AI จะทำให้คนตกงานนับล้านจริงหรือ? อ่านผลกระทบต่องานให้ลึกกว่าความสามารถของโมเดล
เมื่อเห็น AI เขียนโปรแกรม สร้างเนื้อหา หรือดำเนินงานหลายขั้นตอน คำถามที่ตามมาคือ “แล้วมนุษย์จะเหลืองานอะไร?”
ชื่อวิดีโอ “คนจะตกงานนับล้าน เมื่อ Astra มาแทน? แต่ผมไม่เห็นด้วย! (จากมุมคนหน้างานจริง)” เปิดประเด็นที่ควรนำมาพิจารณาอย่างจริงจัง เพราะการประเมินผลกระทบของ AI ต้องเชื่อมความสามารถทางเทคนิคเข้ากับสภาพการทำงานจริงขององค์กร
หลักฐานว่า AI ทำงานบางอย่างได้ ยังไม่เพียงพอที่จะระบุว่าคนจะตกงานกี่คน ภายในเวลาเท่าใด การประเมินต้องพิจารณาการนำไปใช้ ต้นทุน ความน่าเชื่อถือ ความต้องการของตลาด และการตัดสินใจของนายจ้างร่วมกัน
สำหรับผู้บริหาร คำถามที่นำไปลงมือทำได้คือ งานส่วนใดกำลังเปลี่ยน และองค์กรจะเตรียมคนให้พร้อมอย่างไร?
1. แยก “งานย่อย” ออกจาก “ตำแหน่งงาน”
ตำแหน่งงานหนึ่งประกอบด้วยหลายหน้าที่ เช่น นักวิเคราะห์ข้อมูลอาจต้องรับโจทย์จากผู้บริหาร ตรวจสอบข้อมูล วิเคราะห์ผล ประสานงานกับเจ้าของข้อมูล และอธิบายข้อจำกัดของข้อเสนอ
แม้ AI จะช่วยร่างบทวิเคราะห์ได้ การประเมินว่าจะทดแทนตำแหน่งนั้นได้เพียงใดก็ยังต้องตรวจสอบหน้าที่อื่นด้วย
รายงาน ILO ปี 2025 ประเมินว่า แรงงานทั่วโลกราวหนึ่งในสี่อยู่ในอาชีพที่มีงานบางส่วนเปิดรับผลกระทบจาก Generative AI แต่ตัวเลขนี้ไม่ได้หมายถึงหนึ่งในสี่จะตกงาน รายงานมองว่าการเปลี่ยนรูปแบบงานมีแนวโน้มเป็นผลกระทบหลัก เนื่องจากอาชีพส่วนใหญ่ยังมีภารกิจที่ต้องอาศัยมนุษย์ (ILO: Generative AI and Jobs)
ดังนั้น ก่อนสรุปว่าอาชีพใดจะหายไป ควรแยกให้ออกว่าเรากำลังพูดถึง ความสามารถในการทำงานย่อย การนำไปใช้งานจริง หรือ ผลต่อการจ้างงาน
2. หลักฐานเรื่องผลิตภาพไม่ได้แปลเป็นจำนวนคนที่ต้องลดโดยตรง
งานวิจัย Generative AI at Work ฉบับปรับปรุงปี 2024 ศึกษาพนักงานบริการลูกค้า 5,172 คน พบว่าการเข้าถึงผู้ช่วย AI เพิ่มจำนวนปัญหาที่แก้ไขได้ต่อชั่วโมงโดยเฉลี่ยประมาณ 15% และผลลัพธ์แตกต่างกันตามประสบการณ์และทักษะของพนักงาน (Brynjolfsson, Li และ Raymond, NBER)
ผลดังกล่าวแสดงประโยชน์ในบริบทที่ศึกษา แต่ไม่ได้หมายความว่าทุกธุรกิจจะเพิ่มผลิตภาพเท่ากัน หรือต้องลดพนักงานในสัดส่วนเดียวกัน
องค์กรอาจนำเวลาที่ประหยัดได้ไปลดงานค้าง เพิ่มคุณภาพบริการ รองรับลูกค้ามากขึ้น หรือปรับจำนวนคน การตัดสินใจเหล่านี้ขึ้นอยู่กับเป้าหมายและสถานการณ์ของแต่ละองค์กร
ตัวอย่างสมมติ: ทีมบริการลูกค้าที่ตอบคำถามได้เร็วขึ้นอาจนำกำลังคนไปดูแลกรณีซับซ้อน ขณะที่ธุรกิจซึ่งยอดขายไม่เติบโตอาจเลือกชะลอการรับคนเพิ่ม ผลทางการจ้างงานจึงต่างกันได้ แม้ใช้เครื่องมือคล้ายกัน
3. การใช้ AI จริงมีทั้งการช่วยคนและการทำงานอัตโนมัติ
งานวิจัยจากการวิเคราะห์บทสนทนาบน Claude มากกว่าสี่ล้านรายการ พบรูปแบบการใช้ทั้งเพื่อเสริมความสามารถของมนุษย์และเพื่อทำงานอัตโนมัติ อย่างไรก็ตาม ข้อมูลนี้สะท้อนการใช้บนแพลตฟอร์มหนึ่ง ไม่ใช่ตัวแทนแรงงานทั้งหมด และไม่ได้วัดการเลิกจ้างโดยตรง (Anthropic: Which Economic Tasks are Performed with AI?)
บทเรียนสำหรับองค์กรคือควรประเมินเป็นรายกระบวนการ ตัวอย่างกรอบที่ IDA เสนอ ได้แก่
| ลักษณะงาน | แนวทางเริ่มต้น |
|---|---|
| งานซ้ำ ขอบเขตชัด และตรวจผลได้ง่าย | ทดลองระบบอัตโนมัติ พร้อมเงื่อนไขหยุดและส่งต่อ |
| งานวิเคราะห์หรือร่างเนื้อหาที่ต้องใช้บริบท | ให้ AI จัดทำร่าง และให้ผู้รับผิดชอบตรวจสอบ |
| งานตัดสินใจที่มีผลกระทบสูง | ให้มนุษย์กำหนดเกณฑ์ พิจารณาหลักฐาน และอนุมัติ |
| งานประสานผลประโยชน์หรือจัดการข้อยกเว้น | ใช้ AI เตรียมข้อมูล โดยมีเจ้าของงานรับผิดชอบการดำเนินการ |
กรอบนี้ควรปรับตามความเสี่ยงและผลทดสอบของงานจริง ไม่ใช่ใช้เป็นข้อสรุปถาวรว่างานประเภทใดเป็นของมนุษย์หรือ AI เท่านั้น
4. ระหว่างการสาธิตกับการใช้งานจริง มีสิ่งที่ต้องพิสูจน์
IDA เสนอให้ประเมินความพร้อมอย่างน้อยห้าด้านก่อนขยายระบบ AI
- ข้อมูล: ข้อมูลครบ ทันสมัย และมีสิทธิ์นำมาใช้หรือไม่?
- ความน่าเชื่อถือ: ระบบทำงานสำเร็จสม่ำเสมอเพียงใด รวมถึงกรณียากและข้อยกเว้น?
- การเชื่อมต่อ: เข้าถึงระบบที่จำเป็นและส่งผลลัพธ์กลับได้ถูกต้องหรือไม่?
- ต้นทุนรวม: เมื่อรวมค่าบริการ การตรวจงาน การแก้ไข และการดูแลระบบแล้วคุ้มค่าหรือไม่?
- ความรับผิดชอบ: ใครตรวจพบข้อผิดพลาด ใครอนุมัติ และใครแก้ไขผลกระทบ?
การตอบคำถามเหล่านี้ช่วยให้ผู้บริหารเห็นว่าประโยชน์เกิดขึ้นตรงไหน และยังมีภาระงานส่วนใดที่ต้องใช้คนดูแล
5. ไม่ควรฟันธงว่าคนจะตกงานทั้งหมด หรือไม่มีใครได้รับผลกระทบ
ข้อสรุปทั้งสองด้านต้องการหลักฐานมากกว่าความสามารถของโมเดลหรือประสบการณ์จากโครงการเดียว
ในการวางแผน IDA เสนอให้เตรียมรับหลายสถานการณ์ เช่น การลดงานบางประเภท การชะลอรับพนักงานใหม่ การเปลี่ยนคุณสมบัติของตำแหน่ง และการเพิ่มงานด้านตรวจสอบหรือดูแลระบบ ทั้งหมดนี้เป็นสถานการณ์สำหรับประเมิน ไม่ใช่คำพยากรณ์ว่าจะเกิดขึ้นเท่ากันทุกองค์กร
ควรติดตามด้วยว่าพนักงานเริ่มต้นอาชีพยังมีโอกาสฝึกทักษะอย่างไร หากงานพื้นฐานที่เคยเป็นพื้นที่เรียนรู้ถูกทำให้เป็นอัตโนมัติ องค์กรอาจต้องออกแบบการฝึกงานและการให้คำแนะนำใหม่
6. คนทำงานควรพัฒนาทักษะอะไร
การเตรียมตัวที่นำไปใช้ได้จริง คือเลือกปัญหาในงานของตนแล้วฝึกใช้ AI ให้ครบวงจร ตั้งแต่ตั้งโจทย์จนตรวจผล โดยเน้นทักษะต่อไปนี้
- ความเชี่ยวชาญเฉพาะด้าน (Domain Expertise): เข้าใจลูกค้า กระบวนการ และข้อจำกัดของงาน
- การกำหนดโจทย์ (Problem Framing): ระบุเป้าหมาย ขอบเขต และเกณฑ์ความสำเร็จให้ชัด
- ความรู้เท่าทัน AI และข้อมูล (AI & Data Literacy): เข้าใจข้อจำกัด คุณภาพข้อมูล และต้นทุน
- การตรวจสอบอย่างมีวิจารณญาณ (Critical Verification): ตรวจแหล่งอ้างอิง ตัวเลข และข้อสรุป
- การออกแบบกระบวนการทำงาน (Workflow Design): เชื่อม AI กับคนและเครื่องมืออย่างเหมาะสม
- การสื่อสารและความรับผิดชอบ (Communication & Accountability): อธิบายผลลัพธ์และรับผิดชอบงานที่ส่งมอบ
เป้าหมายของการฝึกควรเป็น การทำงานหนึ่งให้ดีขึ้นอย่างพิสูจน์ได้ เช่น ลดเวลาร่างรายงานโดยคุณภาพไม่ลดลง หรือค้นหาข้อมูลได้เร็วขึ้นพร้อมแสดงหลักฐานประกอบ
7. ผู้บริหารควรเริ่มจากการออกแบบงานและวัดผล
ก่อนใช้ AI เป็นเหตุผลประกอบการปรับกำลังคน IDA เสนอให้ดำเนินการดังนี้
- แยกตำแหน่งงานออกเป็นภารกิจย่อยและระบุเวลาที่ใช้จริง
- เลือกภารกิจที่ทดลองได้และมีเจ้าของงานชัดเจน
- เก็บข้อมูลก่อนทดลอง ทั้งเวลา คุณภาพ ต้นทุน และข้อผิดพลาด
- วัดเวลาตรวจแก้ของมนุษย์รวมอยู่ในผลทดลอง
- วางแผนนำเวลาที่ประหยัดได้ไปใช้ พร้อมฝึกทักษะที่จำเป็น
- ทบทวนผลต่อบริการ ลูกค้า และพนักงานก่อนขยายระบบ
ความสามารถของ AI เป็นข้อมูลตั้งต้น ส่วนผลต่อการจ้างงานต้องประเมินจากการเปลี่ยนแปลงของงานจริง
องค์กรที่เตรียมตัวได้ดีจึงควรมีทั้งการทดลองเทคโนโลยี การพัฒนาคน และหลักฐานสำหรับตัดสินใจว่าจะปรับกระบวนการอย่างไร
มุมมองเชิงกลยุทธ์จาก IDA
IDA สนับสนุนการเริ่มต้นด้วย AI Readiness Assessment และการออกแบบกระบวนการทำงานร่วมกับ AI เพื่อเชื่อมโอกาสด้านผลิตภาพเข้ากับคุณภาพงาน การกำกับดูแล และความพร้อมของบุคลากร
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
- International Labour Organization (2025). Generative AI and Jobs: A Refined Global Index of Occupational Exposure. https://www.ilo.org/publications/generative-ai-and-jobs-refined-global-index-occupational-exposure
- Brynjolfsson, E., Li, D., & Raymond, L. (2023, revised 2024). Generative AI at Work. NBER Working Paper No. 31161. https://www.nber.org/papers/w31161
- Anthropic (2025). Which Economic Tasks are Performed with AI? Evidence from Millions of Claude Conversations (The Anthropic Economic Index). https://www.anthropic.com/research/the-anthropic-economic-index
