายขั้นตอน ความสำเร็จยังขึ้นอยู่กับชนิดงาน ความน่าเชื่อถือของระบบ และขอบเขตสิทธิ์ที่ได้รับ

คำถามสำหรับผู้บริหารคือ จะออกแบบงาน อำนาจตัดสินใจ และการควบคุมอย่างไรให้สอดคล้องกับความสามารถเหล่านี้ โดยให้มนุษย์มีบทบาทรับผิดชอบที่ชัดเจน

บทความนี้พัฒนาจากประเด็นที่ผู้เขียนรวบรวมเกี่ยวกับ AI และอนาคตของงาน พร้อมแหล่งอ้างอิงประกอบจาก AI 2027, ILO และ NIST ส่วนแนวทางประยุกต์ใช้ในองค์กรเป็นการตีความของ IDA

คำคาดการณ์ของ Bill Gates บอกอะไรเกี่ยวกับอนาคตของงาน?

ระหว่างการให้สัมภาษณ์ในรายการ The Tonight Show เมื่อปี 2025 Bill Gates กล่าวถึงโอกาสที่ AI จะทำให้บริการความเชี่ยวชาญ เช่น คำแนะนำด้านสุขภาพและการสอน เข้าถึงได้กว้างขึ้นในช่วงประมาณหนึ่งทศวรรษ คำกล่าวนี้เป็นมุมมองต่ออนาคต ไม่ใช่หลักฐานว่าอาชีพแพทย์หรือครูจะหายไปตามกำหนดเวลา อ้างอิงการรายงานคำสัมภาษณ์โดย TheWrap

ในมุมมองของ IDA ประเด็นที่ควรนำมาพิจารณาคือ เมื่อบริการบางส่วนสร้างได้เร็วและเข้าถึงง่ายขึ้น คุณค่าของคนทำงานจะเปลี่ยนไปอยู่ตรงไหน และองค์กรจะรักษาคุณภาพ ความสัมพันธ์กับผู้รับบริการ และความรับผิดชอบอย่างไร

การมอบหมายงานให้ AI จึงต้องมาพร้อมเจ้าของงาน เกณฑ์ตรวจรับ และวิธีหยุดหรือแก้ไขเมื่อผลลัพธ์ผิดปกติ

ปี 2027 คือจุดเปลี่ยนที่แน่นอนหรือไม่?

AI 2027 นำเสนอฉากทัศน์การพัฒนา AI รวมถึงความเป็นไปได้ที่ระบบจะช่วยเร่งงานวิจัย AI ต่อไปด้วย เอกสารลักษณะนี้ควรอ่านในฐานะการคาดการณ์ที่อาศัยสมมติฐานและเปิดให้ตรวจสอบโต้แย้ง ไม่ใช่ตารางเวลาที่อนาคตต้องเกิดตามนั้น

ในการประเมินผลกระทบต่องาน ควรแยกสามระดับออกจากกัน

ระดับ	ความหมาย	สิ่งที่ต้องประเมินเพิ่ม
ทำงานย่อยได้	สรุปเอกสาร ร่างข้อความ วิเคราะห์ตาราง หรือสร้างโค้ดบางส่วน	ความถูกต้องและคุณภาพของผลลัพธ์
ทำกระบวนการหลายขั้นตอนได้	ใช้เครื่องมือ ส่งต่องาน และจัดการขั้นตอนในฐานะ AI Agent	สิทธิ์เข้าถึง การจัดการข้อผิดพลาด และความน่าเชื่อถือตลอดกระบวนการ
ทดแทนตำแหน่งงานได้	ครอบคลุมหน้าที่หลัก ข้อยกเว้น การประสานงาน และภาระรับผิดชอบ	ผลกระทบต่อผู้ใช้ องค์กร และการจัดสรรความรับผิดชอบ

ความก้าวหน้าในสองระดับแรกไม่ได้ยืนยันว่าระดับที่สามจะเกิดขึ้นโดยอัตโนมัติ

รายงาน ILO ปี 2025 ประเมินว่าแรงงานทั่วโลกราวหนึ่งในสี่อยู่ในอาชีพที่มีงานบางส่วนสัมผัสกับ Generative AI และชี้ว่าการเปลี่ยนรูปแบบงานเป็นผลลัพธ์ที่เป็นไปได้มากกว่าการทดแทนทั้งอาชีพ ตัวเลขนี้เป็นการประเมินความสัมผัสกับเทคโนโลยี ไม่ใช่อัตราคนที่จะตกงาน ILO: Generative AI and jobs — A 2025 update

สำหรับองค์กรไทย คำถามที่ใช้เตรียมพร้อมได้ทันทีคือ หาก AI Agent ทำงานได้มากขึ้น เรามีข้อมูลที่เหมาะสม ระบบอนุมัติ บันทึกเหตุการณ์ และผู้รับผิดชอบพร้อมเพียงใด?

Human Reserve Job: งานแบบใดควรคงอำนาจตัดสินใจไว้กับมนุษย์?

ในบทความนี้ Human Reserve Job ใช้เป็นกรอบคิดเกี่ยวกับงานที่องค์กรเลือกคงอำนาจตัดสินใจขั้นสุดท้ายไว้กับมนุษย์ ไม่ใช่ชื่อหมวดอาชีพตามมาตรฐานหรือข้อกำหนดทางกฎหมายที่ใช้เหมือนกันทุกประเทศ

เหตุผลอาจมาจากผลกระทบสูง ความจำเป็นด้านความชอบธรรม หรือคุณค่าของความสัมพันธ์ แม้ AI จะช่วยวิเคราะห์หรือเตรียมทางเลือกได้ก็ตาม

IDA เสนอให้องค์กรพิจารณาบทบาทของมนุษย์อย่างเข้มข้นในงานต่อไปนี้

การตัดสินใจที่กระทบชีวิต สุขภาพ เสรีภาพ หรือสิทธิของบุคคล
การพิจารณาบริการสำคัญ การลงโทษ หรือการใช้อำนาจที่ต้องมีผู้รับผิดชอบชัดเจน
งานดูแลเด็ก ผู้สูงอายุ และผู้ป่วย ซึ่งต้องคำนึงถึงความสัมพันธ์และบริบทของแต่ละคน
การรับมือวิกฤตและเหตุการณ์ไซเบอร์ที่ข้อมูลยังไม่ครบหรือมีข้อเท็จจริงขัดแย้งกัน
การตัดสินใจเชิงยุทธศาสตร์ที่ต้องเลือกระหว่างเป้าหมายและผลกระทบหลายด้าน
การสื่อสารในนามองค์กรที่กระทบชื่อเสียง ความเชื่อมั่น หรือสิทธิของผู้เกี่ยวข้อง

ขอบเขตที่เหมาะสมต้องพิจารณาตามบริบทและข้อกำหนดของงานนั้น การมีคนกดอนุมัติจะมีคุณค่าก็ต่อเมื่อบุคคลนั้นมีความรู้ มีข้อมูล มีเวลา และมีอำนาจปฏิเสธหรือหยุดการดำเนินการได้จริง

โมเดลแซนวิช: Human → AI → Human

โมเดลแซนวิชในที่นี้เป็นคำอธิบายวิธีจัดงานให้ AI อยู่ระหว่างการกำหนดกรอบและการตรวจรับโดยมนุษย์ สามารถใช้เป็นจุดเริ่มต้นของการออกแบบกระบวนการ แต่ไม่ได้รับประกันความปลอดภัยด้วยตัวมันเอง

ชั้นที่ 1: มนุษย์กำหนดกรอบ

เริ่มจากระบุปัญหา เป้าหมาย ผู้รับผลกระทบ ขอบเขตงาน แหล่งข้อมูลที่อนุญาต และเกณฑ์คุณภาพ รวมถึงการกระทำที่ AI ทำได้และการกระทำที่ต้องขออนุมัติ

ตัวอย่างเช่น งานรายงานผู้บริหารควรกำหนดช่วงข้อมูล นิยามตัวเลข รูปแบบอ้างอิง และประเด็นที่ยังไม่อนุญาตให้สรุป หากข้อมูลไม่เพียงพอ

ชั้นที่ 2: AI ช่วยวิเคราะห์และดำเนินงาน

ใช้ AI เพื่อจัดหมวดหมู่ข้อมูล สรุปประเด็น สร้างทางเลือก จัดทำร่าง หรือดำเนินงานซ้ำตามสิทธิ์ที่กำหนด ต้องติดตามข้อผิดพลาดระหว่างทางและมีวิธีส่งต่อให้คนเมื่อพบข้อยกเว้น

สำหรับ Agent ที่ใช้เครื่องมือ ควรกำหนดวงเงินหรือขอบเขตทรัพยากรตามงาน แยกสิทธิ์อ่านกับสิทธิ์แก้ไข และบันทึกการกระทำสำคัญ การดำเนินการที่ย้อนกลับยากควรได้รับการตรวจสอบก่อนเกิดผลจริง ไม่ใช่รอให้คนตรวจหลังจบทั้งหมด

ชั้นที่ 3: มนุษย์ตรวจสอบและรับผิดชอบ

ผู้ตรวจรับพิจารณาข้อเท็จจริง ตัวเลข แหล่งอ้างอิง ความครบถ้วน อคติ และผลกระทบ ก่อนอนุมัติใช้หรือเผยแพร่ผลลัพธ์

สำหรับงานเสี่ยงสูง อาจต้องมีผู้เชี่ยวชาญอิสระหรือการทดสอบเพิ่มเติมตามลักษณะงาน พร้อมหลักฐานที่ช่วยย้อนกลับไปตรวจว่าระบบใช้ข้อมูลใดและดำเนินการอะไร

Human Intent → AI Augmentation → Human Judgment & Accountability

การนำความน่าเชื่อถือและการประเมินความเสี่ยงมาพิจารณาตลอดการออกแบบ พัฒนา ใช้งาน และประเมินระบบ สอดคล้องกับแนวทางของ NIST AI Risk Management Framework

ตัวอย่างประยุกต์: รายงานความเสี่ยงชื่อเสียงองค์กร

ตัวอย่างสมมติต่อไปนี้แสดงการแบ่งงานให้ตรวจสอบได้

มนุษย์ตั้งโจทย์: กำหนดชื่อแบรนด์ ช่วงเวลา แหล่งข้อมูลที่ใช้ได้ และนิยามระดับความเสี่ยง พร้อมระบุว่ารายงานนี้ช่วยตัดสินใจเรื่องใด

AI ช่วยทำงาน: จัดกลุ่มข้อความ สรุปประเด็น และเสนอเหตุการณ์ที่ควรตรวจเพิ่ม โดยแนบข้อมูลต้นทางและแยกข้อเท็จจริงออกจากการตีความ

มนุษย์ตรวจรับ: ตรวจความถูกต้องของบริบท คัดข่าวซ้ำ ประเมินความน่าเชื่อถือ และตัดสินใจว่าจะติดตามเพิ่มเติม ส่งต่อทีมรับมือ หรือเตรียมคำชี้แจง

หากมีการเผยแพร่ข้อความในนามองค์กร ต้องผ่านผู้มีอำนาจอนุมัติก่อน ส่วนข้อมูลที่ยังไม่ยืนยันควรระบุสถานะให้ผู้รับรายงานเข้าใจ

วัดอะไรเพื่อให้รู้ว่าการใช้ AI ช่วยงานจริง?

องค์กรควรวัดทั้งประโยชน์และคุณภาพของกระบวนการ เช่น

เวลารวมตั้งแต่รับงานจนผ่านการตรวจรับ รวมเวลาที่ใช้แก้ไข
อัตราความผิดพลาด โดยแยกตามความรุนแรงและผลกระทบ
สัดส่วนผลลัพธ์ที่มนุษย์ต้องแก้ พร้อมสาเหตุที่เกิดซ้ำ
ความครบถ้วนของแหล่งอ้างอิงและบันทึกการทำงาน
เหตุการณ์ที่ระบบดำเนินการเกินขอบเขตหรือควรส่งต่อให้คน
คุณภาพบริการและผลลัพธ์ทางธุรกิจเทียบกับวิธีเดิม

การที่มนุษย์แก้ไขน้อยลงอาจหมายถึงระบบดีขึ้น หรืออาจหมายถึงผู้ตรวจสอบพึ่งพาระบบมากเกินไป จึงควรอ่านตัวชี้วัดร่วมกันและสุ่มตรวจคุณภาพเพิ่มเติม

มุมมองจาก IDA

IDA มองว่าการเตรียมพร้อมต่อ AI 2027 ควรเริ่มจากงานจริงขององค์กร เลือกกระบวนการที่ชัดเจน ทดลองในขอบเขตควบคุมได้ และกำหนดเจ้าของงานก่อนขยายการใช้งาน

ทักษะของคนจึงต้องพัฒนาไปพร้อมกัน ทั้งความรู้เฉพาะด้าน การตั้งโจทย์ การตรวจหลักฐาน การสื่อสาร และการรับผิดชอบต่อการตัดสินใจ ความสามารถเหล่านี้ช่วยให้องค์กรใช้ AI ได้อย่างมีทิศทาง แม้ความเร็วของเทคโนโลยีจะเปลี่ยนไปจากที่คาดการณ์

AI อาจทำงานได้มากขึ้น แต่อำนาจตัดสินใจ ขอบเขตการทำงาน และความรับผิดชอบต้องถูกออกแบบให้ชัดเจนขึ้นด้วย

เกี่ยวกับผู้เขียน

อาจารย์ปรเมศร์ เพียรสกุล ผู้เชี่ยวชาญด้านความมั่นคงปลอดภัยไซเบอร์ (Cybersecurity) ปัญญาประดิษฐ์ (Artificial Intelligence: AI) และการวิเคราะห์ข้อมูลเชิงกลยุทธ์ ปัจจุบันดำรงตำแหน่งประธานเจ้าหน้าที่บริหาร (Chief Executive Officer: CEO) และผู้ก่อตั้ง บริษัท อินเทลลิเจนท์ ดาต้า อนาไลติก จำกัด โดยมุ่งพัฒนาและประยุกต์ใช้เทคโนโลยี เพื่อเปลี่ยนข้อมูลให้เป็นข่าวกรองที่เชื่อถือได้สำหรับการตัดสินใจของผู้บริหารและองค์กรอย่างมีประสิทธิภาพและยั่งยืน

Poramate Piansakul

Professional Certifications

Transforming Data into Trusted Intelligence for Executive Decision-Making

แหล่งอ้างอิง

#AI2027 #FutureOfWork #AgenticAI #AIGovernance #IDA

ที่คุณอาจจะสนใจ